基于视觉动力神经场的机器学习方法研究

Machine learning plays an important role in artificial intelligent. One of its basic aims is simulating man's learning activity by computer, which give machine some learning ability to obtain new knowledge and fulfill some tasks. As a result， simulating the structure of nerve system by using research achievements of neurophysiology and cognition science to build new models of nerve system and recognition activity and new learning algorithms is always an important source of machine learning. Based on the features of visual cognitive activities, this project divides the basic visual cognitive activity into different functional levels according to theory and methods of neurophysiology and neurodynamics, which effectively reduces the complexity of modeling visual cognitive system. A new visual cognition model is given based on visual dynamical neural field theory, with which machine learning algorithms based on visual classification and visual clustering activities are also given. These algorithms are then used to solve practical issues like data classification and clustering analysis. Therefore, this project is a beneficial exploration and attempt in introducing neurophysiologic and neurodynamical achievements to building machine learning algorithm and solving practical problems like data mining.

机器学习在人工智能领域具有重要的地位，其基本目标之一，是利用计算机来模拟人类的学习行为，使得机器具有类似于人类的学习能力，从而能够自主的获取新知识，完成一些特定工作。因此，一直以来，通过利用神经生理学和认知科学研究成果，模拟神经系统的结构来建立神经系统和认知活动的模型，并进一步建立学习算法，实现自主学习的功能，成为了机器学习方法的一个重要来源。本项目基于视觉认知活动的特点，依据神经生理学和神经动力学的理论和方法，通过将基本的视觉认知活动分解为不同的功能层次，有效降低视觉认知系统模型的复杂性，并给出新的基于视觉动力神经场理论的视觉认知模型，并在该模型基础上，通过解决一些关键技术和理论问题，给出基于视觉分类与视觉聚类活动的机器学习算法，并将其应用于解决数据的分类和聚类分析等实际问题中，为视觉认知和神经动力学理论在建立机器学习算法，解决数据挖掘等实际问题中的应用进行了有益探索和尝试。

机器学习是人工智能领域中具有重要的地位研究方向之一。利用计算机来模拟人类的学习行为，使得机器具有类似于人类的学习能力，从而能够自主的获取新知识，完成一些特定工作是机器学习的基本目标。本项目按照计划书中的研究计划开展研究，基本完成了项目计划书中的研究目标。第一，在研究中发现，有效的利用动力神经场来描述记忆活动的关键在于其相互作用核的选择。为此，项目组对于各种类型相互作用核对于动力神经场的动力学性质的影响进行了研究，给出了具有全局常数抑制作用的相互作用核能够使得动力神经场具有较好动力学性质，取得了一些重要的研究成果。第二，本项目建立了基于动力神经场的多层视觉分类模型。该模型通过将神经系统中与视觉分类活动相关的功能划分为信息接收预处理层和信息处理层，利用动力神经场描述信息处理层中的工作记忆和短期记忆，并给出相应的训练和识别阶段分别给出相关学习和识别方法，能够成功的解释视觉分类活动的相关机制，符合已有的关于视觉认知和神经动力学的相关原理。通过对该模型进行简化和改进，本项目给出了一种新的基于视觉认知原理的有导师学习方法，并且在数据分类中得到了较好的结果。第三，本项目建立了基于动力神经场的多层视觉聚类模型。利用结构类似于分类模型的多层视觉聚类模型建立无导师学习算法，实现了对数据的聚类分析，并在处理具有非凸结构的数据等方面取得较好效果。第四，通过分析序列数据的特点，结合基于多层视觉模型的分类方法，本项目给出了可以用于序列数据分类学习方法。该方法在实际应用中取得了较好的效果。第五，基于在项目研究过程中发现的动力神经场在处理高维数据时计算量较大的问题，本项目提出将动力神经场改进为具有图状结构离散形式，并对相关方向进行了一定的探索性理论研究，取得了一些重要的成果。