人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用課件

ArtificialIntelligence

人工智能ArtificialIntelligence

人工第3章人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

3.1神經(jīng)生理學(xué)基礎(chǔ)

3.2人工神經(jīng)網(wǎng)絡(luò)的基本原理

3.3幾種典型的模型及其應(yīng)用

Hopfield網(wǎng)絡(luò)模型反向傳播BP模型

自適應(yīng)共振理論ART模型3.4幾個(gè)實(shí)例第3章人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用3.1神經(jīng)生理學(xué)基礎(chǔ)本章重要概念（簡述）神經(jīng)元的結(jié)構(gòu)（畫出示意圖）神經(jīng)元的模型（畫出示意圖）神經(jīng)元的數(shù)學(xué)模型人工神經(jīng)網(wǎng)絡(luò)的主要特征三種典型的人工神經(jīng)網(wǎng)絡(luò)模型本章重要概念（簡述）神經(jīng)元的結(jié)構(gòu)（畫出示意圖）3.1神經(jīng)生理學(xué)基礎(chǔ)

人類的智能到底起源于何處，這是自古以來人們追求的一個(gè)目標(biāo)。古代人們認(rèn)為心是智慧的源泉，直到現(xiàn)在，很多漢語詞匯仍然保留著歷史的蹤跡，如“心智”、“心理”等等?，F(xiàn)代醫(yī)學(xué)及生理學(xué)告訴我們，人腦特別是大腦，是人類高級(jí)智慧的核心，而其中的神經(jīng)元又是人類智能活動(dòng)的基礎(chǔ)。

3.1神經(jīng)生理學(xué)基礎(chǔ)人類的智能到底起源于何處，這是自古以來神經(jīng)元的結(jié)構(gòu)神經(jīng)元的結(jié)構(gòu)神經(jīng)元的結(jié)構(gòu)神經(jīng)元胞體內(nèi)含有細(xì)胞核、核糖體、原生質(zhì)網(wǎng)狀結(jié)構(gòu)等，它是神經(jīng)元新陳代謝等各種生化過程的活動(dòng)場所，是神經(jīng)元的能量提供者。樹突是胞體外一些枝狀延伸物，主要接收別的神經(jīng)元傳送的神經(jīng)信號(hào)，一般為電信號(hào)或化學(xué)信號(hào)。軸突是細(xì)胞體外伸的一個(gè)管狀纖維，軸突最長可達(dá)1m以上。軸突的功能是把神經(jīng)元的神經(jīng)信號(hào)傳到其神經(jīng)末梢。神經(jīng)末梢是在軸突端部一些細(xì)小的枝狀物，它接收來自軸突的神經(jīng)信號(hào)，并與下一個(gè)神經(jīng)元接觸。神經(jīng)元的結(jié)構(gòu)神經(jīng)元胞體內(nèi)含有細(xì)胞核、核糖體、原生質(zhì)網(wǎng)狀結(jié)構(gòu)等神經(jīng)元信號(hào)傳遞我們可以看到，人腦中神經(jīng)信號(hào)的傳送就是一個(gè)神經(jīng)元的神經(jīng)末梢與下一個(gè)神經(jīng)元的樹突發(fā)生信號(hào)傳遞的過程，神經(jīng)元末梢與一個(gè)神經(jīng)元的樹突接觸區(qū)域稱為突觸，這個(gè)區(qū)域可以用下圖來表示。神經(jīng)元信號(hào)傳遞我們可以看到，人腦中神經(jīng)信號(hào)的傳送就是一個(gè)神經(jīng)大腦神經(jīng)元的基本運(yùn)行狀態(tài)在神經(jīng)信號(hào)的驅(qū)動(dòng)下，神經(jīng)末梢會(huì)釋放囊泡中的神經(jīng)傳遞介質(zhì)，下一個(gè)神經(jīng)元的樹突有一個(gè)受體接收到這個(gè)傳遞介質(zhì)，并引起神經(jīng)元胞體內(nèi)的電位上升，一旦下一個(gè)神經(jīng)元從眾多的樹突中接收到足夠多的神經(jīng)刺激，它就會(huì)被激活，從而沿軸突將神經(jīng)信號(hào)傳送到它的神經(jīng)末梢，引起下一批神經(jīng)元被激勵(lì)。大腦神經(jīng)元的基本運(yùn)行狀態(tài)在神經(jīng)信號(hào)的驅(qū)動(dòng)下，神經(jīng)末梢會(huì)釋放囊3.2人工神經(jīng)網(wǎng)絡(luò)的基本原理1943年，美國科學(xué)家Pitts和McCulloch首次提出了神經(jīng)元的M-P數(shù)學(xué)模型，為人工神經(jīng)網(wǎng)絡(luò)的研究開辟了道路。1949年Hebb提出了著名的Hebb學(xué)習(xí)定律，認(rèn)為如果兩個(gè)神經(jīng)元處于激勵(lì)狀態(tài)，則它們之間的連接（以權(quán)重為衡量標(biāo)準(zhǔn)）得到加強(qiáng)，如果兩個(gè)神經(jīng)元處于抑制狀態(tài)，它們之間的連接就被減弱，Hebb定律為人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制研究指明了方向。

