Cognitron

Den aktuella versionen av sidan har ännu inte granskats av erfarna bidragsgivare och kan skilja sig väsentligt från versionen som granskades den 11 oktober 2016; kontroller kräver 6 redigeringar .

Cognitron  är ett artificiellt neuralt nätverk baserat på principen om självorganisering. Genom sin arkitektur liknar kognitronen strukturen hos den visuella cortexen , den har en hierarkisk flerskiktsorganisation, där neuroner mellan lagren endast är anslutna lokalt. Utbildad genom tävlingsinlärning (utan lärare). Varje lager av hjärnan implementerar olika nivåer av generalisering; ingångslagret är känsligt för enkla mönster, såsom linjer, och deras orientering i vissa områden av det visuella området, medan responsen från andra lager är mer komplex, abstrakt och oberoende av mönstrets position. Liknande funktioner implementeras i kognitronen genom att modellera organiseringen av den visuella cortexen .

Neocognitron är en vidareutveckling av kognitronidén och återspeglar mer exakt strukturen i det visuella systemet, gör att du kan känna igen bilder oavsett deras transformationer, rotationer, förvrängningar och skalförändringar. Neocognitron kan både lära sig själv och lära sig tillsammans med en lärare . Neocognitron tar emot tvådimensionella bilder som input, liknande bilder på näthinnan , och bearbetar dem i efterföljande lager på samma sätt som det hittades i den mänskliga visuella cortex . Naturligtvis finns det inget i neokognitronen som begränsar dess användning endast för att bearbeta visuella data, den är ganska mångsidig och kan användas allmänt som ett generaliserat mönsterigenkänningssystem.

Biologisk prototyp

I den visuella cortexen har man hittat noder som svarar på element som linjer och vinklar med en viss orientering. På högre nivåer svarar noder på mer komplexa och abstrakta mönster som cirklar, trianglar och rektanglar. På ännu högre nivåer ökar abstraktionsgraden tills noder definieras som svarar på ansikten och komplexa former. I allmänhet får noder på högre nivåer input från en grupp av lägre nivånoder och svarar därför på ett större område av synfältet. Svaren från noder på högre nivå är mindre beroende av position och är mer motståndskraftiga mot distorsion.

Cognitronens arkitektur

Kognitronen består av hierarkiskt sammankopplade lager av neuroner av två typer - hämmande och exciterande. Tillståndet för excitation av varje neuron bestäms av förhållandet mellan dess hämmande och excitatoriska inmatningar. Synaptiska förbindelser går från nervcellerna i ett lager (nedan lager 1) till nästa (lager 2). Med avseende på denna synaptiska anslutning är motsvarande lager 1-neuron presynaptisk och lager 2-neuron är postsynaptisk. Postsynaptiska neuroner är inte anslutna till alla neuroner i det första lagret, utan bara med de som hör till deras lokala anslutningsområde. Områdena med anslutningar av postsynaptiska neuroner nära varandra överlappar varandra, så aktiviteten hos en given presynaptisk neuron kommer att påverka ett ständigt växande område av postsynaptiska neuroner i de nästa lagren i hierarkin.

Kognitronen är konstruerad som lager av neuroner som är sammankopplade med synapser . En presynaptisk neuron i ett lager är kopplad till en postsynaptisk neuron i nästa lager. Det finns två typer av neuroner: excitatoriska noder som tenderar att excitera den postsynaptiska noden, och inhiberande noder som hämmar denna excitation. Excitationen av en neuron bestäms av den viktade summan av dess excitatoriska och hämmande input, men i verkligheten är mekanismen mer komplex än enkel summering.

Detta neurala nätverk är både en modell av perceptionsprocesser på mikronivå och ett datorsystem som används för tekniska problem med mönsterigenkänning .

Litteratur

 Typer av artificiella neurala nätverk