智能信息處理課程概述演示文稿

智能信息處理課程概述演示文稿現(xiàn)在是1頁\一共有40頁\編輯于星期五優(yōu)選智能信息處理課程概述ppt現(xiàn)在是2頁\一共有40頁\編輯于星期五目錄1.1智能信息處理的產(chǎn)生及發(fā)展

1.1.2智能計算的產(chǎn)生與發(fā)展1.2智能信息處理的主要技術(shù)1.3智能技術(shù)的綜合集成現(xiàn)在是3頁\一共有40頁\編輯于星期五1.1智能信息處理的產(chǎn)生及發(fā)展

圖1.1信息技術(shù)的四個組成部分及其信息鏈測量技術(shù)傳感技術(shù)網(wǎng)絡(luò)技術(shù)智能技術(shù)智能感知智能行為可靠傳遞智能思維現(xiàn)在是4頁\一共有40頁\編輯于星期五信息信息（Information），一般可理解為消息、情報或知識。例如，語言文字是社會信息；商品報導(dǎo)是經(jīng)濟信息；遺傳密碼是生物信息等。從物理學(xué)觀點出發(fā)來考察，信息是物質(zhì)所固有的，是其客觀存在或運動狀態(tài)的特征。信息本身不是物質(zhì)，不具有能量，但信息的傳輸卻依靠物質(zhì)能量。一般來說，傳輸信息的載體稱為信號（Signal），信息蘊涵于信號之中?，F(xiàn)在是5頁\一共有40頁\編輯于星期五智能智能就是智慧和能力，是個體有目的的行為，合理的思維，以及有效的適應(yīng)環(huán)境的綜合性能力個體認識客觀事務(wù)和運用知識解決問題的能力。人們常把傳感器比作人的感官，計算機比作人的大腦。從信息化角度出發(fā)，“智能”應(yīng)體現(xiàn)在三個方面，即：感知，信息的獲??；思維，信息的處理；行為，信息的利用。現(xiàn)在是6頁\一共有40頁\編輯于星期五智能ABC生物智能(BiologicalIntelligence,BI)人工智能(ArtificalIntelligence,AI)計算智能(ComputationalIntelligence，CI）由數(shù)學(xué)方法和計算機實現(xiàn)的，CI的來源是數(shù)值計算和傳感器是非物質(zhì)的，是人造的，常用符號表示，AI的來源是人的知識精華和傳感器數(shù)據(jù)）由人腦的物理化學(xué)過程反映出來,人腦是有機物,它是智能的物質(zhì)基礎(chǔ)B(有機）A(符號）C(數(shù)值）現(xiàn)在是7頁\一共有40頁\編輯于星期五智能計算目前國際上提出智能計算就是以人工神經(jīng)網(wǎng)絡(luò)為主導(dǎo)，與模糊邏輯系統(tǒng)、進化計算以及信號與信息處理學(xué)科的綜合集成。新一代的智能計算信息處理技術(shù)是神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、進化計算、混沌動力學(xué)、分形理論、小波變換、人工生命等交叉學(xué)科的綜合集成?，F(xiàn)在是8頁\一共有40頁\編輯于星期五智能計算的兩個重要特征1）智能計算與傳統(tǒng)人工智能不同，主要依賴的是生產(chǎn)者提供的數(shù)字材料，而不是依賴于知識；它主要借助數(shù)學(xué)計算方法(特別是與數(shù)值相聯(lián)系的計算方法)的使用。

一方面，具有明顯的數(shù)值計算信息處理特征；另一方面，強調(diào)用“計算”的方法來研究和處理智能問題。CI中計算的概念在內(nèi)涵上已經(jīng)加以拓廣和加深。一般地，在解空間進行搜索的過程都被稱為計算?，F(xiàn)在是9頁\一共有40頁\編輯于星期五智能計算的兩個重要特征2）智能計算的積極意義在于：促進基于計算的或基于計算和基于符號物理相結(jié)合的各種智能理論、模型、方法的綜合集成，以便在智能計算這個主題下發(fā)展思想更先進、功能更強大、能夠解決更復(fù)雜問題的大系統(tǒng)的智能科學(xué)成果。