生物神經元模型怎麼做

① 1.人工神經元模型

       人工神經網路是一種從信息處理角度模仿人腦神經元的數學模型，最初是由生物學家提出來的，是一種仿生類的模型，生物學中的神經元模型通常是由樹突、軸突、細胞核等組成，其基本結構如圖1所示。

       在人工神經網路中，擁有數量非常多的神經元，它們之間相連組成神經網路，並且神經元之間都有連接權值，稱為權重，是模仿人腦中「記憶」機制，神經網路中的每一個節點都代表著一種特定的輸出，稱為「激勵函數」，其大致結構如圖2所示：

② 如何用matlab構建一個三層bp神經網路模型，用於預測溫度。

第0節、引例
本文以Fisher的Iris數據集作為神經網路程序的測試數據集。Iris數據集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set 找到。這里簡要介紹一下Iris數據集：
有一批Iris花，已知這批Iris花可分為3個品種，現需要對其進行分類。不同品種的Iris花的花萼長度、花萼寬度、花瓣長度、花瓣寬度會有差異。我們現有一批已知品種的Iris花的花萼長度、花萼寬度、花瓣長度、花瓣寬度的數據。
一種解決方法是用已有的數據訓練一個神經網路用作分類器。
如果你只想用C#或Matlab快速實現神經網路來解決你手頭上的問題，或者已經了解神經網路基本原理，請直接跳到第二節——神經網路實現。

第一節、神經網路基本原理
1. 人工神經元( Artificial Neuron )模型
人工神經元是神經網路的基本元素，其原理可以用下圖表示：

圖1. 人工神經元模型

圖中x1~xn是從其他神經元傳來的輸入信號，wij表示表示從神經元j到神經元i的連接權值，θ表示一個閾值 ( threshold )，或稱為偏置( bias )。則神經元i的輸出與輸入的關系表示為：

圖中 yi表示神經元i的輸出，函數f稱為激活函數 ( Activation Function )或轉移函數 ( Transfer Function ) ，net稱為凈激活(net activation)。若將閾值看成是神經元i的一個輸入x0的權重wi0，則上面的式子可以簡化為：

若用X表示輸入向量，用W表示權重向量，即：
X = [ x0 , x1 , x2 , ....... , xn ]

則神經元的輸出可以表示為向量相乘的形式：

若神經元的凈激活net為正，稱該神經元處於激活狀態或興奮狀態(fire)，若凈激活net為負，則稱神經元處於抑制狀態。
圖1中的這種「閾值加權和」的神經元模型稱為M-P模型 ( McCulloch-Pitts Model )，也稱為神經網路的一個處理單元( PE, Processing Element )。

2. 常用激活函數
激活函數的選擇是構建神經網路過程中的重要環節，下面簡要介紹常用的激活函數。
(1) 線性函數 ( Liner Function )

(2) 斜面函數 ( Ramp Function )

(3) 閾值函數 ( Threshold Function )

以上3個激活函數都屬於線性函數，下面介紹兩個常用的非線性激活函數。
(4) S形函數 ( Sigmoid Function )

該函數的導函數：

(5) 雙極S形函數

該函數的導函數：

S形函數與雙極S形函數的圖像如下：

圖3. S形函數與雙極S形函數圖像
雙極S形函數與S形函數主要區別在於函數的值域，雙極S形函數值域是(-1,1)，而S形函數值域是(0,1)。
由於S形函數與雙極S形函數都是可導的(導函數是連續函數)，因此適合用在BP神經網路中。（BP演算法要求激活函數可導）
具體http://blog.csdn.net/gongxq0124/article/details/7681000/

③ 生物模型的製作方法 懸賞100啊

以下有各種生物模型製作方法：動植物細胞及病毒模型你可以參考書上的細胞和病毒的圖片，用不同顏色的橡皮泥表示不同的細胞結構或病毒結構，這個非常簡單，而且很逼真。
神經元的結構你可以用中國結的形式製作，非常漂亮。
肺的呼吸模型用大點的飲料瓶（底剪掉蒙上用超大號氣球剪成的橡皮膜一大塊密封嚴實）、一直長吸管（下端連上一個小氣球，密封嚴實）、一個小氣球、一個超大號氣球。吸管口露出飲料瓶口，然後將吸管與瓶口的空隙用透明膠帶密封嚴實（其它材料密封也可以）。
血液循環模型和尿液的形成你可以用霓虹燈做成動態的！能獲全國大獎。
眼球的模型較為復雜，需要的材料也比較多，不過只要你開動腦子，什麼材料適合做外膜、中膜、內膜？如何表示角膜、鞏膜、視網膜、玻璃體等等？它們之間如何連接？相信只要你開動腦子一定能做的非常棒。腎單位腎單位腎單位腎單位模型介紹模型介紹模型介紹模型介紹 一一一一、、、、材料准備： 一條塑料管，一個漏斗，紅色繩子，乒乓球，膠帶，剪刀等。 二製作過程製作過程製作過程製作過程：：：： 1、把漏斗與塑料管相連； 2、把紅繩子纏成團，包裹住乒乓球（用膠帶粘好），表示腎小球是毛細血管球；兩邊用較細線相連接，匯集處較粗，用來表示進球小動脈分支形成毛細血管以及毛細血管匯集形成出球小動脈； 3、再用紅色繩子纏繞在塑料管上，表示腎小管周圍纏繞著豐富的毛細血管，繩子匯集處也是由幾股細繩子逐漸變粗，表示毛細血管又匯集成小靜脈； 4、把出球小動脈和纏繞在腎小管上的較粗紅繩子連接，就成了一個腎單位模型。 三使用效果使用效果使用效果使用效果：形象、直觀，便於識記，重點和難點非常容易突破，記憶效果非常好。 腎單位介紹：每個腎約有120萬個腎單位，是腎的結構與功能的基本單位。每個腎單位包括腎小體和腎小管兩部分。腎小體位於皮質內，由腎小球和包在它外面的腎小囊構成。腎小球是由進球小動脈分出的數十條毛細血管彎曲盤繞而成的血管球。這些毛細血管在出腎小體前再匯合成一個出球小動脈。腎小球將血液過濾到腎小囊中，這是原尿。被稱作腎小球的濾過作用。接著注入腎小管，將原尿中的有利物質重吸收到身體里。稱作腎小管的重吸收作用

④ 如何製作神經元結構模型

神經元: 神經元即神經細胞,是高度分化的細胞.具有感受刺激\傳導沖動和整合信息的功能,是神經系統形態結構與功能的基本單位.
2,神經元的形態結構: 神經元是由細胞體和突起兩部分組成.
3,神經元的分類:(1)按神經元突起數目分類:單極神經元,雙極神經元,多極神經元
(2)按神經元功能分類:感覺神經元(傳入神經元),運動神經元(傳出神經元),聯絡神經元(中間神經元). 神經纖維:神經纖維是由運動神經的軸突或感覺神經元的長樹突(兩者統稱為軸素)與包在它外表的神經膠質細胞構成的.
神經纖維分有髓神經纖維和無髓神經纖維.

⑤ 什麼是心臟神經元的3d地圖，是如何繪制的

我們人體最重要的一個部位便是心臟，它是否跳動也是判斷我們是否活著的一個標准。它就像發電機一般，每時每刻都在工作，都在跳動，向我們身體各部位源源不斷的輸送血液，心臟是每一個動物的最重要的器官。而心臟的正常運行是依靠大腦里的神經網來決定的，如果神經網不正常，就會導致我們的心臟發生問題，在2020年，醫學家們發明了心臟神經元3d地圖，什麼是心臟神經元的3d地圖，是如何繪制的呢？心臟神經元的3d地圖就是心臟神經元的一個實物圖紙，只不過是3d類型的，通過利用KSEN和激光捕獲顯微解剖的技術來繪制。

醫學界的每一項技術的突破都對我們醫生護士的治療有很大的幫助，心臟神經元的3d地圖的發明，為心臟病患者等具有心臟疾病的人帶來了福音，也是在醫學史上的一個重大突破，為我們的治療設備帶來更高層次的改進。

⑥ 如何製作初一的生物模型

1、所需材料：顏色不同的正方形手工紙、剪刀、大卷透明膠布、記號筆、鉛筆、小尺等。

(6)生物神經元模型怎麼做擴展閱讀：

生物模型製作簡介：

生物模型製作是指學生利用身邊的各種材料來製作一些有關生物結構的模型，這些生物模型可以將抽象的知識以形象的物質形式呈現出來。製作生物模型的作用 ：加深對知識的記憶和理解 ，培養學生的動手能力和創造力 ，豐富教學資源 。

例如動植物細胞模型、花的結構模型等，學生都可以根據課本的文字內容或圖片把它們實物化、立體化。在製作過程中學生把各種材料加工成要模擬的生物結構形狀，直接構成一個整體的模型。

