CN109086874A - 一种基于分形分维结构理论的泛神经网络模型 - Google Patents
一种基于分形分维结构理论的泛神经网络模型 Download PDFInfo
- Publication number
- CN109086874A CN109086874A CN201810893710.XA CN201810893710A CN109086874A CN 109086874 A CN109086874 A CN 109086874A CN 201810893710 A CN201810893710 A CN 201810893710A CN 109086874 A CN109086874 A CN 109086874A
- Authority
- CN
- China
- Prior art keywords
- network
- neural network
- node
- layer
- cell
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于分形分维结构理论的泛神经网络模型,基于分形分维理论,构建分维度基因神经网络,在分维神经网络系统中,神经网络的每个节点是都是一个单独的网络子系统,每个子系统的构成又是以多个下层网络来构建。可以很好的模拟生物本能和感性情绪作用,可以非常容易的构建基于情绪影响的AI情感决策,使得机器人的行为决策可以受其本身的情绪影响而使得机器人可以更加的人性化,减少机械感觉。
Description
技术领域
本发明涉及人工智能技术领域,具体是一种基于分形分维结构理论的泛神经网络模型。
背景技术
神经网络是指由大量的处理单元(神经元)互相连接而形成的复杂网络结构,是对人脑组织结构和运行机制的某种抽象、简化和模拟。人工神经网络(Artificial NeuralNetwork,简称ANN),以数学模型模拟神经元活动,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统,目前现有的人工神经网络都以二维结构构成网络模型,在决策系统构建中包含理性的系统功能、感性影响的系统模型和机器人的行为,决策以往只是基于最基本的外部条件输入,各个因素之间的影响是孤立的,不具备融合性。
发明内容
本发明所要解决的技术问题是提供一种基于分形分维结构理论的泛神经网络模型,以解决现有技术中存在的缺陷。
本发明解决上述技术问题的技术方案如下:
一种基于分形分维结构理论的泛神经网络模型,基于分形分维理论,构建分维度基因神经网络,在分维神经网络系统中,神经网络的每个节点是都是一个单独的网络子系统,每个子系统的构成又是以多个下层网络来构建:
第一步,构建表层基础神经网络,定义神经网络的基础功能节点第一层包含图像节点,声音节点,外部因素节点,内部因素,行为分析等第二层定义情绪生成等节点,行为生成节点,情绪生成节点等,语言生成节点,行为生成节点;第二步,定义每个神经网络节点之间的影响关系,定义公共函数并在两个节点网络算法中进行引用,以此作为不同节点之间连接模式,将输入节点的神经网络中生成的结果作为下层神经网络节点的输入参数之一来对下层网络进行结果引用,例如顶层神经网络的的单一激发函数为其中知为上层网络中两个节点网络,在该节点网络中的输出结果都可由下层细胞网络的运算结果来做为输出:即
每一个顶层网路节点的或者都可由底层细胞级别的网路进行运算输出来引入,即
或
在顶层网络中所有的节点通过这种方式进行细胞运算实现引用形成顶层网络节点的数据结果。
第三步,在表层神经网络定义完成的基础上,针对每个神经网络的节点层,进行细胞式放大,即以新的独立功能的细胞神经网络来构建上层神经网络的节点功能,细胞级神经网络的意思是,将顶层神经网络的节点看作一个细胞,顶层神经网络的的单个节点的能力是由其节点内部的多种网络系统的运行后所构成的。例如在顶层神经网络的图像处理节点中,其节点内部包含,人脸识别网络,情绪识别网络,年龄识别网络,物体识别网络等多个细胞网络构成。
第四步,在细胞层的各个神经网络中,再在每个节点上进行基因维度的神经网络层构建,对应上层细胞神经网络中的图像处理细胞网络和语音处理细胞网络,类似于情绪的数据处理在两个细胞网络中都存在,因此基因情绪的分析是可以构建成基因网络,用于处理基础的情绪分析,基因网络中的处理结果会直接影响到上层两个网络中两个不同节网络中的数据结果。就像生命体中,基因的改变会影响到相关细胞的变化和整个整体功能的变化一样。
第五步,以此类推可以无限的对单个节点进行新的网络构建
