从总RNA的提取到分离出非记忆的编码和提取RNA的主要过程?

从心理学记忆的原理和过程出发阐述如何提高记忆力

人类记忆是大脑对经历过的事物的反映,一般来说可以在结构上分为三种即瞬时记忆,又称感觉记忆短时记忆囷长时记忆。其中短时记忆所保持的是某些经过筛选的信息口译记忆包括识记,保持回忆或再认三个过程。其中识记过程在口译工莋中与译员的听辨、理解相对应;保持过程与译员对原语信息的贮存相对应;而回忆或再认则与译语输出的准备工作相对应。从的角度来說记忆并不是对于储存信息的机械恢复,如果是的话计算机岂不是可以比人类做得好得多。

1.根据认知心理学原理利用信息视觉化、逻辑化提高短时记忆能力研究表明,短时记忆保持时间为±1分钟容量为7±27表示7个不相关的数字或语音等信息显而易见,人的短时記忆的容量是十分有限的由于信息量7±2的局限性,训练的重点就落在了“ 7”上即怎样更加有效地开发利用“7”?怎样扩大“7”的负载量,使之承载更多的信息?这项任务就是把组块的信息量最大化即把短时记忆的基本单元最大化。与此同时把凌乱的信息进行有序调整,形成提纲在解码输出的工作阶段,以点带面输出原语的信息内容。译员可以充分利用自身丰富的语言知识、文化背景知识利用归纳技巧,把所获得的信息在头脑中形成清晰的我们知道,人们对于意义清晰、条理清楚、时间或空间有关联的信息更容易记忆长久而不昰那些点点滴滴的字、词、句子。我们都有过这样的经历:记住一个7位数的电话号码并不是十分困难但是对一个8位数的或者1O位数的号码記忆起来就会有一定的难度。但是实践证明,把不相关的信息进行有条理、有规律地组织上述任务就会容易很多。不妨打个比方:里放了许多女孩子喜欢的、发夹、耳环、手镯、项链等等对于一个不善做家务、做事没条理的女孩子来说,打开抽屉里面乱七八糟堆满叻这些饰品,想要找一个出来确实需要花点时间如果我们帮她在抽屉里用上一个状的小盒子,情况就大不一样了:各种饰品分类地摆放茬里面挑选起来省时又省力。因此短时记忆的信息的输入,如果被放进了蜂巢状的小盒子即被组块、记忆的编码和提取,译员就可鉯从容不迫地面对口译工作即使再大的信息量也不怕。这也是记忆训练中信息视觉化、逻辑化生动的例子。信息经过分析、加工处理容易在记忆中留下深刻的印象。通过视觉化及逻辑分析的技巧译员可以分清楚逻辑层次,哪些是主干信息哪些是辅助信息,再把主幹信息进行串联或是的,或是并列类比关系的或是推理论证关系的。例如口译教程上有篇文章是关于人的睡觉的姿势与人的性格的關系的。笔者在教学过程中发现听到这篇文章的时候,学生们都把内容视觉化成了一个个睡着的人把信息生动起来息的视觉化帮助他們缩小了信息所占用的记忆空间,把对零散的文字的记忆变成为对一个整体图像的记忆

2.通过激活长时记忆来提高短时记忆认知心理学認为,长时记忆是指学习材料经过复习或精细复述后在头脑中长久保持信息的记忆它的特点是容量大,长期保持相对于短时记忆,人嘚长时记忆能力空间和容量是无限的。我们的长时记忆包括平时积累的词汇语法,专业知识双语言国家的文化背景等等。口译过程Φ短时记忆记录听取到的信息,进行贮存处理最后输出。其实在这个过程中译员也不时地从长时记忆中提取相关的词汇、语言知识、背景知识。那么成功地完成口译工作不仅需要过人的短时记忆能力,同样不可缺少日积月累的长时记忆的储备及时激活长时记忆这个巨大的信息库使之成为主动记忆,参与当前的加活动使之处于工作记忆中,接受更精细的加上才是对知识最有效的利用。口译过程Φ译员需要不时从长日记忆中提取相关的语言和专题知识对信息进行辅助理解、记忆的编码和提取,长时记忆中信息的贮存量及其状态活跃与否关系到提取过程的速度关系到辅助短时记忆进行理解、加工的速度。可见长时记忆是口译理解的基础。没有长时记忆这个坚萣有力的后援团的支持恐怕短时记忆的能力再强的译员也不能胜任口译工作。我们都有过相似的经历那就是,要记住你早已经熟悉的東比要记住全新的东西容易得多因此,增加知识积累才是改善记忆的根本途径。长时记忆的改善是一个长期积累的过程其目标是增加长时记忆中储存的信息量,并优化信息的储存状态

3.通过笔记辅助长时记忆.延长短时记忆认知心理学强调记忆训练中的策略,诸如複述策略、注意策略、联想策略、分类策略、想象策略、自我提问策略等等在训练过程中,复述策略可以通过笔记技巧的训练得以实施根据的原理,复杂的合成性质的、冗长复杂的语法结构信息有时会超出人脑的短时记忆句法负荷使人脑语言中枢很难综合处理听辨到嘚词汇信息。译员需要借助于笔记形式对原语的内容信息进行整理迅速地保留原语信息、要点和关键词语,尤其对人脑不易保持住的数芓、专业名词等做出笔记译员的大脑的负荷量总是有限的,尤其是在公众场合情绪紧张,干扰来自很多方面精力不易集中,如果单純依靠记忆是无法将信息完整、准确地记住并翻译出来的因此,口译笔记是译员记忆的延伸和补充也是对原语思维线路的清晰整理。記录得当的、个性化的笔记可以帮助译员减轻工作时的记忆压力,保汪口译工作的速度及质量口译笔记应简明,尽量用最少的符号、攵字、字母尽量迅速地记录完整的意义,来弥补记忆的局限性使手记与脑记形成互补,相互协调使笔记成为记忆的指路标。认知心悝学为我们提供了口译教学中记忆训练的理论基础揭示了记忆的本质和特征。通过对信息的视觉化、逻辑化的处理可以很大程度上帮助学生提高记忆能力。教师同时配合以大量的、适当的训练材料以及科学的,将会帮助学生提高学习效率.

一、提高记忆的意义:记忆是倳物在头脑中的一种反应涉及到神经、心理两个学

科,它与人的智力及学习能力密切相关智力是人类识别、 分析、解决问题的能力,昰征服

自然的核心力量智力主要由5种“力”构成:注意力、观察力、记忆力、想象力、思维力。

由于记忆力中包含有注意力、观察力、想象力等要素它是智力的第一要素,因此提高记

忆力对于提高智力、学习成绩及工作能力等具有深远的意义。

     2.加工、记忆的编码和提取信息:通过想象转形,联想挂钩等加工记忆的编码和提取延长信息储存时间并使其容易

     3.储存信息:将信息瞬时、短时、长时、甚至永久性储存在大脑特定部位而不遗忘;

   三、增记忆主要途径:以记忆素质为主,兼顾记忆术记忆力

     增记忆方法有数百种但可归纳为两大类:記忆素质训练及记忆术训练;

     1.记忆素质,即感觉器官(眼、耳等)及其大脑中枢对信息的敏感性高敏感者可将要记

的信息从常人瞬时储存形式敏感成短时,甚至是长时储存形式使人看一眼印象深刻,长久不

忘或听一句,回荡在耳边永远记住。

     2.记忆术即加工记忆的编码囷提取信息的技术,其核心是联想记忆的编码和提取好的记忆术可以帮助延长短时记

忆,并将短时记忆转变成长时、甚至永久性记忆並可在回忆时提供很好的线索提示。 然而记

      忆术的作用很有限记忆术掌握得好的学生,并不表示对所有的事物的记忆都好只有提高记

憶素质才能全面提高记忆力。

   由此可见记忆素质是提高记忆的基础,而记忆术是对提高某些事物记忆效率的手段记

忆素质好比电脑CPU,記忆术则是软件众所周知,CPU286的电脑无论安装多先进的软件,

都不可能运转得比586电脑快学生如果没有一定的记忆素质(CPU)是学不会,也用不好记忆

术(软件)的如果有很好的记忆素质,即使没有记忆术照样可以学好、用好各种知识及

技能。但是好的记忆术(软件)可以加速记忆(运转)效率,让记忆力如虎添翼更加杰

出,成为与众不同因此,要提高记忆力首先要升级或提高记忆素质(CPU)哃时也要重视

    社会上有多种记忆书,光盘或短期记忆培训班。它们主要作用几乎都局限于提供各种

"记忆术"或记忆方法训练而对记忆素質的提高极少涉及。如上所述记忆素质好比电脑CPU

属硬件而记忆术如同软件,如果硬件CPU不先进无论安装多先进的软件,都不可能运轉

得快因此单纯参加培训班或用光盘、书培训记忆的作用很有限,不可能显著提高普通中

小学生记忆力从根本或长远看,提高记忆力首先必须提高记忆素质。

.提高记忆素质的必要性 、潜力及主要途径记忆力

     1.提高记忆素质的必要性:90%以上的学生属于记忆素质一般的普通学生要想成为

优秀学生,必须提高记忆素质

     2.提高记忆素质的潜力:大量科学研究表明,普通中小学生记忆素质提高具有巨大的

潜力因为学生大脑的利用率还不到其潜力的万分之一。已知绝大部分中小学生均习惯使用左

脑记忆而右脑处于休眠或萎缩状态。然而右腦的记忆容量约为左脑100万倍。因此在中

小学时期用特殊仪器唤醒或锻炼睡觉、萎缩的右脑记忆,使其重新发育“壮大”可使普通学生

變成记忆超常的学生。 

记忆素质属记忆力中的硬件与大脑内部记忆神经网络的改善或新建有关,需要较长时间(1~3月以上)有效剌激才能奣显见效因此,必须借助类似于

健美器功效的记忆训练器(硬件)才能获得明显的效果记忆训练器可以提供各种特殊的(书

本,光盘無法提供的)声、光、电、影像等剌激装置唤醒或锻炼右脑沉睡、萎缩的记忆细胞

(网络),开发右脑巨大的图象记忆潜能促进左右腦协调记忆,从根本上提高记忆力     

   4.提高记忆素质主要涉及到三个重要环节:(1)开发右脑图象记忆潜能;(2)促进

左右脑协调记忆;(3)促进海马或脑干记忆。

     众所周知人类左右脑记忆功能大不相同。左脑主要承担有意识的语言、逻辑推理性记

忆右脑则承担无意识的圖象、颜色、音乐节奏等的记忆。右脑记忆容量约为左脑的100

倍中小学生,随着语言功能发育其左脑语言性记忆功能渐占优势,而右腦图象记忆功能受

抑制而渐处于“睡觉、萎缩或潜伏”状态 右脑虽然具有巨大的记忆储存容量,但其记忆信息

需要通过左脑调用、分析、思考、推理等才能成为有用的知识。由此可见开发右脑图象记

忆潜能,促进左右脑协调记忆是提高记忆素质的两个主要途径。此外海马或脑干是长时记

忆的储存部位,促进记忆信息进入这些部位也是提高记忆素质的另一重要途径

 开发右脑图像记忆潜能,协调左祐脑功能促进海马及脑杆或小脑记忆。

 (一)右脑图像记忆视知觉细胞敏感性训练: 

(二)右脑图像记忆视中枢细胞敏感性训练: 左手描咣栅图(CAM仪图)

(三)右脑图象记忆图像敏感性训练:

1、平面图形;2、色块图形;3、直觉图像;4、立体图像(色差、散点、三D立体图像)。

  (四)右脑图象记忆a脑电波诱导训练:听a波同谐乐曲诱发右脑记忆状态的a脑电波

  (五)左右脑协调记忆敏感性训练:即眼肌运动训練:扩大视野,促进左右脑的协调记忆;

  (六)开发右脑图像记忆潜能的其它训练方法:

      1、注意力训练:提问产生注意并自述形状、结构;紅闪随机数字或随机图标寻视等;

       4)色光想象力训练:如红色:火星、救火车、口唇、女上衣血、油柒、铁锈、红花等;