現(xiàn)在是10頁\一共有40頁\編輯于星期五兩類智能信息處理基于傳統(tǒng)計算機的智能信息處理基于神經(jīng)計算的智能信息處理現(xiàn)在是11頁\一共有40頁\編輯于星期五基于傳統(tǒng)計算機的智能信息處理包括智能儀器、自動跟蹤監(jiān)測儀器系統(tǒng)、自動控制制導(dǎo)系統(tǒng)、自動故障診斷系統(tǒng)等。在人工智能系統(tǒng)中，它們具有模仿或代替與人的思維有關(guān)的功能，通過邏輯符號處理系統(tǒng)的推理規(guī)則來實現(xiàn)自動診斷、問題求解以及專家系統(tǒng)的智能。這種智能實際上體現(xiàn)了人類的邏輯思維方式，主要應(yīng)用串行工作程序按照一些推理規(guī)則一步一步進行計算和操作，目前應(yīng)用領(lǐng)域很廣。其發(fā)展速度已不太適應(yīng)社會信息數(shù)量增長速度的需求，因而促使人們注意到新型智能信息處理系統(tǒng)的研究?，F(xiàn)在是12頁\一共有40頁\編輯于星期五基于神經(jīng)計算的智能信息處理ANN是模仿延伸人腦認知功能的新型智能信息處理系統(tǒng)。構(gòu)造具有腦智能的人工智能信息處理系統(tǒng)，可以解決傳統(tǒng)方法所不能或難以解決的問題（大腦是人的智能、思維、意識等一切高級活動的物質(zhì)基礎(chǔ)）。以聯(lián)接機制為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)具有大量的并行性、巨量的互連性、存儲的分布性、高度的非線性、高度的容錯性、結(jié)構(gòu)的可變性、計算的非精確性等特點?；谏窠?jīng)計算的智能信息處理是模擬人類形象思維、聯(lián)想記憶等高級精神活動的人工智能信息處理系統(tǒng)。能聯(lián)想記憶和從部分信息中獲得全部信息。分布式存儲和自組織性，而使系統(tǒng)連接線即使被破壞了50％，它仍能處在優(yōu)化工作狀態(tài)，這在軍事電子系統(tǒng)設(shè)備中有著特別重要的意義?，F(xiàn)在是13頁\一共有40頁\編輯于星期五1.2智能信息處理的主要技術(shù)神經(jīng)計算技術(shù)神經(jīng)網(wǎng)絡(luò)(ArtificalNeuralNetwork,ANN)主元分析(PrincipalComponentAnalysis,PCA)支持向量機(SupportVectorMachine,SVM)模糊計算技術(shù)模糊理論(FuzzySets,FuzzyTheory)粗糙集理論(RoughSetTheory)進化計算技術(shù)遺傳算法(GeneticAlgorithm)進化策略(EvolutionStrategy)進化規(guī)劃(EvolutionaryProgramming)蟻群優(yōu)化(AntColonyOptimization,ACO)微粒群算法(ParticleSarmOptimization，PSO)現(xiàn)在是14頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—腦神經(jīng)系統(tǒng)腦神經(jīng)系統(tǒng)是以離子電流機構(gòu)為基礎(chǔ)的由神經(jīng)細胞組成的非線性的(Nonlinear)、適應(yīng)的(Adaptive)、并行的(Parallel)和模擬的(Analog)網(wǎng)絡(luò)(Network)，簡稱NAPAN。在腦神經(jīng)系統(tǒng)中，信息的收集、處理和傳送都在細胞上進行。各個細胞基本上只有興奮與抑制兩種狀態(tài)。神經(jīng)細胞的響應(yīng)速度是毫秒級，比半導(dǎo)體器件要慢得多。現(xiàn)在是15頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是對真實腦神經(jīng)系統(tǒng)構(gòu)造和功能予以極端簡化的模型。