文摘
随着神经和大脑科学的发展,人类有更多的大脑记忆机制的理解。因此,使用大脑的记忆机制来存储和检索图像是一个世界上最流行的研究领域。记忆是人类认知系统的一个重要组成部分,它是实现更高级的认知活动的基础。人类的感知和记忆密切相关。如果人们失去了感知的能力,那么人们的记忆功能将无法显示。当前存储和提取大脑信息大多是基于数学原理,没有考虑到大脑中的记忆机制,所以这些方法的正确性和有效性不高。因此,本研究基于相降噪,采用智能算法,识别和检索图像。在此基础上,采用一种新的学习方法。这种方法可以实现在线增量学习和可以实现脑图像数据的存储,没有预先确定的规模和结构网络。必要时,信息提取或不是基于检测和存储之间的距离数据。 The test shows that when the number of images is 25, the present technique has an accuracy of 100% and the time required is 2345 s. Compared with the median filtering method, the efficiency of the present technique is greater.
1。介绍
认知神经科学的不断发展,人类有更多的大脑记忆机制的理解。因此,使用大脑的记忆机制来存储和检索信息是世界上最流行的话题之一。大量的实验表明,这是一个非常有效的方法使用大脑的记忆机制来存储和提取图像信息。根据目前的研究结果,人类的大脑的记忆是一个重复的过程进化在人类的大脑记忆的过程中,保留和繁殖。因此,它具有十分重要的理论和实践意义的研究人类记忆的机理和应用计算机视觉,尤其是如何表达,在大脑中存储和检索在必要的时候。
科学家们已经做了以下的研究在认知neurocomputational建模。Coccoli等人认为,在创新、认知计算系统和大数据是关键点1]。如何使用大数据来提高人类认知是一个重要的主题在当前的智能计算领域。陈等人进行了比较和分析方面的深入学习数据表示、认知模型、并行计算、大数据环境中应用。几个问题和基于深度学习在大数据的发展方向进行了讨论,为未来的研究提供一个参考(2]。这些研究的主要问题是低效率和模型的准确性,为本研究介绍了智能计算。
智能计算,主要研究成果如下。张等人介绍了集成智能系统的各种应用程序和技术,以及相关的优点和缺点学习理论和专家系统3]。随着人类社会的快速发展,城市化进程中世界人口也迅速发展。城市化给城市发展带来了很多挑战和问题。今天,许多国家正在积极应对智能城市。通等人讨论了智能城市发展的现状,提供了智能城市发展的背景,并简要定义智能城市的概念。根据这些定义、智能城市的框架。各种类型的智能计算和分析讨论使城市更聪明,加上具体的例子(4]。汗等人提出了一个智能计算方法研究的共振行为多芬公式。该方法结合了人工神经网络和萤火虫算法。安激活小说的特点是余弦函数的使用和一些错误的测量给出了表和图表,讨论方案的收敛性和精度。动力系统的轨迹还辅以几何描述的振幅和角频率为不同的阶段水平值(5]。萨利姆Durai和提出了一种新的转向开始涉足智能计算框架,用机器模糊聚类与极端的学习和制定适应和认知能量和功率分配基于内核的规则(6]。萨比尔等人提出了一种新的标准计算神经网络,使用统计运营商测试GNN-PSO-SQPS的性能,确保调查数据的准确性(7]。在这项研究中,介绍了智能数据处理来提高模型的性能和精度。
在回忆测试试验中,模型是提取图像语义信息测试刺激。当学习图像样本的数量是5,这个研究算法的精度是63.2%,和所需的时间是457年代;中值滤波算法的准确性为42.1%,所需的时间是2192年代;当学习图像样本的数量是10,本文算法的准确性为65.6%,所需的时间是1076年代;中值滤波算法的准确性为46.8%,和所需的时间是4197年代。
2。认知神经计算建模方法
一般来说,基于认知心理学的计算模型只适用于描述性的记忆,也就是说,情节记忆和语义记忆。上下文记忆实验一般包括两个阶段:学习阶段和测试阶段(8]。一系列的刺激,如一个词列表,提出了记忆。在测试中,受试者再次确认(区分已经学到了什么,什么不学习)或内存(学会提取)的详细信息,和回忆分为线索回忆,自由回忆和联想回忆9]。
情景记忆的抽象模型试图描述心理活动,使重申和回忆,但是他们没有指定如何表现在大脑中。虽然有不同的场景记忆检索模式之间巨大的差异,大多数当前的抽象模式共享相同的性质:个人记忆,这是所谓的“记忆痕迹”(10]。存储是一个人的大脑中存储转换信息供以后检索。提取是指将信息存储在大脑中,利用它当个人需要。学习期间,痕迹分别放置在长期记忆中由于独立假设新痕迹不会影响先前存储痕迹的完整性。研究中的单词列表将被保存为一个场景图片,现场向量是一个不完整的和容易出错的副本。每一次一个单词是学习,一个新的信息存储为每个特性。在测试阶段,该模型将比较反对所有的条目存储在内存中基于测试提示。添加这些信息放在一起,可以计算出一个整体匹配熟悉信号(11]。大多数假设识别记忆的整体匹配度有关的信号。语义记忆是我们构建内部表示的能力,使我们能够预测人们无法看到12]。
