null认知心理学
认知心理学
5.知识的组织:
(1).知识结构__符号主义(
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
象主义)的取向本章要点本章要点自由联想的成功依赖于不同个人联想的共性.
人们产生同一联想也表明他们以相同的方式来组织他们不同的经验.
人类的知识必定是以某种方式来组织的,如果能够发现这种组织方式,就可以对它进行描述和构建模型。
知识的认知理论最重要的目标就是创建一种数学
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
、一种形式主义或模型,它的作用似乎是模仿人们知识的特点.
认知心理学家采用“词汇触接”技术探测人类的知识组织方式,并提出几种模型。
最后介绍两个神经网络模型和典型的计算特征。符号主义取向的知识结构符号主义取向的知识结构5.1.内部词汇
5.1.1触接内部词汇
词汇触接:心理学家利用词汇触接(Lexical access)这种作业收集可以表明人类知识结构的证据。
认知心理学家试图通过提问有关词汇的问题和对反应所需时间的测量来发现这些组织的有关情况。
如果以系统的方式改变词汇并且看到在触接过程中的时间差异,那么我们就可以对词汇的组织做出某些推论。5.1.内部词汇5.1.内部词汇5.1.1触接内部词汇
利用词汇触接的三个发现:
(1)词汇单元在它们的可得性上存在差异,这好
像与项目出现或使用的频率有关。
(2)一个项目新近的出现可促进随后的触接,这
称为重复启动(repetition priming)现象,
对于较少呈现的和较普遍的词汇成分都可以
观察到。
(3)词汇项目通过唤起与其语义相关的成分而变
得容易提取。5.1.内部词汇5.1.内部词汇5.1.1触接内部词汇有效性:
研究者期望知道在这些结果的基础上词汇是如何组织的。
一些学者认为词汇触接作业受情境和语义记忆的影响。
大多数学者认为:词汇触接是一种描述知识中各个成分之间的关系的有效方式。5.1.内部词汇5.1.内部词汇5.1.2语义启动:
认知系统唤起一个词汇项目时,这种唤起促进(加速)
随后的与其具有语义关系词汇项目的触接,这种现象称为语义启动(semantic priming)。
梅尔(Meyer&Schvaneveldt,1971)研究语义启动效应:
5.1.内部词汇5.1.内部词汇给被试呈示成分对,并要求尽快地判断成分对中的成分是否是词,如果两个成分都是词就要求尽可能快地以“是”反应,如果其中一个是非词,就以“不是”反应。
实验设计:正向实验:两个都是词;负向实验:一个或两个成分是非词。
观察到的结果:
负向实验:当非词是第一个成分时被试者的判定较快。
正向实验:当词之间具有高度相关时,被试者的阅读和反应都比无关的词对快得多。
上述结果表明:
两个词具有语义关系。当认知系统提取一个词汇时,会促使与之具有语义或概念上相关的词汇项目也具有较高的激发状态。5.1.内部词汇5.1.内部词汇5.1.2语义启动:
拉特希福(Ratciff & Mckoon,1981)的研究:
被试者记忆:“The doctor hated the book”;
被试再认词汇,判断“doctor”在刚才记忆的句子中是否使用过。
在呈现“doctor”之前有时给被试者呈现一个启动词,这个词来自同一个句子“book”。
结果:当首先给被试者呈现一个启动词,对这个句子名词的反应时与没有给出启动词的名词的反应时相比大约减少40毫秒。
结果分析:在Meyer&Schvaneveldt(1971)研究中,看到:bread butter之间建立的词对将产生语义启动。5.1.内部词汇5.1.内部词汇5.1.2语义启动:
结果分析:在拉特希福(Ratciff&Mckoon,1981)的研究中:看到实验室水平上形成联系词对间的这种启动效应。这说明:这些词并不需要“真正”的语义联系。
Ratciff&Mckoon(1981)的进一步研究:启动词和目标词之间各种时间延迟效应,启动词在目标词之前50~300毫秒。
结果:随着刺激之间延迟的增加,反应时变得越来越短。
结论:这个结果表明语义启动的最大效应不是立即发生的,相反它们的关系建立好像至少需要300毫秒。null5.1.内部词汇5.1.内部词汇5.1.2语义启动:
内里(Neely,1977)用词汇作业研究了语义启动效应。
给被试一个字母串,要求尽可能快地判断字母串是不是一个词。
内里给被试呈现一个预期字母串的提示词,研究提示词和字母串之间的关系。