第六步,在整个分维神经网络的构建中除了表层神经网络的构建是基于人工神经网络的模型进行构建,细胞级的功能网络和基因级的网络构建方式,可以使用除人工神经网络模型之外的其他如马尔科夫深林,贝叶斯网络,决策树以及层次状态机等机器学习理论模型的方式来进行系统和算法构建。
本发明的有益效果是:可以很好的模拟生物本能和感性情绪作用,可以非常容易的构建基于情绪影响的Al情感决策,使得机器人的行为决策可以受其本身的情绪影响而使得机器人可以更加的人性化,减少机械感觉。
附图说明
图1为本发明原理示意框图;
图2为本发明具体实施例一示意图;
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种基于分形分维结构理论的泛神经网络模型,基于分形分维理论,构建分维度基因神经网络,在分维神经网络系统中,神经网络的每个节点是都是一个单独的网络子系统,每个子系统的构成又是以多个下层网络来构建:
第一步,构建表层基础神经网络,定义神经网络的基础功能节点第一层包含图像节点,声音节点,外部因素节点,内部因素,行为分析等第二层定义情绪生成等节点,行为生成节点,情绪生成节点等,语言生成节点,行为生成节点;第二步,定义每个神经网络节点之间的影响关系,定义公共函数并在两个节点网络算法中进行引用,以此作为不同节点之间连接模式,将输入节点的神经网络中生成的结果作为下层神经网络节点的输入参数之一来对下层网络进行结果引用,例如顶层神经网络的的单一激发函数为
其中知为上层网络中两个节点网络,在该节点网络中的输出结果都可由下层细胞网络的运算结果来做为输出:
即每一个顶层网路节点的或者都可由底层细胞级别的网路进行运算输出来引入,
即或
在顶层网络中所有的节点通过这种方式进行细胞运算实现引用形成顶层网络节点的数据结果。
第三步,在表层神经网络定义完成的基础上,针对每个神经网络的节点层,进行细胞式放大,即以新的独立功能的细胞神经网络来构建上层神经网络的节点功能,细胞级神经网络的意思是,将顶层神经网络的节点看作一个细胞,顶层神经网络的的单个节点的能力是由其节点内部的多种网络系统的运行后所构成的。例如在顶层神经网络的图像处理节点中,其节点内部包含,人脸识别网络,情绪识别网络,年龄识别网络,物体识别网络等多个细胞网络构成。
第四步,在细胞层的各个神经网络中,再在每个节点上进行基因维度的神经网络层构建,对应上层细胞神经网络中的图像处理细胞网络和语音处理细胞网络,类似于情绪的数据处理在两个细胞网络中都存在,因此基因情绪的分析是可以构建成基因网络,用于处理基础的情绪分析,基因网络中的处理结果会直接影响到上层两个网络中两个不同节网络中的数据结果。就像生命体中,基因的改变会影响到相关细胞的变化和整个整体功能的变化一样。
第五步,以此类推可以无限的对单个节点进行新的网络构建
第六步,在整个分维神经网络的构建中除了表层神经网络的构建是基于人工神经网络的模型进行构建,细胞级的功能网络和基因级的网络构建方式,可以使用除人工神经网络模型之外的其他如马尔科夫深林,贝叶斯网络,决策树以及层次状态机等机器学习理论模型的方式来进行系统和算法构建。
本发明创造所要解决的技术问题包括:1、解决机器人Al系统中的决策系统实现;2、解决机器人的外部传感器融合决策问题;3、解决机器人情感因素影响决策的技术,其具体工作原理如下:
基于分形分维结构理论的泛神经网络Al是一种融合了人工神经网络理论,马尔科夫决策过程,贝叶斯网络以及相关决策心理学为核心理论模型的泛神经网络模型,以此来打造基于操作系统层面的Al决策系统,行为系统,情绪系统,价值观评判系统和主观系统,每个小系统又都是一个基于贝叶斯网络或神经网络来进行构建。并且在系统构建中的各类系统模型和数据模型基于行为心理学和决策心理学的理论基础进行理论建模和架构建模。构建我们独有的人工智能操作系统。在整体的系统构建中模拟人脑的基础区域进行系统构建。整个系统以环境综合感知,行为本能反馈,内部因素模型,外部因素模型,综合行为控制进行互相的数据融合和数据激发形成整个有机可无限扩展的分形结构多层神经决策网路,整个泛神经网络模型基于不同维度在每个人工神经元节点内不断迭代重复的构建不同机能的处理神经网络系统。整个泛神经网络是一个类分形分维的结构,可构建无限层的子神经网络系统,之所以称之为“泛”是因为,整个网络模型的设计理论是基于基础神经网络在多个系统层面上的构建,无论是马尔可夫链,马尔科夫森林,贝叶斯网络,行为森林等单一的理论模型或者将其综合的进行组织,所呈现出的都是一种网络的形态。都有决策激发节点,都可以进行记忆存储,以神经网络的原理来综合统筹构建融合多理论模型的分形基因神经网络。最终使得机器人的本能,交互,业务三个方面进行智能融合的统一。
具体实施例一:
