CN103927583B - 人工神经网络 - Google Patents
人工神经网络 Download PDFInfo
- Publication number
- CN103927583B CN103927583B CN201410173215.3A CN201410173215A CN103927583B CN 103927583 B CN103927583 B CN 103927583B CN 201410173215 A CN201410173215 A CN 201410173215A CN 103927583 B CN103927583 B CN 103927583B
- Authority
- CN
- China
- Prior art keywords
- neuron
- unit
- classes
- class
- motor unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种人工神经网络,包括一个基本动作单元,该基本动作单元包括动作单元、选择系统,每个动作单元包括相互对应的一个A类神经元、一个B类神经元,该基本动作单元的输入,作用于各个A类神经元,该基本动作单元的输出,则由各个B类神经元来执行,某一B类神经元输出发放状态则其所在动作单元所代表的动作就开始实施,即B类神经元的输出作为该基本动作单元的输出。该基本动作单元按照最强选择原理触发特定动作,输出能对输入信息准确反映,以这个基本动作单元为基础,便于发展出具有识别、控制、逻辑计算等复杂功能的结构。
Description
技术领域
本发明涉及信息处理技术,特别涉及一种人工神经网络。
背景技术
人工神经网络是由大量的节点(或称处理单元、神经元)之间相互联接构成的非线性、自适应信息处理系统,它是在现代神经科学研究成果的基础上提出的,试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理系统。可以把一个人工神经网络划分为输入层、输出层和隐含层,隐含层在输入层和输出层之间,网络中节点(或称处理单元、神经元)的类型分为三类:输入单元、输出单元和隐单元。输入单元处于输入层,用于接受外部世界的信号与数据,对应预测变量;输出单元处于输出层,用于实现系统处理结果的输出,对应目标变量;隐单元处于隐含层,是不能由系统外部观察的单元。每个节点(或称处理单元、神经元)代表一种特定的输出函数,称为激励函数(activation function),节点(或称处理单元、神经元)间的连接权值反映了节点(或称处理单元、神经元)间的连接强度,信息的表示和处理体现在节点(或称处理单元、神经元)的连接关系中,网络的输出则依网络的连接方式、连接权值和激励函数的不同而不同,隐含层的层数和每层节点的个数决定了神经网络的复杂度。
人工神经网络是一种非程序化、适应性、大脑风格的信息处理,其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理功能。人工神经网络是并行分布式系统,采用了与传统人工智能和信息处理技术完全不同的机理,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织和实时学习的特点。人工神经网络特有的非线性适应性信息处理能力,克服了传统人工智能方法对于直觉,如模式、语音识别、非结构化信息处理方面的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合,将推动人工智能和信息处理技术不断发展。
人工神经网络是人工智能研究的一个重要方向。目前的人工神经网络均为黑箱系统,并且已经遇到很多无法解决的问题,比如在环境(背景)变化、噪音、变形等等情况下,很难得到正确的输出结果,远远达不到真正意义上的“智能”。
发明内容
本发明要解决的技术问题是提供一种人工神经网络,其基本单元按照最强选择原理触发特定动作,能准确反映输入信息,便于发展出具有复杂功能的结构。
为解决上述技术问题,本发明提供的人工神经网络,包括基本动作单元;
所述基本动作单元,包括动作单元、选择系统;
每个动作单元包括相互对应的一个A类神经元及一个B类神经元;
A类神经元,用于表示其所在动作单元被选择的可能性,其活跃强度越高,其所在动作单元被选择的可能性就越大;
B类神经元,用于表示其所在动作单元的动作的具体实施,只有发放或静默两种状态,B类神经元为发放状态时触发其所在动作单元的特定动作,B类神经元是否为发放状态,取决于其对应的A类神经元的活跃强度在该基本动作单元的各A类神经元中是否最大;只有某一A类神经元的活跃强度在该基本动作单元的各A类神经元中是最大,并且所述选择系统输出B类允许信号,该A类神经元对应的B类神经元才被激发为发放状态;
所述选择系统,有B类开关输入端,当B类开关输入端处有输入时,才输出B类允许信号,允许各动作单元的B类神经元输出。
较佳的,人工神经网络还包括基本识别单元;
所述基本识别单元,包括动作单元、选择系统;
基本识别单元的每个动作单元包括相互对应的一个A类神经元、一个B类神经元及一个C类神经元;
