謝 勤

（廣州市科技和信息化局，第16屆亞運會組委會信息技術部 廣東 廣州 510000）

前言

文獻［1－9］提出了血液循環(huán)在大腦處理信息的過程中具有時序控制作用，并用量化模型結合結構風險最小化相關理論說明時序控制作用的意義。文獻［10－20］匯總介紹量化模型中的細節(jié)。量化模型中，把有反饋回路的神經網絡分解為一系列前向網絡集合；把對有反饋回路網絡的訓練等效為對一系列前向網絡集合的訓練；信息存儲的過程是對一系列前向網絡的訓練過程；信息提取的過程是訓練后的前向網絡集合對一系列輸入樣本的處理過程。文獻［1－20］還結合結構風險最小化相關理論分析了血液循環(huán)的時序控制作用在大腦準確而高效處理信息方面的作用；分析了大腦能正確而高效處理信息，使智力能夠誕生的原因；分析了理論建立和應用過程的神經生理學原理、只能有相對真理的神經生理學原因。以上內容涉及多方面的量化細節(jié)和生理學機制細節(jié)，這里將已發(fā)表在文獻［1－20］的量化模型和一些細節(jié)以綜合報告形式再次進行綜合介紹，以期對同行更好理解大腦整體運作機制有所幫助，文章是綜合報告系列第三篇，閱讀本文前建議先閱讀《大腦處理信息量化模型和細節(jié)綜合報告》和《基于量化模型的對大腦高效可靠處理信息實現機制的分析》兩篇文章。本文共五點，給出了應用結構風險最小化工具分析大腦處理信息過程的圖示；分析理論建立和應用過程的神經生理學原理、只能有相對真理的神經生理學原因，分析了大腦能正確而高效處理信息、使智力能夠誕生的原因，文章還介紹了另外一種量化方案。

1 關于一些圖示、理論建立和應用過程中的神經網絡原理、智力起源和另一種量化方案

1.1 應用結構風險最小化工具分析大腦處理信息過程的圖示［1－19］：圖1和圖2給出了應用結構風險最小化工具分析大腦處理信息過程的圖示：［1－19］

（1）以時間軸上的點t0為參考點，在每個樣本時間長度L固定的情況下，如果樣本開始時間點為t0＋t，對于t在實數域的每個取值，對應一種樣本量化方法，神經網絡在時間軸上的興奮狀況將會量化成一個向量集合。例如樣本開始時間點為圖中的開始時間點1，開始時間點2，開始時間點3對應三種量化方法。［1－19］

（2）樣本開始時間點為t0＋t＋N＊L（N為整數）的各種量化方法量化得到的向量集合相同，例如樣本開始時間點為圖中的開始時間點1和開始時間點3的兩種量化方法量化得到的向量集合相同，向量的分布函數也相同。［1－19］

（3）如果樣本量化得到的向量增加一維時戳標記，標記的值可以是這個樣本的觀察點（參考文獻［10］）所對應的時間點，則各種量化方法量化可得到一系列的擴維向量集合，每兩個擴維的向量集合內的元素可以建立一一映射。［1－19］

（4）當相關網絡范圍減小時，對于每種量化方法（t取不同的值）都可看到，在訓練樣本數量有限的情況下，相關網絡范圍減小了，降低了結構風險，有利于網絡正確而高效地處理信息。［1－19］

1.2 關于理論建立和應用過程中的一些神經網絡原理［1－10］：這里將以勻速直線運動相關理論為例介紹關于理論建立和應用過程中的一些神經網絡原理，圖3。在對大量客觀事實進行長期觀察的過程中，大量的樣本進入大腦，樣本中重復出現次數多的一些統(tǒng)計特性被神經網絡保留下來，形成一張相對穩(wěn)定的神經網絡，表示為網絡G，圖中用灰色結點和實線表示；樣本中重復出現次數少的統(tǒng)計特性，由于形成的連接強度不大，在遺忘機制的作用下不參與這網絡G的形成，圖中用虛線表示。［1－10］

