数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究并行分布式处理模型
该系统是一种计算模型的形式，有助于我们了解人类记忆功能的复杂特性。顾名思义，整个存储和检索记忆的系统基于多个计算元素，这些元素以所需的方式同时或按需执行其任务，以执行我们记忆的日常工作。这些元素在彼此之间建立连接，这些连接的强度决定了记忆的检索或持久影响。连接越牢固，记忆在脑海中停留的时间就越长，相应地，与连接强度较弱的记忆相比，对这些记忆的回忆会更好。这个连接过程是一个持续的过程。
什么是并行分布式处理模型？
该模型通常被称为 PDP 模型。该模型由计算元素（也称为单元）组成，这些元素受到神经元启发。它假设信息是使用不同的激活模式存储在大脑中的。PDP 模型的每个单元可以取最小值和最大值（0 和 1）之间的激活值。这些激活在思考某件事的简单过程中在不同单元之间传播。当连接为正时，它会增加激活量。
相反，当连接为负时，它会减少各个单元之间的激活量。在这样的系统中，知识存在于单元之间建立的连接之间，决定了从输入或数据的表示中会出现什么模式。这种连接的牢固性决定了回忆的行为。例如，假设一个人站在两组人之间，不断地念诵任何主题。在这种情况下，这个人只能同时从两组人中获取一些回忆。
串行和并行处理
与并行不同，在串行类型的处理中，该现象涉及顺序过滤流，不同过程之间没有任何重叠。在串行净化的情况下，元素按顺序依次搜索以查找目标元素。这种方法相对降低了搜索的准确性，并且在处理大量对象时，所需的时间也会增加。
框架的主要原则
它包括
认知过程
相同的底层原理控制着所有认知行为。单元根据通过单元之间连接接收到的总输入调整其当前激活。不同的模型采用不同的策略来聚合输入和调整激活。认知过滤涉及通过神经网络中建立的连接在单元之间传播激活。
认知过程
相同的底层原理控制着所有认知行为。单元根据通过单元之间连接接收到的总输入调整其当前激活。不同的模型采用不同的策略来聚合输入和调整激活。认知过滤涉及通过神经网络中建立的连接在单元之间传播激活。
处理是交互式的
PDP 模型是动态的。激活的传递不是单向的，而是双向的。这意味着当信号从单元 A 传输到单元 B 时，它将从单元 B 接收回信号，这使得处理成为交互式的。结果，单元会更改数据，更改输入详细信息，并将其向下游传输。这种现象发生很多次，并赋予模型动态特性。
知识被编码
作为网络基础并使其能够正常运行的数据不是以单独的数据结构的形式存储在单独的存储区中。但是，它们直接编码在这些网络的连接中，以生成在活动时间所需的中间表示和输出。
连续的
在 PDP 结构中，处理、学习和表示是连续的。因为表示被编码为单元之间激活的分布式模式，所以不同项目的这些表示可能彼此相似。这些相似性提供了在网络子结构中泛化激活的基本机制。得出的结论是，相似的激活模式将产生相同类型的熟悉表示和输出。
取决于环境
负责创建响应的环境的统计结构对于理解处理模型至关重要。学习是神经网络内发生的激活模式的结果，此类错误和违反的预期是在日常经验中产生的。PDP 现象取决于日常结构中存在的统计结构。
激活模式
在 PDP 框架中，意识中的刺激表示对应于所有参与单元上生成的激活模式。假设任何输入都表示为分布在整个大脑中的许多神经元之间分布的激活模式。每个神经元都应该参与许多不同输入的表示。这些表示与几乎所有认知内容相关，例如颜色、图片、单词、字母、结构等，所有这些都被认为采取系统中广泛分布的神经元之间的模式形式。
结论
我们已经概述了 PDP 的整个框架。与其他系统结合使用，这些模型是一项举措，并且倾向于为神经科学或应用心理学科学中的各种挑战提供解决方案。该框架为认知科学提供了新的富有成效的学习方法，以及处理心理学家尚未掌握的挑战的创新方法。它还使我们能够解决一些促使寻找替代符号方法的计算挑战。在技术进步的世界中，人工智能就是其中之一。这些 PDP 卷在机器学习中发挥着至关重要的作用，机器学习是人工智能的产物或扩展。在与长期记忆相关的研究领域，并行分布式处理模型的成功和失败都为更好地理解它做出了很大贡献。重要的是要理解这些模型有优点和缺点，在使用此类结构之前，应予以考虑。
6K+ 浏览量
