專(zhuān)利名稱(chēng)：用于處理諸如圖像的具有現(xiàn)有拓?fù)涞臄?shù)據(jù)陣列的神經(jīng)網(wǎng)絡(luò)和網(wǎng)絡(luò)應(yīng)用的制作方法
技術(shù)領(lǐng)域：
一種用于處理具有適當(dāng)?shù)耐負(fù)涞臄?shù)據(jù)陣列的神經(jīng)網(wǎng)絡(luò)，一種用于識(shí)別數(shù)據(jù)庫(kù)的數(shù)據(jù)之間的關(guān)系的算法以及一種用于根據(jù)所述神經(jīng)網(wǎng)絡(luò)和根據(jù)所述算法進(jìn)行圖像圖案識(shí)別的方法。
本發(fā)明涉及一種用于處理具有適當(dāng)?shù)耐負(fù)涞臄?shù)據(jù)陣列的神經(jīng)網(wǎng)絡(luò)，包括對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)(knot)的單元(Ki)的n維陣列，每個(gè)單元(cell)具有與形成單元(Ki)的鄰居的直接相鄰的單元(Kj)的連接；
a)每個(gè)單元(Ki)具有用于與周?chē)鷨卧闹苯酉噜弳卧?Kj)的每個(gè)連接的輸入；
b)每個(gè)單元(Ki)具有用于與一個(gè)或多個(gè)直接相鄰的單元(Kj)的連接的輸出；
c)在每個(gè)單元(Ki)與直接相鄰的單元之間的連接由權(quán)因子(wij)確定；
d)每個(gè)單元由被定義為單元(Ki)的激活值或函數(shù)(Ai)的內(nèi)部值來(lái)表征；
e)每個(gè)單元(Ki)能夠根據(jù)信號(hào)處理函數(shù)(所謂的轉(zhuǎn)移函數(shù))來(lái)實(shí)行信號(hào)處理，用于生成單元輸出信號(hào)(ui)；
f)轉(zhuǎn)移函數(shù)將單元(Ki)的輸出信號(hào)(ui)確定為單元(Ki)的激活值或函數(shù)(Ai)的函數(shù)，該轉(zhuǎn)移函數(shù)還包括同一性函數(shù)，它使得單元(Ki)的激活值或函數(shù)(Ai)等于單元(Ki)的輸出信號(hào)(ui)；
g)提供了輸入數(shù)據(jù)記錄(Pi)的n維數(shù)據(jù)庫(kù)，它必須由神經(jīng)網(wǎng)絡(luò)提交進(jìn)行計(jì)算，并且在該n維數(shù)據(jù)庫(kù)中，在被投影到相應(yīng)的n維空間時(shí)數(shù)據(jù)記錄(Pi)的相對(duì)位置是數(shù)據(jù)記錄(Pi)的相關(guān)特征，數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄(Pi)能夠由所述n維空間中的點(diǎn)的陣列來(lái)表示，每個(gè)點(diǎn)具有在所述點(diǎn)陣列中單一規(guī)定的位置并且與所述數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄(Pi)單一相關(guān)，所述數(shù)據(jù)庫(kù)的每個(gè)數(shù)據(jù)記錄(Pi)還包括至少一個(gè)變量或多個(gè)變量，每個(gè)變量具有某個(gè)值(Ui)；
h)每個(gè)數(shù)據(jù)記錄(Pi)與構(gòu)成神經(jīng)網(wǎng)絡(luò)的單元的n維陣列中的單元(Ki)單一地相關(guān)聯(lián)，所述單元(Ki)在單元的n維陣列中的位置與由所述點(diǎn)的n維陣列中的點(diǎn)所表示的相應(yīng)的數(shù)據(jù)記錄(Pi)相同；
i)每個(gè)數(shù)據(jù)記錄(Pi)的變量的值(Ui)被看作為被取為單一地相關(guān)聯(lián)的單元(Ki)的初始激活值(Ai)或初始輸出值(ui)的網(wǎng)絡(luò)初始化值；
j)在一定數(shù)目的神經(jīng)網(wǎng)絡(luò)迭代處理步驟后的每個(gè)單元(Ki)的激活值(Ai)或輸出值(ui)被看作為對(duì)于所述單一地相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新得到的值(Ui)。
背景技術(shù)：
本發(fā)明應(yīng)用于人工智能領(lǐng)域，并因此應(yīng)用于具有能夠?qū)嵭泻?jiǎn)單的處理過(guò)程的計(jì)算單元的機(jī)器，所述處理過(guò)程例如來(lái)自實(shí)驗(yàn)經(jīng)驗(yàn)的學(xué)習(xí)過(guò)程、演繹過(guò)程、認(rèn)知過(guò)程(通過(guò)此過(guò)程來(lái)分析所收集或輸入的數(shù)據(jù)以便發(fā)現(xiàn)或研究表面上看可能不明顯的、在數(shù)據(jù)記錄之間的某些關(guān)系)或識(shí)別過(guò)程(通過(guò)此過(guò)程來(lái)識(shí)別聲音、圖案、圖表、字母等等，用于將來(lái)處理)。
所有上述的過(guò)程都是有用的，以便把機(jī)器置于能夠?qū)τ谀承┓磻?yīng)作出決定的條件，或?yàn)榱藢?duì)所收集的或輸入的數(shù)據(jù)進(jìn)行簡(jiǎn)單分類(lèi)例如用來(lái)進(jìn)一步使用。
實(shí)際上，在給定下述數(shù)據(jù)庫(kù)的情形時(shí)，其中數(shù)據(jù)為記錄的形式，每個(gè)記錄由某個(gè)規(guī)定數(shù)目的變量的相關(guān)值所識(shí)別，則數(shù)據(jù)記錄之間的關(guān)系可以通過(guò)所謂的“無(wú)監(jiān)督算法”進(jìn)行研究。
已知的無(wú)監(jiān)督算法例如是所謂的SOM，即自組織映射，它提供具有一定數(shù)目的單位(unit)的網(wǎng)格作為輸出，其中每個(gè)單位由一個(gè)單元表現(xiàn)個(gè)體特征，以及在每個(gè)網(wǎng)格中收集屬于數(shù)據(jù)記錄的某種原型的一定數(shù)目的數(shù)據(jù)記錄。SOM是在KOHONEN 1995T.Kohonen，Self Organizing Maps，Springer Verlag，Berlin，Heideburg 1995或Massimo Buscema & SemeionGroup“Retl neurali artificiali e sistemi sociali compessi”，Year 199，Edizioni Franco Angeli s.r.l.Milano，Italy，chapter 12中更詳細(xì)地描述的已知的算法。
這個(gè)集群可以給出有關(guān)記錄彼此相似性的信息，并因此允許實(shí)行數(shù)據(jù)分類(lèi)或識(shí)別下述關(guān)系，所述關(guān)系可被機(jī)器使用來(lái)決定如何實(shí)行任務(wù)、或是否必須實(shí)行任務(wù)、或必須實(shí)行哪種任務(wù)。
然而，此算法在幫助識(shí)別數(shù)據(jù)記錄之間，特別是在數(shù)據(jù)記錄陣列中的數(shù)據(jù)記錄的相對(duì)位置或N維空間中特別是二維或三維空間中的數(shù)據(jù)記錄的分布是數(shù)據(jù)記錄的相關(guān)特征的情形下的數(shù)據(jù)記錄之間的某種類(lèi)型的關(guān)系時(shí)不是非常有效的。而且，數(shù)據(jù)記錄是過(guò)程的中性元素。
可以使用不同種類(lèi)的傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)。這種人工神經(jīng)網(wǎng)絡(luò)由結(jié)點(diǎn)所表征。結(jié)點(diǎn)是處理單元，它們互相連接構(gòu)成網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)按人腦的神經(jīng)元網(wǎng)絡(luò)而建模。在這種情形下，網(wǎng)絡(luò)的每個(gè)結(jié)點(diǎn)表示人工神經(jīng)元。結(jié)點(diǎn)按層排列。在最簡(jiǎn)單的配置中，結(jié)點(diǎn)的輸入層與結(jié)點(diǎn)的輸出層相連接。結(jié)點(diǎn)的數(shù)目通常對(duì)應(yīng)于數(shù)據(jù)庫(kù)的不同數(shù)據(jù)記錄或變量。在生物學(xué)的情形下，神經(jīng)元包括三個(gè)基本部分神經(jīng)元本體；被稱(chēng)為樹(shù)突的分支延伸體，用于接收輸入；以及軸突，其把神經(jīng)元的輸出載送到其它神經(jīng)元的樹(shù)突。一般說(shuō)來(lái)，神經(jīng)元經(jīng)由它的軸突把它的輸出發(fā)送到其它神經(jīng)元。軸突通過(guò)一系列動(dòng)作電位或通過(guò)取決于神經(jīng)元電位的電流波來(lái)載送信息。此過(guò)程常常被建模為由純數(shù)值表示的傳播法則。神經(jīng)元通過(guò)合計(jì)所有施加在它上面的激勵(lì)和抑制影響而收集在它突觸處的信號(hào)。如果激勵(lì)影響占優(yōu)，則神經(jīng)元激發(fā)此消息，并把它經(jīng)由對(duì)外突觸發(fā)送到其它神經(jīng)元。在這個(gè)意義上，神經(jīng)元功能可被建模為簡(jiǎn)單的閾函數(shù)。在人工神經(jīng)網(wǎng)絡(luò)中，使用相同模型，每個(gè)結(jié)點(diǎn)具有輸入，所述輸入被連接到在前的結(jié)點(diǎn)層的某個(gè)或每個(gè)其它結(jié)點(diǎn)的輸出，以及具有輸出，所述輸出被連接到在后的結(jié)點(diǎn)層的某個(gè)或每個(gè)其它結(jié)點(diǎn)。由被連接到結(jié)點(diǎn)輸入的其它結(jié)點(diǎn)的輸出來(lái)施加的激勵(lì)或抑制水平由權(quán)因子所定義的連接強(qiáng)度確定。如果被輸入到結(jié)點(diǎn)的信號(hào)總和超過(guò)某個(gè)閾值，則該結(jié)點(diǎn)將激發(fā)而輸出將發(fā)出信號(hào)。結(jié)點(diǎn)的內(nèi)部狀態(tài)或值被定義為激活函數(shù)。
通過(guò)用這種傳統(tǒng)種類(lèi)的人工神經(jīng)網(wǎng)絡(luò)來(lái)處理數(shù)據(jù)，數(shù)據(jù)被饋送到輸入層的結(jié)點(diǎn)，而在輸出層的結(jié)點(diǎn)的輸出處提供過(guò)程的結(jié)果。為了更好地和更加深入地了解人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，可參閱Massimo Buscema & Semeion Group，“Reti Neurali Artificiali e sistemi sociali compessi”，Volume I，Semeion Centro Ricerche，F(xiàn)ranco Angeli Milano 1999(ISBN88-464-1682-1)。為了確定定義連接強(qiáng)度的權(quán)因子，人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練過(guò)程，在所述訓(xùn)練過(guò)程中數(shù)據(jù)庫(kù)的數(shù)據(jù)被輸入，對(duì)于所述數(shù)據(jù)，處理輸出數(shù)據(jù)是已知的。向網(wǎng)絡(luò)饋送輸入數(shù)據(jù)和已知的輸出數(shù)據(jù)，并且計(jì)算連接權(quán)因子，以使給定的輸入和輸出數(shù)據(jù)通過(guò)權(quán)因子進(jìn)行匹配。
當(dāng)考慮對(duì)具有適當(dāng)拓?fù)涞臄?shù)據(jù)庫(kù)的處理時(shí)，此數(shù)據(jù)可被投影為n維空間中的點(diǎn)，在n維空間中表示數(shù)據(jù)的點(diǎn)的相對(duì)位置是數(shù)據(jù)本身的相關(guān)特征，諸如，例如構(gòu)成圖像的像素的二維陣列，上述的傳統(tǒng)算法不會(huì)考慮所述拓?fù)涮卣?，例如圖像中的像素相對(duì)于其它像素的位置，而且，不會(huì)并行地對(duì)每個(gè)像素實(shí)行處理。
曾經(jīng)通過(guò)使用所謂的細(xì)胞式自動(dòng)機(jī)或它們的改進(jìn)來(lái)作為細(xì)胞式神經(jīng)網(wǎng)絡(luò)而對(duì)此問(wèn)題的解決方案進(jìn)行嘗試。文獻(xiàn)US 5,140,670和文獻(xiàn)Leon O.Chua和Ling Yang，“Cellular Neural NetworksApplication”，IEEE Trans.On Circuits & Systema vol.35(1988)Oct.，No.10，New York，NY，US公開(kāi)了所謂的細(xì)胞式自動(dòng)機(jī)和神經(jīng)網(wǎng)絡(luò)的組合，其顯示了在一開(kāi)始公開(kāi)的人工神經(jīng)網(wǎng)絡(luò)的特征。這種新的信息處理系統(tǒng)是類(lèi)神經(jīng)網(wǎng)絡(luò)的大規(guī)模非線性模擬電路，該電路實(shí)時(shí)處理信號(hào)。與細(xì)胞式自動(dòng)機(jī)類(lèi)似，它由僅僅通過(guò)其最接近的鄰居互相直接通信的有規(guī)律間隔的電路克隆(被稱(chēng)為單元)的大量集合而組成。未被直接連接在一起的單元可以由于細(xì)胞式神經(jīng)網(wǎng)絡(luò)的連續(xù)時(shí)間動(dòng)態(tài)的傳播影響而互相間接影響。細(xì)胞式神經(jīng)網(wǎng)絡(luò)能夠?qū)嵭蟹答伜颓梆伈僮?。單元之間的連接是一致的和局部的。這意味著細(xì)胞式神經(jīng)網(wǎng)絡(luò)可以通過(guò)它的反饋和前饋操作符的模板為表征。這些操作符定義了細(xì)胞式神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)行為。這些操作符是有限常量或系數(shù)的方陣，其是定義了細(xì)胞式神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)法則的所謂的克隆模板。因此，在細(xì)胞式神經(jīng)網(wǎng)絡(luò)中，可以使用不同種類(lèi)的操作符，其是預(yù)先定義的并且獨(dú)立于要被處理的數(shù)據(jù)陣列的數(shù)據(jù)的特定值。每個(gè)操作符被具體地定義，以便實(shí)行數(shù)據(jù)的特定操作，用于從數(shù)據(jù)或數(shù)據(jù)之間的關(guān)系中提取或突出特征。通常，提供這樣的操作符模板(所謂的基因)的庫(kù)，從其中選擇一個(gè)或多個(gè)操作符模板，并且這些操作符模板被用來(lái)實(shí)行想要的數(shù)據(jù)處理。所以，例如當(dāng)考慮二維圖像時(shí)，可以提供操作符或基因用于檢測(cè)和突出邊緣，可以提供另外的操作符或基因用于銳化等等。所述操作符(peratirs)可被順序地用于處理數(shù)據(jù)，以便得到它們對(duì)于輸出圖像的影響的組合。
從以上說(shuō)明可以明顯看出，雖然已知的細(xì)胞式自動(dòng)機(jī)考慮到下述事實(shí)，即，如上文較好地定義的，數(shù)據(jù)在拓?fù)渖鲜沁m當(dāng)?shù)?，但是，操作符由常量形成，并完全?dú)立于要被處理的數(shù)據(jù)值。把這種行為與神經(jīng)網(wǎng)絡(luò)相比較，這意味著，定義了從直接在結(jié)點(diǎn)周?chē)膶又械慕Y(jié)點(diǎn)的輸出到結(jié)點(diǎn)的輸入的信號(hào)傳播的權(quán)因子是預(yù)先定義的，并獨(dú)立于對(duì)應(yīng)于人工神經(jīng)網(wǎng)絡(luò)中的結(jié)點(diǎn)的激活值或輸出值的結(jié)點(diǎn)內(nèi)部值。因此，被包含在數(shù)據(jù)陣列中的固有信息由于它們的拓?fù)潢P(guān)系和它們的值而被丟失或完全不予考慮。

發(fā)明內(nèi)容
本發(fā)明意在提供改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)，其將細(xì)胞式神經(jīng)網(wǎng)絡(luò)或細(xì)胞式自動(dòng)機(jī)的結(jié)構(gòu)的優(yōu)點(diǎn)與操作符的動(dòng)態(tài)定義的優(yōu)點(diǎn)相結(jié)合，所述操作符的動(dòng)態(tài)定義還考慮到了被固有地包含在陣列數(shù)據(jù)中的數(shù)據(jù)值的關(guān)系中的信息。
作為特殊情形，本發(fā)明意在提供一種具有細(xì)胞式神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的新的人工神經(jīng)網(wǎng)絡(luò)，其允許并行處理圖像數(shù)據(jù)而不會(huì)丟失與構(gòu)成圖像的像素值之間的關(guān)系有關(guān)的信息。
本發(fā)明通過(guò)一種人工神經(jīng)網(wǎng)絡(luò)達(dá)到以上的目標(biāo)，所述人工神經(jīng)網(wǎng)絡(luò)包括對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)的n維陣列的單元(Ki)，每個(gè)單元具有與構(gòu)成單元(Ki)的鄰居的直接相鄰的單元(Kj)的連接；
a)每個(gè)單元(Ki)具有用于與周?chē)鷨卧闹苯酉噜彽膯卧?Kj)的每個(gè)連接的輸入；
b)每個(gè)單元(Ki)具有用于與一個(gè)或多個(gè)直接相鄰的單元(Kj)的連接的輸出；
c)在每個(gè)單元(Ki)與直接相鄰的單元之間的連接由權(quán)因子(wij)確定；
d)每個(gè)單元由被定義為單元(Ki)的激活值或函數(shù)(Ai)的內(nèi)部值來(lái)表征；
e)每個(gè)單元(Ki)能夠根據(jù)信號(hào)處理函數(shù)(所謂的轉(zhuǎn)移函數(shù))來(lái)實(shí)行信號(hào)處理，用于生成單元輸出信號(hào)(ui)；
f)轉(zhuǎn)移函數(shù)將單元(Ki)的輸出信號(hào)(ui)確定為單元(Ki)的激活值或函數(shù)(Ai)的函數(shù)，該轉(zhuǎn)移函數(shù)還包括同一性函數(shù)，它使得單元(Ki)的激活值或函數(shù)(Ai)等于單元(Ki)的輸出信號(hào)(ui)；
g)提供了輸入數(shù)據(jù)記錄(Pi)的n維數(shù)據(jù)庫(kù)，它必須由神經(jīng)網(wǎng)絡(luò)提交進(jìn)行計(jì)算，并且在該n維數(shù)據(jù)庫(kù)中，在被投影到相應(yīng)的n維空間時(shí)數(shù)據(jù)記錄(Pi)的相對(duì)位置是數(shù)據(jù)記錄(Pi)的相關(guān)特征，數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄(Pi)能夠由所述n維空間中的點(diǎn)的陣列來(lái)表示，每個(gè)點(diǎn)具有在所述點(diǎn)的陣列中單一規(guī)定的位置并且與所述數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄(Pi)單一地相關(guān)，所述數(shù)據(jù)庫(kù)的每個(gè)數(shù)據(jù)記錄(Pi)還包括至少一個(gè)變量或多個(gè)變量，每個(gè)變量具有某個(gè)值(Ui)；
h)每個(gè)數(shù)據(jù)記錄(Pi)與構(gòu)成神經(jīng)網(wǎng)絡(luò)的單元的n維陣列中的單元(Ki)單一地相關(guān)聯(lián)，所述單元(Ki)在單元的n維陣列中的位置與由所述點(diǎn)的n維陣列中的點(diǎn)所表示的相應(yīng)的數(shù)據(jù)記錄(Pi)相同；
i)每個(gè)數(shù)據(jù)記錄(Pi)的變量的值(Ui)被看作為被取為單一相關(guān)聯(lián)的單元(Ki)的初始激活值(Ai)或初始輸出值(ui)的網(wǎng)絡(luò)初始化值；
j)在一定數(shù)目的神經(jīng)網(wǎng)絡(luò)迭代處理步驟后的每個(gè)單元(Ki)的激活值(Ai)或輸出值(ui)被看作為對(duì)于所述單一地相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新值(Ui)。
該人工神經(jīng)網(wǎng)絡(luò)還包括以下特征
k)對(duì)于所述一定數(shù)目的迭代處理步驟中的每個(gè)處理步驟，規(guī)定了每個(gè)單元(Ki)與直接相鄰的單元(Kj)之間的連接的權(quán)因子(wij)被確定為與所述單元(Ki)直接相鄰的單元(Kj)單一地相關(guān)聯(lián)的每個(gè)數(shù)據(jù)記錄(Pj)的變量的當(dāng)前值(Uj)的函數(shù)，所述函數(shù)是所謂的學(xué)習(xí)函數(shù)或法則；
