[发明专利]一种基于单节点光子储备池计算的手写数字图像识别方法

说明书

本发明涉及一种基于单节点光子储备池计算的手写数字图像识别方法，其单节点光子储备池计算仅有一个物理节点，结构被压缩到极限，而且仅输出连接权重需要被训练，为人工神经网络硬件实现和集成化提供理论基础；通过自延时反馈环，在不增加反馈环长度和不提高系统采样率的情况下大量扩展虚拟节点数，避免扩展虚拟节点数对单节点光子储备池计算结构的改变，提高系统在复杂任务中的适用性；本发明中使用高非线性光纤有效提高单节点光子储备池计算储备池层的非线性动力学响应丰富度，使储备池维度最大化，提高系统性能；本发明的单节点光子储备池计算在光域中处理和传输信号，不会受限于电子速率瓶颈，结合了光信息处理的高速大容量等特性。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于单节点光子储备池计算的手写数字图像识别方法。

背景技术

图像识别是一种非常重要的技术，在公共安全、生物、工业、农业、交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统；公共安全方面的人脸识别技术、指纹识别技术；农业方面的种子识别技术、食品品质检测技术；医学方面的心电图识别技术等。随着计算机技术的不断发展，图像识别技术也在不断地优化，其算法也在不断地改进。图像是人类获取和交换信息的重要来源，因此与图像相关的图像识别技术已然成为研究热点之一。

经过几十年的发展，图像识别方法大致可以分为三类：分别为基于统计模式的图像识别技术、基于句法模式的图像识别技术和基于模糊模式的图像识别技术。其中基于统计模式的图像识别技术主要是利用贝叶斯决策规则解决最优分类器问题，其基本思想是在不同的模式类中建立一个决策边界，利用决策函数把一个给定的模式归入相应的模式类中。然而随着被识别图像的模式复杂度的继续提升，基于统计模式的图像识别技术将面临特征提取的问题，由于其所要求的特征量巨大，使得其对复杂模式的准确分类非常困难。为了克服这些困难，基于句法模式的图像识别技术应用而生。其基本思路是把一个复杂模式分化为若干较简单子模式的组合，而子模式又分为若干基元，通过对基元的识别，进而识别子模式，最终识别该复杂模式。然而基于这两种方法的图像识别技术有一个共同的缺点，即它们的自适应性较差。根据人对事物识别的思维逻辑，结合了人类大脑识别事物的特点，人们提出一种基于模糊模式的图像识别技术，其理论基础是20世纪60年代诞生的模糊数学。该技术与前两种技术相比可以大幅度简化图像识别系统，而且具有高实用性、高可靠性等特点。其中，基于人工神经网络的图像识别技术是一种表现卓越的模糊模式的图像识别技术，由于其具有很强的自组织、自学习和自适应能力而成为图像识别中的研究热点。人工神经网络被认为是最接近人脑的信息处理方式的装置，所以在图像识别领域被给予厚望。

人工神经网络大致可以为两类，即前馈神经网络和递归神经网络。由于递归神经网络具有记忆特性，表现为递归神经网络的输出不仅和当前的输入有关，并且与之前的输入也有关，所以递归神经网络可以处理时间相关的任务，因而其擅长处理的问题更接近实际问题。基于这些优势，递归神经网络被广泛研究。然而，由于递归神经网络包含反馈，这会导致神经网络系统复杂度提升，训练计算量和时间成本较高，而且存在训练不收敛等问题。为了解决这些问题，学者们做了很多创新性探索，储备池计算被赋予极大的期望。

储备池计算（reservoir computing, RC）是在传统递归神经网络基础上的一种改进，储备池计算创新性的使用随机生成且固定的输入连接权重和内部连接权重，仅训练隐藏层与输出层之间的输出连接权重，而且往往简单的线性回归算法如岭回归即可训练该网络，这使得网络的训练被极大的简化，训练的计算量和时间成本均大幅度降低。该网络已经在很多任务中表现出优越的性能，如时间序列预测、语音识别以及非线性信道均衡等。然而传统的储备池计算的隐藏层包含大量的物理节点，这对于储备池计算的硬件实现和集成化都提出了挑战。单节点储备池计算对传统储备池计算的隐藏层进一步简化，其隐藏层由一个物理节点和该节点在时间尺度上的拓扑构成，这样便可以将人工神经网络的结构压缩到极限，对于人工神经网络的硬件实现和高度集成化具有重要的意义，本发明将单节点光子储备池计算引入图像识别领域，提出一种具有很好的自适应、自组织和自学习的简单的图像识别方法。

发明内容