CLS模型整合了一些被广泛接受的看法之间的分工海马和内侧颞叶皮层,大脑解释为什么需要两个不同的专业学习和记忆系统(2]。CLS模型为基础的生物模型。内侧颞叶皮层的底层模型的结构和形式是一个分布式的、重叠的系统能够逐步整合背景下提取潜在语义结构;海马体是稀疏,pattern-separating系统负责情景记忆的快速学习。因此,内侧颞叶皮层主要负责语义记忆和海马体主要负责情景记忆(13]。
海马记忆元素和内侧皮质网络由兴奋性激活模式分布在不同的网络单元。兴奋性激活传播通过积极的突触权重,由其他因素控制的整体水平(14]。CLS模型,学习发生在海马体和内侧颞叶皮层的条件使用简单的学习规则。当神经元递质和受体之间的联系加强,两者之间的连接也削弱了(15]。
这个模型表明,增量学习发生在内侧皮质,与每个训练导致突触权重自适应变化(相对较小16]。模型推测这个属性使海马快速召回任何与事件相关的活动模式,无论他们是相似的17]。
海马模型适用于普遍接受的关于海马体是如何工作的(18]。在大脑中,内嗅皮层形成海马体和大脑皮层之间的桥梁。表面的层内嗅皮层接收输入的海马和内嗅皮层的深层收到海马体(输出19]。在测试阶段,当海马模型收到了来自内嗅皮层的预先处理这些输入模型,该模型能够激活CA3模型对应于这个元素,增强了权重的内嗅皮层电路和加强CA3循环。重量变得更强,激活扩展从CA3的代表性元素的表示CA1从CA1元素的表示元素和内嗅皮层的输出元素的表示。因此,海马体是能够检索学习模式的完整版内嗅皮层的反应部分线索。图1显示了海马的信息存储和提取过程模型。
CLS的框架模型,两个模型包括:海马体和内侧颞叶皮层。两个模型都有自己的分工。海马模型负责迅速记住特定的事件,和内侧颞叶皮层模型负责慢慢学习环境中语义信息。这个框架模型用于解释大量的人类和动物数据和被认为是其中一个最复杂的领域的神经网络模型。结合CLS模型框架,认知神经计算图像信息存储和提取框架设计,如图2。
自我增值神经网络可以执行在线增量学习,和每一个学习和培训将网络中节点的权值更新,而更新的结果就是使网络结构更加符合数据的分布。这些属性是完全符合CLS的假设模型,内侧颞叶皮层的功能。因此,神经网络是用于模拟内侧颞叶皮层的在线增量学习能力。由于海马的各种结构和函数模型CLS模型符合生理结构,他们并没有改变。在这个框架中,内侧颞叶皮层神经网络模型用于存储和检索的语义记忆,和海马体模型来存储和检索情景记忆。海马区有两个功能模式,编码模式和检索模式,相应的学习阶段和测试阶段,分别。在编码模式中,CA1激活主要由神经网络;在检索模式下,CA1激活主要是由存储在CA3记忆的痕迹。
图像处理的特征提取阶段是图像检索的基本环节。只有正确的描述和提取功能可以确保识别的准确性。当存储和提取图像信息,图像信息特征表达模型的建立是关键因素,决定了图像信息存储和提取结果的质量。图像信息特征表达模型的建立是完成图像信息的存储和提取提取图像本身的特点,并以某种方式表达。建立图像信息特征表示模型时,需要考虑哪些特性来表示图像,和良好的特性不仅可以减少操作的复杂性也提高提取的准确性;第二是确定图像的特性。然后,如何准确地提取这些特征,一个好的特征提取方法可以用一半的努力发挥乘数效应。由于图像信息的复杂性,到目前为止没有统一的特征选择方法。一般来说,对于不同的应用程序,使用不同的特征提取与选择方法。然而,合格的图像特征应该具有以下特点:(1)区别:功能应该有大量的识别信息,独特的目标图像,并有良好的分辨率; (2) reliability: refers to the stability within the class, the same type of images must have similar or the same eigenvalue; (3) autonomy: refers to the autonomy between types, the characteristics of each type should be different, and the difference between the types is greater than the difference within; (4) low-dimensional number: with the increase of the feature dimension, the amount of operation also increases, and it should be converted into a low-dimensional feature space as much as possible.