l)在神經(jīng)網(wǎng)絡(luò)的處理步驟后的、被認(rèn)為是對(duì)于所述單一相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新的當(dāng)前值(Ui)的每個(gè)單元(Ki)的當(dāng)前激活值(Ai)或輸出值(ui)被確定為由規(guī)定了直接相鄰的單元(Kj)與單元(Ki)的連接的相應(yīng)權(quán)因子(wij)所加權(quán)的直接相鄰的單元(Kj)的當(dāng)前輸出值(uj)的函數(shù)。
作為一種變例，上述的人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)把在神經(jīng)網(wǎng)絡(luò)的處理步驟后的、被認(rèn)為是對(duì)于所述單一相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新的當(dāng)前值(Ui)的每個(gè)單元(Ki)的當(dāng)前激活值(Ai)或輸出值(ui)確定為規(guī)定了直接相鄰的單元(Kj)與單元(Ki)的連接的相應(yīng)權(quán)因子(wij)的函數(shù)而加以修改，所述函數(shù)是所謂的激活函數(shù)或法則。
在神經(jīng)網(wǎng)絡(luò)的處理步驟后的、被認(rèn)為是對(duì)于所述單一相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新的當(dāng)前值(Ui)的每個(gè)單元(Ki)的當(dāng)前激活值(Ai)或輸出值(ui)可被確定為直接相鄰的單元(Kj)的當(dāng)前輸出值(uj)以及由規(guī)定了直接相鄰的單元(Kj)與單元(Ki)的連接的相應(yīng)權(quán)因子(wij)的函數(shù)，所述函數(shù)是所謂的激活函數(shù)或法則。
而且，對(duì)于所述一定數(shù)目的迭代處理步驟中的每個(gè)處理步驟，規(guī)定了每個(gè)單元(Ki)與直接相鄰的單元(Kj)之間的連接的權(quán)因子(wij)被確定為與所述單元(Ki)直接相鄰的單元(Kj)單一相關(guān)聯(lián)的每個(gè)數(shù)據(jù)記錄(Pj)的變量的當(dāng)前值(Uj)以及與單元(Ki)單一相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的變量的當(dāng)前值(Ui)的函數(shù)。
當(dāng)數(shù)據(jù)庫(kù)由二維圖像的像素所構(gòu)成時(shí)，則以上的神經(jīng)網(wǎng)絡(luò)構(gòu)成根據(jù)本發(fā)明的、用于圖像處理的機(jī)器。
在以下的說(shuō)明中公開(kāi)了另外的改進(jìn)，這些改進(jìn)從屬于所附權(quán)利要求。
根據(jù)本發(fā)明的以上的人工神經(jīng)網(wǎng)絡(luò)是基于以下的理論基礎(chǔ)
作為例子，將一種現(xiàn)象定義為可以根據(jù)吸收的或發(fā)射的電磁頻率而測(cè)量的每個(gè)時(shí)空組。因此，視覺(jué)現(xiàn)象是以上定義的整體現(xiàn)象的子組，該子組根據(jù)決定要觀察的頻率而變化。視覺(jué)現(xiàn)象是具有適當(dāng)拓?fù)涞默F(xiàn)象。任何現(xiàn)象均可藉助于由模型確定為先驗(yàn)的單元來(lái)分析，或可以迫使所述現(xiàn)象顯示最小單元之間存在的關(guān)系?，F(xiàn)象的任何單元是最小單元的明顯的或隱含的合成。因此，模型的單元可被看作為減小了最小單元中存在的原始信息的索引。這種減小可以是關(guān)鍵的，因?yàn)槟Ｐ偷膯卧軌蚝雎栽谧钚卧泻驮谒鼈兊木植拷换ブ写嬖诘哪承┨卣?。分析視覺(jué)現(xiàn)象或具有適當(dāng)拓?fù)涞钠渌F(xiàn)象時(shí)，由模型的單元所實(shí)行的減小是嚴(yán)重的。事實(shí)上，例如作為平均值、方差的某個(gè)索引和基于平均值的每個(gè)其它索引將不會(huì)保持被合成的最小單元的拓?fù)涮卣?。例如，除了非常稀少的情形以外，兩個(gè)直角三角形的平均值將不會(huì)生成直角三角形，。
我們可觀察作為科學(xué)知識(shí)的主題的另外的每個(gè)現(xiàn)象是具有適當(dāng)拓?fù)涞默F(xiàn)象。由于可以存在形狀的僅有事實(shí)，在理論上各向同性的空間中每個(gè)形狀通過(guò)它的拓?fù)鋪?lái)顯示它的特定適合性。任何種類(lèi)的科學(xué)模型均意在藉助于現(xiàn)象的最小單元的交互而使得每個(gè)現(xiàn)象呈現(xiàn)它的固有模型。在找到現(xiàn)象的最小單元后，科學(xué)模型應(yīng)當(dāng)被提供給所述單元公式，藉助于所述科學(xué)模型所述單元相互交互。當(dāng)現(xiàn)象的最小單元能夠藉助于所述公式而以它的形態(tài)和動(dòng)態(tài)復(fù)雜性來(lái)重構(gòu)現(xiàn)象本身時(shí)，則公式可以被稱(chēng)為是由最小單元造成的、模型的好的元模型。沒(méi)有重構(gòu)證明就不存在對(duì)科學(xué)活動(dòng)的確認(rèn)。
為了成為科學(xué)知識(shí)的主題，每個(gè)現(xiàn)象必須能夠被定量地表征。這意味著，它的最小單元和它們的關(guān)系必須能夠由數(shù)字值所表示。從物理的觀點(diǎn)看來(lái)，此數(shù)字值描述“力”和/或所施加力的“結(jié)果”。在特定的公式內(nèi)這些數(shù)值之間的交互可以允許措施的重構(gòu)性證明，通過(guò)該措施，元模型(即，現(xiàn)象)生成類(lèi)似于必須被了解的現(xiàn)象的模型。因此，科學(xué)知識(shí)的目的是定義在現(xiàn)象中隱含的數(shù)學(xué)函數(shù)。當(dāng)所述數(shù)學(xué)函數(shù)是相對(duì)較復(fù)雜，即，高度非線性時(shí)，或許我們對(duì)現(xiàn)象的感知迫使我們把所述現(xiàn)象定義為向其提供有不能只歸結(jié)為定量影響的定性特征。總之，由于表征了現(xiàn)象中隱含的函數(shù)的復(fù)雜性，這只是感知影響。因此能夠規(guī)定，每個(gè)現(xiàn)象的定量分量是它的高度定量非線性的感知影響?？紤]到在自然界存在的所有現(xiàn)象都牽涉到高度非線性動(dòng)態(tài)，很明顯，定性影響的感知是如此普遍，以致于使人認(rèn)為質(zhì)量是現(xiàn)象本身所固有的。在現(xiàn)實(shí)中，數(shù)量與質(zhì)量之間的差別并不存在。質(zhì)量是數(shù)量表達(dá)其鑒別的一種方式。
在具有適當(dāng)拓?fù)涞娜魏维F(xiàn)象中，現(xiàn)象的同一性和單一性由它的時(shí)空內(nèi)聚性所保證。這意味著，現(xiàn)象的每個(gè)最小單元均是鄰接的，并且通過(guò)特定的力被直接或間接連接到其它最小單元。因此，所分析的現(xiàn)象的每個(gè)最小單元的定量值是所述力的作用結(jié)果?？梢宰C明在具有適當(dāng)拓?fù)涞默F(xiàn)象中，將每個(gè)最小單元連接于局部鄰居的任何其它最小單元的力足以解釋整個(gè)現(xiàn)象的時(shí)空內(nèi)聚性。
考慮現(xiàn)象P，包括在具有D個(gè)空間維度的空間中的最小單元P1，P2，...PM，其中為了簡(jiǎn)單起見(jiàn)，D＝2?，F(xiàn)在假設(shè)每個(gè)最小單元的本地鄰居N由直接圍繞最小單元的第一層構(gòu)成，即所謂的圍繞最小單元的梯度1，其中1指的是步驟。在二維空間中，本地鄰居由N＝8個(gè)最小單元構(gòu)成。因此現(xiàn)象P可以由具有M個(gè)單元的矩陣所表示，其中M＝R(行)×C(列)。
P1，1 P1，2 P1，3 ......P1，C
P2，1 P2，2 P2，3 ......P2，C
… … … …
PR，1 PR，2 PR，3 ......PR，C
在此矩陣中，每個(gè)最小單元Px，y將具有定量值，例如反射器能夠反射的光的量，我們可以把所述定量值表示為uxy，其中u∈{0，1}。單元Px，y還將具有與它的本地鄰居N的連接。
現(xiàn)在將Wx，y，x+k，y+z(其中k和z是整數(shù)，并且使得k∈{-1，1}，z∈{-1，1})定義為它與它的本地鄰居N的最小單元的連接的力?，F(xiàn)在能夠?qū)懗?br> 其中，|k|+|z|＞0；
從以上公式可以得出以下公式
換句話說(shuō)每個(gè)最小單元px，y的定量值是圍繞所述單元的8個(gè)最小單元的定量值以及把所述最小單元連接到周?chē)膯卧牧Φ暮瘮?shù)。
用更分析的語(yǔ)言表達(dá)
如果我們從x＝1和y＝1開(kāi)始以每第n個(gè)步驟u[n]x+k，y+z遞歸地替換我們?cè)谏厦鎸?duì)于uxy所計(jì)算的相同函數(shù)f()，則可以看到，容易獲得索引xC和yR，這表明每個(gè)單元px，y的定量值依賴(lài)于所有其它的單元。
從上面可以得出結(jié)論，通過(guò)定義在現(xiàn)象P的每個(gè)最小單元與它的本地鄰居的最小單元之間的連接的強(qiáng)度，也可定義整個(gè)現(xiàn)象P的全局連接強(qiáng)度。
顯然，這個(gè)命題僅僅在假設(shè)現(xiàn)象P具有動(dòng)態(tài)行為時(shí)才是合法的。由此，必須要論證，具有適當(dāng)拓?fù)涞拿總€(gè)現(xiàn)象總是時(shí)間過(guò)程或時(shí)間過(guò)程的部分結(jié)果。
通過(guò)組合局部連接性的概念與表征了具有適當(dāng)拓?fù)涞默F(xiàn)象的時(shí)間動(dòng)態(tài)，必須要論證，所述現(xiàn)象同時(shí)具有并行的和順序的行為。這種異步并行性可被定形。
考慮在具有二維(D＝2)的平面的分配情況下具有適當(dāng)拓?fù)涞默F(xiàn)象P，其單元是最小的邊L的平方并且其單元將平面完美地劃分為單個(gè)平鋪平面。在這種條件下，可以估計(jì)出下述函數(shù)，通過(guò)所述函數(shù)在較高的距離處的P的兩個(gè)最小單元互相施加互逆影響。假設(shè)P的每個(gè)最小單元被直接連接到它的梯度1(g＝1)的本地鄰居，則在每個(gè)時(shí)刻t將根據(jù)以下公式產(chǎn)生每個(gè)最小單元的信號(hào)擴(kuò)散
t＝1g＝1
其中I(t)是在第T個(gè)時(shí)間周期受到參考最小單元的信號(hào)所影響的最小單元pfP的數(shù)目。這些公式表示任何維數(shù)D的現(xiàn)象P的最小單元的信號(hào)的擴(kuò)散函數(shù)。
還能夠定義P的最遠(yuǎn)的兩個(gè)最小單元互相影響的時(shí)延Δt。
對(duì)于D＝2的二維情形并且已知以上定義的兩個(gè)最小單元Px1，y1和Px2，y2，則時(shí)延被表示為
而且，具有適當(dāng)拓?fù)涞默F(xiàn)象由最小單元和由所述最小單元之間的本地連接構(gòu)成。每個(gè)最小單元由它在現(xiàn)象中占據(jù)的位置和由在每個(gè)瞬間例如現(xiàn)象的特征效果的定量值(諸如發(fā)射光的量或反射器反射光的量)所定義。
以上情形可被表示為，
其中u是定量值，而x，y，z，...D是位置，以及t是時(shí)刻。
每個(gè)本地連接定義了在每個(gè)時(shí)刻每個(gè)最小單元對(duì)于與所述最小單元直接相鄰的每個(gè)其它最小單元的相互影響的強(qiáng)度。因此，每個(gè)本地連接由與其連接的最小單元的位置和由在每個(gè)時(shí)刻的定量值所定義，這可被表示為
其中W是定量值，
x，y，Ds是源最小單元的位置，
T是時(shí)刻，而k，z，Dd是目標(biāo)最小單元。
考慮以上情形，連接的有效矩陣可以由以下公式的系統(tǒng)所定義
公式(4a)和(4b)描述最小單元的演化和具有適當(dāng)拓?fù)涞默F(xiàn)象與表示了它的解的組的吸引單元的連接的演化。兩個(gè)公式可以用兩種簡(jiǎn)并方式提供，以請(qǐng)求特定關(guān)注
作為第一種方式
在此情形下，現(xiàn)象的最小單元通過(guò)從具有過(guò)程脈沖的唯一影響的它們的初始定量值或開(kāi)始定量值開(kāi)始而僅作為連接的函數(shù)進(jìn)行演化。這種演化的一種特定特征在于下述事實(shí)，即，在連接的空間中產(chǎn)生調(diào)整連接的演化的過(guò)程(公式(4b))。正在是在這個(gè)空間中找到對(duì)于最小單元的演化的解。
所以，在這種情形下，最小單元的開(kāi)始值作為對(duì)連接演化的簡(jiǎn)單約束。這些最后的開(kāi)始值動(dòng)態(tài)地提供單元的值，并因此這樣的過(guò)程的吸引單元將是作為由在它的開(kāi)始值與相鄰最小單元的開(kāi)始值之間的動(dòng)態(tài)協(xié)商所生成的唯一關(guān)系單元的任何最小單元的新的定義。
第二種已簡(jiǎn)并情形由以下公式描述
在這種情形下，只有最小單元的值將演化，而它們的連接保持不變，并且所述連接將作為演化過(guò)程的約束。
以上對(duì)基于電磁示例或視覺(jué)現(xiàn)象的、具有適當(dāng)拓?fù)涞默F(xiàn)象的分析再次明顯地表明了已知神經(jīng)網(wǎng)絡(luò)(具體地是細(xì)胞式神經(jīng)網(wǎng)絡(luò))的局限?，F(xiàn)有技術(shù)中公開(kāi)的此網(wǎng)絡(luò)不完全適合于具有適當(dāng)拓?fù)涞默F(xiàn)象的結(jié)構(gòu)，因?yàn)闆](méi)有考慮在最小單元的交互與定量值之間的關(guān)系，但所述交互由其結(jié)構(gòu)不受現(xiàn)象的最小單元的值影響的預(yù)先定義的模型(即，操作符模板)來(lái)描述。相反，根據(jù)本發(fā)明的人工神經(jīng)網(wǎng)絡(luò)通過(guò)考慮由數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄構(gòu)成的最小單元的定量值與在這些最小單元之間的交互的相互關(guān)系而逐步更接近于現(xiàn)象的結(jié)構(gòu)。
在以下的描述中，更詳細(xì)地顯示和描述了不同的法則組，用于描述在本神經(jīng)網(wǎng)絡(luò)的單元或結(jié)點(diǎn)與單個(gè)單元或結(jié)點(diǎn)的定量值之間的交互方式，即，它們的內(nèi)部值或激活值或輸出值之間的互動(dòng)涉及到其它單元或結(jié)點(diǎn)的方式，以便引導(dǎo)網(wǎng)絡(luò)的計(jì)算過(guò)程。
本發(fā)明還涉及用于識(shí)別數(shù)據(jù)庫(kù)的數(shù)據(jù)之間關(guān)系的算法，該算法在突出數(shù)據(jù)庫(kù)的數(shù)據(jù)之間關(guān)系時(shí)更有效、快速和更精確。
根據(jù)本發(fā)明的算法是用于識(shí)別在具有適當(dāng)拓?fù)涞臄?shù)據(jù)庫(kù)的數(shù)據(jù)之間關(guān)系的算法，這意味著，所述數(shù)據(jù)是這樣一種數(shù)據(jù)，其中在數(shù)據(jù)記錄的陣列中或在N維空間(具體地為二維或三維空間)中的數(shù)據(jù)記錄的分布中的數(shù)據(jù)記錄的相對(duì)位置是數(shù)據(jù)記錄的相關(guān)特征，以及其中數(shù)據(jù)記錄可被表示為單元或點(diǎn)的陣列，每個(gè)點(diǎn)與數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄單一地有關(guān)，并具有在陣列中相對(duì)于其它數(shù)據(jù)記錄的單元或點(diǎn)所單一規(guī)定的位置，還與每個(gè)數(shù)據(jù)記錄有關(guān)的是至少一個(gè)變量或多個(gè)變量，每個(gè)變量具有一定值，所述算法的特征由下述事實(shí)所表征
-在表示數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄的點(diǎn)或單元的陣列中的每個(gè)單元或點(diǎn)被認(rèn)為是人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)；
-由數(shù)據(jù)庫(kù)的單元或點(diǎn)構(gòu)成的每個(gè)單位或結(jié)點(diǎn)被連續(xù)定義為目標(biāo)單位或結(jié)點(diǎn)，以及連接被規(guī)定為在每個(gè)目標(biāo)單位或結(jié)點(diǎn)之間的、至少連接到由數(shù)據(jù)庫(kù)的其余單元或點(diǎn)所構(gòu)成的其余單位或結(jié)點(diǎn)中的每一個(gè)，所述單位或結(jié)點(diǎn)至少屬于相對(duì)于對(duì)應(yīng)目標(biāo)單位或結(jié)點(diǎn)的梯度1；
-被連續(xù)規(guī)定為目標(biāo)單位或結(jié)點(diǎn)的、數(shù)據(jù)庫(kù)的每個(gè)單位或結(jié)點(diǎn)的新的輸出值是如下計(jì)算的藉助于規(guī)定了單位或結(jié)點(diǎn)之間的連接的強(qiáng)度的人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)法則或函數(shù)的組，或規(guī)定了每個(gè)單位或結(jié)點(diǎn)的定量值(即它的激活值或它的輸出值)的人工神經(jīng)網(wǎng)絡(luò)的激活法則或函數(shù)的組，或藉助于將人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)法則或函數(shù)的組與激活法則或函數(shù)的組的組合作為被連接到目標(biāo)單位或結(jié)點(diǎn)的單位或結(jié)點(diǎn)的實(shí)際輸出和所述目標(biāo)單位或結(jié)點(diǎn)的實(shí)際輸出的函數(shù)；
-每個(gè)單位或結(jié)點(diǎn)的實(shí)際輸出被規(guī)定為變量值或被規(guī)定為與被看作為人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)的、由單元或點(diǎn)表示的每個(gè)數(shù)據(jù)記錄相關(guān)聯(lián)的變量值；
-并且目標(biāo)單位或結(jié)點(diǎn)的新輸出被看作為與對(duì)應(yīng)于目標(biāo)單位或結(jié)點(diǎn)的數(shù)據(jù)記錄陣列的單元或點(diǎn)相關(guān)聯(lián)的數(shù)據(jù)記錄的一個(gè)或多個(gè)變量的新值；
-通過(guò)實(shí)行用于計(jì)算對(duì)于數(shù)據(jù)記錄陣列的至少部分或每個(gè)單元或點(diǎn)的目標(biāo)單位或結(jié)點(diǎn)的新輸出的所述步驟，數(shù)據(jù)記錄的新陣列被計(jì)算，其中每個(gè)單元或點(diǎn)的數(shù)據(jù)記錄具有至少一個(gè)變量的新值或若干變量的新值，作為根據(jù)以上步驟的人工神經(jīng)網(wǎng)絡(luò)的第一計(jì)算循環(huán)的結(jié)果；
-所述計(jì)算循環(huán)對(duì)于每個(gè)連續(xù)的新的數(shù)據(jù)記錄陣列重復(fù)進(jìn)行，直至實(shí)行過(guò)某個(gè)預(yù)定數(shù)目次數(shù)的重復(fù)計(jì)算循環(huán)為止；和/或除非在數(shù)據(jù)記錄的初始陣列的一個(gè)或多個(gè)變量的初始值與根據(jù)在最后循環(huán)中所計(jì)算的數(shù)據(jù)記錄陣列的一個(gè)或多個(gè)變量的值之間已達(dá)到某個(gè)最大可允許的誤差或偏差；和/或除非在循環(huán)序列中計(jì)算的數(shù)據(jù)記錄陣列的序列中的數(shù)據(jù)記錄的一個(gè)或多個(gè)變量的值之間的差值低于預(yù)定的最大比值。
可以使用許多不同的已知學(xué)習(xí)函數(shù)或法則組或可以使用許多不同的已知的激活函數(shù)或法則組，它們也可以被組合起來(lái)，每個(gè)所述組或者所述組的組合可以增強(qiáng)或證明相對(duì)于數(shù)據(jù)記錄之間的其它種關(guān)系而言的更好方式的某種關(guān)系。
根據(jù)進(jìn)一步的改進(jìn)，數(shù)據(jù)記錄陣列可被提交至少兩次或更多次，以進(jìn)行根據(jù)本發(fā)明的算法的精心處理，在第一階段中提供第一學(xué)習(xí)函數(shù)或法則組、或第一激活函數(shù)或法則組、或它們的組合，并且在第二階段中提供第二學(xué)習(xí)函數(shù)或法則組、或第二激活函數(shù)或法則組、或它們的組合等等，當(dāng)提供了兩個(gè)以上的階段時(shí)，在通過(guò)本發(fā)明的算法用第二或另外不同的學(xué)習(xí)或激活法則或函數(shù)組或用它們的組合而進(jìn)行的第二或另外的精心處理階段中所使用的數(shù)據(jù)記錄陣列是分別從數(shù)據(jù)記錄陣列的第一或從之前的精心處理階段中得到的數(shù)據(jù)記錄陣列。
