Книги
чёрным по белому
Главное меню
Главная О нас Добавить материал Поиск по сайту Карта книг Карта сайта
Книги
Археология Архитектура Бизнес Биология Ветеринария Военная промышленность География Геология Гороскоп Дизайн Журналы Инженерия Информационные ресурсы Искусство История Компьютерная литература Криптология Кулинария Культура Лингвистика Математика Медицина Менеджмент Металлургия Минералогия Музыка Научная литература Нумизматика Образование Охота Педагогика Политика Промышленные производства Психология Путеводители Религия Рыбалка Садоводство Саморазвитие Семиотика Социология Спорт Столярное дело Строительство Техника Туризм Фантастика Физика Футурология Химия Художественная литература Экология Экономика Электроника Энергетика Этика Юриспруденция
Новые книги
Цуканов Б.И. "Время в психике человека" (Медицина)

Суворов С. "Танк Т-64. Первенец танков 2-го поколения " (Военная промышленность)

Нестеров В.А. "Основы проэктирования ракет класса воздух- воздух и авиационных катапульных установок для них" (Военная промышленность)

Фогль Б. "101 вопрос, который задала бы ваша кошка своему ветеринару если бы умела говорить" (Ветеринария)

Яблоков Н.П. "Криминалистика" (Юриспруденция)
Реклама

Принципы работы головного мозга: Синергетический подход к активности мозга, поведению и когнитивной деятельности - Хакен Г.

Хакен Г. Принципы работы головного мозга: Синергетический подход к активности мозга, поведению и когнитивной деятельности — М.: ПЕРСЭ, 2001. — 351 c.
ISBN 5-9292-0047-5
Скачать (прямая ссылка): principirabotigolovnogomozga2001.djvu
Предыдущая << 1 .. 78 79 80 81 82 83 < 84 > 85 86 87 88 89 90 .. 118 >> Следующая

(16.5). Ясно, что предлагаемый нами подход обладает огромным преимуществом перед всеми другими традиционными нейрокомпьютерами или моделями нейронных цепей, поскольку позволяет установить прямую взаимосвязь между силами синапсов с одной стороны и хранящимися в памяти паттернами-прототипами — с другой стороны. Пользуясь нашим подходом, мы можем вместо того, чтобы изучать, как изменяются силы синапсов, исследовать обучение паттернам-прототипам. Это достигается следующим образом. Как мы уже упоминали выше, уравнения для динамики процесса распознавания паттернов, т.е. (16.3), могут быть выведены из потенциала V, который зависит, с одной стороны, от хранящихся в памяти паттернов-прототипов vk (или сопряженных с ними векторов v+), а с другой стороны, от вектора тестового паттерна q, т.е. V= V(vk, q). В качестве явного примера может служить потенциал
Воспользуемся следующей разновидностью принципа двойственности: для того чтобы произошло распознавание паттерна, шарик, символизирующий вектор паттерна q, должен скатиться по ландшафту потенциала (рис. 16.1), или, если воспользоваться более абстрактными терминами, потенциал V должен быть минимизирован динамикой градиента вектора q. Векторы-прототипы vk при этом считаются фиксированными. Обратим теперь наши рассуждения и рассмотрим векторы тестовых паттернов q как предъявленные, но фиксированные паттерны, а паттерны-прототипы vk и сопряженные с ними векторы как те паттерны, распознаванию которых нужно научиться, т.е. как те паттерны, которые необходимо «подогнать». И на этот раз для подгонки необходимо воспользоваться процедурой минимизации. Для этого мы выписываем общий потенциал ^(16.26) и производим суммирование по векторам q всех предъявленных тестовых паттернов. Вектора vk необходимо определить так, чтобы среднее потенциала (V) = '^JV(vl,qj) имело минимальное значение, что в свою очередь достигается с помощью динамики градиента по vk Таким образом, обу-
* Для практических приложений условия (vk,vt) = 1 и (16.2) необходимо учитывать с помощью дополнительных ограничений в виде потенциалов У2 и V}, добавляемых в (16.26). Подробности см. в приложении С.
(16.26)
где
{?
В + С если кфк' С если к = к'
(16.27)
265
Часть IV. Когнитивная деятельность
Рис. 16.26. Пример обучения распознаванию черт лица. Требовалось научить компьютер распознавать три образа-прототипа (верхний ряд). Они вводились в компьютер в случайной последовательности. В трех нижних рядах показано, как процедура обучения сказалась на векторах и совместных векторах (продолжительность обучения возрастает слева направо).
F «И дак*
4 4
Рис. 16.27. Обучение распознаванию частично скрытых лиц. В компьютер вводилась случайная последовательность частично скрытых изображений (каждый раз квадрат, закрывающий часть лица, занимал другое положение). Процесс обучения приводил к формированию полного изображения-прототипа, совпадающего с незакрытыми портретами в верхней части рис. 16.26.
266
16. Зрительное восприятие
чение обретает форму процесса оптимизации.. Несколько примеров такого подхода представлены на рис. 16.26 и 16.27. Они убедительно показывают, что предлагаемая процедура обеспечивает эффективное обучение паттернам-прототипам. Коль скоро паттерны-прототипы «выучены», мы можем тотчас же построить соответствующие силы синапсов Я/7, Я /ти и тем самым построить динамику распознавания в соответствии с (16.3). В результате мы устанавливаем взаимосвязь между процедурой обучения с одной стороны и изменением сил синапсов — с другой. Вместе с тем мы видим, что абстрактный ландшафт потенциала (а именно <V>) изменяется под влиянием процедуры обучения. Интересно отметить, что на процедуру обучения можно воздействовать подходящим выбором параметров внимания. Такой выбор облегчает образование классов, или категорий.
Наконец, операция проектирования (16.8) позволяет нам перейти с микроскопического уровня, описываемого вектором q, на уровень параметров порядка, описываемый величинами ?,к. Совершая такой переход, необходимо преобразовать потенциал V, зависящий от q и vk, в потенциал V, зависящий только от параметров порядка и параметров внимания. В случае распознавания паттернов потенциал имеет универсальную природу. Он определяется по формуле
I
V = (16.28)
^ к=1 4 к,к'
где коэффициенты Вкк, заданы соотношением (16.27). Нетрудно видеть, что паттерны vk исчезли. Но эффект обучения кроется в правиле проектирования (16.8), которое содержит паттерны vk.
16.6. Модель стереоскопического зрения
Наш мир трехмерен. Каждому из нас это утверждение кажется очевидным, но для зрительной системы нашего головного мозга трехмерность окружающего мира не очевидна. Чем это объясняется? Рассмотрим кратко, как наши глаза обрабатывают визуальную информацию. Как всем известно, наш глаз работает как миниатюрная фотокамера. Лучи света, идущие от объекта, попадают на сетчатую оболочку, где создают изображение. Так как сетчатая оболочка двумерна, создаваемое на ней изображение также двумерно. Таким образом, окружающий мир должен был бы казаться нам двумерным, но мы видим его трехмерным. Каким образом наш мозг реконструирует трехмерный мир? Было предложено несколько механизмов, проверенных в психофизических экспериментах. Простая догадка заключается в том, что о глубине сцены мы судим по размерам объектов. Например, зная средний рост человека, мы можем судить об удаленности фигур по кажущемуся уменьшению из размеров с расстоянием. Однако здесь воз-
Предыдущая << 1 .. 78 79 80 81 82 83 < 84 > 85 86 87 88 89 90 .. 118 >> Следующая