神經(jīng)網(wǎng)絡(luò)的主要特征是大規(guī)模的并行處理、分布式的信息存儲、良好的自適應(yīng)性、自組織性以及很強的學(xué)習(xí)功能、聯(lián)想功能和容錯功能。與馮·諾依曼計算機相比，神經(jīng)網(wǎng)絡(luò)的信息處理模式更加接近人腦。主要表現(xiàn)在以下幾個方面：現(xiàn)在是16頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—神經(jīng)網(wǎng)絡(luò)能夠處理連續(xù)的模擬信號(例如連續(xù)變換的圖像信號)。能夠處理不精確的、不完全的模糊信息。馮·諾依曼計算機給出的是精確解，神經(jīng)網(wǎng)絡(luò)給出的是次最優(yōu)的逼近解。神經(jīng)網(wǎng)絡(luò)并行分布工作，各組成部分同時參與運算；單個神經(jīng)元的動作速度不快，但網(wǎng)絡(luò)總體的處理速度極快。現(xiàn)在是17頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)具有魯棒性，即信息分布于整個網(wǎng)絡(luò)各個權(quán)重變換之中，某些單元的障礙不會影響網(wǎng)絡(luò)的整體信息處理功能。神經(jīng)網(wǎng)絡(luò)具有較好的容錯性，即在只有部分輸入條件，甚至包含了錯誤輸入條件的情況下，網(wǎng)絡(luò)也能給出正確的解。神經(jīng)網(wǎng)絡(luò)在處理自然語言理解、圖像識別、智能機器人控制等疑難問題方面具有獨到的優(yōu)勢?，F(xiàn)在是18頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)以聯(lián)接主義為基礎(chǔ)，是人工智能研究領(lǐng)域的一個分支。它從微觀出發(fā)，認為符號是不存在的，認知的基本元素就是神經(jīng)細胞。認知過程是大量神經(jīng)細胞的連接引起神經(jīng)細胞不同興奮狀態(tài)和系統(tǒng)表現(xiàn)出的總體行為?，F(xiàn)在是19頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—神經(jīng)網(wǎng)絡(luò)傳統(tǒng)的符號主義與其不同。符號主義認為，認知的基本元素是符號，認知過程是對符號表示的運算。人類的語言、文字、思維均可用符號來描述，而且思維過程只不過是這些符號的存儲、變換和輸入、輸出而已。以這種方法實現(xiàn)的系統(tǒng)具有串行、線性、準確、易于表達的特點，體現(xiàn)了邏輯思維的基本特性。20世紀70年代的專家系統(tǒng)和80年代日本的第五代計算機研制計劃就體現(xiàn)了典型的符號主義思想?，F(xiàn)在是20頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—神經(jīng)網(wǎng)絡(luò)基于符號主義的傳統(tǒng)人工智能和基于聯(lián)接主義的神經(jīng)網(wǎng)絡(luò)分別描述了人腦左、右半腦的功能(邏輯思維、形象思維)，反映了人類智能的兩重性：一方面是精確處理，對應(yīng)認知過程的理性方面。另一方面是非精確處理，對應(yīng)認知過程的感性方面。兩者的關(guān)系是互補的，不能相互替代。理想的智能系統(tǒng)及其表現(xiàn)的智能行為應(yīng)是兩者相互結(jié)合的結(jié)果?，F(xiàn)在是21頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—主元分析主元分析（principalcomponentanalysis,PCA）就是這樣的一種降維技術(shù)。是神經(jīng)計算中近些年來發(fā)展的一種方法，通過把數(shù)據(jù)投影到能夠準確表征過程狀態(tài)的低維空間，降維技術(shù)可以簡化和改進過程監(jiān)控過程。