【自由能系列(中级),代码模拟】预测编码的核心:三个关键方程式的详解

预测编码的核心:三个关键方程式的详解
——探索预测编码背后的数学原理与应用

核心结论:预测编码是一种基于贝叶斯定理的理论框架,它通过三个关键方程式描述了大脑如何处理和解释来自环境的信号。这些方程式分别建立了贝叶斯定理的简化形式生成模型以及观察者模型,共同揭示了预测编码在感知-动作循环中的重要作用。

参考文献:
Jirsa, V.; Sheheitli, H. Entropy, Free Energy, Symmetry and Dynamics in the Brain. J. Phys. Complexity 2022, 3 (1), 015007. https://doi.org/10.1088/2632-072X/ac4bec.

在这里插入图片描述

【表格】预测编码的三个关键方程式

序号方程式名称方程式描述关键参数备注
1贝叶斯定理的简化形式 p ( x , y ∣ k ) = p ( y ∣ x , k ) p ( x ∣ k ) p ( y ∣ k ) p(x, y|k) = \frac{p(y|x, k)p(x|k)}{p(y|k)} p(x,yk)=p(yk)p(yx,k)p(xk) p ( x , y ∣ k ) p(x, y|k) p(x,yk):给定参数k下x和y的联合概率此方程式建立了状态变量x、y和参数k之间的概率关系,是预测编码的基础。
2Langevin方程(生成模型) Q ( t ) = f ( Q , k ) + v ( t ) Q(t) = f(Q, k) + v(t) Q(t)=f(Q,k)+v(t) Q ( t ) Q(t) Q(t):神经源级别的大脑激活状态; f ( Q , k ) f(Q, k) f(Q,k):确定性影响; v ( t ) v(t) v(t):波动力此方程式描述了大脑如何根据内部状态和参数生成预测,并考虑噪声的影响。
3观察者模型 Z ( t ) = h ( Q ( t ) ) + w Z(t) = h(Q(t)) + w Z(t)=h(Q(t))+w Z ( t ) Z(t) Z(t):实验可访问的传感器信号; h ( Q ( t ) ) h(Q(t)) h(Q(t)):正向模型; w w w:测量噪声此方程式将源活动Q(t)与实验可访问的传感器信号Z(t)联系起来,考虑了测量噪声的影响。在实际应用中,常假设h为恒等运算,w为零。

在这里插入图片描述

关键点关系描述

  1. 贝叶斯定理的简化形式是预测编码的起点,它建立了状态变量和参数之间的概率关系,为后续生成预测和更新模型提供了基础。
  2. Langevin方程(生成模型)描述了大脑如何根据当前状态和参数生成预测,并考虑了噪声的干扰。这是预测编码中“预测”部分的核心。
  3. 观察者模型则将大脑的预测与实际的传感器信号联系起来,通过比较预测和观测来更新大脑的内部模型。这是预测编码中“更新”部分的关键。
  4. 预测编码的循环过程包括生成预测、比较预测与观测、以及根据差异更新内部模型。这一过程与感知-动作的循环紧密相关,是大脑处理和理解环境信号的重要方式。
  5. 预测编码在生态心理学和神经科学中有着广泛的应用,它为我们理解大脑如何与环境进行交互提供了新的视角和方法。

在这里插入图片描述

Keywords:predictive coding, Bayesian theorem, Langevin equation, generative model, observer model, perception-action loop, ecological psychology, neural science.