雖然相對(duì)于由與目標(biāo)數(shù)據(jù)記錄有關(guān)的單元或點(diǎn)實(shí)際上所構(gòu)成的單位或結(jié)點(diǎn)，不需要對(duì)應(yīng)于與至少梯度1的數(shù)據(jù)記錄有關(guān)的單元或點(diǎn)的單位或結(jié)點(diǎn)是空間上直接圍繞與所述實(shí)際目標(biāo)數(shù)據(jù)記錄有關(guān)的單元或點(diǎn)的單位或結(jié)點(diǎn)，但是在專(zhuān)門(mén)的情形下特別是在二維或三維的數(shù)據(jù)記錄陣列中，相對(duì)于目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)的、與梯度1的數(shù)據(jù)記錄有關(guān)的單元或點(diǎn)由與直接圍繞與所述目標(biāo)數(shù)據(jù)記錄有關(guān)的數(shù)據(jù)記錄陣列中的單元或點(diǎn)的數(shù)據(jù)記錄陣列的單元或點(diǎn)相關(guān)聯(lián)的數(shù)據(jù)記錄所構(gòu)成。
根據(jù)另外的特征，在由所述算法計(jì)算的新的數(shù)據(jù)記錄陣列僅僅基于學(xué)習(xí)函數(shù)或法則組的情形下，每個(gè)目標(biāo)數(shù)據(jù)記錄的新輸出被定義為新的權(quán)因子的函數(shù)，所述權(quán)因子表征與目標(biāo)數(shù)據(jù)記錄相關(guān)聯(lián)的每個(gè)目標(biāo)單位或結(jié)點(diǎn)與由相對(duì)于目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)的梯度1的數(shù)據(jù)記錄的單元或點(diǎn)所表示的單位或結(jié)點(diǎn)的連接，所述學(xué)習(xí)法則或函數(shù)組把連接的新的權(quán)因子定義為在以前的計(jì)算循環(huán)中計(jì)算或定義的以前的權(quán)因子的函數(shù)，以及定義為與目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)相關(guān)聯(lián)的單位或結(jié)點(diǎn)的實(shí)際輸出以及與梯度1的數(shù)據(jù)記錄的單元或點(diǎn)相關(guān)聯(lián)的單位或結(jié)點(diǎn)的實(shí)際輸出、或直接圍繞實(shí)際的目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)的單元或點(diǎn)的數(shù)據(jù)記錄的實(shí)際輸出的函數(shù)。
通過(guò)使用激活函數(shù)組可以得到類(lèi)似的結(jié)果，其中，這些函數(shù)根據(jù)對(duì)所述單位或結(jié)點(diǎn)的純輸入來(lái)定義對(duì)應(yīng)于與目標(biāo)數(shù)據(jù)記錄有關(guān)的單元或點(diǎn)的目標(biāo)單位或結(jié)點(diǎn)的新輸出，所述單位或結(jié)點(diǎn)的純輸入是相對(duì)于目標(biāo)數(shù)據(jù)記錄的、對(duì)應(yīng)于與梯度1的數(shù)據(jù)記錄相關(guān)聯(lián)的單元或點(diǎn)的單位或結(jié)點(diǎn)的輸出的函數(shù)，具體地是對(duì)應(yīng)于直接圍繞目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)的數(shù)據(jù)記錄陣列的單元或點(diǎn)的單位或結(jié)點(diǎn)的輸出的函數(shù)。
學(xué)習(xí)階段通過(guò)對(duì)于每個(gè)連接的權(quán)因子的固定預(yù)定值開(kāi)始，而單位或結(jié)點(diǎn)的開(kāi)始值根據(jù)也作為權(quán)因子和圍繞結(jié)點(diǎn)或單位的值的函數(shù)的預(yù)定函數(shù)以及從而根據(jù)對(duì)應(yīng)于在直接圍繞表示了人工神經(jīng)網(wǎng)絡(luò)的某個(gè)單位或結(jié)點(diǎn)的單元或點(diǎn)的、陣列中的單元或點(diǎn)的數(shù)據(jù)記錄而進(jìn)行修改。
因此可以構(gòu)建新的數(shù)據(jù)陣列，其中每個(gè)數(shù)據(jù)記錄將相對(duì)于在數(shù)據(jù)記錄的表示中的其它數(shù)據(jù)記錄的位置保持為陣列中的單元或點(diǎn)，而每個(gè)數(shù)據(jù)記錄將它的值改變?yōu)樗某跏贾岛团c陣列中的周?chē)c(diǎn)有關(guān)的數(shù)據(jù)記錄的初始值的函數(shù)。
因此可以執(zhí)行新的循環(huán)，其中表示數(shù)據(jù)記錄的每個(gè)點(diǎn)再次被設(shè)置為人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)，對(duì)于在單位之間的每個(gè)連接定義一個(gè)權(quán)因子，以及根據(jù)某個(gè)函數(shù)來(lái)計(jì)算以每個(gè)單位或結(jié)點(diǎn)的輸出的形式的新值。
可以使用若干不同種類(lèi)和結(jié)構(gòu)的已知人工神經(jīng)網(wǎng)絡(luò)，它們使用了用于定義權(quán)因子的不同的已知的和/或新的學(xué)習(xí)函數(shù)和用于計(jì)算與每個(gè)單位或結(jié)點(diǎn)相關(guān)聯(lián)的每個(gè)數(shù)據(jù)記錄的新值的不同的函數(shù)。
重要的是要注意，由于在人工神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)之間的連接的權(quán)因子至少在每個(gè)循環(huán)時(shí)是固定的，并且最終對(duì)于每個(gè)連接是相等的，根據(jù)本發(fā)明的算法實(shí)際上沒(méi)有內(nèi)部噪聲，噪聲僅僅由數(shù)據(jù)庫(kù)的數(shù)據(jù)的噪聲給出。
在以下的某些例子的詳細(xì)說(shuō)明中公開(kāi)了學(xué)習(xí)法則或函數(shù)組和已知的激活法則或函數(shù)組和它們的組合的不同例子。
正如在以下的詳細(xì)例子中將更清楚地看到的，用于確定人工神經(jīng)網(wǎng)絡(luò)的連接的權(quán)因子的不同的學(xué)習(xí)法則、或用于計(jì)算對(duì)應(yīng)于數(shù)據(jù)記錄的新值的人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)的輸出的不同函數(shù)在用于增強(qiáng)數(shù)據(jù)記錄的某種特征時(shí)可以是有用的。
根據(jù)本發(fā)明的算法可以在估計(jì)數(shù)字的或數(shù)字化的圖像以便將所述圖像的某些特征識(shí)別或證明為例如組織分化、圖像圖案識(shí)別和對(duì)比度增強(qiáng)的方面找到簡(jiǎn)單的和有效的使用。
具體地，根據(jù)本發(fā)明的算法可被用于圖像圖案識(shí)別和用于證明構(gòu)成主體的物質(zhì)的不同種類(lèi)的結(jié)構(gòu)，特別是與放射學(xué)、回波掃描或磁諧振成像等等相結(jié)合而構(gòu)成生物體的組織的不同種類(lèi)的結(jié)構(gòu)。
正如將在以下詳細(xì)例子中更清楚看到的，根據(jù)本發(fā)明的算法在顯現(xiàn)不同種類(lèi)的組織和/或用于在診斷成像時(shí)替換強(qiáng)反差介質(zhì)方面可以是有用的。
具體地，不同種類(lèi)的已公開(kāi)的或增強(qiáng)的信息取決于被施加到由初始圖像的像素陣列所構(gòu)成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的不同的學(xué)習(xí)和/或激活法則組。原則上，所得到的效果類(lèi)似于可以通過(guò)使用在回波掃描、X光照相、核磁共振成像或類(lèi)似成像方法中諸如反差介質(zhì)的增強(qiáng)媒體而得到的效果。
而且，所增強(qiáng)的這種信息可以通過(guò)對(duì)某種學(xué)習(xí)和/或激活法則組的選擇來(lái)區(qū)分。一般來(lái)說(shuō)，能夠識(shí)別兩類(lèi)這樣的法則組。在圖3的表中概述了這兩類(lèi)法則組，其中對(duì)不同的法則組給予名稱(chēng)，這將稍后在詳細(xì)說(shuō)明中進(jìn)行解釋。
第一類(lèi)法則提供權(quán)因子演化和單位激活，并允許從源數(shù)字或數(shù)字化的圖像中執(zhí)行特征提取，所述特征例如生物體圖像中的組織種類(lèi)、或組織或物體的結(jié)構(gòu)，所述提取例如識(shí)別血管照片圖像中的器官狹窄的存在。
第二類(lèi)包括主要實(shí)行權(quán)因子優(yōu)化的法則。在權(quán)因子優(yōu)化后，可以實(shí)行單位激活的另外的步驟。這類(lèi)法則有助于找出用于識(shí)別邊界的、在圖像的不同區(qū)域之間的邊緣，所述邊界例如在生物體的圖像中不同類(lèi)組織之間的邊界。
以上例子不是根據(jù)本發(fā)明的算法的唯一可能的應(yīng)用領(lǐng)域。另一例子可包含對(duì)相對(duì)于它們的共同激活的基因之間的關(guān)系和依賴(lài)性的估計(jì)。
本發(fā)明還涉及一種用于數(shù)字或數(shù)字化圖像中的圖像圖案識(shí)別的方法。
具體地，本發(fā)明涉及一種用于識(shí)別和區(qū)分生物體的數(shù)字或數(shù)字化圖像中的不同組織，例如診斷圖像中的不同組織，所述診斷圖像例如數(shù)字化的X光照相或回波掃描圖像或磁諧振圖像。
重要的是要注意，雖然上述例子的描述具體地指數(shù)據(jù)記錄的二維陣列，但根據(jù)本發(fā)明的算法和方法并不限于這樣的空間，而是還可應(yīng)用于數(shù)據(jù)記錄的三維和N維陣列。


通過(guò)附圖從以下某些例子的描述中，根據(jù)本發(fā)明的算法和使用所述算法的方法將更加明顯，在附圖中
圖1是單元的二維陣列的示意圖，每個(gè)單元表示數(shù)據(jù)的二維陣列中的數(shù)據(jù)記錄，例如，每個(gè)單元示意性地表示數(shù)字或數(shù)字化圖像的一個(gè)點(diǎn)(一個(gè)像素)。
圖2表示把圖1的九個(gè)中心點(diǎn)或單元變換成人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)的步驟。
圖3例示了用于神經(jīng)網(wǎng)絡(luò)(具體地指由數(shù)字圖像的像素構(gòu)成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu))的不同類(lèi)的學(xué)習(xí)和激活法則的圖。
圖4A、4B、4C和4D分別例示了乳房的X光照相、放大的乳房的X光照相、已經(jīng)過(guò)根據(jù)本發(fā)明和根據(jù)被稱(chēng)為CM的特定的學(xué)習(xí)定律的用于圖像圖案識(shí)別的方法的數(shù)字化的乳房的X光照相、以及已經(jīng)過(guò)根據(jù)本發(fā)明和根據(jù)被稱(chēng)為IAC的另外的特定學(xué)習(xí)定律的用于圖像圖案識(shí)別的方法的數(shù)字化的乳房的X光照相。
圖5A、5B、5C和5D分別是圖4A、以及圖4B、4C和4D的進(jìn)一步的放大圖。
圖6A、6B、6C、6D、6E、6F、6G分別是細(xì)菌的照片和已經(jīng)過(guò)已知的圖案識(shí)別方法的圖6A的四個(gè)數(shù)字化圖像，而圖6G例示了已經(jīng)過(guò)使用被稱(chēng)為IAC的用于人工神經(jīng)網(wǎng)絡(luò)的自動(dòng)控制法則(具體地為增強(qiáng)對(duì)比度)的根據(jù)本發(fā)明的方法的圖6A的數(shù)字化圖像。
圖7A、7B、7C是心室的數(shù)字照片、已經(jīng)過(guò)已知的圖案識(shí)別方法的所述數(shù)字化照片和已經(jīng)過(guò)被稱(chēng)為CM的根據(jù)本發(fā)明的方法的數(shù)字化照片。
圖8A、8B、8C、8D和8E顯示其中存在物質(zhì)轉(zhuǎn)移的相同身體局部的一組回波掃描圖像，其中圖8A到8E分別是沒(méi)有反差媒體的圖像、在動(dòng)脈階段有反差媒體的圖像、在平衡時(shí)有反差媒體的圖像、在后期階段有反差媒體的圖像、沒(méi)有反差媒體并由根據(jù)本發(fā)明的方法所處理的相同身體部分的圖像。
圖9A、9B、9C、9D分別是肺的X光照相、已經(jīng)過(guò)被稱(chēng)為最佳過(guò)濾(bestfilter)的已知算法的圖9C的數(shù)字化圖像、已經(jīng)過(guò)根據(jù)本發(fā)明的并具有被稱(chēng)為CM的法則的處理的圖9B的圖像以及已經(jīng)過(guò)根據(jù)本發(fā)明的并具有被稱(chēng)為IAC的自動(dòng)化法則的處理的圖9D的圖像。
圖10A、10B、10C分別例示了乳房的X光照相、通過(guò)已知的圖案識(shí)別方法所處理的圖10A的乳房的X光照相以及根據(jù)本發(fā)明的方法所處理和具有被稱(chēng)為High CS的自動(dòng)化法則的圖10A的乳房的X光照相。
圖11A、11B、11C、11D和11E分別例示了正常的照片、圖11A的經(jīng)受兩種不同的已知的圖案識(shí)別方法處理的照片、和圖11A的經(jīng)受根據(jù)本發(fā)明的方法的處理和根據(jù)被稱(chēng)為IAC和IAC與CM的組合的兩種不同的自動(dòng)化法則的照片。
圖12A到12J分別例示了股動(dòng)脈的解剖分區(qū)的X光照相的源圖像和根據(jù)本發(fā)明通過(guò)使用不同種類(lèi)的法則和它們的不同組合而精心處理的圖像。
圖13是根據(jù)本發(fā)明的神經(jīng)網(wǎng)絡(luò)的典型的一般化的單元或結(jié)點(diǎn)的示意性框圖。
具體實(shí)施例方式
現(xiàn)在參照?qǐng)D1，數(shù)據(jù)記錄的二維陣列由通過(guò)Pi標(biāo)識(shí)的方形單元陣列而圖示地表示，其中i是自然數(shù)元素。用實(shí)線畫(huà)出中心的九個(gè)方形單元P7、P8、P9、P12、P13、P14和P17、P18、P19，而用虛線畫(huà)出周?chē)牧硗獾膯卧?，用于表示該陣列可以大于所表示的陣列?br> 陣列的每個(gè)單元是用于數(shù)據(jù)記錄的單元，其具有它的唯一有關(guān)的單元并因此在陣列中具有唯一有關(guān)的位置，數(shù)據(jù)記錄的每個(gè)單元相對(duì)于數(shù)據(jù)記錄的其它單元的位置是相應(yīng)數(shù)據(jù)記錄的相關(guān)特征。每個(gè)單元的每個(gè)數(shù)據(jù)記錄具有值Ui，其中i是自然數(shù)元素，并且其中所述值可以是僅僅數(shù)據(jù)記錄的變量的參數(shù)值，或是包括每個(gè)數(shù)據(jù)記錄和一組不同變量的向量。以上方案是在特定技術(shù)語(yǔ)言中被稱(chēng)為具有適當(dāng)拓?fù)涞臄?shù)據(jù)庫(kù)的表示法。這意味著，不單數(shù)據(jù)記錄的值是每個(gè)數(shù)據(jù)記錄的相關(guān)特征，而且也是它們?cè)趎維空間中數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄的投影中或在n維矩陣形式中數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄的排列中的相對(duì)位置，所述矩陣形式只是用于表示這樣的投影的不同形式方法。
例如，數(shù)字或數(shù)字化圖像是像素的二維陣列。每個(gè)像素表示數(shù)據(jù)記錄陣列中的數(shù)據(jù)記錄，并且像素的相對(duì)位置是屬于圖像數(shù)據(jù)的相關(guān)信息的每個(gè)像素的相關(guān)特征。像素值在灰度圖像中是簡(jiǎn)單的亮度值，而在彩色圖像中該值是向量，包括至少兩個(gè)參數(shù)或變量，即顏色和亮度，在實(shí)際上所使用的作為所謂的HVS或所謂的彩色圖像的RGB編碼的顯現(xiàn)彩色圖像的技術(shù)中，通常是三個(gè)參數(shù)或變量。
圖2嘗試示意性地顯示由根據(jù)本發(fā)明的算法使用的步驟，它通過(guò)把單元的二維陣列變換成人工神經(jīng)網(wǎng)絡(luò)的單元或結(jié)點(diǎn)的陣列而提供用于處理二維陣列的數(shù)據(jù)記錄。方形表示圖1的初始單元Pi的關(guān)系，而封閉圓圈Ki表示每個(gè)單元Pi與人工神經(jīng)網(wǎng)絡(luò)的單元或結(jié)點(diǎn)的陣列的單位或結(jié)點(diǎn)Ki的變換或聯(lián)系。
連接箭頭wij表示在人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)Ki和Kj之間的連接。圖2只涉及到圖1的9個(gè)中心單元并且連接箭頭對(duì)于作為對(duì)應(yīng)于實(shí)際的目標(biāo)數(shù)據(jù)記錄的單元的中心單元P13是鄰接的，而非鄰接的箭頭涉及到顯然由本算法使用的周?chē)鷨卧倪B接，它的機(jī)制同樣地從如參照唯一的中心單元P13所描述的本算法的工作方式的說(shuō)明中得出。另外，在連接的兩端提供箭頭的事實(shí)表示下述事實(shí)，通過(guò)描述參照周?chē)鷨卧街行膯卧狿13的的工作方式，這個(gè)實(shí)際的中心單元P13將變?yōu)閷⑹侵行膯卧牧硪粏卧闹車(chē)鷨卧?br> 因此，通過(guò)把根據(jù)本發(fā)明的算法應(yīng)用于單元的陣列，所述算法每次逐個(gè)單元地掃描陣列，識(shí)別作為瞬時(shí)中心單元的單元和相應(yīng)的周?chē)鷨卧约霸谠撝行膯卧椭車(chē)鷨卧g的相關(guān)聯(lián)的連接，并且當(dāng)對(duì)于被瞬時(shí)地規(guī)定為中心單元的某個(gè)單元實(shí)行了計(jì)算之后，相鄰的單元被定義為新的中心單元，通過(guò)相應(yīng)的連接來(lái)標(biāo)識(shí)這個(gè)新的中心單元的新的周?chē)鷨卧@時(shí)對(duì)于這個(gè)新的中心單元和具有相應(yīng)連接的新的周?chē)鷨卧獙?shí)行計(jì)算，依此類(lèi)推。重復(fù)這種機(jī)制，直至陣列的每個(gè)單元都經(jīng)過(guò)了所述算法的計(jì)算為止，從而結(jié)束人工神經(jīng)網(wǎng)絡(luò)的第一計(jì)算循環(huán)。之后的循環(huán)是相同的，差別在于它們被應(yīng)用于之前已被算法處理過(guò)的單元的陣列。
圖13例示了根據(jù)本發(fā)明的人工神經(jīng)網(wǎng)絡(luò)的單元或結(jié)點(diǎn)的示意圖。每個(gè)結(jié)點(diǎn)或單元Ki包括由結(jié)點(diǎn)或單元Ki在此處接收來(lái)自其它結(jié)點(diǎn)Kj的輸出信號(hào)uj的輸入。而且，每個(gè)結(jié)點(diǎn)或單元Ki具有被連接到一個(gè)或多個(gè)其它結(jié)點(diǎn)或單元Kj的輸入的輸出。每個(gè)結(jié)點(diǎn)或單元的輸出ui是結(jié)點(diǎn)Ki的內(nèi)部值A(chǔ)i或狀態(tài)(也被稱(chēng)為激活值)的函數(shù)，該函數(shù)也可以是恒等函數(shù)，即Ai＝ui。
在本人工神經(jīng)網(wǎng)絡(luò)中，每個(gè)結(jié)點(diǎn)或單元Ki還具有對(duì)于規(guī)定了結(jié)點(diǎn)或單元的初始化內(nèi)部值或激活值A(chǔ)i或初始化輸出值ui的初始化值的輸入。在本例中，參照?qǐng)D1，2和13的例子，對(duì)于結(jié)點(diǎn)Ki的內(nèi)部值或激活值A(chǔ)i的初始化值或第一輸出值Ui被設(shè)置為等于如上所述的與結(jié)點(diǎn)Ki單一地有關(guān)的數(shù)據(jù)記錄Pi的值Ui。每個(gè)結(jié)點(diǎn)或單元Ki還具有輸出，用于在一定數(shù)目m個(gè)處理循環(huán)的序列中第n次處理循環(huán)后的數(shù)據(jù)記錄Pi的計(jì)算值Uin。所述新的計(jì)算值Uin或者對(duì)應(yīng)于在實(shí)行第n次處理循環(huán)后結(jié)點(diǎn)或單元Ki的內(nèi)部值或激活值A(chǔ)in，或者對(duì)應(yīng)于在實(shí)行所述第n次處理循環(huán)后結(jié)點(diǎn)或單元Ki的輸出值uin。
