[发明专利]基于动态神经元的开放环境模式识别方法

说明书

本发明公开一种基于动态神经元的开放环境模式识别方法，步骤包括：将结构发育型神经网络进行初始化配置并设置信息饱和度的属性，构建形成所需的结构发育型神经网络模型；获取待识别图像或文本数据流输入至结构发育型神经网络模型中进行学习以及分类，输出分类结果，其中结构发育型神经网络在结构发育与参数调整时，根据获胜神经元的信息饱和度调控神经元参数以及分裂时机，并不断调整竞争获胜神经元的信息饱和度，当神经元的信息饱和度达到预设饱和阈值时分裂出新的神经元。本发明能够提高竞争型神经网络的可塑性与稳定性，以适用于对非稳态数据流实现精准、可靠的学习分类。

技术领域

本发明涉及开放环境中模式识别技术领域，尤其涉及一种基于动态神经元的开放环境模式识别方法。

背景技术

人工智能在现实世界中运行时往往暴露在开放环境的非稳态信息流中，需要拥有持续学习的能力，即整合新知识，同时保留以前学习到的经验，通常被认为是未来通用人工智能所必需的属性之一。然而，目前主流的先进深度学习模型通常依赖于一次性可用的完整训练集，当要学习新知识时，由于新信息会覆盖之前学习过的知识，往往会导致灾难性遗忘，难以在非稳态环境中持续学习。因此，近年来持续学习问题重新吸引了大量的关注，但是当前持续学习方法大多仍然集中在监督学习的问题上，而开放环境往往缺少先验信息和外部监督信息，大量的数据通常没有类别标签，每个数据被赋予了类别标签，因而目前持续学习方法通常与开放环境的特性是相违背的。

无监督持续学习旨在从非稳态的无标记数据流中学习，其中数据的分布或者类别的数量随着时间变化。然而，神经网络模型在无监督持续学习中往往会面临稳定性-可塑性困境，即一个学习网络试图实时地适应不断变化的环境时，很难兼顾适应快速变化环境的可塑性和保持先前学习到知识的稳定性。

目前大多数结构发育型神经网络是基于经典的竞争型神经网络自适应映射网(self-organizing map,简称SOM)和神经气网络(Neural Gas,简称NG)设计的。具有代表性的结构发育型神经网络如生长神经气网(Growing Neural Gas,简称GNG)，GNG在NG的基础上提高了网络动态性，但依然不具备追踪快速变化的非稳态数据的能力。目前有多种应用在不同持续学习场景下基于结构发育型网络的方法，例如，基于GWR视频动作识别类增量学习的新旧类特征流形分离(knowledge consolidation,KC)算法；将预训练的CNN与SOINN相结合应用在连续目标识别场景；基于SOINN的通用联想记忆系统(general associativememory,简称GAM)。上述拓展算法将结构发育型神经网络的增量学习性质引入了分类算法中，使分类器适用于持续学习场景中。

上述结构发育型神经网络通过使用网络拓扑结构自适应发育的机制有效提高了神经网络的可塑性和稳定性，但是在针对如图像数据流在开放环境下实现模式识别时，要实现无监督持续学习以及模拟人类的学习过程依然会存在以下问题：

1、开放环境对神经网络模型的实时性提出了更高的要求，由于不区分训练和测试阶段，因而需要网络模型的学习阶段和使用阶段的无缝衔接。传统基于连接年龄阈值以及提前设置的周期参数进行神经元的增添和删除操作，会导致网络在发育过程中神经元数量的震荡以及分类结果的不稳定，不利于模型的实时性，致使影响最终模式识别的精度以及实时性；

2、在开放环境中的学习，需要神经网络能够像人类的学习过程那样对事物的认知越来越精细，即随着输入信息的不断增多，对学习成果进行细分，现有技术中结构发育型神经网络无法实现随着输入信息增多细分学习成果，即无法充分利用持续数据流实现越来越精细的模式识别。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、识别精度以及实时性高且能够随着输入信息增多实现逐渐精细识别的基于动态神经元的开放环境模式识别方法，能够结合可塑性与稳定性高的竞争型神经网络，实现对非稳态数据流的高效、精准学习分类。

为解决上述技术问题，本发明提出的技术方案为：