close

Вход

Забыли?

вход по аккаунту

?

Биологический нейрон формальная модель Нейрона У

код для вставкиСкачать
Выполнили:
Выполняли:
Студенты группы 3 П
Красков
Андрей
Кирсанов Михаил
ОБЛАСТНОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ СРЕДНЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ БОРОВИЧСКИЙ ПЕДАГОГИЧЕСКИЙ КОЛЛЕДЖ
Нейрон (от др.
-
греч. νε₩ον
—
волокно, нерв) —
это структурно
-
функциональная единица нервной системы. Эта клетка имеет сложное строение, высокоспециализирована
и по структуре содержит ядро, тело клетки и отростки. В организме человека насчитывается более ста миллиардов нейронов
Тело нервной клетки состоит из протоплазмы снаружи ограничена мембраной из двойного слоя липидов. Липиды состоят из гидрофильных головок и гидрофобных хвостов, расположены гидрофобными хвостами друг к другу, образуя гидрофобный слой, который пропускает только жирорастворимые вещества. На мембране находятся белки: на поверхности (в форме глобул), на которых можно наблюдать наросты полисахаридов (
гликокаликс
), благодаря которым клетка воспринимает внешнее раздражение, и интегральные белки, пронизывающие мембрану насквозь, в которых находятся ионные каналы.
Нейрон состоит из тела диаметром от 3 до 130 мкм, содержащего ядро (с большим количеством ядерных пор) и органеллы (в том числе сильно развитый шероховатый ЭПР с активными рибосомами, аппарат Гольджи
), а также из отростков. Выделяют два вида отростков: дендриты и аксон. Нейрон имеет развитый и сложный цитоскелет
, проникающий в его отростки. Цитоскелет
поддерживает форму клетки, его нити служат «рельсами» для транспорта органелл и упакованных в мембранные пузырьки веществ (например, нейромедиаторов
). Цитоскелет
нейрона состоит из фибрилл разного диаметра: Микротрубочки (Д = 20
-
30 нм
) —
состоят из белка тубулина
и тянутся от нейрона по аксону, вплоть до нервных окончаний. Нейрофиламенты
(Д = 10 нм
) —
вместе с микротрубочками обеспечивают внутриклеточный транспорт веществ. Микрофиламенты
(Д = 5 нм
) —
состоят из белков актина и миозина, особенно выражены в растущих нервных отростках и в нейроглии. В теле нейрона выявляется развитый синтетический аппарат, гранулярная ЭПС нейрона окрашивается базофильно и известна под названием «
тигроид
». Тигроид
проникает в начальные отделы дендритов, но располагается на заметном расстоянии от начала аксона, что служит гистологическим признаком аксона. Нейроны различаются по форме, числу отростков и функциям. В зависимости от функции выделяют чувствительные, эффекторные
(двигательные, секреторные) и вставочные. Чувствительные нейроны воспринимают раздражения, преобразуют их в нервные импульсы и передают в мозг. Эффекторные
(от лат. эффектус
—
действие) —
вырабатывают и посылают команды к рабочим органам. Вставочные —
осуществляют связь между чувствительными и двигательными нейронами, участвуют в обработке информации и выработке команд.
Аксон —
обычно длинный отросток, приспособленный для проведения возбуждения и информации от тела нейрона или от нейрона к исполнительному органу. Дендриты —
как правило, короткие и сильно разветвлнные отростки, служащие главным местом образования влияющих на нейрон возбуждающих и тормозных синапсов (разные нейроны имеют различное соотношение длины аксона и дендритов), и которые передают возбуждение к телу нейрона. Нейрон может иметь несколько дендритов и обычно только один аксон. Один нейрон может иметь связи со многими (до 20
-
и тысяч) другими нейронами.
Дендриты делятся дихотомически, аксоны же дают коллатерали. В узлах ветвления обычно сосредоточены митохондрии.
Дендриты не имеют миелиновой оболочки, аксоны же могут е иметь. Местом генерации возбуждения у большинства нейронов является аксонный
холмик —
образование в месте отхождения аксона от тела. У всех нейронов эта зона называется триггерной.
.
Дендриты делятся дихотомически, аксоны же дают коллатерали. В узлах ветвления обычно сосредоточены митохондрии.
Дендриты не имеют миелиновой оболочки, аксоны же могут е иметь. Местом генерации возбуждения у большинства нейронов является аксонный
холмик —
образование в месте отхождения аксона от тела. У всех нейронов эта зона называется триггерной.
Аксон —
обычно длинный отросток, приспособленный для проведения возбуждения и информации от тела нейрона или от нейрона к исполнительному органу. Дендриты —
как правило, короткие и сильно разветвлнные отростки, служащие главным местом образования влияющих на нейрон возбуждающих и тормозных синапсов (разные нейроны имеют различное соотношение длины аксона и дендритов), и которые передают возбуждение к телу нейрона. Нейрон может иметь несколько дендритов и обычно только один аксон. Один нейрон может иметь связи со многими (до 20
-
и тысяч) другими нейронами.
Си
́
напс
(греч. ıύν
αι, от ıνάπIJειν —
обнимать, обхватывать, пожимать руку) —
место контакта между двумя нейронами или между нейроном и получающей сигнал эффекторной клеткой. Служит для передачи нервного импульса между двумя клетками, причм в ходе синаптической
передачи амплитуда и частота сигнала могут регулироваться. Одни синапсы вызывают деполяризацию нейрона, другие —
гиперполяризацию
; первые являются возбуждающими, вторые —
тормозными. Обычно для возбуждения нейрона необходимо раздражение от нескольких возбуждающих синапсов.
Иску
́
сственный
нейро
́
н
(Математический нейрон Маккалока —
Питтса, Формальный нейрон) —
узел искусственной нейронной сети, являющийся упрощнной моделью естественного нейрона. Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента —
линейной комбинации всех входных сигналов. Данную функцию называют функцией активации или функцией срабатывания, передаточной функцией. Полученный результат посылается на единственный выход. Такие искусственные нейроны объединяют в сети —
