‘壹’ 人类大脑的神经细胞直接是通过什么相互连接的
不知道你对专业名词熟悉吗？否则，很难讲清楚。猜想你应该是想问神经元细胞之间是如何传递的吧！
神经细胞是高等动物神经系统的结构单位和功能单位，又被称为神经元（neuron）。
突触（synapse）是神经元传递登记处的重要结构，它是神经元与神经元之间，或神经元与非神经细胞之间的一种特化的细胞连接，通过它的传递作用实现细胞与细胞之间的通讯。在神经元之间的连接中，最常见是一个神经元的轴突终末与另一个神经元的树突、树突棘或胞体连接，分别构成轴－树（axodendritic）、轴－棘（axospinous）、轴－体（axosomatic）突触。此外还有轴－轴（axoaxonal）和树－树（dendrodendritic）突触等。突触可分为化学突触（chemical synapse）和电突触（electrical synapse）两大类。前者是以化学物质（神经递质）作为通讯的媒介，后者是亦即缝隙连接，是以电流（电讯号）传递信息。哺乳动特神经系统以化学突触占大多数，通常所说的突触是指化学突触而言。
一个神经元既可与其他神经元建立许多突触连接，亦可接受来自其他神经元的许多突触信息。一个神经元上突触数目的多少视不同的神经元而有很大差别，例如小脑的颗粒细胞只有几个突触，一个运动神经元要有1万个左右突触，而小脑的蒲肯野细胞树突上的突触就有10万个以上。一个神经元上众多的突触中，有些是兴奋性的，有些则是抑制性的。如果所有兴奋性突触活动的总和超过抑制性突触活动的总和，并足以刺激该神经元的轴突起始段产生动作电位时，则该神经元发生兴奋；反之，则表现为抑制。
好了，不知道你明白没有，下面再补充些解释。
神经元的基本结构：可分为胞体和突起两部分。胞体包括细胞膜、细胞质和细胞核；突起由胞体发出，分为树突（dendrite）和轴突（axon）两种。树突较多，粗而短，反复分支，逐渐变细；轴突一般只有一条，细长而均匀，中途分支较少，末端则形成许多分支，每个分支末梢部分膨大呈球状，称为突触小体。在轴突发起的部位，胞体常有一锥形隆起，称为轴丘。轴突自轴丘发出后，开始的一段没有髓鞘包裹，称为始段（initial segment）。由于始段细胞膜的电压门控钠通道密度最大，产生动作电位的阈值最低，即兴奋性最高，故动作电位常常由此首先产生。轴突离开细胞体一段距离后才获得髓鞘，成为神经纤维。
‘贰’ 常见的细胞连接方式有哪些
1、紧密连接（tight junction）
也称闭锁小带（zonula occludens）。这种连接为点状，斑状或带状，常见的为带状。位于细胞（如上皮细胞）的顶端，呈箍状围绕细胞。相邻细胞间的顶部细胞间隙被封闭，相邻细胞膜表面有呈网状的嵴，嵴与嵴相连处细胞膜紧贴而封闭细胞间隙，这种连接除有机械性的连接作用处，并封闭了细胞顶端的细胞间隙，可阻止大分子物质由外部进入细胞间隙，在胃肠道的上皮细胞顶部就广泛存在着这种连接。
2、中间连接（intermediate junction）
也称粘着小带（zonula adherens）。此种连接多为长短不一的带状，将细胞粘着在一起，相邻邦细胞间有宽约 15-20 nm 的间隙，内充满密度较低的均质性物质。在细胞膜的胞质面，附着有薄层致密物质和微丝，粗约 5 nm ，一端附着于细胞膜的内层，另一端在细胞质内交织成网（终末网）。这种连接多见于上皮和心肌细胞。
3、桥粒（desmosome）
也称粘着斑（macula adherens）。呈长型小盘状大小不等，此处细胞间隙宽约 20-30 nm ，其中充满低密度的物质，中间有一致密的中线由丝状物质交织而成。细胞膜内侧有深暗的致密的较厚的板状结构，称为附着板（attachment plaqne）。胞质中有许多直径 10 nm 袢状张力丝（tonofilament），附着其上，起一定的支持作用。桥粒的连接甚为牢固，多分布于易机械性刺激和磨擦较多的地方。某些上皮细胞的基底与深部结缔组织的相邻面，有半桥粒的结构，将上皮固着于基膜上。
4、缝管连接（gap junction）
斑状，细胞间隙为 2-3 nm ，相邻邦细胞膜间有间隔大致相等的连接点。连接点处细胞膜上有小管相通连，使相邻细胞相通，供细胞间交换离子，小分子物质（荧光素等）相邻细胞间交换化学信息，此种连接处电阻低，易进行离子交换和传递电冲动，此种连接分布较广，上皮、肌细胞、骨细胞和神经细胞之间都有。
