[发明专利]用于递归皮层网络的系统和方法

说明书

一种用于利用网络生成和推理型样的系统和方法，包括：提供具有父特征输入节点和至少两个子特征输出节点的递归子网的网络；以与网络的子网的节点连接一致的方式，通过网络层分层结构来传播节点选择，子网内的传播包括根据子网的约束节点在第二池的至少第二节点上实施选择约束；以及将网络的最终子特征节点的状态编译成生成的输出。

技术领域

本发明总体上涉及人工智能领域，并且更具体地涉及一种用于人工智能领域中的递归皮层网络的新的且有用的系统和方法。

背景

尽管在计算机视觉、图像处理和机器学习方面取得了进步，但与人类的能力相比，识别视觉对象仍然是一项计算机未能做到的任务。从图像中识别对象不仅需要识别场景中的图像，还需要识别在各个位置中、在不同设置中且稍有变化的对象。例如，要识别一把椅子，必须了解使椅子成为椅子的固有属性。这对于人类来说是一项简单的任务。计算机努力处理众多种类型的椅子以及椅子可能存在的情况。当考虑在场景中检测多个对象的问题时，问题更具挑战性。存在用于对象识别的模型，例如卷积神经网络、HMAX模型、慢特征分析(SFA)和分层时间记忆(HTM，Hierarchical Temporal Memory)，但是这些方法无法获得接近理想识别性能的结果。对象检测更广泛地是型样(pattern)检测的问题。型样检测是图像处理之外的其他领域和媒介(例如语音识别、自然语言处理和其他领域)中的问题。此外，型样识别的反面是生成。生成型样有类似的问题，并且现有的方法类似地无法产生令人满意的结果。因此，人工智能领域中需要创造具有提高的对象识别(或“推理”)和生成的新的且有用的系统和方法。被指定为递归皮层网络的本发明提供了这样的系统和方法。

附图简述

图1A和图1B是优选实施例的系统的示意性表示；

图2是优选实施例的系统的一般表示的示意性表示；

图3是优选实施例的子网的示意性表示；

图4是用于生成具有优选实施例的横向约束节点的型样的子网的示意性表示；

图5是用于生成具有优选实施例的外部约束节点的型样的子网的示意性表示；

图6是用于生成具有优选实施例的时间约束节点的型样的子网的示意性表示；

图7是用于推理优选实施例的型样的子网的示意性表示；

图8是具有共享优选实施例的子特征节点的两个子网的网络变型的示意性表示；

图9是具有在两层之间划分的多个子网的网络变型的示例性示意性表示，其中一些子网共享子特征节点；

图10是用于创建优选实施例的网络的方法的示意性表示；

图11是用于网络的创建的方法的示例性实施方式；

图12是用于生成优选实施例的型样的方法的示意性表示；

图13是用于推理来自优选实施例的网络的型样的方法的示意性表示；

图14是具有各种约束节点的网络的示意性表示。

优选实施例的描述

本发明的优选实施例的以下描述并不旨在将本发明限制于这些优选实施例，而是使得本领域的任何技术人员能够制造并使用本发明。

1.递归皮层网络的系统