问题标签 [biological-neural-network]

你用什么？

只是想知道，因为我们已经达到了每台 PC 1 teraflop，但我们仍然无法模拟昆虫的大脑。有没有人见过一个自学习、自开发的神经网络的体面实现？

Seeing that as as far as we know, one half of your brain is logical and the other half of your brain is emotional, and that the wants of the emotional side are fed to the logical side in order to fulfill those wants; has there been any research done in connecting two separate neural networks to one another (one trained to be emotional, and one trained to be logical) to see if it would result in almost a free-will sort of "brain"?

I don't really know anything about neural networks except that they were modeled after the biological synapses in the human brain, which is why I ask.

I'm not even sure if this would be possible considering that even a trained neural network sometimes doesn't act logically (a.k.a. do what you thought you trained it to do).

在脉冲神经网络领域应该从哪本书开始？我知道 Gerstner 于 2002 年出版的《Spiking Neuron Models》。有没有更新的书，或者更合适的书？我有数学和人工神经网络的背景。

如果该领域有一些好的文章或概述，也将它们添加到列表中。

谢谢。

稍后编辑

卡雷尔的回答：

“这取决于你所说的尖峰神经网络是什么意思 - 至少有几个基本观点。Gerstner 代表第一个 - 他专注于生物神经元的建模。他 2002 年的书是理解生物的一个很好的起点- 神经元的物理模型。过去也可以在 html 中找到这本书 ..

另一方面，在计算机科学上下文中，“尖峰神经元”通常是指 SRMo 模型（尖峰响应模型），它也可以用作经典基于感知器的网络的替代方案。

Wolfgang Maass ( http://www.igi.tugraz.at/maass/ )的作品中很好地描述了这个模型。他专注于模型的计算能力，并将 SRM 模型与 percepron 和 RBF-unit 进行了比较。

如果您想在网络中使用该模型，我向您推荐 Sander Bohte ( http://homepages.cwi.nl/~sbohte/ ) 的作品，他导出了 SpikeProp 算法。

（我个人派生了一个 SpikeProp 的变体，它的速度足够快，可以用于实际应用程序。）“

i m doing project on neural network. i want a demo code for AND,OR,X-OR or any SMALL APPLICATION in matlab. thanks

我已经编写了一个非定向神经网络。有点像大脑，所有神经元同时更新，没有明确的层。

现在我想知道，疼痛是如何起作用的？我如何构建一个神经网络，以便“疼痛”信号使它想要做任何事情来摆脱所说的疼痛。

嘿，伙计们再次为我自己带来了一个全新的项目。在我之前的帖子中，我习惯了编程来完成某些工作很容易习惯，但现在我想看看在编程更有创意的东西时可以做些什么。

所以我会问一系列与算法相关的问题。没有一个史酷比他们真正是什么或如何写一个。但我感兴趣的是GA（遗传算法）。

我已经分解了我将尝试实现的目标，但我需要一个起点和一些编程（控制台 c#）来让我走上自己的道路并以编程方式思考。希望你喜欢阅读，并能在我的路上帮助我。

所有的生物都是由细胞组成的。在每个细胞中都有相同的染色体组。染色体是 DNA 串，可作为整个生物体的模型。染色体由基因、DNA 块组成。每个基因编码一种特定的蛋白质。基本上可以说，每个基因都编码一个特征，例如眼睛的颜色。性状（例如蓝色、棕色）的可能设置称为等位基因。每个基因在染色体中都有自己的位置。这个位置称为轨迹。

一套完整的遗传物质（所有染色体）称为基因组。基因组中特定的一组基因称为基因型。基因型是生物体的表型及其生理和心理特征，如眼睛颜色、智力等的出生后发育的基础。

基本遗传算法概述

1. [开始]生成n条染色体的随机种群（问题的合适解决方案）
2. 【适应度】评估种群中每条染色体x的适应度f(x)
3. [新种群]重复以下步骤创建新种群，直到新种群完成 1. [选择]根据适应度从种群中选择两条父染色体（适应度越好，被选中的机会越大） 2. [交叉]以交叉概率交叉双亲形成新的后代（子代）。如果没有进行交叉，后代是父母的精确副本。3. [突变]以突变概率在每个基因座（染色体中的位置）突变新的后代。4. [接受] 在新种群中放置新的后代
4. [替换]使用新生成的种群进一步运行算法
5. 【测试】如果满足结束条件，停止，返回当前种群中的最优解
6. [循环]转到第 2 步