它以某種方式產(chǎn)生低維表示，這種方式保留了過程變量間的關(guān)系結(jié)構(gòu)，按獲取數(shù)據(jù)的變化度來說是最優(yōu)的。現(xiàn)在是22頁\一共有40頁\編輯于星期五神經(jīng)計算技術(shù)—支持向量機支持向量機（supportvectormachine,SVM）是建立統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的一種新型的神經(jīng)網(wǎng)絡(luò)。統(tǒng)計學(xué)習(xí)理論是針對小樣本情況研究統(tǒng)計學(xué)習(xí)規(guī)律的理論，是傳統(tǒng)統(tǒng)計學(xué)的重要發(fā)展和補充，為研究有限樣本情況下機器學(xué)習(xí)的理論和方法提供了理論框架，其核心思想是通過控制學(xué)習(xí)機器的容量實現(xiàn)對推廣能力的控制。在這一理論中發(fā)展出的支持向量機方法是一種新的通用學(xué)習(xí)機器，較以往方法表現(xiàn)出很多理論和實踐上的優(yōu)勢。現(xiàn)在是23頁\一共有40頁\編輯于星期五模糊計算技術(shù)—模糊集合和模糊理論1965年，美國加州大學(xué)伯克萊分校L．Zadeh教授發(fā)表了著名的論文“FuzzySets”(模糊集)，開創(chuàng)了模糊理論。經(jīng)歷近三十年的曲折，這一領(lǐng)域已取得長足的進步，Zadeh也被國際上譽為“模糊之父”。最近十年來，模糊理論又在實際應(yīng)用中獲得重大突破，作為一種高新技術(shù)還在迅速發(fā)展，預(yù)計21世紀它將成為信息科學(xué)中的核心技術(shù)之一。現(xiàn)在是24頁\一共有40頁\編輯于星期五模糊計算技術(shù)—模糊集合和模糊理論Zadeh教授當(dāng)初曾提出過一個著名的不相容原理：“隨著系統(tǒng)復(fù)雜性增加，人們對系統(tǒng)進行精確而有效地描述的能力會降低，直至一個閾值，精確和有效成為互斥”。其實質(zhì)在于：真實世界中的問題，概念往往沒有明確的界限，而傳統(tǒng)數(shù)學(xué)的分類總試圖定義清晰的界限，這是一種矛盾，一定條件下會變成對立的東西。模糊理論的基本出發(fā)點：從而引出一個極其簡單而又重要的思想：任何事情都離不開隸屬程度這樣一個概念。現(xiàn)在是25頁\一共有40頁\編輯于星期五模糊計算技術(shù)—模糊集合和模糊理論模糊理論源于美國，但長期以來受學(xué)派之爭的束縛，實際應(yīng)用進展緩慢。到20世紀80年代后期，在日本以家用電器廣泛使用模糊控制作為突破口，使模糊邏輯的實際應(yīng)用獲得迅速發(fā)展。20世紀90年代初，美國已醒悟到“美國人的理論卻讓日本人賺錢”的教訓(xùn)，工業(yè)界也已行動起來。美國IEEE分別自1992年和1993年開始，專門針對“模糊系統(tǒng)”主題定期舉行國際會議和出版學(xué)術(shù)期刊。中國從事模糊數(shù)學(xué)的研究比較早，并處于國際前列。但由于眾所周知的原因，應(yīng)用仍有一定差距。模糊技術(shù)有許多誘人的優(yōu)越性，應(yīng)用前景看好，但畢竟還是新興技術(shù)，尚不成熟，有許多問題需要研究和解決。現(xiàn)在是26頁\一共有40頁\編輯于星期五模糊計算技術(shù)—粗糙集理論粗糙集理論是一種新的處理模糊和不確定性知識的數(shù)學(xué)工具。其主要思想就是在保持分類能力不變的前提下，通過知識約簡，導(dǎo)出問題的決策或分類規(guī)則。當(dāng)今社會已經(jīng)進入了網(wǎng)絡(luò)信息時代，計算機與網(wǎng)絡(luò)信息技術(shù)的飛速發(fā)展使得各個領(lǐng)域的數(shù)據(jù)和信息急劇增加（信息爆炸），并且由于人類的參與使數(shù)據(jù)與信息系統(tǒng)中的不確定性更加顯著（復(fù)雜系統(tǒng)）。