如圖2所示，本人工神經(jīng)網(wǎng)絡(luò)包括結(jié)點(diǎn)或單元Ki僅僅與同所述結(jié)點(diǎn)或單元Ki直接相鄰的結(jié)點(diǎn)或單元Kj的直接連接。這種結(jié)點(diǎn)或單元Kj的組在技術(shù)上被定義為結(jié)點(diǎn)或單元Ki的本地鄰居或者梯度1的結(jié)點(diǎn)或單元。術(shù)語(yǔ)梯度1是指在參考結(jié)點(diǎn)或單元Ki的位置與形成所述結(jié)點(diǎn)或單元Ki的本地鄰居的結(jié)點(diǎn)或單元Kj的組的位置之間步進(jìn)差值。這個(gè)定義是直觀可理解的，并且是廣泛傳播的技術(shù)定義。所以很明顯，在離散化陣列中，其中僅有對(duì)于陣列元素的離散位置是可能的，定義參考元素，梯度1的鄰居由在陣列的任何方向上其位置與參考元素的位置相差步長(zhǎng)1的元素組所構(gòu)成。這是最簡(jiǎn)單的情形。術(shù)語(yǔ)梯度1是更普遍的，因?yàn)樗幌抻诳臻g坐標(biāo)，而可以指其中可以投影n維數(shù)據(jù)庫(kù)的任何種類(lèi)的空間。
結(jié)點(diǎn)Ki與本地鄰居的結(jié)點(diǎn)Kj之間的連接由它們的強(qiáng)度來(lái)定義。當(dāng)本地鄰居的這些結(jié)點(diǎn)Ki的信號(hào)被發(fā)送到與它們相連接的參考結(jié)點(diǎn)Ki時(shí)，連接強(qiáng)度由權(quán)因子wji或wij定量地給出，所述這些權(quán)因子與結(jié)點(diǎn)Ki的本地鄰居的結(jié)點(diǎn)或單元Kj的輸出uj相乘。正如在本描述的前言中所說(shuō)明的，被輸入到參考結(jié)點(diǎn)Ki的這些加權(quán)信號(hào)對(duì)于它的內(nèi)部狀態(tài)Ai有影響，以便導(dǎo)致或禁止輸出信號(hào)ui的發(fā)射，或改變所述輸出信號(hào)ui的值。
正如在前言中已說(shuō)明的，這樣的神經(jīng)網(wǎng)絡(luò)不單考慮作為處理結(jié)點(diǎn)或單元的值的基礎(chǔ)，而且也考慮它們的關(guān)系以及在結(jié)點(diǎn)或單元的所述值與它們的關(guān)系之間的交互。
在前言中一般地討論了兩種極端，一個(gè)極端考慮結(jié)點(diǎn)或單元Ki的內(nèi)部值A(chǔ)i或輸出值ui的演化僅僅作為連接wji的函數(shù)，所述函數(shù)通過(guò)開(kāi)始于從作為單一地關(guān)聯(lián)于相應(yīng)結(jié)點(diǎn)Ki的數(shù)據(jù)記錄Pi的值的、它們的初始和開(kāi)始的定量值Ui。這個(gè)初始的和開(kāi)始的值Ui具有對(duì)過(guò)程脈沖的唯一影響。這種演化的一個(gè)特定特征在于下述事實(shí)，調(diào)整連接wji的演化的過(guò)程在這些連接的空間中發(fā)生(公式(4b))。正是在這個(gè)空間中找到對(duì)于結(jié)點(diǎn)或單元的演化的解。結(jié)點(diǎn)或單元Ki的開(kāi)始值用作為對(duì)于連接wij的演化的簡(jiǎn)單約束。這些持續(xù)的約束動(dòng)態(tài)地提供結(jié)點(diǎn)或單元的數(shù)值，并因此這樣的過(guò)程的吸引元素將是任何結(jié)點(diǎn)或單元Ki的新的定義，作為通過(guò)在它的開(kāi)始值Ui與本地鄰居的相鄰結(jié)點(diǎn)或單元Kj的開(kāi)始值之間的動(dòng)態(tài)協(xié)商所生成的專(zhuān)有的關(guān)系元素。
定量地規(guī)定了所述連接的權(quán)因子wji是本地鄰居的結(jié)點(diǎn)Kj和/或參考結(jié)點(diǎn)Ki的內(nèi)部值的函數(shù)。
在如在前言中以一般的觀點(diǎn)所討論的第二極端情形下，只有作為激活值A(chǔ)i和Aj或者以輸出值ui和uj的形式的結(jié)點(diǎn)或單元的值將進(jìn)行演化，而由權(quán)因子wji所表示的它們連接保持不變，并且所述連接將用作為演化處理過(guò)程的約束。
因此，用于確定權(quán)因子wji和結(jié)點(diǎn)值ui的方式由方程組(也被稱(chēng)為法則)所給出。
一般而言，規(guī)定權(quán)因子的定量值的公式被稱(chēng)為學(xué)習(xí)法則，而把結(jié)點(diǎn)的內(nèi)部狀態(tài)或激活值或輸出值改變?yōu)閰⒖冀Y(jié)點(diǎn)和本地鄰居的結(jié)點(diǎn)的相鄰結(jié)點(diǎn)的輸出值的函數(shù)的公式被稱(chēng)為激活法則。
所以，如已說(shuō)明的，可以通過(guò)只考慮藉助于把連接的新的權(quán)因子wij定義為中心單元和周?chē)鷨卧妮敵龅暮瘮?shù)(這是指對(duì)應(yīng)于這些單元的數(shù)據(jù)記錄的一個(gè)或多個(gè)變量的值)來(lái)計(jì)算實(shí)際的中心單元Pi的新輸出的學(xué)習(xí)法則組或函數(shù)組而實(shí)行計(jì)算。接著中心單元的新輸出被設(shè)置為中心單元的一個(gè)或多個(gè)變量的新值，并將是周?chē)鷨卧妮敵龅暮瘮?shù)，這是指對(duì)應(yīng)于所述周?chē)鷨卧臄?shù)據(jù)記錄的一個(gè)或多個(gè)變量的值和由所述算法計(jì)算的新的權(quán)因子的值。
在第一循環(huán)計(jì)算期間，在被用作為人工神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)Ki和Kj的單元Pi和Pj之間的連接的權(quán)因子wij被設(shè)置為都等于可由例如1或0.0001的值來(lái)隨機(jī)規(guī)定的某個(gè)值。
基于這個(gè)權(quán)因子，實(shí)際的中心單元Pi(在圖2的例子中為人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)K13工作的單元P13)的值被改變?yōu)橐脖辉O(shè)置為等于神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)Kj的周?chē)鷨卧狿j(在圖2中，這是單元和結(jié)點(diǎn)P7、P8、P9、P12、P14和P17、P18、P19，以及K7、K8、K9、K12、K14和K17、K18、K19)的值和連接wij的權(quán)因子值的函數(shù)。
計(jì)算單位或結(jié)點(diǎn)Ki的新輸出的另一方式是使用激活函數(shù)和法則組，其把中心結(jié)點(diǎn)K13的輸出規(guī)定為在對(duì)應(yīng)于將被激活的單位或結(jié)點(diǎn)Ki(圖2中的K13)的中心單元Pi(圖2中的P13)周?chē)膯卧狿j(圖2中的P7、P8、P9、P12、P14和P17、P18、P19)的數(shù)據(jù)記錄的值Uj(圖2中的U7、U8、U9、U12、U14和U17、U18、U19)的函數(shù)和規(guī)定為權(quán)因子wij的函數(shù)。在這種情形下，沒(méi)有計(jì)算新的權(quán)因子wij。
還有可能應(yīng)用組合計(jì)算，其使用計(jì)算對(duì)于每次循環(huán)的連接的新的權(quán)因子wij的某個(gè)學(xué)習(xí)法則組和計(jì)算每次循環(huán)中新的輸出值的某個(gè)激活法則組。
因此，在循環(huán)結(jié)束時(shí)，新的輸出(這意味著數(shù)據(jù)記錄陣列的每個(gè)數(shù)據(jù)記錄的變量的新值)已被計(jì)算并且連接的新的權(quán)因子也已被計(jì)算，數(shù)據(jù)記錄的一個(gè)或多個(gè)變量和連接的權(quán)因子的新值被用于以下的計(jì)算循環(huán)中。
關(guān)于圖2的例子，函數(shù)通過(guò)對(duì)應(yīng)于圍繞中心單元P13的相關(guān)聯(lián)單元P7、P8、P9、P12、P14和P17、P18、P19和相關(guān)的結(jié)點(diǎn)K13的值的周?chē)Y(jié)點(diǎn)K7、K8、K9、K12、K14和K17、K18、K19的輸出U7、U8、U9、U12、U14和U17、U18、U19來(lái)規(guī)定結(jié)點(diǎn)K13的純輸入。提供了另一個(gè)函數(shù)，它基于以前的輸出值與由算法計(jì)算的新值之間的差值而規(guī)定對(duì)于在圖2的中心結(jié)點(diǎn)Ki＝K13與分別等于圖2中的K7、K8、K9、K12、K14和K17、K18、K19的周?chē)Y(jié)點(diǎn)Kj中的每一個(gè)結(jié)點(diǎn)之間的連接的新的權(quán)因子wij。
在第一循環(huán)結(jié)束時(shí)，當(dāng)所有的單元都已根據(jù)上述的步驟處理過(guò)之后，新的單元陣列被構(gòu)建，其中每個(gè)數(shù)據(jù)記錄已保持它的單元，并且其中每個(gè)數(shù)據(jù)記錄具有在第一循環(huán)時(shí)如上所述進(jìn)行計(jì)算的一個(gè)或多個(gè)變量的新值，而同時(shí)也計(jì)算了用于連接的新的權(quán)因子。
因此，可以通過(guò)使用這個(gè)新的數(shù)據(jù)記錄陣列來(lái)實(shí)行第二循環(huán)，這時(shí)使用在第一或以前的循環(huán)中計(jì)算的數(shù)據(jù)記錄的值作為對(duì)應(yīng)于單元的、人工神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)的輸出，并且其中使用了如上所述在第一或以前的循環(huán)中進(jìn)行計(jì)算的、對(duì)于在對(duì)應(yīng)于單元的結(jié)點(diǎn)之間的連接的新的權(quán)因子。在第二或以后的循環(huán)中，再次計(jì)算結(jié)點(diǎn)的新值并從而計(jì)算數(shù)據(jù)記錄的新值，從而再次形成新的數(shù)據(jù)記錄陣列，其中數(shù)據(jù)記錄具有已更新的值。同樣地，計(jì)算對(duì)于在結(jié)點(diǎn)之間連接的相應(yīng)的新的權(quán)因子，其在被提供時(shí)或必要時(shí)被用于算法的以后的循環(huán)中。
以后的循環(huán)的數(shù)目可被確定為固定參數(shù)?？商鎿Q地，可以通過(guò)設(shè)置最大誤差或偏差而借助于與初始的數(shù)據(jù)記錄陣列有關(guān)的新的數(shù)據(jù)記錄陣列的值的誤差或偏差計(jì)算而確定重復(fù)的數(shù)目。這種計(jì)算可以通過(guò)在人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域中通常的誤差或偏差計(jì)算而被實(shí)行。
另一標(biāo)準(zhǔn)可能在于下述事實(shí)，對(duì)于數(shù)據(jù)記錄的變量的新值序列的差值被監(jiān)視，并且當(dāng)在循環(huán)的序列中所述值的差值不再是很顯著時(shí)(這意味著它小于預(yù)定值)，停止對(duì)算法的重復(fù)。這也意味著，新值在實(shí)質(zhì)上并沒(méi)有不同于以前的值。實(shí)質(zhì)性差別的意義必須涉及到數(shù)據(jù)記錄的變量值和數(shù)據(jù)記錄的種類(lèi)，因?yàn)樵谀承┣樾蜗?，非常小的差值可能?duì)于數(shù)據(jù)記錄的信息具有很大影響，而在其它情形下則沒(méi)有很大影響。
下面給出用于更新人工神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)的輸出并從而更新相應(yīng)的數(shù)據(jù)記錄值以及用于更新連接的權(quán)因子的法則的某些例子。作為函數(shù)的這些法則由名稱(chēng)所定義，這將有助于在特定法則的說(shuō)明中簡(jiǎn)化識(shí)別。
具體而言，不同種類(lèi)的已公開(kāi)的或增強(qiáng)的信息依賴(lài)于被應(yīng)用于由初始圖像的像素陣列構(gòu)成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的不同的學(xué)習(xí)和/或激活法則組。大體上，得到的結(jié)果類(lèi)似于可以在回波掃描、X光照相、核磁共振成像或類(lèi)似的成像的方法中通過(guò)使用諸如高反差媒體的增強(qiáng)媒體得到的結(jié)果。
增強(qiáng)的信息的種類(lèi)可以通過(guò)選擇某種學(xué)習(xí)和/或激活法則組而被進(jìn)一步區(qū)分。通常，能夠識(shí)別兩類(lèi)這樣的法則組。在圖3的表中概述這兩類(lèi)，其中不同的法則組由以后說(shuō)明的名稱(chēng)來(lái)標(biāo)識(shí)。
第一類(lèi)包括主要實(shí)行加權(quán)優(yōu)化的法則，它還可以進(jìn)一步與單位激活相結(jié)合。這種法則有助于找出在圖像的不同的區(qū)域之間用于識(shí)別邊界的邊緣，例如在生物體的圖像中不同類(lèi)別的組織之間的邊界。
一般種類(lèi)的法則組被定義為自動(dòng)法則(A或AR)，它包括用于確定最佳權(quán)因子的函數(shù)，即所謂的學(xué)習(xí)法則，可以使用以下的兩組法則
u∈
C＝5；
其中
α是可由用戶(hù)自由定義的參數(shù)，它使得算法對(duì)于圖像中的差別更敏感或更不敏感。
Rij是對(duì)于第i單位離第j單位的距離的某種度量。
Ui是被變換成人工神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)Ki的單個(gè)單元Pi的值，并且其中
下標(biāo)i定義中心單元或結(jié)點(diǎn)，而下標(biāo)j定義直接圍繞所述中心單元或結(jié)點(diǎn)的單元或結(jié)點(diǎn)。
根據(jù)圖3的圖，這個(gè)一般法則可被進(jìn)一步專(zhuān)門(mén)化或被增強(qiáng)，以獲得不同的法則組。
以上公開(kāi)的自動(dòng)法則把在每個(gè)目標(biāo)或參考結(jié)點(diǎn)或單元Ki與本地鄰居的每一個(gè)結(jié)點(diǎn)或單元Kj之間的連接強(qiáng)度規(guī)定為它們的不同值ui和uj的非線性投影。因此，每個(gè)參考結(jié)點(diǎn)或單元Ki通過(guò)八個(gè)對(duì)稱(chēng)的權(quán)因子wji被連接到梯度1的本地鄰居的結(jié)點(diǎn)或單元Kj。因此，將通過(guò)矩陣構(gòu)成每個(gè)二維數(shù)據(jù)庫(kù)，諸如二維圖像，其中矩陣的每個(gè)元素作為獨(dú)立單位被連接到它的本地鄰居的八個(gè)元素，即，與參考元素直接相鄰的矩陣元素。還將通過(guò)在矩陣的每個(gè)元素與本地鄰居的元素之間的特定數(shù)目的對(duì)稱(chēng)連接而構(gòu)成諸如圖像的數(shù)據(jù)的每個(gè)二維矩陣陣列。
由上述的公式規(guī)定的連接wji的定量強(qiáng)度值構(gòu)成約束，通過(guò)所述約束，諸如圖像的具有連接強(qiáng)度的有效矩陣的形式的數(shù)據(jù)陣列將導(dǎo)致每個(gè)單元或結(jié)點(diǎn)的初始化值的及時(shí)演化，直至預(yù)定的第n次處理循環(huán)和趨于自然的吸引物為止。
法則組II通常被表示為CS，即，可以在下文中公開(kāi)的不同變體中所開(kāi)發(fā)的約束滿足
II.1.所謂的CS XOR
初始化ui＝inputi
Δi＝Neti·(1-ui)·α Neti＞0
Δi＝Neti·ui·α Neti＜0
其中
Ui是中心結(jié)點(diǎn)Ki的輸出。
Ui也被定義為在與初始化步驟相結(jié)合時(shí)第i結(jié)點(diǎn)或單元的輸入。這個(gè)定義想要強(qiáng)調(diào)，在實(shí)行神經(jīng)網(wǎng)絡(luò)的第一步驟中，第i單位把在數(shù)字化源圖像中相應(yīng)的像素值作為輸出值。顯然，在神經(jīng)網(wǎng)絡(luò)的開(kāi)始步驟中，這個(gè)值必須貢獻(xiàn)到第i結(jié)點(diǎn)或單元，并被看作為輸入。在以后的計(jì)算循環(huán)中，每個(gè)結(jié)點(diǎn)或單元的值由算法進(jìn)行改變，并且當(dāng)實(shí)行了一定數(shù)目的重復(fù)之后，第i結(jié)點(diǎn)或單元與輸出圖像中第i像素的值相應(yīng)或相關(guān)。
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出。
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)。
n是循環(huán)次數(shù)。
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值。
α是常數(shù)。
II.2所謂的CS AND
初始化ui＝inputi
在這種情形下，應(yīng)用與在以前的情形中相同的定義。這個(gè)激活函數(shù)與以前的激活函數(shù)之間的差別在于下述事實(shí)，用于計(jì)算αi的函數(shù)包括被定義為α2的另一個(gè)項(xiàng)，并且這個(gè)項(xiàng)在上面被定義為除所激活的中心結(jié)點(diǎn)Ki以外的所有結(jié)點(diǎn)的輸出平均值的函數(shù)。
II.3所謂的CS CONTEST
初始化ui＝inputi
這里，也應(yīng)用與以前的激活函數(shù)(1)和(2)的例子中相同的定義。
差別在于下述事實(shí)，對(duì)于Neti＜0的情形，以不同的方式計(jì)算項(xiàng)αi。
II.4.所謂的CS XOR
初始化ui＝inputi
Δi＝Neti·(1-ui)·αNeti＞0
Δi＝Neti·ui·αNeti＜0
這些符號(hào)再次按照以前的激活函數(shù)的例子來(lái)定義。
在這種情形下，用于計(jì)算到結(jié)點(diǎn)Ki的純輸入Neti的函數(shù)與以前的情形不同。函數(shù)α2被用于純輸入的計(jì)算中。在這種情形下，函數(shù)α2被應(yīng)用于連接的權(quán)因子Wij，正如從以上的公式中清楚看到的。
用于計(jì)算中心結(jié)點(diǎn)Ki的輸出Ui的更新的αi值的函數(shù)與激活函數(shù)的第一例子的情形相同。
II.5所謂的HIGH CS AND
初始化ui＝inputi
通過(guò)將這組公式與被稱(chēng)為HIGH CS XOR的激活函數(shù)(4)和被稱(chēng)為CSAND的激活函數(shù)(2)的例子的比較結(jié)果將明顯地看到，這是兩組激活函數(shù)的結(jié)合。
II.6所謂的HIGH CS CONTEST
初始化ui＝inputi
同樣地，這種情形代表激活函數(shù)的兩個(gè)以前的例子的結(jié)合，即，所述兩個(gè)例子為被稱(chēng)為CS CONTEST的激活函數(shù)(3)和被稱(chēng)為HIGH CS XOR的激活函數(shù)(4)。
以上公開(kāi)的法則組的不同的變體遵循通常的一般概念。通過(guò)二維圖像的例子所說(shuō)明的基本思想在于，考慮矩陣的每個(gè)像素作為假設(shè)，它相對(duì)于每個(gè)像素的亮度可以是逐漸為真或假。同樣地，這個(gè)系統(tǒng)繼承在每個(gè)像素與它的本地鄰居之間的本地連接，所述連接的強(qiáng)度通過(guò)由以上公開(kāi)的自動(dòng)法則所計(jì)算的權(quán)因子來(lái)表示。這個(gè)連接用作為在連接的有效矩陣的演化期間的約束。以上公開(kāi)的公式系統(tǒng)的成本的函數(shù)在于，試圖使得矩陣的每個(gè)假設(shè)正確的，并從而使得每個(gè)像素的亮度達(dá)到最大值。在這個(gè)過(guò)程期間，規(guī)定了以前已計(jì)算過(guò)的連接的權(quán)因子將作為約束。
作為例子，示出了在某些邊界情形下像素的行為
與CS法則組不同的另一個(gè)專(zhuān)門(mén)的法則組是由名稱(chēng)IAC(即，互動(dòng)和激活競(jìng)爭(zhēng))所表示的法則組III。
IAC
MaxPixelRa nge＝2M；ui∈
；N＝Intorno；
Max＝1；Min＝0；rest＝0.1；decay＝0.1；
wij＞0wij＜0
Neti＝(ecci·α)+(inii·β)
Δi＝(Max-ui)Acti-decay·(ui-rest)；Acti＞0
Δi＝(ui-Min)·Acti-decay·(ui-rest)；Acti＜0