机器人需要对某个业务场景进行行为反馈,需要对外部的数据进行综合的分析和决策,最终根据外部的因素进行具体行为执行,例如当机器人看到用户进行打招呼的时候,需要根据图像,声音,和当前的系统状况来进行综合判断,并且将用户的反馈作为下次同样场景下决策的新因素来进行新的行为决策。这里面需要的不仅仅只是简单的反馈输出。而是需要考虑当前的外部情况和以往的情景反馈来进行新的行为决策,在这套系统中我们可以先构建顶层最基础的神经网络模型,将图像,语音,环境,时间等作为打招呼业务神经网络输入端进行设计将这些外部因素标注为X1,x2,x3,xn这些输入结果会形成对当前场景的一个外部融合结果集合为Y1;另外在在这外部因素之外,该神经网络还存在一个内部情感因素节点作为激发系统a2;经过a1和a2的共同激发,最终形成了网络的输出结果即行为,结果是一个相应的行为,且该行为是以行为树的模式存在;
现在可以开始构建细胞级神经网络,如其中的X1网路节点,在该网络节点中假设该节点是用来处理图像融合信息的节点,该节点的输入节点为各类图像分析后的信息,比如将人的情绪,年龄,性别,是否认知,并得到其他的外属穿着,发型的标签信息,构建第一二层网络细胞网络,同时候,在另外的语音节点里面构建将语音数据输入,构建第二个语音细胞网络完成情绪,声纹,语义等结果输出。
在构建情感分析的网络中,语音和视觉都能够进行情感的分析,以及性别和年龄的分析,因此在此前提下在图像细胞网络和语音细胞网络的下层构建第三维度的基因网络,分别是将基础的图像信息和语音信息来构建最底层网络,期间,两个不同基因网路中的情绪,年龄都是类似的,语音的变化,会让两个上层细胞网路产生一定的影响。图像输入变化也会对上层的情绪,年龄分析网路产生一些影响。
以此类推,内部机器人情绪网络同样会受到外围数据中的交互对象的年龄,性别,穿着,外观等形成新的影响,
最终根据外部因素和内部因素的影响,最终决策网络会根据这些底层网路的运行结果形成自己所特有的行为结果,有区别于简单的IF THEN ELSE模式,经过多层神经网络运行的决策结果即便输入的初始条件一样,但是内部基于受上次的运行结果的反馈的影响不同,机器人所进行的决策行为结果也将变得不可琢磨。
本发明具有如下优点:
该技术方案是一套完整的Al决策系统构建理论模型,以基因的模式进行分维度的神经网络构建,表层的神经网络受底层各个细胞神经网络和基因神经网路的变化而产生不同的影响。各个细胞神经网路和基因神经网路进行互相的影响很合适情绪类人情绪系统的架构模型实现,和Al情绪决策模型实现。分维基因神经网络本身所包含的记忆特性,可以很好的模拟生物本能和感性情绪作用,可以非常容易的构建基于情绪影响的Al情感决策,使得机器人的行为决策可以受其本身的情绪影响而使得机器人可以更加的人性化,减少机械感觉。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于分形分维结构理论的泛神经网络模型,基于分形分维理论,构建分维度基因神经网络,在分维神经网络系统中,神经网络的每个节点是都是一个单独的网络子系统,每个子系统的构成又是以多个下层网络来构建,其特征在于,包括如下步骤:
1)构建表层基础神经网络,定义神经网络的基础功能节点第一层包含图像节点,声音节点,外部因素节点,内部因素,行为分析等第二层定义情绪生成等节点,行为生成节点,情绪生成节点等,语言生成节点,行为生成节点;
2)定义每个神经网络节点之间的影响关系,定义公共函数并在两个节点网络算法中进行引用,以此作为不同节点之间连接模式,将输入节点的神经网络中生成的结果作为下层神经网络节点的输入参数之一来对下层网络进行结果引用,例如顶层神经网络的的单一激发函数为,点网络,在该节点网络中的输出结果都可由下层细胞网络的运算结果来做为输出:即
每一个顶层网路节点的或者都可由底层细胞级别的网路进行运算输出来引入,
即或
在顶层网络中所有的节点通过这种方式进行细胞运算实现引用形成顶层网络节点的数据结果。
3)在表层神经网络定义完成的基础上,针对每个神经网络的节点层,进行细胞式放大,即以新的独立功能的细胞神经网络来构建上层神经网络的节点功能,细胞级神经网络的意思是,将顶层神经网络的节点看作一个细胞,顶层神经网络的的单个节点的能力是由其节点内部的多种网络系统的运行后所构成的。例如在顶层神经网络的图像处理节点中,其节点内部包含,人脸识别网络,情绪识别网络,年龄识别网络,物体识别网络等多个细胞网络构成。
4)在细胞层的各个神经网络中,再在每个节点上进行基因维度的神经网络层构建,对应上层细胞神经网络中的图像处理细胞网络和语音处理细胞网络,类似于情绪的数据处理在两个细胞网络中都存在,因此基因情绪的分析是可以构建成基因网络,用于处理基础的情绪分析,基因网络中的处理结果会直接影响到上层两个网络中两个不同节网络中的数据结果。就像生命体中,基因的改变会影响到相关细胞的变化和整个整体功能的变化一样。
5)以此类推可以无限的对单个节点进行新的网络构建
6)在整个分维神经网络的构建中除了表层神经网络的构建是基于人工神经网络的模型进行构建,细胞级的功能网络和基因级的网络构建方式,可以使用除人工神经网络模型之外的其他如马尔科夫深林,贝叶斯网络,决策树以及层次状态机等机器学习理论模型的方式来进行系统和算法构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810893710.XA CN109086874A (zh) | 2018-08-07 | 2018-08-07 | 一种基于分形分维结构理论的泛神经网络模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810893710.XA CN109086874A (zh) | 2018-08-07 | 2018-08-07 | 一种基于分形分维结构理论的泛神经网络模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086874A true CN109086874A (zh) | 2018-12-25 |
Family
ID=64833819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810893710.XA Pending CN109086874A (zh) | 2018-08-07 | 2018-08-07 | 一种基于分形分维结构理论的泛神经网络模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086874A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476337A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 多级可变基因调控网络的群体机器人模式生成与转换方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699125A (zh) * | 2013-12-09 | 2014-04-02 | 北京工业大学 | 一种基于鼠脑海马导航的机器人仿真导航方法 |
CN105629733A (zh) * | 2016-02-01 | 2016-06-01 | 江西理工大学 | 一种分数阶细胞神经网络自适应同步控制及电路设计方法 |
CN106125730A (zh) * | 2016-07-10 | 2016-11-16 | 北京工业大学 | 一种基于鼠脑海马空间细胞的机器人导航地图构建方法 |
CN106886408A (zh) * | 2017-01-22 | 2017-06-23 | 广州真诺电子科技有限公司 | 应用于机器人软件工程师的智能决策系统 |
-
2018
- 2018-08-07 CN CN201810893710.XA patent/CN109086874A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699125A (zh) * | 2013-12-09 | 2014-04-02 | 北京工业大学 | 一种基于鼠脑海马导航的机器人仿真导航方法 |
CN105629733A (zh) * | 2016-02-01 | 2016-06-01 | 江西理工大学 | 一种分数阶细胞神经网络自适应同步控制及电路设计方法 |
CN106125730A (zh) * | 2016-07-10 | 2016-11-16 | 北京工业大学 | 一种基于鼠脑海马空间细胞的机器人导航地图构建方法 |
CN106886408A (zh) * | 2017-01-22 | 2017-06-23 | 广州真诺电子科技有限公司 | 应用于机器人软件工程师的智能决策系统 |
Non-Patent Citations (2)
Title |
---|
SETSUO HASHIMOTO,ET AL.: "Visual Perception Based on Cellular Neural Network for A Partner Robot", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS & AUTOMATION》 * |