如何從大量的、雜亂無章的、強干擾的數(shù)據(jù)（海量數(shù)據(jù)）中挖掘潛在的、有利用價值的信息（有用知識）,這給人類的智能信息處理能力提出了前所未有的挑戰(zhàn)?，F(xiàn)在是27頁\一共有40頁\編輯于星期五進化計算技術(shù)進化計算是智能計算的重要組成部分，受到眾多學(xué)科的高度重視。20世紀50年代中期創(chuàng)立了仿生學(xué)。許多科學(xué)家從生物中尋求新的用于人造系統(tǒng)的靈感。一些科學(xué)家分別獨立地從生物進化的機理中發(fā)展出適合于現(xiàn)實世界復(fù)雜問題優(yōu)化的模擬進化算法，主要有：Holland，Bremermann等創(chuàng)立的遺傳算法，Rechenberg和Schwfel等創(chuàng)立的進化策略,Fogel，Owens，Walsh等創(chuàng)立的進化規(guī)則。Fraser，Baricelli等做了生物系統(tǒng)進化的計算機仿真。很遺憾，他們沒有引入到人工系統(tǒng)。遺傳算法、進化策略及進化規(guī)則均來源于達爾文的進化論，但側(cè)重進化層次不同，而遺傳算法研究最為深入、持久，應(yīng)用面也最廣。現(xiàn)在是28頁\一共有40頁\編輯于星期五進化計算技術(shù)—遺傳算法從20世紀60年代開始，密歇根大學(xué)教授Holland開始研究自然和人工系統(tǒng)的自適應(yīng)行為。在這些研究中，他試圖發(fā)展一種用于創(chuàng)造通用程序和機器的理論。通用程序和機器具有適應(yīng)任意環(huán)境的能力。他意識到用群體方法搜索以及選擇、交換等等操作策略的重要性，并開創(chuàng)與目前類似的復(fù)制、交換、突變、顯性、倒位等基因操作，提出了重要的模式理論，建議采用二進制編碼?，F(xiàn)在是29頁\一共有40頁\編輯于星期五進化計算技術(shù)—蟻群算法蟻群優(yōu)化（antcolonyoptimization，ACO）是一種針對難解的離散優(yōu)化問題的元啟發(fā)式算法，它利用一群人工螞蟻的協(xié)作來尋找好的解。協(xié)作是ACO算法設(shè)計中的關(guān)鍵要素：主要部分是把計算資源分配到一群相對簡單的智能體（agent）上，這些agent之間通過媒介質(zhì)（stigmergy）進行間接通信，也就是說，agent之間進行的是一種以環(huán)境的變化為媒介的間接通信形式。好的解就是通過agent之間的相互協(xié)作而得到的?，F(xiàn)在是30頁\一共有40頁\編輯于星期五進化計算技術(shù)—微粒群算法微粒群算法是由美國社會心理學(xué)家JamesKennedy和電器工程師RussenEberhart在1995年共同提出的，是繼蟻群算法之后又一種新的群體智能算法，目前已成為進化算法的一個重要分支。微粒群算法自提出以來，在國外得到了相關(guān)領(lǐng)域眾多學(xué)者的關(guān)注與研究。CEC國際年會上，微粒群算法被作為一個獨立的研究分支，與遺傳算法、進化規(guī)劃等進化算法相提并論?，F(xiàn)在是31頁\一共有40頁\編輯于星期五進化計算技術(shù)—微粒群算法微粒群優(yōu)化(particleswarmoptimization,PSO)實際上是一種模仿鳥類群體行為的進化算法。這種算法體現(xiàn)著一種簡單樸素的智能思想：鳥類使用簡單的規(guī)則來確定自己的飛行方向和速度，試圖停落在鳥群中而不致相互碰撞。這種思想產(chǎn)生了一個數(shù)學(xué)上的優(yōu)化算法：與其他進化類優(yōu)化算法相類似，也采用“群體”和“進化”的概念，同樣也是依據(jù)個體的適應(yīng)值大小進行操作，所不同的是把每個個體視為在搜索空間中的一個沒有重量和體積的微粒，并在搜索空間中以一定的速度飛行。