脑与现有模拟机的差别：理论研究成果

脑作为模拟处理系统，与现有的模拟机存在很大差别。它克服了现有模拟机中的很多缺点，而且它的图像、语音识别等功能大大优于现有的数字机，其作为模拟机的优越性大大地显示了出来。两者存在下列方面的差异。

1.稳定性

脑是以不稳定为特征的，而现有的模拟机都以稳定为首要条件，这是根本性的差异，这种差异将使很多信息处理理论的基础产生根本性变化。

2.信号变量的选择

现有模拟机内代表信号变量的载体是电压或电流，而脑内流通的信号不是电压或电流，而是等幅的神经脉冲序列信号，它的信息载体是脉冲之间的时间间隔。以时间为信号变量的最大好处是其抗干扰能力强，这就是第6章中讲过的神经编码的优越性之一：外界环境往往会影响电路中的电压或电流幅值，但任何系统和环节都不可能把时间放大或缩小，很少能干扰时间的变化，同时时间信号也不会受参数变化的影响，因此其抗干扰能力很强。

3.灵敏度和分辨率

脑是靠不稳定系统来提高系统的灵敏度的。只有不稳定系统才存在初值敏感性，系统越不稳定，其灵敏度越高。可能有人以为狗的嗅觉灵敏度高主要是因为狗嗅觉系统中的嗅感受细胞对外界信号特别敏感。但是听觉系统对两耳信号5μs 时间差的测量（见第8 章）与听毛细胞的灵敏度毫无关系。那么听觉系统是如何测量这么小的时间差的？按数字机的方法，要依靠标准时钟来确定时间，要能分辨5μs 的时间差，数字机至少要有频率为0.2MHz以上的标准时钟。可是神经系统中没有标准时钟，一个神经脉冲的宽度是1ms，这样粗糙的神经回路是如何分辨5μs 的呢？这完全是凭借其初值敏感性实现的。对两个间隔5μs 的脉冲，测量很难精确，但5μs 的初值差会从两串长脉冲序列（轨道）的尾部反映出来。根据距离公式（5-16），只要脉冲序列足够长，分辨率是可以到任意小的，虽然实际上实现起来还有一定困难，但是分辨率小于5μs 还是容易做到的。(www.xing528.com)

4.动态范围

能否找到这样一个仪器，它能区分出1000 千克级重量的物体的零点几克的重量变化？这其中就涉及仪器的动态范围问题。其实在测量中，很多仪器都有动态范围不足的问题。如果模拟电路电压为5V，表明其可测量的最大信号是5V，那它能测到多小的信号？如果采用15 位A／D 转换器，则是1／215，约三万分之一，即最小能测出0.16mV，在此，A／D 转换器位数决定了动态范围。如果5V 代表1000 千克，则最小能测到0.03 千克，小于0.03 千克的变化该电路都将感觉不到。动态范围大，会为信号处理带来很大的好处。由于目前没有大动态范围的仪器，所以这点被人们忽略了。

神经系统由于采用了神经脉冲序列来表示量的大小，从距离定义可以看出［见式（5-16）］，神经脉冲序列越长，其分辨率越高。而神经脉冲序列的长度可以任意延长，所以神经系统的动态范围很大，可以说目前没有一个测量系统的动态范围能超过神经系统的。这对于大噪声中小信号的测量十分有用——根本不需要先把大噪声去掉再来处理小信号。因为在处理大噪声时也会引进噪声，而且这些噪声也会随着轨道延长而被放大。如果把噪声与信号放在一起计算，当其中信号本身的值随着计算增大到一定程度时，再把信号提出，这样会大大减少噪声的影响。

5.读出困难

原有的模拟机即使有很高的灵敏度，但是它最后输出的还是电压或电流。一般电路中，电源电压有限，譬如5V，那么电路输出的信号也不会超过5V。要在5V 中“读出”微小变化的电压依然存在困难，读出难题也与动态范围有很大关系，这也被认为是模拟电路精度低的原因。如果仅仅以两脉冲之间的时间间隔为输入、输出量，则同样存在模拟机中的问题——如何高灵敏地“读出”这些量的变化？神经网络并不是以两个脉冲之间的距离作为信号，而是以一串脉冲序列作为信号的。根据第5 章的分析，允许脉冲在一个周期内移动，这种移动不会影响符号序列变化，这就大大降低了对模拟信号的“读出”要求。但从神经脉冲序列的距离公式看，脉冲序列增长，神经系统的分辨率会呈指数形式增加，一长串脉冲能代表很精细的变化。因此，在神经系统中不存在读出问题，这也说明了脑的灵敏度并不像人们想象的那么低。

脑是以连续可变的时间作为变量的，而模拟机的A／D 转换器采样频率决定了其精度提高的上限，如采样频率为1Msps（samples per second），那么它的精度不可能超过1μs。同时由于信号处理过程存在误差，分辨率还会大大降低。分辨率与计算步长（相当于采样频率）有关，但单纯提高采样频率，在处理过程中会增加运算误差，对不稳定系统来说并非就能帮助其提高分辨率。