3.2人工神經(jīng)網(wǎng)絡(luò)的基本原理1943年，美國科學(xué)家Pitts感知機(jī)模型1961年，Rosenblatt第一次提出了感知機(jī)模型（Perceptron)，系統(tǒng)地研究了人工神經(jīng)網(wǎng)絡(luò)作為一種智能模型的功能及作用，感知機(jī)模型的出現(xiàn)極大地鼓舞了智能技術(shù)的研究者，使人覺得一個(gè)新的智能應(yīng)用時(shí)代的到來。

感知機(jī)模型1961年，Rosenblatt第一次提出了感知機(jī)陷入低潮但人工智能的先驅(qū)者M(jìn)insky等仔細(xì)分析了以感知器為代表的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的功能及局限后，于1969年出版了《Perceptron》一書，指出感知器不能解決高階謂詞問題。他們的論點(diǎn)極大地影響了人工神經(jīng)網(wǎng)絡(luò)的研究，加之當(dāng)時(shí)串行計(jì)算機(jī)和人工智能所取得的成就，掩蓋了發(fā)展新型計(jì)算機(jī)和人工智能新途徑的必要性和迫切性，使人工神經(jīng)網(wǎng)絡(luò)的研究處于低潮。

陷入低潮但人工智能的先驅(qū)者M(jìn)insky等仔細(xì)分析了以感知器為Hopfield神經(jīng)網(wǎng)絡(luò)模型在此期間，一些人工神經(jīng)網(wǎng)絡(luò)的研究者仍然致力于這一研究，提出了適應(yīng)諧振理論（ART網(wǎng)）、自組織映射、認(rèn)知機(jī)網(wǎng)絡(luò)，同時(shí)進(jìn)行了神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)理論的研究。以上研究為神經(jīng)網(wǎng)絡(luò)的研究和發(fā)展奠定了基礎(chǔ)。1982年，美國加州理工學(xué)院物理學(xué)家Hopfield提出了Hopfield神經(jīng)網(wǎng)絡(luò)模型，引入了“計(jì)算能量”概念，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。

Hopfield神經(jīng)網(wǎng)絡(luò)模型在此期間，一些人工神經(jīng)網(wǎng)絡(luò)的研究1984年，他又提出了連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)模型，為神經(jīng)計(jì)算機(jī)的研究做了開拓性的工作，開創(chuàng)了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計(jì)算的新途徑，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究。1986年Rumelhart、McClelland等研究者發(fā)表文章*，系統(tǒng)地描述了人工神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，特別是針對(duì)Minsky提出的感知機(jī)的缺陷，提出了利用隱節(jié)點(diǎn)來克服感知機(jī)僅限于線性可分的局限，從而引起新的一輪人工神經(jīng)網(wǎng)絡(luò)的研究熱潮。*《ParallelDistributedProcessing:ExplorationsintheMicro-structureofCognition》，

1984年，他又提出了連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)模型，人工神經(jīng)網(wǎng)絡(luò)的核心——