‘叁’ 关于神经元连接的一些问题，神经元是怎么连接的
A、神经元包括树突和轴突，以及细胞体构成的，图中共有突触7个，完整神经元3个，A正确；
B、在神经纤维上，兴奋的传导是双向的，在神经元之间，兴奋的传递是单向的，在A处给一个适宜的刺激，兴奋可沿着4条途径传到B处，B错误；
C、经过突触越多，消耗的时间越长，A处给一个适宜的刺激，其中耗时最长的一条途径经过5个突触，C正确；
D、神经元释放的神经递质有兴奋性递质和抑制性递质，图中①②③有的可能为抑制性神经元，也可能是兴奋性神经元，D正确．
故选：B．
‘肆’ 神经细胞之间是如何传递信息的
神经调节在细胞间的信息传递是通过突触来传递信息的，突触分为化学突触、电突触和混合型突触。
电突触是两神经元之间直接借助缝隙连接传导电信号，多见于无脊椎动物；混合型突触就是神经元间既有电信号传导又有化学信号传导，多见于动物的周围和中枢神经系统。
我们说的突触都是化学突触，通过神经递质或神经调质来进行神经元间信息的传导，这些化学物质根据类别的不同分为：胆碱能、胺能、氨基酸能和肽能。
胆碱能：乙酰胆碱
胺能：多巴胺、5-羟色胺、组胺、去甲肾上腺素和肾上腺素等
氨基酸能：谷氨酸、天冬氨酸、甘氨酸、牛磺酸等
肽能：脑啡肽、缓激肽、胰多肽、血管紧张素、p物质等
另外，一氧化氮（no）也是一种神经递质
希望我的回答对你有帮助~~
‘伍’ 器官移植的时候，神经细胞是如何接上的
首先连神经不是连神经细胞
吻合神经鞘膜
‘陆’ 神经元与神经元之间是靠什么连接起来的
考一些簇状组织，传递电讯号。
‘柒’ 神经元的连接方式
（1）突触包括轴突-树突和轴突-胞体两种常见类型．
（2）兴奋在突触上的传导只能由突触前膜传导到突触后膜．在A处给予一个适宜的刺激，若N的指针不能偏转，只能说明突触前膜释放的是抑制性递质，因此此时①的膜外电位为正电位．
（3）分析图解可知，图中①②或①②③都收尾相接，即产生的兴奋可以循环传导．若图中的神经元在兴奋时均释放兴奋性神经递质．在B处给予一个适宜的刺激，N的指针将偏转多次．
（4）利用图中标注的A、B、C三个位点，设计实验证明某药物只能阻断兴奋在神经元之间的传递，而不能阻断兴奋在神经纤维上的传递．可以把某药物分别放在B、C两处，在A处给予一个适宜的刺激，观测电流计N的指针能否偏转．
预期实验现象：把药物放在C处，N的指针不偏转；把药物放在B处，N的指针偏转．
故答案为：
（1）轴突-胞体
（2）正电位
（3）多次
设计简要思路：把某药物分别放在B、C两处，在A处给予一个适宜的刺激，观测电流计N的指针能否偏转．
预期实验现象：把药物放在C处，N的指针不偏转；把药物放在B处，N的指针偏转．
‘捌’ 如何连结神经元
一种用于实时过程的神经网络在线自学习逆控制算法
发布时间：2004.11.10 阅览次数：2280 作者：彭一江 单位：长沙天海分析检测自动化有限公司
摘 要： 本文探讨了神经网络控制应用于实时过程的实现问题，提出一种网络训练与控制分离并行的算法。该算法在对过程的逆模型进行实时在线自学习的同时，对过程实施逆控制，实现对复杂对象的自学习、自适应控制功能。文中还给出了一个计算机仿真实例的结果。
关键词：实时过程；神经网络；在线自学习；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
近年来，人工神经网络 (简称神经网络或NN) 越来越多地应用于工业自动化控制领域。由于神经网络能够充分逼近任意复杂的非线性关系和能够学习与适应严重不确定性系统的动态特性，因此，采用基于NN人工智能控制方法，引入自学习、自适应功能而构成的实时系统，在处理那些实时性要求高且难于用模型或规则描述、随机性事件多、非线性严重、存在多个不同类型输入和输出的实时过程方面，显示了极大的优越性。众所周知，由于神经网络的学习需要耗费较长的时间，其实时应用策略仍是控制领域研究的热点。
通常，神经网络在过程控制中用作控制器模仿器或过程模仿器,构成基于神经网络的控制系统。目前，这种控制系统常采用软件方法实现。然而，神经网络的学习过程是一个慢过程，而作为一个实时系统，其主要目标是保证系统响应的及时性，必须同时满足逻辑正确性和时间约束两个条件。因此，对于快速有时甚至是慢速的实时过程，特别是对于有强实时任务（即要求该任务在时限内完成，否则其结果将失去可用性的任务）的过程，神经网络的学习慢速性是NN实时控制算法实现的难点。一般采用NN离线学习与在线控制相结合的方法。在线学习与控制的方法大多局限于在一个控制周期内串行完成的算法。本文在NN软件实现上结合中断处理技术，使网络的学习与控制分离和并行嵌套，提出一种用于实时过程的神经网络在线自学习逆控制算法，用以处理难于建立对象模型 (包括快速和强实时) 的过程。
