[发明专利]用于为神经网络和相关系统生成数据解释的系统和方法

说明书

一种用于在递归皮层网络中生成数据解释的方法，包括：在递归皮层网络的第一层的子特征节点处接收一组证据数据；设置转换配置，该转换配置指导网络的层之间的证据数据和转换的数据的消息传递；根据转换配置对证据数据执行一系列转换，该系列包括至少一个正向转换和至少一个反向转换；以及输出转换的证据数据。

技术领域

本发明总体上涉及人工智能领域，并且更具体地涉及用于为人工智能领域中的神经网络和相关系统生成数据解释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。能够执行视觉对象识别的模型必须能够为视觉数据集提供解释，以便识别在那些视觉数据集中存在的对象。视觉对象识别是人工智能中的更普遍问题的具体情况：型样识别(pattern recognition)(及其反向，型样生成)。型样识别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。因此，人工智能领域中需要创建新的且有用的方法，用于为神经网络和相关系统生成数据解释。本发明提供了这种新的且有用的方法。

附图简述

图1是基于层的双向数据-转换系统(LBD)的流程图表示；

图2是递归皮层网络(RCN)的示意性表示；

图3是递归皮层网络(RCN)的示意性表示；

图4是RCN的子网的示意性表示；

图5是RCN的子网的示意性表示；

图6是优选实施例的方法的图表表示；

图7是使用正向转换的推理的示意性表示；

图8是使用组合的正向和反向转换的推理的示意性表示；

图9是优选实施例的方法的正向转换的流程图表示；

图10是LBD的示例性表示；

图11是优选实施例的方法的正向转换的示例性实施方式；

图12是优选实施例的方法的正向转换的示例性实施方式；

图13是优选实施例的方法的反向转换的示例性实施方式；

图14是优选实施例的方法的反向转换的流程图实施方式；以及

图15是优选实施例的方法的反向转换的示例性实施方式。

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。