基于改進(jìn)液體狀態(tài)機(jī)的手寫(xiě)數(shù)字識(shí)別技術(shù)研究.pdf

1、手寫(xiě)數(shù)字識(shí)別技術(shù)是利用計(jì)算機(jī)自動(dòng)辨認(rèn)手寫(xiě)阿拉伯?dāng)?shù)字的方法，通常是文獻(xiàn)檢索、辦公自動(dòng)化、郵件分揀、銀行票據(jù)處理等系統(tǒng)的核心和關(guān)鍵。由于識(shí)別對(duì)象特有的復(fù)雜性，現(xiàn)有方法停留在一般的模式識(shí)別階段，并沒(méi)有很好利用知識(shí)進(jìn)行啟發(fā)誘導(dǎo)，也沒(méi)能模擬人腦思維過(guò)程。為此探討一種利用類(lèi)腦結(jié)構(gòu)解決手寫(xiě)數(shù)字識(shí)別的方法具有重大的現(xiàn)實(shí)意義。
　　液體狀態(tài)機(jī)（liquid state machine，LSM）作為一種典型的類(lèi)腦模型，為解決手寫(xiě)數(shù)字識(shí)別問(wèn)題打開(kāi)了新思

2、路，其儲(chǔ)備池結(jié)構(gòu)作為關(guān)鍵處理單元，直接影響模型的精度。由此本文圍繞手寫(xiě)數(shù)字識(shí)別問(wèn)題，從仿生網(wǎng)絡(luò)的基本特征多簇和自組織特性出發(fā)對(duì)液體狀態(tài)機(jī)進(jìn)行了改進(jìn)，構(gòu)建了自組織分簇和分簇自組織網(wǎng)絡(luò)。
　　自組織分簇網(wǎng)絡(luò)是利用周期性的電流輸入，神經(jīng)元的放電頻率可控，在對(duì)稱(chēng)放電時(shí)間依賴(lài)的突觸可塑性（spike-timing-dependent plasticity，STDP）學(xué)習(xí)機(jī)制下，相鄰神經(jīng)元接收相同信號(hào)的連接會(huì)不斷加強(qiáng)，進(jìn)而出現(xiàn)分簇特征；分簇自

3、組織網(wǎng)絡(luò)是利用基于時(shí)間窗的皮質(zhì)層生成算法構(gòu)建多簇的拓?fù)浣Y(jié)構(gòu)，在此基礎(chǔ)上利用非對(duì)稱(chēng)STDP學(xué)習(xí)定義神經(jīng)元之間的連接強(qiáng)度。由于腦網(wǎng)絡(luò)的結(jié)構(gòu)功能與其動(dòng)力學(xué)密切相關(guān)，本文對(duì)兩種網(wǎng)絡(luò)都進(jìn)行了動(dòng)力學(xué)分析，表明構(gòu)建網(wǎng)絡(luò)的優(yōu)越性，并對(duì)兩種基本的放電模式（峰放電和簇放電）自組織演化形成的分簇結(jié)構(gòu)也進(jìn)行了研究。并利用分簇自組織網(wǎng)絡(luò)優(yōu)化儲(chǔ)備池結(jié)構(gòu)，引入信號(hào)重構(gòu)問(wèn)題確定液體狀態(tài)機(jī)各參數(shù)的大小，建立改進(jìn)的液體狀態(tài)機(jī)模型。
　　最后利用美國(guó)郵政數(shù)據(jù) MNIS

4、T數(shù)據(jù)庫(kù)作為數(shù)據(jù)來(lái)源，將手寫(xiě)數(shù)字圖片輸入轉(zhuǎn)換為一系列的脈沖輸入，利用信號(hào)重構(gòu)的思想，分別訓(xùn)練每個(gè)輸出神經(jīng)元的連接權(quán)值，最終得到識(shí)別結(jié)果。為了節(jié)約計(jì)算成本，降低能耗，對(duì)圖片進(jìn)行了歸一化處理。本方法作為液體狀態(tài)機(jī)在手寫(xiě)數(shù)字識(shí)別任務(wù)的首次嘗試比2013年Mass提出的用SNN來(lái)解決手寫(xiě)數(shù)字識(shí)別問(wèn)題具有更明顯的優(yōu)勢(shì)。用LSM實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別關(guān)鍵在于脈沖序列的分類(lèi)，最后從一個(gè)脈沖序列四分類(lèi)任務(wù)中可以看出本方法還有很大的優(yōu)化空間，對(duì)手寫(xiě)數(shù)字識(shí)別問(wèn)題