指导语1:如果目标字母串是一个词,它将是提示词所属类别中的一个例子。
如:提示词:bird(鸟);目标串:robin(知更鸟)。
指示语2:在提示词和目标串之间会看到有类别的转换:如:提示词body;转换为表象建筑的目标串door。
设计:但实际上这些转换并没有发生。5.1.内部词汇5.1.内部词汇5.1.2语义启动:
指导语3:会有类别转换,并且转换的确发生了,但不是期望类别,而是非期望类别:body→bird。
假设1:如果给被试者呈现一个提示词bird,随后呈现的是一个代表某种鸟的字母串,试验者预期提示词表现出启动或易化效应,即看到提示词的被试者由于语义启动比那些没有看到提示词的被试者辨认出字母串是一个词要快得多;提示词的易化效应
假设2:对于那些呈现提示词如:bird但没有告诉类别转换的被试者,试验者预期如果字母串是一个不属于相应类别的词,那么被试者将花费更长的时间来辨认这个字母串是一个词;提示词的抑制效应。5.1.内部词汇5.1.内部词汇5.1.2语义启动
假设3:如果你得到的是一个“Building”的提示词,并提示类别转换,随后呈现的字母串是身体部位“leg(腿)”,试验者会看到提示词的易化效应。因为已经告诉被试有类别转换。
实验设计:以“building”为提示词,但预期转换并未发生时却出现:建筑物一部分的“window”,如果被试不是处于转换条件下,结果会出现反应时的易化效应;如果处在转换条件下,而转换条件又没有发生,结果会看到来自提示词的抑制效应。
观察的变量:结果——易化与抑制会互相抵消吗?null5.1.内部词汇5.1.内部词汇5.1.2语义启动
结果与分析:
当给被试者呈现提示词“bird(鸟)”时,易化效应改变了对字母串例如“robin”的再认,而且,SOA(刺激呈现上的时间差异)越长,易化效应越明显。
当被试无预期转换时,提示词“bird”会抑制无预期成分如“arm(手臂)”的词汇判断,且抑制效应也随着SOA的变长而表现明显。
只有告诉被试类别转换时,提示词的确易化了“door”的词。
被试虽然期望类别转换,当转化发生在一个不是来自期望类别的词时,我们看到来自提示“body”的抑制效应。5.1.内部词汇5.1.内部词汇5.1.2语义启动:
上述结果意味着:简单地告诉被试者期望类别转换并不是对其他类别中的所有词汇项目都产生启动。
实验发现,在最短的SOA(250毫秒)时,即使告诉被试者期望的类别转换,也易化了同类的字母串。被试的认知/神经系统暂时忽略类别转换的要求。
然而,随着SOA的增加,易化效应消失,实际上提示词具有了与其他不期望的类别转换相似的抑制效应。
这里使我们看到了意识和自动化认知之间的交互作用。
在自动化水平上,被试知道“heart(心脏)”是身体的部分,并且在短SOA条件下,这种自动的、无意识的加工很可能发生。然而,当被试者足足两秒的时间来思考提示词Body时,他们就有可能有意识地准备寻找期望转化类别中的词,即建筑物部分。5.2.知识的符号-网络模型5.2.知识的符号-网络模型词汇触接证明:一个语义相关的提示词,对某个指定词的反应时可以缩短。
通过观察反应时能够推论出被试者基本的知识结构。
接下来将要构建扩展上述结果的知识模型。
认知心理学家构筑的知识模型是为了计算机能够编程而设计的数学模型,但也有理论意义。
这种形式模型可以通过计算机模拟来验证。
符号网络模型是一种广泛使用的地形式模型。5.2.知识的符号-网络模型5.2.知识的符号-网络模型网络的含义是指:该模型详细指明我们知识中的每个成分是以联系的模式排列发生的。
5.2.知识的符号-网络模型5.2.知识的符号-网络模型知识成分是词(此例)。
“金丝雀”符号上表征我们有关金丝雀的概念或知识。
符号-网络模型中的概念通常用结点(nodes)来表示。
结点与结点之间联系用箭头表示。
而结点与结点之间的关系可表述为“是一只”(此例)。如“有”
箭头方向被认为是有理论意义。5.2.知识的符号-网络模型5.2.知识的符号-网络模型网络模型基本假设
“记忆搜索”的活动是类似于在网络结点间的搜索。
系列搜索:一个结点接着一个结点搜索。
在结点处读取知识,如果知识使得我们回答一个特定的问题,那么搜索就停止;否则将继续到发现
答案
八年级地理上册填图题岩土工程勘察试题省略号的作用及举例应急救援安全知识车间5s试题及答案
为止。
联结约束了搜索的程度或范围。
大部分网络模型是类型-代码区分(type-token distinction).