关键词
#预测编码 #贝叶斯定理 #Langevin方程 #生成模型 #观察者模型 #感知-动作循环 #生态心理学 #神经科学

一个使用Python实现的预测编码过程的简单案例

在这个案例中,我们将模拟一个简单的情况,其中大脑试图预测并适应一个持续变化的环境信号。

import numpy as np
import matplotlib.pyplot as plt# 参数设置
np.random.seed(0)
n_iterations = 100
true_signal = np.linspace(0, 1, n_iterations)  # 真实信号
initial_guess = 0.5  # 初始猜测
noise_level = 0.1  # 噪声水平
learning_rate = 0.1  # 学习率# 初始化变量
signal_estimate = np.zeros(n_iterations)
signal_estimate[0] = initial_guess
prediction_errors = np.zeros(n_iterations)# 预测编码循环
for t in range(1, n_iterations):# 生成预测(这里简单地使用上一个时间点的估计作为预测)prediction = signal_estimate[t-1]# 模拟观测(真实信号 + 噪声)observation = true_signal[t] + np.random.normal(0, noise_level)# 计算预测误差prediction_error = observation - predictionprediction_errors[t] = prediction_error# 更新信号估计signal_estimate[t] = signal_estimate[t-1] + learning_rate * prediction_error# 可视化结果
plt.figure(figsize=(10, 5))
plt.plot(true_signal, label='True Signal', color='blue')
plt.plot(signal_estimate, label='Signal Estimate', linestyle='--', color='green')
plt.plot(prediction_errors, label='Prediction Errors', color='red', alpha=0.5)
plt.title('Prediction Coding Simulation')
plt.xlabel('Time')
plt.ylabel('Value')
plt.legend()
plt.show()

在这个代码示例中,我们模拟了一个持续变化的真实信号,并假设大脑试图通过预测编码来跟踪这个信号。大脑在每个时间点都会生成一个预测,然后将其与实际的观测进行比较,并根据预测误差来更新其内部模型(即信号估计)。最终,我们可视化了真实信号、信号估计以及预测误差

这个简单的案例展示了预测编码的基本思想,即大脑如何通过不断生成预测、比较预测与观测以及根据差异更新内部模型来处理和理解环境信号。在实际应用中,预测编码模型可能会更加复杂,包括多个变量、非线性关系以及更复杂的生成模型和观察者模型。

代码输出内容
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/53009.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

JL-02 投入式水位记录仪 采集记录一体 安装便捷

产品概述 水位记录仪是针对市场需求而研发的集成了信号采集、过程IO控制和无线数据通信于一体的高性能测控装置;采用低功耗技术,可使用太阳能、蓄电池供电,非常适合在野外供电条件困难的恶劣环境使用;安装使用方便,不…

9月新机首发:骁龙芯片+超大电池,游戏玩家的终极选择

随着秋风送爽的9月到来,智能手机和电子设备市场也迎来了新一轮的热潮。8月份的新机发布热潮刚刚退去,9月份的新机已经迫不及待地揭开了神秘的面纱。在众多备受期待的产品中,红魔品牌抢先官宣,两款全新的游戏平板将在9月5日正式亮相…

论文速读|通过人类远程操作的深度模仿学习框架:人型机器人的行走操纵技能

项目地址:Deep Imitation Learning for Humanoid Loco-manipulation through Human Teleoperation 本文详细介绍了 TRILL(Teleoperation and Imitation Learning for Loco-manipulation)框架,它是一个用于人型机器人行走操纵技能训…

LeetCode - 12 整数转罗马数字

题目来源 12. 整数转罗马数字 - 力扣(LeetCode) 题目描述 七个不同的符号代表罗马数字,其值如下: 符号值I1V5X10L50C100D500M1000 罗马数字是通过添加从最高到最低的小数位值的转换而形成的。将小数位值转换为罗马数字有以下规…

OpenCV绘图函数(14)图像上绘制文字的函数putText()的使用

操作系统:ubuntu22.04 OpenCV版本:OpenCV4.9 IDE:Visual Studio Code 编程语言:C11 算法描述 在图像上绘制指定的文本字符串。 cv::putText 函数在图像上绘制指定的文本字符串。无法使用指定字体渲染的符号会被问号(?&#xff…

git把远程仓库的master分支合并到本地分支

假如现在我们要将远程 origin 的 master 分支合并到本地的 dev 分支,可以按照以下步骤进行操作: 切换到本地的 dev 分支: git checkout dev拉取远程 origin 的最新 master 分支: git fetch origin master将远程 origin 的 master …

9 Python函数、参数、作用域、内置函数、lambda表达式

本篇是 Python 系列教程第 9 篇,更多内容敬请访问我的 Python 合集 1 定义函数 在 Python 中,你可以使用 def 关键字来定义一个函数。函数定义的基本语法如下: def function_name(parameters):# 函数体# ...return valuefunction_name: 函数…

简单梯形问题

如下图,ABCD是一个梯形,E是AD的中点,直线CE把梯形分成甲、乙两部分,其面积之比为5:2,那么上底AB与下底CD的长度之比是()。 A 2:5 B 3:5 C 3:4【正确答案】 D …

