知识可增殖人工神经网络并行模型是在不破坏已存在人工神经网络功能的基础上,通过嵌入其它功能人工神经网络,在神经场学习算法的控制下,借助通信机制协调这些人工神经网络的合作,形成一个并行整体, 实现知识可不断扩充,功能可不断增强的人工神经网络。知识可增殖人工神经网络并行模型采用可独立学习增殖人工神经网络的拓扑结构和神经场理论算法,所有独立学习人工神经网络都可并行工作,因而可有效地提高处理速度。该模型的分布存储知识以及可不断增加知识的知识获取方式更近于人脑模型。我们利用微分流形、信息几何和代数拓扑作为工具,研究由多个神经网络组成的神经场的整体结构和增殖能力,对神经场结构模型的整体结构和增殖能力进行了分析,展开了基于结构的学习逼近理论的探讨,给出了知识可增殖系统模型,实验结果证明了模型的可行性和有效性。我们提出了新的模型和方法用来建立人脑信息处理一般机理以及组织形式,该思想可实现大规模人工神经网络的建造,该项工作将有助于揭示和理解人的感知系统的组织结构、变换和定位机理,有助于推动人工神经网络研究向更深层次的发展、提高连接主义模型的研究水平和层次。
Parallel Processing ,Neural Network ,Neural Field Theory
知识可增殖人工神经网络并行模型是在不破坏已存在人工神经网络功能的基础上,通过嵌入其他功能人工神经网络,在神经场学习算法的控制下,借助通信机制协调这些人工神经网络的合作,形成一个并行整体,实现知识可不断扩充,功能可不断增强的人工神经网络。该模型知识的分布方式及不断增加知识的知识获取方式更近于人脑模型。