A类神经元,用于表示其所在动作单元被选择的可能性,其活跃强度越高,其所在动作单元被选择的可能性就越大;
B类神经元,用于表示其所在动作单元的动作的具体实施,只有发放或静默两种状态,B类神经元为发放状态时触发其所在动作单元的特定动作,B类神经元是否为发放状态,取决于其对应的A类神经元的活跃强度在该基本动作单元的各A类神经元中是否最大;只有某一A类神经元的活跃强度在该基本动作单元的各A类神经元中是最大,并且所述选择系统输出B类允许信号,该A类神经元对应的B类神经元才被激发为发放状态;
C类神经元,用于表示其所在动作单元所对应动作被确认,只有发放和静默两种状态;某一C类神经元被触发的条件是,所述选择系统输出B类允许信号并输出C类允许信号;
所述选择系统,有B类开关输入端及C类开关输入端,当B类开关输入端处有输入时,才输出B类允许信号,允许各动作单元的B类神经元输出;当C类开关输入端KC处有输入时,才输出C类允许信号,允许各动作单元的C类神经元输出。
较佳的,人工神经网络包括一基本动作单元、一基本识别单元、输入神经元、抑制性神经元;
所述基本识别单元,包括X个动作单元;X为正整数;
所述输入神经元,连接有X个抑制性神经元;
所述基本识别单元的X个动作单元的B类神经元与输入神经元连接的X个抑制性神经元一一对应;
所述基本动作单元,包括二个动作单元;其中,第一个动作单元的B类神经元输出接所述基本识别单元的选择系统的B类开关输入端,第二个动作单元的B类神经元输出接所述基本识别单元的选择系统的C类开关输入端,第二个动作单元的A类神经元预设有活跃强度;
所述输入神经元,用于将外部输入强度同与其连接的被激发的各抑制性神经元的抑制强度相加后输出到所述基本动作单元的第一个动作单元的A类神经元;
所述抑制性神经元,分别预设有抑制强度,在其所对应的所述基本识别单元的B类神经元为发放状态时被激发。
较佳的,人工神经网络包括基本识别单元、输入神经元、抑制性神经元、顺序发放系统、两个基本动作单元;
所述基本识别单元,包括X个动作单元;X为正整数;
所述基本识别单元的X个动作单元的B类神经元与输入神经元连接的X个抑制性神经元一一对应;
所述输入神经元,连接有X个抑制性神经元;
所述输入神经元,用于接外部输入,将外部输入强度同与其连接的被激发的各抑制性神经元的抑制强度相加后输出到第一个基本动作单元的第一个动作单元的A类神经元;
所述抑制性神经元,分别预设有抑制强度,在其所对应的所述基本识别单元的B类神经元为发放状态时被激发;
第一个基本动作单元,其第二个动作单元的B类神经元输出接所述基本识别单元的选择系统的C类开关输入端及所述顺序发放系统;第二个动作单元的A类神经元预设有活跃强度;
第二个基本动作单元,其第一个动作单元的B类神经元输出接第一个基本动作单元的选择系统的B类开关输入端、所述基本识别单元的选择系统的B类开关输入端及所述顺序发放系统;其第一个动作单元的A类神经元用于接入启动命令;其第二个动作单元的A类神经元预设有活跃强度;
所述顺序发放系统,有X个T类神经元;所述顺序发放系统,当第二个基本动作单元的第一个动作单元的B类神经元为发放状态时被激活,X个T类神经元依次发放,将活跃强度分别输入到所述基本识别单元的相应X个动作单元的A类神经元;所述顺序发放系统,当第一个基本动作单元的第二个动作单元的B类神经元为发放状态时沉默,各T类神经元停止发放。
本发明的人工神经网络,包括一个基本动作单元,该基本动作单元包括动作单元、选择系统,每个动作单元包括相互对应的一个A类神经元、一个B类神经元,该基本动作单元的输入,作用于各个A类神经元,该基本动作单元的输出,则由各个B类神经元来执行,某一B类神经元输出发放状态则其所在动作单元所代表的动作就开始实施,即B类神经元的输出作为该基本动作单元的输出。该基本动作单元按照最强选择原理触发特定动作,输出能对输入信息准确反映,如同数字电路中的逻辑门电路,以这个基本动作单元为基础,便于发展出具有识别、控制、逻辑计算等复杂功能的结构。
本发明的人工神经网络,提出了一种新型的神经元信息处理方式,它具有模糊处理的特点,可实现并行处理,具有较强的鲁棒性,实现了模块化与层次化,能解决背景变化、噪音处理、变形处理、信息组合爆炸等难题,它以神经元为基本元素,是一种非黑箱信息处理模型,可运用于模式识别、自动控制、语言处理等人工智能领域。
附图说明
为了更清楚地说明本发明的技术方案,下面对本发明所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是基本动作单元示意图;
图2是最强选择原理示意图;
图3是基本识别单元示意图;
图4是采用回返性抑制的人工神经网络示意图;
图5是能进行强度的识别的人工神经网络示意图。
具体实施方式
下面将结合附图,对本发明中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
人工神经网络,包括基本动作单元,如图1所示,所述基本动作单元包括动作单元、选择系统;
各个动作单元的编号分别为1、2、3……,每个动作单元包括相互对应的一个A类神经元及一个B类神经元;
A类神经元的编号分别为A1、A2、A3……;
