『壹』 人類大腦的神經細胞直接是通過什麼相互連接的
不知道你對專業名詞熟悉嗎？否則，很難講清楚。猜想你應該是想問神經元細胞之間是如何傳遞的吧！
神經細胞是高等動物神經系統的結構單位和功能單位，又被稱為神經元（neuron）。
突觸（synapse）是神經元傳遞登記處的重要結構，它是神經元與神經元之間，或神經元與非神經細胞之間的一種特化的細胞連接，通過它的傳遞作用實現細胞與細胞之間的通訊。在神經元之間的連接中，最常見是一個神經元的軸突終末與另一個神經元的樹突、樹突棘或胞體連接，分別構成軸－樹（axodendritic）、軸－棘（axospinous）、軸－體（axosomatic）突觸。此外還有軸－軸（axoaxonal）和樹－樹（dendrodendritic）突觸等。突觸可分為化學突觸（chemical synapse）和電突觸（electrical synapse）兩大類。前者是以化學物質（神經遞質）作為通訊的媒介，後者是亦即縫隙連接，是以電流（電訊號）傳遞信息。哺乳動特神經系統以化學突觸佔大多數，通常所說的突觸是指化學突觸而言。
一個神經元既可與其他神經元建立許多突觸連接，亦可接受來自其他神經元的許多突觸信息。一個神經元上突觸數目的多少視不同的神經元而有很大差別，例如小腦的顆粒細胞只有幾個突觸，一個運動神經元要有1萬個左右突觸，而小腦的蒲肯野細胞樹突上的突觸就有10萬個以上。一個神經元上眾多的突觸中，有些是興奮性的，有些則是抑制性的。如果所有興奮性突觸活動的總和超過抑制性突觸活動的總和，並足以刺激該神經元的軸突起始段產生動作電位時，則該神經元發生興奮；反之，則表現為抑制。
好了，不知道你明白沒有，下面再補充些解釋。
神經元的基本結構：可分為胞體和突起兩部分。胞體包括細胞膜、細胞質和細胞核；突起由胞體發出，分為樹突（dendrite）和軸突（axon）兩種。樹突較多，粗而短，反復分支，逐漸變細；軸突一般只有一條，細長而均勻，中途分支較少，末端則形成許多分支，每個分支末梢部分膨大呈球狀，稱為突觸小體。在軸突發起的部位，胞體常有一錐形隆起，稱為軸丘。軸突自軸丘發出後，開始的一段沒有髓鞘包裹，稱為始段（initial segment）。由於始段細胞膜的電壓門控鈉通道密度最大，產生動作電位的閾值最低，即興奮性最高，故動作電位常常由此首先產生。軸突離開細胞體一段距離後才獲得髓鞘，成為神經纖維。
『貳』 常見的細胞連接方式有哪些
1、緊密連接（tight junction）
也稱閉鎖小帶（zonula occludens）。這種連接為點狀，斑狀或帶狀，常見的為帶狀。位於細胞（如上皮細胞）的頂端，呈箍狀圍繞細胞。相鄰細胞間的頂部細胞間隙被封閉，相鄰細胞膜表面有呈網狀的嵴，嵴與嵴相連處細胞膜緊貼而封閉細胞間隙，這種連接除有機械性的連接作用處，並封閉了細胞頂端的細胞間隙，可阻止大分子物質由外部進入細胞間隙，在胃腸道的上皮細胞頂部就廣泛存在著這種連接。
2、中間連接（intermediate junction）
也稱粘著小帶（zonula adherens）。此種連接多為長短不一的帶狀，將細胞粘著在一起，相鄰邦細胞間有寬約 15-20 nm 的間隙，內充滿密度較低的均質性物質。在細胞膜的胞質面，附著有薄層緻密物質和微絲，粗約 5 nm ，一端附著於細胞膜的內層，另一端在細胞質內交織成網（終末網）。這種連接多見於上皮和心肌細胞。
3、橋粒（desmosome）
也稱粘著斑（macula adherens）。呈長型小盤狀大小不等，此處細胞間隙寬約 20-30 nm ，其中充滿低密度的物質，中間有一緻密的中線由絲狀物質交織而成。細胞膜內側有深暗的緻密的較厚的板狀結構，稱為附著板（attachment plaqne）。胞質中有許多直徑 10 nm 袢狀張力絲（tonofilament），附著其上，起一定的支持作用。橋粒的連接甚為牢固，多分布於易機械性刺激和磨擦較多的地方。某些上皮細胞的基底與深部結締組織的相鄰面，有半橋粒的結構，將上皮固著於基膜上。
