论文部分内容阅读
概念形成作为人类大脑最基本的认知功能之一,其具体的形成过程目前并不清楚。本文在复杂性理论研究的框架下,以汉字概念(马)、具体概念(苹果)和数量概念(1、2、3、4、5)等为例,通过建立包含微观神经元和突触动力学机制的神经网络模型,模拟了上述概念形成的认知过程,并探讨其涌现机制。
首先,建立以Hopfield网络结构和Hebb学习法为基础的模型,以汉字为例,模拟从包含共同特征的有限数目的样本中提取概念的过程。结果发现,模型能从含“马”字的词组中提取出概念“马”。模型中用Hebb学习法调节网络权重,可以起到假设排除和联想学习的双重作用。网络训练后提取出的概念对应于系统的稳定吸引子。
然后用另一种方法--含有Wilson-Cowan振子的二维神经网络模型再次模拟从包含共同特征的有限个样本中提取概念的过程。依然以汉字为例,模型描述从含“马”字的词组中将共同字“马”以及从具有提手旁的汉字中将共同偏旁提取出来的过程。结果发现,在局部耦合和全局耦合的网络中都可以出现同步现象,即表示同一汉字或同一偏旁的网络部分中的振子会发生同步。这也是一个涌现过程,概念特征的最终认知状态可以用稳定的吸引子表示。
接下来,使用SOM神经网络建立模型来解释学习者如何从一个或几个样本提取出有意义的具体概念的学习过程。先用样本训练网络模型,然后以不同的样本集合为输入,令网络计算出测试集合中表征物体的各个模式属于输入样本集合所表示概念的概率。结果发现,在输入一个测试样本和三个测试样本条件下得到的结果分别是分级概括模式和“全。或,无”概括模式,该结果与Tenenbaum的心理学行为实验数据一致。
接着建立以真实神经元和突触动力学方程为基础的带有反馈的三层神经网络模型,以正弦电流作为输入,描述了从多个样本中提取具体概念“苹果”的过程。对网络结构的分析表明,反馈是网络完成提取功能的必要因素,层内相互作用可以促进该功能的实现,且网络所含的神经元数量可以在一定范围内改变,网络具有较强的鲁棒性。
最后,建立包含兴奋性和抑制性两种神经元的网络模拟数量概念的认知过程,并讨论数量概念的编码系统和表征方式。在先天遗传假设和后天学习假设的条件下,分别采用固定连接权重的方法和Hebb学习法,得到不同的结果。其共同之处是,对数量刺激敏感且具有选择性的神经元对某一个数量刺激做出最大响应;不同之处是,在固定权重下,神经元对不同数量刺激的响应具有距离效应;而Hebb学习法会增强神经元的敏感性,使其对最偏好刺激和次偏好刺激的响应差别更大。该结果与猴子前额叶神经元的实验数据一致。