Нейроны

Как и спирт, кокаин действует на нейроны, изменяя передачу нервных импульсов в определенной части мозга. Он действует обезболивающе, уменьшая чувствительность нервных мембран к приему вещества-переносчика. Он также предотвращает разрушение переносчика после прохождения сигнала. Почему и как он вызывает эйфорическое состояние, выяснено только частично, но иногда при этом происходит опасное повышение кровяного давления, кровоизлияние в мозг и даже может наступить смерть. [c.484]

За последние годы получили развитие работы по хемотронике, основанные на использовании в хемотронном преобразователе комбинаций различных из уже описанных ранее принципов, а также использующие явления пассивности методов. На этой основе разработаны электрохимические реле модели нейрона и т. д. [c.386]

Когда нейроны паходятся в покое, на нервных окончаниях накапливаются ионы кальция. Когда сквозь нейрон проходит импульс, ионы кальция выпускаются и в свою очередь вызывают выход молекулы переносчика, которая перемещается к соседней клетке, перенося к ней сигнал. Спирт, как считают, уменьшает количество ионов кальция на нервном окончании. Это препятствует выходу переносчика и, таким образом, делает невозможным передачу сигнала. Когда это происходит повсеместно, нормальные функции мозга замедляются или подавляются. [c.483]

Суш ествует несколько способов семантического представления. К ним относятся модели, основанные на математической логике и реализуемые аппаратом исчислений предикатов первого порядка [8] реляционные модели, в основе которых лежит задание информации в виде таблиц [9] ситуационные модели, в которых выделяются множества объектов и набор многоместных отношений между ними [101 семантические сети [11]. Сеть можно представить в виде графа, вершинам которого соответствуют абстрактные ситуации, конкретные события, объекты, а дуги указывают связи и тип отношения между этими сущностями . Другой способ задания семантической сети основан на теоретической разработке структуры нейронных сетей центральной нервной системы человека [12]. [c.259]

ОБ ОДНОМ ПОДХОДЕ К СОКРАЩЕНИЮ ВРЕМЕНИ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ [c.207]

Обучение и распознавание образов с использованием нейронных сетей. Первые работы по обучению и распознаванию образов с использованием нейронных сетей (персептронов) начаты еще в конце 1950-х годов. Практические успехи в современном развитии вычислительной техники, а также некоторые недавние успехи в теории ИИ пробудили новый интерес к адаптивным обучающимся системам на основе нейронных сетей. Такие системы способны создавать образы (речь) как во времени, так и в пространстве (зрительные образы). Обучение эвристических программ и ЭВМ — активно развивающаяся область исследований теории ИИ. Решение этой проблемы обеспечит прогресс в создании автоматизированных процедур приобретения и накопления новых знаний, которые являются узким местом при разработке экспертных систем. [c.47]

Рис. 2.14. Схема кибернетическом модели нейрона

Порог —это минимальный уровень входного сигнала, который необходим для начала его переноса через нейрон. Возбуждение нейрона отображается выходным сигналом Yj, соответствующим сигналу, который передается через аксон нейрона. Значения весовых коэффициентов изменяются при операциях обучения или тренировки каждого нейрона с использованием поощрения и наказания. Процесс срабатывания кибернетического нейрона и возникновения выходного сигнала описывается соотношениями [2, 39j [c.86]

Нейронная сеть (НС) — это кибернетическая модель нервной системы, состоящая из совокупности однородных элементов — кибернетических нейронов (узлов). Схемы соединения нейронов (узлов) в НС представляют собой разнообразные многослойные структуры. Каждая многослойная НС имеет один входной (нижний) слой, один выходной (верхний) слой и множество промежуточных функциональных, или скрытых, слоев. [c.86]

В такой многослойной НС можно выделить часть сети, в которой нейрон нижнего (входного) слоя через нейроны вышележащих слоев связан со всеми нейронами верхнего (выходного) слоя. В воронкообразной схеме НС все нейроны нижнего (входного) слоя связаны с одним нейроном верхнего (выходного) слоя. Древовидные схемы НС представляют собой неупорядоченные структуры, сочетающие особенности пирамидальной и воронкообразной схем. Схемы НС могут содержать положительные и отрицательные обратные связи, а также кольцевые структуры. [c.87]