2 基于NN的实时过程控制原理
实时过程控制系统是指该系统实时地从外界获得被控系统的当前状态，进行预定的处理，并根据处理结果对外界被控系统进行及时控制，使其处于要求的状态下。实时过程控制系统的模型是一个反馈环结构。如图 1 所示。
2.1 系统NN基本结构
采用具有非线性特性函数的神经元及多层非循环连接模式的神经网络（NN）和反向传播（B-P）学习算法。
根据一般实时过程的特点，设神经网络输入层共取n个神经元，分别代表输入端x1，x2，···xi···xn。完成将外部各工艺参数输入神经网络的功能；中间层取1∽2 层共设2n+m个神经元，代表神经网络的感知层；输出层取m 个神经元，代表过程的输出参数y1，y2，···yj，···ym。从外部特性看，网络相当于一个n输入m输出的多变量传递函数。而其内部特性却充分反应了对象的动力学特性。系统NN基本结构如图 2 所示。其中：(a)网络连接模型， (b)神经元模型。
在图2所示的神经网络中，某一个神经元的结构如图2(b)所示。其中Xi为输入信息，Wi为权值，θi 为阈值，F是表示神经元活动的特性函数，F刻划了神经元输入信号与
输出信息之间对应的关系 。
2.2 网络权值学习算法
神经元特性函数取S型函数，即：
F(X)= 1/(1+e-x) （2－1）
网络采用的B-P算法是前向计算输出与反向传播误差相结合的进行权值调整的过程。
设网络中第i层某个神经元与后一层第j层的连接权值为W[ij]，输入为X[j] ，输出为X[i]'。由图3可得：
Xi '＝F(Xi )＝1／（1＋e-Xi+θi） （2－2）
Xi ＝∑Wij ·Xj （2－3）
误差反传采用改进的Delta权值调整公式[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为学习率（取η＝0.1~0.9）；
α为动量系数（取α＝0.1~0.8）；
δj为神经元输出误差。
采用基于系统误差梯度的方法调整权值 [4] ，即：
当 j 为输出层时：
δj＝－( Xi '－Xj)·X'j·(1－X'j) （2－6）
当j为中间层时：
δj＝(∑δk·Wjk)·X'j·(1－X'j) （2－7）
2.3 NN在线学习控制结构
系统以过程输出量Y为控制对象，以Y=Ysr（给定常数）为控制目标，以 U过程控制量，以事先离线进行过权值初始化训练、并且在生产过程中不断进行在线学习的神经网络系统辩识模型NN为控制模型，并由此辩识模型计算某一时刻所需控制量U值。构成基于神经网络的实时控制系统，实现对Yr的自动跟踪。系统控制原理框图如图3所示。图3中，P为实时过程的实际模型；BP为输出误差向网络内部连接权值反传调整权值的算法。S为网络权值传送软件开关。
2.4 过程模型在线自学习
系统首先采用离线训练的方式形成网络的连接权值矩阵初始值，包括建立各种不同神经网络模型结构参数，以提高在线学习速度。
系统投入实时控制后，程序在一定条件下启动NN自学习功能，将实时采集的工艺参数通过特定处理后，作为训练样本输入网络，进行连接权值的调整。由于NN模型不需要知道对象的任何先验知识，在限定NN拓扑下，其连接权值不仅规定了模型的参数，同时也规定了模型的结构性质，因此，用这种方式训练出来的的神经网络模型，可以充当对象的模仿器[1]。系统不断地根据生产过程中的各种相关参数，反复调整网络权值，在线建立过程逆模型。
2.5 模型逆控制
过程模型模仿网络NN2投入实时控制前经过离线训练，使系统在投入控制后的初始阶段有较好的稳定性并使NN2能较快地完成以后的在线学习。在NN2不断学习和NN1调节控制量的过程中，NN2输入输出特性能够越来越准确地模拟实际过程模型的输入输出特性。经若干个模型学习周期，NN2 学习误差达到期望值，NN2 的连接权值暂时固定下来。当过程输出与系统设定的偏差大于期望值时，NN2的连接权值传送给调节器模仿器NN1，作为调节器计算新的控制量，同时，启动在线学习开关 S，NN2开始进行新的学习。当系统产生控制中断而进入控制周期，系统先对过程状态参数进行一次实时检测，根据当前的过程状态由NN1对控制量进行调节，完成一次在特定工艺状态参数下的控制量的动态设定。