【ros2】 const builtin_interfaces::msg::Time timestamp解析

解析 const builtin_interfaces::msg::Time & timestamp 1. 数据类型 builtin_interfaces::msg::Time 是 ROS 2 中的一个消息类型,用于表示时间戳。 2. 结构 builtin_interfaces::msg::Time 包含以下字段: struct Time {std::uint32_t sec;std:…

LLM:推理加速相关的结构优化

对于 LLM,加速推理并降低显存,是两个至关重要的问题。本文将从 Key-Value Cache 出发,介绍两种相关的模型结构改进。分别是 ChatGLM 系列使用的 Multi-Query Attention(MQA) 和 LLama 系列使用的 Grouped-Query Attent…

C++学习, 函数返回指针

C 允许函数返回指针&#xff0c;需要声明返回指针的函数。 声明函数返回指针方式&#xff1a; type *Function() { } 程序示例&#xff1a; #include <iostream> #include <ctime> #include <cstdlib> using namespace std; int *getRandom( ) { static…

Memcached append 命令

Memcached append 命令 Memcached 是一种高性能的分布式内存对象缓存系统,常用于缓存数据库调用、API响应等,以减少服务器负载和提高访问速度。Memcached 的 append 命令用于向已存在键的值的末尾追加数据。这个功能在需要在不覆盖原有数据的情况下,对数据进行扩展时非常有…

前端与后端的身份认证

这里写目录标题 前端与后端的身份认证Web开发模式服务端渲染的Web开发模式前后端分离的Web开发模式根据场景选择开发模式 身份认证为什么需要身份认证不同开发模式下的身份认证 Session认证机制HTTP协议下的无状态性如何突破HTTP无状态的限制CookieCookie的几大特性&#xff1a…

python3.10安装

python3.10 安装 文章目录 python3.10 安装0. 我的环境1. centos7.6 安装python3需要升级openssl2. 安装python33. 查看python3版本 0. 我的环境 [rootftp ~]# cat /etc/redhat-release CentOS Linux release 7.6.1810 (Core) [rootftp ~]# openssl version OpenSSL 1.0.2k-…

VUE3+FLASK+TYPESCRIPT(实习接触,学习并自主实现)

开头 不同于笔者在学校自学简单的htmljscss的模式&#xff0c;加入了前端框架VUE3真的是一个非常方便的工具&#xff0c;而且本人主攻于c方向&#xff0c;像ts这种更严格的语法标准反而更加比原生js更能让我接受&#xff0c;由于这三个都是本人没接触的库框架和语言&#xff0c…

9 自研rgbd相机基于rk3566之qt框架开发rgb图像处理线程

qt框架开发rgb图像处理线程 rgb线程功能及处理流程1 rgb线程分为如下几个功能:2 rgb线程的处理流程如下:rgb线程qt程序详解1 接收界面启动停止信号。2 qt线程运行rgb线程程序示例1 线程头文件:pthread_33d_sc2310.h2 线程源文件:pthread_33d_sc2310.cpprgb线程功能及处理流…

ET算法【动态规划】

线性dp&#xff1a;dp[i][j] 由 dp[i - 1][j] 通过加减乘除等线性运算得到 状压dp&#xff1a;dp[i][j] 表示一个用二进制数表示的子集来反映当前状态&#xff0c;如7 &#xff08;111&#xff09;&#xff08;选了三个&#xff09; 期望dp&#xff1a;dp[i][j] 表示期望或者…

yolo8 目标检测、鉴黄

省流 看前必读 别浪费时间 &#xff1a;本文只是一个记录&#xff0c;防止自己下次被改需求时浪费时间&#xff0c;在这里就随意的写了一下文章记录整个步骤&#xff0c;但是文章想必肯定没有对应的教程讲的详细&#xff0c;该文章只适合想要快速按照步骤完成一个简单的 demo 的…

学习之git

github 创建远程仓库 代码推送 Push 代码拉取 Pull 代码克隆 Clone SSH免密登录 Idea集成GitHubGitee码云 码云创建远程仓库 Idea集成Gitee码云 码云连接Github进行代码的复制和迁移GitLab gitlab服务器的搭建和部署 Idea集成GitLabgit概述 一切皆本地 版本控制工具 集中…

win10配置adb环境变量

初始状态&#xff1a; 最简单的配置方案&#xff0c;直接复制adb所在路径&#xff1a; 粘贴进来确定即可&#xff1a; 然后打开 cmd 查看已经配置成功了&#xff1a;