Информация об ошибках распространяется в обратном направлении, и с ее помощью осуществляется уточнение значений величин, которые уменьшают ошибки в соответствии с минимумом целевой функции — квадрат ошибок. Учитывая в общем случае нелинейный характер выражений для функций переноса каждого нейрона, НС в целом может действовать как нелинейная функция вида [c.87]

Нейронная сеть, использованная для идентификации и предсказания функционирования химических процессов и реакторов на случайных интервалах времени [41], содержала один скрытый слой с различным числом узлов —от 3 до 10. При увеличении числа узлов скрытого слоя точность результатов возрастает. При этом было необходимо около 300 тыс. циклов обучения НС. [c.88]

Нейронные сети в настоящее время широко используют в химической технологии для решения различных задач распознавания образов. Одной из важнейших функций мозга является способность распознавать (узнавать) объекты и явления, которую называют феноменом восприятия. Образ — это множество объектов (или явлений), обладающих общими свойствами (признаками). При этом принимают во внимание только существенные признаки, которые присущи объектам одного образа и не встречаются у объектов других образов. Распознаванием называют процесс обработки информации об объекте, в результате которого последний относится к тому или иному образу. Таким образом, распознавание является разновидностью процессов классификации. Процессу распознавания всегда предшествует процесс обучения. Различают обучение с учителем и самообучение. [c.89]

Восприятие какого-либо объекта определяется возбуждением соответствующего нейрона третьего слоя. При этом различным наборам импульсов рецепторного слоя может соответствовать возбуждение одного и того же реагирующего нейрона. Предполагается, что коэффициенты усиления реагирующего нейрона подобраны так, чтобы в случае, когда объекты принадлежат к одному классу, отвечающие им наборы импульсов возбуждали один и тот же нейрон реагирующего слоя. Например, наблюдая какой-нибудь предмет в разных ракурсах, человек отождествляет увиденное, так как каждый раз на различные внешние раздражения реагирует один и тот же нейрон, ответственный за узнавание этого предмета. [c.90]

Среди огромного числа (порядка 10 ) нейронов человека, обеспечивающих восприятие, лишь некоторая часть занята сформированными уже понятиями, другая же служит для образования новых понятий. Формирование нового понятия по существу заключается в установлении коэффициентов усиления реагирующего нейрона. Процесс установления этих коэффициентов в схеме мо-делй восприятия можно описывать в терминах поощрения и наказания. [c.91]

Предположим, что появился набор импульсов, соответствующий вновь вырабатываемому понятию. Если при его появлении нужный реагирующий нейрон не возбудился (пришедший сигнал не отнесен к данному понятию), то реагирующий нейрон поощряется коэффициенты усиления тех его входов, по которым проходили импульсы, увеличиваются на некоторое значение. Если нейрон правильно реагировал на пришедшие импульсы, то коэффициенты усиления не меняются. Если же окажется, что некоторый набор сигналов будет ошибочно отнесен к данному понятию, то нейрон штрафуется в этом случае коэффициенты усиления тех входов, по которым пришел импульс, уменьшаются. Данная модель восприятия проста и может быть реализована на так называемых пороговых элементах. [c.91]

Персептрон предназначался для работы в двух режимах в режиме обучения и в режиме эксплуатации. В режиме обучения у персептрона по описанному выше принципу вырабатывались значения коэффициентов А),. .., А реагирующих нейронов. В ходе эксплуатации персептрон классифицировал предъявленные ему ситуации если возбуждался р-и реагирующий элемент и не возбуждались остальные / -элементы, то ситуация относилась к р-му классу. Эта модель была создана для экспериментальной проверки способности персептрона образовывать понятия. [c.92]

Не все лекар<тва или наркотики действуют на специфические рецепторы в организме так, k ik это делают морфин и эндорфины. Как полагают, спирт действует на все ми некоторые нейроны (нервные клетки). Он подавляет передачу нервных сигналов. Это замедляет в целом работу мозга. Чтобы понять, как это происходит, рассмотрим, как передаются нервные сигналы. [c.483]

