Cognitron er et kunstigt neuralt netværk baseret på princippet om selvorganisering. Ved sin arkitektur ligner kognitronen strukturen af den visuelle cortex , den har en hierarkisk flerlagsorganisation, hvor neuroner mellem lag kun er lokalt forbundet. Uddannet ved kompetitiv læring (uden lærer). Hvert lag af hjernen implementerer forskellige niveauer af generalisering; inputlaget er følsomt over for simple mønstre, såsom linjer, og deres orientering i visse områder af det visuelle område, mens responsen fra andre lag er mere kompleks, abstrakt og uafhængig af mønsterets position. Lignende funktioner implementeres i kognitronen ved at modellere organiseringen af den visuelle cortex .
Neocognitron er en videreudvikling af cognitron-ideen og afspejler mere præcist strukturen af det visuelle system, giver dig mulighed for at genkende billeder uanset deres transformationer, rotationer, forvrængninger og skalaændringer. Neocognitron kan både selvlære og lære sammen med en lærer . Neocognitron modtager todimensionelle billeder som input, svarende til billeder på nethinden , og behandler dem i efterfølgende lag på samme måde, som det blev fundet i den menneskelige visuelle cortex . Selvfølgelig er der intet i neokognitronen, der kun begrænser dens brug til behandling af visuelle data, den er ret alsidig og kan bruges bredt som et generaliseret mønstergenkendelsessystem.
I den visuelle cortex er der fundet noder, der reagerer på elementer som linjer og vinkler med en bestemt orientering. På højere niveauer reagerer noder på mere komplekse og abstrakte mønstre såsom cirkler, trekanter og rektangler. På endnu højere niveauer stiger abstraktionsgraden, indtil der er defineret noder, der reagerer på ansigter og komplekse former. Generelt modtager noder på højere niveauer input fra en gruppe af noder på lavere niveau og reagerer derfor på et bredere område af synsfeltet. Svarene fra højere niveau noder er mindre afhængige af position og er mere modstandsdygtige over for forvrængning.
Kognitronen består af hierarkisk forbundne lag af neuroner af to typer - hæmmende og excitatoriske. Excitationstilstanden for hver neuron bestemmes af forholdet mellem dets hæmmende og excitatoriske input. Synaptiske forbindelser går fra neuronerne i det ene lag (i det følgende lag 1) til det næste (lag 2). Med hensyn til denne synaptiske forbindelse er den tilsvarende lag 1 neuron præsynaptisk, og lag 2 neuron er postsynaptisk. Postsynaptiske neuroner er ikke forbundet med alle neuroner i det 1. lag, men kun med dem, der hører til deres lokale område af forbindelser. Områderne med forbindelser af postsynaptiske neuroner tæt på hinanden overlapper hinanden, så aktiviteten af en given præsynaptisk neuron vil påvirke et stadigt voksende område af postsynaptiske neuroner i de næste lag af hierarkiet.
Kognitronen er konstrueret som lag af neuroner forbundet med synapser . En præsynaptisk neuron i et lag er forbundet med en postsynaptisk neuron i det næste lag. Der er to typer neuroner: excitatoriske noder, der har tendens til at excitere den postsynaptiske node, og inhiberende noder, der hæmmer denne excitation. Excitationen af en neuron bestemmes af den vægtede sum af dens excitatoriske og hæmmende input, men i virkeligheden er mekanismen mere kompleks end simpel summering.
Dette neurale netværk er både en model af perceptionsprocesser på mikroniveau og et computersystem, der bruges til tekniske problemer med mønstergenkendelse .
| Typer af kunstige neurale netværk | |
|---|---|
| |
| Machine learning og data mining | |
|---|---|
| Opgaver | |
| At lære med en lærer | |
| klyngeanalyse | |
| Dimensionalitetsreduktion | |
| Strukturel prognose | |
| Anomali detektion | |
| Grafer sandsynlighedsmodeller | |
| Neurale netværk | |
| Forstærkende læring |
|
| Teori | |
| Tidsskrifter og konferencer |
|