B类神经元的编号分别为B1、B2、B3……;
A类神经元,用于表示其所在动作单元被选择的可能性,其活跃强度越高,其所在动作单元被选择的可能性就越大;
B类神经元,用于表示其所在动作单元的动作的具体实施,只有发放或静默两种状态,B类神经元为发放状态时触发其所在动作单元的特定动作,B类神经元是否为发放状态,取决于其对应的A类神经元的活跃强度在该基本动作单元的各A类神经元中是否最大;只有某一A类神经元的活跃强度在该基本动作单元的各A类神经元中是最大,并且所述选择系统输出B类允许信号,该A类神经元对应的B类神经元才被激发为发放状态;
所述选择系统,有B类开关输入端KB,当B类开关输入端KB处有输入时,才输出B类允许信号,允许各动作单元的B类神经元输出。
实施例一的人工神经网络,包括一个基本动作单元,该基本动作单元包括动作单元、选择系统,每个动作单元包括相互对应的一个A类神经元、一个B类神经元,该基本动作单元的输入,作用于各个A类神经元,该基本动作单元的输出,则由各个B类神经元来执行,某一B类神经元输出发放状态则其所在动作单元所代表的动作就开始实施,即B类神经元的输出作为该基本动作单元的输出。该基本动作单元按照最强选择原理触发特定动作,输出能对输入信息准确反映,如同数字电路中的逻辑门电路,以这个基本动作单元为基础,便于发展出具有识别、控制、逻辑计算等复杂功能的结构。
最强选择原理,是指每一个行为(动作)都有其特定代表的神经元,只有该神经元的活跃强度最大,该神经元所对应的行为(动作)才会被选择并发生。
最强选择是基于这样一个原理:代表特征的神经元,如果与具有该特征、代表某一对象的神经元形成连接并将其活跃强度传递给后者,那么代表对象的神经元所包含的输入特征越多,其活跃强度越大,活跃强度最大的神经元其为真的可能性最大。
以英文字母B、P、R、I为例,如图2所示,上排字母神经元分别代表R、P、B、I四个英文字母;下排特征神经元分别代表各局部特征。局部特征中,只有与外部输入相符合的特征神经元活跃,其它特征神经元静默。各特征神经元通过轴突与相应的字母神经元形成连接,并将活跃强度传递到字母神经元,字母神经元则将所有输入累和。
当有外部输入的时候,相对应的特征神经元活跃,并将活跃强度传递到代表字母的字母神经元。与外部输入吻合程度最高的字母神经元,它的活跃强度必定最强。比如,假定特征神经元的活跃强度均为1:
外部输入是R,则字母神经元的活跃强度分别为:R=3、P=2、B=2、I=1,R字母神经元活跃强度最强;
外部输入是P,则字母神经元的活跃强度分别为:R=2、P=3、B=2、I=1,P字母神经元活跃强度最强;
外部输入是B,则字母神经元的活跃强度分别为:R=2、P=2、B=3、I=1,B字母神经元活跃强度最强;
外部输入是I,则字母神经元的活跃强度分别为:R=1、P=2、B=1、I=3,I字母神经元活跃强度最强;
可以看出,在上面的例子中,外部输入始终能与最强活跃强度的字母神经元对应,因此选择最强活跃强度的字母神经元,其正确的可能性最大。
实施例一的人工神经网络,所有输入通过兴奋、抑制、易化等方式作用于A类神经元,A类神经元的作用就是通过自身的活跃强度来争取获得选择系统的选择,但一A类神经元活跃与否、活跃强度值大小并没有绝对的意义,因为它是否被选择,还取决于其它A类神经元的活跃强度。选择系统是该基本动作单元的基础,它的作用是选择最强活跃强度的A类神经元,并触发该A类神经元所对应的B类神经元,图1中的虚线表示可能形成的选择。比如,编号为1、2、3的动作单元分别代表向左转、向右转、直行,回家是向左、去朋友家向右、去商场直行,“回家”、“去朋友家”、“去商场”(输入条件)这几个因素分别作用于编号为A1、A2、A3的A类神经元,如果A1的活跃强度最大,A1得到选择系统的选择,其对应的编号为B1的B类神经元被激发,产生“向左转”的动作(输出结果)。
实施例二
基于实施例一的人工神经网络,人工神经网络包括基本识别单元,如图3所示,基本识别单元包括动作单元、选择系统;
各个动作单元的编号分别为1、2、3……,基本识别单元的每个动作单元包括相互对应的一个A类神经元、一个B类神经元及一个C类神经元;
A类神经元的编号分别为A1、A2、A3……;
B类神经元的编号分别为B1、B2、B3……;
C类神经元的编号分别C1、C2、C3……;
A类神经元,用于表示其所在动作单元被选择的可能性,其活跃强度越高,被选择的可能性就越大;
B类神经元,用于表示其所在动作单元的动作的具体实施,只有发放或静默两种状态,B类神经元为发放状态时的触发其所在动作单元的特定动作,B类神经元是否为发放状态,取决于其对应的A类神经元的活跃强度在该基本动作单元的各A类神经元中是否最大;只有某一A类神经元的活跃强度在该基本动作单元的各A类神经元中是最大,并且所述选择系统输出B类允许信号,其对应的B类神经元才被激发为发放状态;
C类神经元,用于表示其所在动作单元所对应动作被确认,跟B类神经元一样,C类神经元也只有发放和静默两种状态;
某一C类神经元被触发的条件是,所述选择系统输出B类允许信号并输出C类允许信号;
