感知的计算模型及其应用.docVIP

感知的计算模型及其应用石志伟计算机软件与理论 博士中科院计算所 史忠植下载PDF阅读器 自从20世纪90年代以来，各国纷纷制定脑科学研究的长远计划，越来越多的科研资源被投入到脑科学的研究中。没人能够否认，对人脑认知功能及其神经机制进行多学科、多层次的综合研究已成为当代科学发展的主流方向之一。来自神经科学、数学、心理学和计算机科学等各个学科的专家学者纷纷投身到脑科学的研究领域，以探索大脑这人类最为重要也最为复杂的器官的奥秘。由于高解析度的大脑扫描仪器和功能强大的计算机的出现，以及研究人员在神经科学、机器学习和人工智能等相关领域的成果丰富的进展，笔者在理解大脑皮层的结构和功能方面取得了很大的进展，研究人员据此提出了许多认知的计算模型。这些模型一方面借鉴神经生理学和心理学方面的研究成果为人工智能和模式识别等应用领域提供新的方法；另一方面为神经生理学和心理学方面提供新的研究思路。　　 本文的研究目标是研究认知的基本问题，建立感知的计算模型，并在此基础上对认知领域的一些重要问题进行研究，包括对认知过程中的特征捆绑理论与选择性注意机制的探讨。此外，本文还利用感知的计算模型在机器视觉和模式识别方面进行了一些应用研究。取得的创新性研究成果包括：　　 1.提出全局互联局部自治的贝叶斯网络(GCLABN)。该模型将格式塔的同型论与贝叶斯网络相结合，通过学习环境的结构建立一个脑场的模型，然后通过模拟脑场的运作对视觉刺激进行感知。从结构上来看，模型由多个最为简单的小的贝叶斯网络相互连接而成，形成一个大的复杂的网络系统。简单的贝叶斯网络作为模型的基本组成部分使得模型可以方便的处理视感知过程中的不确定性。而多个小的贝叶斯网络相互连接又可以充分利用视觉场景中对象与对象之间、视觉特征与视觉特征之间的关系。实验表明，该模型在信息不足的条件下，较好地提高物体识别的效果。　　 2.对GCLABN进行泛化，提出互联的基元网络(CCN)。笔者用一个一般的概率输出函数代替GCLABN模型中节点的CPD，把GCLABN扩展成一个更一般的模型——互联的基元网络(CCN)。这样，针对不同的感知问题，通过定义不同的概率输出函数就可以得到与问题相适合的计算模型。通过在CCN中引入节点分区机制、互斥竞争假设和因果独立假设，我们得到一个具体的感知计算模型——基于节点分区的互联基元网络(Partition Based CCN，PBCCN)，并利用该模型进行了信息不完备条件下的单词和句子的识别。实验结果表明，PBCCN模型在该任务中(尤其在句子识别方面)取得了非常好的识别效果。　　 3.提出特征捆绑的计算模型——Bayesian Linking Field Network。特征捆绑问题是认知科学中的重大问题之一，然而，迄今为止研究人员仍然不能对这一问题形成共识的理解。通过将Eckhom的Linking Field Network模型与噪声神经元模型的思想和贝叶斯方法相结合，并引入竞争机制，我们提出一个特征捆绑的计算模型——Bayesian Linking Field Network模型。通过利用该模型对一个视觉感知实例的感知过程的模拟，我们证实了该模型能够在完成感知任务的同时实现了感知对象的特征捆绑，解决了当感知场景对应于多种特征捆绑方案时的方案选择问题。同时，通过对模型在感知过程中动态行为的观察，我们还发现了一些对稀疏编码和选择性注意有启发的结果。后续实验也表明该模型可以充分利用物体之间和特征之间的相互关联，提高物体识别的效果。　　 4.应用特征捆绑的计算模型进行人脸识别和注意机制的探讨。在人脸检测方面，实验结果表明Bayesian Linking Field Network模型能够快速完成检测任务，并取得了很好的检测效果。在注意机制的探讨方面，我们利用Bayesian Linking Field Network模型从理论上说明了外部刺激、内部活动和感知系统的结构是影响注意的三大因素，并且通过模拟实验从数据角度定量地分析了三种因素对注意的不同影响，发现了内部活动对最终注意结果的产生起着最为重要的作用，而外部刺激对注意的影响与其它两种因素相比则显得要次要一些。这一结果为我们进一步从神经科学和心理科学等领域对注意机制的进一步研究提供了一个检验的方向。同时，也为模式识别、机器视觉等研究提出了一个新的思路。视知觉组织模型及应用研究张素兰 计算机软件与理论 博士中科院计算所 史忠植下载PDF阅读器 在大脑接收的来自外部世界的感知信息中,80﹪以上是通过视觉系统进行加工处理的.最近二十多年来,视觉信息加工的机制是脑科学、神经生物学、认知心理学和计算机科学等学科研究的重大课题之一.经研究发现,视觉系统的能力和多功能性在很大程度上源于它发现由视网膜编码的图像的结构和组织的能力,为了发现和描述