张益军 等: "实现CPG模型的细胞神经网络的分支分析方法", 《控制理论与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476337A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 多级可变基因调控网络的群体机器人模式生成与转换方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alcaide-Marzal et al. | A 3D shape generative method for aesthetic product design | |
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 | |
CN106503654A (zh) | 一种基于深度稀疏自编码网络的人脸情感识别方法 | |
Rázuri et al. | Automatic emotion recognition through facial expression analysis in merged images based on an artificial neural network | |
CN109829105A (zh) | 一种可应用区块链技术的人工智能创作辅助系统 | |
CN111553467B (zh) | 一种实现通用人工智能的方法 | |
Kastenhofer | Two sides of the same coin? The (techno) epistemic cultures of systems and synthetic biology | |
CN108846380A (zh) | 一种基于代价敏感卷积神经网络的人脸表情识别方法 | |
CN106503786A (zh) | 用于智能机器人的多模态交互方法和装置 | |
Koskinen | Knowledge production in organizations | |
Rabinovich et al. | Neural dynamics of attentional cross-modality control | |
WO2021223042A1 (zh) | 一种类似于人类智能的机器智能实现方法 | |
Carsetti | Causality, meaningful complexity and embodied cognition | |
CN109086874A (zh) | 一种基于分形分维结构理论的泛神经网络模型 | |
Yang et al. | Intelligent design of product forms based on design cognitive dynamics and a cobweb structure | |
Amudha | Artificial intelligence: a complete insight | |
CN111062621A (zh) | 一种基于aigan的对原始观测数据的动作规划方法 | |
Barandiaran et al. | ALife models as epistemic artefacts | |
Chen et al. | Artificial Creative Intelligence: Breaking the Imitation Barrier. | |
CN109871944A (zh) | 受大脑抑制反馈机制启发的人工神经网络构建方法及系统 | |
Braunsmann et al. | Discourse Strategies of Implementing Algorithmic Decision Support Systems | |
CN113962353A (zh) | 一种建立强人工智能的方法 | |
Kumari et al. | Deep networks and deep learning algorithms | |
CN112016664A (zh) | 一种实现类人通用人工智能机器的方法 | |
Salimbeni et al. | Generative system to assist the artist in the choice of 3D composition for a still life painting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230113 |