染色体的编码

染色体应该以某种方式包含有关它所代表的解决方案的信息。最常用的编码方式是二进制字符串。染色体可能看起来像这样：

每条染色体都有一个二进制字符串。该字符串中的每个位都可以代表解决方案的某些特征。或者整个字符串可以表示一个数字 - 这已在基本 GA 小程序中使用。

当然，还有很多其他的编码方式。这主要取决于解决的问题。例如，可以直接编码整数或实数，有时编码一些排列等很有用。

分频器

在我们决定了我们将使用什么编码之后，我们可以迈出交叉的一步。交叉从亲本染色体中选择基因并产生新的后代。如何做到这一点的最简单方法是随机选择一些交叉点和该点之前的所有内容从第一个父节点复制，然后从第二个父节点复制交叉点之后的所有内容。

交叉可以看起来像这样（| 是交叉点）：

还有其他方法可以进行交叉，例如我们可以选择更多的交叉点。交叉可能相当复杂，并且非常依赖于染色体编码的编码。针对特定问题进行的特定交叉可以提高遗传算法的性能。

突变

执行交叉后，发生突变。这是为了防止人口中的所有解决方案陷入已解决问题的局部最优。突变随机改变新的后代。对于二进制编码，我们可以将一些随机选择的位从 1 切换到 0 或从 0 切换到 1。然后可以进行以下突变：

突变取决于编码以及交叉。例如，当我们编码排列时，突变可能是交换两个基因。

我正在考虑构建一系列事件驱动的神经网络，其灵感来自实际的大脑架构，而不是简单的前馈网络（作为参考，它将更接近 HTM 算法）。我想将网络中的神经元简化到类似于真实神经元的程度：

- 包含一系列指向其他神经元的指针和任何必要的连接数据。

- 包含与其激活是否超过阈值相对应的值。

-当超过阈值时，它会触发由神经元内的方法处理的事件，更新连接权重并更新连接神经元的激活。

在我看来，事件驱动的性质允许网络评估多个处理器上的激活事件，并且网络在本地更新的事实意味着它不需要监督训练。我对事件驱动编程相当陌生（我玩过 wxPython），所以我需要问两个问题：

是否有一个很好的用于模拟的事件驱动 API，或者我应该从 opengl 之类的东西中提取我需要的功能？

对于如何限制在给定时间段内可能发生的事件数量而不跳过事件，您有什么建议吗？模拟是连锁反应，如果处理不当，将消耗所有处理器。

我是神经网络的新手，一般都是编程。我用java编写了一个神经网络，我正在查看足球数据。我有两个输入：

1) 主队在 n 场比赛中获胜百分比 2) 客队在 n 场比赛中获胜百分比

使用“标准统计模型”，可以仅使用这两个数字来预测比赛中将出现的进球数，并且具有合理的准确度。但是，当我尝试训练我的 NN 来预测目标数量时，它根本不会收敛:(

我正在使用遗传算法来训练网络，这是前几代中最适合的个体，人口规模为 100,000：

1）0.1407408056662556 2）0.134062676015235 4）0.138753567259805 5）0.132802570016159805 5）0.13280257001618265 6）0.13275165964860766）0.13275165964860766 7）0.13276865209660766/101327686520966918）0.1319768652096691 8）0.1319768652096691 8）0.1319768652096691

现在我知道它看起来正在收敛，但收敛速度非常缓慢，而且我已经在几代人中多次运行它，它不会低于 0.13。

我正在使用一个前馈神经网络，有一个由 10 个神经元组成的隐藏层和一个输出神经元。我在隐藏层使用双曲正切 sigmoid 函数，在输出层使用 sigmoid 函数。我将目标数除以 10，得到 0 到 1 之间的输出。

在我开始运行它之前，我假设 NN 会胜过简单的统计模型，但它并没有接近。我的问题是：

从您可以看到的结果中，看起来代码中的某个地方是否有错误？我需要对网络架构进行更改吗？我是否需要以某种方式更改网络输入/训练数据？

一段时间以来，我一直在尝试找出问题所在，这让我精神崩溃。非常感谢任何广告。

非常感谢。

我是神经网络的初学者。我正在学习感知器。我的问题是为什么权重向量垂直于决策边界（超平面）？我参考了很多书，但都提到权重向量垂直于决策边界，但没有人说为什么？

谁能给我解释或参考一本书？