本文關鍵詞： 深信度網絡 特征提取 聯想記憶 多模態(tài)識別　出處：《吉林大學》2017年碩士論文　論文類型：學位論文

【摘要】：現實世界中的信息往往同時以多種不同的形式出現,認知科學的研究表明生物在認識世界的過程中,是結合多個感官獲得的信息做出綜合判斷來獲取一個總體的認識,源于不同感官的信息對最終的認知結果來說是相輔相成,相互配合的。聯想記憶是生物大腦中的一個重要功能,對一個新事物的認知,會通過感官將多種模態(tài)信息獲取后,在腦神經細胞形成記憶存儲,下次再遇到該事物的某些信息時即能在腦中聯想出相應的其他信息。隨著對大腦神經系統(tǒng)研究的不斷深入的,人們意識到大腦對新事物的學習是一個不斷提取抽象概念的過程,是將信息從原始狀態(tài)抽象到一種更高層的表示,然后將多種高層抽象表示聯系到一起形成聯想記憶。文中為了模擬生物利用多種模態(tài)信息進行學習并形成聯想記憶的能力,基于深信度網絡、雙向聯想記憶網絡建立了深度聯想記憶網絡以及在該網絡的基礎上的多維權值的多模態(tài)識別模型。其中深度聯想記憶網絡能夠利用深信度網絡提取出各個模態(tài)信息的特征,然后利用雙向聯想記憶網絡建立多個特征間的聯系,這種聯系的建立加上深信度網絡本身的雙向生成功能使得模型能夠完成缺失信息的尋回任務,同時基于該深度聯想記憶網絡進行的多維權值的多模態(tài)識別,不僅在分類準確性上比以往的模型有較大提高,而且在有信息缺失的情況下仍能夠較好進行多模態(tài)分類。本文在實驗中提供圖片信號與語音信號這兩種模態(tài)的信息,讓網絡進行多模態(tài)學習。實驗結果驗證了深度聯想記憶網絡重新生成缺失信號的能力;通過跟多種傳統(tǒng)模型進行比較,我們驗證了基于多維權值的多模態(tài)識別模型的有效性,以及由于權值的多維性而非單一性使得對不同類別進行識別具有較強的穩(wěn)定性。
[Abstract]:The information in the real world often in many different forms, cognitive science research shows that biological understanding of the world in the process, is a combination of multiple sensory information available to make a comprehensive judgment to get a general understanding from different sensory information on the final result of cognitive are complementary with each other,. Associative memory is an important biological function in the brain, a new cognition, through a variety of sensory information acquisition mode, the formation of memory in brain nerve cells, the next time you have some information of the things which can associate other relevant information in the brain. With the study of the brain the deepening of the nervous system, people are aware of the brain to learn new things is a continuous process of abstracting the concept, is the information from the original state to a higher level of abstraction table Then, a variety of high-level abstraction together to form associative memory. In this paper, in order to simulate the biological information using a variety of modal learning and ability to form associative memory, that network based on multi modal identification model of multi dimension value of the bidirectional associative memory network is established and the depth of associative memory neural network based on the network. In depth. Associative memory network can utilize network to extract the features of each convinced modal information, and then establish multiple features between bidirectional associative memory network with bidirectional generation function to establish contact with the deep belief network itself makes the model to complete the missing information retrieve task, and multimodal recognition the rights the depth of associative memory network based on value, not only in classification accuracy than the previous model is greatly improved, and in a letter Still can carry out multimodal classification information. The absence of the picture signal and sound signal of the two modes in the experiment information, let the network for multimodal learning. The experimental results verify the ability to re generate the missing signal depth of associative memory networks; through with a variety of traditional model comparison, we verified multi modal identification model based on the value of human rights, as well as multidimensional weights rather than single sex makes recognition has the strong stability of different categories.