神經(jīng)元的模型人工神經(jīng)網(wǎng)絡(luò)的核心——

神經(jīng)元的模型神經(jīng)元的數(shù)學(xué)模型輸入X={x1,x2

，…，xn｝T模擬其他神經(jīng)元對(duì)本神經(jīng)元的影響，權(quán)重W={w1,w2

，…，wn｝模擬輸入對(duì)神經(jīng)元的傳遞效率，θ為使本神經(jīng)元處于激活狀態(tài)所需的闡值，f(u)為一旦神經(jīng)元被激活后輸出值的變化，數(shù)學(xué)模型為：神經(jīng)元的數(shù)學(xué)模型輸入X={x1,x2，…，xn｝Tf(u）的三種模型

階躍型S型線性連續(xù)型f(u)=kuf(u)=1/(1+e-u)f(u）的三種模型階躍型S型線性連續(xù)型f(u說明不同的神經(jīng)元模型代表了人工神經(jīng)網(wǎng)絡(luò)一些基本特征，但這不是研究的全部，更重要的是如何利用這些基本組件來構(gòu)造人工神經(jīng)元系統(tǒng)。這些系統(tǒng)可能基本元件一樣，但由于結(jié)構(gòu)、連接方式的不同，產(chǎn)生的系統(tǒng)行為會(huì)有重大的區(qū)別。用一個(gè)形象的比喻，我們知道碳是地球上的一個(gè)重要化學(xué)元素，雖然同是C12原子，但由于分子結(jié)構(gòu)不同，它可以形成非常堅(jiān)硬的金剛石，能夠阻擋放射線的石墨和我們?nèi)粘Ｉ钪腥菀兹紵哪咎?。說明不同的神經(jīng)元模型代表了人工神經(jīng)網(wǎng)絡(luò)一些基本特征，但這不是高度非線性動(dòng)力學(xué)大量的形式相同的神經(jīng)元連結(jié)在一起就組成了神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一個(gè)高度非線性動(dòng)力學(xué)系統(tǒng)。雖然每個(gè)神經(jīng)元的結(jié)構(gòu)和功能都不復(fù)雜，但是神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)行為則是十分復(fù)雜的。因此，用神經(jīng)網(wǎng)絡(luò)可以模擬、表達(dá)實(shí)際物理世界的各種現(xiàn)象，解決一些其他領(lǐng)域難以解決的問題。高度非線性動(dòng)力學(xué)大量的形式相同的神經(jīng)元連結(jié)在一起就組成了神經(jīng)人工神經(jīng)網(wǎng)絡(luò)的主要特征(1)并行分布性處理(2)可學(xué)習(xí)性(3)魯棒性和容錯(cuò)性(4)泛化能力

