資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究並行分散式處理模型
該系統是一種計算模型的形式，有助於我們瞭解人類記憶功能的複雜特性。顧名思義，整個儲存和檢索記憶的系統基於多個計算元素，這些元素以所需的方式同時或按需執行其任務，以執行我們記憶的日常工作。這些元素在彼此之間建立連線，這些連線的強度決定了記憶的檢索或持久影響。連線越牢固，記憶在腦海中停留的時間就越長，相應地，與連線強度較弱的記憶相比，對這些記憶的回憶會更好。這個連線過程是一個持續的過程。
什麼是並行分散式處理模型？
該模型通常被稱為 PDP 模型。該模型由計算元素（也稱為單元）組成，這些元素受到神經元啟發。它假設資訊是使用不同的啟用模式儲存在大腦中的。PDP 模型的每個單元可以取最小值和最大值（0 和 1）之間的啟用值。這些啟用在思考某件事的簡單過程中在不同單元之間傳播。當連線為正時，它會增加啟用量。
相反，當連線為負時，它會減少各個單元之間的啟用量。在這樣的系統中，知識存在於單元之間建立的連線之間，決定了從輸入或資料的表示中會出現什麼模式。這種連線的牢固性決定了回憶的行為。例如，假設一個人站在兩組人之間，不斷地念誦任何主題。在這種情況下，這個人只能同時從兩組人中獲取一些回憶。
序列和並行處理
與並行不同，在序列型別的處理中，該現象涉及順序過濾流，不同過程之間沒有任何重疊。在序列淨化的情況下，元素按順序依次搜尋以查詢目標元素。這種方法相對降低了搜尋的準確性，並且在處理大量物件時，所需的時間也會增加。
框架的主要原則
它包括
認知過程
相同的底層原理控制著所有認知行為。單元根據透過單元之間連線接收到的總輸入調整其當前啟用。不同的模型採用不同的策略來聚合輸入和調整啟用。認知過濾涉及透過神經網路中建立的連線在單元之間傳播啟用。
認知過程
相同的底層原理控制著所有認知行為。單元根據透過單元之間連線接收到的總輸入調整其當前啟用。不同的模型採用不同的策略來聚合輸入和調整啟用。認知過濾涉及透過神經網路中建立的連線在單元之間傳播啟用。
處理是互動式的
PDP 模型是動態的。啟用的傳遞不是單向的，而是雙向的。這意味著當訊號從單元 A 傳輸到單元 B 時，它將從單元 B 接收回訊號，這使得處理成為互動式的。結果，單元會更改資料，更改輸入詳細資訊，並將其向下遊傳輸。這種現象發生很多次，並賦予模型動態特性。
知識被編碼
作為網路基礎並使其能夠正常執行的資料不是以單獨的資料結構的形式儲存在單獨的儲存區中。但是，它們直接編碼在這些網路的連線中，以生成在活動時間所需的中間表示和輸出。
連續的
在 PDP 結構中，處理、學習和表示是連續的。因為表示被編碼為單元之間啟用的分散式模式，所以不同專案的這些表示可能彼此相似。這些相似性提供了在網路子結構中泛化啟用的基本機制。得出的結論是，相似的啟用模式將產生相同型別的熟悉表示和輸出。
取決於環境
負責建立響應的環境的統計結構對於理解處理模型至關重要。學習是神經網路內發生的啟用模式的結果，此類錯誤和違反的預期是在日常經驗中產生的。PDP 現象取決於日常結構中存在的統計結構。
啟用模式
在 PDP 框架中，意識中的刺激表示對應於所有參與單元上生成的啟用模式。假設任何輸入都表示為分佈在整個大腦中的許多神經元之間分佈的啟用模式。每個神經元都應該參與許多不同輸入的表示。這些表示與幾乎所有認知內容相關，例如顏色、圖片、單詞、字母、結構等，所有這些都被認為採取系統中廣泛分佈的神經元之間的模式形式。
結論
我們已經概述了 PDP 的整個框架。與其他系統結合使用，這些模型是一項舉措，並且傾向於為神經科學或應用心理學科學中的各種挑戰提供解決方案。該框架為認知科學提供了新的富有成效的學習方法，以及處理心理學家尚未掌握的挑戰的創新方法。它還使我們能夠解決一些促使尋找替代符號方法的計算挑戰。在技術進步的世界中，人工智慧就是其中之一。這些 PDP 卷在機器學習中發揮著至關重要的作用，機器學習是人工智慧的產物或擴充套件。在與長期記憶相關的研究領域，並行分散式處理模型的成功和失敗都為更好地理解它做出了很大貢獻。重要的是要理解這些模型有優點和缺點，在使用此類結構之前，應予以考慮。
6K+ 瀏覽量
