- •41. Электрорецепция.
- •42. Как влияет удаление малозначащих признаков из обучающей выборки на процесс обучения нейросети? Пример на эвм.
- •43. Пространственная конфигурация биополимеров. Типы объемных взаимодействий в белковых макромолекулах. Водородные связи.
- •44. Хеморецепция.
- •45. Показать последовательность обучения и тестирования нейронной сети. Что такое внешняя выборка.
- •46. Взаимодействие макромолекул с растворителем. Состояние воды и гидрофобные взаимодействия в биоструктурах.
- •47. Восприятие запахов: пороги, классификация запахов.
- •48. Каким параметром характеризуется быстрота затухания колебаний, и какие процессы в живой природе имеют колебательный характер
- •49. Особенности пространственной организации белков и нуклеиновых кислот. Модели фибрилляторных и глобулярных белков. Качественная структурная теории белка.
- •50. Бактериородопсин как молекулярный фотоэлектрический генератор.
- •51. По каким физическим параметрам классифицируются биопотенциалы и какие требования предъявляются к усилителям биопотенциалов в этой связи.
- •52. Структура и функционирование биологических мембран. Мембрана как универсальный компонент биологических систем.
- •53. Вкус. Вкусовые качества. Строение вкусовых клеток.
- •55. Бислойные мембраны. Протеолипосомы. Поверхностный заряд мембранных систем.
- •56. Фотохимические превращения родопсина. Рецепторные потенциалы.
- •57. Описать методику выполнения измерений длительности сенсомоторных реакций (р-тест).
- •58. Антиоксиданты, механизм их биологического действия. Естественные антиоксиданты тканей и их биологическая роль.
- •59. Закон Вебера-Фехнера.
- •60. Как проверить экспериментально закон Вебера-Фехнера.
41. Электрорецепция.
ЭЛЕКТРОРЕЦЕПЦИЯ - способность многих рыб (акулы, скаты и др.) воспринимать электрические сигналы окружающей среды, в т. ч. генерируемые электрическими органами. Электрорецепция используется для поиска добычи, биокоммуникации и ориентации, восприятия магнитного поля Земли. Осуществляется электрорецепторами. Электрочувствительность электрических рыб и других животных достигается двумя типами рецепторов электрических полей: ампулярными и бугорковыми органами рыб. Оба типа рецепторов являются модификациями системы боковой линии, вездесущей у рыб. Ампулярные органы - это группы сенсорных клеток, организованных вокруг полости длинного, заполненного желеобразным содержимым, канала. Сенсорные клетки ампул почти полностью окружены вспомогательными клетками. Только верхушка сенсорной клетки остается свободной и контактирует с пластинкой ампулы. Бугорковые электрические органы рыб отличаются от ампулярных органов двумя существенными чертами. Во-первых, они не соединены с внешней средой желе-заполненным каналом. Вместо этого канал закупорен специализированными эпителиальными клетками. Во-вторых, сенсорные клетки в полость выходят не только верхушкой, а выдвинуты в нее на 90% и лишь присоединены (обычно) к небольшому поддерживающему холмику. Два класса электрорецепторов имеют различные характеристики ответа. Афферентные волокна из ампулярных сенсорных клеток дают "тонические" - длительные и непрерывные ответы на низкочастотные (от менее 0,1 Гц до 10 - 25 Гц) стимулы или постоянный ток. Ампулярные органы имеют широкий диапазон чувствительности с порогами от менее 20 нВ/см до 10 -100 мкВ/см. Напротив, бугорковые органы чувствительны к высоким частотам и нечувствительны к низким и постоянному току. Сенсорные волокна из бугорковых органов дают "фазические" ответы - короткий залп активность на ступенчатое изменение стимулирующего напряжения. И тонические (ампулярные), и фазические (бугорковых органов) рецепторы имеются и у клюворылых, и у гимнотид. Бугорковые органы отстутствуют у неэлектрических и морских рыб. Электрическое сопротивление тела значительно ниже, чем окружающей среды. Если рыба ориентирована вдоль градиента потенциала, ток входит на одном ее конце (скажем, в голове) и выходит на другом (в хвосте). Индивидуальные электрорецепторы стимулируются различиями между внутренним и наружным электрическим потенциалами. Эти различия максимальны у головы и хвоста, где входит и выходит ток. В отличие от хрящевых рыб с их высокоорганизованной системой ампул Лоренцини пресноводные клюворылые и гимнотиды как электрочувствительный орган используют все свое тело.
42. Как влияет удаление малозначащих признаков из обучающей выборки на процесс обучения нейросети? Пример на эвм.
Искусственная нейронная сеть - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети.
Общая схема обучения нейросети: 1. Из обучающей выборки берется текущий пример (изначально, первый) и его входные параметры (представляющие в совокупности вектор входных сигналов) подаются его на входные синапсы обучаемой нейросети. Обычно каждый входной параметр примера подается на один соответствующий входной синапс.
2. Нейросеть производит заданное количество тактов функционирования, при этом вектор входных сигналов распространяется по связям между нейронами (прямое функционирование).
3. Измеряются сигналы, выданные теми нейронами, которые считаются выходными.
4. Производится интерпретация выданных сигналов, и вычисляется оценка, характеризующая различие между выданным сетью ответом и требуемым ответом, имеющимся в примере. Оценка вычисляется с помощью соответствующей функции оценки. Чем меньше оценка, тем лучше распознан пример, тем ближе выданный сетью ответ к требуемому. Оценка, равная нулю, означает что требуемое соответствие вычисленного и известного ответов достигнуто. Заметим, что только что инициализированная (необученная) нейросеть может выдать правильный ответ только совершенно случайно.
5. Если оценка примера равна нулю, ничего не предпринимается. В противном случае на основании оценки вычисляются поправочные коэффициенты для каждого синаптического веса матрицы связей, после чего производится подстройка синаптических весов (обратное функционирование). В коррекции весов синапсов и заключается обучение.
6. Осуществляется переход к следующему примеру задачника и вышеперечисленные операции повторяются. Проход по всем примерам обучающей выборки с первого по последний считается одним циклом обучения. При прохождении цикла каждый пример имеет свою оценку.
Сокращение числа входных сигналов нейронной сети путем удаления входных сигналов, наименее значимых для принятия решения сетью, позволяет упростить нейронную сеть для дальнейшего обучения, т.к. остаются только действительно значимые вопросы.