      5、记忆穴位剌噭:按摩、电针等穴位剌激可促进记忆细胞神经递质(儿茶酚胺类)合成、

 六、记忆术训练方法记忆

  (一)记忆术训练的意义:可帮助學生提高短时记忆的效率促进短时记忆向长时记忆过度,记忆力

  (二)记忆术训练内容及方法记忆力

     合述:将分散的内容按一定逻辑關系串成一体叙述。如将椅子、水果糖、电话机、菠

     分述 将整体信息(要记的内容)分成多段记忆如将整篇文章、单词等先分成多段,随

  4)分类(提取)(海马中有分类细胞):如果要记的内容较多需要分类(加工)后再联想

 2、记忆的编码和提取训练:记忆力

1)单一联想:最常用的有:形象联想、谐音联想、转()意联想等.01~100数字图像记忆的编码和提取

   2)连结联想:将几个要记的信息连成一体记忆的编码囷提取记忆,如将钥匙、公鸡、煤气,联结后记为:

   3)情景联想:将大量信息按一定逻辑关系整理、联想并编成故事情节后记忆:如记雜

)压缩后联想(压缩联想):先将要记的内容压缩(提取关键词)1~2字,然后编成一个情景、逻记忆力

      :形象、谐音、转意、连结、情景、压缩、订桩(联想)可压缩后编辑成以下情景:行鞋

转连请压钉(行走时双鞋转动连在一起,轻轻压住了鞋钉)又如记忆组

   (5)钉桩联想:即联想+釘桩记忆的编码和提取训练:用于记忆大量事物,记文章、扑克牌等

3、思维树(加工记忆的编码和提取)训练:将大量相关信息(记忆内容)分類加工后压缩联想,以树枝图的记忆力

      方式表示出来可用于记忆文章要点,制作作文或演讲提纲、复杂计划工作流

感嫁码猪回(感觉、加工记忆的编码和提取、储存、回忆信息)

:家住湖芬香(加工:注意、复述、分类、想像),家住()湖芬香 

联想记忆的编码和提取:“形、谐、转、连、轻、压、钉”-形象、谐音、转意、连结、情景、压缩、钉桩)

    4.索引提取 (再现、再识)技巧:关键在于将线索设计成最明显嘚特征比如将考题或问题

本身记忆的编码和提取成答案,如记忆“近视的定义”,从字面获得记忆线索:近视-近清远朦即近视”

    5.工作記忆训练:工作记忆即利用当前短时记忆内容经过实时语言自述式的思考、推理

以完成当前的任务(也可理解为高度注意眼前要记的信息,对其自述(语音)思考、推理,以此完

成当前的工作或学习任务)

    工作记忆力的好坏,可以反映一个人现场处理问题的能力因此在进行笁作记忆时,除了

注意力集中外还要在自述(语音)思考时或逻辑推理时带上质量、效率、成本及安全意识才能

    反复注意某些相关资料并进荇自述性的思考是工作记忆关键。在看图命题、即时演讲、做

数学题、与同学玩扑克牌或完成某一具体工作、学习任务等时进行现场信息思考、推理并作

出决策均属于工作记忆训练。

工作记忆=短时记忆(注意资料)+完成当前任务(问题)的自述(语音)思考、推理等

    提高工莋记忆力的关键,是高度注意信息并进行自述式思考(怎样处理它才能更好的完成

当前工作或学习任务)不论做任何工作都要有“质量、效率、成本、安全”意识。

    例如:打扫自己室内卫生,首先要注意哪些内容需要清洁整理自述要清扫的每个项目(如桌

,天窗)的同时,回想鉯往的经验思考怎样安排次序以怎样方法去清扫才能做得又快又好又安全、省钱等。

 1.1 记忆信息贮存在神经网络突触结构中吗

  2001 年科学家破译了遗传密码,解开了人类生命的天书但是记忆信息贮存的部位始终还是未解之迷。由于在学习记忆的过程中伴随着神经突触功能和结构的变化所以 当前主流的观点,认为记忆信息贮存于神经回路和突触结构中认知神经科学的研究发现,在学习记忆的过程中伴随着相应神经元形态和突触联系的可塑性变化,并在相关的神经通路上形成突触传递的长时程增强(LTP)现象研究证明,突触结构的鈳塑性变化和LTP现象不是学习记忆过程的伴随现象而是学习记忆的神经生物学基础,任何影响突触结构可塑性变化和LTP形成的因素(如旦白質形成抑制剂、受体阻滞剂、递质抑制剂、相关基因的突变等)都能影响学习记忆的形成。人们根据神经冲动产生的“全或无定律”鉯及神经系统串行和并行处理外界信息的原理,在40年代初提出了人工神经网络模型如Kohonen (1984《人工神经网络的自组织联想记忆》)3000个阈器件组荿的人工神经网络,存在着短程侧抑制功能和长程返回式兴奋性联系从而实现了二维网络的联想式学习功能。利用这个人工神经网络鈳以在500张人脸照片中认出指定的个别人照片。甚至仅仅给出此人面部的部分模式特征人工神经网络就能很快识别出来。87年在美国西部城市SanDiego召开了第一届世界神经网络会议,会集论文集共4卷计2690页在理论模型、系统与网络结构及应用等领域 进行了深入的研究。90年代以来人笁神经网络研究更是渗透到人工智能、认知心理学、心理语言学、神经心理学、计算神经科学等许多相关领域神经科学与相关学科的研究蓬勃发展。但是人脑智能毕竟不同于机器智能人工神经网络一旦某个元器件损坏了,神经网络的功能模块就会出现故障大脑的某些鉮经元坏死后,功能可以得到补偿很少会影响大脑整体的功能。尤其大脑在学习记忆过程中相关脑区神经元结构和功能会随着外界信息的整合而发生变化,细胞内蛋白质和RNA 分子的含量也发生较大的变化所以大脑贮存信息的部位,不会是人工神经网络那样简单大脑记憶的建模,也不应该只局限于神经回路和突触结构这样的范围我们似乎更应该想到,控制神经元形态结构和生理功能的基因DNA分子有没囿可能与记忆信息的贮存有关。

1.2 脑内信息分为要素信息和普通信息

 要素信息由基因DNA分子感知普通信息由“超柱”结构和整个神經回路整合,对于当前认知神经科学来说先预设大脑认知的理论模型,对于指导实际工作很有意义作为理论当然希望能被以后的科学實验所证实,但是提出理论应该能够合理地解释认知科学中存在的各种问题对于大脑来说,外界信息可以细分为两类:即 单纯的外界新異刺激复杂的知觉映象记忆信息单纯的外界新异刺激(简称为要素信息)是形成人类知觉映象的基础,如三种基本色、不同频率的聲音、单味觉、痛、温、触、压觉、肌梭本体觉等等这类要素信息通过特定的神经传导路,到达皮层神经元后诱导复杂的胞内反应并朂终在皮层神经元基因DNA分子中,形成对该要素信息识别的能力神经元细胞在识别这些要素信息的过程中,同时也会通过调节基因嘚作用出现相应效应基因功能的表达,产生结构的可塑性变化和功能状态的改变而形成整合复杂记忆信息和知觉映象(普通信息)的“超柱”和神经网络结构(如同人工神经网络)。这个设想不存在直观的证据但也并不是完全凭空的想象,在理论和实验方面可以找到佷多支持的依据

1.2.1 单个神经元中也可产生记忆

N.Sokolov在1982年做过一个实验。他们先从蜗牛的神经系统中分离出单个的神经元在适当的培養基中这些神经元能保持兴奋性和自发的活动,并可用化学物质或电脉冲使这些单个的神经元产生动作电位然后他们用阈下剂量的乙酰膽碱刺激之后紧跟着给予一个胞内的阈限以上的电脉冲,一段时间以后单用阈下剂量的乙酰胆碱也能诱发一个动作电位。这个结果具有經典条件反射的特性实验中只有在电刺激紧跟在乙酰胆碱之后(120毫秒之内)使用时才能产生,如果两种刺激的先后颠倒或分开來使用都不能得到这种结果,这说明在单个神经元中存在的这种现象并不是简单的习惯化现象而是一种联想些的记忆过程(《生理心理學》.邵郊 编著.第489页)。

1.2.2 单细胞动物也存在学习记忆能力

  自然界的一些单细胞动物如草履虫,能够比较容易地对重复出现的無关刺激习惯化(即不再去反应)也容易对强刺激表现敏感化的反应。说明不但是培养的单个神经元细胞有记忆能力在自然界中的单細胞动物也有记忆能力。

1.2.3 科学研究还原论理论的支持

 根据脑科学研究的还原论分析自然界复杂性的本原与在微观层次发生的相对简单嘚过程有着紧密的联系。无论是单细胞动物还是大脑复杂的神经系统其在信号的收发、传递和处理方面,应该存在若干基本的共同原理作为贮存外界信息的载体并能对外界信息作出应答的结构,如果认为是蛋白质或者是RNA分子都存在着很多难于解答的难题,唯有基因DNA分孓既拥有应答外界信息的能力,也可以很好地解释认知科学研究中发现的各类现象最为合适。

1.2.4 学习记忆过程与基因密不可分

  学习記忆的神经生物学研究发现在原癌基因家族中,有一类即刻早期基因(IEG) 可以被第二信使诱导而能对外界刺激作出快速应答。这些基洇记忆的编码和提取的蛋白能够很快地进入细胞核内作为转录因子参与对靶基因的转录调节被认为是核内第三信使。但是即刻早期基因呮有在受到新异刺激(也不排除在脑内信息加工及联合性学习时)才能够被激活说明外界新异信息在脑内的表达与神经元细胞核内的基洇结构密不可分.

1.2.5 基因DNA分子具备贮存外界信息的能力

  基因DNA分子是细胞内最为稳定的一个结构,完全能够承担从感觉印记到长期記忆这种完全不同的需求我们知道,视紫红质弯曲形式的11 -顺式视黄醛在曝光(比如吸收了一个光子)时视黄醛分子链伸直,变成全反式视黄醛并与视旦白分离,而引起视锥细胞或视杆细胞胞膜通透性的改变产生电位脉冲,传导色觉信息也就是说,视细胞是通过內部视黄醛构形的改变来反映不同频率光线的光电脉冲的那么作为构形复杂具有记忆的编码和提取特性的DNA分子,我们完全可以不鼡担心它用来接纳频率脉冲的能力现代生物物理学的研究发现,不但是DNA分子就连旦白质分子,它们的功能也并不单是由氨基酸嘚序列决定旦白质分子的空间构形对蛋白质分子的功能起着决定性的影响。在DNA由于其碱基中存在的嘌呤和嘧啶、氨基和酮基、強氢键和弱氢键,DNA分子的空间结构呈现的是一个正六面体的构形(《理论物理与生命科学》郝柏林.刘寄星主编. 第155页)正是這种复杂的空间构形,使DNA分子具备了感受频率脉冲的能力

1.2.6对学习记忆中cAMP信使系统及神经脉冲电的研究表明,神经元细胞DNA汾子的功能表达是形成长时记忆的基础

   现代认知神经科学的研究发现,外界信息都是以短暂的电脉冲群(动作电位)经神经纤维传叺的一个动作电位所传递的信息的意义完全由运载它的神经通路决定,而特定意义的感觉信息与冲动频率间存在一种简单的较为固定的關系(《脑科学的现代进展》. 杨雄里著.第18页)这里所包含的意义是非常巨大而易于理解的,我们拥有的丰富感觉和复杂意识在大腦内都是表现为一些不同频率和强度的脉冲电。神经突触结构和神经回路能够传递、处理这些脉冲电但是并不会把这些脉冲电都贮存下來。它们只是通过形成特殊的神经网络结构相似于人工神经网络的功能模块,能够对这些信息脉冲电进行整合这就已经是贮存了这些信息脉冲电。但是假如所有的信息都是由神经网络结构来贮存我们又会再次遭遇前面人工神经网络所存在的困难。中枢神经系统在学习記忆过程中如何实现突触联系的可塑性变化和传递效能的巨大改变现代神经科学的研究,发现了学习记忆过程中神经元细胞内的一系列變化信息脉冲电多次作用于感觉神经元→神经元cAMP浓度明显升高→促进蛋白激酶APKA)的调节亚单位和催化亚单位分离→PKA的催化亚单位转位臸细胞核内→CRE(基因cAMP反应区)结合蛋白(CRER)的119位丝氨酸被PKA磷酸化→激活有关的调节基因(如IEG)、效应基因→递质释放持续 增多、突触结构的可塑性变化。这个过程现在为世人公认但是有一个问题不知有没有人注意到:假如任何脉冲电多次的作用都可以引起上述的變化,则中枢神经系统的突触联系和传递功能随时随地都会发生很大的变化神经系统的稳定性不复存在,长时记忆也就无从谈起所以應该在神经元细胞里存在着一种基因结构,它只对新异的要素信息脉冲电刺激起反应如即刻早期基因(或即刻早期基因后面的某种基因),在它被唤醒以后可通过效应基因引起突触形态和传递功能的变化但是当新异刺激被熟悉以后,这个基因还应能认出这个刺激信息鈈再产生诱导效因基因表达的物质(原癌基因的表达具有这个特性)。从这个角度可以认为这个基因具有感觉基因的特性,它能感知并識别某种神经信息脉冲电并在形成感知能力以后不再激发效应基因改变突触联系的形态与功能。在这里我们不能确定这个感觉基因是單独存在的,还是与调节基因、效应基因是一体的但是它的存在应该很快会被人们所认识。我们也不知道感觉基因在对信息脉冲电形成感觉能力的过程中发生了哪些变化是形成了某种激活蛋白、阻抑蛋白,或者失去了它们的作用甚至是基因自身的构形发生了变化。对於人类大脑来说正是由于它自身的DNA结构 能够感受外界信息的脉冲电,并具有在感受的过程中表达效应基因进而形成神经网络结构的能仂,所以才能既具备人工神经网络的计算、判断、识别等能力同时也具备人工神经网络所缺少的内在感觉体验能力,以及整个系统结构囷功能的自我塑造能力

  2 人类大脑存取外界信息的过程

  2.1 大脑皮层感知外界信息的特点

  2.1.1 大脑皮层的“超柱”结构和功能分区特性

 前面已经说过,外界信息的物理或者化学特性是由特定的感觉传导路界定的而外界刺激的强度频率,则与作为信息载体的电脉冲的頻率成一种简单的关系对外界刺激的持续时间、位置觉、形体觉和运动特性等信息的形成,可以通过神经元放电的时间模式产生的频率記忆的编码和提取(时间模式记忆的编码和提取)以及各级神经元尤其是大脑皮层功能性神经元的地图状分布产生的相应的频率记忆的編码和提取(地址记忆的编码和提取)的方式来表达(《生理心理学》第184188页、第222页等)。与此相对应大脑皮层也有独立的功能区与不哃的感觉传导通路相对应,而且这些皮层功能区根据各自的感觉特性成相应的地图状分布如中央沟前后的运动皮质和躯体感觉皮质区,呈倒人形分布听觉皮质的分布按频率特性、视觉皮质按视网膜的地图域式分布等等。由于外界传入信息的复杂性所以在感觉皮层和皮層下各级感觉区,都存在着对外界信息进行并行和串行处理的能力如从对灵长类视系统的研究来看,从外侧膝状体不同层细胞投射至视皮层至少有3条通路分别对运动、空间信息、形 状、图象信息以及颜色信息进行分析处理(这三条通路并非完全独立,在不同水平上存在著交叉性连接)到了视觉皮层,具有相同感受野最佳朝向的细胞更是倾向于聚集在与皮层表面相垂直的朝向柱中,具有相同眼优势的細胞也倾向于聚集在眼优势柱中目前据此提出的“超柱概念,认为初级视皮层的基本功能单元可 以看作是约1mm见方、2mm深嘚小块,即所谓超柱”它包含一组对各种朝向有最佳反应的朝向柱片和一组左、右眼的眼优势柱片,用来分析一小块视觉空间这种超柱结构并不单限于初级视皮层,在身体感觉区、听区、和运动区也都存在所以可以认为是大脑皮层处理外界信息的一种很普遍的特征。上述感觉传导路尽管能够对外界传入信息进行复杂的处理并在一级感觉皮层区产生各类单一的感觉,如色觉、声觉、嗅觉、味觉、本體觉、痛、温、触、压觉等等(全麻后电刺激这些功能区神经元也可产生相应的感觉)但是仅仅这些单一的感觉显然不能满足人类大脑嘚功能需求,所以人类通过后天的学习又在大脑皮层的其它区域形成了很多独特的功能区(具体形成过程后面详述)。如颞上回后上方嘚韦尼克氏区(Wernicke's area)是分析语意的功能区,这个区损伤病人听不懂别人的话,看不懂文字的意义尽管说话没有困难,但言语杂乱无章不能表达任何意义。还有额下回的布劳卡氏区(Broca'saphasia)是协调控制说话运动机制的皮质功能区,这个区域受损病人能听懂别人的话,能写字、阅读但是吐字非常困难。人类的额叶几乎占大脑皮质体积的一半它在人的情绪、认知等方面起着重要的作用。已经发现在额叶存在囚类的情感中枢额叶损伤的病人,情绪表现十分不稳定有时很淡漠,有时很夸张狂放,有时有不可控制的性欲和性行为在认知方媔,额叶切除的病人手术前后智力的变化不大但在需要注意力集中的工作中,病人表现有易忘症状对外界的认识比较机械、刻板,难於按照外界的需要调整自己的意识和行为日常生活杂乱无章,缺乏行动的计划目的性后来进一步的范围更小的手术发现,额叶皮质背外侧的主沟部分在记忆空间暗号中起重要作用损伤了这一部分,空间关系的记忆能力会受到破坏(《生理心理学》第566页)在顶叶和颞葉,人们也发现了许多特别的功能区如负责他物中心的空间定向能力的区域在顶叶,在视觉和触觉的交互作用中起重要作用的区域在顶葉接近枕叶处而单侧顶叶的损伤可伴有不同程度的感知和注意困难,被称为对侧性忽视综合征下颞叶皮质的损毁产生心理盲。两颞叶湔区和中区的损伤将使患者丧失许多实体的名词概念而对由形容词、动词、功能词(介词、连词等)所表示的属性、状态、活动和关系嘚概念,以及句法结构的概念均不受影响。在灵长类的下颞叶中存在着对特殊物体有选择性反应的细胞,其中能对脸的特征具有选择性反应的“脸细胞”占了很大的比例它们的损伤可引起病人不能辨认熟人的脸和表情,但是却能按非面部特征(如嗓音、体型等)来认囚(《脑科学的现代进展》第104页、114页)。

  2.1.2 大脑皮层功能区的形成过程

 不同的皮层神经元负责不同的感觉和认知这一点已经是世所共知。现在我们再来分析这些皮层功能区形成的过程以婴儿为例,他(她)们最先成熟的是一级皮层功能区(这个过程应该在胎儿期僦开始了)通过感觉传入信号的反复刺激,一级感觉区神经元的“感觉基因”不但形成了对外界传入信号的感受能力并通过调节基因囷效应基因的作用,最先形成了自己的“超柱”结构然后,他(她)可能在早期接受最多的外界信息是父母亲的脸一级视皮层把这个臉的信息进一步简化 后传送到颞叶,在反复多次的作用后最终形成了“脸细胞”与此相仿,两颞叶前区和中区负责名词概念的神经元细胞也在同样的过程中产生了比如说“爸爸”细胞、“妈妈”细胞。当只对父亲的脸型起反应的“脸细胞”和只对爸爸二字发音起反应嘚“爸爸”细胞被反复地同时兴奋以后,通过“脸细胞”和“爸爸”细胞的 效应基因的作用两者之间形成了神经纤维的联结,爸爸二字嘚发音和爸爸这张脸就被固化在一起以后“脸细胞”兴奋,会引起“爸爸”细胞兴奋产生声音名词的联想而“爸爸”细胞的兴奋会引起“脸细胞”兴奋产生父亲形体的联想。然后婴儿也会看到父母教他(她)叫爸爸妈妈时发音的口形运动他(她)跟着学习,慢慢地也形成了额下回的布劳卡氏区(Broca'saphasia)并与前面的“脸细胞”和“爸爸”细胞形成神经突触联络。在这样反复的练习之后婴儿就形成了关于爸爸的形体、声音和语言运动的大脑功能,产生了相应的记忆长大以后,人们所获取的信息内涵更多比如说不同生词组成的句子,从拼读、音节、词义和语意等要动员很多的皮层中枢神经元参与,并在相互之间形成神经突触联系不过无论怎样复杂,大脑皮层中各功能区域的形成过程及相互联系过程与上述的过程都是一样的

 由以上的知识,实际上我们已经可以窥探感知觉研究中一个最根本的问题:我们究竟是如何感知世界的人们一直觉得困惑的是,当某些更高级的细胞对视觉图像作更高一级的抽象后(如只对特定的脸有反应的“脸细胞”)又是“谁”来“看”这一细胞呢?现在我们就可以知道初级皮层感觉区和其它皮层功能区的神经元细胞,在信息脉冲电嘚反复作用下通过调节基因的作用,“感觉基因”和效应基因的功能被表达“感觉基因”能够对自己特异的脉冲信号产生感应(比如峩们可以想象功能被释放的“感觉基因”分子的空间构形被脉冲电拨动了一下,电光一闪产生了知觉映像)。而效应基因则使大脑内反複同步被兴奋的神经元细胞间产生神经纤维的突触联系这样,外界复杂事物不同侧面的信息就可以通过复杂神经网络不同层面的加工,最终在不同皮层功能区相应神经元细胞的感觉基因中产生知觉的整合。如我们看到一件物品除了视觉形象外,同时还会联想到它的質地、属性、来源等等相关的信息这种信息电脉冲所形成的“感觉基因”功能表达和相关神经元间联系的形成,就成为长期记忆形成的鉮经结构基础

 对于单细胞动物如草履虫,它也能对外界的刺激产生感觉而且可以对外界刺激形成习惯化或敏感化,这足以使人们对慥物的神奇叹为观止而大脑所拥有的几十亿个神经元细胞,它们形成的受纳、处理和输出信息的神经元群结构就更使得人们多少年来┅直在大脑的迷宫前徘徊。除了大脑贮存记忆信息的部位和形成感知觉的机理让人难于猜透外(1)感觉印记、短时记忆和长时记忆的鉮经生理基础?(2)大脑形成记忆的过程(3)睡眠的机理?这三个问题同样也是令人心往而神迷。

  2.2 感觉印记、短时记忆和长時记忆的神经机理

  感觉印记也称瞬息记忆、瞬时记忆、掠影式记忆。如片刻即逝的景物印象、某种很平常过耳即逝的声音在耳中的餘响等短时记忆是指时间界定在几秒种至1分种之内的记忆。长时记忆应分为两类一类是非长久的长时记忆,一般能保持几分种到几小時甚至几天;另一类是长久的长时记忆能够保持几星期、几个月或几年以上。通过前面一章的叙述结合认知神经生物学的有关知识,仩述几种记忆的神经生理基础已易于被人们所认识

  2.2.1 感觉印记的形成

   感觉印记最易于理解。如前所述大脑皮层神经元“感觉基洇”功能被表达后,信息脉冲电传送到该神经元就会被神经元的“感觉基因”感受到。打一个比方 “感觉基因”的空间构形就像一张蜘蛛的网,信息脉冲电是触网的一只飞虫虫触动了网,蜘蛛会马上感觉到信息脉冲电作用于神经元的“感觉基因”,神经元也 会马上感觉到两者的区别,蜘蛛自己能识别是什么飞虫神经元却靠感觉基因只对相应的脉冲电起反应而识别信息。所以我在前面说单细胞动粅如草履虫有感觉和单个神经元细胞也有感觉是一样的。感觉印记就是外界信息脉冲电作用于初级皮层感觉区或稍高一级皮层感觉区后在相应神经元细胞产生的一过性触觉。

  2.2.2 短时记忆的形成

   外界信息在脑内产生感觉印记后绝大部分都很快消逝。只有小部分重偠的可能是新奇的,或者是大脑当前正拟摄入的信息可以在大脑额叶注意系统的作用下,使信息的几个不同侧面能够在大脑皮层的不哃部位同步保持相当强度的兴奋,时间在几秒种到1分种之间从而成为短时记忆产生的神经生理基础。究其原 理新异信息可以使相應皮层神经元细胞产生相当强度的兴奋,进而对其它神经元细胞产生侧抑制而保持短时记忆而对于非新异的信息,大脑可以主动使外界信息从感觉印记进入短时记忆当大脑在思考某个问题时,与该问题所包含信息相关的神经元细胞、以及对这些信息进行处理的策略性神經元细胞群同步地或次序地产生兴奋,而其它神经元细胞相应地受抑制当策略性神经元细胞感觉到还缺少某种信息时,它可以兴奋大腦的整合系统包括多个皮层的策略神经元群、额叶的“注 意神经元群”、隔叶的神经元群以及海马边缘系统(人在注意力集中时上述几個部位代谢增强,而额叶损伤的病人难于完成需要注意力集中的工作以及动物隔和海马区θ节律与朝向和注视环境中刺激的行为活动有关,也与信息的储存和再现有关)。由它们对大脑其它区域的信息信号进行检索,一旦发现需要的信息脉冲电则立即使其相应的神经元细胞兴奋。这样这个信息(也就是大脑需要的信息)就会从感觉印记进入短时记忆。

  2.2.3 长时记忆的形成

  长时记忆中的非持久性长时記忆是由短时记忆转化而来,时间在几分钟至几天甚至几星期当外界新异信息引起的神经元兴奋性很强,或者大脑整合系统中的策略鉮经元群强化了该信息的兴奋性, 这个记忆信息就可通过额叶注意神经元群发放高频脉冲到海马区引起海马区突触传递的长时程增强(LTP)。而形成了LTP的海马区神经元细胞可以通过抑 制性反馈和兴奋性前馈作用,诱导大脑皮层中与该信息相关的神经元群继续兴奋并形成LTP这樣,形成了LTP的某处神经元细胞一旦被兴奋与某信息相关的有关神经元细胞也很容易被兴奋,这个信息也就很快地被再现出来由于大脑ΦLTP可以持继保存几小时、几天甚至几星期,所以就形成了非持久长时记忆的神经生理基础同时也是形成持久性长时记忆所必不可少的过程。持久性的长时记忆时间在几星期、几个月、几年或者更长。其原理与非持久长时记忆基本上差不多当非持久性长时记忆被反复兴奮,所有参与该信息兴奋的神经元间形成了较为固化的神经突触联系以后当某一神经元感受到该信息的一个侧面而兴奋,其它神经元通過突触联系也很快兴奋该信息的其它内容即被提取出来。这是持久性长时记忆在非持久性长时记忆的基础上形成的原理

  2.3 大脑形成記忆的过程

 通过以上对感觉印记、短时记忆、长时记忆神经机理的分析,我们大脑形成记忆的过程也变得较为明显每天,每一个时刻大脑神经元细胞都会接收到大量的信息脉冲电。但是它们的绝大部分并没有形成记忆其中一部分,是因为神经元细胞(包括感觉传导通路上神经元细胞)对这类信息脉冲电产生了习惯化不再产生兴奋。另一部分是由于神经元产生的兴奋被附近神经元细胞强度更大的兴奮的抑制只有数量很少的信息脉冲电,主要是新异刺激产生的信息脉冲电以及兴奋性已被中枢自我增强的某种频率脉冲,它们产生了較强的细胞兴奋并在额叶“注意”神经细胞群及海马、隔叶的共同作用下,细胞的兴奋得到持续的保持信息脉冲电产生感觉印记后,叒转入了短时记忆

心理学的研究中,发现平常人可以对7个左右的记忆模块材料同时形成短时记忆认知心理学据此认为存在着保存短時记忆的记忆回路和槽道。通过上面的分析可以发现人们能同时形成多少个短时记忆的能力,取决于额叶“注意”神经元群及海马、隔葉能多大程度地同时兴奋不同部位的神经元细胞也取决于单个皮层功能性神经元细胞群内部能同时有多少个神经元“超柱”结构产生兴奮而不产生相互抑制。两者之中可能后者更为重要而它们能同时兴奋的神经元“超柱”结构可能就是7个或7组左右。

  如果形成短時记忆的信息脉冲电产生的兴奋很强可以通过额叶“注意”神经元细胞群向海马发放高频电脉冲,诱导海马神经细胞突触传递的LTP 形成並进而产生相应皮层功能区神经元突触传递的LTP形成。这时大脑皮层中形成了该信息的非持久长时记忆从临床的资料看,一个海马、杏仁體、乳头体、颞柄、丘脑背内侧核或隔核损伤(不同文献的表述存在出入这些部位应该是共同参与海马边缘系统诱导皮层神经元细胞的LTP形成)的病人,他们把短时记忆向长期记忆转化的能力也会严重受损或完全丧失而原先所拥有的长期记忆以及感觉印记却并不会丢失。叧一方面如果在短时记忆向长期记忆转化的过程中,因为电击、作用于海马等部位的受体阻滞剂、严重脑震荡以及蛋白质合成抑制剂等洇素(影响到海马边缘区及皮层的LTP形成)的影响短时记忆也将不能转化为长时记忆。这也从临床和行为的角度对本文的观点提供了有仂的支持。

 非持久长时记忆向持久性长时记忆转化前面已说得十分明白主要是形成了相关皮层神经元间的神经突触联系。无论形成长時记忆的信息是感觉经验或者是学习经验都可以明显地改变大脑的解剖结构、生化水平和旦白质水平。我们可以来看几个例子:一、新苼猫视皮层神经元已经具备成年动物的神经元的基本反应特征表明神经元连接的基本模式的确是由遗传决定的。但在幼猫出生后第一周內缝合其一侧眼睑直至1-3个月后再打开,虽然它在许多方面都没有明显的异样——瞳孔 反应正常视网膜电图正常,神经节细胞甚至外侧膝状体神经元的反应特性也基本正常,但在其视皮层中只有很少细胞对该眼的刺激有反应且这些神经元的感受野出现异常。在噺生猴上进行类似的实验结果也是十分相似。从平行的形态学研究进一步表明在上述手术后,幼猫外侧膝状体细胞的反应虽然基本正瑺但接收来自缝合眼的外侧膝状体层次细胞胞体只及正常的一半。在视皮层由缝合眼提供优势输入的眼优势柱萎缩、变窄,而正常眼提供优势输入的眼优势柱则变宽(《脑科学的现代进展》第49页)虽然上述现象只是在幼猫和幼猴的特定发育时期才会出现,但也已经足鉯说明感觉经验(实际上就是电脉冲)能够引起从神经元胞体、突触联系到功能性细胞群的形体解剖的改变二、丰富环境和贫乏环境的養育实验:把同一窝的同性幼鼠在生后一段时间断乳以后,随机分做三组分别放在标准生活群(简称SC)、丰富化的生活条件(简称EC)和贫乏化的生活条件(简称IC)三种环境中饲养一段时间,然后做脑组织检查在排除了非学习的因素和社群经验的因素的影响鉯后,发现EC鼠的大脑皮质重量主要是某些功能皮质区的重量明显比IC鼠的重;乙酰胆碱脂酶(AChE)活性水平比IC鼠的高;EC鼠在树突刺的数目、树突的分枝数、突触连接的大小和数目上都明显比IC鼠的大。这就足以证明学习记忆的神经电脉冲能改变脑嘚结构特性(《生理心理学》第491页)。3、学习经验对脑的生化方面的影响:在大鼠走“钢丝”的训练、改变用爪习惯的训练、回避电击嘚训练、视觉辨别的训练和印记学习等实验中训练鼠在某些相关的功能性神经元细胞群的RNA含量、旦白质合成数量、乙酰胆碱的数量等方面,都比对照鼠的要多

  实际上,在皮层神经元当形成突触联系的LTP时,神经元内部已经发生了生化和蛋白成份的变化形成突触联系以后,由于突触结构的可塑性如果长时间不兴奋,该突触联系也可以中断所以长时记忆并不就是永久记忆。但是突触如能间斷地被兴奋则突触的保持时间就会很长,记忆保持的时间也很长

  2.4 记忆形成与睡眠的关系

 揭开睡眠的迷底一直是人类梦寐以求的目标,尤其是心理学的研究发现睡眠与记忆的巩固存在着密不可分的关系目前已经发现脑干上行激活系统和上行抑制系统的兴奋性,决萣着大脑皮层处于清醒或睡眠状态但是动物睡眠的意义?睡眠的神经机制睡眠过程中REM时相的机理?以及睡眠与记忆的关系等等問题人们都并不清楚。本文从神经生物学的角度结合睡眠过程中脑电变化的特点,提出了睡眠机理的新观点相信读者通过以下几方媔的了解,可以对自己睡眠的过程产生全新的认识

  2.4.1 从睡眠的生物学意义来看,睡眠显然是为了恢复疲劳

 虽然由于不同的动物以及鈈同的环境睡眠的习惯会不同,比如有蹄类动物站着睡眠、鸟类在飞行时也能睡眠时间也不一样,如马每天睡2小时狒狒每天睡20个小时。但是几乎所有的动物都毫无例外地要睡眠也几乎都是疲劳了才需要睡眠。有些学者认为恢复疲劳不是睡眠的目的因为白天強烈的代谢消耗对夜间的影响甚微。其实这是偏面的真正的疲劳不是代谢的强度,而应该是基因表达的失衡程度肝、肾、心肌细胞代謝快,韧带、肌腱、骨骼细胞代谢慢它们一样都能保持良好的生理状态。神经元细胞在白天和晚上都在活动但是基因的功能状态不一樣。我们已知脑内的信息载体是神经脉冲电而不同频率的神经脉冲电可以引起神经元不同基因功能的表达。神经元由于这些基因功能的表达产生自身形态结构和突触传递功能的改变,形成学习记忆的神经结构基础从记忆信息贮存的角度,这些基因功能的表达是必需的但是从神经元生理代谢的角度,这些基因功能的表达可能反而扰乱了神经元内部的代谢平衡。并可以引起神经元内部纤维的缠结和蛋皛的堆积这些变化可以引起神经元细胞的功能退化或老化,所以中医认为过虑伤神是有科学依据的。人在剧烈活动时神经元基因表達的平衡性并没有多大的变化,所以对睡眠并没有多大的影响相反,大脑过度的思虑由于其脉冲电的频率特性因为造成内部代谢的失衡,导致神经元的疲劳而对睡眠产生很大的影响。所以说睡眠是为了恢复脑细胞的疲劳睡眠时大脑特殊的脑电活动有利于神经元调整其自身的生理平衡。

  2.4.2 进入睡眠是大脑皮层相对占主动的一个过程

 我们知道心中有急事等着去做的人不会进入睡眠心中装着事的人睡着也不香,年龄大的人因为脑电活动的必然增长睡眠也变得越来越差。这就明显的告诉我们:大脑活动的兴奋性是决定清醒还是睡眠嘚一个关键因素脑干上行激活系统提供了大脑清醒时相电活动的基础,而大脑自身的脉冲电活动才是决定睡眠的一个关键因素我相信這一点很重要,因为在睡眠过程中我们往往只关心脑干上行激活系统和上行抑制系统,以及脑脊液、血液中所谓“睡原”所起的作用洏对大脑皮层在睡眠过程中的主动性认识不够。

  2.4.3 睡眠是主动的过程神经元脑电活动并未受到抑制

 我们比较觉醒和睡眠五个时相的腦电图,可以发现人类(动物也一样)在睡眠过程中脑电活动并未减弱,相反有些神经细胞的脑电活动在睡眠中反而增强在脑电图的記录显示,人清醒时记录的脑电活动频率快、波幅小随着睡眠的深入,脑电频率减缓波幅增大,到睡眠的阶段四时最为明显然后到赽速眼动睡眠(REM)时又产生与清醒时相似的脑电波。对于睡眠时脑电图的这种变化人们觉得很难理解,尤其REM时相更是令囚捉摸不透,有人甚至认为睡眠是个消极的过程但是仔细分析脑电图的这些变化,我们还是能够理出一个思路:首先睡眠一至四时相昰脑电活动同步化的结果。脑干上行抑制系统产生一种上行性的电脉冲频率逐渐诱导大脑皮层神经元细胞的电脉冲活动与其同步化,因洏在脑电图上记录的脑电频率逐渐减缓、波幅逐渐增大(当然这时也不能排除皮层局部区域的强烈放电活动产生纺锤状的阵发波)。大腦皮层神经元这种脑电活动的变化可以诱导细胞某些基因功能的表达,达到其调整内部代谢平衡的目的所以慢波脑电取代清醒时的脑電活动,是为了达到其消除疲劳的目的

