A Cognitron egy mesterséges neurális hálózat , amely az önszerveződés elvén alapul. A kognitron felépítésében hasonló a látókéreg szerkezetéhez, hierarchikus többrétegű szervezete van, amelyben a rétegek közötti neuronok csak lokálisan kapcsolódnak egymáshoz. Versenyképes tanulással képzett (tanár nélkül). Az agy minden rétege különböző szintű általánosítást valósít meg; a bemeneti réteg érzékeny az egyszerű mintákra, például a vonalakra és azok tájolására a vizuális terület bizonyos területein, míg a többi réteg reakciója összetettebb, absztraktabb és független a minta helyzetétől. Hasonló funkciókat valósítanak meg a kognitronban a látókéreg szerveződésének modellezésével .
A neokognitron a kognitron ötlet továbbfejlesztése, és pontosabban tükrözi a vizuális rendszer szerkezetét, lehetővé teszi a képek felismerését, függetlenül azok átalakulásától, elforgatásától, torzulásától és léptékváltozásától. A Neocognitron képes önállóan tanulni és tanárral együtt tanulni . A neokognitron kétdimenziós képeket kap bemenetként, hasonlóan a retinán lévő képekhez , és ugyanúgy feldolgozza azokat a következő rétegekben, ahogyan azt az emberi látókéregben találták . Természetesen a neokognitronban semmi sem korlátozza a felhasználását csak vizuális adatok feldolgozására, meglehetősen sokoldalú, általánosított mintafelismerő rendszerként széles körben használható.
A látókéregben olyan csomópontokat találtak, amelyek reagálnak olyan elemekre, mint például egy bizonyos orientációjú vonalak és szögek. Magasabb szinteken a csomópontok összetettebb és absztraktabb mintákra reagálnak, például körökre, háromszögekre és téglalapokra. Még magasabb szinteken az absztrakció mértéke növekszik mindaddig, amíg meg nem határozzák azokat a csomópontokat, amelyek az arcokra és összetett alakzatokra reagálnak. Általában a magasabb szintű csomópontok az alacsonyabb szintű csomópontok csoportjától kapnak bemenetet, és ezért a látómező szélesebb területére reagálnak. A magasabb szintű csomópontok válaszai kevésbé függenek a pozíciótól, és jobban ellenállnak a torzításoknak.
A kognitron kétféle – gátló és serkentő – neuronok hierarchikusan összekapcsolt rétegeiből áll. Az egyes neuronok gerjesztési állapotát gátló és serkentő bemeneteik aránya határozza meg. A szinaptikus kapcsolatok az egyik réteg neuronjaiból (a továbbiakban 1. réteg) a következőbe (2. réteg) mennek át. E szinaptikus kapcsolat szempontjából a megfelelő 1. réteg neuronja preszinaptikus, a 2. réteg neuronja pedig posztszinaptikus. A posztszinaptikus neuronok nem kapcsolódnak az 1. réteg összes neuronjához, hanem csak azokhoz, amelyek a kapcsolati területükhöz tartoznak. A posztszinaptikus neuronok egymáshoz közeli kapcsolati területei átfedik egymást, így egy adott preszinaptikus neuron aktivitása a hierarchia következő rétegeinek posztszinaptikus neuronjainak egyre bővülő területére lesz hatással.
A kognitron neuronok rétegeiből épül fel, amelyeket szinapszisok kötnek össze . Az egyik rétegben lévő preszinaptikus neuron a következő rétegben lévő posztszinaptikus neuronhoz kapcsolódik . Kétféle idegsejt létezik: a gerjesztő csomópontok, amelyek hajlamosak a posztszinaptikus csomópont gerjesztésére, és a gátló csomók, amelyek gátolják ezt a gerjesztést. Egy neuron gerjesztését a serkentő és gátló bemeneteinek súlyozott összege határozza meg, de a valóságban a mechanizmus bonyolultabb, mint az egyszerű összegzés.
Ez a neurális hálózat egyrészt a mikroszintű észlelési folyamatok modellje, másrészt a mintafelismerés technikai problémáira használt számítástechnikai rendszer .
| A mesterséges neurális hálózatok típusai | |
|---|---|
| |
| Gépi tanulás és adatbányászat | |
|---|---|
| Feladatok | |
| Tanulás tanárral | |
| klaszteranalízis | |
| Dimenziócsökkentés | |
| Strukturális előrejelzés | |
| Anomália észlelése | |
| Grafikon valószínűségi modellek | |
| Neurális hálózatok | |
| Megerősítő tanulás |
|
| Elmélet | |
| Folyóiratok és konferenciák |
|