Embed Size (px)
DESCRIPTION
大脑处理信息量化模型和细节综合报告 关键词 过程存储与重组模型；时序控制；脑电波；微循环；结构风险；中枢神经系统；信息处理；微环路；时间认知；智力起源；大脑量化模型 Keywords: model of process storing and recalling; timing control; EEG; microcirculation; structure risk minimization; CNS; information processing; micro circuit; time cognition; origin of intelligence; quantitative model of brain information processing
Citation preview
大脑处理信息量化模型和细节综合报告
谢勤1,*
摘要：文献[1-9]提出了血液循环在大脑处理信息的过程中具有时序控制作用，并用量化模型
结合结构风险最小化相关理论说明时序控制作用的意义。文献[10-20]汇总介绍量化模型中的
细节。量化模型中，把有反馈回路的神经网络分解为一系列前向网络集合；把对有反馈回路
网络的训练等效为对一系列前向网络集合的训练；信息存储的过程是对一系列前向网络的训
练过程；信息提取的过程是训练后的前向网络集合对一系列输入样本的处理过程。文献[1-20]
还结合结构风险最小化相关理论分析了血液循环的时序控制作用在大脑准确而高效处理信
息方面的作用；分析了大脑能正确而高效处理信息，使智力能够诞生的原因；分析了理论建
立和应用过程的神经生理学原理、只能有相对真理的神经生理学原因。以上内容涉及多方面
的量化细节和生理学机制细节，本文将已发表在文献[1-20]的量化模型和一些细节分四部分
再次进行综合介绍，以期对同行更好理解大脑整体运作机制有所帮助。第一部分共六点，对
量化模型进行整体介绍。第二部分共五点，介绍关于大脑处理信息的网络分析，样本定义，
信息存储、提取过程如何量化为训练样本对网络集合的训练、训练完成后的网络对外界输入
信息进行处理相关的细节。第三部分共十一点：介绍了血液循环时序控制作用意义；介绍了
大脑能正确、高效、可靠处理信息的原因在于通过“在存储一个信息（例如一幅图）时，分
解出来的前向网络用输入输出向量样本集合的分布特性存储信息（‘样本’的定义本文第一、
二部分有再次介绍），在信息存储和提取时采用文献[1-17]所述运作机制”的解决方案解决了
大规模神经网络处理复杂信息时的样本量和网络规模匹配问题，并保证了信息的可靠存取；
介绍了相关的细节和图示。第四部分共四点：分析了理论建立和应用过程的神经生理学原理；
分析了只能有相对真理的神经生理学原因；分析了大脑能正确而高效处理信息、使智力能够
诞生的原因；第四部分还介绍了另外一种量化方案。
关键词 过程存储与重组模型；时序控制；脑电波；微循环；结构风险；中枢神经系统；信
息处理；微环路；时间认知；智力起源；大脑量化模型
Comprehensive Report Of A Quantitative Model Of Brain
Information Processing And Its Details
XIEQIN1*
Abstract: Literatures [1-9] suggested blood circulation is a basic timing control mechanism when
brain processing information; suggested a quantitative model of brain information processing and
with help of structural risk minimization theory, analysed the reason why timing control function
is important when brain processing information efficiently and correctly. Literatures [10-20]
introduced details of the quantitative model that suggested by literatures [1-9]. In the quantitative
model, a neural network with feedback circuits is treated as a set of feed-forward networks
without feedback circuits; process of storing a piece of information (eg. a graphic, or a frame of a
film) into brain is described as a process of training a set of feed-forward networks with a set of
samples; process of recalling a piece of information is described as a process of a set of trained
feed-forward networks processing input samples. Literatures [1-20] analyse reasons why timing
control function of blood circulation is important when brain processing information efficiently
and correctly; introduce information processing mechanisms that enable brain to process
information correctly and efficiently; introduce the origin of intelligence; introduce some basic
neural network principles of ‘theorizing’; analyse the reason why there are only relative truths in
cognition. There are many physiological details and mathematical details in the quantitative model.
This article is a comprehensive report, introduces the quantitative model and its details that
published in literatures [1-20] again, including 4 parts. Part 1 contains 6 items, introduces the
basic framework of the quantitative solution. Part 2 contains 5 items, introduces some details of
the quantitative solution. Contents in Part 1 and Part 2 are about network analysis, sample
definition, how to describe the process of storing a piece of information into brain as a process of
training a set of feed-forward networks, how to describe the process of recalling a piece of
information as a process of a set of feed-forward networks processing input samples. Part 3
contains 11 items, introduces the advantage of the information processing solution of brain: the
solution, “when storing a piece of information into brain, feed-forward neural networks in the
feed-forward neural network set store information in distribution characters of samples (input and
output vectors), when storing and recalling a piece of information, using the mechanisms that
described in literatures [1-17] ”, solves the matching problem of sample quantity and network
scale when brain processing information and guarantees the reliability of information storing and
recalling, result in high efficiency and accuracy of information processing; Part 3 also introduces
some figures about timing control function of blood circulation. Part 4 contains 4 items;
introduces some basic neural network principles of theorization; analyses the reason why there are
only relative truths in cognition; analyses reasons why brain is able to process information
correctly and efficiently, introduces the origin of intelligence; Part 4 also introduces another
quantitative solution of brain information processing.
Keywords: model of process storing and recalling; timing control; EEG; microcirculation;
structure risk minimization; CNS; information processing; micro circuit; time cognition; origin of
intelligence; quantitative model of brain information processing
前言
文献[1-9]提出了血液循环在大脑处理信息的过程中具有时序控制作用，并用量化模型结
合结构风险最小化相关理论说明时序控制作用的意义。文献[10-20]汇总介绍量化模型中的细
节。量化模型中，把有反馈回路的神经网络分解为一系列前向网络集合；把对有反馈回路网
络的训练等效为对一系列前向网络集合的训练；信息存储的过程是对一系列前向网络的训练
过程；信息提取的过程是训练后的前向网络集合对一系列输入样本的处理过程。文献[1-20]
还结合结构风险最小化相关理论分析了血液循环的时序控制作用在大脑准确而高效处理信
息方面的作用；分析了大脑能正确而高效处理信息，使智力能够诞生的原因；分析了理论建
立和应用过程的神经生理学原理、只能有相对真理的神经生理学原因。以上内容涉及多方面
的量化细节和生理学机制细节，本文将已发表在文献[1-20]的量化模型和一些细节再次进行
综合介绍，以期对同行更好理解大脑整体运作机制有所帮助，文章分四部分：第一部分共六
点，对量化模型进行整体介绍；第二部分共五点，介绍关于大脑处理信息的网络分析，样本
定义，信息存储、提取过程如何量化为训练样本对网络集合的训练、训练完成后的网络对外
界输入信息进行处理相关的细节；第三部分共十一点，介绍血液循环时序控制作用意义、大
脑能高效可靠处理信息的原因、相关的细节和图示；第四部分共四点，分析理论建立和应用
过程的神经生理学原理、只能有相对真理的神经生理学原因，分析了大脑能正确而高效处理
信息、使智力能够诞生的原因，第四部分还介绍了另外一种量化方案。
1 量化方案整体介绍
本部分先再次从整体上介绍所建立的量化模型，使读者在阅读后面多方面量化细节和生
理细节的时候，能更容易理解所讨论的各个细节在量化模型中和量化分析信息处理过程时的
意义。
1.1 信息存储和提取的总体过程[1-7]
以图 1 图像 G 为例，大脑存储图像 G 的过程描述如下：通过红色细胞的同步兴奋，改
变 G 中细胞之间的连接，增大红色细胞群同步兴奋的概率，同时增大红色细胞群兴奋时蓝
色细胞群抑制的概率。大脑提取图像 G 的过程描述如下：由于某些原因，例如外界的刺激
信号等使红色细胞群中的几个细胞兴奋程度和兴奋持续时间比大脑中其他大量细胞高和长，
由于在存储的过程中，红色细胞同步兴奋的概率大，同时蓝色细胞抑制，因此出现红色细胞
群兴奋程度高于大脑中其他大量细胞，蓝色细胞群抑制程度高于大脑中其他大量细胞的情
况，并且这种情况持续一段时间，从而形成“回忆起图像 G”的心理现象。[1-7]
图 1 神经网络处理信息的机制示意[1-6]
Fig.1 Illusion about how brain processing a graphic [1-6]
1.2 网络分析和信息存储过程的量化描述[1-7]
文献[1-20]提出的量化模型中，在观察时间精度和空间精度足够小，并且对网络所处生
化环境状态进行足够精细分类的前提下，并由于采用扩维的数学处理（具体后面叙述），可
以把有反馈回路的神经网络分解为一系列前向网络集合；把对有反馈回路网络的训练近似看
做对一系列前向网络的训练。训练样本的概念和相关说明如图 2、3：由于传输延迟的存在，
在运用数学工具进行分析的时候，实际输入每个前向网络模型的样本是图中样本“重组后的
样本”。[1-7]
图 2、图 3 以三个细胞组成的网络为例，说明了训练样本的相关概念[1-6]。
对于分析过程中分解出来的每个前向网络，如下图中以细胞 3 为输出细胞的前向网络，
一个样本对应于各个输入的状态，各个细胞的兴奋状态。各个输入的状态实际上也是前级神
经细胞的兴奋状态决定的，对整个神经网络，每个训练样本为“足够小时间段内各个神经细
胞的兴奋状态”。[1-7]
由于传输延迟的存在，在运用数学工具进行分析的时候，实际输入每个前向网络模型
的样本是图中样本“重组后的样本”，考察图中以细胞 3 为输出单位的网络，以决定 T15 时
细胞 3 输出的样本为例，实际上是 T15 时 B 点、C 点、Input6、细胞 3 的兴奋状况，T13 时
A 点、Input4、Input5、细胞 2 的兴奋状况，T9 时 Input1、Input2、Input3、细胞 1 的兴奋状
况“组合起来的样本”。[1-7]
对于网络连接比较复杂的情况，例如细胞 1 的输出有两条通路到达细胞 3 的输入，一
条是经过 6 个时间单位的延迟到 C 点，一条是经过 2 个时间单位的延迟到 B 点，在“重组
训练样本”的时候可以采用“只保留到 C 点的通路，而用 B 点当前的兴奋状况概括 2 个时
间单位前兴奋状况”的做法，这一做法不影响后面采用结构风险相关工具分析的过程。[1-7]
图 2 训练样本排列图：训练样本的概念和相关说明[1-6]
Fig.2 Illustration of neural network training [1-6]
图 3 训练样本的概念和相关说明 2[1-6][10]
Fig.3 Illustration of neural network training 2[1-6][10]
1.3 信息提取过程的量化描述[1-7]
图 4 介绍了信息提取过程的相关概念和说明。以图 1 中图像 G 的提取为例，在大脑
提取信息的时候，一系列扩维后的输入样本连续输入神经网络，经过图 4 中描述的过程，形
成红色细胞群兴奋程度高于大脑中其他大量细胞，蓝色细胞群抑制程度高于大脑中其他大量
细胞的情况，并且这种情况持续一段时间，从而形成“回忆起图像 G”的心理现象。[1-7]
同样，由于传输延迟的存在，在运用数学工具进行分析的时候，实际输入每个前向网络
模型的样本是图中样本“重组后的样本”。[1-7]
图 4 信息提取过程的相关概念和说明[1-7]
Fig.4 Illustration of information processing [1-7]
1.4 神经细胞在网络模型中的角色[1-8]
在量化模型分解出来的前向网络模型集合中，具体生物神经网络中的每个细胞有两种角
色：一是某个前向网络的输出细胞；一是前向网络的输入细胞。对于输出细胞这一角色，样
本排列图中的每条竖线对应一个“已经经过处理，传输到达输出细胞，经输出细胞加和后成
为前向网络输出”的样本。对于输入细胞这一角色，样本排列图中每条竖线对应的样本经样
本重组后成为输入各前向网络模型的样本。[1-8]
1.5 关于样本重组问题的由来[1-8]
由于传输延迟的存在，在运用数学工具进行分析的时候，实际输入每个前向网络模型的
样本是“重组以后的样本”，图 5 说明了相关的概念和问题[1-7]。
图 5 样本重组问题的由来[1-8]
Fig.5 Origin of sample recombination problem[1-8]
1.6 另一种样本重组方案介绍[1-8]
样本重组方案包括三个步骤，一 对网络进行阈值波动相关的扩维处理[1-7]；二 对网络
进行网络延迟相关的扩维处理；三 根据扩维后的网络，结合训练样本排列图图 2，按各通
路具体传输延迟获得重组以后的样本。[1-8]
对网络进行网络延迟相关的扩维处理具体步骤：一 从输出细胞开始，后向逐层分析网
络。二 对于每层细胞，分析各个细胞，如果发现细胞到已分析过的各层，包括当前层的某
个细胞存在多条通路，并且各通路时间延迟差别较大，则只保留延迟时间差别小的通路，对
其他各条通道各构造一个扩维子前向网络，以子前向网络输出代替被分析细胞的输出。
三 子网络构造方法是： 1 复制被分析细胞作为子前向网络输出细胞 2 以各子前向网络的
输出代替被分析细胞各路输出 3 对有直接输出到被分析细胞的细胞，复制细胞和相应通路，
连接到子网络的输出细胞 4 对有直接输出到上一步被复制细胞的细胞，复制细胞和相应通
路，连接到相应的上一步复制出来的细胞，并迭代执行本步骤，直到复制完相应的输入层细
胞。图 6 给出了图 5 经扩维处理后的结果。[1-8]
图 6 图 5 经网络延迟相关的扩维处理后的结果[1-8]
Fig.6 Example of latency-related-dimension-expansion [1-8]
文章[1-7]提到的样本重组方案（即 1.2、1.3 介绍的样本重组方案）与本方案相比，不
进行网络延迟相关的扩维处理，采用保留时间延迟差别不大的通路，对其他各通路直接用各
通路末端突触兴奋状况代替各扩维子网络对应的样本分量的做法。这一方法不影响应用结构
风险最小化相关理论进行分析的推导过程。[1-8]
2 关于大脑处理信息的网络分析，样本定义，信息存储、提
取过程如何量化为训练样本对网络集合的训练、训练完成后
的网络对外界输入信息进行处理的细节
2.1 关于一个训练样本中阈值数值的确定[1-10]
在观察的时间精度和空间精度足够小的情况下，可看到在某一时刻，由于各种原因，
一个细胞各处的电位并不相同；在一个训练样本中，当各输入信号到达细胞后，由于空间距
离等因素，对细胞各处的电位影响也不相同； 由于各种原因，一个细胞各处的阈值电位也
可能不同。因此，存在对于量化模型中的一个训练样本，存在该样本“阈值”如何确定的问
题；即在观察的时间精度和空间精度更加精细的情况下，如何更精确定义“阈值”的问题。
图 7以细胞 A为例说明了这一问题。[1-10]
图 7 存在一个样本中的“阈值的值”怎样确定的问题[1-10]
下面以细胞 A为例说明怎样确定一个训练样本中的阈值：
第一步：确定观察点
对细胞各点构造函数: g(t) = 阈值电位（t）- 膜电位(t), 以点 I为例，构造函数
gI(t) = 阈值电位 I（t）- 膜电位 I (t), 取动作电位发生前 gI(t)最小值 gI(t)min, 这
样，在动作电位发生前，对于细胞中的各点 I，II，III… 可获得一个集合{ gI(t)min,
gII(t)min, gIII(t)min … }，则取得 MIN { gI(t)min, gII(t)min, gIII(t)min … }的
点就是确定的观察点 P。
第二步：确定阈值
对观察点 P 在取得 MIN { gI(t)min, gII(t)min, gIII(t)min … }时的 g(t1)的值进
行处理：1.消除各路输入对“膜电位(t1)”值的实际贡献值； 2.根据输入信号到达后对点
P 电位的影响和应有的影响（如在不触发动作电位的情况下，实际贡献值和∑(Pi * Wi)的
差异，Pi 表示第 i路输入，Wi 表示第 i路权值）调整“膜电位(t1)”的值；3.《大脑处理
信息的样本量和网络规模问题》图 6提到的“调整阈值波动的数值”的数学处理也会影响“膜
电位(t1)”的值；等。处理后的 g(t1)就是该样本中的阈值数值。[1-10]
2.2 关于样本中是否有动作电位的判定问题[1-11]
在前面文章图中提到”*”标记表示某一时间单位内有动作电位产生,动作电位可能发生
在两个样本交界的地方(如图 1 中的红线处),这里讨论在这种情况下怎样判定一个样本(如
图 8中两条红线之间的样本)中是否包括某一动作电位的问题.[1-11]
图 8 动作电位可能发生在两个样本交界的地方[1-11]
可以采用如下的判定方法:[1-11]
1 按图 9描述方法考察动作电位和样本开始时间点的关系。
2 按图 10描述方法考察动作电位和样本结束时间点的关系。
3 在 1 和 2中如果出现“样本不包括该动作电位”的条件成立,则判定样本不包括该
动作电位.如果１和２中都可以得到“样本可能包括该动作电位”的结论，则判定样本包
括该动作电位。
4 在 1 和 2中 t0, △t ，t0’，△t’值的约定会影响量化时阈值的值。[1-11]
图 9 考察动作电位和样本开始时间点的关系[1-11]
图 10 考察动作电位和样本结束时间点的关系[1-11]
2.3 对"一个细胞各路输出不同"场景的建模方法[1-11]
图 11 以一个细胞 A、B两路输出不同为例介绍了量化模型中对“一个细胞多路输出不
同”场景的建模方法。在一些情况下,由于某些原因，I 处发生的动作电位不能传到输出 B,
出现输出 A 为 1,输出 B 为 0 的情况。尽管正常情况下这种场景可能是小概率事件，但作为
量化模型，这里说明即使出现这种情况，结构风险最小化相关理论仍然适用。[1-11] （本
文第三部分有运用结构风险相关理论分析大脑信息处理的再次介绍。本节在讨论“I处发生
的动作电位能否传递到输出通路 A 或者通路 B”的时候，是指“I 处发生的动作电位能否传
递到输出通路 A或者输出通路 B的开始端”。对于细胞的输入细胞角色，在动作电位从输出
通路A或者输出通路B的开始端经过传播，到达输出通路A或者输出通路B的末端的过程中，
如果由于某些原因，动作电位不能到达末端，网络建模时可采用“调整接受 A 输出或者 B
输出作为输入的细胞在相应样本中波动阈值的值”的建模方法。）
图 11 对“一个细胞多路输出不同”场景的建模方法[1-11]
Fig.11 how to model the scenario “different output branches of a neuron have
different output values”[1-11]
这种场景的建模方法是:[1-11]
1 对于细胞的"输出细胞角色":以点I为观察点建立前向网络量化模型（具体详细描述见
文献[10]）。
2 对于细胞的"输入细胞角色":在进行样本重组的时候,结合扩维的处理方法,对不同的
输出通路分别进行样本重组,分别以I,IV（假定IV为如果发生动作电位，可以传播到输出B
的点集合中按文献[10]介绍方法选定的观察点）为观察点量化为不同的样本。具体的扩维处
理方法是：在前向网络建模的时候，图中细胞对应两个细胞，一个只包含A输出通路，另一
个只包含B输出通路； 两个细胞有各自的阈值输入；两个细胞都有输入1-7。有多条通路输
出不同的处理方法类推，由于输出通路的突触有限,输出通路的条数有限,扩维后的维数有
限。
3 在考虑了“一个细胞各路输出”不同的场景后，文献[10]所描述的确定观察点的规则
需要进行改进：对如果达到阈值后动作电位能传导到相应输出的点集合应用文献[10]所描述
的规则确定观察点，对达到阈值后动作电位不能传导到相应输出的点集合不考虑。[1-11]
2.4 一些说明[1-14]
文献[11]第二部分（2.3 已再次进行介绍）中对“一个细胞各路输出不同”场景建模方
法介绍的第一点“对于细胞的‘输出细胞角色’:以点 I为观察点建立前向网络量化模型”，
意思是“对于前面所叙述的场景，在建立量化模型过程中，采用选取点 I为观察点的建模方
法”；对“一个细胞各路输出不同”建模方法介绍第三点是对细胞的“输入细胞角色”而言。
[1-14]
2.5 两个概念的区别[1-16]
人工智能领域中“负值连接”（或“抑制性连接”）和神经生物学中的“突触长时程抑制”
（或“突触 LTD”）是不同的概念。“负值连接”（或“抑制性连接”）涉及“一个细胞的兴奋
导致另外一个细胞抑制”的问题；“突触的长时程抑制”（或“突触 LTD”）涉及“细胞间的
连接出现负修改”的问题。 [1-16]
3 关于血液循环时序控制作用意义，大脑能高效可靠处理信
息原因，相关的细节和图示
3.1 运用结构风险最小化理论分析血液循环时序控制作用的意义[1-7]
1 由于一系列遗忘机制的存在，从训练效果看，建模时只需要考察改变程度较强的连接
（3.9、3.10 有更详细分析），以兴奋性突触为例，如果建立连接过程中细胞发放频率比较高，
造成的突触兴奋连接效果较强，在遗忘机制的作用下能够保留同时兴奋的特性；如果建立连
接过程中细胞的发放频率不太高，造成的突触兴奋连接效果不强，在遗忘机制的作用下不能
保留同时兴奋的特性。例如图 12 中，在存储一个具体信息的过程中，只需要考虑标记有▲
的连接改变，其他的连接等效于没有改变[1-6]。
图 12 建模时只需要考虑改变程度足够大的连接[1-6]
Fig.12 When modeling, just need to consider the cell-connection-changings those are larger enough,
because just them can survive kinds of forget mechanisms[1-6]
2 由于绝对不应期的存在，并且记忆形成在神经细胞同步和异步放电的过程，因此在
特定的一段时间内，例如零点几秒或者几秒内，训练样本的总数是有限的[1-6]。
3 对于大脑神经网络，突触数量虽多，但并非无穷，因此 VC 维数是有限的。因此，
按照 1 节 的简化模型观察大脑网络的时候，经验风险一致收敛于实际风险的充要条件是成
立的，从而为应用结构风险最小化相关理论分析网络提供了可能性[1-6]。
4 用 1 节中的简化模型考察大脑神经网络的训练和知识提取过程。从训练效果看，训练
后的“一系列前向网络”必须满足“一系列一定的概率函数”――这是一个网络能够正确而高
效的处理信息的必要条件。而在样本量有限的情况下，结构风险最小化相关理论可以用于评
判该条件的满足程度。在样本量有限的情况下，存在样本量必须和网络规模匹配的问题[1-6]。
5 大脑中生化环境参数、血液循环机制、遗忘机制的配合：以氧供应为例，从缺氧症的
症状和相关的脑电波现象可以看到，当动脉血带来的物质少于正常值的时候，细胞的兴奋程
度比较低，存储信息时，改变的连接较大部分被遗忘机制抵消，形成记忆力下降的心理现象，
而提取信息时，出现注意力涣散等现象；从氧中毒的某些症状可以看到，当需要动脉血周期
性带来的物质过多的时候，细胞的兴奋程度过高，从结构风险角度，相关网络范围过大，信
息处理的效果也不佳。在正常情况下，在处理某一特定信息的时候，获得动脉血多的区域能
保证细胞群有足够的兴奋程度，获得动脉血少的区域，细胞群的兴奋程度足够低，对信息存
储和提取的影响不大；这种情况等效于组织起一个规模受控的子网络。由于工作在合适的参
数范围，配合微循环系统的调节机制，以及血液供应机制遍布在大脑各个区域，血液循环机
制成为能在全局范围中，秒或更小时间尺度上协调神经细胞工作的基础时序控制机制。这一
时序控制机制控制了相关网络规模，降低结构风险，有利于大脑高效处理信息[1-5]。
3.2 关于处理某一特定信息时相关网络的定义[1-12]
文献[7]中提到的“在处理特定信息的时候，相关网络中细胞的兴奋程度足够大”是指
“在处理特定信息的时候，相关网络中兴奋的细胞兴奋程度足够大”；“在处理特定信息的时
候，无关网络中细胞的兴奋程度足够小”是指“在处理特定信息的时候，无关网络中兴奋的
细胞兴奋程度足够小”。文献[7]图 8 是兴奋性连接为例说明问题。把“处理特定信息的时候
的相关网络”和“相关网络中动脉血供给丰富的细胞组成的网络”比较时，前者是“相关网
络中动脉血供给丰富的细胞组成的网络”加上“由于和后者中细胞存在比较强的抑制性连接，
当后者中动脉血供给丰富的细胞兴奋程度比较高的时候，相应的兴奋程度低到一定程度的细
胞群”和“由于外界输入等原因，虽动脉血供给少，但兴奋程度仍到达一定程度的细胞；由
于和这些细胞有较强抑制连接，抑制程度到达一定程度的细胞”以及“前面 3个引号所叙述
细胞群中和细胞群之间的相互连接”共同组成的网络。[1-12]
3.3 信息处理正确性评估时可以把有反馈回路的网络分解成
一系列前向网络，再结合结构风险理论分析的一个重要原因
[1-12]
文献[1-9]量化模型中把有反馈回路的网络分解为一系列前向网络集合并结合结构风
险最小化相关理论进行分析；在分解出来的前向网络（如以图 13 中红圈标出的细胞为输出
细胞的前向网络）中，对反馈回路的处理可采用图 14 中的方式。可以采用上述分析方法评
估信息处理正确性的一个重要原因是在采用结构风险最小化相关理论进行分析的时候，分析
过程不涉及所分析前向网络的输入、输出向量的分布函数在具体每个点的值。[1-12]
图 13 以红圈标出的细胞为输出细胞的前向网络中，对反馈回路可采用图 14 所示的处理方式
[1-12]
图 14 以图 13 红圈标出的细胞为输出细胞的前向网络中，对反馈回路可采用的处理方式[1-12]
3.4 关于细胞同步兴奋的一些说明[1-13]
在提到“细胞同步兴奋”概念的时候，涉及“同步兴奋的细胞群大小”和“同步兴奋
细胞群兴奋程度”两个不同的量。存在这样的情况：（1）虽然“同步兴奋细胞群的兴奋程度”
小，但“同步兴奋的细胞群”范围大，脑电波上表现为同步化，波幅较高；（2）虽然“同步
兴奋细胞群的兴奋程度”大，但“同步兴奋的细胞群”范围小，脑电波上表现为去同步化，
波幅较（1）低。成人一定程度低血糖的时候会出现情况（1），正常清醒成人在睁眼的情况
下会出现情况（2）。[1-13]
在处理某一特定信息的时候，某一较小范围网络内的“同步兴奋细胞群的兴奋程度”增
大，达到“提取和存储信息需要达到的兴奋程度”；但同时扰乱了比较大范围网络内的细胞
群的“同步兴奋”（即产生“切割效应”），导致脑电波波幅的下降和快波的出现。[1-13]
3.5 LTD 机制的一些重要特性[1-15]
LTD 机制的两个重要特性是：对于 Homo-LTD，在秒的时间尺度上，在新皮层需要高频刺
激才能诱导 LTD；对于 Hetero-LTD,其产生多数以相邻突触 LTP 的产生为前提条件。因为这
些重要特性的存在，可以看到血液循环机制有能力控制处理特定信息时相关网络的范围（存
储特定信息时不会大幅度修改无关网络中连接的权值，提取特定信息时无关网络中的兴奋细
胞兴奋程度足够小）；因此在考察大脑存储和提取某一特定信息的时候，可以等效为一个范
围相对小的相关网络，从而能结合结构风险最小化相关工具看到血液循环的时序控制机制有
利于大脑准确而高效地处理信息。[1-15]
3.6 LTD 机制在处理特定信息时组织起独立网络方面的一些
作用[1-15]
LTD 机制的产生使无关网络和相关网络细胞之间的 LTP 连接弱化，有利于处理不同信息
时组织起相对独立的子网络。处理某一特定信息时，位于有关网络和无关网络边界的有 LTD
机制产生的细胞，既可能属于相关网络，也可能属于无关网络。[1-15]
3.7 血液循环的时序控制作用对 Homo-LTD、Hetero-LTD 产
生范围的影响[1-15]
对于 Homo-LTD，在秒的时间尺度上，在新皮层需要高频刺激才能诱导 LTD,通过限制高
频刺激的产生，血液循环的时序控制作用限制了 Homo-LTD 的产生范围。对于 Hetero-LTD,
其产生多数以相邻突触 LTP 的产生为前提条件，通过限制达到一定兴奋程度的细胞网络的范
围，血液循环的时序控制作用限制了 Hetero-LTD 的产生范围。因此，血液循环的时序控制
作用限制了处理某一特定信息时相关网络的范围，降低结构风险，有利于大脑正确而高效地
处理信息。[1-15]
3.8 一些关于血液循环机制控制处理特定信息时相关网络范
围的图示[1-16]
由于 LTD 机制有文献[15]描述的特性，可以看到血液循环机制有能力控制处理特定信息
时相关网络的范围（因为 LTP 产生的范围、高频刺激产生的范围控制了 LTD 产生的范围，血
液循环的时序控制作用通过控制 LTP 产生范围、高频刺激产生的范围控制了 LTD 产生的范
围），图 15至图 17 给出了一些相关的图示。[1-16]
图 15[1-16]
图 16[1-16]
图 17[1-16]
文献[16]图三（即图 17）中的“80%”是为了说明红圈内外细胞之间的连接修改程度差
异（细胞兴奋程度差异决定）而约定的值，也可约定为“30%”，“50%”，“90%”等。在图 17
中，为方便理解，可改约定为“30%”。[1-19]
3.9 对于一个训练好的存储有某一特定信息的子网络，较小
幅度地修改权值对原来存储在网络中的信息影响不大的一
个原因[1-17]
图 18[1-17]
图 19[1-17]
图 20[1-17]
图 21[1-17]
（1）图 18 表示一个训练好的存储有某一特定信息的网络，细胞 B和细胞 A之间的连接
权值为 W0，分析的时候，把“波动的阈值”分解为两个值，一个是固定的阈值 Ga,另外一个
是 Ga 波动分值（作为一路输入）。图 20 和 21 中的坐标轴为各路输入的和（包括细胞 B向细
胞A的输入和Ga波动分值）约定区间A0表示在细胞B向细胞A的输入为1*W0（而不是0*W0）
的情况下，各路输入的效果总和所处的范围。在信息处理正确的情况下，区间 A0 中小于 Ga
的区间对应的输入样本输出应为 0，区间 A0 中大于 Ga 的区间对应的输入样本输出应为 1。
[1-17]
（2）现在假设训练好的图 18 的网络中的一些连接权值受到修改。有两种情况：（1）B
到 A 的权值受到较大的修改，修改后为 W0-⊿W1，或者 W0+⊿W2 （2）B 到 A 的权值受到较
小的修改，修改后为 W0-⊿W1’，或者 W0+⊿W2’。图 20 表示了在情况（1）发生后，处于区
间 A1（长度为 l1+l2）对应的样本将会出现输出变化的情况（即由输出 1变为输出 0，或者
由输出 0变为输出 1）。图 21表示了在情况（2）发生后，处于区间 A1’（长度为 l1'+l2'）
对应的样本将会出现输出变化的情况（即由输出 1变为输出 0，或者由输出 0变为输出 1）。
[1-17]
（3）对比图 20 和图 21，在权值修改比较小的情况下，比较小区间对应的输入样本输出
会受影响，因此对原存储的信息影响不大。[1-17]
（4）对于有多条连接出现权值修改的情况，可以结合联合分布相关理论和上述方法分析。
[1-17]
3.10 关于信息可靠存储和提取的细节[1-18]
对于细胞之间的连接，用类似文献[17]图一到图四的图示分析也可以看到存储信息时需
要较大程度改变权值的原因。[1-18]
（1）图 22 表示一个网络，细胞 B 和细胞 A 之间的连接权值为 W0（为叙述方便，不妨
假定 W0>0），分析的时候，把“波动的阈值”分解为两个值，一个是固定的阈值 Ga,另外一
个是 Ga 波动分值（作为一路输入）。图 24 和 25 中的坐标轴为各路输入的和（包括细胞 B
向细胞 A 的输入和 Ga 波动分值）约定区间 A0 表示在细胞 B 向细胞 A 的输入为 1*W0（而不
是 0*W0）的情况下，各路输入的效果总和所处的范围。区间 A0 中小于 Ga 的区间对应的输
入样本输出为 0，区间 A0 中大于 Ga 的区间对应的输入样本输出为 1。[1-18]
（2）现在讨论往网络中存储信息的场景，B 和 A 之间连接权值受到修改，从而实现 B
细胞和 A 细胞同步兴奋（或者 B 细胞兴奋的同时 A 细胞抑制）。有两种情况：（1）B 到 A 的
权值受到较大的修改，修改后为 W0+⊿W2（或者 W0-⊿W1）。（2）B到 A的权值受到较小的修
改，修改后为 W0+⊿W2’（或者 W0-⊿W1’）。图 24 表示了在情况（1）发生后，处于区间 A1
中小于 GA 的长度为 l2 的子区间对应的样本将会出现由输出 0变为输出 1（或者处于区间 A1
中大于 GA 的长度为 l1 的子区间对应的样本将会出现由输出 1变为输出 0）。图 25 表示了在
情况（2）发生后，处于区间 A1’中小于 GA 的长度为 l2'对应的样本将会出现由输出 0变为
输出1（或者处于区间A1’中大于GA的长度为l1'对应的样本将会出现由输出1变为输出0）。
[1-18]
（3）对比图 24 和图 25，图 24 比较大区间对应的输入样本输出为 1（或者为 0），从而
为实现在信息存储完成后，实现 B细胞和 A细胞同步兴奋（或者 B细胞兴奋的同时 A细胞抑
制）的概率大提供了可能性；也为在以后出现权值被干扰修改的情况下，输入样本输出发生
变化的概率相对比较小提供了可能性。例如：为在以后出现权值被干扰修改的情况下，在 B
细胞向 A细胞输入为 1的情况下，A细胞输出为 1的概率仍然比较大（或者在 B细胞向 A细
胞输入为 1的情况下，A细胞输出为 0的概率仍然比较大）提供了可能性，从而实现信息的
可靠存储。[1-18]
（4）对于有多条连接出现权值修改的情况，可以结合联合分布相关理论和上述方法分
析。[1-18]
（5）通过“用输入输出向量样本集合的分布特性存储信息，在信息存储和提取时采用
前面文献所述运作机制”，大脑解决了大规模神经网络处理复杂信息时的样本量和网络规模
匹配问题，并保证了信息的可靠存储，从而有利于大脑准确而高效地处理信息。[1-18]
图 22[17]
图 23[17]
图 24[17]
图 25[17]
3.11 应用结构风险最小化工具分析大脑处理信息过程的图
示[1-19]
图 26 和图 27 给出了应用结构风险最小化工具分析大脑处理信息过程的图示：[1-19]
（1）以时间轴上的点 t0为参考点，在每个样本时间长度 L固定的情况下，如果样本开
始时间点为 t0 + t，对于 t 在实数域的每个取值，对应一种样本量化方法，神经网络在时
间轴上的兴奋状况将会量化成一个向量集合。例如样本开始时间点为图中的开始时间点 1，
开始时间点 2，开始时间点 3对应三种量化方法。[1-19]
（2）样本开始时间点为 t0 + t + N*L (N 为整数)的各种量化方法量化得到的向量集合
相同， 例如样本开始时间点为图中的开始时间点 1和开始时间点 3 的两种量化方法量化得
到的向量集合相同，向量的分布函数也相同。[1-19]
（3）如果样本量化得到的向量增加一维时戳标记，标记的值可以是这个样本的观察点
（参考文献[10]）所对应的时间点，则各种量化方法量化可得到一系列的扩维向量集合，每
两个扩维的向量集合内的元素可以建立一一映射。[1-19]
（4）当相关网络范围减小时，对于每种量化方法（t 取不同的值）都可看到，在训练
样本数量有限的情况下， 相关网络范围减小了，降低了结构风险，有利于网络正确而高效
地处理信息。[1-19]
图 26[1-19]
图 27 [1-19]
4 关于理论建立和应用过程中的神经网络原理、智力起源和
另一种量化方案
4.1 关于理论建立和应用过程中的一些神经网络原理[1-10]
这里将以匀速直线运动相关理论为例介绍关于理论建立和应用过程中的一些神经网络
原理，图 28。 在对大量客观事实进行长期观察的过程中，大量的样本进入大脑，样本中重
复出现次数多的一些统计特性被神经网络保留下来，形成一张相对稳定的神经网络，表示为
网络 G，图中用灰色结点和实线表示；样本中重复出现次数少的统计特性，由于形成的连接
强度不大，在遗忘机制的作用下不参与这网络 G的形成，图中用虚线表示。[1-10]
上述过程可能在多个大脑中逐步形成，例如人们通过对运动事物的长期观察，形成“速
度”等概念（形成图中 I、III 圈内的相对稳定的网络），这些概念传给另一群人后，继续观
察客观现象，形成匀速直线运动相关理论（形成图中 II 圈内的相对稳定网络，从而形成网
络 G）。大脑中已建立的相对稳定的子网络和一些其他因素会影响后续观察客观现象过程中
对输入样本的处理和样本中统计特性的识别。[1-10]
在匀速直线运动相关理论的建立过程中，人们通过各种方式获得样本，根据样本检验网
络 G的输入输出，并不断调整网络 G，使网络 G的输入输出和样本相符，最后网络 G相对稳
定下来，对应 “Pt = P0 + V * T”，和一些相关概念、数字、单位、计算方法等。在理论
的建立过程中，一些随机的因素，如灵感等可能在网络建立过程发挥重大作用，使网络在符
合样本方面有很大的改善。由于不可能学习完所有客观世界可能出现的样本，所以只有相对
真理，只能在客观实践中不断改进理论。[1-10]
当这张网络在大脑中建立起来以后，在观察运动物体并预测 T 时间后物体位置的场景
中，这张网络在“索引效应”的作用下把输入信息抽象为物体原始位置、速度、所经历的时
间三个要素，这些信息进入网络 G后，输出物体 T时间后的位置。在这一场景中活跃的神经
网络是网络 G 和图中标 U 的连接和细胞共同组成的网络 G’。注意在神经细胞群活跃的顺序
中，并不一定网络 G’中所有细胞同时同强度活跃，而可能在各种时序控制机制或自身特性
等的作用下分成几步，如图中分成 1、2、3 步，分别是 I、II、III 圈中的细胞群依次活跃
程度最强。[1-10]
网络 G建立好以后，可以在大脑信息处理的辅助工具，如纸上记录下来，通过信息传播，
在不同的大脑中建立这一相对稳定的网络；或者已建有这张网络的大脑因遗忘机制作用，大
脑中这张网络不完整存在的时候，重建这张网络。新建的和重建的网络具体相关的细胞和连
接权可能会有差异，但都对应“Pt = P0 + V * T”，和一些相关概念、数字、单位、计算
方法等。[1-10]
图 28 关于理论建立和应用过程中的一些神经网络原理[1-10]
4.2 一些说明[1-20]
文献[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“表述物体运动快慢”等部分出现时间比较古老的内涵，这部分内涵在
文献[10]提到的匀速直线运动相关理论中被保留下来。[1-20]
在这里的叙述中，把“表述物体运动快慢”作为速度概念的一个重要属性，这个属性和
其他一系列属性组成的属性集合把速度概念和其他概念区分开。[1-20]
“把‘表述物体运动快慢’作为速度概念的一个重要属性”也可表述为：把“具有‘表
述物体运动快慢’内涵”作为速度概念的一个重要属性。
4.3 关于智力起源[1-18]
1 可以看到，大脑神经网络的各个生化参数（如不同 O2、H+浓度下细胞的放电频率、
细胞间连接修改程度、遗忘率等）和血液循环的时序控制作用、海马结构等生理机制和结构
通过文献[1-17]所述运作机制相互配合，对不同的信息处理组织起不同的子网络，并保证所
保存信息的稳定性,从而能准确而高效地处理信息。[1-18]
2 在 1 中所述的基础上发展起语言机制，进一步可以对不同的信息处理组织起不同的子
网络，从而能更准确而高效地处理信息,为智力的起源奠定了基础。[1-18]
4.4 一些说明[1-19]
（1）神经网络中受体调整次数的总和也是网络训练过程中网络调整次数的一个上界；
但在考虑信息处理系统行为的时候，还要考虑调整程度足够强的次数的总和。[1-19]
（2）在考察生物神经网络运作时，如果输入输出向量样本对相应网络各边的权值都没
有修改，可作为信息提取过程处理。[1-19]
（3）另外一种量化方案：对于网络中的每个细胞，在时间轴上每个时间点都建立观察
点，将该时间点上细胞的阈值电位和膜电位考虑各种因素后换算成波动阈值输入。对其他每
维输入扩展一维伴生输入，如图 29 中对细胞 A 输入 Input 1 扩展伴生维 Input 1’，对输
入 Input 2 扩展伴生 Input 2’…；伴生输入 Input i’的权值和输入 Input i 的权值相同,
在网络训练过程中，如果权值有修改，两者修改值相同； Input i’的取值是，如果产生输
入 Input i 的输入样本对应的时间点属于细胞（图 29 中是细胞 B1 或者 B2）的绝对不应期
（或约定膜电位超过阈值电位后一定长时间内，不包含达到阈值电位时间点），则 Input i’
取 1，其他时间取 0。[1-19]
图 29[1-19]
由（1）、（2），结构风险最小化理论可以和这种量化方案结合起来分析生物神经网络的
运作。[1-19]
参考文献(References)
[1] 谢勤，王乙容．大脑处理信息的过程存储与重组模型[J]．现代生物医学进展，2007，(3)：432-435，439
Xie Qin, Wang Yi-rong. Storing and Re-engineering of Models of Cerebral Information Process [J]. Progress of
Modern Biomedicine, 2007,(3):432-435,439
[2] 谢勤．血液循环在大脑信息处理过程中的时序控制作用[J]．现代生物医学进展，2008，(6)：1152-1159
Xie Qin. Timer Role of Blood Circulation When Brain Processing Information [J].Progress of Modern
Biomedicine, 2008, (6):1152-1159
[3] 谢勤．过程存储与重组模型[Z]．www.sciam.com.cn，2006
Xie Qin. Model of Process Storing and Recalling [Z].www.sciam.com.cn, 2006
[4] 谢勤．一种关于脑电波起源和含义的观点[C]．中国神经科学学会第七次全国学术会议论文集．北京：
科学出版社，2007:144
Xie Qin. A Viewpoint about origin and meaning of EEGs[C].Proceedings of the 7th Biennial Meeting and the
5th Congress of the Chinese Society for Neuroscience. Beijing: Science Press, 2007:144
[5] 谢勤．血液循环在大脑信息处理过程中的时序控制作用整理[C]．中国神经科学学会第八次全国学术会
议论文集．北京:科学出版社, 2009: 135
Xie Qin. A Review of <Timer Role of Blood Circulation When Brain Processing Information>[C].Proceedings
of the 8th Biennial Meeting of the Chinese Society for Neuroscience. Beijing: Science Press. 2009: 135 Official
Publish Date: 2009
[6] 谢勤．血液循环在大脑信息处理过程中的时序控制作用整理[J]．中外健康文摘，2011，8(20)：93-98
Xie Qin. A Review of <Timer Role of Blood Circulation When Brain Processing Information>[J].World Health
Digest, 2011, 8(20) : 93-98 Official Publish Date: May, 2011
[7] 谢勤．大脑处理信息的样本量和网络规模问题[J]．中外健康文摘，2011，8(21)：88-91
Xie Qin. Matching Problem of Sample Quantity and Network Scale when Brain Processing Information
[J].World Health Digest, 2011, 8(21): 88-91 Official Publish Date: May, 2011