圖1［1－19］

圖2［1－19］

上述過程可能在多個大腦中逐步形成，例如人們通過對運動事物的長期觀察，形成“速度”等概念（形成圖中I、III圈內的相對穩(wěn)定的網絡），這些概念傳給另一群人后，繼續(xù)觀察客觀現象，形成勻速直線運動相關理論（形成圖中II圈內的相對穩(wěn)定網絡，從而形成網絡G）。大腦中已建立的相對穩(wěn)定的子網絡和一些其他因素會影響后續(xù)觀察客觀現象過程中對輸入樣本的處理和樣本中統(tǒng)計特性的識別。［1－10］

在勻速直線運動相關理論的建立過程中，人們通過各種方式獲得樣本，根據樣本檢驗網絡G的輸入輸出，并不斷調整網絡G，使網絡G的輸入輸出和樣本相符，最后網絡G相對穩(wěn)定下來，對應 “Pt＝P0＋V＊T”，和一些相關概念、數字、單位、計算方法等。在理論的建立過程中，一些隨機的因素，如靈感等可能在網絡建立過程發(fā)揮重大作用，使網絡在符合樣本方面有很大的改善。由于不可能學習完所有客觀世界可能出現的樣本，所以只有相對真理，只能在客觀實踐中不斷改進理論。［1－10］

當這張網絡在大腦中建立起來以后，在觀察運動物體并預測T時間后物體位置的場景中，這張網絡在“索引效應”的作用下把輸入信息抽象為物體原始位置、速度、所經歷的時間三個要素，這些信息進入網絡G后，輸出物體T時間后的位置。在這一場景中活躍的神經網絡是網絡G和圖中標U的連接和細胞共同組成的網絡G’。注意在神經細胞群活躍的順序中，并不一定網絡G’中所有細胞同時同強度活躍，而可能在各種時序控制機制或自身特性等的作用下分成幾步，如圖中分成1、2、3步，分別是I、II、III圈中的細胞群依次活躍程度最強。［1－10］

網絡G建立好以后，可以在大腦信息處理的輔助工具，如紙上記錄下來，通過信息傳播，在不同的大腦中建立這一相對穩(wěn)定的網絡；或者已建有這張網絡的大腦因遺忘機制作用，大腦中這張網絡不完整存在的時候，重建這張網絡。新建的和重建的網絡具體相關的細胞和連接權可能會有差異，但都對應“Pt＝P0＋V＊T”，和一些相關概念、數字、單位、計算方法等。［1－10］

圖3 關于理論建立和應用過程中的一些神經網絡原理［1－10］

1.3 一些說明［1－20］：文獻［10］第四部分第二段第一句中，“形成‘速度’等概念”中的“形成‘速度’概念”是指形成速度概念中“表述物體運動快慢”等部分出現時間比較古老的內涵，這部分內涵在文獻［10］提到的勻速直線運動相關理論中被保留下來。［1－20］

在這里的敘述中，把“表述物體運動快慢”作為速度概念的一個重要屬性，這個屬性和其他一系列屬性組成的屬性集合把速度概念和其他概念區(qū)分開。［1－20］

“把‘表述物體運動快慢’作為速度概念的一個重要屬性”也可表述為：把“具有‘表述物體運動快慢’內涵”作為速度概念的一個重要屬性。

1.4 關于智力起源［1－18］

（1）可以看到，大腦神經網絡的各個生化參數（如不同O2、H＋濃度下細胞的放電頻率、細胞間連接修改程度、遺忘率等）和血液循環(huán)的時序控制作用、海馬結構等生理機制和結構通過文獻［1－17］所述運作機制相互配合，對不同的信息處理組織起不同的子網絡，并保證所保存信息的穩(wěn)定性，從而能準確而高效地處理信息。［1－18］

（2）在1中所述的基礎上發(fā)展起語言機制，進一步可以對不同的信息處理組織起不同的子網絡，從而能更準確而高效地處理信息，為智力的起源奠定了基礎。［1－18］

1.5 一些說明［1－19］

（1）神經網絡中受體調整次數的總和也是網絡訓練過程中網絡調整次數的一個上界；但在考慮信息處理系統(tǒng)行為的時候，還要考慮調整程度足夠強的次數的總和。［1－19］