Считается, что персептрон относит входной вектор х к р-му понятию, если возбуждается р-й реагирующий нейрон и не возбуждаются другие реагирующие нейроны. Формально это означает, что для вектора > = () 1,. ..,> ) выполняется система неравенств [c.92]

В которых А1,,. .., А ,, — коэффициенты усиления -го реагирующего нейрона. [c.92]

Искусственный интеллект, экспертные системы и искусственные нейронные сети в химической технологии [c.5]

Структура нейронной сети достаточно хорошо известна, однако для практического построения нейронной сети разработаны алгоритмы обучения, использования математических моделей, алгоритм, реализующий принцип обратного распространения ошибки и др. [c.25]

Схематично сеть РБФ можно представить как двухслойную сеть с и входами, Пг нейронами в скрыто.м слое, одким нейроном в быходкогу слое к, соответственно, одним выходным значением (рисунок). В формализованном виде сеть данного типа описывается следующим уравнением [c.174]

После того как будут выбраны центры и нелинейная функция, необходимо произвести обучение сети. Логично поиск весов ко,..., Хпг осуществить с применением метода наименьщих квадратов (МНК). При этом определение коэффициентов X сводится к решению системы уравнений, которую можно записать в следующей матричной форме Х Х = X, (4) где л, - оценки коэффициентов X,. Доказано, что данная система имеет решение, если ее определитель отличен от нуля. Также известно, что при увеличении числа оцениваемых параметров система (4) становится плохо обусловленной, что затрудняет оценк> параметров либо делает ее вообще невозможной. Однако при практической реализации МНК на ЭВМ может оказаться, что определитель системы (4) близок к нулю даже при небольшом числе оцениваемых параметров, особенно когда точки Х равномерно распределены на интервале [а,Ь]. Учитывая специфику нейронных сетей, а именно большое количество оцениваемых весов, применение МНК в традиционном виде оказалось непригодным, что было подтверждено практическими испытания.ми. В случае использования ортогонального метода наименьших квадратов удается получить точные оценки параметров модели независимо от их числа. Более того при данном подходе возможно произвести оценку влияния каждого параметра сети на точность аппроксимации, что при использовании обычного МНК невозможно из за наличия корреляции. [c.175]

Существует задача построения математической модели, адекватно описывающей процесс многокомпонентной азеотропной ректификации производства метанола. Для ее решения авторами используется аппарат искусственньге нейронных сетей (НС). При математическом. моделировании колонн ректификации предлагается применить принцип декомпозиции. Такой подход даст возможность сократить время обучения НС. Декомпозицию будем производить по дву 1 направлениям. [c.207]

Первое - разобьем ректификационную колонну (РК) на несколько областей по ьысоте. Границами каждой области будут являться точки контроля над ходом процесса. В результате этого уменьшается количество аппрокси.мируе-мых выходных переменных для каждой области РК, увеличивается количество входных переменных для РК в целом, уменьшается область аппроксимации входных переменных в выходные. Для каждой области РК строим искусственную нейронную сеть. Будет справедливо утверждать, что уменьшение максимального числа элементов промежуточного уровня приводит к уменьшению вре.чени обучения НС. Уменьшение области аппроксимации входных переменных в выходные способствует уменьшению обучающих пар входных и выход- [c.207]

Для решения задачи идентификации режима эксплуатации трубопровода наиболее перспективны.м является аппарат нейротехнологий, который базируется на понятии "нейросети" - набора универсальных нелинейных элементов (нейронов), предназначенных для получения нелинейной функции нескольких переменных X, с возможностью настройки его параметров Су У = Хг, Хз,. ..Х С С2, Сз,... С . [c.152]