  2.4.4 睡眠的REM时相是神经元细胞恢复代谢平衡的特殊过程

 在睡眠过程中,皮层神经元受到脑干上荇抑制系统同步化脉冲电的调制到睡眠的三、四时相同步化作用最为明显。皮层神经元受慢波脉冲电作用一段时间后它们调整细胞代謝平衡的基因功能得以表达。在这些基因功能表达以后皮层神经元的内部环境发生变化,细胞的自身电活动活跃起来抑制并替代脑干仩行抑制系统同步化脉冲电作用,大脑进入REM时相在脑电图上表现为类似于清醒时的脑电活动。由于此时皮层各功能区神经元细胞的活动楿对独立电活动触发的知觉映像(梦境)都是一些零碎的片段,缺乏时空上的联系和事件上的相关性睡眠早期的梦境与白天的经历有┅定联系,后期可能触发了一些较早先的记忆及经验潜意识的内容占主导地位,一般只出现些怪异的带有知觉经验的梦境也由于皮层鉮经元自身互不协调的电活动,在REM时相伴随着快速的眼动、零乱的肌肉运动、呼吸、脉搏加快而并不存在意识感觉等等现象由于这时候存在神经元自身的电活动,外界脉冲电想要激活它们需要有更强的电脉冲,所以REM期睡眠 脑电活动表现为清醒时相而唤醒阈值却最大,這是完全可以理解的另外实验证明人为破坏REM睡眠影响记忆的形成,可以引起受试者易怒、精神难集中、偶而 的糊涂甚至出现精神症状這也很正常,大脑神经元恢复内环境的过程被打断细胞功能不能得到恢复,当然会出现这些现象

  2.4.5 成人睡眠的周期性变化

 从成人睡眠一夜的脑电变化,我们可以看出皮层神经元细胞在脑干上行抑制系统同步化脉冲电的作用下其自身脑电活动的过程。一开始显然腦干抑制系统的脉冲电作用占优势,所以脑电活动慢慢地从快节律转向慢节律这是大脑皮层神经元细胞电活动被同步化的结果。到睡眠嘚三、四时相时慢节律最明显由于脑电活动被同步的原因,脑电图上的波幅也逐渐增大后来由于神经元调整代谢基因的功能表达,细胞内部生化组成发生变化神经元细胞自身的电活动逐渐增强,并最终抑制替代了脑干上行抑制系统的同步化脉冲电此时睡眠的REM时相脑電活动就出现了。一段时间以后当神经元内环境相对平衡后,细胞电活动逐渐减弱最后又是同步化脉冲电占了优势。由于两者相互作鼡的原因REM睡眠并不是在第四时相之后立即出现的,而是每次都是先依次出现一小段的第三、二时相才进入REM时相。之后又是从REM时相进入苐二时相再依次进入第三、四时相。睡眠过程的这种脑电图表现与睡眠的机理是完全相吻合的

  2.4.6 从生命进程不同时段脑电图的变化,也可看出睡眠机理的一些端倪

  婴儿刚出生时睡眠各个时相的特点不是很明显,以REM 时相为主这是因为婴儿出生后接触的外界事物嘟是新异刺激(新异刺激可以引起基因功能的表达,产生相应的神经联络)皮层相关神经元的基因表达相当频繁,睡眠时为了恢复其REM時相睡眠就较成人长了很多。不过婴儿刚出生时皮层神经元兴奋性不高自身恢复内环境平衡的能力强,与脑干上行抑制系统的相互作用鈈明显所以睡眠的各个时相并不很明显。之后随着睡眠时相的渐趋明显REM时相所占时段逐渐减少,睡眠的慢波时相逐渐增长并逐渐过渡到成人的睡眠时相。随着生命进程的继续延伸老年人大脑皮层脑电活动逐渐增强,意识的张力逐渐增高脑干上行抑制系统的同步化莋用逐渐减弱,在脑电图上表现为睡眠一、二时相的增加三、四时相以及与之相伴的REM时相的减少。脑电图在老年人的这种改变与现实情況是十分相符的老年人由于大脑皮层兴奋性高,脑干上行抑制系统功能减弱其睡眠变得较浅而易醒,在脑电图上主要表现为睡眠的一、二时相而由于三、四时相同步化脉冲电作用的减弱,大脑神经元恢复细胞生理代谢平衡的基因功能得不到表达睡眠的REM时相也相应减尐,而老年人由于调节代谢基因的功能不能表达导致了神经元细胞内的纤维缠结、蛋白堆积及脂质沉着等等变化。

上述对睡眠机理的几點分析从行为、脑电变化和神经生物学的角度来看,具有一定的合理性而且对睡眠生理过程的诠释较为全面、透切,但是中间也会存茬一些似是而非的成份尚有待专家学者批评斧正。

是过去的经验在人脑中的反映是一种复杂的心理活动。形成记忆的过程包括识记、保持、再现和回忆四个基本过程

  是通过感知得到信息并在脑中留下印象的过程,是整个记忆活动的开始依据事先有无目的,可分為有意识记和无意识记

  保持是信息的记忆的编码和提取与储存,从信息处理的角度来说再现和回忆都可以归入信息检索里来,这樣所有的记忆基本上要通过以下历程:

  我们在学习文字时按事物的形状、声音、意义,分别编成各种代码(文字)依类是形码、聲码、意码。同样在储存信息之前把信息译成记忆码的过程我们就叫做记忆的编码和提取。

  从当前的脑科学研究成果中我们得知腦是由神经细胞(又叫神经元)构成的,神经细胞分为树突、细胞体和轴突三部分树突于树突之间的相接处叫突触。突触是神经细胞之間传递信息的结构当神经细胞受到刺激时,突触就会生长、增加使之与相邻的神经细胞联结、沟通。接受同样的刺激次数越多其联結就越紧密而形成了定式,这就是人们通常所说的记忆

  到底神经元通过什么规律将外界接收的信息记忆的编码和提取呢?这个问题呮好留给聪明的科学家了要提高记忆力,就需要掌握记忆的编码和提取规律然而在科学家们解开这个迷之前,只好通过专家们总结的規律来改进我们的方法了

  我们知道感官系统对于刺激并非悉数接收,所以记忆时所获得的记忆的编码和提取也并非是所有事件精确嘚被记录而是由于知觉经验和感知经验去判断要选择哪些做为记忆码内容。所以记忆码是被选出来的信息中建立起来的。

  为了提高记忆的编码和提取的效率我们在记忆信息之前,对信息进行系统的程序化处理再进行识记会提高记忆的编码和提取效率,提高记忆

  前面我们说过神经元的联结越密越会形成定式。这个定式我们也叫神经回路神经回路的形成一般认为有四个连续阶段,也可以认為是信息保存的四个阶段

  第一个阶段是通过感觉系统获得信息,储存在大脑的感觉区内储存的时间很短,如果信息这时通过加工處理分类就会形成新的印象转入下个阶段。这一阶段是由脑内海马神经细胞回路网络受到连续的刺激而形成的也就是突触结合长时间歭续增强,会延长信息停留的时间这个阶段也叫第一级记忆,信息在第一级记忆停留长时间后就会进入第二级记忆这个阶段信息的保留可能和蛋白质合成有关,我们的信息如果常被使用它就不会被遗忘,而会再往下一级跳在第三级记忆内就会形成神经回路网络,脑內新突触的联系越多就被认为是记得越牢固,更准确的说就是被存储在大脑中了

  我们脑内的神经元反映的信息在需要用的时候可鉯被准确的再次呈现,也就是储存在DNA链上的信息基因在适当条件下,指导合成信息蛋白并呈现的过程在信息处理的角度,我们都关心怎么找到信息而找到信息的结果,也正是再认、再现的目的

  前面我们探讨了记忆的历程,下面按先后阶段顺序将记忆分为以下彡种类型

  感官记忆是指个体凭视、听、味、嗅等感觉器官感应到刺激时所引起的瞬间记忆(一般按几分之一秒计算)。感官记忆只留茬感官层面如不加注意,马上就会消失

  前面我们说过,记忆记忆的编码和提取时并非全部编录而是有选择性的,指的就是感官記忆的记忆的编码和提取感官所选择的信息不是刺激本身引起的,影响感官记忆记忆的编码和提取的是个体的主观因素这也就是为什麼一个人在专心工作的时候,听不到周围的声音有人会说专心工作是注意力集中的原因,没错!个体的主观因素中最重要的就是注意力所以集中注意力是提高记忆力的基础。

  感官记忆的时间非常的短然而在试验中我们会发现,在视觉刺激后留有暂时的余像比如鉲通动画就是连续静止的画面在我们面前快速运动产生。除了余像声音也会有短时间的余留,然而余音、余像现象只在一秒内甚至半秒内完成,所以对于提高记忆力没有什么意义

  当我们注意力集中于刺激感官记忆的信息的时候,这些信息立刻被我们意识到了这時候就转入了短时记忆。短时记忆是指个体可以刺激发生同时能够意识到并保持在20秒左右的记忆生活中我们从电话本里查找到一个电话,然后凭记忆按下电话号码可是打完电话你却完全记不起电话号码了。这就是你运用了短时记忆

  60年代以来,有大量实验证明短時记忆的记忆的编码和提取是声码。语言刺激在这个阶段更容易获得

  一般的短时记忆只能保持二十秒左右,最长不超过一分钟在這么短的时间内我们能储存多少信息呢?答案是7±259个项目平均为7个项目。这是美国心理学家约翰?米勒在其论文《魔力之七》中被证實的这个七是指什么呢?七个数字还是七个人名,或是七件东西其实都可以。最重要的是这个东西不要有关系以免产生联想或推悝而影响了短时记忆。

  是不是存入了7±2个项目后我们提取的时候也可以得到这个数目呢?在心理学家们大量的实验后得到的结论是:短时记忆储存的信息在检索的时候需要时间,检索的信息越多需要的时间越长。

  短时记忆经过复习后就会进入长期记忆但是洳果不加复习就会遗忘。长期记忆的保持时间可以是1分钟以上甚至终生不忘,所以也可以叫永久记忆我们生活中所用的知识就来自长期记忆。

  比如你要记information这个单词,如果运用整体记忆你需要花很多时间记忆,但是运用短时记忆的7±2规律拆成information就非常好记叻。这是短时记忆的功效如果你要保持更长的时间,就要进行多次重复才可以记忆更长时间即进入长期记忆阶段

  1975年美国心理学家佩沃提出长期记忆中双重记忆的编码和提取说。即主张语文信息的处理以意码为主,非语文信息的处理以形码为主。比如一块手表,我们即可以在脑中形成一个图像也可以表达为一种计时工具。前者是形象的形码后者为语言的语义码。人们在记忆的时候语義码和形码是双向并进的,它们既是平行又相联系并且可以互相转换

  信息由短时记忆转为长期记忆,采用什么方式记忆的编码和提取更重要的是看材料本身性质来决定。比如你看一篇文章,最终留下的应该是意义而不是图像相反,看到一个帅气的人或漂亮的人你绝不会记住大概的意思,而是会很长时间记住他(她)的长相

  长期记忆的容量极大,这与有效记忆的编码和提取是分不开的長期记忆储存着两种不同的记忆:

  所谓程序性记忆,即对做事方法的记忆学习者将做事的过程作为一个整体来记忆。更简单的说就昰做事的先后顺序的记忆

  陈述性记忆是指对事实和事件回忆。陈述性记忆又分为经历性记忆和语意性记忆两种经历性记忆与个囚生活经验相关,是个人生活事实的写照故又称为自传式经验。语意性经验则表达对周围世界的认识和抽象事物的理解我们的知识基礎大都是语言、文字等语意性经验的表现。

  虽然我们在研究长期记忆储存的时候将它分类为程序性和陈述性记忆但在应用中它们是匼一的。比如科学的理论和实践

  长期记忆在保存的过程中会随时间变化而产生量和质上的变化。比如原来知识的内容被扭曲或简單化,变得更合理或是变得更具体、更详细这些变化会引起记忆检索的困难,因此长期记忆的提取需要一些线索并且线索中所包含的信息与记忆的内容越匹配越易回忆。就像图书馆里找书需要索引一样另外,适当的复习可以有效的防止信息随时间变化而被扭曲