5.2.知识的符号-网络模型5.2.知识的符号-网络模型根据触接技术构建知识模型。
类型-代码区分:这种区分是指我们在一般类别(类型)和来自于此类别(代码)的特定的熟悉的样例之间所形成的差异。
如:个人知识——情境性的。
类型-代码区分提供了理论家从情境知识区分出语义知识的一种方法。
储存在类型结点中的是关于类的真实的事情,这种实事界定了类,因此,它不受背景影响。
储存在代码结点中的实事对个体来说是真实的,这种知识是依赖于背景的,在搜索中易受干扰。
任何知识理论如果不能提供情境知识就很难预言出有关的反应。null5.2.知识的符号-网络模型5.2.知识的符号-网络模型5.2.2.可教的语言理解者-一个实际模型
可教的语言理解者(Teachable-Language Comprehender,简称TLC,可林安,Quillian,1969 )。
早期的TLC所关注的是语言而不是知识组织,并且该模型设计是用来描述有关语言的基本理解。
Collins&Quillian(1969)对此进行修改和简化了一些假设,创造出可被经验验证的语义知识模型。
TLC中的假设:
每个概念(结点)具有两种关系;
每个结点从属于其他的一些结点,这决定类别成员。从属于特征表述的是“是一种”关系。
每个结点都具有一个或更多特征,表示为“具有”关系。null5.2.知识的符号-网络模型5.2.知识的符号-网络模型TLC中的假设:
知识可以通过上述层次的方式来表述,也就是次级类别被组织在更普遍更具包容性的类别中。
认知系统具有认知经济(Cognition Economy)的特点。
在某一水平上概括这一普遍的特点。
知识的获取是由交叉搜索(intersection search)来完成的,这种类型的搜索说明搜索开始于特定的结点,然后从它们扇形展开。
扇形展开是平行的,这就意味着认知过程在同一时间扫描与开始结点相联系的所有结点。
这种搜索假设也没有能量限制,意味着搜索速度并不因为从任何一个结点所发出的联结的数量而降低。5.2.知识的符号-网络模型5.2.知识的符号-网络模型TLC中的假设:
对于在搜索中触接的每一个结点,扫描加工器留下一个指向最初开始搜索的结点的标记。
在不同结点的扇形展开的搜索过程在搜索中相互触接遇到,就记录一次交叉。
当发现一个交叉,认知过程检查所有的标记结点直区决定它们的联结从最初开始搜索所有结点所联结的路径。
一旦这一路径确定,TLC就可以应用推论程序来判断它是否“知道”那个实事。5.2.知识的符号-网络模型5.2.知识的符号-网络模型TLC的经验结果
一个检验基本假设:两个起始点之间的语义距离越长,TLC验证陈述所需的时间也就越长。
验证S0:需要很
短时间;
S0金丝雀是金丝雀
S1金丝雀是鸟
S2金丝雀是动物
验证S2:需要较
长时间;
P0金丝雀是黄颜色
P1金丝雀能飞
P2金丝雀有皮肤5.2.知识的符号-网络模型5.2.知识的符号-网络模型验证P2比P1或P0应该需要更多的时间。
给被试一些句子,尽快判断句子的真伪,呈示的句子的正确与错误数量相同。
结果显示:人们是以与上述假设一致的方式来执行任务的,对在永久记忆中以TLC所表示的方式进行搜索的观点给予了支持。
5.2.知识的符号-网络模型5.2.知识的符号-网络模型对TLC的疑问:
瑞布斯(Rips,shoben&Smith,1973)发现有些上级关系比其他的验证要快。
例1:
狗是哺乳动物。(慢)
狗是动物。(快)
例2:
桃子是水果。(快)
西瓜是水果。(慢)