人工神經(jīng)網(wǎng)絡(luò)的主要特征(1)并行分布性處理(1）并行分布性處理并行性來自于人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元排列并不是雜亂無章的，往往是分層或以一種有規(guī)律的序列排列，信號(hào)可以同時(shí)到達(dá)一批神經(jīng)元的輸人端，這種結(jié)構(gòu)非常適合并行計(jì)算。同時(shí)如果將每一個(gè)神經(jīng)元看作是一個(gè)小的處理單元，則整個(gè)系統(tǒng)可以是一個(gè)分布式計(jì)算系統(tǒng)。(1）并行分布性處理(2)可學(xué)習(xí)性一般人工神經(jīng)網(wǎng)絡(luò)模型都有自己的學(xué)習(xí)算法，或者利用樣本指導(dǎo)系統(tǒng)模擬現(xiàn)實(shí)環(huán)境（稱為有教師學(xué)習(xí)），或者對(duì)輸人進(jìn)行自適應(yīng)（稱為無教師學(xué)習(xí)）。(2)可學(xué)習(xí)性一般人工神經(jīng)網(wǎng)絡(luò)模型都有自己的學(xué)習(xí)算法，或者利(3)魯棒性和容錯(cuò)性由于采用大量的神經(jīng)元及其相互連接，人工神經(jīng)網(wǎng)絡(luò)中少量的神經(jīng)元發(fā)生失效或錯(cuò)誤，不會(huì)對(duì)系統(tǒng)整體功能帶來嚴(yán)重的影響。(3)魯棒性和容錯(cuò)性由于采用大量的神經(jīng)元及其相互連接，人工神(4)泛化能力如果輸入發(fā)生較小變化，其輸出能夠與原輸人產(chǎn)生的輸出保持相當(dāng)小的差距。(4)泛化能力如果輸入發(fā)生較小變化，其輸出能夠與原輸人產(chǎn)生的3.3幾種典型的模型及其應(yīng)用3.3.1Hopfield網(wǎng)絡(luò)模型3.3.2反向傳播BP模型3.3.3自適應(yīng)共振理論ART模型3.3幾種典型的模型及其應(yīng)用3.3.1Hopfield網(wǎng)絡(luò)模型Hopfield于1982年提出了用于聯(lián)想記憶的人工神經(jīng)網(wǎng)絡(luò)模型，它是一種帶有反饋（輸出作為輸人的一部分）的網(wǎng)絡(luò)。3.3.1Hopfield網(wǎng)絡(luò)模型Hopfield于198Hopfield模型Hopfield是帶有自反饋的神經(jīng)網(wǎng)絡(luò)模型。模型分為兩層：第0層為引入反饋而設(shè)計(jì)，它是退化了的神經(jīng)元層，神經(jīng)元的輸出等于輸入；第1層是標(biāo)準(zhǔn)的神經(jīng)元模型，它的數(shù)學(xué)模型如下。第1層第j個(gè)神經(jīng)元的輸入前部（對(duì)神經(jīng)元的刺激）:Hopfield模型Hopfield是帶有自反饋的神經(jīng)網(wǎng)如果選擇階躍型函數(shù)作為神經(jīng)元的激勵(lì)函數(shù)時(shí)，有如果選擇階躍型函數(shù)作為神經(jīng)元的激勵(lì)函數(shù)時(shí)，有穩(wěn)定性分析Hopfield網(wǎng)絡(luò)由于其輸出端有反饋到其輸入端，在輸入的激勵(lì)下，其狀態(tài)發(fā)生變化，這個(gè)變化反饋到輸入，從而產(chǎn)生新的輸出，引起一系列的狀態(tài)轉(zhuǎn)移。如果這種狀態(tài)轉(zhuǎn)移經(jīng)過一定的時(shí)間穩(wěn)定下來，t+1時(shí)刻與t時(shí)刻狀態(tài)相同，則我們稱系統(tǒng)到達(dá)了穩(wěn)定平衡狀態(tài)。穩(wěn)定性分析Hopfield網(wǎng)絡(luò)由于其輸出端有反饋到其輸入端網(wǎng)絡(luò)穩(wěn)定的充分條件并不是所有的Hopfield網(wǎng)絡(luò)都是穩(wěn)定的，那么，什么樣的網(wǎng)絡(luò)是穩(wěn)定的呢？目前沒有通常的方法，cohen和Grossberg在1953年給出了關(guān)于Hopfield網(wǎng)絡(luò)穩(wěn)定的充分條件：如果Hopfield網(wǎng)絡(luò)的權(quán)系數(shù)矩陣W是一個(gè)對(duì)稱矩陣，并且W的對(duì)角線元素為0，則這個(gè)網(wǎng)絡(luò)是穩(wěn)定的，即是說在權(quán)系數(shù)矩陣W中，如果則Hopfield網(wǎng)絡(luò)是穩(wěn)定的。

網(wǎng)絡(luò)穩(wěn)定的充分條件并不是所有的Hopfield網(wǎng)絡(luò)都是穩(wěn)定的網(wǎng)絡(luò)退化成沒有自反饋的Hopfield網(wǎng)絡(luò)

所謂充分條件是指只要滿足以上條件的Hopfield網(wǎng)絡(luò)，系統(tǒng)經(jīng)過一定的迭代循環(huán)，肯定能夠達(dá)到穩(wěn)定的狀態(tài)。但這并不代表不滿足以上條件的Hopfield網(wǎng)絡(luò)就絕對(duì)不穩(wěn)定。網(wǎng)絡(luò)退化成沒有自反饋的Hopfield網(wǎng)絡(luò)所謂充分條件離散Hopfield網(wǎng)絡(luò)的工作方式①串行方式在時(shí)刻t時(shí)，只有某一個(gè)神經(jīng)元j的狀態(tài)發(fā)生變化，而其他n-1個(gè)神經(jīng)元的狀態(tài)不變。②并行方式在任一時(shí)刻t，所有的神經(jīng)元的狀態(tài)都產(chǎn)生了變化，則稱并行工作方式。從Hopfield網(wǎng)絡(luò)可以看出，它是一種多輸入的二值非線性動(dòng)力系統(tǒng)。在動(dòng)力系統(tǒng)中，平衡穩(wěn)定狀態(tài)可以理解為系統(tǒng)的某種形式的能量函數(shù)在系統(tǒng)運(yùn)動(dòng)過程中，其能量值不斷減小，最后處于最小值。