這里，中心結(jié)點(diǎn)Ki的純輸入Neti被定義為一個(gè)組合，更精確地被定義為用于根據(jù)連接的權(quán)因子wij的正負(fù)的這一事實(shí)來(lái)計(jì)算純輸入的兩個(gè)不同的函數(shù)的和。更精確地，函數(shù)ecci和inii是相同的，僅在關(guān)聯(lián)于正和負(fù)加權(quán)連接的輸入之間作出選擇。這由兩個(gè)函數(shù)ecci和inii所表示。Neti的這兩個(gè)分量涉及到在分量ecci的情形下的激勵(lì)或增強(qiáng)以及在分量inii的情形下的抑制。純輸入Neti是ecci和inii的組合，其中ecci和inii分別乘以參數(shù)α和參數(shù)β。這兩個(gè)參數(shù)確定正加權(quán)連接和負(fù)加權(quán)連接對(duì)于純輸入Neti的影響。
而且，激活參數(shù)Acti作為純輸入Neti的函數(shù)被提供到結(jié)點(diǎn)Ki。
這個(gè)參數(shù)被用來(lái)選擇用于根據(jù)Acti的正負(fù)的這一事實(shí)來(lái)計(jì)算結(jié)點(diǎn)Ki的輸出Ui的更新值αi的兩個(gè)不同函數(shù)之一。增強(qiáng)和抑制顯然也是通過(guò)用于計(jì)算αi的兩個(gè)函數(shù)來(lái)呈現(xiàn)的，因?yàn)锳CTi作為參數(shù)存在于所述函數(shù)中。
所述函數(shù)還包括以下表示式
Max和Min，其被定義為激活值的頂部和底部范圍。
Decay，被定義為沿每個(gè)單位的時(shí)間的通常的衰減值的函數(shù)。
Rest，被定義為每個(gè)單位趨向于的默認(rèn)值。
結(jié)點(diǎn)Ki的新的輸出值由進(jìn)一步增強(qiáng)本例激活函數(shù)的激勵(lì)和抑制機(jī)制的特定的指數(shù)函數(shù)所定義。
一般而言，參照由數(shù)據(jù)庫(kù)將要處理的的像素陣列所構(gòu)成的圖像的例子，以上的公式定義了連接的有效矩陣，其中每個(gè)像素都是動(dòng)態(tài)地接收來(lái)自其它像素的激勵(lì)和抑制脈沖并相應(yīng)地修改它的內(nèi)部狀態(tài)的代理。以上的公式系統(tǒng)可被定義為在代理像素之間的集體的自動(dòng)協(xié)調(diào)系統(tǒng)。具有高亮度的像素趨于支持其本身，而其它像素被繪成低值的亮度。在每個(gè)代理像素和它的本地鄰居之間的固定連接權(quán)因子作為調(diào)制每個(gè)像素之間的通信的約束。所述通信通過(guò)激勵(lì)和抑制消息而構(gòu)成。所述演化通過(guò)離散步驟而引起初始圖像的變換，處于亮度突然改變的情形中的像素將被隔離，并被繪成低值的亮度。因此，整個(gè)系統(tǒng)將加亮在圖像中存在的邊緣，而不使用明顯地被設(shè)計(jì)用于這個(gè)任務(wù)的函數(shù)。在像素處在與互相競(jìng)爭(zhēng)的場(chǎng)合下，某種壁是可視的，我們常常把它感知為在不同圖之間的壁。以上的法則系統(tǒng)的優(yōu)點(diǎn)在于下述事實(shí)，由于本地的自動(dòng)協(xié)調(diào)而發(fā)生邊緣檢測(cè)效應(yīng)。而且，也出現(xiàn)了作為自適應(yīng)閾值過(guò)濾的函數(shù)。對(duì)于每個(gè)邊緣，由具有厚度的線所表示，其對(duì)應(yīng)于在每個(gè)區(qū)域中圖像示出的本地亮度的差別。
上述的法則組的另一替換例是組IV，所謂的Pixel Mexican Hat(像素墨西哥帽)Pmh
MaxPixelRange＝2M；ui∈
；N＝Surroundings；
Max＝1；Min＝0；rest＝0.1；decay＝0.1；
wij＞0
wij＜0
Δi＝(Max-ui)·Acti-decay·(ui-rest)；Acti＞0
Δi＝(ui-Min)·Acti-decay·(ui-rest)；Acti＜0
這里應(yīng)用與以前的被稱(chēng)為IAC的組III相同的定義。
重要的是指出，更專(zhuān)門(mén)化的組II.1到II.6、III和IV不同于被稱(chēng)為AR的一般的組之處在于下述事實(shí)，不單實(shí)行權(quán)因子最優(yōu)化，而且也實(shí)行單位激活。
這個(gè)法則系統(tǒng)作為具有本地和自適應(yīng)閾值的放大鏡。涉及到圖像的效果在于，處在與亮度有關(guān)的最小沖突中但具有正常的和持續(xù)的亮度的所有像素被加亮，以使得視覺(jué)效果是照亮了眼睛常常不可見(jiàn)的邊緣。
第二類(lèi)法則提供權(quán)因子演化和單位激活，并允許實(shí)行從源數(shù)字或數(shù)字化圖像中提取特征，例如生物體圖像中的組織的種類(lèi)或組織的結(jié)構(gòu)，或者例如用于識(shí)別在血管照片圖像中的器官狹窄的存在的對(duì)象。
提供了學(xué)習(xí)和激活法則組的兩個(gè)子組。
第一子組被表示為組V，所謂的CM。收縮映射可被定義為重復(fù)循環(huán)神經(jīng)網(wǎng)絡(luò)，并包括學(xué)習(xí)階段和回調(diào)階段。(對(duì)于更深入的信息可參閱Massimo Buscema & Semion Group，“Reti Neurali Artificiali e SistemiSociali Compessi”，Volume I，Edizione Franco Angeli Milano 1999)。
所謂CM的組V包括以下函數(shù)
a)學(xué)習(xí)
u∈
；C＝鄰居；wij＝0.00001初始化
b)回調(diào)
NewWji＝NewWij＝wij-w
其中
Ui是中心單元或結(jié)點(diǎn)Ki的值。
Uj是周?chē)Y(jié)點(diǎn)Kj的值。
Wij表示周?chē)Y(jié)點(diǎn)Kj與中心結(jié)點(diǎn)Ki的連接的權(quán)因子。
Wijn定義在第n次循環(huán)中的連接的權(quán)因子。
Wijn+1定義在第n+1次循環(huán)中的連接的權(quán)因子。
αWij是必須被添加到權(quán)因子Wij的值，以便接著進(jìn)行更新用于下一個(gè)循環(huán)。
Outi是對(duì)應(yīng)于作為目標(biāo)單位或像素的第i像素的第i單位的輸出值。
New Wji是在第j和第i單位之間的連接的新的權(quán)因子。
New Wij是在第i和第j單位之間的連接的新的權(quán)因子。
w是權(quán)因子的平均值。
參數(shù)rem和quot涉及應(yīng)用于每個(gè)像素值的特定函數(shù)，這是指每個(gè)單位ui的輸出。
只考慮灰度級(jí)圖像，每個(gè)像素的值以及因此的每個(gè)相應(yīng)單位的輸出可被除以灰度級(jí)別數(shù)。
如果考慮例如256灰度級(jí)別，則每個(gè)像素的值可被除以這個(gè)數(shù)。通過(guò)只考慮屬于整數(shù)的除法解，這個(gè)除法導(dǎo)致某個(gè)減小了數(shù)目的、像素(即單位)所屬的類(lèi)別，并且還導(dǎo)致余數(shù)。所述余數(shù)由變量rem表示。
這種操作允許把單位以及因此的像素分類(lèi)成某個(gè)減小了數(shù)目的類(lèi)別，并通過(guò)把某個(gè)均勻的顏色或灰度級(jí)別給予這個(gè)類(lèi)別而使得輸出圖像的每個(gè)類(lèi)別是可見(jiàn)的。余數(shù)意味著rem值還被使用來(lái)區(qū)分顏色的強(qiáng)度或灰度級(jí)別。例如，考慮用于像素或單位的四個(gè)類(lèi)別，每個(gè)類(lèi)別被給予諸如紅色、綠色、藍(lán)色、黃色的顏色或四個(gè)灰度級(jí)別。每個(gè)像素的余數(shù)可被用于使得每種顏色在深紅色或淡紅色或淺紅色等等之間變化。這允許進(jìn)一步區(qū)分屬于同一類(lèi)別的、輸出圖像的像素。
能夠比較作為用于調(diào)制被給予單位輸出的值的函數(shù)的rem函數(shù)與由quot函數(shù)規(guī)定的用于調(diào)制在表征每個(gè)類(lèi)別的一定的值范圍內(nèi)輸出圖像的像素的函數(shù)。
顯然，quot和rem函數(shù)也應(yīng)用到對(duì)應(yīng)于有色像素的像素值，其中像素值通常是向量，它提供三個(gè)參數(shù)，例如作為有色像素值的RGB定義或HSV等等。
從以上列出的公式可以明顯地看到，神經(jīng)網(wǎng)絡(luò)中被變換的圖像單位的像素值和相應(yīng)的輸出值在一開(kāi)始被標(biāo)準(zhǔn)化，用于維持在0與1之間的間隔內(nèi)的可能的輸出值。
在通過(guò)quot函數(shù)和相應(yīng)的rem函數(shù)的分類(lèi)的定義期間，輸出值再次被去除標(biāo)準(zhǔn)化，即，從在0與1之間的間隔恢復(fù)到初始間隔。
在不使用函數(shù)quot的分類(lèi)和函數(shù)rem的調(diào)制，以及不對(duì)神經(jīng)網(wǎng)絡(luò)的單位的輸出值進(jìn)行去除標(biāo)準(zhǔn)化之時(shí)，這意味著像素值(尤其是輸出圖像的像素值)以及通過(guò)規(guī)定與神經(jīng)網(wǎng)絡(luò)的單位的值或上述的輸出圖像的像素值有關(guān)的灰度或顏色的尺度，能夠獲得被定義為“CM真彩色”的經(jīng)修改的法則，而當(dāng)只應(yīng)用具有quot函數(shù)的類(lèi)別時(shí)，其它法則被定義為“CM quot”，或者當(dāng)rem函數(shù)與quot函數(shù)相結(jié)合應(yīng)用時(shí)，其它法則被定義為“CM quot+rem”。
參照由像素陣列組成的圖像的例子，以上公開(kāi)的法則組的基本思想在于，處理開(kāi)始于從每個(gè)像素的初始化值所述值將在所有循環(huán)中保持不變。事實(shí)上，對(duì)于規(guī)定了連接的權(quán)因子進(jìn)行演化，并且在每個(gè)處理循環(huán)，每個(gè)像素取它的新的亮度值作為表征當(dāng)前時(shí)刻的像素的所述權(quán)因子的函數(shù)。這里，在參考像素與它的本地鄰居的像素之間的連接是雙向的。每個(gè)像素具有它藉以與另一個(gè)像素進(jìn)行通信的連接，以及用于從這個(gè)最后的像素接收通信的第二連接。
規(guī)定連接的權(quán)因子的演化定律或法則處在這種確定性類(lèi)型的法則組中，并且權(quán)因子用接近于零的值來(lái)進(jìn)行初始化。
在每個(gè)處理循環(huán)中，在權(quán)因子空間中定義每個(gè)像素的新的亮度值。因此，每個(gè)像素的每個(gè)值由規(guī)定這個(gè)像素與本地鄰居的像素的連接的權(quán)因子來(lái)定義。
作為組IV并且被定義為局部正弦LS的另一個(gè)不同的法則組也屬于上述的第二類(lèi)法則組。
可以根據(jù)被稱(chēng)為局部正弦1LS1和局部正弦2LS2的兩個(gè)變體來(lái)提供所述局部正弦組。這兩個(gè)組不同之處僅僅在于一個(gè)公式，而法則組由以下公式描述
wij＝π；
uj∈
；
dij＝(ui-uj·wij)2；
Δij＝dij·Neti·cos(uj·wij)·uj； (LS1)
Δij＝dij·Neti·cos(uj·wij)·-sin(uj·wij)； (LS2)
WMax＝Max{wij}，WMin＝Min{wij}，
以上公式的大多數(shù)變量或函數(shù)已經(jīng)在以前的法則組I到V的公開(kāi)內(nèi)容中進(jìn)行了定義。
Dij表示第i單位離第j單位的某種距離。
α是標(biāo)準(zhǔn)方差。
如已經(jīng)公開(kāi)的，能夠只使用學(xué)習(xí)法則組、只使用激活法則組或者學(xué)習(xí)法則組與激活法則組一起，用于將算法應(yīng)用于數(shù)據(jù)記錄陣列。
從以下的也在附圖中例示的例子中將清楚地看到，不同種類(lèi)的學(xué)習(xí)法則組、或激活法則組、或它們的結(jié)合將導(dǎo)致不同的輸出，這將相對(duì)于其它關(guān)系而增強(qiáng)在陣列的數(shù)據(jù)記錄之間的特定關(guān)系。
重要的是指出，本算法不包含非監(jiān)管的映射算法，而是根據(jù)用于學(xué)習(xí)和激活的法則或函數(shù)而將數(shù)據(jù)記錄陣列變換為能夠以監(jiān)管或非監(jiān)管的方式工作的有效人工神經(jīng)網(wǎng)絡(luò)。在任意情形下，存在有在非監(jiān)管映射算法中通常不會(huì)出現(xiàn)的學(xué)習(xí)階段。
任何種類(lèi)的已知的或?qū)?lái)的人工神經(jīng)網(wǎng)絡(luò)可被應(yīng)用于啟用獨(dú)立于人工神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)的、根據(jù)本發(fā)明的算法的原理。
而且，能夠使得數(shù)據(jù)記錄陣列經(jīng)歷根據(jù)某個(gè)已知的學(xué)習(xí)法則組的第一學(xué)習(xí)階段，然后第一次經(jīng)歷第一組激活函數(shù)。這樣得到的結(jié)果顯然還是數(shù)據(jù)記錄的陣列，它可再一次經(jīng)歷根據(jù)本發(fā)明算法的計(jì)算，這次選擇相同的或不同的學(xué)習(xí)法則和不同的激活函數(shù)組。這樣，通過(guò)根據(jù)本發(fā)明的、在學(xué)習(xí)法則和/或激活函數(shù)組方面不同的、兩個(gè)算法的序列來(lái)實(shí)行對(duì)數(shù)據(jù)記錄的初始陣列的精心處理。
在第一計(jì)算循環(huán)中和第二計(jì)算循環(huán)中應(yīng)用的不同法則組無(wú)需只屬于一類(lèi)法則組，而是可將兩類(lèi)學(xué)習(xí)和激活法則組結(jié)合成用于精心處理數(shù)字或數(shù)字化圖像的兩級(jí)、三級(jí)或多級(jí)算法。
將通過(guò)某些實(shí)際例子而示出根據(jù)本發(fā)明的算法的有效性。在本例中，數(shù)據(jù)記錄陣列由數(shù)字圖像或數(shù)字化圖像的圖像數(shù)據(jù)所構(gòu)成。圖1和2的示意性例子的每個(gè)單元或點(diǎn)Pi由圖像的像素構(gòu)成，而點(diǎn)Pi的每個(gè)單元的值由強(qiáng)度參數(shù)(即，影響像素的灰度級(jí)別的參數(shù))所構(gòu)成。
必須指出，對(duì)于有色圖像也能實(shí)現(xiàn)所述例子，在這種情形下，每個(gè)像素的值將由規(guī)定強(qiáng)度和顏色的向量的形式的一組參數(shù)所規(guī)定。
圖4A例示了根據(jù)傳統(tǒng)技術(shù)得到的乳房的X光照相。圖4B是圖4A的放大圖。類(lèi)似類(lèi)型的傳統(tǒng)圖像通過(guò)掃描儀進(jìn)行數(shù)字化并通過(guò)根據(jù)本發(fā)明的算法進(jìn)行處理。
圖4C例示了通過(guò)處理圖4B的乳房的X光照相而得到的圖像，其中只使用以上被規(guī)定為CM的學(xué)習(xí)法則和激活法則組而應(yīng)用算法。如圖4C中清楚地看到的，法則CM具有增強(qiáng)反差的效果以及通過(guò)規(guī)定清楚的邊界線來(lái)顯現(xiàn)具有相等的強(qiáng)度或灰度級(jí)別的圖像區(qū)域的效果。在以離散的強(qiáng)度尺度或灰度級(jí)別的某個(gè)范圍的強(qiáng)度或灰度級(jí)別內(nèi)規(guī)定相等的強(qiáng)度或灰度級(jí)別。
從圖4B和4C的比較中清楚地看出，圖4B中的較高的血管分布的結(jié)節(jié)或區(qū)域通過(guò)根據(jù)本發(fā)明算法進(jìn)行的處理而加亮，并且這個(gè)區(qū)域的邊界被明顯地顯示于圖4C中。圖5A到5D是這個(gè)結(jié)節(jié)的區(qū)域的放大圖，以便更好地顯現(xiàn)由根據(jù)本發(fā)明的算法處理傳統(tǒng)的乳房的X光照相而提供的圖像區(qū)域的清楚邊界。還應(yīng)當(dāng)指出，從根據(jù)本發(fā)明的算法進(jìn)行處理所得到的圖像還能夠從模擬的乳房的X光照相提取更多的信息，事實(shí)上，在模擬圖像中乳房的邊緣沒(méi)有與圖像背景清楚地區(qū)分開(kāi)。如從圖4C看到的，根據(jù)本發(fā)明的算法能夠設(shè)置清楚地區(qū)分開(kāi)乳房圖像與背景的更清晰的邊界。如果必須實(shí)行插入，尤其是藉助于顯微外科技術(shù)的減小的侵襲式插入的話，這一點(diǎn)很重要，以便測(cè)量結(jié)節(jié)的位置。
以上被定義為CM的用于把根據(jù)本發(fā)明的算法應(yīng)用到模擬圖像函數(shù)組的單一使用以某種方式顛倒了圖像某個(gè)區(qū)域的黑色和白色區(qū)域，并且將其設(shè)置用于增強(qiáng)反差給出規(guī)定了被明顯區(qū)分的圖像區(qū)域的某種非常離散化的圖像。
圖4D和相應(yīng)的圖5的放大圖例示了通過(guò)用根據(jù)本發(fā)明的算法對(duì)圖4C和5C的模擬圖像進(jìn)行雙重處理而得到的圖像。
在這種情形下，通過(guò)應(yīng)用只使用以上已被定義為CM的函數(shù)組的算法而實(shí)行第一處理。圖像數(shù)據(jù)是指通過(guò)這種處理得到的圖像數(shù)據(jù)陣列還要經(jīng)歷根據(jù)本發(fā)明的算法的處理，其中對(duì)學(xué)習(xí)和激活函數(shù)的結(jié)合進(jìn)行使用，并且更精確地，對(duì)以上被定義為自動(dòng)法則AR的組和以上被定義為IAC的函數(shù)組的結(jié)合進(jìn)行使用。
首先，應(yīng)當(dāng)指出，黑色白色區(qū)域的顛倒是相對(duì)于圖4C和5C的圖像以及部分地相對(duì)于圖4B和5B的圖像而得到的。具體地，背景是白色而不是黑色。而且，結(jié)節(jié)是白色，如同在初始的乳房的X光照相的模擬圖像(圖4B和5B)中一樣。得到了圖像的更小型化的離散化，并且對(duì)結(jié)節(jié)的內(nèi)部結(jié)構(gòu)進(jìn)行區(qū)分，以及對(duì)更重要的結(jié)構(gòu)進(jìn)行加亮，在圖4C和5C的圖像上所述內(nèi)部結(jié)構(gòu)除了進(jìn)行黑白顛倒以外沒(méi)有相對(duì)于初始的乳房的X光照相的這種結(jié)構(gòu)的外表進(jìn)行區(qū)分。
圖6A例示了細(xì)菌的模擬圖像。該圖像是通過(guò)電子顯微鏡拍攝的。圖6B到6F例示了由不同的已知的圖像圖案識(shí)別算法對(duì)圖6A的圖像進(jìn)行處理而得到的圖像。圖6G例示了通過(guò)僅僅使用如以上所定義的被稱(chēng)為AR的法則組和被稱(chēng)為IAC的演化法則的、根據(jù)本發(fā)明的算法對(duì)圖6A的圖像進(jìn)行處理而得到的圖像。
通過(guò)根據(jù)本發(fā)明的算法得到的圖像的差別和優(yōu)點(diǎn)被明顯地呈現(xiàn)出來(lái)，并無(wú)疑地構(gòu)成了根據(jù)圖6G的圖像與根據(jù)圖6B到6F的圖像的比較。再次地，重要的是指出，所應(yīng)用的特定的學(xué)習(xí)法則組如何增強(qiáng)反差和設(shè)置不同的圖像區(qū)域的清楚的邊界。
根據(jù)圖7A到7C可以觀察到相同的效果。這里，圖7A是心臟的心室的數(shù)字圖像。圖7B例示了通過(guò)被稱(chēng)為Snake的已知的圖像識(shí)別算法所處理的圖像。圖7C例示了通過(guò)用根據(jù)本發(fā)明的算法只使用以上被定義為CM的函數(shù)組來(lái)處理圖7A的圖像得到的圖像。得到了清楚的和限定得很好的圖像區(qū)域的邊界，并且很好地區(qū)分了圖像中的不同區(qū)域。
以上得到的根據(jù)本發(fā)明的算法的性能具有驚人的效果，所述算法呈現(xiàn)出反差，以及對(duì)圖像區(qū)域設(shè)置清楚的邊界，并區(qū)分圖像區(qū)域。通過(guò)比較圖8A到8E的圖像，可以看到這些效果。
圖8A到8D例示了在不同時(shí)刻拍攝的相對(duì)于注射所謂的反差媒體的時(shí)刻的物質(zhì)轉(zhuǎn)移的回波掃描圖像，所述反差媒體即為能夠通過(guò)以非線性方式(即以不同于撞擊波束的基頻的頻率，通常是撞擊波束的基頻的二次諧波的順序的頻率)反射超聲波束而增強(qiáng)對(duì)血管活動(dòng)的展示的物質(zhì)。
圖8A是在反差媒體出現(xiàn)在圖像區(qū)域之前的時(shí)刻拍攝的圖像。
圖8B是在反差媒體已到達(dá)圖像區(qū)域的動(dòng)脈階段的期間拍攝的圖像。
圖8C是在其中動(dòng)脈與靜脈階段處在平衡的時(shí)刻拍攝的與圖8A和8B相同的區(qū)域的圖像。
圖8D是在相對(duì)于注射反差媒體的后期時(shí)刻拍攝的圖像。
