[发明专利]基于情景信号类前额叶网络的信息处理方法、系统、装置

说明书

本发明属于模式识别及类脑机器学习领域，具体涉及了一种基于情景信号类前额叶网络的信息处理方法、系统、装置，旨在解决复杂情况下即复杂多任务情况下系统结构复杂、灵活性差、训练样本需求量大的问题。本发明方法包括：选择对应特征向量提取器进行特征提取；将信息特征向量与情景信号集中每一个情景信号进行维度匹配；维度匹配后的情景特征向量输入特征向量分类器，获得分类信息。本发明方法利用类似于前额叶的模块，实现面向情境信息的多任务学习，在上下文情景信息不能事先确定的情况下，可以逐步学习依赖于上下文情境信息的映射，处理后的数据可应用于多任务学习或更高要求的连续多任务学习。

技术领域

本发明属于模式识别及类脑机器学习领域，具体涉及了一种基于情景信号类前额叶网络的信息处理方法、系统、装置。

背景技术

高级智能的特点之一就是具有灵活性。人类可以根据不同的目标，环境和内部状态等不同情境对同一刺激做出不同的反应。前额叶在灵长类中高度精细化，在实现这种能力中起着关键的作用。前额叶可以快速学习“游戏规则”，并动态地将它们应用于将感官输入映射到以不同的动作为依据的上下文相关的任务中,这个过程被称为认知控制，它让灵长类在无限多种情况下都可以有适当的行为。

当前的人工神经网络在从原始数据中提取高级特征去做模式分类，学习复杂的映射规则方面功能非常强大，然而，它们的响应主要由网络输入决定的，并呈现出刻板的输入输出映射。另外，一旦网络训练完成，那么网络的映射通常是固定的。

因此，目前的人工神经网络在复杂情况下缺乏必要的灵活性，主要是因为映射规则可能根据上下文而变化，而且这些规则需要从少量训练样本中“随时”学习。从这可以看出人工神经网络和人类大脑之间具有巨大的能力差距。

发明内容

为了解决现有技术中的上述问题，即复杂多任务情况下系统结构复杂，灵活性差，以及训练样本需求量大的问题，本发明提供了一种受前额叶功能启发的，基于情景信号类前额叶网络的信息处理方法，包括：

步骤S10，基于获取信息选择特征向量提取器进行特征提取，得到信息特征向量；

步骤S20，将所述信息特征向量输入类前额叶网络，与所输入的情景信号集中每一个情景信号进行维度匹配，获得情景特征向量，构成情景特征向量集；

步骤S30，将情景特征向量集中各特征向量通过预先构建的特征向量分类器分类获得各特征向量分类信息，构成分类信息集；所述特征向量分类器为情景特征向量和分类信息的映射网络。

在一些优选的实施例中步骤S10中“选择特征向量提取器”，其方法为：

基于预设的特征向量提取器库，依据获取信息的类别选择对应的特征向量提取器。

在一些优选的实施例中，所述特征向量提取器，其构建方法为：

基于训练数据集，采用Adam算法迭代地更新特征向量提取网络中参数的权重；所述特征向量提取网络基于深度神经网络构建；

将训练后的特征提取网络最后的分类层去除后的网络作为特征向量提取器。

在一些优选的实施例中，步骤S20中“将所述信息特征向量输入类前额叶网络，与所输入的情景信号集中每一个情景信号进行维度匹配，获得情景特征向量”，其步骤为：

步骤S201，基于情景信号及类前额叶网络构建权重矩阵，并对该权重矩阵每一列进行模归一化；

其中，Wⁱⁿ为权重矩阵，为的归一化的模，i为输入特征的维度索引，k为输入特征的维度，m为隐藏层的维度；

步骤S202，基于权重矩阵，将情景信号与信息特征向量进行维度匹配，获得情景特征向量；