所述选择系统,有B类开关输入端KB及C类开关输入端KC;B类开关输入端KB处有输入时,才输出B类允许信号,允许各动作单元的B类神经元输出;当C类开关输入端KC处有输入时,才输出C类允许信号,允许各动作单元的C类神经元输出。
图1中,当某一动作单元被选择时,其A类神经元对应的B类神经元就开始活跃(发放状态),相对应的动作(或行为)就开始发生。然而,这只是动作的开始,任何动作都是一个过程,能否完成这个动作,并不仅仅取决于这个动作是否被选择,在执行动作的过程中,往往由于外部环境的原因而无法完成。
实施例二的人工神经网络,包括基本识别单元,基本识别单元通过C类神经元是否为发放状态来代表相应动作得到了完成,选择系统除了有B类开关输入端KB外,还增加了C类开关输入端KC,当B类开关输入端KB有输入的时候,选择系统允许各动作单元的B类神经元输出;当C类开关输入端KC有输入的时候,选择系统允许各动作单元的C神经元输出。B类神经元发放并触发一系列动作,当动作达到某一目的时,选择系统的C类开关输入端KC处有输入,相应C类神经元才会发放,它代表了动作得到完成。实施例二的人工神经网络,其基本识别单元能准确识别动作并输出识别结果。
作出的动作被确定,这与识别有什么关系?识别其实就是通过“动作”来完成的。就以视觉识别为例,识别一个苹果和一个梨子,表面上都是通过“看”的动作来完成的,但实际上在看的过程中,还有很多眼珠内部的细微“动作”,识别对象不同,这些动作就不同。也就是说,每一个特定的对象,都对应了一个特定的动作。这就像每个对象,都有一个特定的、由不同动作构成的模板,一个识别过程,就是一个模板匹配的过程。因此,对外部对象的识别,实质是通过对自身“动作”的识别来完成的。
用“模板匹配”的过程来理解识别的过程,图3中,A类神经元、B类神经元、C类神经元都对应于同一特定对象(动作单元),其中A类神经元关系到模板选择(动作的选择),B类神经元就是由动作构成的模板(动作执行),C类神经元则是模板比对后的结果,当模板匹配成功,C类神经元就发放(动作确认)。识别的完整过程就是:模板选择→模板比对→结果输出。识别过程的第一步是模板选择,而模板选择的原则就是“最强选择”。
实施例三
基于实施例二的人工神经网络,如图4所示,人工神经网络包括一基本动作单元、一基本识别单元、输入神经元、抑制性神经元;
所述基本识别单元,包括X个动作单元;X为正整数;
所述输入神经元G,连接有X个抑制性神经元,抑制性神经元的编号为H1、H2、H3……;
所述基本识别单元的X个动作单元的B类神经元与输入神经元连接的X个抑制性神经元一一对应;
所述基本动作单元,包括二个动作单元;其中,第一个动作单元的B类神经元B1输出接所述基本识别单元的选择系统的B类开关输入端KB,第二个动作单元的B类神经元B2输出接所述基本识别单元的选择系统的C类开关输入端KC,第二个动作单元的A类神经元A2预设有较低的活跃强度;
所述输入神经元,用于将外部输入强度同与其连接的被激发的各抑制性神经元的抑制强度相加后输出到所述基本动作单元的第一个动作单元的A类神经元A1;
所述抑制性神经元,分别预设有抑制强度,在其所对应的所述基本识别单元的B类神经元为发放状态时被激发。各抑制性神经元的抑制强度可以相同或不同;
实施例三的人工神经网络,抑制性神经元由基本识别单元的B类神经元触发,被触发后对输入神经元进行抑制,不同的抑制性神经元可以有不同的抑制强度,这种由B类神经元触发的对输入神经元产生的抑制称为回返性抑制。所述基本动作单元的第一个动作单元的A类神经元A1接收来自输入神经元的输出信号,从而其活跃强度是输入神经元的外部输入强度同各抑制性神经元的抑制强度的和。在回返性抑制开始工作前,只要将所述基本动作单元的第二个动作单元的A类神经元A2预设较低活跃强度,基本动作单元的选择系统会选择第一个动作单元,基本动作单元的第一个动作单元的B类神经元B1输出发放状态使基本识别单元的选择系统的B类开关输入端KB有输入,从而基本识别单元选择其某一动作单元并使其对应的B类神经元输出发放状态,激发相应抑制性神经元,对输入神经元产生回返性抑制,在回返性抑制的作用下,所述基本动作单元的第一个动作单元的A类神经元A1的活跃强度降低,回返性抑制的强度与外部输入强度越相符,所述基本动作单元的第一个动作单元的A类神经元A1的活跃强度越低,完全相符则为0。当所述基本动作单元的第一个动作单元的A类神经元A1的活跃强度低于所述基本动作单元的第二个动作单元的A类神经元A2预设的活跃强度,所述基本动作单元的选择系统将选择第二个动作单元,基本动作单元的第二个动作单元的B类神经元B2输出发放状态到基本识别单元的选择系统的C类开关输入端KC,从而基本识别单元激活所选择动作单元的C类神经元,形成人工神经网络的输出。
所述基本动作单元的第二个动作单元的A类神经元A2预设的活跃强度,可以通过其它方式进行调节。所述基本动作单元的第二个动作单元的A类神经元A2预设的活跃强度越低,回返性抑制与外部输入的比对精度要求就越高;相反所述基本动作单元的第二个动作单元的A类神经元A2预设的活跃强度越高,比对的精度要求越低。也就是说,这种比对方式具有模糊处理的特点,并且其精确度(模糊度)可调。