（2）在考察生物神經網絡運作時，如果輸入輸出向量樣本對相應網絡各邊的權值都沒有修改，可作為信息提取過程處理。［1－19］

（3）另外一種量化方案：對于網絡中的每個細胞，在時間軸上每個時間點都建立觀察點，將該時間點上細胞的閾值電位和膜電位考慮各種因素后換算成波動閾值輸入。對其他每維輸入擴展一維伴生輸入，如圖4中對細胞A輸入Input 1擴展伴生維Input 1’，對輸入Input 2擴展伴生Input 2’…；伴生輸入Input i’的權值和輸入Input i的權值相同，在網絡訓練過程中，如果權值有修改，兩者修改值相同；Input i’的取值是，如果產生輸入Input i的輸入樣本對應的時間點屬于細胞（圖4中是細胞B1或者B2）的絕對不應期（或約定膜電位超過閾值電位后一定長時間內，不包含達到閾值電位時間點），則Input i’取1，其他時間取0。［1－19］

圖4［1－19］

由（1）、（2），結構風險最小化理論可以和這種量化方案結合起來分析生物神經網絡的運作。采用這種量化方案分析大腦信息處理過程時，同樣可以得出“由于不可能學習完客觀世界所有可能出現的樣本，所以只能有相對真理，只能在客觀實踐中不斷改進理論”的結論。［1－19］

［1］謝勤，王乙容.大腦處理信息的過程存儲與重組模型［J］.現代生物醫(yī)學進展，2007，（3）：432－435，439

［2］謝勤.血液循環(huán)在大腦信息處理過程中的時序控制作用［J］.現代生物醫(yī)學進展，2008，（6）：1152－1159

［3］謝勤.過程存儲與重組模型［Z］.www.sciam.com.cn，2006

［4］謝勤.一種關于腦電波起源和含義的觀點［C］.中國神經科學學會第七次全國學術會議論文集.北京：科學出版社，2007：144

［5］謝勤.血液循環(huán)在大腦信息處理過程中的時序控制作用整理［C］.中國神經科學學會第八次全國學術會議論文集.北京：科學出版社，2009：135

［6］謝勤.血液循環(huán)在大腦信息處理過程中的時序控制作用整理［J］.中外健康文摘，2011，8（20）：93－98

［7］謝勤.大腦處理信息的樣本量和網絡規(guī)模問題［J］.中外健康文摘，2011，8（21）：88－91

［8］謝勤.大腦處理信息量化模型中的另一種樣本重組方案［J］.中外健康文摘，2011，8（22）：209－210

［9］謝勤.大腦處理信息的樣本量和網絡規(guī)模問題［C］.中國神經科學學會第九次全國學術會議論文集.北京：科學出版社，2011：366

［10］謝勤.大腦處理信息量化模型中的細節(jié)匯編［J］.中外健康文摘，2011，8（48）：78－80

［11］謝勤.大腦處理信息量化模型中的細節(jié)匯編二［J］.中外健康文摘，2012，9（4）：101－102

［12］謝勤.大腦處理信息量化模型中的細節(jié)匯編三［J］.中外健康文摘，2012，9（16）：61－62

［13］謝勤.大腦處理信息量化模型中的細節(jié)匯編四［J］.中外健康文摘，2012，9（23）：193－194

［14］謝勤.大腦處理信息量化模型中的細節(jié)匯編五［J］.中外健康文摘，2012，9（20）：56－57

［15］謝勤.大腦處理信息量化模型中的細節(jié)匯編六［J］.中外健康文摘，2012，9（29）：238－239

［16］謝勤.大腦處理信息量化模型中的細節(jié)匯編七［J］.中外健康文摘，2012，9（33）：45－46

［17］謝勤.大腦處理信息量化模型中的細節(jié)匯編八［J］.中外健康文摘，2012，9（39）：393－395

［18］謝勤.大腦處理信息量化模型中的細節(jié)匯編九［J］.中外健康文摘，2012，9（39）：402－403

［19］謝勤.大腦處理信息量化模型中的細節(jié)匯編十［J］.中外健康文摘，2012，9（39）：407－408

［20］謝勤.大腦處理信息量化模型中的細節(jié)匯編十一［J］.中外健康文摘，2012，9（50）：112－113