【技术实现步骤摘要】
基于增量式关联神经网络和动态视听融合的自主认知发育系统及方法
本专利技术属于机器学习
,尤其涉及一种基于增量式关联神经网络和动态视听融合的自主认知发育系统及方法。
技术介绍
随着越来越多的机器人参与到人类的日常生活,认知发育目前已经成为了智能机器人领域的热点。机器人与人交流中需要具备识别和理解的能力,因此必须建立与人类共同的知识基础,比如物体概念。机器人通常由人类预先设计好内部的知识表示,无法适应未知的和动态的环境。为解决这个问题,机器人需要具备像人类婴儿一样自主发育认知的能力。人类婴儿利用自身的认知原理和父母指导能够在两岁之前迅速发育对世界的表示,形成物体原始的样本表示,并逐渐发育出从简单到复杂的符号表示。整个过程都是多模态的,而且当几个模态同时出现时,大脑会建立模态间的内部关联。这促进了婴儿在认知过程中形成完善的物体概念。因此,婴儿能够根据一些简单的特征(比如形状和颜色)学习物体,并将这些视觉表示映射到父母告诉的名字上。目前,一些研究已经将婴儿的认知发育理论或大脑机理应用到机器人的认识发育中。比如:利用SVM学习物体的样本和符号表示;一种DevelopmentalEngagement-Reflection(DevE-R)模型能够模拟人类的“同化-适应”调节过程;利用显著物体检测方法和遗传算法让机器人学习新知识。然而,这些方法存在如下缺点:第一,大多数学习过程是线下的学习方式且需要花费大量时间训练模型;第二,学习模型的参数或结构是预定义的,且每次遇见新的样本时都需要重新训练;第三,机器人无法通过人机交互发育认知并建立与人类共同的知识基础。因此,自主 ...
【技术保护点】
1.一种基于增量式关联神经网络和动态视听融合的自主认知发育系统,其特征在于,包括:样本层、符号层和关联层三层网络结构;所述三层网络结构中包含视觉通路和听觉通路;所述视觉通路中:样本层,分别学习物体的原始形状和颜色特征,并进行自主聚类;符号层,接收形状和颜色样本层的自主聚类结果,并抽象为相应的符号;所述听觉通路中:样本层,学习名字的词向量;符号层,接收名字的词向量类别并简化为符号;所述关联层建立视觉通路和听觉通路中符号之间的关联关系,并根据已知的关联关系向低层网络反馈应答信号。
【技术特征摘要】
1.一种基于增量式关联神经网络和动态视听融合的自主认知发育系统,其特征在于,包括:样本层、符号层和关联层三层网络结构;所述三层网络结构中包含视觉通路和听觉通路;所述视觉通路中:样本层,分别学习物体的原始形状和颜色特征,并进行自主聚类;符号层,接收形状和颜色样本层的自主聚类结果,并抽象为相应的符号;所述听觉通路中:样本层,学习名字的词向量;符号层,接收名字的词向量类别并简化为符号;所述关联层建立视觉通路和听觉通路中符号之间的关联关系,并根据已知的关联关系向低层网络反馈应答信号。2.如权利要求1所述的一种基于增量式关联神经网络和动态视听融合的自主认知发育系统,其特征在于,所述视觉通路的样本层提取物体的形状归一化傅里叶描述子和颜色直方图作为视觉特征,并构建两个网络来表示它们的专属区域;根据差异率定义网络的激活函数,视觉通路样本层的学习模型采用动态自适应相似度阈值策略使网络能自主根据数据聚类。3.如权利要求1所述的一种基于增量式关联神经网络和动态视听融合的自主认知发育系统,其特征在于,所述听觉通路样本层学习每个名字的词向量,用Levenshtein距离作为激活函数来计算词向量之间的差异;当接收到词向量时,找到最匹配节点,如果两个词向量完全相同,通过增加最佳节点实例数来更新节点;否则,创建一个新节点。4.如权利要求1所述的一种基于增量式关联神经网络和动态视听融合的自主认知发育系统,其特征在于,所述符号层的学习算法采用增量式竞争学习,从空网络开始,每遇到样本层传递的未知类时添加一个新符号节点。5.一种基于增量式关联神经网络和动态视听融合的自主认知发育方法,其特征在于,包括:视觉通路样本层分别学习物体的原始形状和颜色特征,并进行自主聚类;视觉通路符号层接收原始形状或者颜色特征样本层的自主聚类结果,并抽象为相应的符号;听觉通路样本层学习名字的词向量;听觉通路符号层接收名字的词向量类别并简化为符号;关联层建立视觉通路和听觉通路中符号之间的关联关系。6.如权利要求5所述的一种基于增量式关联神经网络和动态视听融合的自主认知发育方法,其特征在于,所述视觉通路样本层分别学习物体的原始形状和颜色特征,并进行自主聚类,具体过程为:(1)输入样本x到样本层;(2)如果视觉样本网络为空,增加第一个节点的类别和实例数;返回步骤(1);(3)如果样本层只有一个节点,计算与该节点的差异率;如果差异率小于设定的最大差异率,则更新节点的权重,增加该节点的实例数;否则,创建一个新类节点;(4)如果样本层节点数大于一个,找到与样本x最匹配的节点,并计算差异率;如果所述差异率大于设定的最小差异率,创建一个新类节点;如果所述差异率小于设定的最大差异率或者输入样本与最匹配的节点之间的距离小于类内间距,更新所述最匹配的节点及其邻域,更新节点数目;否则,检查节点融合条件是否符合:如果输入能与最匹配节点合并,那...
【专利技术属性】
技术研发人员:马昕,黄珂,荣学文,宋锐,田新诚,李贻斌,
申请(专利权)人:山东大学,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。