预设所述基本动作单元的第二个动作单元的A类神经元A2的活跃强度,还有一个重要意义:基本识别单元的B类神经元B1、B2、B3所触发的回返性抑制动作,其“目的”,就是为了使所述基本动作单元的第二个动作单元的A类神经元A2得到选择。我们知道,人的每一个行为、每一个动作都有其特定的“目的”,甚至很多人认为即使是在信息加工的初级阶段——感知阶段,知觉的形成也是一种主动行为(即具有目的性),而非简单、完全的取决于外部刺激。正因为如此,很多人将是否具有目的性作为高级智能所产生的反应与机械反应之间的重要区别,而实施例三的人工神经网络的抑制性神经元的模型,正是一种能体现动作目的性的结构。
如果说识别是用模板与外部输入进行比对,利用最强选择原理来选择模板只是识别的第一步,很多输入情况下,活跃强度最大,只能说明其代表的对象为“真”的可能性最大,还需要利用“模板”与外部对象进行比对才能进行判定。回返性抑制就是完成比对的一种最基本的行为、动作,如果说识别是用一个模板来与外部输入进行比对,那么这个模板正是由回返性抑制构成的,模板是否能与外部输入匹配,就在于经过回返性抑制这一动作后,是否会依据最强选择原理选择到预设的神经元,这一预设神经元得到选择,就表示模板匹配成功,否则再选择其它模板。
利用回返性抑制还可以实现一种自上而下的并行处理。人总能在一个熟悉的环境中迅速发现某一变化,似乎他在同时处理这一环境中的所有输入,这就是人所表现出来的并行处理能力。计算机则不同,它必须对所有输入不断地进行扫描、计算,才能得出哪里有变化的结论,当外部输入很多的时候,计算量大增将导致速度很慢,对输入的变化不能在第一时间形成反应。利用回返性抑制,就可以很轻易的实现类似人脑的多输入并行处理。在熟悉的环境下,由于回返性抑制与所有外部输入得到匹配,整个系统的神经元活跃强度都很低,最强选择系统所选择的是一个活跃强度很低的预设神经元。如果外部输入保持不变,回返性抑制持续与输入作用,选择系统也将一直选择该预设神经元。当任何输入发生变化,抑制与输入未能匹配,该处的神经元活跃强度就会增加并得到选择系统的选择,就能在第一时间对变化的输入形成反应。这种并行处理有一个前提是“熟悉的环境”,也就是回返性抑制能与外部输入匹配(心理学中的“结构效应”就是这种情况),因此我把它叫做“自上而下的并行处理”。
实施例四
基于实施例二的人工神经网络,如图5所示,人工神经网络包括基本识别单元、输入神经元、抑制性神经元、顺序发放系统、两个基本动作单元;
所述基本识别单元,包括X个动作单元;X为正整数;
所述基本识别单元的X个动作单元的B类神经元与输入神经元连接的X个抑制性神经元一一对应;
所述输入神经元G,连接有X个抑制性神经元;抑制性神经元的编号为H1、H2、H3……;
所述输入神经元,用于接外部输入,将外部输入强度同与其连接的被激发的各抑制性神经元的抑制强度相加后输出到第一个基本动作单元的第一个动作单元的A类神经元A1;
所述抑制性神经元,分别预设有抑制强度,在其所对应的所述基本识别单元的B类神经元为发放状态时被激发;各抑制性神经元的抑制强度可以相同或不同;
第一个基本动作单元,其第二个动作单元的B类神经元B2输出接所述基本识别单元的选择系统的C类开关输入端KC及所述顺序发放系统;第二个动作单元的A类神经元A2预设有较低的活跃强度;
第二个基本动作单元,其第一个动作单元的B类神经元B1输出接第一个基本动作单元的选择系统的B类开关输入端KB、所述基本识别单元的选择系统的B类开关输入端KB及所述顺序发放系统;其第一个动作单元的A类神经元A1用于接入启动命令;其第二个动作单元的A类神经元A2预设有活跃强度;
所述顺序发放系统,有X个T类神经元;所述顺序发放系统,当第二个基本动作单元的第一个动作单元的B类神经元为发放状态时被激活,X个T类神经元依次发放,将活跃强度分别输入到所述基本识别单元的相应X个动作单元的A类神经元(图中箭头方向为活跃强度传递方向),任何时候最多只有一个T类神经元发放;所述顺序发放系统,当第一个基本动作单元的第二个动作单元的B类神经元为发放状态时沉默,各T类神经元停止发放。
我们经常疑惑这样一个很简单的现象:外部刺激强度是线性变化的,但到大脑后变成非线性了。比如,用手指感受不同水温,对于30度和31度的水温,我们可能觉得没有区别;对于30度和35度的水温,基本能行成两种不同的温度感觉。很明显,线性变化的水温,在人脑中形成的是非线性的知觉。
实施例四的人工神经网络,是基于这样一个假设:外部刺激作用于感觉神经末梢,感觉神经末梢将刺激信号转化为电脉冲信号并传递给中枢神经系统。这一阶段的转化是线性的,即刺激强度越大,转化成的电脉冲信号越强。
实施例四的人工神经网络,输入神经元G接收外部输入,基本识别单元的C类神经元则分别对不同的外部输入强度形成响应,作为人工神经网络的输出。假设我们需要这个人工神经网络运行的结果是:当外部输入强度为0-0.5时,C类神经元C1发放;当外部刺激强度为0.5-1.5时,C类神经元C2发放;当外部刺激强度为1.5以上时,C类神经元C3发放,则该人工神经网络的运行过程如下:
一.第二个基本动作单元的选择系统输出B类允许信号允许其控制的各动作单元的B类神经元输出,当启动指令有输入时,该第二个基本动作单元的第一个动作单元的A类神经元A1的活跃强度大于其第二个动作单元的A类神经元A2的预设活跃强度,其第一个动作单元的B类神经元B1激活,第一个基本动作单元的选择系统、基本识别单元的选择系统及顺序发放系统同时被激活;
二.顺序发放系统被激活时,三个T类神经元T1、T2、T3依次发放,将活跃强度分别输入到基本识别单元的相应动作单元的A类神经元A1、A2、A3,较佳的,每个T类神经元发放时间为1/3秒,发放的活跃强度为分别为1;
三.第一个基本动作单元的选择系统被激活时,第一个基本动作单元的选择系统输出B类允许信号,允许其控制的动作单元的B类神经元输出,其第一个动作单元的A类神经元A1接收输入神经元G输出的活跃强度;其第二个动作单元的A类神经元A2预设的活跃强度为0.5;当其第一个动作单元被选择时,顺序发放系统的三个T类神经元T1、T2、T3的继续依次发放,当其第二个动作单元被选择时,顺序发放系统的三个T类神经元T1、T2、T3的停止发放,同时使所述基本识别单元的选择系统的C类开关输入端KC有输入;
四.基本识别单元的选择系统被激活时,基本识别单元的选择系统输出B类允许信号,允许其控制的各动作单元的B类神经元输出,分别触发与输入神经元G连接的相应抑制性神经元(图中输入神经元G周围的实心小圆黑点为抑制性神经元)对输入神经元G的活跃强度进行抑制,抑制强度分别为0、1、2。
实施例四的人工神经网络,将强度连续变化的外部刺激转化为由特定神经元代表的离散输出。如果调整基本识别单元的B类神经元所触发的抑制强度、调整第一个基本动作单元的第二个动作单元的A类神经元A2预设的活跃强度、增加基本识别单元的动作单元,实施例四的人工神经网络可以对任意刺激强度范围形成响应。
实施例四的人工神经网络,其任何一个输出对应的是某一外部输入强度的范围,而不是某一特定值,实现将强度线性变化的外部输入信号,转化为非线性的”感觉”。比如我们希望形成一个对强度为2.5的刺激响应的神经元,这个神经元的强度响应必定是一个范围,如2.49-2.51、2.4999-2.5001等等,绝对不可能做到正好2.5。这个特点符合一个大脑信息处理最重要的特征——模糊处理。比如大脑对温度形成的感觉,当水温0-4度,我们感觉是很冷,4-10度是冷,10—20度是有点冷等等。并且这种范围的取值区间,还可以通过调节回返性抑制的抑制强度来进行调节,这就像同样的水温,在不同情况下感觉是不一样的,某些情况下感觉是冷,而在某些情况下感觉是很冷。
本发明的人工神经网络,提出了一种新型的神经元信息处理方式,它具有模糊处理的特点,可实现并行处理,具有较强的鲁棒性,实现了模块化与层次化,能解决背景变化、噪音处理、变形处理、信息组合爆炸等难题,它以神经元为基本元素,是一种非黑箱信息处理模型,可运用于模式识别、自动控制、语言处理等人工智能领域。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (4)
1.一种人工神经网络,包括基本动作单元,其特征在于,
所述基本动作单元,包括动作单元、选择系统;
每个动作单元包括相互对应的一个A类神经元及一个B类神经元;
A类神经元,用于表示其所在动作单元被选择的可能性,其活跃强度越高,其所在动作单元被选择的可能性就越大;
B类神经元,用于表示其所在动作单元的动作的具体实施,只有发放或静默两种状态,B类神经元为发放状态时触发其所在动作单元的特定动作,B类神经元是否为发放状态,取决于其对应的A类神经元的活跃强度在该基本动作单元的各A类神经元中是否最大;只有某一A类神经元的活跃强度在该基本动作单元的各A类神经元中是最大,并且所述选择系统输出B类允许信号,该A类神经元对应的B类神经元才被激发为发放状态;
所述基本动作单元的选择系统,具有B类开关输入端,当B类开关输入端处有输入时,才输出B类允许信号,允许各动作单元的B类神经元输出。
2.根据权利要求1所述的人工神经网络,其特征在于,
人工神经网络还包括基本识别单元;
所述基本识别单元,包括动作单元、选择系统;
基本识别单元的每个动作单元包括相互对应的一个A类神经元、一个B类神经元及一个C类神经元;
基本识别单元的每个动作单元的A类神经元,用于表示其所在动作单元被选择的可能性,其活跃强度越高,其所在动作单元被选择的可能性就越大;
基本识别单元的每个动作单元的B类神经元,用于表示其所在动作单元的动作的具体实施,只有发放或静默两种状态,B类神经元为发放状态时触发其所在动作单元的特定动作,B类神经元是否为发放状态,取决于其对应的A类神经元的活跃强度在该基本动作单元的各A类神经元中是否最大;只有某一A类神经元的活跃强度在该基本动作单元的各A类神经元中是最大,并且所述基本识别单元的选择系统输出B类允许信号,该A类神经元对应的B类神经元才被激发为发放状态;
C类神经元,用于表示其所在动作单元所对应动作被确认,只有发放和静默两种状态;某一C类神经元被触发的条件是,所述基本识别单元的选择系统输出B类允许信号并输出C类允许信号;
所述基本识别单元的选择系统,有B类开关输入端及C类开关输入端,当B类开关输入端处有输入时,才输出B类允许信号,允许各动作单元的B类神经元输出;当C类开关输入端KC处有输入时,才输出C类允许信号,允许各动作单元的C类神经元输出。