結(jié)論離散Hopfield網(wǎng)絡(luò)的工作方式①串行方式結(jié)聯(lián)想存儲(chǔ)器令Hopfield網(wǎng)絡(luò)是一個(gè)具有m個(gè)輸入節(jié)點(diǎn)的網(wǎng)絡(luò)，學(xué)習(xí)開始時(shí)具有m個(gè)樣本，它們?yōu)槁?lián)想存儲(chǔ)器令Hopfield網(wǎng)絡(luò)是一個(gè)具有m個(gè)輸入節(jié)點(diǎn)的網(wǎng)其權(quán)值變化為當(dāng)聯(lián)想檢索時(shí)，令輸入為初始輸出其權(quán)值變化為利用如下的迭代公式其中f(.)一般為非線性函數(shù)，常用階躍型函數(shù)。y(t+1)與y(t)經(jīng)過一定次數(shù)的迭代后，系統(tǒng)輸出不再變化，達(dá)到穩(wěn)定。Hopfield網(wǎng)絡(luò)用它做聯(lián)想記憶時(shí)，如果輸入向量與訓(xùn)練的樣本不完全一樣或有部分不正確的數(shù)據(jù)，但是網(wǎng)絡(luò)仍能夠產(chǎn)生所記憶的信息的完整輸出。利用如下的迭代公式以上討論的Hopfield網(wǎng)絡(luò)是離散型的，Hopfield在離散型網(wǎng)絡(luò)基礎(chǔ)上發(fā)展了連續(xù)型神經(jīng)網(wǎng)絡(luò)。連續(xù)型Hopfield網(wǎng)絡(luò)的結(jié)構(gòu)與離散型網(wǎng)絡(luò)一樣，只是輸人變換函數(shù)f（·）一般取sigmoid函數(shù)，即可以證明如果連續(xù)型Hopfield網(wǎng)絡(luò)的權(quán)重矩陣滿足對(duì)角線元素wii=0，并且wij=wji，則該網(wǎng)絡(luò)是穩(wěn)定的。以上討論的Hopfield網(wǎng)絡(luò)是離散型的，Hopfield在3.3.2反向傳播BP模型Rosenblatt于1961年提出了感知機(jī)模型Perceptron，它利用神經(jīng)元模型模擬人類的邏輯思維取得了很大的成功，但MIT的著名人工智能學(xué)者M(jìn)insky分析了Perceptron的結(jié)構(gòu)與特征，提出了它的致命缺陷，無法實(shí)現(xiàn)像XOR（異或）這樣簡單的非線性邏輯運(yùn)算。3.3.2反向傳播BP模型Rosenblatt于1961異或運(yùn)算真值表令+為異或算子，Z=X+Y，則Z的取值可以從下表中得到：

++XYZ0000l1l01110異或運(yùn)算真值表令+為異或算子，Z=X+Y，則Z異或運(yùn)算平面圖因?yàn)镻erceptron是線性分類器，因此如圖中虛線所表達(dá)的，無論如何切割，總是無法將黑球與白球分開。所以Perceptron無法面對(duì)像XOR這樣的邏輯問題。異或運(yùn)算平面圖因?yàn)镻erceptron是線性分類器，因此如圖引入隱節(jié)點(diǎn)1986年，Rumelhart等研究者提出了引入隱節(jié)點(diǎn)，采用非線性神經(jīng)元的新型神經(jīng)模型，由于它的學(xué)習(xí)算法是基于誤差反向傳播（errorBack-Propagation)，于是被稱為BP模型，或反向傳播模型。下面將兩個(gè)模型加以對(duì)照：引入隱節(jié)點(diǎn)1986年，Rumelhart等研究者提出了引入①結(jié)構(gòu)比較（以三個(gè)輸入節(jié)點(diǎn)，兩個(gè)輸出節(jié)點(diǎn)為例）①結(jié)構(gòu)比較（以三個(gè)輸入節(jié)點(diǎn)，兩個(gè)輸出節(jié)點(diǎn)為例）②映射函數(shù)比較②映射函數(shù)比較解決方案由于BP模型采用了非線性的映射函數(shù)，在解決XOR這樣非線性分類問題時(shí)可能進(jìn)行圖中的劃分。解決方案由于BP模型采用了非線性的映射函數(shù)，在解決XO能量最小原理①初始化權(quán)重，一般取接近零的隨機(jī)數(shù)；②將樣本的輸入作為BP模型的輸入，逐級(jí)計(jì)算出神經(jīng)網(wǎng)絡(luò)的輸出；③將樣本的輸出與神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行比較（均方差，即能量），產(chǎn)生學(xué)習(xí)誤差；④以該誤差作為修改各層神經(jīng)元輸出的依據(jù)，從頂層（輸出層）到底層（輸入層）修改連接每一個(gè)神經(jīng)元的權(quán)重，即所謂誤差的反向傳播。能量最小原理①初始化權(quán)重，一般取接近零的隨機(jī)數(shù)；結(jié)論研究人員已經(jīng)證明：只要有足夠多的隱節(jié)點(diǎn)和足夠的學(xué)習(xí)時(shí)間，BP模型可以模擬任意復(fù)雜的非線性曲線。正是BP模型具有這么強(qiáng)大的學(xué)習(xí)能力，它目前在人工神經(jīng)網(wǎng)絡(luò)中得到廣泛的應(yīng)用。DEMO結(jié)論研究人員已經(jīng)證明：只要有足夠多的隱節(jié)點(diǎn)和足夠的學(xué)習(xí)時(shí)間，3.3.3自適應(yīng)共振理論ART模型1976年美國Boston大學(xué)的S.Grossberg和A.Carpenet提出了自適應(yīng)共振理論ART(AdaptiveResonanceTheory）模型。它試圖利用數(shù)學(xué)方法描述人類心理與認(rèn)知活動(dòng)，如短期記憶（STM）、長期記憶（LTM）、注意力聚焦等等。ART是一種自組織神經(jīng)網(wǎng)絡(luò)模型，其學(xué)習(xí)方法屬于無教師的自適應(yīng)過程。當(dāng)在神經(jīng)網(wǎng)絡(luò)和環(huán)境有交互作用時(shí)，神經(jīng)網(wǎng)絡(luò)自動(dòng)對(duì)環(huán)境信息進(jìn)行編碼，即對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)重進(jìn)行自組織活動(dòng)。3.3.3自適應(yīng)共振理論ART模型1976年美國BostART模型的結(jié)構(gòu)ART模型的結(jié)構(gòu)ART模型連接圖ART模型連接圖ART工作原理輸入層F1接收來自系統(tǒng)的輸入，它經(jīng)過輸入層神經(jīng)元的加工，只有較強(qiáng)刺激的輸入才能激活輸入層神經(jīng)元。所謂較強(qiáng)刺激，即一個(gè)稱為“2/3規(guī)則”的控制?！?/3”規(guī)則告訴我們，三個(gè)輸入中當(dāng)有兩個(gè)輸入為正（刺激）時(shí)STM-F1

中的神經(jīng)元才處于激活狀態(tài)。（看結(jié)構(gòu)圖）這里，STM-F1，通常稱為比較層，STM-F2稱為識(shí)別層，它們之間的通道（權(quán)重矩陣）稱為LTM（長期記憶）。STM-F2狀態(tài)的變化表示對(duì)注意力轉(zhuǎn)移過程，而由于模式不匹配而引起的狀態(tài)轉(zhuǎn)移信號(hào)就稱為定向子系統(tǒng)。ART工作原理輸入層F1接收來自系統(tǒng)的輸入，它經(jīng)過輸入層神我們可以從結(jié)構(gòu)圖中看到，短期記憶STM-Fl有三個(gè)輸入，分別對(duì)應(yīng)系統(tǒng)輸入、增益控制1輸入及從STM-F2來的自上而下的輸入，“2/3”規(guī)