4、縫管連接（gap junction）
斑狀，細胞間隙為 2-3 nm ，相鄰邦細胞膜間有間隔大致相等的連接點。連接點處細胞膜上有小管相通連，使相鄰細胞相通，供細胞間交換離子，小分子物質（熒光素等）相鄰細胞間交換化學信息，此種連接處電阻低，易進行離子交換和傳遞電沖動，此種連接分布較廣，上皮、肌細胞、骨細胞和神經細胞之間都有。
『叄』 關於神經元連接的一些問題，神經元是怎麼連接的
A、神經元包括樹突和軸突，以及細胞體構成的，圖中共有突觸7個，完整神經元3個，A正確；
B、在神經纖維上，興奮的傳導是雙向的，在神經元之間，興奮的傳遞是單向的，在A處給一個適宜的刺激，興奮可沿著4條途徑傳到B處，B錯誤；
C、經過突觸越多，消耗的時間越長，A處給一個適宜的刺激，其中耗時最長的一條途徑經過5個突觸，C正確；
D、神經元釋放的神經遞質有興奮性遞質和抑制性遞質，圖中①②③有的可能為抑制性神經元，也可能是興奮性神經元，D正確．
故選：B．
『肆』 神經細胞之間是如何傳遞信息的
神經調節在細胞間的信息傳遞是通過突觸來傳遞信息的，突觸分為化學突觸、電突觸和混合型突觸。
電突觸是兩神經元之間直接藉助縫隙連接傳導電信號，多見於無脊椎動物；混合型突觸就是神經元間既有電信號傳導又有化學信號傳導，多見於動物的周圍和中樞神經系統。
我們說的突觸都是化學突觸，通過神經遞質或神經調質來進行神經元間信息的傳導，這些化學物質根據類別的不同分為：膽鹼能、胺能、氨基酸能和肽能。
膽鹼能：乙醯膽鹼
胺能：多巴胺、5-羥色胺、組胺、去甲腎上腺素和腎上腺素等
氨基酸能：谷氨酸、天冬氨酸、甘氨酸、牛磺酸等
肽能：腦啡肽、緩激肽、胰多肽、血管緊張素、p物質等
另外，一氧化氮（no）也是一種神經遞質
希望我的回答對你有幫助~~
『伍』 器官移植的時候，神經細胞是如何接上的
首先連神經不是連神經細胞
吻合神經鞘膜
『陸』 神經元與神經元之間是靠什麼連接起來的
考一些簇狀組織，傳遞電訊號。
『柒』 神經元的連接方式
（1）突觸包括軸突-樹突和軸突-胞體兩種常見類型．
（2）興奮在突觸上的傳導只能由突觸前膜傳導到突觸後膜．在A處給予一個適宜的刺激，若N的指針不能偏轉，只能說明突觸前膜釋放的是抑制性遞質，因此此時①的膜外電位為正電位．
（3）分析圖解可知，圖中①②或①②③都收尾相接，即產生的興奮可以循環傳導．若圖中的神經元在興奮時均釋放興奮性神經遞質．在B處給予一個適宜的刺激，N的指針將偏轉多次．
（4）利用圖中標注的A、B、C三個位點，設計實驗證明某葯物只能阻斷興奮在神經元之間的傳遞，而不能阻斷興奮在神經纖維上的傳遞．可以把某葯物分別放在B、C兩處，在A處給予一個適宜的刺激，觀測電流計N的指針能否偏轉．
預期實驗現象：把葯物放在C處，N的指針不偏轉；把葯物放在B處，N的指針偏轉．
故答案為：
（1）軸突-胞體
（2）正電位
（3）多次
設計簡要思路：把某葯物分別放在B、C兩處，在A處給予一個適宜的刺激，觀測電流計N的指針能否偏轉．
預期實驗現象：把葯物放在C處，N的指針不偏轉；把葯物放在B處，N的指針偏轉．
『捌』 如何連結神經元
一種用於實時過程的神經網路在線自學習逆控制演算法
發布時間：2004.11.10 閱覽次數：2280 作者：彭一江 單位：長沙天海分析檢測自動化有限公司
摘 要： 本文探討了神經網路控制應用於實時過程的實現問題，提出一種網路訓練與控制分離並行的演算法。該演算法在對過程的逆模型進行實時在線自學習的同時，對過程實施逆控制，實現對復雜對象的自學習、自適應控制功能。文中還給出了一個計算機模擬實例的結果。
關鍵詞：實時過程；神經網路；在線自學習；逆控制。
ONE NEURAL NETWORK INVERSE CONTROL ALGORITHM