一些水果比另一些更具有类别典型性。TLC的问题是太简单化了以至于不能整合这种效应。人类实际的知识组织原则比TLC中看到的有限的层次更为丰富(McCloskey & Glucksberg,1978)。5.2.知识的符号-网络模型5.2.知识的符号-网络模型对“认知经济”假设的质疑:
特定的实际知识只储存一次——在可能最普遍的结点。
金丝雀会唱歌——时间短;
金丝雀有皮肤——时间长;
Conrad(1972)对上述假设提出质疑。
金丝雀会唱歌——时间短是由于“金丝雀”概念与“会唱歌”概念联系比“有皮肤”概念联系强得多。
Conrad发现:特定名词在所具有的特点上存在着显著差异。“金丝雀”常于“黄色的”联系,很少与“皮肤”相联系。
反应时可由联结强度来预测,而不管被试者搜索过程所通过的水平数。“橘子是可吃的”。5.2.知识的符号-网络模型5.2.知识的符号-网络模型激活-扩散模型
Collins&Loftus(1975)改善层次模型,发展一个语义距离和语义关系的观点为核心的模型。
激活扩散模型(spreading-activation model)假设:
联结两个概念的连线长度具有理论意义,连线越短,概念联系越紧密。
上级关系以“是一种”或“不是一种”联结来表示。
改善的一点是“不是一种”:该模型能迅速判断某些紧密联结的概念不具有上级的关系。
如:学校是公共汽车。
提出:被试很快推翻这个句子,表明完整的搜索可能并没有执行。用预存知识(prestored knowledge)来描述这种不需要广泛记忆搜索的事实。null5.2.知识的符号-网络模型5.2.知识的符号-网络模型激活-扩散模型
有关搜索过程一些假说:
当搜索到结点时,存储于其中的知识状态将发生改变。即搜索活动可被视为激活被搜索结点,这意味着知识处在一种高度可触接性(Accessibility)。
哪一个结点被激活依赖于多种因素,其中包括搜索者的策略。
有证据表明:高度联系的结点激活具有不随意性。即激活沿着强连线辐射以使其他的结点具有可触接性。
激活扩散的决定性因素:最初激活的强度、从最初激活到目前的时间,当然结点间的语义距离会影响激活扩散的结果。5.2.知识的符号-网络模型5.2.知识的符号-网络模型ACT—R(1990~1993)
ACT(adaptive control of thought):思维的适应性控制。安德森(J.Anderson)等发展出一系列模型版本。
R(rational):理性的、合理的。
ACT—R中知识的组织
ACT—R中陈述性知识表象为“组快”;而程序性知识表象为产生式系统(production system).
产生式系统:5.2.知识的符号-网络模型5.2.知识的符号-网络模型产生式系统:
产生式规则组成,每一个产生式规则表述为“如果—那么”的规则,或者“条件—行动”对。
如果:指明规则运用的“条件”。
如果 天下雨
那么 带上你的雨伞 (带伞次数多)
如果 天下雨 并且
你不得不走出校园去乘公交车 并且
你又没有雨衣
那么 带上你的雨伞 (带伞次数少)
条件越多,规则适用范围越窄,导致产生较少频率行为。
这里需要比前面的产生式规则满足更多的条件。5.2.知识的符号-网络模型5.2.知识的符号-网络模型产生式系统
由目标来组织。产生式可以有多个相关的目标。但是在每一时刻至少必须有一个目标处于激活状态。
如,得到加法结果-目标。
35
+46
两个产生式系统
Next-Column(下-列)。
Process-Column(加工-列)。
5.2.知识的符号-网络模型5.2.知识的符号-网络模型产生式系统如何决定特定产生式规则的适应顺序?
