Архив рубрики: здоровье


Структура центральной нервной системы

.

Взаимодействующие между собой посредством передачи нервных импульсов нейроны образуют биологические нейронные сети (БНС). Таким образом, переход от рассмотрения отдельного нейрона к  БНС является естественным шагом в нейробиологической иерархии.

Существенную роль в теории БНС играют биофизические проблемы. Для построения архитектуры искусственной нейронной сети и ее математической модели требуется адекватное представление о принципах функционирования БНС. Это, в свою очередь, требует знания  нейрофизиологии, науки о познании, психологии, физики (статистической механики), теории управления, теории вычислений, математической статистики, параллельных вычислений, аппаратных средств (цифровых и аналоговых), синергетики.

Нейронная сеть головного мозга содержит нейронов, при этом каждая нервная клетка связана в среднем с других нейронов, образуя в целом около  синаптических связей. Установлено, что совокупность нейронов центральной нервной системы в объеме масштаба 1 мм3 формирует достаточно независимую локальную БНС, несущую определенную функциональную нагрузку. Быстродействие БН на 5 — 6 порядков ниже, чем быстродействие элементов современных интегральных схем: интегральная схема — 10-9 с (наносекунды); БНС — 10-3 с (миллисекунды). При этом энергетическая эффективность современной ЭВМ, осуществляющей операции на основе бинарной логики составляет порядка

10-6 Дж на операцию в секунду, в то время как энергетическая эффективность БНС  равняется 10-16 Дж на операцию в секунду.

            Нейроны образуют два характерных типа соединений – конвергентные, когда число нейронов предыдущего слоя превосходит число нейронов последующего слоя, и дивергентные, в которых контакты осуществляются со все возрастающим числом клеток последующих слоев иерархии. Такое сочетание конвергентных и дивергентных соединений обеспечивает многократное дублирование информационных каналов, что собственно и определяет высокую надежность БНС. При повреждении или исчезновении части нервных клеток, сохранившиеся нейроны оказываются в состоянии поддерживать функционирование сети.

            Выделяют три основных типа БНС, отличающихся структурой и назначением.

К первому типу относятся иерархические сети, наиболее часто встречающиеся в сенсорных и двигательных путях. Передача информации в

Каждый нейрон имеет тело и отростки — аксоны и дендриты

Каждый нейрон имеет тело и отростки — аксоны и дендриты. Тело нейрона (сома) содержащит ядро, митохондрии, обеспечивающие нейрон энергией, а также другие органеллы, поддерживающие жизнедеятельность клетки. Аксон — это длинный (иногда больше метра) отросток, который проводит сигналы от тела нервной клетки, а дендрит — по направлению к нейрону,  т.е. дендриты передают входные сигналы, а аксоны — выходные. Активность в дендритах меняется плавно. Длина их обычно не больше 1 мм. Импульс нейрона генерируется в аксонном холмике. Аксон обеспечивает проведение импульса (спайка) и передачу воздействия на другие нейроны или мышечные волокна через эффекторные нервные окончания. Шванновские клетки представляют собой специфические клетки, почти целиком состоящие из миелина, органического изолирующего вещества. Они плотно окружают нервное волокно 250 слоями миелина. Неизолированные места нервного волокна между клетками Шванна называются перехватами Ранвье. За счет миелиновой изоляции скорость распространения нервных импульсов возрастает в 5-10 раз и уменьшаются затраты энергии на проведение импульсов.

Нетрудно видеть, что нейрон в своем строении имеет много общих черт с другими клетками биоткани: тело нейрона окружено плазматической мембраной, внутри которой находится цитоплазма, ядро и другие составляющие клетки. Однако нервная клетка существенно отличается от иных по своему функциональному назначению: нейрон выполняет прием, элементарное преобразование и дальнейшую передачу информации другим нейронам или эффекторам.

Процесс образования и прохождения нервного импульса по нейронам и синапсам обусловлен наличием электрических зарядов на наружных клеточных мембранах, что является всеобщей особенностью живых клеток. Нервный импульс представляет собой волну деполяризации, которая распространяется по аксону от тела клетки к нервному окончанию. В каждой

Нейронные сети,

Появление и дальнейшее развитие алгоритма обратного распространения представляет собой своеобразную «веху» в теории и практике нейронных сетей в том смысле, что этот алгоритм обеспечивает вычислительно эффективный метод обучения многослойного перцептрона. И хотя нельзя гарантировать, что алгоритм обратного распространения может обеспечить решение всех значимых проблем статистической классификации и распознавания, можно с полной определенностью утверждать, что именно появление этого алгоритма окончательно устранило пессимизм в отношении нейронных сетей, который возник и сохранялся в течение почти 20 лет, начиная с 1969 года, а именно, после известной монографии Минского и Пайперта (MinskyandPapert) (Минский М., Пайперт С. Перцептроны.  М.: Мир, 1971.  261 с.), содержавшей, в частности, целую серию изящных математических примеров, демонстрировавших ряд фундаментальных ограничений, присущих однослойным перцептронам.

Нейронные сети, упоминавшиеся выше и  составлявшие предмет исследований до середины восьмидесятых годов, не имели обратных связей, т.е. связей, идущих от выходов сетей к их входам, что гарантирует безусловную устойчивость нейронной сети. Данные сети не могут войти в режим, при котором их выходные значения беспрерывно блуждают от состояния к состоянию. Такое поведение, тем не менее, широко распространено в  нейронных сетях с обратными связями.[1] Проблема устойчивости рекуррентных нейронных сетей длительное время являлась предметом интенсивного исследования и была решена Коэном и Гроссбергом



[1] Неустойчивые сети с обратными связями обладают интересными свойствами и являются аналогами и моделями хаотических систем [14].

Нейрон — основной элемент нейронной сети

Представим перечень основных терминов, используемых в специальной литературе, посвященной нейронным сетям и нейронно-сетевым алгоритмам.

Нейрон — основной элемент нейронной сети, выполняющий функцию адаптивного сумматора с варьируемыми входными весовыми коэффициентами, суммарный выходной сигнал которого подвергается линейной или нелинейной обработке, образуя итоговый выходной сигнал.

Перцептрон — элементарный нейрон, представляющий собой линейный сумматор, каждый из входных сигналов которого умножается на некоторый весовой множитель, а выходной суммарный сигнал является ненулевым, если сумма превышает некоторое пороговое значение (впервые описан  в  1958 году Розенблаттом).

Узел  — отдельный нейрон в нейронной сети, имеющий, как правило, несколько сигналов на входе и лишь один выходной сигнал. Термин «узел» используется обычно для обозначения и представления единичного нейрона в структуре нейронной сети; в рамках графовой модели нейронной сети эквивалентен вершине графа.

Синапс — линейная связь, характерная для каждого из сумматоров, служащая для обозначения направления распространения сигнала, который умножается на заданный синаптический весовой коэффициент.

Слой — множество нейронов (узлов), имеющих общие входные или выходные сигналы.

Входной слой — слой нейронов (узлов), образованный совокупностью элементов, на входы которых подаются входные данные нейронной сети.