【自组织学习及其在汉字识别和图像分析中的应用】邓达.pdf

摘要随着生物学、心理物理学对人类感知系统的深入了解,神经网络研究中以非监督学习、自组织的方式从现实世界提取特征并映射归类的机制引起了越来越大的关注。较之于已得到广泛应用的监督式学习算法,自组织学习具有好的生物可行性,能够在缺乏指导信息的情况下形成对输入数据的有效表征.本文基于人的早期视觉模型,采用自组织学习的若干算法,做了以下三个方面的工作:首先,我们尝试将一种线性主分量分析网络用于图象分割的实验,并参考视觉模型,引入了非线性机制大幅度地提高了算法收敛速度.其次,我们采用一组Gabor滤波器作为视觉接受场、应用于手写体汉字识别中的特征提取过程。

目录引言1 系统中的信息处理1 监督学习与非监督学习-1 生物视觉与计算机视觉1 视觉的生物模型1 计算机视觉1本文的工作自组织学习原理与模型2 自组织的定义与原则2 自组织映射(SOM)及其讨论2 概述2 SOM特性分析2 3多层次SOM(HSOM)2 非监督学习与主分量分析2Hebb规则与Hebbian学习-2.

第一章引言第一节神经系统中的信息处理近几十年来,人工智能和信号处理的研究中,人们一直在尝试构造一些对现实世界信息处理的能力可与人脑相比拟的计算模型。我们知道,人具有在极短时间内完成对复杂的物体,例如人脸、手写体汉字等的识别、或者在复杂的噪声下提取出有用的语音信息:而计算机目前处理现实世界中的复杂模式的能力还相当有限。面对同样的问题,人脑的优越性明显地体现在对大量信息的高效处理能力、对噪声或二义性的克服和适应,以及对现实世界中形形色色的模式变形、失真所保持的不变性(invariance) 基于神经连接模型的研究认为,人脑具有如下两个方面的关键特性高度并行的体系结构生物学实