3.根据权利要求2所述的人工神经网络,其特征在于,
人工神经网络还包括输入神经元、抑制性神经元;
所述基本识别单元,包括X个动作单元;X为正整数;
所述输入神经元,连接有X个抑制性神经元;
所述基本识别单元的X个动作单元的B类神经元与输入神经元连接的X个抑制性神经元一一对应;
所述基本动作单元,包括二个动作单元;其中,第一个动作单元的B类神经元输出接所述基本识别单元的选择系统的B类开关输入端,第二个动作单元的B类神经元输出接所述基本识别单元的选择系统的C类开关输入端,第二个动作单元的A类神经元预设有活跃强度;
所述输入神经元,用于将外部输入强度同与其连接的被激发的各抑制性神经元的抑制强度相加后输出到所述基本动作单元的第一个动作单元的A类神经元;
所述抑制性神经元,分别预设有抑制强度,在其所对应的所述基本识别单元的B类神经元为发放状态时被激发。
4.根据权利要求2所述的人工神经网络,其特征在于,
人工神经网络还包括输入神经元、抑制性神经元、顺序发放系统;
人工神经网络中的基本动作单元有两个;
所述基本识别单元,包括X个动作单元;X为正整数;
所述基本识别单元的X个动作单元的B类神经元与输入神经元连接的X个抑制性神经元一一对应;
所述输入神经元,连接有X个抑制性神经元;
所述输入神经元,用于接外部输入,将外部输入强度同与其连接的被激发的各抑制性神经元的抑制强度相加后输出到第一个基本动作单元的第一个动作单元的A类神经元;
所述抑制性神经元,分别预设有抑制强度,在其所对应的所述基本识别单元的B类神经元为发放状态时被激发;
第一个基本动作单元,其第二个动作单元的B类神经元输出接所述基本识别单元的选择系统的C类开关输入端及所述顺序发放系统;第二个动作单元的A类神经元预设有活跃强度;
第二个基本动作单元,其第一个动作单元的B类神经元输出接第一个基本动作单元的选择系统的B类开关输入端、所述基本识别单元的选择系统的B类开关输入端及所述顺序发放系统;其第一个动作单元的A类神经元用于接入启动命令;其第二个动作单元的A类神经元预设有活跃强度;
所述顺序发放系统,有X个T类神经元;所述顺序发放系统,当第二个基本动作单元的第一个动作单元的B类神经元为发放状态时被激活,X个T类神经元依次发放,将活跃强度分别输入到所述基本识别单元的相应X个动作单元的A类神经元;所述顺序发放系统,当第一个基本动作单元的第二个动作单元的B类神经元为发放状态时沉默,各T类神经元停止发放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410173215.3A CN103927583B (zh) | 2014-04-28 | 2014-04-28 | 人工神经网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410173215.3A CN103927583B (zh) | 2014-04-28 | 2014-04-28 | 人工神经网络 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927583A CN103927583A (zh) | 2014-07-16 |
CN103927583B true CN103927583B (zh) | 2017-06-20 |
Family
ID=51145799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410173215.3A Active CN103927583B (zh) | 2014-04-28 | 2014-04-28 | 人工神经网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927583B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390534B (zh) * | 2014-10-11 | 2016-05-18 | 同济大学 | 一种隧道光面爆破质量控制方法 |
CN104598969B (zh) * | 2014-11-13 | 2018-02-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于神经网络的高压电器运行质量评估方法及系统 |
CN111664927B (zh) * | 2020-05-28 | 2022-04-26 | 首钢京唐钢铁联合有限责任公司 | 判定轨道衡计量状态的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122777A (zh) * | 2007-09-18 | 2008-02-13 | 湖南大学 | 大型冷凝器水下作业环境下二关节机器人的控制方法 |
CN102306301A (zh) * | 2011-08-26 | 2012-01-04 | 中南民族大学 | 模拟初级视皮层脉冲神经元的动作识别系统 |