Функционирование мозга и нервной системы человека основано на активности нейронов. Нейрон — это нервн 1Я клетка вместе с ее отростками, представляющая собой структурно-функциональный элемент нервной системы. Нейрон состоит из тела (или сомы), которое содержит ядро, и отходящих от тела множества коротких ветвеобразных дендритов и одного, как правило, ветвящегося лишь на конце отростка аксона. Соединение нейронов в нервной системе осуществляется с помощью специальных контактов — возбуждающих и тормозящих синапсов, передающих нервные импульсы и концентрационно-полевые возмущения. Каждый нейрон функционирует под воздействием входных сигналов, поступающих через дендриты. Выходной сигнал возбужденного нейрона передается через аксон. Входные сигналы через дендриты мо1уг быть либо возбуждающими, либо тормозящими. Нейрон возбуждается, т. е. передает сигнал через аксон, только в том случае, если число пришедших по возбуждающим дендритам сигналов больше числа сигналов, пришедших по тормозящим дендритам. [c.85]

С кибернетической точки зрения, которая не рассматривает нейрофизиологические и биохимические процессы функционирования мозга, нейрон представляет собой сложный дискретнонепрерывный преобразователь дискретной частотно-модулирован-ной информации. Кибернетическая модель нейрона, имитирующая биологический нейрон, представляет собой пороговый элемент в виде у-го узла, имеющего ряд активных и неактивных входов (рис. 2.14). Каждый /-й вход, отображаемый входной направленной ветвью с весовым коэффициентом И , имитирует синапс биологи- [c.85]

На рис. 2.15 изображена схема трехслойной НС. Различают следующие схемы НС однолинейные, пирамидальные, воронкообразные и древовидные. В однолинейных НС каждый нейрон (узел) нижнего слоя влияет на один нейрон (узел) верхнего слоя. В Ш1рамидальной НС каждый нейрон (узел) нижележащего слоя обязательно влияет на несколько нейронов вышележащего слоя, и т. д. [c.86]

Рис. 2.16. Схема модели процесса восприятия человеком различной инфор-мац1Н1 на осиове использования нейронных сетей

Одна из разновидностей способов оценки качества распознаванияскользящего контроля. Суть этого метода состоит в том, что из выборки в N объектов один выбирают для экзамена, а на (N-1) остальных объектах проводят обучение. Экзаменационная процедура/V раз повторяется до использования всех объектов выборки. Модель процесса восприятия человека, построенная на основе использования НС (рис. 2.16), состоит из рецепторного слоя 5, слоя преобразующих нейронов А и слоя реагирующих нейронов К. [c.90]

Внешнее раздражение воспринимается рецепторами. Каждый рецептор связан с одним или несколькими нейронами преобразующего слоя. Выходы преобразующих (ассоциативных) нейронов, в свою очередь, соединяются с входами нейронов третьего слоя. Нейроны этого слоя — реагирующие —тоже имеют несколько входов и один выход, который возбуждается, если суммарная величина входных сигналов превосходит порог срабатывания. В отличие от нейронов второго слоя, где суммируются сигналы с одним и тем же коэффициентом усиления (но, возможно, с разными знаками), для реагирующих нейронов коэффициенты суммирования различны по величине и, вероятно, по знаку. [c.90]

Каждый рецептор может находиться в одном из двух состояний возбужденном или невозбужденном. В зависимости от характера внешнего раздражения в рецепторном слое образуется тот или иной набор импульсов, который, распространяясь по нервным путям, достигает слоя преобразующих нейронов. Здесь в соответствии с набором пришедших импульсов образуется набор импульсов второго слоя, который поступает на входы реагирующих нейронов. [c.90]

Моделью преобразующего нейрона может служить пороговый элемент, у которого А, = 1, а моделью реагирующего нейрона служит пороговый элемент, у которого коэффициенты А — некоторые настраиваемые переменные величины. [c.91]

Разработана техническая модель зрительного анализатора на основе использования НС, названная персептроном (от слова пер-сепция — восприятие). Первый — рецепторный слой S модели состоял из 400 фотоэлементов, которые образовали поле рецепторов (20x20). Сигнал с фотоэлементов поступал на входы пороговых элементов — нейронов преобразующего слоя (элементов ). Всего в модели было 512 элементов. Каждый элемент Л имел 10 входов, которые случайным образом были соединены с рецепторами-фотоэлементами. Половина входов считалась тормозящими и имела [c.91]