在产生式系统执行完一个特定产生式规则后,还要执行模式匹配来决定下一步执行哪个产生式。
模式匹配:
检查工作记忆中的内容并且记录问题的哪一部分仍需解决。
系统把与当前状态相匹配的产生式规则应用于仍须完成的问题部分。
有时可以同时应用两个产生式规则,例如:
如果: 天下雨
那么: 带上你的雨伞
如果: 天下雨
那么: 穿上你的雨衣5.2.知识的符号-网络模型5.2.知识的符号-网络模型当两个产生式规则出现时,系统有时给一个规则以优先数字,系统将执行具有较高优先级的产生式。
“点火(firing)”与“循环(cycle)”
在产生式规则的部分行为执行后,我们把产生式称为“点火”。
通过“点火”,从模式匹配到冲突解决步骤的顺序称为活动“循环”。
产生式系统表象为认知技能,因此我们很少意识到它的运作。
每个产生式的内容储存在工作记忆中,因此,产生式系统的内容是陈述性的。null5.2.知识的符号-网络模型5.2.知识的符号-网络模型这些产生式系统是如何产生的?
构建产生式系统的知识来源:
哪种类型的知识可以用来构建产生式系统?
作业分析(task analysis)技术。
实验者询问完成一项作业需要什么知识、行为和行为条件;
然后,以一个特定作业产生式系统的形式编程;
作业分析中的原则:
每个产生式规则匹配条件的数量应该是合理的,也就是它不应该超过任何时间的人的工作记忆中能够活动的条件的数量。
在每个产生式规则中所提及的条件的复杂性。5.2.知识的符号-网络模型5.2.知识的符号-网络模型陈述记忆中的组块:
产生式系统在工作记忆中存储的内容:
组块(chunk)或工作记忆成分(working-memory element)。
组块:
组块可以结合许多刺激,但是只有有限数量的刺激能结合到一个组块中。
组块成分被认为具有“排列特征”(configural properties)。
组块间可能具有层次关系:两个独立组块可能组成一个高级组块。
5.2.知识的符号-网络模型5.2.知识的符号-网络模型组块的表象
组块的“名字”是没有缩进的词;
例如:“问题1”和“列0”。
每个组块下面有不多于三行来表示组块中的三个特点或成分。这是组块的“内容”。
例如:在“问题”下面是“是一个数字列阵”和列的陈述。
表象是如何显示出组块间的层次关系。
层次高的组块包含有层次低的组块的名称。null第六章:知识的结构-联结主义取向第六章:知识的结构-联结主义取向神经-网络模型(neural-network models)
又称:联结主义模型(connectionist model)、分布式(distributed)、非符号的(nonsymbolic processing)加工。
这种取向试图产生与神经系统操作具有许多相同之处的认知模型。
分布表象中的有关概念:
研究的几种层次:
心理水平:有意识的存在。
神经水平:对神经系统活动的文字描述。
认知水平:神经系统活动的更抽象的层次。
我们很少会意识到认知系统和神经系统的活动。第六章:知识的结构-联结主义取向第六章:知识的结构-联结主义取向6.1.2.实际和理想的神经元
神经元之间的联结可能有兴奋性和抑制性的。
神经元的动作电位:神经元连续处于两种状态中的一种。
神经元可以沿着轴突“释放”电冲动。这种放电称为动作电位。
引起神经元放电的原因:在接受到其他神经元足够的输入,超过它的放电阈限,就会看到动作电位。
每个神经元冲动可以传递到周围的几千个皮层神经元,每个小脑非皮层的普肯雅(Purkinje)细胞接受来自周围100000个细胞的输入。
皮层神经元是高度联系的是指:放电神经元对周围几千个神经元的效果是同时的。6.1.2.实际和理想的神经元6.1.2.实际和理想的神经元神经元信息的强度并不因为与它联系的临近细胞的数目而改变,信号从不会由于邻近细胞的联系而消弱或减弱。