CN103376742A (zh) * | 2012-04-24 | 2013-10-30 | 中国科学院合肥物质科学研究院 | 一种仿壁虎足部柔性结构爬壁机器人cpg控制系统 |
-
2014
- 2014-04-28 CN CN201410173215.3A patent/CN103927583B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122777A (zh) * | 2007-09-18 | 2008-02-13 | 湖南大学 | 大型冷凝器水下作业环境下二关节机器人的控制方法 |
CN102306301A (zh) * | 2011-08-26 | 2012-01-04 | 中南民族大学 | 模拟初级视皮层脉冲神经元的动作识别系统 |
CN103376742A (zh) * | 2012-04-24 | 2013-10-30 | 中国科学院合肥物质科学研究院 | 一种仿壁虎足部柔性结构爬壁机器人cpg控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103927583A (zh) | 2014-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim | An overview of soft computing | |
CN109376615A (zh) | 用于提升深度学习网络预测性能的方法、装置及存储介质 | |
CN106598948B (zh) | 基于长短期记忆神经网络结合自动编码器的情绪识别方法 | |
CN110070188B (zh) | 一种融合交互式强化学习的增量式认知发育系统及方法 | |
CN106326874A (zh) | 一种人眼图像中的虹膜识别方法及其装置 | |
CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN103927583B (zh) | 人工神经网络 | |
Schuman et al. | Spatiotemporal classification using neuroscience-inspired dynamic architectures | |
Tsang et al. | Refinement of generated fuzzy production rules by using a fuzzy neural network | |
Doumas et al. | Human-like generalization in a machine through predicate learning | |
Castro et al. | Learning and optimization of fuzzy rule base by means of self-adaptive genetic algorithm | |
CN111027215B (zh) | 针对虚拟人的性格训练系统及其方法 | |
CN108197711B (zh) | 基于类脑多感觉注意切换的计算方法 | |
CN110046709A (zh) | 一种基于双向lstm的多任务学习模型 | |
Sun et al. | A hybrid agent architecture for reactive sequential decision making | |
CN105005785A (zh) | 一种基于fisher信息矩阵的主动深度学习方法 | |
Yashchenko | Multidimensional Neural-Like Growing Networks-A New Type of Neural Network | |
CN107832833A (zh) | 基于混沌自主发育神经网络的场景识别方法、装置及系统 | |
Liu et al. | Multi-stage mixed rule learning approach for advancing performance of rule-based classification | |
Alvear-Sandoval et al. | An Experiment in Pre-Emphasizing Diversified Deep Neural Classifiers. | |
CN109086874A (zh) | 一种基于分形分维结构理论的泛神经网络模型 | |
CN110874875A (zh) | 门锁控制方法及装置 | |
Wang | Extension neural network-type 3 | |
Wang et al. | The classification decision tree fused with neural network realizes the intelligent transformation of data | |
Blank | Deep Learning Fundamentals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |