生物神经元模型怎么做

① 1.人工神经元模型

       人工神经网络是一种从信息处理角度模仿人脑神经元的数学模型，最初是由生物学家提出来的，是一种仿生类的模型，生物学中的神经元模型通常是由树突、轴突、细胞核等组成，其基本结构如图1所示。

       在人工神经网络中，拥有数量非常多的神经元，它们之间相连组成神经网络，并且神经元之间都有连接权值，称为权重，是模仿人脑中“记忆”机制，神经网络中的每一个节点都代表着一种特定的输出，称为“激励函数”，其大致结构如图2所示：

② 如何用matlab构建一个三层bp神经网络模型，用于预测温度。

第0节、引例
本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set 找到。这里简要介绍一下Iris数据集：
有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。
一种解决方法是用已有的数据训练一个神经网络用作分类器。
如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题，或者已经了解神经网络基本原理，请直接跳到第二节——神经网络实现。

第一节、神经网络基本原理
1. 人工神经元( Artificial Neuron )模型
人工神经元是神经网络的基本元素，其原理可以用下图表示：

图1. 人工神经元模型

图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值 ( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为：

图中 yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数 ( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为：

若用X表示输入向量，用W表示权重向量，即：
X = [ x0 , x1 , x2 , ....... , xn ]

则神经元的输出可以表示为向量相乘的形式：

若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态(fire)，若净激活net为负，则称神经元处于抑制状态。
图1中的这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。

2. 常用激活函数
激活函数的选择是构建神经网络过程中的重要环节，下面简要介绍常用的激活函数。
(1) 线性函数 ( Liner Function )

(2) 斜面函数 ( Ramp Function )

(3) 阈值函数 ( Threshold Function )

以上3个激活函数都属于线性函数，下面介绍两个常用的非线性激活函数。
(4) S形函数 ( Sigmoid Function )

该函数的导函数：

(5) 双极S形函数

该函数的导函数：

S形函数与双极S形函数的图像如下：

图3. S形函数与双极S形函数图像
双极S形函数与S形函数主要区别在于函数的值域，双极S形函数值域是(-1,1)，而S形函数值域是(0,1)。
由于S形函数与双极S形函数都是可导的(导函数是连续函数)，因此适合用在BP神经网络中。（BP算法要求激活函数可导）
具体http://blog.csdn.net/gongxq0124/article/details/7681000/

③ 生物模型的制作方法 悬赏100啊

以下有各种生物模型制作方法：动植物细胞及病毒模型你可以参考书上的细胞和病毒的图片，用不同颜色的橡皮泥表示不同的细胞结构或病毒结构，这个非常简单，而且很逼真。
神经元的结构你可以用中国结的形式制作，非常漂亮。
肺的呼吸模型用大点的饮料瓶（底剪掉蒙上用超大号气球剪成的橡皮膜一大块密封严实）、一直长吸管（下端连上一个小气球，密封严实）、一个小气球、一个超大号气球。吸管口露出饮料瓶口，然后将吸管与瓶口的空隙用透明胶带密封严实（其它材料密封也可以）。
血液循环模型和尿液的形成你可以用霓虹灯做成动态的！能获全国大奖。
眼球的模型较为复杂，需要的材料也比较多，不过只要你开动脑子，什么材料适合做外膜、中膜、内膜？如何表示角膜、巩膜、视网膜、玻璃体等等？它们之间如何连接？相信只要你开动脑子一定能做的非常棒。肾单位肾单位肾单位肾单位模型介绍模型介绍模型介绍模型介绍 一一一一、、、、材料准备： 一条塑料管，一个漏斗，红色绳子，乒乓球，胶带，剪刀等。 二制作过程制作过程制作过程制作过程：：：： 1、把漏斗与塑料管相连； 2、把红绳子缠成团，包裹住乒乓球（用胶带粘好），表示肾小球是毛细血管球；两边用较细线相连接，汇集处较粗，用来表示入球小动脉分支形成毛细血管以及毛细血管汇集形成出球小动脉； 3、再用红色绳子缠绕在塑料管上，表示肾小管周围缠绕着丰富的毛细血管，绳子汇集处也是由几股细绳子逐渐变粗，表示毛细血管又汇集成小静脉； 4、把出球小动脉和缠绕在肾小管上的较粗红绳子连接，就成了一个肾单位模型。 三使用效果使用效果使用效果使用效果：形象、直观，便于识记，重点和难点非常容易突破，记忆效果非常好。 肾单位介绍：每个肾约有120万个肾单位，是肾的结构与功能的基本单位。每个肾单位包括肾小体和肾小管两部分。肾小体位于皮质内，由肾小球和包在它外面的肾小囊构成。肾小球是由入球小动脉分出的数十条毛细血管弯曲盘绕而成的血管球。这些毛细血管在出肾小体前再汇合成一个出球小动脉。肾小球将血液过滤到肾小囊中，这是原尿。被称作肾小球的滤过作用。接着注入肾小管，将原尿中的有利物质重吸收到身体里。称作肾小管的重吸收作用

④ 如何制作神经元结构模型

神经元: 神经元即神经细胞,是高度分化的细胞.具有感受刺激\传导冲动和整合信息的功能,是神经系统形态结构与功能的基本单位.
2,神经元的形态结构: 神经元是由细胞体和突起两部分组成.
3,神经元的分类:(1)按神经元突起数目分类:单极神经元,双极神经元,多极神经元
(2)按神经元功能分类:感觉神经元(传入神经元),运动神经元(传出神经元),联络神经元(中间神经元). 神经纤维:神经纤维是由运动神经的轴突或感觉神经元的长树突(两者统称为轴素)与包在它外表的神经胶质细胞构成的.
神经纤维分有髓神经纤维和无髓神经纤维.

⑤ 什么是心脏神经元的3d地图，是如何绘制的

我们人体最重要的一个部位便是心脏，它是否跳动也是判断我们是否活着的一个标准。它就像发电机一般，每时每刻都在工作，都在跳动，向我们身体各部位源源不断的输送血液，心脏是每一个动物的最重要的器官。而心脏的正常运行是依靠大脑里的神经网来决定的，如果神经网不正常，就会导致我们的心脏发生问题，在2020年，医学家们发明了心脏神经元3d地图，什么是心脏神经元的3d地图，是如何绘制的呢？心脏神经元的3d地图就是心脏神经元的一个实物图纸，只不过是3d类型的，通过利用KSEN和激光捕获显微解剖的技术来绘制。

医学界的每一项技术的突破都对我们医生护士的治疗有很大的帮助，心脏神经元的3d地图的发明，为心脏病患者等具有心脏疾病的人带来了福音，也是在医学史上的一个重大突破，为我们的治疗设备带来更高层次的改进。

⑥ 如何制作初一的生物模型

1、所需材料：颜色不同的正方形手工纸、剪刀、大卷透明胶布、记号笔、铅笔、小尺等。

(6)生物神经元模型怎么做扩展阅读：

生物模型制作简介：

生物模型制作是指学生利用身边的各种材料来制作一些有关生物结构的模型，这些生物模型可以将抽象的知识以形象的物质形式呈现出来。制作生物模型的作用 ：加深对知识的记忆和理解 ，培养学生的动手能力和创造力 ，丰富教学资源 。

例如动植物细胞模型、花的结构模型等，学生都可以根据课本的文字内容或图片把它们实物化、立体化。在制作过程中学生把各种材料加工成要模拟的生物结构形状，直接构成一个整体的模型。

学生在亲自参与制作生物模型以及运用模型演示生物知识的过程中，不仅能加深对知识的理解，巩固和掌握所学知识，更能使自身的动手能力得到培养，从而更好地开发与训练自己的创造力和创新思维。

参考资料来源：网络-生物模型

⑦ 制作神经元模型．基本材料：厚白纸、彩色铅笔、较细的蓝色电线和较粗的红色电线（绝缘皮内铜丝是分股的）

⑧ 急急急急！追加高分！生物模型制作！

如果说简单那就简单的给你吧。就只是很简单的模型，体现一些特点而已。类似小学生学做的模型，够简单的吧

植物细胞：
主要结构：细胞壁（透明塑料片，厚一点，但别太硬），细胞膜（保鲜袋、塑料袋，最好是球体的透明塑料簿膜），细胞核（随便找个黑色球体，别太重），液泡（也是保鲜袋里注水，要比细胞膜小一点），细胞质（粘稠液体，自己配吧！搞得像奶油而又透明最好），叶绿体（绿色椭圆状物体，小一些）
制作步骤：液泡内注水封口，连同细胞核、叶绿体一起放入细胞膜中，在细胞膜中加入细胞质，封口后把细胞壁贴在细胞外，就完成了。

动物细胞：
主要结构：去掉细胞壁、液泡、叶绿体。其他相同
制作步骤：去掉与细胞壁、液泡、叶绿体有关的步骤。其他相同(其实也可以在气球中加入粘稠液体和一个黑色球体。极其简单)

病毒（这个你说的有点模糊）：
只有两部分，蛋白质外壳和遗传物质（在这里当做DNA）。由于你没有说是那种病毒，而病毒的蛋白质外壳形态千差万别。你可以上网搜索病毒的图片，看着那个容易做，自己想一想。至于遗传物质（NDA）用一条黑色绳子表示。
制作步骤：把遗传物质放在蛋白质外壳里面。（就一步，病毒结构太简单了）

神经元:我不太熟悉

肺的呼吸：初中的课本里那个
主要结构：肺：一个容器（像钟形的，顶部有小口，也可以说像灯罩），膈肌：橡皮膜（可以盖住容器底部的大口）。气球（体现气流的状况）
制作步骤：用橡皮膜蒙住容器底部的大口，固定好。在容器顶部小口套上气球，也固定好。用手把橡皮膜往容器中顶，可看见顶部气球被吹大（即呼气）。放手，气被吸回来，气球变扁（吸气）

我还知道一个：血液循环：即心脏模型。这个好复杂的

主要结构：心脏（四个气球，最好透明。口大点的，两个气球的口套在一起，表示一心室一心房，用夹子夹住套在一起的口，表示瓣膜）。血管（透明管子，可弯）。血液（自来水，内放个小球，可以顺利通过任何部位，以便观察血液流动的情况）
制作步骤：按血液循环图把管子插进气球，还不能漏水（真是个技术活）。然后把水和小球灌进管子。挤压气球模仿心脏收缩，将水压出。（注意：挤压心房使血液流入心房时，夹子松开，并用手捏紧连接心房的血管）

其他我就不会了 。不过，看在我打那么多字的份上多加点分啊！！

⑨ （BP进阶1）从M-P模型到BP神经网络

经过两天的研究，终于更加清晰地搞明白了所谓BP，做此记录。

M-P模型，其实就是按照生物神经元的结构和工作原理来构造出来的比较简单的模型。下图为M-P模型的示意图：

具体的推论详见 http://blog.csdn.net/u013007900/article/details/50066315
抛去繁重的公式，我们可以把这个模型理解为：
要想下一个神经元接收到信息，那么接收到的信号一定要大于某一个阙值θ才能由输出信号yj输出，该阙值由具体的神经元决定；也就是说，输入的信号总和在经过神经元后失去了阙值θ的信号以后，转化为输出信号输出。
我们假每一个输出信号x都输入一定的神经元Wij，那么该神经元共接收到的输入信号即为

这个公式不难理解，于是在神经元中失去了阙值量θ后：

经过信号转化（激活函数f(x)的作用）为输出信号：

然而神经元突触的信号类型又分为兴奋和抑制两种状态，于是，在M-P模型中，这种性质体现为权值w的正负，如果权值是负，那么输出y值就也为负，体现为抑制状态；如果权值是正，那么输出y值就也为正，体现为兴奋状态。

这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。

常用的激活函数有五种：
线性激活函数：

非线性激活函数：

在进行BP神经网络进行训练的时候，我们常用的函数是S形函数。

简单来说，感知器就是一个简单的神经网络模型，以下是感知器的拓扑结构图：

而oi表现形式为两种，1和-1，来表示兴奋和抑制。

因此，单层感知器的作用为可以使用一条直线来对输入数据进行线性分类，如果仍旧不太明白的话，可以从公式入手来进行分析：

所以可以得知，这是一个关于x1，x2的线性函数，而在图1中用于分类的红色直线，则是与函数w1j x1+w2j x2-θj=0成线性关系的函数。

到此，我们已经讲解了单层感知器的实现分类原理，引入多层分类器的原因在于，单层感知器的局限性只能区分二维平面中的线性函数，而对于多维平面，或着非线性函数来说，则无法实现分类。

可以看出，在加入了隐层以后输入层的数据不再直接经过简单的权值激活运算就直接进入输出层，而是在多层的隐层经过复杂计算后，再输入层输出，这样的计算方法，可以保证输出的o和输入信号x1，x2，不再是简单的线性关系，而其中的计算也将会随着隐层的增加而无限度地复杂化。
我们可以比较一下单层感知器和多层感知器的分类能力：

由上图可以看出，随着隐层层数的增多，凸域将可以形成任意的形状，因此可以解决任何复杂的分类问题。实际上，Kolmogorov理论指出：双隐层感知器就足以解决任何复杂的分类问题。
异或问题的解决：

在M-P模型中，我们得知，为了实现有效的分类，需要加入一定数量的隐层来加强算法的复杂性，而在隐层内部的计算我们是无法得知的，因此，我们需要进行神经网络的训练。
这样说可能有点突兀，我们不妨这样想，我们已知的是一组数据和它们相对应的分类状况，求解的是如何可以用同类的数据来得到正确的分类。
或者这样说，我们已知:
x1=2,x2=3时，y=5，x1=4,x2=5时，y=9，那么，求解x1=8,x2=0时，y的值，这样是不是好理解很多？
总之，我们需要的是一个可以满足当前条件的“公式”，让它可以计算出更多的数据，这在我们的小学数学里叫做解算式，在这里就可以叫做训练。
我们需要知道这些数据在隐层里是经过怎样的计算，才得到了输出结果，于是，我们需要先进性数据的训练，然后再根据现有未知结果的数据套进去，得到预期结果。
而我们在这里，得出的所谓隐层结构的计算，就是需要训练出的“公式”。
具体的BP训练方式下次更新。

⑩ SNN初探二---神经元模型

本文主要介绍SNN的神经元模型Leaky Intergrate and Fired Model

SNN与ANN最主要的不同就是使用离散的脉冲信号替代ANN网络中传播的连续的模拟信号。为了在这种网络结构上产生脉冲信号，SNN使用了更加复杂也更加贴近于生物的神经元模型，目前使用最多的是 Leakyintegrity-Fire（LIF） 模型。 对于这类神经元模型来说，输入信号直接影响的是神经元的状态（膜电位），只有当膜电位上升到阈值电位时，才会产生输出脉冲信号。

该模型利用给定神经元的神经元动作电位总是具有大致相同的形式这一事实。如果动作电位的形状总是相同的，那么这个形状就不能用来传递信息：而是包含在有或没有尖峰的情况下。因此，动作电位被还原为发生在精确时刻的“事件”。

Leaky Integrate and Fire neurons简称LIF模型，是一种对HH模型的最基础的简化。但不是单纯的省略变量。该模型不去刻意的描述动作电位的形状。为了得到瞬时电压与输入电流的关系，使用电学理论的基本理论来解释该问题。一个神经元被细胞膜包围，细胞膜是很好的绝缘体。如果想神经元注射电流，那么附加的电荷

必须到达一个地方：它会给细胞膜充电。因此，细胞膜就像一个电容器。因为绝缘体不完美，所以随着时间的推移，电荷会慢慢地从细胞膜漏出，因此细胞膜可以用有限的泄露电阻表示。基本的表示LIF模型的电回路由电容C CC和一个由I II驱动的电阻R RR并联而成。

jointly learning network connections and link weights in spiking neural networks