在圖8D中，白色圓圈例示了物質(zhì)轉(zhuǎn)移，它呈現(xiàn)為相對(duì)于周?chē)膱D像點(diǎn)更深色的點(diǎn)。
圖8E是通過(guò)根據(jù)本發(fā)明的算法使用在以上的說(shuō)明中被規(guī)定為CM的函數(shù)組對(duì)圖8A進(jìn)行處理所得到的圖像，即，在將被成像的區(qū)域中注射反差媒體之前的圖像。
很明顯，物質(zhì)轉(zhuǎn)移是怎樣被加亮的，具體地為由圖8D的白色圓圈包圍的地方。在白色圓圈中較大的點(diǎn)上面的以及在所述較大點(diǎn)的右側(cè)的某些更小的點(diǎn)也被清楚地加亮。通過(guò)在圖8B到8D的不同的圖像上白色圓圈包圍的區(qū)域中不同的跡象，可以看到這些點(diǎn)。在根據(jù)圖8A的初始圖像中，可以很困難地看見(jiàn)較大的亮點(diǎn)和圓點(diǎn)，而作為組織變化的較小的點(diǎn)實(shí)際上很難被識(shí)別出來(lái)。
因此，通過(guò)根據(jù)本發(fā)明的算法對(duì)數(shù)字或數(shù)字化圖像的處理可以替換高可靠度和精度的反差媒體成像。這是非常重要的優(yōu)點(diǎn)，因?yàn)?，第一方面能夠避免在成像期間的侵襲式插入。而且，在成像期間對(duì)反差媒體的使用需要存在專(zhuān)業(yè)化的醫(yī)療護(hù)士，用于把反差媒體注射到病人。反差媒體成像(在超聲成像領(lǐng)域也稱(chēng)為諧波成像)也需要較長(zhǎng)的實(shí)行時(shí)間，因?yàn)樵谧⑸浞床蠲襟w后，在反差媒體到達(dá)要成像的組織前需要一些時(shí)間。而且，也很難預(yù)測(cè)反差媒體何時(shí)將到達(dá)要被成像的組織，并且有時(shí)可能在與要成像的組織中存在反差媒體相一致的正確的時(shí)刻無(wú)法拍攝圖像。因此，根據(jù)本發(fā)明的算法允許克服與使用反差媒體來(lái)成像的比以上公開(kāi)的最重要的問(wèn)題更多的所有困難和缺點(diǎn)。這可以由診斷成像領(lǐng)域的每個(gè)專(zhuān)家所看到，其中在成像設(shè)備中必須提供許多裝置，用于允許得到具有反差媒體的圖像，特別是實(shí)時(shí)的圖像。
圖9A到9D分別例示了模擬圖像，即，肺的X光照相。將下述圖像與圖9A的模擬X光照相進(jìn)行比較，并與通過(guò)用被稱(chēng)為最佳過(guò)濾(best filter)的已知的過(guò)濾算法對(duì)圖9A進(jìn)行處理所得到的圖像進(jìn)行比較，所述圖像分別為通過(guò)根據(jù)本發(fā)明的算法分別只使用以上被定義為CM的函數(shù)組進(jìn)行處理而得到的圖像(圖9C)，和通過(guò)根據(jù)本發(fā)明的算法使用上述的被定義為CM的函數(shù)組和以上被定義為IAC的函數(shù)組的結(jié)合對(duì)圖9A的圖像進(jìn)行處理而得到的圖像(圖9D)。
可以看到以上幾次所公開(kāi)的、根據(jù)本發(fā)明的算法的已有效果。具體地，圖9D的圖像示出了在肺中存在的細(xì)絲狀結(jié)構(gòu)如何被加亮。在這種情形下，圖9C的粗略離散化的圖像不允許加亮這個(gè)細(xì)絲狀結(jié)構(gòu)，其在圖9D中被顯示為在肺的下半部和在兩肺相對(duì)一側(cè)的黑色軌跡。雖然在根據(jù)圖9A的圖像上可以看到該細(xì)絲狀結(jié)構(gòu)，但根據(jù)圖9B的圖像沒(méi)有示出此結(jié)構(gòu)。在根據(jù)圖9C的圖像中存在該結(jié)構(gòu)，然而，圖像區(qū)域的區(qū)分是不明顯的和粗糙的。
圖10例示了互相并排的關(guān)于乳房的X光照相的三個(gè)圖像10A、10B、10C。
左面的圖像10A是初始的乳房的X光照相，右面的圖像10C是初始的乳房的X光照相，其中某些結(jié)節(jié)通過(guò)用白色的點(diǎn)加亮它們以及用白色圓圈包圍而被標(biāo)識(shí)出來(lái)。左面的圖像10A與右面的圖像10C的比較允許看到結(jié)節(jié)的圖像與周?chē)鷪D像區(qū)域的非常細(xì)小程度的差別。圖10B的中心圖像是通過(guò)根據(jù)本發(fā)明的算法只使用在以上的說(shuō)明中被定義為High CS的激活法則組對(duì)數(shù)字化的圖10A進(jìn)行處理的結(jié)果。
明顯地看到，在得到的經(jīng)處理的圖像中，所述算法已揭示和清楚地加亮了已由人眼識(shí)別的結(jié)節(jié)和在圖10A和10C的初始圖像中人眼看不到的更大數(shù)目的結(jié)節(jié)。
圖11A到11E的例子涉及風(fēng)景的圖像，而非診斷圖像，并且其被選擇用來(lái)看出根據(jù)本發(fā)明的算法的精度，所述算法通過(guò)維持初始圖像的相關(guān)部分而區(qū)分圖像區(qū)域。這意味著在圖像上顯示的物體在圖像通過(guò)根據(jù)本發(fā)明的算法進(jìn)行處理后仍舊可被識(shí)別。
圖11A是在前景中有船的海景圖像。
該圖像可以是通過(guò)諸如數(shù)碼照相機(jī)等等的數(shù)字技術(shù)所獲得的圖像，或已通過(guò)模擬技術(shù)獲得并通過(guò)掃描儀等等進(jìn)行了數(shù)字化的圖像。
圖11B和11C例示了通過(guò)藉助于兩種不同的已知的圖像精心處理算法來(lái)處理根據(jù)圖11A的圖像而得到的圖像?？梢悦黠@地看到，在根據(jù)圖11B和11C的圖像中幾乎無(wú)法識(shí)別海景的主體。
圖11D例示了在由其中只使用了在以上的說(shuō)明中被定義為IAC的函數(shù)組的、根據(jù)本發(fā)明的算法進(jìn)行處理后的根據(jù)圖11A的圖像。相對(duì)于圖11B和11C的圖像，在此圖像中，初始圖像中的主體可以被識(shí)別得好得多，并且非常好地區(qū)分和識(shí)別了不同的圖像區(qū)域。
圖11E例示了通過(guò)由其中已把在以上的說(shuō)明中被定義為CM的函數(shù)組與以上的說(shuō)明中被定義為IAC的函數(shù)組相結(jié)合使用的、根據(jù)本發(fā)明的算法對(duì)圖11A進(jìn)行處理而得到的圖像。這個(gè)處理的結(jié)果在于，對(duì)于觀眾有某種影響的圖像區(qū)域被增強(qiáng)。所以，相對(duì)于海而言，增強(qiáng)了背景中的土地和前景中的船。
還應(yīng)當(dāng)指出，本算法可以與其它算法相結(jié)合應(yīng)用，所述其它算法諸如人工神經(jīng)網(wǎng)絡(luò)，或者通過(guò)訓(xùn)練與測(cè)試來(lái)識(shí)別組織的種類(lèi)或組成圖像的材料的結(jié)構(gòu)的其它預(yù)測(cè)算法。
在這種情形下，代替于把這些數(shù)據(jù)饋送到使用圖像數(shù)據(jù)陣列作為用于訓(xùn)練和測(cè)試初始的數(shù)字或數(shù)字化的圖像的圖像數(shù)據(jù)的被動(dòng)信息的圖像識(shí)別算法，這些數(shù)據(jù)可以預(yù)先通過(guò)用本算法的以上所公開(kāi)的形式之一來(lái)進(jìn)行處理。
為了確保預(yù)測(cè)的更高精度，可以實(shí)行若干次通過(guò)根據(jù)本發(fā)明的算法對(duì)初始圖像的圖像數(shù)據(jù)的處理，每次使用不同的學(xué)習(xí)函數(shù)或法則組、或不同的激活函數(shù)或法則組、或它們的不同組合，或者使用初始圖像數(shù)據(jù)的處理序列，其中每個(gè)處理階段使用不同的學(xué)習(xí)函數(shù)或法則組、或不同的激活函數(shù)或法則組、或它們的不同組合。被應(yīng)用于由每個(gè)處理所得到的數(shù)據(jù)的預(yù)測(cè)算法和之后的每次預(yù)測(cè)結(jié)果可被結(jié)合在一起或進(jìn)行互相比較。
圖12A到12J例示了通過(guò)應(yīng)用了不同的法則組或它們的組合的、根據(jù)本發(fā)明的方法對(duì)相同的源圖像進(jìn)行精心處理的另外的例子。
圖12A是股動(dòng)脈的X光照相的源圖像。
在源圖像中，分別用1、2、3表示的一個(gè)圓圈和兩個(gè)橢圓包圍著可以揭示器官狹窄的特定血管。雖然由圓圈1所標(biāo)識(shí)的器官狹窄也確實(shí)出現(xiàn)在源圖像中，但由橢圓2和3包圍的區(qū)域沒(méi)有給出確實(shí)信息。
第一圖像12B是通過(guò)使用rem函數(shù)的法則組V的、根據(jù)本發(fā)明的方法得到的。這里，可以更好地看出在動(dòng)脈的右面支路的2和3處的收縮，而同時(shí)由方形4表示的中央支路也呈現(xiàn)為可看見(jiàn)的。在動(dòng)脈支路內(nèi)部的結(jié)構(gòu)沒(méi)有呈現(xiàn)得非常清楚。
圖12C例示了通過(guò)由所謂的CM的法則組V對(duì)源圖像精心處理而得到的圖像，這次只使用選項(xiàng)quot?？梢钥吹奖硎静煌膮^(qū)域的四個(gè)類(lèi)別的灰度級(jí)別，即，三個(gè)灰度級(jí)別和白色。由quot分類(lèi)的區(qū)域不會(huì)示出任何另外的結(jié)構(gòu)。在任何情形下，可以表示在輸出圖像中識(shí)別1、2、3和4處的收縮。
圖12D示出了應(yīng)用同時(shí)考慮quot和rem函數(shù)的組V組的結(jié)果。在這種情形下，具有根據(jù)圖12C的圖像的四個(gè)灰度級(jí)別之一的四個(gè)圖像區(qū)域由rem函數(shù)(即圖像12A的灰度)進(jìn)行調(diào)制。具有不同的灰度級(jí)別的四個(gè)圖像區(qū)域被rem函數(shù)進(jìn)一步調(diào)制，所以可以識(shí)別出結(jié)構(gòu)。可以比之前的圖像更清楚地呈現(xiàn)1、2、3和4處的收縮。
圖12E例示了通過(guò)根據(jù)例V的法則和通過(guò)使用真彩選項(xiàng)而對(duì)源圖像進(jìn)行精心處理的結(jié)果，其中將被處理的像素值保持為被標(biāo)準(zhǔn)化到0與1之間的間隔內(nèi)。同樣地，在這種情形下，能夠識(shí)別在1、2、3和4處的動(dòng)脈收縮。
圖12F是通過(guò)用根據(jù)第一選項(xiàng)的局部正弦算法對(duì)源圖像進(jìn)行精心處理而得到的圖像。同樣地，在這種情形下，在1、2、3和4處明顯地呈現(xiàn)了收縮的存在。
四個(gè)圖12G到12J例示了通過(guò)兩個(gè)精心處理步驟或階段的組合而對(duì)源圖像12A進(jìn)行精心處理得到的結(jié)果，其中每個(gè)步驟或階段藉助于根據(jù)例V或VI的法則組來(lái)實(shí)行。
圖12G的圖像是按照下述步驟得到的通過(guò)首先實(shí)行用根據(jù)例VI的第二選項(xiàng)的法則組(即所謂的LS2法則組)的精心處理，以及通過(guò)把由這個(gè)第一精心處理所得到的輸出圖像提交到第二精心處理，這次使用應(yīng)用Rem和Quot函數(shù)的所謂CM的法則組V。
圖12H例示了對(duì)于圖12G實(shí)行精心處理的變體，其中通過(guò)用根據(jù)例VI的第二選項(xiàng)的法則組(即所謂的LS2法則組)精心處理而得到的輸出圖像，再進(jìn)一步通過(guò)用根據(jù)例V的法則組(所謂的CM法則組)進(jìn)行精心處理，這次只使用rem函數(shù)。
圖12I是與圖12H類(lèi)似的對(duì)源圖像12A進(jìn)行精心處理的方式，這次，第二精心處理階段是通過(guò)使用僅僅應(yīng)用quot函數(shù)的例V的法則組而實(shí)行的。
圖12J是根據(jù)圖12G到12I的之前例子的兩階段精心處理的再一個(gè)變體，其中例V的法則組被用于第二精心處理，這次通過(guò)應(yīng)用真彩變體。
雖然圖像都以灰度調(diào)色板所示出，但也能夠規(guī)定顏色，并且把不同的圖像區(qū)域與特定的顏色相關(guān)，因此得到人工著色的圖像，其更好地增強(qiáng)不同的圖像區(qū)域和通過(guò)根據(jù)本發(fā)明的方法的精心處理所識(shí)別出的不同物體。
而且，必須強(qiáng)調(diào)，雖然所描述的例子限于把根據(jù)本發(fā)明的算法應(yīng)用于到圖像數(shù)據(jù)陣列，但這不是本算法可被應(yīng)用的唯一領(lǐng)域，因?yàn)樵试S處理下述的每一種數(shù)據(jù)庫(kù)，在所述數(shù)據(jù)庫(kù)中的數(shù)據(jù)的種類(lèi)是可以由點(diǎn)或單元的陣列來(lái)表示的，其中每個(gè)點(diǎn)或單元與數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄單一地有關(guān)，并且在陣列中每個(gè)點(diǎn)或單元相對(duì)于其它點(diǎn)或單元的位置是與所述點(diǎn)相關(guān)聯(lián)的數(shù)據(jù)記錄的相關(guān)特征，以便揭示在數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄之間的任何種類(lèi)的關(guān)系。
權(quán)利要求
1.一種人工神經(jīng)網(wǎng)絡(luò)，包括對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)的單元(Ki)的n維陣列，每個(gè)單元具有與形成單元(Ki)的鄰居的直接相鄰的單元(Kj)的連接；
a)每個(gè)單元(Ki)具有用于與周?chē)鷨卧闹苯酉噜彽膯卧?Kj)的每個(gè)連接的輸入；
b)每個(gè)單元(Ki)具有用于與一個(gè)或多個(gè)直接相鄰的單元(Kj)的連接的輸出；
c)在每個(gè)單元(Ki)與直接相鄰的單元之間的連接由權(quán)因子(wij)確定；
d)每個(gè)單元由被定義為單元(Ki)的激活值或函數(shù)(Ai)的內(nèi)部值來(lái)表征；
e)每個(gè)單元(Ki)能夠根據(jù)信號(hào)處理函數(shù)即所謂的轉(zhuǎn)移函數(shù)來(lái)實(shí)行信號(hào)處理，用于生成單元輸出信號(hào)(ui)；
f)轉(zhuǎn)移函數(shù)將單元(Ki)的輸出信號(hào)(ui)確定為單元(Ki)的激活值或函數(shù)(Ai)的函數(shù)，該轉(zhuǎn)移函數(shù)還包括同一性函數(shù)，它使得單元(Ki)的激活值或函數(shù)(Ai)等于單元(Ki)的輸出信號(hào)(ui)；
g)提供了輸入數(shù)據(jù)記錄(Pi)的n維數(shù)據(jù)庫(kù)，它必須由神經(jīng)網(wǎng)絡(luò)提交進(jìn)行計(jì)算，并且在該n維數(shù)據(jù)庫(kù)中，在被投影到相應(yīng)的n維空間時(shí)數(shù)據(jù)記錄(Pi)的相對(duì)位置是數(shù)據(jù)記錄(Pi)的相關(guān)特征，數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄(Pi)能夠由所述n維空間中的點(diǎn)的陣列來(lái)表示，每個(gè)點(diǎn)具有在所述點(diǎn)陣列中單一規(guī)定的位置并且與所述數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄(Pi)單一相關(guān)，所述數(shù)據(jù)庫(kù)的每個(gè)數(shù)據(jù)記錄(Pi)還包括至少一個(gè)變量或多個(gè)變量，每個(gè)變量具有某個(gè)值(Ui)；
h)每個(gè)數(shù)據(jù)記錄(Pi)與構(gòu)成神經(jīng)網(wǎng)絡(luò)的單元的n維陣列中的單元(Ki)單一地相關(guān)聯(lián)，所述單元(Ki)在單元的n維陣列中的位置與由所述點(diǎn)的n維陣列中的點(diǎn)所表示的相應(yīng)的數(shù)據(jù)記錄(Pi)相同；
i)每個(gè)數(shù)據(jù)記錄(Pi)的變量的值(Ui)被看作為被取為單一地相關(guān)聯(lián)的單元(Ki)的初始激活值(Ai)或初始輸出值(ui)的網(wǎng)絡(luò)初始化值；
j)在一定數(shù)目的神經(jīng)網(wǎng)絡(luò)迭代處理步驟后的每個(gè)單元(Ki)的激活值(Ai)或輸出值(ui)被看作為對(duì)于所述單一地相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新值(Ui)。
其特征在于，
k)對(duì)于所述一定數(shù)目的迭代處理步驟中的每個(gè)處理步驟，規(guī)定了每個(gè)單元(Ki)與直接相鄰的單元(Kj)之間的連接的權(quán)因子(wij)被確定為與所述單元(Ki)直接相鄰的單元(Kj)單一地相關(guān)聯(lián)的每個(gè)數(shù)據(jù)記錄(Pj)的變量的當(dāng)前值(Uj)的函數(shù)，所述函數(shù)是所謂的學(xué)習(xí)函數(shù)或法則；
l)在神經(jīng)網(wǎng)絡(luò)的處理步驟后的、被認(rèn)為是對(duì)于所述單一相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新的當(dāng)前值(Ui)的每個(gè)單元(Ki)的當(dāng)前激活值(Ai)或輸出值(ui)被確定為由規(guī)定了直接相鄰的單元(Kj)與單元(Ki)的連接的相應(yīng)權(quán)因子(wij)所加權(quán)的直接相鄰的單元(Kj)的當(dāng)前輸出值(uj)的函數(shù)。
2.如權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，所述神經(jīng)網(wǎng)絡(luò)通過(guò)把在神經(jīng)網(wǎng)絡(luò)的處理步驟后的、被認(rèn)為是對(duì)于所述單一相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新的當(dāng)前值(Ui)的每個(gè)單元(Ki)的當(dāng)前激活值(Ai)或輸出值(ui)確定為規(guī)定了直接相鄰的單元(Kj)與單元(Ki)的連接的相應(yīng)權(quán)因子(wij)的函數(shù)而加以修改，所述函數(shù)是所謂的激活函數(shù)或法則。
3.如權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，在神經(jīng)網(wǎng)絡(luò)的處理步驟后的、被認(rèn)為是對(duì)于所述單一相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新的當(dāng)前值(Ui)的每個(gè)單元(Ki)的當(dāng)前的激活值(Ai)或輸出值(ui)被確定為直接相鄰的單元(Kj)的當(dāng)前輸出值(uj)以及由規(guī)定了直接相鄰的單元(Kj)與單元(Ki)的連接的相應(yīng)權(quán)因子(wij)的函數(shù)，所述函數(shù)是所謂的激活函數(shù)或法則。
4.如權(quán)利要求1或2所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，對(duì)于所述一定數(shù)目的迭代處理步驟中的每個(gè)處理步驟，規(guī)定了每個(gè)單元(Ki)與直接相鄰的單元(Kj)之間的連接的權(quán)因子(wij)被確定為與所述單元(Ki)直接相鄰的單元(Kj)單一相關(guān)聯(lián)的每個(gè)數(shù)據(jù)記錄(Pj)的變量的當(dāng)前值(Uj)和與單元(Ki)單一相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的變量的當(dāng)前值(Ui)的函數(shù)。
5.如前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的學(xué)習(xí)法則
u∈
其中
α是可由用戶(hù)自由定義的參數(shù)，它使得算法對(duì)于圖像中的差別更敏感或更不敏感；
Rij是對(duì)于第i單位離第j單位的距離的某種度量；
Ui是被變換成人工神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)Ki的單個(gè)單元Pi的值；以及其中
下標(biāo)i定義中心單元或結(jié)點(diǎn)，而下標(biāo)j定義直接圍繞所述中心單元或結(jié)點(diǎn)的單元或結(jié)點(diǎn)。
6.如權(quán)利要求1到4中的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，使用以下的法則
a)學(xué)習(xí)
u∈
；C＝鄰居；wij＝0.00001初始化
b)回調(diào)
NewWji＝NewWij＝wij-w
其中
Ui是中心單元或結(jié)點(diǎn)Ki的值；
Uj是周?chē)Y(jié)點(diǎn)Kj的值；
Wij表示周?chē)Y(jié)點(diǎn)Kj與中心結(jié)點(diǎn)Ki的連接的權(quán)因子；
