人工神經(jīng)網(wǎng)絡(luò)ArtificialNeuralNetworks

人工神經(jīng)網(wǎng)絡(luò)ArtificialNeuralNetworks1第一頁，共二十頁。2脈沖耦合神經(jīng)網(wǎng)絡(luò)1952年，Hodgkin與Huxley開始研究神經(jīng)元電化學特性[216]。1987年，CharlesM.Gray等發(fā)現(xiàn)貓的初生視覺皮層有神經(jīng)激發(fā)相關(guān)振蕩現(xiàn)象[172；173]。1989年,ReinhardEckhorn和CharlesM.Gray研究了貓的視覺皮層，提出了具有脈沖同步發(fā)放特性的網(wǎng)絡(luò)模型[106；173]。1990年，ReinhardEckhorn根據(jù)貓的大腦皮層同步脈沖發(fā)放現(xiàn)象，提出了展示脈沖發(fā)放現(xiàn)象的連接模型[107]。對猴的大腦皮層進行的試驗中，也得到了相類似的試驗結(jié)果。1994年，Johnson發(fā)表論文，闡述了PCNN的周期波動現(xiàn)象及在圖像處理中具有旋轉(zhuǎn)、可伸縮、扭曲、強度不變性[244]。通過對Eckhorn提出的模型進行改進，就形成脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）模型。于1999年IEEE神經(jīng)網(wǎng)絡(luò)會刊出版了脈沖耦合神經(jīng)網(wǎng)絡(luò)專輯.國內(nèi)也于20世紀90年代末開始研究脈沖耦合神經(jīng)網(wǎng)絡(luò)。第二頁，共二十頁。3脈沖耦合神經(jīng)網(wǎng)絡(luò)

為了更進一步提高性能，必須降低計算復雜度，即要減少神經(jīng)元連接數(shù)。Ekblad,U.和J.M.Kinser于2004年提出了交叉皮層模型（IntersectingCorticalModel,ICM）提高圖像處理的速度。第三頁，共二十頁。4脈沖耦合神經(jīng)網(wǎng)絡(luò)

視覺皮層各個區(qū)域分別用V1、V2、V3、V4、V5表示。V1表示條紋狀視覺皮層區(qū)域，它對圖像很少進行預處理，但包含著豐富的圖像細節(jié)信息。V2進行視覺映射，視覺圖譜信息少于Vl。V3、V4、V5可以是獨立處理色彩、靜態(tài)和運動信息的特定功能區(qū)域。第四頁，共二十頁。5Hodgkin-Huxley模型

20世紀50年代，Hodgkin和Huxley研究哺乳動物視覺皮層細胞，提出了膜電位的運行模型。其中，I是通過膜的離子電流，m表示通道打開的概率，G表示鈉、鉀等離子的電導和漏電導，E表示總電位。m隨時間的變化率為:

其中，am是小顆粒未通過通道的比例，bm是通過通道的比例。am和bm都取決于總電位E，并且對鈉離子Na+和鉀離子K+具有不同的值。第五頁，共二十頁。6FitzHugh-Nagumo模型

20世紀60年代初，對神經(jīng)細胞膜及軸突進行理論分析和定量模擬，提出FitzHugh-Nagumo模型。在此模型中，神經(jīng)元的行為用一個范德坡振蕩器(vanderPoloscillator)進行描述。該模型有多種描述形式，但每種形式本質(zhì)是相同的，即用一個耦合振蕩器來描述一個神經(jīng)元。例如，Labbi等描述神經(jīng)元的膜電勢x和電壓恢復量y之間的相互作用如下第六頁，共二十頁。7Eckhorn模型

1990年，根據(jù)貓的視皮層的同步振蕩現(xiàn)象，Eckhorn提出一個脈沖神經(jīng)網(wǎng)絡(luò)模型，如圖所示。這個模型由許多相互連接的神經(jīng)元構(gòu)成，每個神經(jīng)元包括兩個功能上截然不同的輸入部分：分別是常規(guī)的饋接（Feeding）輸入，和起調(diào)制作用的連接（Linking）輸入。而這兩部分的關(guān)系并非像傳統(tǒng)神經(jīng)元那樣是加耦合的關(guān)系，而是乘耦合的關(guān)系。第七頁，共二十頁。8Eckhorn模型一般表示為第八頁，共二十頁。9脈沖耦合神經(jīng)網(wǎng)絡(luò)神經(jīng)元主要有兩個功能單元構(gòu)成:饋接輸入域和連接輸入域，分別通過突觸連接權(quán)值M和K來與其鄰近的神經(jīng)元相連。兩功能單元都要進行迭代運算，迭代過程中按指數(shù)規(guī)律衰減。饋接輸入域多加一個外部激勵S。第九頁，共二十頁。10Bayes連接域網(wǎng)絡(luò)模型競爭前的發(fā)放概率競爭后的發(fā)放概率第十頁，共二十頁。11圖像理解是一個高層的感知任務(wù)，基于Bayes連接域網(wǎng)絡(luò)模型BLFN，提出了一種特征捆綁計算模型，能夠?qū)崿F(xiàn)物體知覺的整體識別。特征捆綁的計算模型第十一頁，共二十頁。12模擬實驗（1）第十二頁，共二十頁。13模擬實驗（2）第十三頁，共二十頁。14模擬實驗（3）對象Man的特征對象Woman的特征對象Man對象Woman底層視覺特征Feeding輸入Linking輸入第十四頁，共二十頁。15模擬實驗對象Man對象Man的特征對象Woman對象Woman的特征第十五頁，共二十頁。16模擬實驗遞歸次數(shù)12345神經(jīng)元的發(fā)放概率M10.1440.9941.0001.0001.000M20.5770.9651.0001.0001.000M30.6140.9491.0001.0001.000M40.4990.5221.0001.0001.000M50.5050.3331.0001.0001.000M60.3630.7731.0001.0001.000M0.4970.7411.0001.0001.000W100.8030.0200.0000.0000.000W110.7090.0110.0000.0000.000W120.1020.0130.0000.0000.000W130.6751.0000.0000.0000.000W140.5351.0000.0000.0000.000W0.5030.2590.0000.0000.000第十六頁，共二十頁。17結(jié)論BayesianLinkingField模型能夠在完成感知任務(wù)的同時實現(xiàn)特征捆綁特征捆綁與感知是同時完成的，它們相輔相成、相互促進特征捆綁是通過振蕩完成，而不是簡單的bottom-up或者to