Объявление

Осуществляется переход на новую версию движка (регистрация новых пользователей пока закрыта), свои пожелания и вопросы оставляйте в ветке: Технический раздел -> Форум

#1 Работа » Типы колонок в мозге » 2013-09-17 18:00:07

Roman
Ответов: 1

В человеке присутствует 4 типа колонок:

Миниколонка- основная колонка в коре на которую записываются осязательные ,,пиксели" памяти. Число таких своеобразных пикселей осязательного чувства равно числу нейронов в миниколонке. Осязательных, для простоты понимания, так как это основной язык мозга, который понимают остальные зоны формирующие другие чувства.
Миниколонка работает по закону нейронной сети Кохонена.

Микроколонка- встречается, только в веретенчатых нейронах. Веретенчатые нейроны являются вегетативными нейронами встречаются лишь у самых крупных млекопитающих и человека. Предназначена, для улучшения ощущений от внутренних органов в мозг.

Гиперколонка- консоледирует соседнии миниколонки притормаживая их и возбуждая, для выбора наиболее схожей с миниколонками других органов чувств. За асинхронные процессы она не отвечает. Но благодаря связям с соседними мииколонками способна влиять на их память.

Макроколонка- формирует единый образ памяти на поверхности извилины, из пикселей от разных миниколонок данной извилины.

#2 Работа » Сеть Кохонена и макроколонка » 2013-09-17 17:08:17

Roman
Ответов: 1

Самоорганизующаяся карта Кохонена (СОКК или сеть Кохонена) принципиально отличаются от всех других типов сетей, реализованных в пакете STATISTICA Нейронные Сети. В то время как все остальные сети предназначены для задач с управляемым обучением, сети Кохонена главным образом рассчитана на неуправляемое обучение, что доказывает их нейроморфность.

При управляемом обучении наблюдения, составляющие обучающие данные, вместе с входными переменными содержат также и соответствующие им выходные значения, и сеть должна восстановить отображение, переводящее первые во вторые. В случае же неуправляемого обучения обучающие данные содержат только значения входных переменных.

На первый взгляд это может показаться странным. Как сеть сможет чему-то научиться, не имея выходных значений? Ответ заключается в том, что сеть Кохонена учится понимать саму структуру данных.
Сеть Кохонена может распознавать кластеры в данных, а также устанавливать близость классов. Если в данных распознаны классы, то их можно обозначить, после чего сеть сможет решать задачи классификации. Сети Кохонена можно использовать и в тех задачах классификации, где классы уже заданы, - тогда преимущество будет в том, что сеть сможет выявить сходство между различными классами.
Другая возможная область применения - обнаружение новых явлений. Сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам. Если после этого сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну.
Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов (выходной слой называют также слоем топологической карты). Элементы топологической карты располагаются в некотором пространстве - как правило двумерном (в пакете STATISTICA Нейронные Сети реализованы также одномерные сети Кохонена).
Обучается сеть Кохонена методом последовательных приближений. Начиная со случайным образом выбранного исходного расположения центров, алгоритм постепенно улучшает его так, чтобы улавливать кластеризацию обучающих данных. В некотором отношении эти действия похожи на алгоритмы выборки из выборки и K-средних, которые используются для размещения центров в сетях РБФ и ОРНС, и действительно, алгоритм Кохонена можно использовать для размещения центров в сетях этих типов. Однако, данный алгоритм работает и на другом уровне.

Помимо того, что уже сказано, в результате итеративной процедуры обучения сеть организуется таким образом, что элементы, соответствующие центрам, расположенным близко друг от друга в пространстве входов, будут располагаться близко друг от друга и на топологической карте. Топологический слой сети можно представлять себе как двумерную решетку, которую нужно так отобразить в N-мерное пространство входов, чтобы по возможности сохранить исходную структуру данных. Конечно же, при любой попытке представить N-мерное пространство на плоскости будут потеряны многие детали; однако, такой прием иногда полезен, так как он позволяет пользователю визуализировать данные, которые никаким иным способом понять невозможно.

Основной итерационный алгоритм Кохонена последовательно проходит одну за другой ряд эпох, при этом на каждой эпохе он обрабатывает каждый из обучающих примеров, и затем применяет следующий алгоритм:

Выбрать выигравший нейрон (то есть тот, который расположен ближе всего к входному примеру);

Скорректировать выигравший нейрон так, чтобы он стал более похож на этот входной пример (взяв взвешенную сумму прежнего центра нейрона и обучающего примера).

В алгоритме при вычислении взвешенной суммы используется постепенно убывающий коэффициент скорости обучения, с тем чтобы на каждой новой эпохе коррекция становилась все более тонкой. В результате положение центра установится в некоторой позиции, которая удовлетворительным образом представляет те наблюдения, для которых данный нейрон оказался выигравшим.

Свойство топологической упорядоченности достигается в алгоритме с помощью дополнительного использования понятия окрестности. Окрестность - это несколько нейронов, окружающих выигравший нейрон. Подобно скорости обучения, размер окрестности убывает со временем, так что вначале к ней принадлежит довольно большое число нейронов (возможно, почти вся топологическая карта); на самых последних этапах окрестность становится нулевой (т.е. состоящей только из самого выигравшего нейрона). На самом деле в алгоритме Кохонена корректировка применяется не только к выигравшему нейрону, но и ко всем нейронам из его текущей окрестности.

Результатом такого изменения окрестностей является то, что изначально довольно большие участки сети "перетягиваются" - и притом заметно - в сторону обучающих примеров. Сеть формирует грубую структуру топологического порядка, при которой похожие наблюдения активируют группы близко лежащих нейронов на топологической карте. С каждой новой эпохой скорость обучения и размер окрестности уменьшаются, тем самым внутри участков карты выявляются все более тонкие различия, что в конце концов приводит к тонкой настройке каждого нейрона. Часто обучение умышленно разбивают на две фазы: более короткую, с большой скоростью обучения и большими окрестностями, и более длинную с малой скоростью обучения и нулевыми или почти нулевыми окрестностями.

После того, как сеть обучена распознаванию структуры данных, ее можно использовать как средство визуализации при анализе данных. С помощью данных, выводимых в окне Частоты выигрышей, (где для каждого нейрона подсчитывается, сколько раз он выигрывал при обработке обучающих примеров), можно определить, разбивается ли карта на отдельные кластеры. Можно также обрабатывать отдельные наблюдения и смотреть, как при этом меняется топологическая карта, - это позволяет понять, имеют ли кластеры какой-то содержательный смысл (как правило при этом приходится возвращаться к содержательному смыслу задачи, чтобы установить, как соотносятся друг с другом кластеры наблюдений). После того, как кластеры выявлены, нейроны топологической карты помечаются содержательными по смыслу метками (в некоторых случаях помечены могут быть и отдельные наблюдения). После того, как топологическая карта в описанном здесь виде построена, на вход сети можно подавать новые наблюдения. Если выигравший при этом нейрон был ранее помечен именем класса, то сеть осуществляет классификацию. В противном случае считается, что сеть не приняла никакого решения.

При решении задач классификации в сетях Кохонена используется так называемый порог доступа. Ввиду того, что в такой сети уровень активации нейрона есть расстояние от него до входного примера, порог доступа играет роль максимального расстояния, на котором происходит распознавание. Если уровень активации выигравшего нейрона превышает это пороговое значение, то сеть считается не принявшей никакого решения. Поэтому, когда все нейроны помечены, а пороги установлены на нужном уровне, сеть Кохонена может служить как детектор новых явлений (она сообщает о непринятии решения только в том случае, если поданный ей на вход случай значительно отличается от всех радиальных элементов).

Идея сети Кохонена возникла по аналогии с некоторыми известными свойствами человеческого мозга. Кора головного мозга представляет собой большой плоский лист (площадью около 0.5 кв.м.; чтобы поместиться в черепе, она свернута складками) с известными топологическими свойствами (например, участок, ответственный за кисть руки, примыкает к участку, ответственному за движения всей руки, и таким образом все изображение человеческого тела непрерывно отображается на эту двумерную поверхность).
Если удасться создать сеть из 200 слоев, которые будут объединять в себе один гиперслой, то такая сеть уже будет похожа на макроколонку коры мозга.

#3 Re: Крионика » В каких случаях крионирование невозможно (бесполезно)? » 2013-09-17 16:50:24

И что тут тревожного? Для выгрузки сознания с мертвого мозга без разницы, что там с рыбками стреслось.

#4 Re: Работа » Пластичность мозга- это осязание заполняющее все ниши » 2013-09-17 15:11:12

Мы думаем осязанием, все остальные четыре чувства имеют идентичную память осязанию, но располагаются в других зонах коры. Их синхронизация дает общую картину всех эмоций, при воспоминаниях. Так, что не удивительно, что осязание компенсирует отсутствие какого либо чувства.

#5 Re: Работа » DARPA ищет альтернативу цифровым процессорам » 2013-09-17 14:16:11

В мозге миниколонка из 100 элементов в среднем состоит а у Филиппова из 8. При этом, где тут прослеживание сети Кохонена? А ведь она должна быть как основа для усложнения. Или Филиппов придумал саою особую миниколонку, да еще забил на гениальность Кохонена?
Зря, он так, Кохонен признан во всем мире и надо бы совершенствовать его сеть, а не игнорировать его гениальность...

#6 Re: Работа » Нейроморфное моделирование работы колонок » 2013-09-17 12:40:39

Все проще, миниколонка в 120 нейронов- это как лента из 120 кадров. Формируются кадры точно также как работает нейронная сеть Кохонена в финансовых программах. Только эта сеть динамическая и формирует сразу 120 едениц, а остальное обнуляется.
Если бы миниколонка делилась на 4 цвета, это было бы слишком сложно. Скорее всего есть единый язык мозга, который обьединяет все виды ощущений и именно так расшифровывается в мозге информация.
Скорее всего- это осязание, которое является главным чувством управляюшим зрением, слухом, вкусом и запахом. В этом случае для расшифровки мозгом памяти в себе нет необходимости усложнять миниколонки на дробление на цвета или звуки. Цвета и звуки возбуждаются синхронно.
Отсюда вывод: мозг не пластичен, а просто он еирархичен, где есть главное ощущение в нем, которое управляет остальными.

#7 Re: Искусственный интеллект » Можно ли наделить машину сознанием? » 2013-09-17 06:27:12

Компьютер никогда не будет уметь плакать, зевать или смеяться, а значит его интеллект всегда будет на уровне насекомого. Что мы и наблюдаем, сейчас.

#8 Re: Работа » Сознание- это асинхронность в мышлении » 2013-09-17 05:23:38

Смех  дан человеку для преодоления им страха вызывающего стресс и даже паралич особенно у насекомых. Смеяться умеют все животные наделенные сознанием и имеющие возможность смещать активность в своем сознании. Это умеют делать не только человек,  или обезьяна и собаки, но даже крысы. Если крысу пощекотать, то она засмеется как человек. А значит, у крыс как у человека есть психика и сила воли по преодолению своего страха,  перед чем то пугающим.
Смех вообще сам по себе заразителен, что свидетельствует  о социальном его значении. Подобным заразительным вегетотивным действием на сознание обладает еще плач и  зевота. big_smile


Как мы полагаем, смех, плач и зевота стали эффективными механизмами защиты против стресса, вызванного речью и культурой. Временно подавляя речь и «отменяя» культуру, они предотвращали неврозы и обеспечивали социальное единство путем возврата с эволюционно нового речевого уровня общения на более древний и глубокий – бессознательный, доречевой уровень. Доказано, что и у современных людей юмор предотвращает стресс [Dixon, 1980; Lefcourt, Martin, 1986] и может служить альтернативой неврозу [Elitzur, 1990]. Неудивительно, что даже у обезьян юмор развивается сразу же после усвоения ими символической коммуникации. Хотя экспериментальные подтверждения антистрессового действия плача и зевоты нам известны, повседневный опыт не составляет в этом сомнений.
Поскольку все три реакции являются проявлениями негативизма и тормозят речь и действие, они конкурируют с последними и проявляют характерные черты смещенной активности. Однако в отличие от смещенных действий животных, все три описанные нами «выразительные движения» человека довольно сильно мотивированы, отсюда острота их конкуренции с речью и действием. Вот почему в обычных условиях все три инстинктивные «реакции отказа» находятся под сильным спудом, а при снятии торможения превращаются в социальные сигналы, т.е. вырываются наружу и пробуждают коллективный имитационный рефлекс. Это может происходить лишь в кратких «зазорах» между периодами нормальной деятельности, хотя бы уже потому, что в моменты, когда смех, плач или зевота завладевают группой, последняя становится максимально уязвимой для внешней опасности.
Хотя, как мы предполагаем, исходная функция этих реакций на заре антропогенеза была антиречевой и антикультурной, в ходе социогенеза они «подчинились» речи и культуре и «вписались» в них, став паралингвистическими средствами общения и обогатив нашу духовную жизнь. А раз так, то перед нами прекрасная иллюстрация того, что этологические знания о человеке не только не посягают на психологию чувств, но напротив, служат для нее необходимой основой.




http://ethology.ru/library/?id=271

Подвал раздела

Под управлением FluxBB