該飛行速度則由個體和群體的飛行經(jīng)驗進行動態(tài)調(diào)整，從而獲得一個很好的尋優(yōu)方案。這種算法正顯示著巨大的潛在用途。現(xiàn)在是32頁\一共有40頁\編輯于星期五1.3智能技術(shù)的綜合集成隨著模糊邏輯、神經(jīng)網(wǎng)絡(luò)、進化計算、混沌與分形、小波分析、人工生命以及人工智能等交叉學(xué)科的綜合集成不斷深入和發(fā)展，用智能計算技術(shù)來解決復(fù)雜智能行為已成為智能模擬、智能信息處理、智能控制、智能建筑、智能制造、智能多媒體通信、智能機器人、智能計算機、智能管理系統(tǒng)、智能決策系統(tǒng)等領(lǐng)域研究的新興熱門話題，并將在推動高度智能系統(tǒng)化的發(fā)展方面，起到重大的關(guān)鍵性作用。當(dāng)今智能計算信息處理技術(shù)正處于蓬勃發(fā)展階段，如何將模糊技術(shù)、神經(jīng)網(wǎng)絡(luò)、進化計算、混沌與分形、小波變換等有機結(jié)合起來，發(fā)揮各自的特點，顯然是智能計算信息處理中的一個核心問題?，F(xiàn)在是33頁\一共有40頁\編輯于星期五1.3智能技術(shù)的綜合集成模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合模糊技術(shù)、神經(jīng)網(wǎng)絡(luò)和遺傳算法綜合集成現(xiàn)在是34頁\一共有40頁\編輯于星期五模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)各有自己的優(yōu)點：前者以模糊邏輯為基礎(chǔ)，抓住了人類思維中的模糊特點，以模仿人的模糊綜合判斷推理來處理常規(guī)方法難以解決的模糊信息處理難題，使計算機應(yīng)用擴大到了人文、社會和心理學(xué)等領(lǐng)域。后者以生物神經(jīng)網(wǎng)絡(luò)為模擬基礎(chǔ)，試圖在模擬推理及自動學(xué)習(xí)等方面向前發(fā)展一步，使人工智能更接近人腦的自組織和并行處理等功能，它在模式識別、聚類分析和專家系統(tǒng)等方面已顯示了新的前景和新的思路。如果將它們進行綜合，即將符號邏輯推理方法與聯(lián)接機制方法進行有機結(jié)合，可有效地發(fā)揮各自的優(yōu)勢并彌補其不足。模糊技術(shù)的特長在于邏輯推理能力，容易進行高層的信息處理，將模糊技術(shù)引入神經(jīng)網(wǎng)絡(luò)可大大地拓寬神經(jīng)網(wǎng)絡(luò)處理信息的范圍和能力，使其：不僅能處理精確信息，也能處理模糊信息和其他不精確信息，不僅能實現(xiàn)精確性聯(lián)想映射，還可以實現(xiàn)不精確性聯(lián)想映射，特別是模糊聯(lián)想及模糊映射?，F(xiàn)在是35頁\一共有40頁\編輯于星期五模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)有很多共同點首先，它們都是著眼于模擬處理人的思維。其次，它們在形式上也有不少相似之處，比如，模糊集合理論中的隸屬函數(shù)與神經(jīng)網(wǎng)絡(luò)的輸出特性之間，模糊邏輯推理中的max-min運算與神經(jīng)元對其輸入的加權(quán)與運算之間，這也使得它們的有機結(jié)合得以方便實現(xiàn)。現(xiàn)在是36頁\一共有40頁\編輯于星期五神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合神經(jīng)網(wǎng)絡(luò)(NN)和遺傳算法(GA)都是將生物學(xué)原理應(yīng)用于科學(xué)研究的仿生學(xué)理論成果。但來源并不相同：GA是從自然界生物進化機制獲得啟示的，而NN則是人腦若干基本特性的抽象和模擬。因此，它們在信息處理時間上存在較大的差異：神經(jīng)系統(tǒng)的變化只需