WITH ON-LINE SELF-LEARNING FOR REAL-TIME PROCESSES Abstract : In this paper , the study on the realization of application of neural network control to the real-time process is made and the algorithm with separated and parallel method for neural network training and control is advanced . Useing this algorithm,the on-line learning to the inverse model of real-time process can be performed, and concurrently , the inverse control can be performed in the process. It can realize functions of self-learning and adaptive control to complex processes.The result of one example of the computer simulation of the system is presented .
Key words: real-time process ; neural network ; on-line self-learning ; inverse control.
1 引言
近年來，人工神經網路 (簡稱神經網路或NN) 越來越多地應用於工業自動化控制領域。由於神經網路能夠充分逼近任意復雜的非線性關系和能夠學習與適應嚴重不確定性系統的動態特性，因此，採用基於NN人工智慧控制方法，引入自學習、自適應功能而構成的實時系統，在處理那些實時性要求高且難於用模型或規則描述、隨機性事件多、非線性嚴重、存在多個不同類型輸入和輸出的實時過程方面，顯示了極大的優越性。眾所周知，由於神經網路的學習需要耗費較長的時間，其實時應用策略仍是控制領域研究的熱點。
通常，神經網路在過程式控制制中用作控制器模仿器或過程模仿器,構成基於神經網路的控制系統。目前，這種控制系統常採用軟體方法實現。然而，神經網路的學習過程是一個慢過程，而作為一個實時系統，其主要目標是保證系統響應的及時性，必須同時滿足邏輯正確性和時間約束兩個條件。因此，對於快速有時甚至是慢速的實時過程，特別是對於有強實時任務（即要求該任務在時限內完成，否則其結果將失去可用性的任務）的過程，神經網路的學習慢速性是NN實時控制演算法實現的難點。一般採用NN離線學習與在線控制相結合的方法。在線學習與控制的方法大多局限於在一個控制周期內串列完成的演算法。本文在NN軟體實現上結合中斷處理技術，使網路的學習與控制分離和並行嵌套，提出一種用於實時過程的神經網路在線自學習逆控制演算法，用以處理難於建立對象模型 (包括快速和強實時) 的過程。
2 基於NN的實時過程式控制制原理
實時過程式控制制系統是指該系統實時地從外界獲得被控系統的當前狀態，進行預定的處理，並根據處理結果對外界被控系統進行及時控制，使其處於要求的狀態下。實時過程式控制制系統的模型是一個反饋環結構。如圖 1 所示。
2.1 系統NN基本結構
採用具有非線性特性函數的神經元及多層非循環連接模式的神經網路（NN）和反向傳播（B-P）學習演算法。
根據一般實時過程的特點，設神經網路輸入層共取n個神經元，分別代表輸入端x1，x2，···xi···xn。完成將外部各工藝參數輸入神經網路的功能；中間層取1∽2 層共設2n+m個神經元，代表神經網路的感知層；輸出層取m 個神經元，代表過程的輸出參數y1，y2，···yj，···ym。從外部特性看，網路相當於一個n輸入m輸出的多變數傳遞函數。而其內部特性卻充分反應了對象的動力學特性。系統NN基本結構如圖 2 所示。其中：(a)網路連接模型， (b)神經元模型。