信号有正负。Rosenblarr(1958)认为:神经元之间的计算不但是由它们之间兴奋连接而且也由抑制联结产生。
每个神经元通过总合所有来自其他神经元的兴奋和抑制性传递成为决策者。
放电和不放电依赖于总的输入是正和负的。
6.1.2.实际和理想的神经元6.1.2.实际和理想的神经元理想神经元。
三个人工神经元—神经节(neurode)A、B、C。
神经节的特征:
按层次排列;
底层通常为输入层;顶层标识为“输出”层。
与实际神经元之间的共性:输入层的神经节与输出层的每个神经节之间存在着联系。
如图所示:输入层和顶层的神经节之间也具有兴奋的和抑制性的联系。
6.1.3.转化
函
关于工期滞后的函关于工程严重滞后的函关于工程进度滞后的回复函关于征求同志党风廉政意见的函关于征求廉洁自律情况的复函
数6.1.3.转化函数转化函数的意义:
在真正的神经网络中,信息通常是以动作电位的方式在神经元之间传递的;在联结主义模型中,这种传递是由转化函数来执行的。
输入在整个系统中的传到:转化函数把输入传入系统并且描述输入在整个系统中扩散的途径。
如果输入单元A处于激活状态(强度为1),那么单元A输出0.3的激活。
如果输入单元B处于激活状态(强度为1),那么单元B输出-0.3的激活。
如果输入单元处于不激活状态,那么输出不激活。
输出单元C通常是所有输入单元激活的总和。6.1.3.转化函数6.1.3.转化函数转化函数转化函数转化函数表明:
如果输入单元A并且只有输入单元A处于激活,那么我们所创建的神经网络具有正的输出。
如果输入单元B并且只有输入单元B处于激活,那么单元C输出处于激活,那么单元C输出是负的。
如果两个输入单元都处于激活,那么单元C输出为0,0意味着在这种情况下没有真正的输出。6.2.分布表象和符号表象之间的差异6.2.分布表象和符号表象之间的差异神经节与结点相似。
神经节之间联结与结点之间联结相似。
神经网络与符号模型:表象知识和认知活动。
两种取向的差异:如何表象认知。
神经节较为“迟钝”。
结点能够储存大量信息:当一个结点激活时,可以触接大量信息,甚至超过一个命题。
一个结点是个复杂事情;而一个神经节只是一个简单的事情。
6.2.分布表象和符号表象之间的差异6.2.分布表象和符号表象之间的差异一排神经节,代表一只特定狗可能具有或不具有的单一的区分性特征。
如果特征出现,那么输入层特定的神经节将激活,并且输入强度为“1”null[0.5 0.4 0.6 0.8][0.6 0.7 0.7 0.7]特征:特征:当不同的输入神经节被激活时,输入模式是非常不同的。
在神经网络中狗的不同代码是由一系列输出单元的不同激活模式来表象的。
与每一结点代表的信息符号表象相比,在联结主义取向中,任何一个神经节都不包含信息,反之,信息被看作是整个交互作用的神经节的激活模式。
在回答信息存放在哪?联结主义的回答是信息扩散在整个网络中,有时我们称知识存在于神经网络的联结中或权重里。
根据符号的观点:失去一个结点确实会破坏一个系统;而联结主义认为:失去一个结点不会使系统失效。联结主义与符号主义特征对比联结主义与符号主义特征对比符号模型强调的网络结点包含大量信息;
联结主义模型包含神经节,它本身并不能做许多事情;
在符号模型中,对特定信息储存在系统中哪个结点的询问是适当的,但是在联结主义模型中,知识被看作是交互成分集的激活模式;
在联结主义网络中特定知识并不储存在特定的地点;
在符号模型中特定结点的丢失会产生任务的严重降低,但联结主义模型在看到作业(performance)严重降低之前,通常能够承受一些甚至许多交互神经节的丢失。6.3.一些基本的网络及其计算特征6.3.一些基本的网络及其计算特征6.3.1.垒高拼装玩具式网络
6.3.一些基本的网络及其计算特征6.3.一些基本的网络及其计算特征6.3.1.知觉机