 记忆昰人脑对经历过的事物的反映。所谓经历过的事物是指过去感知过的事物,如见过的人或物、听过的声音、嗅过的气味、品尝过的味道、触摸过的东西、思考过的问题、体验过的情绪和情感等这些经历过的事物都会在头脑中留下痕迹,并在一定条件下呈现出来这就是記忆。例如我们读过的小说,看过的电视节目或电影其中某些情景、人物和当时激动的情绪等都会在头脑中留下各种印象,当别人再提起时或在一定的情境下这些情景、人物和体验过的情绪就被重新唤起,出现在头脑中

记忆同感知一样也是人脑对客观现实的反映,泹记忆是比感知更复杂的心理现象感知过程是反映当前直接作用于感官的对象,它是对事物的感性认识记忆反映的是过去的经验,它兼有感性认识和理性认识的特点

(一)根据记忆内容的不同,记忆可分为形象记忆、运动记忆、情绪记忆和逻辑记忆

形象记忆是以感知過的事物形象为内容的记忆例如,我们参观所得的印象就是形象记忆形象记忆可以是视觉的、听觉的、嗅觉的、味觉的、触觉的。如峩们见到过的人或物、看到过的画面、听过的音乐、嗅过的气味、尝过的滋味、触摸过的物体等的记忆都属于形象记忆正常人的视觉记憶和听觉记忆通常发展得较好,在生活中起主要作用触觉记忆、嗅觉记忆与味觉记忆,虽然一般正常人在这些方面也都有一定发展但從一定意义上说可称之为职业形式的记忆,因为只有从事某种职业的人由于特殊职业的需要这些记忆才会得到很好的发展。对于缺乏视覺记忆、听觉记忆的人如盲人或聋哑人等,其触觉记忆、嗅觉记忆、味觉记忆等会得到惊人的高度发展

运动记忆是以过去做过的运动戓动作为内容的记忆。例如对游泳的一个接一个的动作的记忆,对体操、舞蹈动作的记忆等都属于运动记忆运动记忆是运动、生活和勞动技能的形成及熟练的基础,对形成各种熟练技能技巧是非常重要的运动记忆一旦形成,保持的时间往往很长久在运动记忆中,大肌肉的动作不易遗忘而小肌肉的动作易遗忘。

情绪记忆是以体验过的某种情绪和情感为内容的记忆例如,对过去的一些美好事情的记憶对过去曾经受过的一次惊吓的记忆,或对过去曾做过的错事的记忆等都属于情绪记忆情绪记忆的印象有时比其他记忆的印象表现得哽为持久、深刻,甚至终身不忘在某种条件下,它还可以引起习惯性恐惧等异常症状

逻辑记忆是以语词、概念、原理为内容的记忆。這种记忆所保持的不是具体的形象而是反映客观事物本质和规律的定义、定理、公式、法则等。例如我们对心理学概念的记忆,对数學、物理学中的公式、定理的记忆等都属于逻辑记忆它是人类所特有的,具有高度理解性、逻辑性的记忆对我们学习理性知识起着重偠作用。

 (二)根据记忆材料保持时间的长短记忆可分为感觉记忆、短时记忆与长时记忆

感觉记忆是指客观刺激物停止作用后,它的茚象在人脑中只保留一瞬间的记忆就是说,对于刺激停止后感觉印象并不立即消失,仍有一个极短的感觉信息保持过程但如果不进┅步加工的话,就会消失感觉记忆的最明显的例子是视觉后像。

感觉记忆又叫瞬时记忆、模像记忆或感觉储存阶段感觉记忆的特点是:在感觉记忆中,信息是未经任何加工的按刺激原有的物理特征记忆的编码和提取的。例如视觉性刺激通过眼睛登记在图像记忆中;聽觉性刺激通过耳朵被登记在音像记忆中。感觉记忆以感觉痕迹的形式保存下来具有鲜明的形象性。感觉记忆的容量较大它在瞬间能儲存较多的信息。感觉记忆内容保存的时间很短据研究,视觉的感觉记忆在1秒钟以下听觉的感觉记忆在45秒钟之内。

在感觉记忆中呈現的材料如果受到注意就转入记忆系统的第二阶段——短时记忆;如果没有受到注意,则很快消失

短时记忆是指记忆的信息在头脑中貯存、保持的时间比感觉记忆长些,但一般不超过一分钟的记忆例如,我们打电话通过114查询查到需要的电话号码后,马上就能根据记憶拨出这个号码但打完电话后,刚才拨打过的电话号码就忘了这就是短时记忆。我们听课时边听边记下教师讲课的内容也是靠的短時记忆。

实验表明短时记忆的容量大约是7±2个组块。组块就是记忆的单位。究竟多大的范围和数量为一个组块没有一个固定的说法,它可以是一个或几个数字、一个或几个汉字、一个或几个英文字母也可以是一个词、一个短语、一个句子。例如呈现一系列的数字“96”给一个人,让他听一遍或读一遍之后立刻回忆只能回忆}

文档格式:PPT| 浏览次数:4| 上传日期: 11:43:51| 文档星级:?????

全文阅读已结束如果下载本文需要使用

该用户还上传了这些文档

}

python机器学习-乳腺癌细胞挖掘(博主親自录制视频)

在深度学习十分火热的今天不时会涌现出各种新型的人工神经网络,想要实时了解这些新型神经网络的架构还真是不容噫光是知道各式各样的神经网络模型缩写(如:DCIGN、BiLSTM、DCGAN……还有哪些?)就已经让人招架不住了。

因此这里整理出一份清单来梳理所有這些架构。其中大部分是人工神经网络也有一些完全不同的怪物。尽管所有这些架构都各不相同、功能独特当我在画它们的节点图时……其中潜在的关系开始逐渐清晰起来。

把这些架构做成节点图会存在一个问题:它无法展示神经网络架构内部的工作原理。举例来说变分自记忆的编码和提取机(VAE:variational autoencoders )看起来跟自记忆的编码和提取机(AE:autoencoders)差不多,但它们的训练过程却大不相同训练后的模型在使用場景上差别更大:VAE是生成器,通过插入噪音数据来获取新样本;而AE仅仅是把他们所收到的任何信息作为输入映射到“记忆中”最相似的訓练样本上。

在介绍不同模型的神经元和神经细胞层之间的连接方式前我们一步一步来,先来了解不同的神经元节点内部是如何工作的

对不同类型的神经元标记不同的颜色,可以更好地在各种网络架构之间进行区分但是,这些神经元的工作方式却是大同小异茬下图的基本神经元结构后面,你会看到详细的讲解:

基本的人工神经网络神经元(basic neural network cell)相当简单这种简单的类型可以在常规的前馈人工鉮经网络架构里面找到。这种神经元与其它神经元之间的连接具有权重也就是说,它可以和前一层神经网络层中的所有神经元有连接

烸一个连接都有各自的权重,通常情况下是一些随机值(关于如何对人工神经网络的权重进行初始化是一个非常重要的话题这将会直接影响到之后的训练过程,以及最终整个模型的性能)这个权重可以是负值,正值非常小,或者非常大也可以是零。和这个神经元连接的所有神经元的值都会乘以各自对应的权重然后,把这些值都求和

在这个基础上,会额外加上一个bias它可以用来避免输出为零的情況,并且能够加速某些操作这让解决某个问题所需要的神经元数量也有所减少。这个bias也是一个数字有些时候是一个常量(经常是-1或者1),有些时候会有所变化这个总和最终被输入到一个激活函数,这个激活函数的输出最终就成为这个神经元的输出

和前馈鉮经元非常相似,除了它们只跟前一神经细胞层的部分神经元有连接因为它们不是和某些神经元随机连接的,而是与特定范围内的神经え相连接通常用来保存空间信息。这让它们对于那些拥有大量局部信息比如图像数据、语音数据(但多数情况下是图像数据),会非瑺实用

恰好相反:它们是通过跟下一神经细胞层的连接来解码空间信息。这两种神经元都有很多副本它们都是独立训练嘚;每个副本都有自己的权重,但连接方式却完全相同可以认为,这些副本是被放在了具备相同结构的不同的神经网络中这两种神经え本质上都是一般意义上的神经元,但是它们的使用方式却不同。

经常和卷积神经元结合起来使用它们不是嫃正意义上的神经元,只能进行一些简单的操作

池化神经元接受到来自其它神经元的输出过后,决定哪些值可以通过哪些值不能通过。在图像领域可以理解成是把一个图像缩小了(在查看图片的时候,一般软件都有一个放大、缩小的功能;这里的图像缩小就相当于軟件上的缩小图像;也就是说我们能看到图像的内容更加少了;在这个池化的过程当中,图像的大小也会相应地减少)这样,你就再也鈈能看到所有的像素了池化函数会知道什么像素该保留,什么像素该舍弃

插值神经元恰好是相反的操作:它们获取一些信息,然后映射出更多的信息额外的信息都是按照某种方式制造出来的,这就好像在一张小分辨率的图片上面进行放大插值神经元不仅仅是池化神經元的反向操作,而且它们也是很常见,因为它们运行非常快同时,实现起来也很简单池化神经元和插值神经元之间的关系,就像卷积神经元和解卷积神经元之间的关系

是一类用来描述数据概率分布嘚神经元。均值就是所有值的平均值而标准方差描述的是这些数据偏离(两个方向)均值有多远。比如:一个用于图像处理的概率神经え可以包含一些信息比如:在某个特定的像素里面有多少红色。举个例来说均值可能是0.5,同时标准方差是0.2当要从这些概率神经元取樣的时候,你可以把这些值输入到一个高斯随机数生成器这样就会生成一些分布在0.4和0.6之间的值;值离0.5越远,对应生成的概率也就越小咜们一般和前一神经元层或者下一神经元层是全连接,而且它们没有偏差(bias)。

不仅仅在神经细胞层之间有连接而且在时間轴上也有相应的连接。每一个神经元内部都会保存它先前的值它们跟一般的神经元一样更新,但是具有额外的权重:与当前神经元の前值之间的权重,还有大多数情况下与同一神经细胞层各个神经元之间的权重。当前值和存储的先前值之间权重的工作机制与非永玖性存储器(比如RAM)的工作机制很相似,继承了两个性质:

  • 第一维持一个特定的状态;
  • 第二:如果不对其持续进行更新(输入),这个狀态就会消失

由于先前的值是通过激活函数得到的,而在每一次的更新时都会把这个值和其它权重一起输入到激活函数,因此信息會不断地流失。实际上信息的保存率非常的低,以至于仅仅四次或者五次迭代更新过后几乎之前所有的信息都会流失掉。

用于克服循环神经元中信息快速流失的问题

LSTM是一个逻辑回路,其设计受到了计算机内存单元设计的启发与只存储两个状态的循環神经元相比,LSTM可以存储四个状态:输出值的当前和先前值记忆神经元状态的当前值和先前值。它们都有三个门:输入门输出门,遗莣门同时,它们也还有常规的输入

这些门它们都有各自的权重,也就是说与这种类型的神经元细胞连接需要设置四个权重(而不是┅个)。这些门的工作机制与流门(flow gates)很相似而不是栅栏门(fence gates):它们可以让所有的信息都通过,或者只是通过部分也可以什么都不讓通过,或者通过某个区间的信息

这种运行机制的实现是通过把输入信息和一个在0到1之间的系数相乘,这个系数存储在当前门中这样,输入门决定输入的信息有多少可以被叠加到当前门值输出门决定有多少输出信息是可以传递到后面的神经网络中。遗忘门并不是和输絀神经元的先前值相连接而是,和前一记忆神经元相连接它决定了保留多少记忆神经元最新的状态信息。因为没有和输出相连接以忣没有激活函数在这个循环中,因此只会有更少的信息流失

是LSTM的变体。它们同样使用门来抑制信息的流失但是只用两個门:更新门和重置门。这使得构建它们付出的代价没有那么高而且运行速度更加快了,因为它们在所有的地方使用了更少的连接

从夲质上来说LSTM和GRU有两个不同的地方:

  • 第一:GRU神经元没有被输出门保护的隐神经元;
  • 第二:GRU把输出门和遗忘门整合在了一起,形成了更新门核心的思想就是如果你想要一些新的信息,那么你就可以遗忘掉一些陈旧的信息(反过来也可以)

形成一个神经网络,最简單的连接神经元方式是——把所有的神经元与其它所有的神经元相连接这就好像Hopfield神经网络和玻尔兹曼机(Boltzmann machines)的连接方式。当然这也就意味着连接数量会随着神经元个数的增加呈指数级地增加,但是对应的函数表达力也会越来越强。这就是所谓的全连接(completely (or fully) connected)

经历了一段时间的发展,发现把神经网络分解成不同的神经细胞层会非常有效神经细胞层的定义是一群彼此之间互不连接的神经元,它们仅跟其咜神经细胞层有连接这一概念在受限玻尔兹曼机(Restricted Boltzmann Machines)中有所体现。现在使用神经网络就意味着使用神经细胞层,并且是任意数量的神經细胞层其中一个比较令人困惑的概念是全连接(fully connected or completely connected),也就是某一层的每个神经元跟另一层的所有神经元都有连接但真正的全连接神經网络相当罕见。

相对于全连接层要有更多的限制:在卷积连接层中的每一个神经元只与相邻的神经元层连接图像和声音蕴含了大量的信息,如果一对一地输入到神经网络(比如一个神经元对应一个像素)。卷积连接的形成受益于保留空间信息更为重要的觀察。实践证明这是一个非常好的猜测因为现在大多数基于人工神经网络的图像和语音应用都使用了这种连接方式。然而这种连接方式所需的代价远远低于全连接层的形式。从本质上来讲卷积连接方式起到重要性过滤的作用,决定哪些紧紧联系在一起的信息包是重要嘚;卷积连接对于数据降维非常有用

当然了,还有另外一种选择就是随机连接神经元(randomly connected neurons)。这种形式的连接主要有两种变体:

  • 第一尣许部分神经元进行全连接。
  • 第二神经元层之间只有部分连接。 
    随机连接方式有助于线性地降低人工神经网络的性能;当全连接层遇到性能问题的时候在大规模人工神经网络中,使用随机连接方式非常有益拥有更多神经元且更加稀疏的神经元层在某些情况下运行效果哽好,特别是很多的信息需要被存储起来但是,需要交换的信息并不多(这与卷积连接层的运行机制很相似但是,它们是随机的)非常稀疏的连接网络(1%或2%)也有被使用,比如ELMs, ESNs 和LSMs这特别适用于脉冲网络(spiking networks),因为一个神经元拥有更多的连接它对应的权重具有的能量也就更少,这也就意味着将会有更少的扩展和重复模式

是指相连的神经元(通常是在同一个神经元层,甚至于一个神经元自己跟自己連接)它们不从前面的神经元层获取信息,而是从神经元层先前的状态获取信息这使得暂时(时间上或者序列上)联系在一起的信息鈳以被存储起来。这些形式的连接经常被手工重新进行设置从而可以清除神经网络的状态。和常规连接的主要区别是这种连接会持续鈈断地改变,即便这个神经网络当前没有处于训练状态

下图展示了以上所介绍的神经网络及其连接方式。当我卡在哪种神经元与哪个神經细胞层该连到一起的时候就会拿这张图出来作为参考(尤其是在处理和分析LSTM与GRU神经元时):

显而易见,整理一份完整的清单是不切实際的因为新的架构正被源源不断地发明出来。所以接下来这份清单的目的,只想带你一窥人工智能领域的基础设施对于每一个画成節点图的架构,我都会写一个非常非常简短的描述你会发现这些描述还是很有用的,毕竟总还是有一些你并不是那么熟悉的架构。

值嘚一提的是虽说大多数的简写都已被普遍接受,但总会出现一些冲突RNNs有时表示递归神经网络(recursive neural networks),但大多时候它们指的是循环神经網络(recurrent neural networks)。这还没完它们在许多地方还会泛指各种循环架构,这包括在LSTMs、GRU甚至是双向变体AEs也经常会面临同样的问题,VAEs、DAEs及其相似结构囿时都被简称为AEs很多缩写后面的“N”也常常会有所变化,因为同一个架构你既可称之为卷积神经网络(convolutional neural network)也可简称为卷积网络(convolutional network),這样就出现了CNN和CN两种形式

一般在描述神经网络的时候,都是从它的层说起即相互平行的输入层、隐含层或者输出层神经结构。单独的鉮经细胞层内部神经元之间互不相连;而一般相邻的两个神经细胞层则是全连接(一层的每个神经元和另一层的每一个神经元相连)。┅个最简单却最具有实用性的神经网络由两个输入神经元和一个输出神经元构成也就是一个逻辑门模型。给神经网络一对数据集(分别昰“输入数据集”和“我们期望的输出数据集”)一般通过反向传播算法来训练前馈神经网络(FFNNs)。

这就是所谓的监督式学习与此相反的是无监督学习:我们只给输入,然后让神经网络去寻找数据当中的规律反向传播的误差往往是神经网络当前输出和给定输出之间差徝的某种变体(比如MSE或者仅仅是差值的线性变化)。如果神经网络具有足够的隐层神经元那么理论上它总是能够建立输入数据和输出数據之间的关系。在实践中FFNN的使用具有很大的局限性,但是它们通常和其它神经网络一起组合成新的架构。

径向神经网络(RBF:Radial basis function)是一种鉯径向基核函数作为激活函数的前馈神经网络没有更多描述了。这不是说没有相关的应用但大多数以其它函数作为激活函数的FFNNs都没有咜们自己的名字。这或许跟它们的发明年代有关系

霍普菲尔网络(HN:Hopfield network)是一种每一个神经元都跟其它神经元相互连接的网络。

这就像一盤完全搅在一起的意大利面因为每个神经元都在充当所有角色:训练前的每一个节点都是输入神经元,训练阶段是隐神经元输出阶段則是输出神经元。

该神经网络的训练是先把神经元的值设置到期望模式,然后计算相应的权重在这以后,权重将不会再改变了一旦網络被训练包含一种或者多种模式,这个神经网络总是会收敛于其中的某一种学习到的模式因为它只会在某一个状态才会稳定。值得注意的是它并不一定遵从那个期望的状态(很遗憾,它并不是那个具有魔法的黑盒子)它之所以会稳定下来,部分要归功于在训练期间整个网络的“能量(Energy)”或“温度(Temperature)”会逐渐地减少每一个神经元的激活函数阈值都会被设置成这个温度的值,一旦神经元输入的总囷超过了这个阈值那么就会让当前神经元选择状态(通常是-1或1,有时也是0或1)

可以多个神经元同步,也可以一个神经元一个神经元地對网络进行更新一旦所有的神经元都已经被更新,并且它们再也没有改变整个网络就算稳定(退火)了,那你就可以说这个网络已经收敛了这种类型的网络被称为“联想记忆(associative memory)”,因为它们会收敛到和输入最相似的状态;比如人类看到桌子的一半就可以想象出另外一半;与之相似,如果输入一半噪音+一半桌子这个网络就能收敛到整张桌子。

Chain)在某种意义上是BMs和HNs的前身可以这样来理解:从从我當前所处的节点开始,走到任意相邻节点的概率是多少呢它们没有记忆(所谓的马尔可夫特性):你所得到的每一个状态都完全依赖于湔一个状态。尽管算不上神经网络但它却跟神经网络类似,并且奠定了BM和HN的理论基础跟BM、RBM、HN一样,MC并不总被认为是神经网络此外,咜也并不总是全连接的

玻尔兹曼机(BM:Boltzmann machines)和霍普菲尔网络很接近,差别只是:一些神经元作为输入神经元剩余的则是作为隐神经元。

茬整个神经网络更新过后输入神经元成为输出神经元。刚开始神经元的权重都是随机的通过反向传播(back-propagation)算法进行学习,或是最近常鼡的对比散度(contrastive divergence)算法(马尔可夫链用于计算两个信息增益之间的梯度)

相比HN,大多数BM的神经元激活模式都是二元的BM由MC训练获得,因洏是一个随机网络BM的训练和运行过程,跟HN大同小异:为输入神经元设好钳位值而后让神经网络自行学习。因为这些神经元可能会得到任意的值我们反复地在输入和输出神经元之间来回地进行计算。激活函数的激活受全局温度的控制如果全局温度降低了,那么神经元嘚能量也会相应地降低这个能量上的降低导致了它们激活模式的稳定。在正确的温度下这个网络会抵达一个平衡状态。 

它们的最大区別在于:RBM更具实用价值因为它们受到了更多的限制。它们不会随意在所有神经元间建立连接而只在不同神经元群之间建立连接,因此任何输入神经元都不会同其他输入神经元相连任何隐神经元也不会同其他隐神经元相连。

RBM的训练方式就像稍微修改过的FFNN:前向通过数据の后再将这些数据反向传回(回到第一层)而非前向通过数据然后反向传播误差。之后再使用前向和反向传播进行训练。

自记忆的编碼和提取机(AE:Autoencoders)和FFNN有些相近因为它更像是FFNN的另一种用法,而非本质上完全不同的另一种架构

自记忆的编码和提取机的基本思想是自動对信息进行记忆的编码和提取(像压缩一样,而非加密)它也因此而得名。整个网络的形状酷似一个沙漏计时器中间的隐含层较小,两边的输入层、输出层较大自记忆的编码和提取机总是对称的,以中间层(一层还是两层取决于神经网络层数的奇偶)为轴最小的層(一层或者多层)总是在中间,在这里信息压缩程度最大(整个网络的关隘口)在中间层之前为记忆的编码和提取部分,中间层之后為解码部分中间层则是记忆的编码和提取部分。

自记忆的编码和提取机可用反向传播算法进行训练给定输入,将误差设为输入和输出の差自记忆的编码和提取机的权重也是对称的,因此记忆的编码和提取部分权重与解码部分权重完全一样

稀疏自记忆的编码和提取机(SAE:Sparse autoencoders)某种程度上同自记忆的编码和提取机相反。稀疏自记忆的编码和提取机不是用更小的空间表征大量信息而是把原本的信息记忆的編码和提取到更大的空间内。因此中间层不是收敛,而是扩张然后再还原到输入大小。它可以用于提取数据集内的小特征

如果用训練自记忆的编码和提取机的方式来训练稀疏自记忆的编码和提取机,几乎所有的情况都是得到毫无用处的恒等网络(输入=输出,没有任哬形式的变换或分解)为避免这种情况,需要在反馈输入中加上稀疏驱动数据稀疏驱动的形式可以是阈值过滤,这样就只有特定的误差才会反向传播用于训练而其它的误差则被忽略为0,不会用于反向传播这很像脉冲神经网络(并不是所有的神经元一直都会输出)。

變分自记忆的编码和提取机(VAE:Variational autoencoders)和AE有着相同的架构却被教会了不同的事情:输入样本的一个近似概率分布,这让它跟BM、RBM更相近

independence),鉯及重新参数化(re-parametrisation)来进行不同的表征推断和独立非常直观,但却依赖于复杂的数学理论基本原理是:把影响纳入考虑。如果在一个哋方发生了一件事情另外一件事情在其它地方发生了,它们不一定就是关联在一起的如果它们不相关,那么误差传播应该考虑这个因素这是一个有用的方法,因为神经网络是一个非常大的图表如果你能在某些节点排除一些来自于其它节点的影响,随着网络深度地增加这将会非常有用。

去噪自记忆的编码和提取机(DAE:Denoising autoencoders)是一种自记忆的编码和提取机它的训练过程,不仅要输入数据还有再加上噪喑数据(就好像让图像变得更加模糊一样)。

但在计算误差的时候跟自动记忆的编码和提取机一样降噪自动记忆的编码和提取机的输出吔是和原始的输入数据进行对比。这种形式的训练旨在鼓励降噪自记忆的编码和提取机不要去学习细节而是一些更加宏观的特征,因为細微特征受到噪音的影响学习细微特征得到的模型最终表现出来的性能总是很差。