соединяют выходы одних нейронов с входами других. Искусственные нейроны и сети являются основными элементами идеального нейрокомпьютера
Математическая модель искусственного нейрона была предложена У. Маккалоком
и У. Питтсом
вместе с моделью сети, состоящей из этих нейронов. Авторы показали, что сеть на таких элементах может выполнять числовые и логические операции. Практически сеть была реализована Фрэнком Розенблаттом
в 1958 году как компьютерная программа, а впоследствии как электронное устройство —
перцептрон
. Первоначально нейрон мог оперировать только с сигналами логического нуля и логической единицы, поскольку был построен на основе биологического прототипа, который может пребывать только в двух состояниях —
возбужденном или невозбужденном. Развитие нейронных сетей показало, что для расширения области их применения необходимо, чтобы нейрон мог работать не только с бинарными, но и с непрерывными (аналоговыми) сигналами. Такое обобщение модели нейрона было сделано Уидроу
и Хоффом
, которые предложили в качестве функции срабатывания нейрона использовать логистическую кривую.
Математическая модель искусственного нейрона была предложена У. Маккалоком
и У. Питтсом
вместе с моделью сети, состоящей из этих нейронов. Авторы показали, что сеть на таких элементах может выполнять числовые и логические операции. Практически сеть была реализована Фрэнком Розенблаттом
в 1958 году как компьютерная программа, а впоследствии как электронное устройство —
перцептрон
. Первоначально нейрон мог оперировать только с сигналами логического нуля и логической единицы, поскольку был построен на основе биологического прототипа, который может пребывать только в двух состояниях —
возбужденном или невозбужденном. Развитие нейронных сетей показало, что для расширения области их применения необходимо, чтобы нейрон мог работать не только с бинарными, но и с непрерывными (аналоговыми) сигналами. Такое обобщение модели нейрона было сделано Уидроу
и Хоффом
, которые предложили в качестве функции срабатывания нейрона использовать логистическую кривую.
Первой формальной моделью нейронных сетей (НС) была модель МакКаллока
-
Питтса, уточненная и развитая Клини. Впервые было установлено, что НС могут выполнять любые логические операции и вообще любые преобразования, реализуемые дискретными устройствами с конечной памятью. Эта модель легла в основу теории логических сетей и конечных автоматов и активно использовалась психологами и нейрофизиологами при моделировании некоторых локальных процессов нервной деятельности. В силу своей дискретности она вполне согласуется с компьютерной парадигмой и, более того, служит е «нейронным фундаментом».
Пусть имеется входных величин x1,…,
xn
бинарных признаков, описывающих объект . Значения этих признаков будем трактовать как величины импульсов, поступающих на вход нейрона через входных синапсов. Будем считать, что, попадая в нейрон, импульсы складываются с весами 1,…,
n
. Если вес положительный, то соответствующий синапс возбуждающий, если отрицательный, то тормозящий. Если суммарный импульс превышает заданный порог активации 0, то нейрон возбуждается и выдат на выходе 1, иначе выдатся 0. Таким образом, нейрон вычисляет n
-
арную
булеву функцию где -
ступенчатая функция Хевисайда
. В теории нейронных сетей функцию ij, преобразующую значение суммарного импульса в выходное значение нейрона, принято называть функцией активации. Таким образом, модель МакКаллока
-
Питтса эквивалентна пороговому линейному классификатору.
Теоретические основы нейроматематики
были заложены в начале 40
-
х годов и в 1943 году У. МакКалок
и его ученик У. Питтс
сформулировали основные положения теории деятельности головного мозга. Ими были получены следующие результаты: разработана модель нейрона как простейшего процессорного элемента, выполняющего вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов; предложена конструкция сети таких элементов для выполнения логических и арифметических операций; сделано основополагающее предположение о том, что такая сеть способна обучаться, распознавать образы, обобщать полученную информацию. Недостатком данной модели является сама модель нейрона «пороговой» вид переходной функции. В формализме У. Маккалока
-
Питтса нейроны имеют состояния 0, 1 и пороговую логику перехода из состояния в состояние. Каждый нейрон в сети определяет взвешенную сумму состояний всех других нейронов и сравнивает ее с порогом, чтобы определить свое собственное состояние. Пороговый вид функции не предоставляет нейронной сети достаточную гибкость при обучении и настройке на заданную задачу. Если значение вычисленного скалярного произведения, даже незначительно, не достигает до заданного порога, то выходной сигнал не формируется вовсе и нейрон «не срабатывает». Это значит, что теряется интенсивность выходного сигнала (аксона) данного нейрона и, следовательно, формируется невысокое значение уровня на взвешенных входах в следующем слое нейронов. К тому же модель не учитывает многих особенностей работы реальных нейронов (импульсного характера активности, нелинейности суммирования входной информации, рефрактерности
). Несмотря на то, что за прошедшие годы нейроматематика
ушла далеко вперед, многие утверждения МакКалока
остаются актуальными и поныне. В частности, при большом разнообразии моделей нейронов принцип их действия, заложенный МакКалоком
и Питтсом
, остается неизменным.
Автор
JLoku93
Документ
Категория
Презентации
Просмотров
365
Размер файла
1 629 Кб
Теги
нейроны, биологическая, формальное, модель
1/--страниц
Пожаловаться на содержимое документа