【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R318;TP18

【相似文獻】

相關期刊論文 前10條

1 馮乃勤;田勇;王鮮芳;秦利娟;喬錕;;基于分組劃分的形態(tài)學異聯想記憶研究[J];河南師范大學學報(自然科學版);2012年02期

2 馮乃勤;敖連輝;王善俠;王雙喜;田勇;;形態(tài)學聯想記憶在圖像聯想識別上的應用[J];河南師范大學學報(自然科學版);2010年03期

3 康輝,楊昌喜,母國光,吳仲康;利用摻雜鈮酸鋰作相位共軛鏡的全光學聯想記憶系統(tǒng)[J];中國激光;1991年03期

4 西廣成;聯想記憶的一種隨機理論[J];控制理論與應用;1998年05期

5 陳桂英;;帶有閾值的廣義模糊雙向聯想記憶網絡的穩(wěn)定性分析[J];山東大學學報(理學版);2014年01期

6 姜惠蘭,孫雅明;異聯想記憶Hopfield神經網絡的模型、算法及性能[J];系統(tǒng)工程理論與實踐;2005年05期

7 彭建華;于洪潔;;神經系統(tǒng)中隨機和混沌感知信號的聯想記憶與分割[J];物理學報;2007年08期

8 楊天奇;故障模式的聯想記憶和識別分析[J];暨南大學學報(自然科學與醫(yī)學版);2000年03期

9 黃秉憲;主動聯想記憶神經網絡模型[J];生物物理學報;1994年03期

10 苗振江，袁保宗;擴展雙向聯想記憶神經網絡及其應用[J];高技術通訊;1995年07期

相關會議論文 前10條

1 趙旺兄;喬清理;王丹;;海馬CA3區(qū)自聯想記憶與異聯想記憶的建模與仿真[A];天津市生物醫(yī)學工程學會第29屆學術年會暨首屆生物醫(yī)學工程前沿科學研討會論文集[C];2009年

2 鐵錦程;許曉鳴;劉慧;張鐘俊;;一種改進的多重訓練雙向聯想記憶算法[A];1996中國控制與決策學術年會論文集[C];1996年

3 徐寧壽;白云飛;;基于最小范數解的聯想記憶系統(tǒng)訓練和局部泛化算法[A];1996年中國控制會議論文集[C];1996年

4 吳錫生;冉天保;王士同;;一種新穎的模糊形態(tài)聯想記憶網絡[A];2006年全國開放式分布與并行計算學術會議論文集（一）[C];2006年

5 徐耀群;包丹;;基于外積法學習的聯想記憶網絡研究[A];2007中國控制與決策學術年會論文集[C];2007年

6 楊靜;謝昭;孫永宣;;稀疏聯想記憶神經網絡動力學演化[A];中國儀器儀表學會第十一屆青年學術會議論文集[C];2009年

7 宮向陽;涂奉生;;聯想記憶神經網絡的兩種設計方法[A];1996中國控制與決策學術年會論文集[C];1996年

8 殷彤;白云飛;;基于新型聯想記憶系統(tǒng)的直接仿人操縱智能控制[A];1994年中國控制會議論文集[C];1994年

9 段書凱;劉光遠;;網絡參數對混沌聯想記憶特性的影響[A];第十一屆全國信號處理學術年會（CCSP-2003）論文集[C];2003年

10 徐寧壽;楊志鴻;;采用自適應感受野的廣義尖帽樣條函數型聯想記憶系統(tǒng)及其應用[A];1996年中國控制會議論文集[C];1996年

相關重要報紙文章 前1條

1 大任;英語“聯想記憶”詞條引發(fā)版權訴訟[N];中國新聞出版報;2008年

相關博士學位論文 前7條

1 吳錫生;基于模糊形態(tài)雙向聯想記憶網絡的研究[D];南京理工大學;2005年

2 張道強;基于核的聯想記憶及聚類算法的研究與應用[D];南京航空航天大學;2005年

3 王劍;一類新型聯想記憶神經網絡研究[D];華南理工大學;2003年

4 周鐵軍;多向聯想記憶神經網絡理論研究[D];中南大學;2007年

5 楊靜;稀疏互聯聯想記憶及其復雜網絡實現[D];合肥工業(yè)大學;2009年

6 王敏;多向聯想記憶神經網絡的多穩(wěn)定性及其在多模式識別中的應用[D];湖南農業(yè)大學;2014年

7 王瑞敏;神經元傳輸函數和網絡噪音對聯想記憶反饋網絡動力學特性的影響[D];蘭州大學;2006年

相關碩士學位論文 前10條

1 田勇;形態(tài)學聯想記憶框架的泛化研究[D];河南師范大學;2012年

2 徐迎;形態(tài)學聯想記憶網絡及其應用研究[D];吉首大學;2015年

3 曾治華;基于深度聯想記憶網絡和多維權值的多模態(tài)識別模型的研究[D];吉林大學;2017年

4 黃少芳;利用動態(tài)核的形態(tài)聯想記憶網絡及其應用研究[D];江南大學;2006年

5 王雙喜;形態(tài)學聯想記憶抗噪聲的研究[D];河南師范大學;2011年

6 冉天保;模糊形態(tài)尺度空間聯想記憶的研究與應用[D];江南大學;2007年

7 顏本偉;基于小世界體系的模糊自聯想記憶神經網絡研究[D];西南大學;2011年

8 于曉;人工腦的一種具有期望容錯域的聯想記憶神經網絡模型研究[D];青島大學;2010年

9 劉仲皖;基于自組織映射網絡的多模態(tài)聯想記憶[D];北京郵電大學;2015年

10 陳亮;基于圖像特征的形態(tài)學異聯想記憶的研究[D];云南大學;2015年

，

本文編號：1466304