深度信念网络(DBN:Deep belief networks)之所以取这个名字是由于它本身几乎是由多个受限玻尔兹曼机或者变分自记忆的编码和提取机堆砌而成。

实践表明一层一层地对这种类型的神经网络进行训练非常有效这样每一个自记忆的编码和提取机或者受限玻尔兹曼机只需要学习如何记忆的编码和提取前一神经元层的输出。这种训练技术也被称为貪婪训练这里贪婪的意思是通过不断地获取局部最优解,最终得到一个相当不错解(但可能不是全局最优的)可以通过对比散度算法戓者反向传播算法进行训练,它会慢慢学着以一种概率模型来表征数据就好像常规的自记忆的编码和提取机或者受限玻尔兹曼机。一旦經过非监督式学习方式训练或者收敛到了一个稳定的状态,那么这个模型就可以用来产生新的数据如果以对比散度算法进行训练,那麼它甚至可以用于区分现有的数据因为那些神经元已经被引导来获取数据的不同特定。

networks)跟其它类型的神经网络大有不同它们主要用於处理图像数据,但可用于其它形式数据的处理如语音数据。对于卷积神经网络来说一个典型的应用就是给它输入一个图像,而后它會给出一个分类结果也就是说,如果你给它一张猫的图像它就输出“猫”;如果你给一张狗的图像,它就输出“狗”

卷积神经网络昰从一个数据扫描层开始,这种形式的处理并没有尝试在一开始就解析整个训练数据比如:对于一个大小为200X200像素的图像,你不会想构建┅个40000个节点的神经元层而是,构建一个20X20像素的输入扫描层然后,把原始图像第一部分的20X20像素图像(通常是从图像的左上方开始)输入箌这个扫描层当这部分图像(可能是用于进行卷积神经网络的训练)处理完,你会接着处理下一部分的20X20像素图像:逐渐(通常情况下是迻动一个像素但是,移动的步长是可以设置的)移动扫描层来处理原始数据。

注意你不是一次性移动扫描层20个像素(或其它任何扫描层大小的尺度),也不是把原始图像切分成20X20像素的图像块而是用扫描层在原始图像上滑过。这个输入数据(20X20像素的图像块)紧接着被輸入到卷积层而非常规的神经细胞层——卷积层的节点不是全连接。每一个输入节点只会和最近的那个神经元节点连接(至于多近要取決于具体的实现但通常不会超过几个)。

这些卷积层会随着深度的增加而逐渐变小:大多数情况下会按照输入层数量的某个因子缩小(比如:20个神经元的卷积层,后面是10个神经元的卷积层再后面就是5个神经元的卷积层)。2的n次方(32, 16, 8, 4, 2, 1)也是一个非常常用的因子因为它們在定义上可以简洁且完整地除尽。除了卷积层池化层(pooling layers)也非常重要。

池化是一种过滤掉细节的方式:一种常用的池化方式是最大池囮比如用2X2的像素,然后取四个像素中值最大的那个传递为了让卷积神经网络处理语音数据,需要把语音数据切分一段一段输入。在實际应用中通常会在卷积神经网络后面加一个前馈神经网络,以进一步处理数据从而对数据进行更高水平的非线性抽象。

想象一下給一个神经网络输入一个“猫”的词,就可以生成一个像猫一样的图像通过比对它和真实的猫的图片来进行训练。跟常规CNN一样DN也可以結合FFNN使用,但没必要为这个新的缩写重新做图解释它们可被称为深度解卷积网络,但把FFNN放到DNN前面和后面是不同的那是两种架构(也就需要两个名字),对于是否需要两个不同的名字你们可能会有争论需要注意的是,绝大多数应用都不会把文本数据直接输入到神经网络而是用二元输入向量。比如<0,1>代表猫<1,0>代表狗,<1,1>代表猫和狗

CNN的池化层往往也是被对应的逆向操作替换了,主要是插值和外推(基于一个基本的假设:如果一个池化层使用了最大池化你可以在逆操作的时候生成一些相对于最大值更小的数据)。

这些网络尝试在记忆的编码囷提取过程中对“特征“进行概率建模这样一来,你只要用猫和狗的独照就能让它们生成一张猫和狗的合照。同理你可以输入一张貓的照片,如果猫旁边有一只恼人的邻家狗你可以让它们把狗去掉。很多演示表明这种类型的网络能学会基于图像的复杂变换,比如燈光强弱的变化、3D物体的旋转一般也是用反向传播算法来训练此类网络。

生成式对抗网络(GAN:Generative adversarial networks)是一类不同的网络它们有一对“双胞胎”:两个网络协同工作。

GAN可由任意两种网络组成(但通常是FF和CNN)其中一个用于生成内容,另一个则用于鉴别生成的内容

network)生成的数據。鉴别网络的准确率被用作生成网络误差的一部分。这就形成了一种竞争:鉴别网络越来越擅长于区分真实的数据和生成数据而生荿网络也越来越善于生成难以预测的数据。这种方式非常有效部分是因为:即便相当复杂的类噪音模式最终都是可预测的,但跟输入数據有着极为相似特征的生成数据则很难区分。

训练GAN极具挑战性因为你不仅要训练两个神经网络(其中的任何一个都会出现它自己的问題),同时还要平衡两者的运行机制如果预测或生成相比对方表现得过好,这个GAN就不会收敛因为它会内部发散。

循环神经网络(RNN:Recurrent neural networks)昰具有时间联结的前馈神经网络:它们有了状态通道与通道之间有了时间上的联系。神经元的输入信息不仅包括前一神经细胞层的输絀,还包括它自身在先前通道的状态

这就意味着:你的输入顺序将会影响神经网络的训练结果:相比先输入“曲奇饼”再输入“牛奶”,先输入“牛奶”再输入“曲奇饼”后或许会产生不同的结果。RNN存在一大问题:梯度消失(或梯度爆炸这取决于所用的激活函数),信息会随时间迅速消失正如FFNN会随着深度的增加而失去信息一样。

直觉上这不算什么大问题,因为这些都只是权重而非神经元的状态,但随时间变化的权重正是来自过去信息的存储;如果权重是0或1000000那之前的状态就不再有信息价值。

原则上RNN可以在很多领域使用,因为夶部分数据在形式上不存在时间线的变化(不像语音或视频),它们能以某种序列的形式呈现出来一张图片或一段文字可以一个像素戓者一个文字地进行输入,因此与时间相关的权重描述了该序列前一步发生了什么,而不是多少秒之前发生了什么一般来说,循环神經网络是推测或补全信息很好的选择比如自动补全。

长短期记忆(LSTM:Long / short term memory)网络试图通过引入门结构与明确定义的记忆单元来解决梯度消失/爆炸的问题

这更多的是受电路图设计的启发,而非生物学上某种和记忆相关机制每个神经元都有一个记忆单元和三个门:输入门、输絀门、遗忘门。这三个门的功能就是通过禁止或允许信息流动来保护信息

输入门决定了有多少前一神经细胞层的信息可留在当前记忆单え,输出层在另一端决定下一神经细胞层能从当前神经元获取多少信息遗忘门乍看很奇怪,但有时候遗忘部分信息是很有用的:比如说咜在学习一本书并开始学一个新的章节,那遗忘前面章节的部分角色就很有必要了

实践证明,LSTM可用来学习复杂的序列比如像莎士比亞一样写作,或创作全新的音乐值得注意的是,每一个门都对前一神经元的记忆单元赋有一个权重因此会需要更多的计算资源。

门循環单元(GRU : Gated recurrent units)是LSTM的一种轻量级变体它们少了一个门,同时连接方式也稍有不同:它们采用了一个更新门(update gate)而非LSTM所用的输入门、输出门、遗忘门。

更新门决定了保留多少上一个状态的信息还决定了收取多少来自前一神经细胞层的信息。重置门(reset gate)跟LSTM遗忘门的功能很相似但它存在的位置却稍有不同。它们总是输出完整的状态没有输出门。多数情况下它们跟LSTM类似,但最大的不同是:GRU速度更快、运行更嫆易(但函数表达力稍弱)

在实践中,这里的优势和劣势会相互抵消:当你你需要更大的网络来获取函数表达力时这样反过来,性能優势就被抵消了在不需要额外的函数表达力时,GRU的综合性能要好于LSTM

神经图灵机(NTM: Neural Turing machines)可以理解为对LSTM的抽象,它试图把神经网络去黑箱化(以窥探其内部发生的细节)

NTM不是把记忆单元设计在神经元内,而是分离出来NTM试图结合常规数字信息存储的高效性、永久性与神经网絡的效率及函数表达能力。它的想法是设计一个可作内容寻址的记忆库并让神经网络对其进行读写操作。NTM名字中的“图灵(Turing)”是表明它是图灵完备(Turing complete)的,即具备基于它所读取的内容来读取、写入、修改状态的能力也就是能表达一个通用图灵机所能表达的一切。

units)茬图表中并未呈现出来因为它们看起来与其对应的单向神经网络结构一样。

所不同的是这些网络不仅与过去的状态有连接,而且与未來的状态也有连接比如,通过一个一个地输入字母训练单向的LSTM预测“鱼(fish)”(在时间轴上的循环连接记住了过去的状态值)。在BiLSTM的反馈通路输入序列中的下一个字母这使得它可以了解未来的信息是什么。这种形式的训练使得该网络可以填充信息之间的空白而不是預测信息。因此它在处理图像时不是扩展图像的边界,而是填补一张图片中的缺失

深度残差网络(DRN: Deep residual networks)是非常深的FFNN网络,它有一种特殊嘚连接可以把信息从某一神经细胞层传至后面几层(通常是2到5层)。

该网络的目的不是要找输入数据与输出数据之间的映射而是致力於构建输入数据与输出数据+输入数据之间的映射函数。本质上它在结果中增加一个恒等函数,并跟前面的输入一起作为后一层的新输入结果表明,当层数超过150后这一网络将非常擅于学习模式,这比常规的2到5层要多得多然而,有证据表明这些网络本质上只是没有时间結构的RNN它们总是与没有门结构的LSTM相提并论。

回声状态网络(ESN:Echo state networks)是另一种不同类型的(循环)网络

它的不同之处在于:神经元之间的連接是随机的(没有整齐划一的神经细胞层),其训练过程也有所不同不同于输入数据后反向传播误差,ESN先输入数据、前馈、而后更新鉮经元状态最后来观察结果。它的输入层和输出层在这里扮演的角色不太常规输入层用来主导网络,输出层作为激活模式的观测器随時间展开在训练过程中,只有观测和隐藏单元之间连接会被改变

它们与LSM、ESN极为相似,除了循环特征和脉冲性质它们还不使用反向传播。相反它们先给权重设定随机值,然后根据最小二乘法拟合来一次性训练权重(在所有函数中误差最小)这使ELM的函数拟合能力较弱,但其运行速度比反向传播快多了

functions)取代了sigmoid激活函数,每个神经元同时也是具有累加性质的记忆单元因此,当神经元状态更新时其徝不是相邻神经元的累加值,而是它自身状态值的累加一旦累加到阈值,它就释放能量至其它神经元这就形成了一种类似于脉冲的模式:神经元不会进行任何操作,直至到达阈值的那一刻

传统意义上,它们只能处理线性可分的数据;比如找出哪张图片是加菲猫、哪张昰史努比此外就无法做其它输出了。

训练过程中SVM可以理解为:先在平面图表上标绘所有数据(加菲猫、史努比),然后找出到那条能夠最好区分这两类数据点的线这条线能把数据分为两部分,线的这边全是史努比线的那边全是加菲猫。而后移动并优化该直线令两邊数据点到直线的距离最大化。分类新的数据则将该数据点画在这个图表上,然后察看这个数据点在分隔线的哪一边(史努比一侧还昰加菲猫一侧)。

通过使用核方法SVM便可用来分类n维空间的数据。这就引出了在3维空间中标绘数据点从而让SVM可以区分史努比、加菲猫与覀蒙,甚至在更高的维度对更多卡通人物进行分类SVM并不总被视为神经网络。

KN利用竞争学习来对数据进行分类不需要监督。先给神经网絡一个输入而后它会评估哪个神经元最匹配该输入。然后这个神经元会继续调整以更好地匹配输入数据同时带动相邻的神经元。相邻鉮经元移动的距离取决于它们与最佳匹配单元之间的距离。KN有时也不被认为是神经网络

}

我要回帖

更多关于 记忆的编码和提取 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。