当NN充分接近实际模型，即：NN2=P-1时，由于NN1=NN2，NN1·P=P-1·P＝1，则Y=Ysr，即系统可实现对给定目标值的跟踪。
3 软件实现
对实时控制系统而言，软件设计应着重考虑NN学习算法、样本形成、网络推理之间的时序问题。系统采用内部中断与外部中断相结合的方式处理时序问题。软件设计两个中断处理子程序，其中一个为定时与采样中断处理子程序，
采用修改机器内部定时中断向量的方法，另一个为实时控制及样本提取中断处理子程序。采用外部脉冲信号产生中断申请的响应方法。网络学习则在主程序的大循环中进行。
系统投运前，NN通过离线训练获初始知识。离线训线的样本可以利用工艺过程中的历史数据产生，或由该领域专家的知识形成。
实时控制中NN以在线学习方式运行。学习是一个的大循环，不断以样本子集缓冲区的实时样本对网络进行训练。而样本缓冲区的实时样本的刷新是由外部中断服务子程序根据样本提取逻辑进行的，系统实时地将实际过程中产生的新样本替换样本缓冲区中最先前的样本。同时，一旦时间达到某一设定的周期，系统将样本缓冲区的样本存入硬盘作为历史样本供以后使用。内部中断服务子程序采集的现场数据供显示用，并且提供样本提取逻辑所需的计时信息。采用这种大循环进行NN学习；内部时钟定时中断进行数据采集与处理并提供样本获取和控制时序逻辑；外部中断请求进行样本提取和实时控制的程序结构，充分利用了CPU的大量空闲时间，即照顾了学习的耗时性，又满足了数据采集的及时性和控制的适时性。实时控制流程及中断服务子程序见图4。
其中：(a) 实时控制主模块； (b) 实时数据采集及定时中断处理子程序；(c)控制输出及样本提取中断处理子程序。
4 计算机仿真实例结果
计算机仿真实验程序用C++编制，在486微机上运行。
系统仿真所用数学模型为螺纹钢筋轧后控冷工艺过程的一个多输入单输出 (根据生产实际数据产生的回归分析模型)[5,6]：
Ts= -4.1·Qy -156.8·t -4.6·Tw +29.3·Φ+0.21·Tf +50·C +850 ( 4-1)
其中过程输出为Y = Ts ，目标值Yr = 620 。
设NN输入 X= { t , Tw , Φ , Tf , C , Ts } ；NN输出U = Qy 。
网络为6×12×12×1结构，运行前离线训练重复次数为7000次，学习时间为8分钟，网络输出总误差为0.00005。经过训练的NN用于仿真运行，模拟在线自学习控制，学习 时间小于0.5秒。仿真运行结果见表1。表中数据经归一化处理，以保证网络输出值在(0，1) 区间内；其中Qy、Ts为初始值，Qy'、Ts'为执行的结果值。
由表1可知，系统能够在钢筋终轧温度Tf变化时，自动改变水量设定值Qy，使其自回火温度稳定在目标值Tsr=602℃ (误差小于1℃)左右。仿真结果表明，这种基于NN模型自学习的逆控制方法，有较强的自学习、自适应能力。在处理一般非线性、随机性、时变及多变量输入输出的实时过程方面，有较好的开发应用前景。
参 考 文 献
[1] 周节其，徐建闽. 神经网络控制系统的研究与展望. 控制理论与应用，1992，9(6):569∽575
[2]焦李成. 神经网络的应用与实现. 西安:西安电子科技大学大学出版社.1995,261~264
[3] 袁曾任，郭新钢. 基于B-P算法的神经网络作为离散时间非线性对象的逆控制, 电气自动化，1994,(4):39~41
[4]包约翰着. 自适应模式识别与神经网络. 马颂德等译. 北京:科学出版社.1992,109~125
[5] 张泰山,彭一江. 基于神经网络的钢筋轧后冷却自学习控制系统 .中国有色金属学报，1995 ,Vol.5, Suppl.4, 380~384
[6] 彭一江. 基于神经网络的钢筋轧后冷却智能控制系统 .中南工业大学硕士学位论文. 长沙. 1996
‘玖’ 神经元之间连接方式中的“环式连接”的作用是什么
好像没听过这个词，
如果这个可以理解为神经元之间形成环形连接，那可以解释为：
神经元之间连接成环，形成反馈通路，
如果是正反馈，那可以不断放大一个神经冲动的效果，
如果是负反馈，可以控制神经冲动的效果，使其在一个稳定的水平