Neural Dynamics 40 mV membrane 20 -rest ---activation 0 Action potential -20 - Action potential~100mV 60 Activation threshold20-30mV Rest potential≈-65mV Spike time≈1-2ms -80 Refractory time 10-20ms Refractory time -100 ms -120 0 10 20304050 6070 80 90100 09/07/2023 Artificial Neural Networks-I 6
09/07/2023 Artificial Neural Networks - I 6 Neural Dynamics -120 -100 -80 -60 -40 -20 0 20 40 0 10 20 30 40 50 60 70 80 90 100 ms mV membrane rest activation Refractory time Action potential Action potential ≈ 100mV Activation threshold ≈ 20-30mV Rest potential ≈ -65mV Spike time ≈ 1-2ms Refractory time ≈ 10-20ms
神经网络的复杂性 神经网路的复杂多样，不仅在于神经元和突触 的数量大、组合方式复杂和联系广泛，还在于 突触传递的机制复杂。现在己经发现和阐明的 突触传递机制有：突触后兴奋，突触后抑制， 突触前抑制，突触前兴奋，以及“远程”抑制 等等。在突触传递机制中，释放神经递质是实 现突触传递机能的中心环节，而不同的神经递 质有着不同的作用性质和特点 09/07/2023 Artificial Neural Networks-I 7
09/07/2023 Artificial Neural Networks - I 7 神经网络的复杂性 • 神经网路的复杂多样，不仅在于神经元和突触 的数量大、组合方式复杂和联系广泛，还在于 突触传递的机制复杂。现在已经发现和阐明的 突触传递机制有：突触后兴奋，突触后抑制， 突触前抑制，突触前兴奋，以及“远程”抑制 等等。在突触传递机制中，释放神经递质是实 现突触传递机能的中心环节，而不同的神经递 质有着不同的作用性质和特点
神经网络的研究 神经系统活动，不论是感觉、运动，还是脑的 高级功能（如学习、记忆、情绪等）都有整体 上的表现，面对这种表现的神经基础和机理的 分析不可避免地会涉及各种层次。这些不同层 次的研究互相启示，互相推动。在低层次（细 胞、分子水平)上的工作为较高层次的观察提 供分析的基础，而较高层次的观察又有助于引 导低层次工作的方向和体现其功能意义。既有 物理的、化学的、生理的、心理的分门别类研 究，又有综合研究。 09/07/2023 Artificial Neural Networks-I 8
09/07/2023 Artificial Neural Networks - I 8 神经网络的研究 • 神经系统活动，不论是感觉、运动，还是脑的 高级功能（如学习、记忆、情绪等）都有整体 上的表现，面对这种表现的神经基础和机理的 分析不可避免地会涉及各种层次。这些不同层 次的研究互相启示，互相推动。在低层次（细 胞、分子水平）上的工作为较高层次的观察提 供分析的基础，而较高层次的观察又有助于引 导低层次工作的方向和体现其功能意义。既有 物理的、化学的、生理的、心理的分门别类研 究，又有综合研究
The Artificial Neuron Stimulus xi(t) W31 4,)=∑w)x,) x2(t) Wi2 x3(t) Wj3 ∑，0 yi(t) W14 Response X4(t) y,()=fue+4) Wi5 xs(t) Neuron i urest=resting potential x=output of neuron j at time t wj=connection strength between neuron i and neuron j u(t=total stimulus at time t 09/07/2023 Artificial Neural Networks-I 9
09/07/2023 Artificial Neural Networks - I 9 The Artificial Neuron ( ) = ( ) j i ij j u t w x t Stimulus urest = resting potential xj (t) = output of neuron j at time t wij = connection strength between neuron i and neuron j u(t) = total stimulus at time t yi (t) x1(t) x2(t) x5(t) x3(t) x4(t) wi1 wi3 wi2 wi4 wi5 f( (t)) i i j wij x j (t) y = u Neuron i y (t) f (u u (t)) i = rest + i Response
Artificial Neural Models McCulloch Pitts-type Neurons (static) -Digital neurons:activation state interpretation (snapshot of the system each time a unit fires) Analog neurons:firing rate interpretation (activation of units equal to firing rate) Activation of neurons encodes information Spiking Neurons (dynamic) Firing pattern interpretation(spike trains of units) - Timing of spike trains encodes information (time to first spike,phase of signal,correlation and synchronicity 09/07/2023 Artificial Neural Networks-I 10
09/07/2023 Artificial Neural Networks - I 10 Artificial Neural Models • McCulloch Pitts-type Neurons (static) – Digital neurons: activation state interpretation (snapshot of the system each time a unit fires) – Analog neurons: firing rate interpretation (activation of units equal to firing rate) – Activation of neurons encodes information • Spiking Neurons (dynamic) – Firing pattern interpretation (spike trains of units) – Timing of spike trains encodes information (time to first spike, phase of signal, correlation and synchronicity