Wijn定義在第n次循環(huán)中的連接的權(quán)因子；
Wijn+1定義在第n+1次循環(huán)中的連接的權(quán)因子；
αWij是必須被添加到權(quán)因子Wij的值，以便接著進(jìn)行更新用于下一個(gè)循環(huán)；
Outi是對(duì)應(yīng)于作為目標(biāo)單位或像素的第i像素的第i單位的輸出值；
New Wji是在第j和第i單位之間的連接的新的權(quán)因子；
New Wij是在第i和第j單位之間的連接的新的權(quán)因子；
w是權(quán)因子的平均值；
參數(shù)quot涉及每個(gè)單位的輸出值與表示所述值的比例的步驟數(shù)的整數(shù)商；
參數(shù)rem涉及上述的商的余數(shù)。
7.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
初始ui＝inputi
Δi＝Neti·(1-ui)·α Neti＞0
Δi＝Neti·ui·α Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)。
8.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
初始化ui＝inputi
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)。
9.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
初始化ui＝inputi
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)。
10.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
初始化ui＝inputi
k∈[1，N]；k≠j
Δi＝Neti·(1-ui)·αNeti＞0
Δi＝Neti·ui·αNeti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值。
11.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
初始化ui＝inputi
k∈[1，N]；k≠j
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Kj的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值。
12.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
初始化ui＝inputi
k∈[1，N]；k≠j
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)。
13.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
MaxPixelRange＝2M；ui∈
；N＝Intorno；
Max＝1；Min＝0；rest＝0，1；decay＝0.1；
wij＞0
wij＜0
Neti＝(ecci·α)+(inii·β)
Δi＝(Max-ui)·Acti-decay·(ui-rest)；Acti＞0
Δi＝(ui-Min)·Acti-decay·(ui-rest)；Acti＜0
Ui是中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
N是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)；
并且其中，函數(shù)ecci和inii是相同的，僅在關(guān)聯(lián)于正和負(fù)加權(quán)連接的輸入之間作出選擇，并且其中激活參數(shù)Acti作為純輸入Neti的函數(shù)被提供到結(jié)點(diǎn)Kij；
這個(gè)參數(shù)被用來(lái)選擇用于根據(jù)Acti的正負(fù)的這一事實(shí)來(lái)計(jì)算結(jié)點(diǎn)Ki的輸出Ui的更新值αi的兩個(gè)不同函數(shù)中之一；
被提供來(lái)用于計(jì)算αi的兩個(gè)函數(shù)包括以下表示式
Max和Min，被定義為激活值的頂部和底部范圍；
Decay，被定義為沿每個(gè)單位的時(shí)間的通常的衰減值的函數(shù)；
Rest，被定義為每個(gè)單位趨向于的默認(rèn)值。
14.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
MaxPixelRange＝2M；ui∈
；N＝Surroundings；
Max＝1；Min＝0；rest＝0.1；decay＝0.1；
wij＞0
wij＜0
Δi＝(Max-ui)·Acti-decay·(ui-rest)；Acti＞0
Δi＝(ui-Min)·Acti-decay·(ui-rest)；Acti＜0
Ui是中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
N是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)，
并且其中，函數(shù)ecci和inii是相同的，僅在關(guān)聯(lián)于正和負(fù)加權(quán)連接的輸入之間作出選擇，并且其中激活參數(shù)Acti作為純輸入Neti的函數(shù)被提供到結(jié)點(diǎn)Kij；
這個(gè)參數(shù)被用來(lái)選擇用于根據(jù)Acti的正負(fù)的這一事實(shí)來(lái)計(jì)算結(jié)點(diǎn)Ki的輸出Ui的更新值αi的兩個(gè)不同函數(shù)中之一；
被提供來(lái)用于計(jì)算αi的兩個(gè)函數(shù)包括以下表示式
Max和Min，被定義為激活值的頂部和底部范圍；
Decay，被定義為沿每個(gè)單位的時(shí)間的通常的衰減值的函數(shù)；
Rest，被定義為每個(gè)單位趨向于的默認(rèn)值。
14.如前述權(quán)利要求1到4的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，只使用以下的激活法則
wij＝π；
uj∈
；
dij＝(ui-uj·wij)2；
Δij＝dij·Neti·cos(uj·wij)·uj；
or
Δij＝dij·Neti·cos(uj·wij)·-sin(uj·wij)；
WMax＝Max{wij}；WMin＝Min{wij}；
Ui是中心單元或結(jié)點(diǎn)Ki的值；
Uj是周?chē)Y(jié)點(diǎn)Kj的值；
Wij表示周?chē)Y(jié)點(diǎn)Kj與中心結(jié)點(diǎn)Ki的連接的權(quán)因子；
Outi是對(duì)應(yīng)于作為目標(biāo)單位或像素的第i像素的第i單位的輸出值；
New Wji是在第j和第i單位之間的連接的新的權(quán)因子；
w是權(quán)因子的平均值。
15.如前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，在每個(gè)計(jì)算循環(huán)，根據(jù)前述權(quán)利要求5到14的一個(gè)或多個(gè)所述的學(xué)習(xí)法則或函數(shù)組與激活函數(shù)組的組合被用來(lái)提供新的數(shù)據(jù)記錄陣列，其中每個(gè)數(shù)據(jù)記錄的值已被改變?yōu)閷?shí)際的目標(biāo)數(shù)據(jù)記錄的輸出與周?chē)膯卧螯c(diǎn)的數(shù)據(jù)記錄的輸出的函數(shù)，以及被改變?yōu)橐?guī)定在目標(biāo)數(shù)據(jù)記錄與周?chē)膯卧螯c(diǎn)的數(shù)據(jù)記錄之間的連接的權(quán)因子的函數(shù)，所述組合也被用來(lái)提供所述連接的權(quán)因子的新的值，所述新的數(shù)據(jù)記錄陣列和所述用于連接的新的權(quán)因子被用來(lái)實(shí)行以后的計(jì)算循環(huán)。
16.如前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的人工神經(jīng)網(wǎng)絡(luò)，其特征在于，它是圖像處理機(jī)，與結(jié)點(diǎn)(Ki)陣列的結(jié)點(diǎn)單一地有關(guān)或作為結(jié)點(diǎn)(Ki)陣列的結(jié)點(diǎn)的數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄由像素(Pi)構(gòu)成，而結(jié)點(diǎn)的初始值由像素值(Ui)構(gòu)成。
17.如權(quán)利要求16所述的人工神經(jīng)網(wǎng)絡(luò)，其特征在于，像素值是標(biāo)量元素或向量元素，所述像素由構(gòu)成向量的分量的不同變量所表征，所述每個(gè)變量與表征像素及其可見(jiàn)方面的物理的和/或可見(jiàn)的特征有關(guān)。
18.如權(quán)利要求17所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，像素是灰度圖像的像素，并由它的亮度來(lái)表征。
19.如權(quán)利要求16或17所述的神經(jīng)網(wǎng)絡(luò)，其特征在于，像素是彩色圖像的像素，并且表征像素的變量是對(duì)應(yīng)于HSV或RGB或像素外觀的另一傳統(tǒng)編碼的至少三個(gè)變量。
20.一種用于識(shí)別在數(shù)據(jù)庫(kù)的數(shù)據(jù)之間的關(guān)系的算法，所述數(shù)據(jù)屬于下述種類(lèi)，其中在數(shù)據(jù)記錄的陣列中或在N維空間具體地為二維或三維空間中的數(shù)據(jù)記錄的分布中的數(shù)據(jù)記錄的相對(duì)位置是數(shù)據(jù)記錄的相關(guān)特征，以及其中數(shù)據(jù)記錄可被表示為單元或點(diǎn)的陣列，每個(gè)點(diǎn)與數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄單一地有關(guān)，并具有在陣列中相對(duì)于其它數(shù)據(jù)記錄的單元或點(diǎn)所單一規(guī)定的位置，還與每個(gè)數(shù)據(jù)記錄有關(guān)的是至少一個(gè)變量或多個(gè)變量，每個(gè)變量具有一定值，所述算法由下述事實(shí)所表征，
-在表示數(shù)據(jù)庫(kù)的數(shù)據(jù)記錄的點(diǎn)的單元的陣列中每個(gè)單元或點(diǎn)被認(rèn)為
是人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)。
21.根據(jù)權(quán)利要求20所述的人工神經(jīng)網(wǎng)絡(luò)，其中
-由數(shù)據(jù)庫(kù)的單元或點(diǎn)構(gòu)成的每個(gè)單位或結(jié)點(diǎn)被連續(xù)規(guī)定為目標(biāo)單位或結(jié)點(diǎn)，以及被連續(xù)規(guī)定為在每個(gè)目標(biāo)單位或結(jié)點(diǎn)之間的、至少連接到由數(shù)據(jù)庫(kù)的其余單元或點(diǎn)所構(gòu)成的其余單位或結(jié)點(diǎn)中的每一個(gè)，所述單位或結(jié)點(diǎn)至少屬于相對(duì)于對(duì)應(yīng)目標(biāo)單位或結(jié)點(diǎn)的梯度1；
-被連續(xù)規(guī)定為目標(biāo)單位或結(jié)點(diǎn)的、數(shù)據(jù)庫(kù)的每個(gè)單位或結(jié)點(diǎn)的新的輸出值是如下計(jì)算的藉助于人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)法則或函數(shù)組、或激活法則或函數(shù)組，或藉助于將人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)法則或函數(shù)組與激活法則或函數(shù)組的組合作為被連接到目標(biāo)單位或結(jié)點(diǎn)的單位或結(jié)點(diǎn)的實(shí)際輸出和所述目標(biāo)單位或結(jié)點(diǎn)的實(shí)際輸出的函數(shù)；
-每個(gè)單位或結(jié)點(diǎn)的實(shí)際輸出被規(guī)定為變量的值或被規(guī)定為與被看作為人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)的、由單元或點(diǎn)表示的每個(gè)數(shù)據(jù)記錄相關(guān)聯(lián)的變量的值；
-并且目標(biāo)單位或結(jié)點(diǎn)的新輸出被看作為與對(duì)應(yīng)于目標(biāo)單位或結(jié)點(diǎn)的數(shù)據(jù)記錄陣列的單元或點(diǎn)相關(guān)聯(lián)的數(shù)據(jù)記錄的一個(gè)或多個(gè)變量的新值；
-通過(guò)實(shí)行用于計(jì)算對(duì)于數(shù)據(jù)記錄陣列的至少部分或每個(gè)單元或點(diǎn)的目標(biāo)單位或結(jié)點(diǎn)的新輸出的所述步驟，數(shù)據(jù)記錄的新陣列被計(jì)算，其中每個(gè)單元或點(diǎn)的數(shù)據(jù)記錄具有至少一個(gè)變量的新值或若干變量的新值，作為根據(jù)以上步驟的人工神經(jīng)網(wǎng)絡(luò)的第一計(jì)算循環(huán)的結(jié)果；
-所述計(jì)算循環(huán)對(duì)于每個(gè)連續(xù)的新的數(shù)據(jù)記錄陣列重復(fù)進(jìn)行，直至實(shí)行過(guò)某個(gè)預(yù)定數(shù)目次數(shù)的重復(fù)計(jì)算循環(huán)為止；和/或除非在數(shù)據(jù)記錄的初始陣列的一個(gè)或多個(gè)變量的初始值與根據(jù)在最后循環(huán)中所計(jì)算的數(shù)據(jù)記錄陣列的一個(gè)或多個(gè)變量的值之間已達(dá)到某個(gè)最大可允許的誤差或偏差；和/或除非在循環(huán)序列中計(jì)算的數(shù)據(jù)記錄陣列的序列中的數(shù)據(jù)記錄的一個(gè)或多個(gè)變量的值之間的差值低于預(yù)定的最大比值。
22.根據(jù)權(quán)利要求20或21所述的算法，其特征在于，數(shù)據(jù)記錄的陣列可被提交至少兩次或更多次，以進(jìn)行根據(jù)本發(fā)明的算法的精心處理，在第一處理階段中提供第一學(xué)習(xí)函數(shù)或法則組、或第一激活函數(shù)或法則組、或它們的組合，并且在第二處理階段中提供第二學(xué)習(xí)函數(shù)或法則組、或第二激活函數(shù)或法則組、或它們的組合等等，當(dāng)提供了兩個(gè)以上的階段時(shí)，在通過(guò)本發(fā)明的算法用第二或另外不同的學(xué)習(xí)或激活法則或函數(shù)組或用它們的組合而進(jìn)行的第二或另外的精心處理階段中所使用的數(shù)據(jù)記錄陣列是分別從數(shù)據(jù)記錄陣列的第一或之前的精心處理階段中得到的數(shù)據(jù)記錄陣列。
23.根據(jù)前述權(quán)利要求20到22的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，具體地在數(shù)據(jù)記錄的二維或三維陣列中，相對(duì)于目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)的、與梯度1的數(shù)據(jù)記錄有關(guān)的單元或點(diǎn)由與直接圍繞與所述目標(biāo)數(shù)據(jù)記錄有關(guān)的數(shù)據(jù)記錄陣列中的單元或點(diǎn)的數(shù)據(jù)記錄陣列的單元或點(diǎn)相關(guān)聯(lián)的數(shù)據(jù)記錄所構(gòu)成。
24.根據(jù)前述權(quán)利要求20到23的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，由所述算法計(jì)算的新的數(shù)據(jù)記錄陣列僅僅基于用于使得連接的權(quán)因子最佳化的學(xué)習(xí)函數(shù)或法則組，每個(gè)目標(biāo)數(shù)據(jù)記錄的新的輸出被定義為新的權(quán)因子的函數(shù)，所述權(quán)因子表征與目標(biāo)數(shù)據(jù)記錄相關(guān)聯(lián)的每個(gè)目標(biāo)單位或結(jié)點(diǎn)與由相對(duì)于目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)的梯度1的數(shù)據(jù)記錄的單元或點(diǎn)所表示的單位或結(jié)點(diǎn)的連接，所述學(xué)習(xí)法則或函數(shù)組把連接的新的權(quán)因子定義為在以前的計(jì)算循環(huán)中計(jì)算或定義的以前的權(quán)因子的函數(shù)，以及定義為與目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)相關(guān)聯(lián)的單位或結(jié)點(diǎn)的實(shí)際輸出以及與至少梯度1的數(shù)據(jù)記錄的單元或點(diǎn)相關(guān)聯(lián)的單位或結(jié)點(diǎn)的實(shí)際輸出、或直接圍繞實(shí)際的目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)的單元或點(diǎn)的數(shù)據(jù)記錄的實(shí)際輸出的函數(shù)。
25.根據(jù)前述權(quán)利要求20到23的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，由所述算法計(jì)算的新的數(shù)據(jù)記錄陣列僅僅基于激活函數(shù)組，其中這些函數(shù)根據(jù)對(duì)所述單位或結(jié)點(diǎn)的純輸入來(lái)定義對(duì)應(yīng)于與目標(biāo)數(shù)據(jù)記錄有關(guān)的單元或點(diǎn)的目標(biāo)單位或結(jié)點(diǎn)的新輸出，所述單位或結(jié)點(diǎn)的純輸入是相對(duì)于目標(biāo)數(shù)據(jù)記錄的、對(duì)應(yīng)于與至少梯度1的數(shù)據(jù)記錄相關(guān)聯(lián)的單元或點(diǎn)的單位或結(jié)點(diǎn)的輸出的函數(shù)，具體地是對(duì)應(yīng)于直接圍繞目標(biāo)數(shù)據(jù)記錄的單元或點(diǎn)的數(shù)據(jù)記錄陣列的單元或點(diǎn)的單位或結(jié)點(diǎn)的輸出的函數(shù)。
26.根據(jù)前述權(quán)利要求20到25的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，第一計(jì)算循環(huán)中的計(jì)算通過(guò)對(duì)于每個(gè)連接的權(quán)因子的固定的預(yù)定值開(kāi)始，而單位或結(jié)點(diǎn)的開(kāi)始值根據(jù)也作為權(quán)因子和圍繞結(jié)點(diǎn)或單位的值的函數(shù)的預(yù)定函數(shù)以及從而根據(jù)對(duì)應(yīng)于在直接圍繞表示了人工神經(jīng)網(wǎng)絡(luò)的某個(gè)單位或結(jié)點(diǎn)的單元或點(diǎn)的、陣列中的單元或點(diǎn)的數(shù)據(jù)記錄而進(jìn)行修改。
27.如前述權(quán)利要求20到26的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的學(xué)習(xí)法則
u∈
其中
α是可由用戶(hù)自由定義的參數(shù)，它使得算法對(duì)于圖像中的差別更敏感或更不敏感；
Rij是對(duì)于第i單位離第j單位的距離的某種度量；
Ui是被變換成人工神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)Ki的單個(gè)單元Pi的值；以及其中
下標(biāo)i定義中心單元或結(jié)點(diǎn)，而下標(biāo)j定義直接圍繞所述中心單元或結(jié)點(diǎn)的單元或結(jié)點(diǎn)。
28.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，使用以下的法則
a)學(xué)習(xí)
u∈
；C＝鄰居；wij＝0.00001初始化
b)回調(diào)
NewWij＝NewWij＝wij-w
其中
Ui是中心單元或結(jié)點(diǎn)Ki的值；
Uj是周?chē)Y(jié)點(diǎn)Kj的值；
Wij表示周?chē)Y(jié)點(diǎn)Kj與中心結(jié)點(diǎn)Ki的連接的權(quán)因子；