在圖2所示的神經網路中，某一個神經元的結構如圖2(b)所示。其中Xi為輸入信息，Wi為權值，θi 為閾值，F是表示神經元活動的特性函數，F刻劃了神經元輸入信號與
輸出信息之間對應的關系 。
2.2 網路權值學習演算法
神經元特性函數取S型函數，即：
F(X)= 1/(1+e-x) （2－1）
網路採用的B-P演算法是前向計算輸出與反向傳播誤差相結合的進行權值調整的過程。
設網路中第i層某個神經元與後一層第j層的連接權值為W[ij]，輸入為X[j] ，輸出為X[i]'。由圖3可得：
Xi '＝F(Xi )＝1／（1＋e-Xi+θi） （2－2）
Xi ＝∑Wij ·Xj （2－3）
誤差反傳採用改進的Delta權值調整公式[4] ：
Wij(n+1)＝Wij(n)+ΔWij(n+1) （2－4）
ΔWij(n+1)＝η·δj·X'i+α(ΔWij(n)) （2－5）
式中：
η為學習率（取η＝0.1~0.9）；
α為動量系數（取α＝0.1~0.8）；
δj為神經元輸出誤差。
採用基於系統誤差梯度的方法調整權值 [4] ，即：
當 j 為輸出層時：
δj＝－( Xi '－Xj)·X'j·(1－X'j) （2－6）
當j為中間層時：
δj＝(∑δk·Wjk)·X'j·(1－X'j) （2－7）
2.3 NN在線學習控制結構
系統以過程輸出量Y為控制對象，以Y=Ysr（給定常數）為控制目標，以 U過程式控制制量，以事先離線進行過權值初始化訓練、並且在生產過程中不斷進行在線學習的神經網路系統辯識模型NN為控制模型，並由此辯識模型計算某一時刻所需控制量U值。構成基於神經網路的實時控制系統，實現對Yr的自動跟蹤。系統控制原理框圖如圖3所示。圖3中，P為實時過程的實際模型；BP為輸出誤差向網路內部連接權值反傳調整權值的演算法。S為網路權值傳送軟體開關。
2.4 過程模型在線自學習
系統首先採用離線訓練的方式形成網路的連接權值矩陣初始值，包括建立各種不同神經網路模型結構參數，以提高在線學習速度。
系統投入實時控制後，程序在一定條件下啟動NN自學習功能，將實時採集的工藝參數通過特定處理後，作為訓練樣本輸入網路，進行連接權值的調整。由於NN模型不需要知道對象的任何先驗知識，在限定NN拓撲下，其連接權值不僅規定了模型的參數，同時也規定了模型的結構性質，因此，用這種方式訓練出來的的神經網路模型，可以充當對象的模仿器[1]。系統不斷地根據生產過程中的各種相關參數，反復調整網路權值，在線建立過程逆模型。
2.5 模型逆控制
過程模型模仿網路NN2投入實時控制前經過離線訓練，使系統在投入控制後的初始階段有較好的穩定性並使NN2能較快地完成以後的在線學習。在NN2不斷學習和NN1調節控制量的過程中，NN2輸入輸出特性能夠越來越准確地模擬實際過程模型的輸入輸出特性。經若干個模型學習周期，NN2 學習誤差達到期望值，NN2 的連接權值暫時固定下來。當過程輸出與系統設定的偏差大於期望值時，NN2的連接權值傳送給調節器模仿器NN1，作為調節器計算新的控制量，同時，啟動在線學習開關 S，NN2開始進行新的學習。當系統產生控制中斷而進入控制周期，系統先對過程狀態參數進行一次實時檢測，根據當前的過程狀態由NN1對控制量進行調節，完成一次在特定工藝狀態參數下的控制量的動態設定。
當NN充分接近實際模型，即：NN2=P-1時，由於NN1=NN2，NN1·P=P-1·P＝1，則Y=Ysr，即系統可實現對給定目標值的跟蹤。
3 軟體實現
