人工神经元

人工神经元是一个数学函数视为一个模型生物的神经元，一个神经网络。人工神经元是人工神经网络中的基本单元。人工神经元接收一个或多个输入（代表神经树突处的兴奋性突触后电位和抑制性突触后电位）并将它们相加以产生输出（或激活，代表沿其轴突传递的神经元的动作电位）。通常每个输入都单独加权，总和通过一个非线性函数，称为激活函数或传递函数。传递函数通常具有sigmoid形状，但它们也可能采用其他非线性函数、分段线性函数或阶跃函数的形式。它们也经常单调递增、连续、可微且有界。阈值函数启发了构建逻辑门，称为阈值逻辑；适用于构建类似大脑处理的逻辑电路。例如，近来已广泛使用诸如忆阻器之类的新器件来开发此类逻辑。

人工神经元传递函数不应与线性系统的传递函数混淆。

根据使用的特定模型，它们可能被称为半线性单元、Nv神经元、二元神经元、线性阈值函数或McCulloch-Pitts(MCP)神经元。

简单的人工神经元，例如McCulloch-Pitts模型，有时被描述为“漫画模型”，因为它们旨在反映一个或多个神经生理学观察，但不考虑现实主义。

此部分需要扩展。您可以通过添加来提供帮助。

人工神经元旨在模仿其生物对应物的各个方面。

• 树突——在生物神经元中，树突充当输入向量。这些树突允许细胞接收来自大量(>1000)相邻神经元的信号。如在上述数学处理中，每个树突都能够通过该树突的“权重值”执行“乘法”。倍增是通过增加或减少突触神经递质与响应突触神经递质而引入树突的信号化学物质的比率来实现的。可以通过响应突触神经递质的接收沿树突传输信号抑制剂（即带相反电荷的离子）来实现负倍增效应。
• Soma–在生物神经元中，Soma充当求和函数，如上述数学描述所示。当正负信号（分别为兴奋和抑制）从树突到达胞体时，正负离子通过简单地在细胞体内的溶液中混合在一起而有效地相加。
• 轴突——轴突从胞体内部发生的求和行为中获取信号。轴突的开口本质上是对胞体内部溶液的电位进行采样。一旦体细胞达到一定的电位，轴突就会沿其长度传输一个全输入信号脉冲。在这方面，轴突表现为我们将人工神经元连接到其他人工神经元的能力。

然而，与大多数人工神经元不同，生物神经元以离散脉冲的方式激发。每次胞体内部的电势达到某个阈值时，就会沿着轴突向下传输一个脉冲。这种脉冲可以转化为连续值。轴突激发的速率（每秒激活等）直接转换为相邻细胞将信号离子引入它们的速率。生物神经元激发的速度越快，附近的神经元积累电势（或失去电势，取决于连接到激发神经元的树突的“权重”）的速度就越快。正是这种转换使计算机科学家和数学家能够使用可以输出不同值（通常从-1到1）的人工神经元模拟生物神经网络。

研究表明，一元编码用于负责鸟鸣产生的神经回路。在生物网络中使用一元可能是由于编码固有的简单性。另一个影响因素可能是一元编码提供了一定程度的纠错。

xxx个人工神经元是阈值逻辑单元(TLU)，或线性阈值单元，由WarrenMcCulloch和WalterPitts在1943年首次提出。该模型专门针对大脑中的“神经网络”的计算模型.作为传递函数，它采用了阈值，相当于使用Heaviside阶跃函数。最初，只考虑了一个简单的模型，具有二进制输入和输出，对可能的权重有一些限制，以及更灵活的阈值。从一开始就已经注意到任何布尔函数可以通过此类设备的网络来实现，从可以实现AND和OR功能，并以析取式或连接式范式使用它们这一事实很容易看出这一点。研究人员也很快意识到，通过神经元进行反馈的循环网络可以定义具有记忆的动态系统，但大多数研究都集中在（现在仍然如此）严格的前馈网络上，因为它们存在的难度较小。

一种使用线性阈值函数的重要且开创性的人工神经网络是由FrankRosenblatt开发的感知器。该模型已经考虑了神经元中更灵活的权重值，并用于具有自适应能力的机器。BernardWidrow在1960年引入了阈值作为偏差项的表示。

80年代后期，当对神经网络的研究恢复活力时，开始考虑具有更多连续形状的神经元。微分激活函数的可能性允许直接使用梯度下降和其他优化算法来调整权重。神经网络也开始被用作通用函数逼近模型。最著名的称为反向传播的训练算法已被重新发现多次，但其首次开发可追溯到PaulWerbos的工作。