學生在親自參與製作生物模型以及運用模型演示生物知識的過程中，不僅能加深對知識的理解，鞏固和掌握所學知識，更能使自身的動手能力得到培養，從而更好地開發與訓練自己的創造力和創新思維。

參考資料來源：網路-生物模型

⑦ 製作神經元模型．基本材料：厚白紙、彩色鉛筆、較細的藍色電線和較粗的紅色電線（絕緣皮內銅絲是分股的）

⑧ 急急急急！追加高分！生物模型製作！

如果說簡單那就簡單的給你吧。就只是很簡單的模型，體現一些特點而已。類似小學生學做的模型，夠簡單的吧

植物細胞：
主要結構：細胞壁（透明塑料片，厚一點，但別太硬），細胞膜（保鮮袋、塑料袋，最好是球體的透明塑料簿膜），細胞核（隨便找個黑色球體，別太重），液泡（也是保鮮袋裡注水，要比細胞膜小一點），細胞質（粘稠液體，自己配吧！搞得像奶油而又透明最好），葉綠體（綠色橢圓狀物體，小一些）
製作步驟：液泡內注水封口，連同細胞核、葉綠體一起放入細胞膜中，在細胞膜中加入細胞質，封口後把細胞壁貼在細胞外，就完成了。

動物細胞：
主要結構：去掉細胞壁、液泡、葉綠體。其他相同
製作步驟：去掉與細胞壁、液泡、葉綠體有關的步驟。其他相同(其實也可以在氣球中加入粘稠液體和一個黑色球體。極其簡單)

病毒（這個你說的有點模糊）：
只有兩部分，蛋白質外殼和遺傳物質（在這里當做DNA）。由於你沒有說是那種病毒，而病毒的蛋白質外殼形態千差萬別。你可以上網搜索病毒的圖片，看著那個容易做，自己想一想。至於遺傳物質（NDA）用一條黑色繩子表示。
製作步驟：把遺傳物質放在蛋白質外殼裡面。（就一步，病毒結構太簡單了）

神經元:我不太熟悉

肺的呼吸：初中的課本里那個
主要結構：肺：一個容器（像鍾形的，頂部有小口，也可以說像燈罩），膈肌：橡皮膜（可以蓋住容器底部的大口）。氣球（體現氣流的狀況）
製作步驟：用橡皮膜蒙住容器底部的大口，固定好。在容器頂部小口套上氣球，也固定好。用手把橡皮膜往容器中頂，可看見頂部氣球被吹大（即呼氣）。放手，氣被吸回來，氣球變扁（吸氣）

我還知道一個：血液循環：即心臟模型。這個好復雜的

主要結構：心臟（四個氣球，最好透明。口大點的，兩個氣球的口套在一起，表示一心室一心房，用夾子夾住套在一起的口，表示瓣膜）。血管（透明管子，可彎）。血液（自來水，內放個小球，可以順利通過任何部位，以便觀察血液流動的情況）
製作步驟：按血液循環圖把管子插進氣球，還不能漏水（真是個技術活）。然後把水和小球灌進管子。擠壓氣球模仿心臟收縮，將水壓出。（注意：擠壓心房使血液流入心房時，夾子松開，並用手捏緊連接心房的血管）

其他我就不會了 。不過，看在我打那麼多字的份上多加點分啊！！

⑨ （BP進階1）從M-P模型到BP神經網路

經過兩天的研究，終於更加清晰地搞明白了所謂BP，做此記錄。

M-P模型，其實就是按照生物神經元的結構和工作原理來構造出來的比較簡單的模型。下圖為M-P模型的示意圖：

具體的推論詳見 http://blog.csdn.net/u013007900/article/details/50066315
拋去繁重的公式，我們可以把這個模型理解為：
要想下一個神經元接收到信息，那麼接收到的信號一定要大於某一個闕值θ才能由輸出信號yj輸出，該闕值由具體的神經元決定；也就是說，輸入的信號總和在經過神經元後失去了闕值θ的信號以後，轉化為輸出信號輸出。
我們假每一個輸出信號x都輸入一定的神經元Wij，那麼該神經元共接收到的輸入信號即為

這個公式不難理解，於是在神經元中失去了闕值量θ後：

經過信號轉化（激活函數f(x)的作用）為輸出信號：

然而神經元突觸的信號類型又分為興奮和抑制兩種狀態，於是，在M-P模型中，這種性質體現為權值w的正負，如果權值是負，那麼輸出y值就也為負，體現為抑制狀態；如果權值是正，那麼輸出y值就也為正，體現為興奮狀態。