對實時控制系統而言，軟體設計應著重考慮NN學習演算法、樣本形成、網路推理之間的時序問題。系統採用內部中斷與外部中斷相結合的方式處理時序問題。軟體設計兩個中斷處理子程序，其中一個為定時與采樣中斷處理子程序，
採用修改機器內部定時中斷向量的方法，另一個為實時控制及樣本提取中斷處理子程序。採用外部脈沖信號產生中斷申請的響應方法。網路學習則在主程序的大循環中進行。
系統投運前，NN通過離線訓練獲初始知識。離線訓線的樣本可以利用工藝過程中的歷史數據產生，或由該領域專家的知識形成。
實時控制中NN以在線學習方式運行。學習是一個的大循環，不斷以樣本子集緩沖區的實時樣本對網路進行訓練。而樣本緩沖區的實時樣本的刷新是由外部中斷服務子程序根據樣本提取邏輯進行的，系統實時地將實際過程中產生的新樣本替換樣本緩沖區中最先前的樣本。同時，一旦時間達到某一設定的周期，系統將樣本緩沖區的樣本存入硬碟作為歷史樣本供以後使用。內部中斷服務子程序採集的現場數據供顯示用，並且提供樣本提取邏輯所需的計時信息。採用這種大循環進行NN學習；內部時鍾定時中斷進行數據採集與處理並提供樣本獲取和控制時序邏輯；外部中斷請求進行樣本提取和實時控制的程序結構，充分利用了CPU的大量空閑時間，即照顧了學習的耗時性，又滿足了數據採集的及時性和控制的適時性。實時控制流程及中斷服務子程序見圖4。
其中：(a) 實時控制主模塊； (b) 實時數據採集及定時中斷處理子程序；(c)控制輸出及樣本提取中斷處理子程序。
4 計算機模擬實例結果
計算機模擬實驗程序用C++編制，在486微機上運行。
系統模擬所用數學模型為螺紋鋼筋軋後控冷工藝過程的一個多輸入單輸出 (根據生產實際數據產生的回歸分析模型)[5,6]：
Ts= -4.1·Qy -156.8·t -4.6·Tw +29.3·Φ+0.21·Tf +50·C +850 ( 4-1)
其中過程輸出為Y = Ts ，目標值Yr = 620 。
設NN輸入 X= { t , Tw , Φ , Tf , C , Ts } ；NN輸出U = Qy 。
網路為6×12×12×1結構，運行前離線訓練重復次數為7000次，學習時間為8分鍾，網路輸出總誤差為0.00005。經過訓練的NN用於模擬運行，模擬在線自學習控制，學習 時間小於0.5秒。模擬運行結果見表1。表中數據經歸一化處理，以保證網路輸出值在(0，1) 區間內；其中Qy、Ts為初始值，Qy'、Ts'為執行的結果值。
由表1可知，系統能夠在鋼筋終軋溫度Tf變化時，自動改變水量設定值Qy，使其自回火溫度穩定在目標值Tsr=602℃ (誤差小於1℃)左右。模擬結果表明，這種基於NN模型自學習的逆控制方法，有較強的自學習、自適應能力。在處理一般非線性、隨機性、時變及多變數輸入輸出的實時過程方面，有較好的開發應用前景。
參 考 文 獻
[1] 周節其，徐建閩. 神經網路控制系統的研究與展望. 控制理論與應用，1992，9(6):569∽575
[2]焦李成. 神經網路的應用與實現. 西安:西安電子科技大學大學出版社.1995,261~264
[3] 袁曾任，郭新鋼. 基於B-P演算法的神經網路作為離散時間非線性對象的逆控制, 電氣自動化，1994,(4):39~41
[4]包約翰著. 自適應模式識別與神經網路. 馬頌德等譯. 北京:科學出版社.1992,109~125
[5] 張泰山,彭一江. 基於神經網路的鋼筋軋後冷卻自學習控制系統 .中國有色金屬學報，1995 ,Vol.5, Suppl.4, 380~384
[6] 彭一江. 基於神經網路的鋼筋軋後冷卻智能控制系統 .中南工業大學碩士學位論文. 長沙. 1996
『玖』 神經元之間連接方式中的「環式連接」的作用是什麼
好像沒聽過這個詞，
如果這個可以理解為神經元之間形成環形連接，那可以解釋為：
神經元之間連接成環，形成反饋通路，
如果是正反饋，那可以不斷放大一個神經沖動的效果，
如果是負反饋，可以控制神經沖動的效果，使其在一個穩定的水平