Wijn定義在第n次循環(huán)中的連接的權(quán)因子；
Wijn+1定義在第n+1次循環(huán)中的連接的權(quán)因子；
αWij是必須加到權(quán)因子Wij的值，以便接著進(jìn)行更新用于下一個(gè)循環(huán)；
Outi是對(duì)應(yīng)于作為目標(biāo)單位或像素的第i像素的第i單位的輸出值；
New Wji是在第j和第i單位之間的連接的新的權(quán)因子；
New Wij是在第i和第j單位之間的連接的新的權(quán)因子；
w是權(quán)因子的平均值；
參數(shù)quot涉及每個(gè)單位的輸出值與表示所述值的比例的步驟數(shù)的整數(shù)商；
參數(shù)rem涉及上述的商的余數(shù)。
29.如前述權(quán)利要求20到28的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
初始ui＝inputi
Δi＝Neti·(1-ui)·αNeti＞0
Δi＝Neti·ui·αNeti＜0
其中
Uj是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)。
30.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
初始化ui＝inputi
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αj是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)。
31.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
初始化ui＝inputi
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki純輸入Netj和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)。
32.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
初始化ui＝inputi
k∈[1，N]；k≠j
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
33.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
初始化ui＝inputi
k∈[1，N]；k≠j
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值。
34.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
初始化ui＝inputi
k∈[1，N]；k≠j
Neti＞0
Neti＜0
其中
Ui是在第一步驟的輸入和在以后的步驟的中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
n是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)。
35.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
MaxPixelRange＝2M；ui∈
；N＝Intorno；
Max＝1；Min＝0；rest＝0.1；decay＝0.1；
wij＞0
wij＜0
Neti＝(ecci·α)+(inii·β)
Δi＝(Max-ui)·Acti-decay·(ui-rest)；Acti＞0
Δi ＝(ui-Min)·Acti-decay·(ui-rest)；Acti＜0
Ui是中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)。
N是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)，
并且其中，函數(shù)ecci和inii是相同的，僅在關(guān)聯(lián)于正和負(fù)加權(quán)連接的輸入之間作出選擇，并且其中激活參數(shù)Acti作為純輸入Neti的函數(shù)被提供到結(jié)點(diǎn)Kij；
這個(gè)參數(shù)被用來(lái)選擇用于根據(jù)Acti的正負(fù)的這一事實(shí)來(lái)計(jì)算結(jié)點(diǎn)Ki的輸出Ui的更新值αi的兩個(gè)不同函數(shù)中之一；
被提供來(lái)用于計(jì)算αi的兩個(gè)函數(shù)包括以下表示式
Max和Min，被定義為激活值的頂部和底部范圍；
Decay，被定義為沿每個(gè)單位的時(shí)間的通常的衰減值的函數(shù)；
Rest，被定義為每個(gè)單位趨于的默認(rèn)值。
36.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
MaxPixelRange＝2M；ui∈
；N＝Surroundings；
Max＝1；Min＝0；rest＝0.1；decay＝0.1；
wij＞0
wij＜0
Δi＝(Max-ui)·Acti-decay·(ui-rest)；Acti＞0
Δi＝(ui-Min)·Acti-decay·(ui-rest)；Acti＜0
Ui是中心結(jié)點(diǎn)Ki的輸出；
Uj是周?chē)Y(jié)點(diǎn)Kj的輸出；
Neti是中心結(jié)點(diǎn)Ki的純輸入，它被計(jì)算為周?chē)Y(jié)點(diǎn)Kj的輸出Uj和周?chē)Y(jié)點(diǎn)Kj到中心結(jié)點(diǎn)Ki的連接的權(quán)因子wij的函數(shù)；
N是循環(huán)次數(shù)；
αi是用于計(jì)算下一個(gè)循環(huán)的新的輸出值作為中心結(jié)點(diǎn)Ki的純輸入Neti和實(shí)際的輸出Ui的函數(shù)的中心結(jié)點(diǎn)Ki的輸出Ui的更新值；
α是常數(shù)，
并且其中，函數(shù)ecci和inii是相同的，僅在關(guān)聯(lián)于正和負(fù)加權(quán)連接的輸入之間作出選擇，并且其中激活參數(shù)Acti作為純輸入Neti的函數(shù)被提供到結(jié)點(diǎn)Kij；
這個(gè)參數(shù)被用來(lái)選擇用于根據(jù)Acti的正負(fù)的這一事實(shí)來(lái)計(jì)算結(jié)點(diǎn)Ki的輸出Ui的更新值αi的兩個(gè)不同函數(shù)中之一；
被提供來(lái)用于計(jì)算αi的兩個(gè)函數(shù)包括以下表示式
Max和Min，被定義為激活值的頂部和底部范圍；
Decay，被定義為沿每個(gè)單位的時(shí)間的通常的衰減值的函數(shù)；
Rest，被定義為每個(gè)單位趨于的默認(rèn)值。
37.如前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，只使用以下的激活法則
wij＝π；uj∈
；
dij＝(ui-uj·wij)2；
Δij＝dij·Neti·cos(uj·wij)·uj；
or
Δij＝dij·Neti·cos(uj·wij)·-sin(uj·wij)；
WMax＝Max{wij}；WMin＝Min{wij}；
其中，
Ui是中心單元或結(jié)點(diǎn)Ki的值；
Uj是周?chē)Y(jié)點(diǎn)Kj的值；
Wij表示周?chē)Y(jié)點(diǎn)Kj與中心結(jié)點(diǎn)Ki的連接的權(quán)因子；
Outi是對(duì)應(yīng)于作為目標(biāo)單位或像素的第i像素的第i單位的輸出值；
New Wji是在第j和第i單位之間的連接的新的權(quán)因子；
w是權(quán)因子的平均值。
38.如前述權(quán)利要求20到37的一項(xiàng)或多項(xiàng)所述的算法，其特征在于，在每個(gè)計(jì)算循環(huán)，根據(jù)前述權(quán)利要求5到16的一個(gè)或多個(gè)所述的學(xué)習(xí)法則或函數(shù)組與激活函數(shù)組的組合被用來(lái)提供新的數(shù)據(jù)記錄陣列，其中每個(gè)數(shù)據(jù)記錄的值已被改變?yōu)閷?shí)際的目標(biāo)數(shù)據(jù)記錄的輸出與周?chē)膯卧螯c(diǎn)的數(shù)據(jù)記錄的輸出的函數(shù)，以及被改變?yōu)橐?guī)定在目標(biāo)數(shù)據(jù)記錄與周?chē)膯卧螯c(diǎn)的數(shù)據(jù)記錄之間的連接的權(quán)因子的函數(shù)，所述組合也被用來(lái)提供所述連接的權(quán)因子的新的值，所述新的數(shù)據(jù)記錄陣列和所述用于連接的新的權(quán)因子被用來(lái)實(shí)行以后的計(jì)算循環(huán)。
39.一種用于圖像處理的方法，其中圖像由二維或三維的像素陣列構(gòu)成，以及其中所述陣列的每個(gè)像素構(gòu)成人工神經(jīng)網(wǎng)絡(luò)的單位或結(jié)點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出由對(duì)應(yīng)于每個(gè)單位的像素的初始值和由每個(gè)像素的計(jì)算值所構(gòu)成，結(jié)點(diǎn)中的每一個(gè)的輸出值的計(jì)算被實(shí)行為至少?lài)@所述結(jié)點(diǎn)的像素的值的函數(shù)。
40.根據(jù)權(quán)利要求39所述的方法，其特征在于，在單一地對(duì)應(yīng)于構(gòu)成圖像的像素陣列的像素的、人工神經(jīng)網(wǎng)絡(luò)的每個(gè)結(jié)點(diǎn)或單位與至少梯度1的相關(guān)的單位或結(jié)點(diǎn)之間提供加權(quán)連接。
41.根據(jù)權(quán)利要求39和40所述的方法，其特征在于，實(shí)行權(quán)因子的最優(yōu)化。
42.根據(jù)權(quán)利要求41所述的方法，其特征在于，在權(quán)因子最優(yōu)化之后實(shí)行單位激活。
43.根據(jù)前述權(quán)利要求39到42的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，實(shí)行權(quán)因子演化和單位激活。
44.根據(jù)前述權(quán)利要求39到43的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述方法是通過(guò)最終被實(shí)現(xiàn)為根據(jù)權(quán)利要求20到38所述的算法的根據(jù)權(quán)利要求1到19所述的人工神經(jīng)網(wǎng)絡(luò)而實(shí)行。
45.根據(jù)前述權(quán)利要求39到44的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，它是用于圖像圖案識(shí)別的方法，其中圖像是數(shù)字圖像或已經(jīng)過(guò)數(shù)字化的模擬圖像，圖像數(shù)據(jù)陣列由有限數(shù)目的點(diǎn)或單元構(gòu)成，每個(gè)點(diǎn)或單元對(duì)應(yīng)于被稱(chēng)為像素或體元的圖像一元單元，而每一個(gè)像素或體元與描述在灰度圖像中的像素的亮度或灰度級(jí)別的參數(shù)變量的值有關(guān)，或者每個(gè)像素或體元與向量有關(guān)，所述向量的每個(gè)分量是描述像素或體元的亮度和像素或體元的顏色的參數(shù)變量，其特征在于，所述圖像數(shù)據(jù)陣列根據(jù)前述權(quán)利要求1到19所述的一項(xiàng)或多項(xiàng)所述的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，成為由直接包圍目標(biāo)像素或體元的像素或體元所構(gòu)成的梯度1的數(shù)據(jù)記錄的單元或點(diǎn)，所述算法被應(yīng)用一定的次數(shù)，用于對(duì)計(jì)算循環(huán)實(shí)行一定次數(shù)的重復(fù)，該數(shù)目是固定的規(guī)定數(shù)目或根據(jù)在計(jì)算循環(huán)的某個(gè)重復(fù)時(shí)像素的輸出值和圖像數(shù)據(jù)陣列的原始值的方差或差值而進(jìn)行計(jì)算，或者，所述計(jì)算循環(huán)的重復(fù)數(shù)目被確定為以后的計(jì)算循環(huán)提供圖像數(shù)據(jù)陣列的輸出的重復(fù)數(shù)目，所述圖像數(shù)據(jù)陣列的輸出與以前的計(jì)算循環(huán)的圖像數(shù)據(jù)陣列的輸出的差值小于某個(gè)預(yù)定差值。
46.根據(jù)前述權(quán)利要求45所述的用于圖像圖案識(shí)別的方法，其中人工神經(jīng)網(wǎng)絡(luò)被實(shí)現(xiàn)為根據(jù)權(quán)利要求20到39所述的算法。
47.根據(jù)前述權(quán)利要求46所述的方法，其特征在于，根據(jù)權(quán)利要求20到39所述的算法被連續(xù)應(yīng)用兩次，每次使用了不同的學(xué)習(xí)法則或函數(shù)組、或不同的激活法則或函數(shù)組、或它們的不同組合。
48.根據(jù)前述權(quán)利要求45到47的一項(xiàng)或多項(xiàng)所述的用于圖像圖案識(shí)別的方法，其特征在于，根據(jù)權(quán)利要求20到39所述的算法與被講授用于識(shí)別已成像對(duì)象的不同區(qū)域的特征的預(yù)估算法相結(jié)合應(yīng)用。
49.根據(jù)前述權(quán)利要求45到47的一項(xiàng)或多項(xiàng)所述的方法，其中所述預(yù)估算法是人工神經(jīng)網(wǎng)絡(luò)，而學(xué)習(xí)和測(cè)試數(shù)據(jù)庫(kù)由相同對(duì)象的圖像組所構(gòu)成，對(duì)于所述訓(xùn)練和測(cè)試數(shù)據(jù)庫(kù)的每個(gè)圖像單一地識(shí)別所述圖像對(duì)象的不同成像區(qū)域，而在作為通過(guò)根據(jù)權(quán)利要求20到39的一項(xiàng)或多項(xiàng)所述的算法實(shí)行的對(duì)輸出的精心處理而得到的圖像數(shù)據(jù)陣列上實(shí)行所述預(yù)估算法。
50.根據(jù)前述權(quán)利要求49所述的方法，其中所述預(yù)估算法還通過(guò)使用初始圖像數(shù)據(jù)陣列作為輸入數(shù)據(jù)來(lái)實(shí)行，而通過(guò)對(duì)用根據(jù)權(quán)利要求20到39的一項(xiàng)或多項(xiàng)所述的算法計(jì)算的圖像數(shù)據(jù)陣列實(shí)行所述預(yù)估算法而得到的預(yù)估結(jié)果和通過(guò)對(duì)初始圖像數(shù)據(jù)陣列實(shí)行所述預(yù)估算法得到的預(yù)估結(jié)果被組合或被比較。
51.一種用于在沒(méi)有提供反差媒體的存在時(shí)在生物組織中實(shí)行反差成像或調(diào)和成像的方法，其特征在于，獲得某軀體或軀體某部分的超聲或MRI或X光照相圖像，并且使所獲得的圖像數(shù)據(jù)陣列進(jìn)行根據(jù)前述權(quán)利要求39到50的一項(xiàng)或多項(xiàng)所述的方法的處理，其使用最終被實(shí)現(xiàn)為根據(jù)權(quán)利要求20到39的一項(xiàng)或多項(xiàng)所述的算法的根據(jù)權(quán)利要求1到19的一項(xiàng)或多項(xiàng)所述的人工神經(jīng)網(wǎng)絡(luò)。
52.根據(jù)權(quán)利要求51所述的方法，其特征在于，向根據(jù)權(quán)利要求1到4的人工神經(jīng)網(wǎng)絡(luò)提供最終被實(shí)現(xiàn)為根據(jù)前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法的、根據(jù)權(quán)利要求5所述的法則組與至少根據(jù)權(quán)利要求28所述的學(xué)習(xí)法則組的組合。
53.根據(jù)權(quán)利要求52所述的方法，其特征在于，向根據(jù)權(quán)利要求1到4所述的人工神經(jīng)網(wǎng)絡(luò)提供根據(jù)權(quán)利要求5所述的法則與根據(jù)權(quán)利要求6到19的任一項(xiàng)所述的法則組的組合，以及最終成為下述人工神經(jīng)網(wǎng)絡(luò)，其被實(shí)現(xiàn)為根據(jù)前述權(quán)利要求20到27的一項(xiàng)或多項(xiàng)所述的算法與根據(jù)權(quán)利要求28所述的學(xué)習(xí)法則或函數(shù)組以及根據(jù)權(quán)利要求29到17的任一項(xiàng)所述的學(xué)習(xí)法則或函數(shù)組的組合。
54.根據(jù)權(quán)利要求52所述的方法，其特征在于，它使用根據(jù)前述權(quán)利要求28到38的一項(xiàng)或多項(xiàng)所述的學(xué)習(xí)和/或激活法則組。
55.根據(jù)權(quán)利要求54所述的方法，其特征在于，提供了至少兩個(gè)圖像精心處理階段，第一精心處理階段通過(guò)一學(xué)習(xí)和/或激活法則組來(lái)實(shí)行，而第二精心處理階段通過(guò)把在第一階段中精心處理的輸出圖像的像素值提交用來(lái)由第二學(xué)習(xí)和/或激活法則組進(jìn)行的第二精心處理來(lái)實(shí)行。
56.根據(jù)權(quán)利要求54或55所述的方法，其特征在于，提供了至少第三或更多的精心處理階段，每個(gè)精心處理級(jí)通過(guò)不同的學(xué)習(xí)和/或激活法則組來(lái)實(shí)行。
57.根據(jù)前述權(quán)利要求54到56的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述學(xué)習(xí)和/或激活法則組根據(jù)權(quán)利要求5到19或27到38。
58.一種用于幫助識(shí)別腫瘤組織的方法，其特征在于，所述方法提供以下步驟
獲得包含腫瘤組織的解剖區(qū)域的數(shù)字圖像或數(shù)字化的模擬圖像；
藉助于根據(jù)前述權(quán)利要求39到57的一項(xiàng)或多項(xiàng)所述的方法來(lái)精心處理所述數(shù)字的或數(shù)字化的圖像。
59.一種用于幫助識(shí)別血管中的器官狹窄的方法，其特征在于，所述方法提供以下步驟
獲得包含腫瘤組織的解剖區(qū)域的數(shù)字圖像或數(shù)字化的模擬圖像；
藉助于根據(jù)前述權(quán)利要求39到57的一項(xiàng)或多項(xiàng)所述的方法精心處理所述數(shù)字的或數(shù)字化的圖像。
60.一種用于幫助識(shí)別生物組織中的鈣化的方法，其特征在于，所述方法提供以下步驟
獲得包含腫瘤組織的解剖區(qū)域的數(shù)字圖像或數(shù)字化的模擬圖像；
藉助于根據(jù)前述權(quán)利要求39到57的一項(xiàng)或多項(xiàng)所述的方法精心處理所述數(shù)字的或數(shù)字化的圖像。
全文摘要
一種用于處理具有適當(dāng)拓?fù)涞臄?shù)據(jù)陣列的神經(jīng)網(wǎng)絡(luò)，包括對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)的單元(Ki)的n維陣列，每個(gè)單元具有與構(gòu)成單元(Ki)的鄰居的直接相鄰的單元(Kj)的連接；每個(gè)單元(Ki)具有對(duì)于與直接相鄰的單元的每個(gè)連接的輸入；輸出用于與一個(gè)或多個(gè)直接相鄰的單元(Kj)的連接；在單元之間的連接由權(quán)因子(wij)確定；每個(gè)單元由內(nèi)部值來(lái)表征，并且能夠?qū)嵭行盘?hào)處理，用于生成單元輸出信號(hào)(ui)；單元(Ki)的輸出信號(hào)(ui)是它的內(nèi)部值和來(lái)自相鄰單元的輸入信號(hào)的函數(shù)；每個(gè)單元與具有適當(dāng)拓?fù)涞膎維數(shù)據(jù)庫(kù)(Pi)的記錄單一地相關(guān)聯(lián)，并且每個(gè)數(shù)據(jù)記錄的值是相應(yīng)單元的開(kāi)始值。通過(guò)把在一定數(shù)目的神經(jīng)網(wǎng)絡(luò)的迭代處理步驟后每個(gè)單元(Ki)的內(nèi)部值或輸出值(ui)看作為對(duì)于所述單一地相關(guān)聯(lián)的數(shù)據(jù)記錄(Pi)的新得到的值(Ui)而實(shí)行處理。
文檔編號(hào)G06N3/04GK1839397SQ200480024189
公開(kāi)日2006年9月27日 申請(qǐng)日期2004年8月18日 優(yōu)先權(quán)日2003年8月22日
發(fā)明者P·M·布謝馬 申請(qǐng)人:西麥恩公司