对于一幅图像,通常有三种方法提取局部特征在图像。(1)密集抽样:最常用的密集抽样方法是统一的分割方法。该方法将图像样本划分为几个小块均匀根据一定规模,然后使用大量的小图像块提取图像的特征,这些特征也在一代的基础字典。还有一个常用的密集抽样方法:滑动窗口的方法。该方法以小窗口中包含的图像块作为当地通过滑动窗口,和当地的大小和内容改变窗口大小和像素间隔的窗口滑动。在获得的小图像补丁,这个方法可能会导致部分重叠的小图像补丁。(2)机抽样:随机抽样技术是随机样本图像和描述功能。这种算法的缺点是,随机抽样将引起局部地区在图像背景中,从而影响图像中对象的表达。(3)检测和取样的兴趣点:地方特色的发展历史看。本地特征的不变性是一个热门研究课题,其发展的关键。 The invariant feature of an image is the invariant representation or description of the image, that is, the essence of an image different from another image, including rotation invariance, scale invariance, affine invariance, and illumination invariance. In real life, humans only focus on the target of interest, and the same is true for local features. The coordinate position of the point of interest in the image is also what people care about, and the size and shape of its neighborhood are also taken into account.
有两种类型的图像特征提取方法:全球和当地的特征提取。前者通常是用来描述整个图像的内容,如颜色、纹理、形状,通过计算图像中所有点。因为它包含的整体形象,它是有些健壮的随机噪声。然而,由于光照的变化,规模、旋转,和其他图像的变化,也将改变全球功能,不能准确地描述。出于这个原因,介绍了神经网络算法在智能计算在这个研究。所谓的智能计算是使用自然的法则,特别是生物世界的规律,通过模拟来解决问题。它有自学习的特点,自组织、自适应和各领域得到了广泛的应用。
人工神经网络具有自组织和自学习的能力。它可以得到训练样本和发现的规则和内在特征在学习过程中训练样本中的数据。这些规则,神经网络可以快速分类和识别时,后续的测试样本输入。反馈神经网络的特点,也就是说,不合时宜的特点从训练样本获得的数据特征和反馈给其特点集团和合理的修正使其智能表现更好;神经网络具有并行处理能力,这使得它可以迅速处理数据并进行实时处理成为可能。因为神经网络中节点的数目是有限的,有太多的信息在现实生活中学习和记忆。这意味着神经网络可能需要使用有限的权重来存储无限的输入信息,也就是说,使用竞争学习理论来存储信息。人工神经网络可以逼近任意复杂的非线性关系,使其性能得到改善,因此提高了系统的容错性和存储容量。
的基本单位;再利用神经元脉冲耦合神经网络模型。这些基本单元相互连接形成一个单层二维局部连接反馈网络。每个神经元由三部分组成:接受域,调制磁场,脉冲产生的部分。相模型不需要训练和自组织能力,和阈值的变化动态地根据时间和周围的神经元的结果。Spike-coupled Spike-coupled神经网络神经元的基本组成部分。大量的参数脉冲耦合神经元的非线性关系,限制对方。相模型的参数之间的关系决定了其不同的特征从通用神经网络:变量阈值特性、同步脉冲放电现象,抓住特点,动态脉冲放电现象,自动波的特点,全面的时空特征。相同步脉冲释放的特点,相具有良好的旋转不变性、尺度不变性,并在图像处理信号强度不变性。单个脉冲耦合神经元的基本结构如图3。
相的神经元的特征变量阈值衰减,衰减指数随着时间的流逝,和内部活动的神经元大于当前的动态阈值和发出脉冲。每个神经元的放电周期是不同的。在一定时期内,每个神经元的动态阈值将与一定时期内衰变,释放脉冲在不同时刻,显示一个动态脉冲分布。神经元在运动时,可见波传播波以类似的方式,和它的传播方向与波前的神经元。这是动态脉冲分布和相的波形特征。同步脉冲的分布和捕获特性是完全符合的分布动态脉冲和自动波的特点。前有静态特征,后者有动态特性。静态的脉冲信号是输入信号的空间特征,而动态信号的输出信号的时域特征。同时,脉冲输出的数量反映了系统的空间性质。在不同的时刻,输出脉冲的数量和顺序反映了输入信号的时间特性,即全面相的时空特征。 The synchronous pulse firing phenomenon and the capture feature in the PCNN features constitute the static properties of the PCNN model. The dynamic pulse firing phenomenon and the autowave characteristics constitute the dynamic characteristics of the PCNN model.
在图像处理过程中,保留了原始图像的细节和边缘尽可能多。在图像噪声、脉冲噪声占有很大比重。在这项研究中,相和边缘保护算法相结合来消除噪声和提取边缘。图4给出了算法的基本步骤。
下面是有关公式的算法相结合的算法保存边缘: 在哪里对应的像素点的灰度值,神经元的输入,是连接神经元的输入,是内部活动项目,是动态的阈值, 在哪里 是原始图像, 在哪里平均灰度值, 在哪里类间方差和是整体的平均灰度图像, 在哪里分割阈值, 在哪里最优阈值, 在哪里熵值分割后, 在哪里误差函数。 在哪里是一个线性组合的结果,偏差阈值神经元单位,是激活函数
3所示。认知神经计算模型实验
的图像去噪方法比较,本研究通过中值滤波处理。这项工作中所使用的算法相比,这两种方法处理过的图像上执行后处理去除边缘来验证仿真实验的效果。为了更好的描述噪声去除的影响,除了主观评价,客观评价,均方根,信噪比也用来描述两个参数。数据5和6比较结果显示索引。
数据显示,在这两个实验中,算法的信噪比性能在这个研究是比中值滤波的方法。该算法的均方的错误小于,中值滤波的方法,和实验数据反映算法的优越性。从仿真结果,表明该算法在这项研究中保留更多的细节比中值滤波方法在视觉效果方面的主观评价标准。
为了验证认知神经计算模型的有效性基于智能计算的图像信息存储和提取,在所有的实验中,所选在灰度图像处理。图像信息后,首先进行识别测试实验,测试刺激图像确定它是否已经学会了。如数据所示7和8和表1,显示了数据库识别测试的准确性。
从上面的数据可以看出,在这项研究中模型的识别能力很强。当学习样本图像相对较小,该模型仍将做出错误判断。然而,当学习样本图像达到一定数量时,该模型可以判断所有学到的图像。当学习的样本图像的数量是5,所需的时间由236年代方法在本研究中,所需的时间中值滤波方法是475年代和2212年代没有算法所需的时间。该方法在本研究中大大提高了使用效率。
在回忆测试试验中,模型是提取测试刺激图像的语义信息,也就是说,测试刺激图像本身的名称。类似于识别测试,回想测试结果也可能错误地判断了;即测试刺激图像的名称可能会错误地回忆说,或学到的图像可以判断为没有学到的。如表所示2和3,回忆测试的准确性。
从表中的数据可以看出,召回结果的方法使用本研究的算法选择特性高于中值滤波器召回结果,但学习时间远远低于中值滤波方法。这表明选择算法中的一些特性的方法在本研究中可以有效地代表特性和提高操作速度。
4所示。结论
学习和记忆的目的是理解人们如何存储和检索信息基于过去的经验。认知心理学的发展,认知神经科学,生理解剖学、和其他学科进一步发展人类的大脑信息处理机制。基于对大脑记忆机制的生理基础,本研究介绍了一些代表内存模型基于认知心理学和组合它们来模拟内侧颞叶的记忆功能和大脑的海马。本研究在这方面做了初步预测。由于限制的信息来源和学术标准,遗漏在本文的研究不可避免的。阶段的现状的分析,分析不全面,只反映出相关指标的变化,缺乏判断力,和分析企业的内部;理论上,它没有被理解的深度。当图像数量的增加和字典的大小增加时,其学习所需的计算开销和编码变得越来越大,远非人类可比的。因此,改进和提出新的稀疏编码算法也是未来研究的重点。本研究总结了研究部分,指出本研究的不足。 It is necessary to consider improving the hippocampal model, simulate various structural functions of the hippocampal model, and complete the rapid retrieval of episodic memory.
数据可用性
数据共享不适用本文没有生成数据集或在当前的研究分析。
信息披露
作者确认手稿的内容没有被发表或投稿。
的利益冲突
作者宣称没有潜在的利益冲突在我们的纸上。
作者的贡献
作者的手稿,批准向杂志投稿。
确认
这项工作是由人文社会科学基金项目支持中国教育部(20 yjczh170)。