這種「閾值加權和」的神經元模型稱為M-P模型 ( McCulloch-Pitts Model )，也稱為神經網路的一個處理單元( PE, Processing Element )。

常用的激活函數有五種：
線性激活函數：

非線性激活函數：

在進行BP神經網路進行訓練的時候，我們常用的函數是S形函數。

簡單來說，感知器就是一個簡單的神經網路模型，以下是感知器的拓撲結構圖：

而oi表現形式為兩種，1和-1，來表示興奮和抑制。

因此，單層感知器的作用為可以使用一條直線來對輸入數據進行線性分類，如果仍舊不太明白的話，可以從公式入手來進行分析：

所以可以得知，這是一個關於x1，x2的線性函數，而在圖1中用於分類的紅色直線，則是與函數w1j x1+w2j x2-θj=0成線性關系的函數。

到此，我們已經講解了單層感知器的實現分類原理，引入多層分類器的原因在於，單層感知器的局限性只能區分二維平面中的線性函數，而對於多維平面，或著非線性函數來說，則無法實現分類。

可以看出，在加入了隱層以後輸入層的數據不再直接經過簡單的權值激活運算就直接進入輸出層，而是在多層的隱層經過復雜計算後，再輸入層輸出，這樣的計算方法，可以保證輸出的o和輸入信號x1，x2，不再是簡單的線性關系，而其中的計算也將會隨著隱層的增加而無限度地復雜化。
我們可以比較一下單層感知器和多層感知器的分類能力：

由上圖可以看出，隨著隱層層數的增多，凸域將可以形成任意的形狀，因此可以解決任何復雜的分類問題。實際上，Kolmogorov理論指出：雙隱層感知器就足以解決任何復雜的分類問題。
異或問題的解決：

在M-P模型中，我們得知，為了實現有效的分類，需要加入一定數量的隱層來加強演算法的復雜性，而在隱層內部的計算我們是無法得知的，因此，我們需要進行神經網路的訓練。
這樣說可能有點突兀，我們不妨這樣想，我們已知的是一組數據和它們相對應的分類狀況，求解的是如何可以用同類的數據來得到正確的分類。
或者這樣說，我們已知:
x1=2,x2=3時，y=5，x1=4,x2=5時，y=9，那麼，求解x1=8,x2=0時，y的值，這樣是不是好理解很多？
總之，我們需要的是一個可以滿足當前條件的「公式」，讓它可以計算出更多的數據，這在我們的小學數學里叫做解算式，在這里就可以叫做訓練。
我們需要知道這些數據在隱層里是經過怎樣的計算，才得到了輸出結果，於是，我們需要先進性數據的訓練，然後再根據現有未知結果的數據套進去，得到預期結果。
而我們在這里，得出的所謂隱層結構的計算，就是需要訓練出的「公式」。
具體的BP訓練方式下次更新。

⑩ SNN初探二---神經元模型

本文主要介紹SNN的神經元模型Leaky Intergrate and Fired Model

SNN與ANN最主要的不同就是使用離散的脈沖信號替代ANN網路中傳播的連續的模擬信號。為了在這種網路結構上產生脈沖信號，SNN使用了更加復雜也更加貼近於生物的神經元模型，目前使用最多的是 Leakyintegrity-Fire（LIF） 模型。 對於這類神經元模型來說，輸入信號直接影響的是神經元的狀態（膜電位），只有當膜電位上升到閾值電位時，才會產生輸出脈沖信號。

該模型利用給定神經元的神經元動作電位總是具有大致相同的形式這一事實。如果動作電位的形狀總是相同的，那麼這個形狀就不能用來傳遞信息：而是包含在有或沒有尖峰的情況下。因此，動作電位被還原為發生在精確時刻的「事件」。

Leaky Integrate and Fire neurons簡稱LIF模型，是一種對HH模型的最基礎的簡化。但不是單純的省略變數。該模型不去刻意的描述動作電位的形狀。為了得到瞬時電壓與輸入電流的關系，使用電學理論的基本理論來解釋該問題。一個神經元被細胞膜包圍，細胞膜是很好的絕緣體。如果想神經元注射電流，那麼附加的電荷

必須到達一個地方：它會給細胞膜充電。因此，細胞膜就像一個電容器。因為絕緣體不完美，所以隨著時間的推移，電荷會慢慢地從細胞膜漏出，因此細胞膜可以用有限的泄露電阻表示。基本的表示LIF模型的電迴路由電容C CC和一個由I II驅動的電阻R RR並聯而成。

jointly learning network connections and link weights in spiking neural networks