知識的結構聯(lián)結主義取向

1、知識的結構：聯(lián)結主義取向,概述分布表象中的有關概念分布表象和符號表象之間的差異,概論——作為一個學院圖書館管理員的安排,你的一部分工作是管理把顧客還回圖書館的書放回書架的助手。圖書包括許多門類，一個助手對一個門類或多或少比較熟悉，他們的熟悉度影響他們放回圖書的速度。因助手以小時計付薪水，因此要把他們安排到他們熟悉的門類以便他們更快放回圖書。在一個門類分配一名并必須分配一名助手的情況下，達到使得每分鐘放回的書最多的理想，采取的分配

2、方法應該是怎樣的呢？不要以為這是一個簡單的小問題哦。（下表顯示出每個助手在每個門類每分鐘放回圖書的數(shù)量）,,,,,解決的途徑是，我們要同時考慮每個助手最快的領域和該安排下所有其他助手的效果，這種問題有時稱作雙趨一避沖突。,在本章中我們將探討用來模擬我們在許多認知和神經行為中所看到的同時性而設計的模型。有時被成為神經一網絡模型（neural-network models), 聯(lián)結主義模型（connectionist model) 或者

3、分布的（distributed), 非符號的（nonsymbolic processing)加工。這種取向是力圖產生與神經系統(tǒng)操作具有許多相同之處的認知模型。,分布表象中的有關概念,回顧第一章中我們討論了三種水平的心理分析：神經水平、認知水平和心理水平。用信息加工取向來描述事件標志著離開神經系統(tǒng)描述的抽象程度。第五章中我們把記憶搜索的幾種類型的特征描述為激活一個代表你的知識的單位或結點。結點存在于認知水平的分析上，在那里激活一個結點

4、代表著許多神經過程的綜合。我們構建了聯(lián)結主義模型。聯(lián)結主義的抽象程度被認為比信息加工抽象程度更低得多，其所使用的術語和程序甚少，從表面上看，與實際的神經事件有許多相似之處,實際的神經元與理想的神經元,有關皮層神經元的有關情況。首先，我們知道這類神經元經常出現(xiàn)動作電位現(xiàn)象；其次，每個神經元與周圍的神經元緊密聯(lián)結；最后，特定神經元之間的聯(lián)結可能是興奮性的或者抑制性的。每個神經元沖動可以傳遞到周圍的幾千個皮層神經元且效果是同時的。當一個

5、特定的神經元放電時，它可以傳遞到周圍幾千個細胞，并且當一個神經元接受傳遞時，它們可能來自周圍幾千個細胞。但是，神經元信息的強度并不因為與它聯(lián)系的臨近細胞的數(shù)目而改變，信號從不會由于臨近細胞的聯(lián)系而削弱或減弱。,信號強度不會改變，但信號不總為正。第一章中，Rosenblarr（1958）認為神經元之間的計算不但是由它們之間的興奮連接而且也由抑制聯(lián)結產生。每個神經元通過總合所有來自其他神經元的興奮和抑制性傳遞成為決策者，放電（或不放電）依賴

6、于總的輸入是正的還是負的。這是實際神經元。我們將理想化的神經元與聯(lián)接主義模型中的實際神經元相比，做小型神經網絡示意圖如下,,,,,,,,,C,A,B,輸出,輸入,輸入強度,+10,+10,0.3,-0.3,如圖，三個圓圈代表一個小型神經網絡中的三個人工神經元，讓我們用神經節(jié)（neurode)來代表這種神經元（Caudill&Bufler,1992）與真正神經元的區(qū)別，神經節(jié)按層次排列，底層為”輸入“，頂層標識為”輸出“

7、層，這兩者間還會有許多層的神經節(jié)。共性在于，在輸入層的每個神經節(jié)與輸出層的神經節(jié)存在著聯(lián)系。此外，正如用正號和負號所示，輸入層和頂層的神經節(jié)之間也具有興奮和抑制性的聯(lián)系。在這種網絡中沒有看到動作電位的類比，動作電位的概念是基于第五章討論激活擴散的觀點的。結點的激活使相聯(lián)的結點產生相似的激活狀態(tài)。結點之間的聯(lián)結建立了激活傳導的通路。,轉化函數(shù),在真正的神經網絡中，信息通常以動作定位的方式在神經元之間傳遞；在聯(lián)結主義模型中，這種傳遞由轉

8、化函數(shù)來執(zhí)行。轉化函數(shù)把輸入傳入系統(tǒng)并且描述了輸入在整個系統(tǒng)中擴散的途徑，在神經網絡語言中我們把這個步驟稱為輸入在整個系統(tǒng)中的傳導。,,,,,,,,,C,A,B,輸出,輸入,輸入強度,+10,+10,0.3,-0.3,1、如果輸入單元A處于激活狀態(tài)（強度為1），那么單元A輸出0.3的激活。2、如果輸入單元B處于激活狀態(tài)（強度為1），那么單元B輸出-0.3的激活。3、如果輸入單元處于不激活狀態(tài)，那么輸出不激活。4、輸出單元C

9、通常是所有輸入單元激活的總合。我們把輸入和輸出單元之間聯(lián)結的強度描述為兩個神經節(jié)之間聯(lián)結的”權重“（weight)那么可以表達單元C的輸出輸出單元C=（輸入單元A×權重AC）+（輸入單元B×權重BC）,如何概念化這個小型網絡？它實際“做”了什么？ 本質上，這個網絡模型抑制或降低了輸入的刺激。有兩個層面的含義：如圖，輸入單元A輸入強度為1，但是系統(tǒng)輸出降到0.3；如果接受的是兩個強的但相反的輸入，它

10、們的效果被網絡消除以致于沒有進一步的傳遞發(fā)生。 在此，對轉化函數(shù)進行概括以計算出在許多輸入條件下神經節(jié)的輸出 輸出j=∑ (輸入i×輸出ij）,分布表象和符號表象之間的差異,在字面上看，本章中所講的神經節(jié)看上去非常類似第五章所講的結點，而且神經節(jié)的聯(lián)結好像與我們已經看到的結點的聯(lián)結相似。神經網絡和符號模型一樣能夠表象知識和認知活動，但兩種取向的重要差異在于如何表象認知。,,,,,,,,,,,,,,

11、,,,,,,,,,,,,,,,,,,,,狗,Basenji,Cocker Spaniel,Mutt,我的狗,符號描述,A,B,C,D,叫,棕色,軟耳朵,紅色,聯(lián)結主義描述,假設網神經網絡模型中的聯(lián)結強度,小結差異,符號模型強調的網絡結點包含大量的信息，聯(lián)結注意模型包含神經節(jié)，本身不能做許多事情。在符號模型中，對特定信息貯存在系統(tǒng)中哪個結點的詢問是適當?shù)模窃谶B接模型中，只是被看作是交互成分集的激活模式，在聯(lián)結主義網絡中特定只是并不貯