与通常的转化函数不同,在知觉机中把输出神经节激活转化为两种值中之一( +1 ; -1 )。
如果输出神经节激活高于特定的阈限,那么输出变为+1;如果激活低于特定的阈限,那么输出变为-1。通常阈限为0。
Rosenblatt(1958)认为:知觉机在某种意义上可以被“训练”来执行各种认知计算。
训练神经网络的第一个原则:为了得到执行不同操作的神经网络,就要改变联结输入和输出层中神经节间的权重。6.3.一些基本的网络及其计算特征6.3.一些基本的网络及其计算特征6.3.1.知觉机
W新= W旧+Byx
其中: W新= 在知觉机中使用的“新权重”; W旧=迄今为止在知觉机中使用的“权重”; B=+1,表示知觉机的回答是正确的, B=-1表示知觉机的回答是错误的;Y=知觉机的回答;X=输入模式。
学习:知觉机输出定义为“回答”,知觉机回答正确时,以旧权重为基础,每个权重加1;知觉机回答不正确时,在权重重减1,如此改变权重。
把每一次计算看成正确或者错误的答案,然后给网络一个关于正错与否得反馈,那么,网络开始较频繁产生出正确的输出,以某种方式“学会”经常产生正确的回答。6.3.一些基本的网络及其计算特征6.3.一些基本的网络及其计算特征6.3.1.知觉机
我们能够认为知觉机可以通过反馈训练来准确地把刺激归为一类或另一类。
6.3.一些基本的网络及其计算特征6.3.一些基本的网络及其计算特征6.3.2.模式联合者
一个普遍使用的神经网络:模式联合者最大的特点之一就是它能够使用同一组权重而产生几种不同的输出模式。
不同的输入模式能够通过同一组权重产生与特定输入模式有特殊联系的输出模式。
这一特点使得模式联合者可以用来作为记忆的神经网络模型。
产生记忆是指:能够联系一个独特的输入模式和一个独特的输出模式。null6.3.一些基本的网络及其计算特征6.3.一些基本的网络及其计算特征6.3.1(1)向量编码
神经网络的运作称为向量编码(vector-encoding)
向量:是一个至少具有两个成分的有序的数字列。
[-1 1 1]
心理学家关心向量的编码和表象特征列的能力。
认知心理学家采用一些简单的规则定义刺激。
如:语音、字母。浊音出现(-1)不出现(1).水平
线出现(-1)不出现(1)1:双唇音,1:停止。
只要系统知道特征的类型,就能用+1和-1表述。因此,系统就能读一个作为问题中刺激表象的向量。
[-1 1 1]:辅音/p/。6.3.一些基本的网络及其计算特征6.3.一些基本的网络及其计算特征利用向量来表象所有的语言和字母需要大量的特征变量。
向量的特点是增加特征变量并不改变基本概念。
心理学定义的向量的特征变量要求很多特征量进行表象,并且每个特征的编码和表象都需要一个神经节,致使神经网络变得非常大。
人脑中超过几百亿个神经元足以完成这一计算。
Anderson(1997)提出:我们如何使用这些向量表象来编码数字并对这些数字进行操作,他把表象一个数的向量看作由两部分区域组成的。null向量编码向量编码第一个区域,神经学编码数字“抽象”知识,包括例如数字的名称等。
第二区域工作有些类似于温度计。
当数字代表大的数量时,它们由一组远离向量右侧的激活的神经元来编码。
数字“1”的表象包括向量抽象部分的活动和向量数量区域中最左端部分的活动。
数字“2”的表象也包括抽象区域中的一部分活动,但是在数量区域中的活动比激活表象数字“1”的神经元要向右侧一些。神经网路模型可能的局限性神经网路模型可能的局限性一种假想的计算模型。
联结主义模型对复制非常熟悉的人们经验的相对失败对联结主义模型的用处提出了质疑;
心理学家发现,对联结主义取向的普遍性提出疑问,假想模型没有复制出“假同音异义效应”。
人类本身的限界。
“这好像是人们比模型知道的更多,但是,真正问题也许是他们知道的比这种模型能知道的更多吗?。