Рассмотрим методику построения математической модели персептрона. В рецепторном поле образуется сигнал, соответствующий внешнему раздражителю, который описывается некоторым вектором д . Разработчик полагал, что каждое нервное окончание передает достаточно простой сигнал — либо посылает импульс, либо не посылает его. Это означает, что вектор л — бинарный, т. е. его координаты могут принимать только два значения О и 1. Система импульсов (так называемый пакет) распространяется до тех пор, пока с помощью нейронов второго слоя не будет преобразована в новый пакет импульсов. При этом бинарный вектор д преобразуется в бинарный вектор у. Преобразование у =/(л) имеет следующие особенности а) осуществляется пороговыми элементами б) входы преобразующих пороговых элементов соединяются с рецепторами случайно. [c.92]

Для разработки интеллектуальных нрогнозирунпцих датчиков и адаптивных ре<уляторов САУ широко используются нейронные септ [109, 110]. [c.256]

Клемеш П., Понтон Д. В. Анализ эффективности использовання нейронных сетей для моделирования процессов дистилляцни//Теор. основы хнмич. технологии. 1992 г. Т. 26. № 3. С. 412-424. [c.362]

Биотехнология и электроника готовят новый поворот в этой области, например, электронные элементы на основе биополимеров и дальнейшее познание закономерностей работы нервных клеток головного мозга - нейронных сетей - позволят создать в очень недалеком будущем принципиально новый тип устройства компьютеров на основе биологических молекул. Они будут вмонтированы в головной мозг. Вот тогда информационное пространство станет частью сознания и будет буквально восприниматься человеком как физическая реальность. Человек будет перемещаться мгновенно в различные части мира, используя систему ИНТЕРНЕТ и другие сети космических масштабов. Человек станет еще более информационным существом. В среде виртуального информационного пространства можно, например, путешествовать на Марс уже сейчас, сидя за персоналкой . Но никакая информационная сеть не заменит живого общения между людьми. Дело в том, что информационные сети передают модели, некие информационные структуры, которые являются отражением живых людей или определенных представлений об окружающем Мире. Они не тождественны людям - это образы людей и явлений. Книги также являются такими моделями, но, в отличие от Информационных сетей, книги оставляют больший простор мышлению. Книги должны писать профессионалы. Писатель и журналист создает привлекательные, обобщенные информационные модели - литературные образы. Современный ИНТЕРНЕТ - это гигантская книга, страницы которой пишут все кому не лень домохозяйки, школьники, хакеры. Бухгалтерская информация причудливо смешана с религией, порнографией, научными работами и коммерческими объявлениями. Несмотря на очевидную пользу - ускорение обменом информацией, ИНТЕРНЕТ наносит ущерб своей низкокачественной и просто вредной для человека информацией. Отрицательной стороной прогресса являются информационные преступления и компьютерный фетишизм. Компьютер - это не более чем средство хранения, передачи и обработки информации, но он имеет более опасные последствия, чем чтение плохой книги или просмотр плохой телепередачи. [c.36]

Еще одним из методов выявления возможности повышишя эффе((тивности технологических процессов, получивших в настоящее время интенсивную разработку, является метод искусственных нейронных сетей [c.25]

Биохимия Том 3 (1980) -- [ c.53 , c.73 , c.180 , c.325 , c.337 , c.370 ]

Органическая химия Том2 (2004) -- [ c.54 ]

Основы биохимии Т 1,2,3 (1985) -- [ c.0 ]

Биология Том3 Изд3 (2004) -- [ c.239 , c.240 , c.247 , c.248 , c.249 , c.250 , c.280 ]

Молекулярная биология клетки Т.3 Изд.2 (1994) -- [ c.0 ]

Нейробиология Т.2 (1987) -- [ c.29 , c.34 , c.78 , c.104 ]

Нейрохимия (1996) -- [ c.0 ]

Молекулярная биология клетки Сборник задач (1994) -- [ c.0 ]

Цитоскелет Архитектура и хореография клетки (1987) -- [ c.94 ]

Молекулярная биология клетки Т.3 Изд.2 (1994) -- [ c.0 ]

Справочник химика 21

Химия и химическая технология