[8] 谢勤．大脑处理信息量化模型中的另一种样本重组方案[J]．中外健康文摘，2011，8(22)：209-210
Xie Qin. Another Sample Recombination Solution for Quantitative Model of Brain Information Processing
[J].World Health Digest, 2011, 8(22): 209-210 Official Publish Date: June, 2011
[9] 谢勤．大脑处理信息的样本量和网络规模问题[C]．中国神经科学学会第九次全国学术会议论文集．北
京:科学出版社, 2011: 366
Xie Qin. Matching Problem of Sample Quantity and Network Scale when Brain Processing Information
[C].Proceedings of the 9th Biennial Meeting of the Chinese Society for Neuroscience. Beijing: Science Press.
2011: 366
[10] 谢勤．大脑处理信息量化模型中的细节汇编[J]．中外健康文摘，2011，8(48)：78-80
Xie Qin. Details of Quantitative Model of Brain Information Processing [J].World Health Digest, 2011, 8(48):
78-80 Official Publish Date: December, 2011
[11] 谢勤．大脑处理信息量化模型中的细节汇编二[J]．中外健康文摘，2012，9(4)：101-102
Xie Qin. Details of Quantitative Model of Brain Information Processing II [J].World Health Digest, 2012,
9(4):101-102 Official Publish Date: January, 2012
[12] 谢勤．大脑处理信息量化模型中的细节汇编三[J]．中外健康文摘，2012，9(16)：61-62
Xie Qin. Details of Quantitative Model of Brain Information Processing III [J].World Health Digest, 2012,
9(16):61-62 Official Publish Date: April, 2012
[13] 谢勤．大脑处理信息量化模型中的细节汇编四[J]．中外健康文摘，2012，9(23)：193-194
Xie Qin. Details of Quantitative Model of Brain Information Processing IV [J].World Health Digest, 2012,
9(23):193-194 Official Publish Date: June, 2012
[14] 谢勤．大脑处理信息量化模型中的细节汇编五[J]．中外健康文摘，2012，9(20)：56-57
Xie Qin. Details of Quantitative Model of Brain Information Processing V [J].World Health Digest, 2012,
9(20):56-57 Official Publish Date: May, 2012
[15] 谢勤．大脑处理信息量化模型中的细节汇编六[J]．中外健康文摘，2012，9(29)：238-239
Xie Qin. Details of Quantitative Model of Brain Information Processing VI [J].World Health Digest, 2012,
9(29):238-239 Official Publish Date: July, 2012
[16] 谢勤．大脑处理信息量化模型中的细节汇编七[J]．中外健康文摘，2012，9(33)：45-46
Xie Qin. Details of Quantitative Model of Brain Information Processing VII [J].World Health Digest, 2012,
9(33):45-46 Official Publish Date: August, 2012
[17] 谢勤．大脑处理信息量化模型中的细节汇编八[J]．中外健康文摘，2012，9(39)：393-395
Xie Qin. Details of Quantitative Model of Brain Information Processing VIII [J].World Health Digest, 2012,
9(39):393-395 Official Publish Date: September, 2012
[18] 谢勤．大脑处理信息量化模型中的细节汇编九[J]．中外健康文摘，2012，9(39)：402-403
Xie Qin. Details of Quantitative Model of Brain Information Processing IX [J].World Health Digest, 2012,
9(39):402-403 Official Publish Date: September, 2012
[19] 谢勤．大脑处理信息量化模型中的细节汇编十[J]．中外健康文摘，2012，9(39)：407-408
Xie Qin. Details of Quantitative Model of Brain Information Processing X [J].World Health Digest, 2012,
9(39):407-408 Official Publish Date: September, 2012
[20] 谢勤．大脑处理信息量化模型中的细节汇编十一[J]．中外健康文摘，2012，9(50)：112-113
Xie Qin. Details of Quantitative Model of Brain Information Processing XI [J].World Health Digest, 2012,
9(50):112-113 Official Publish Date: December, 2012
