《类脑计算》[84M]百度网盘|pdf下载|亲测有效

编辑推荐

适读人群：从事人工智能、神经计算、类脑计算、神经信息加工、神经编码研究的人员

作者从认知科学和人工智能这个交叉视角来研究认知行为(如感知、联想、记忆等)基于神经生物约束的算法模型。本书是作者及其研究团队多年的科研成果，内容详实，图文并茂，可读性强。

内容简介

《类脑计算》从多学科交叉的角度将神经生物学在视觉神经机制、神经元信号加工与编码方面的解剖学与电生理学发现和认知心理学关于知觉信息加工、工作记忆等方面的实验结论,与人工智能中关于图像理解与人工神经元网络模型结合起来,设计能够模拟视网膜、初级视皮层和高级视皮层部分图像信息加工功能,以及模拟神经编码微回路的数据结构和层次网络计算模型,并用计算机视觉或图像理解领域常用的测试数据集来验证这些网络计算模型的效能。这些深入考虑了神经生物学基本机制与约束的计算模型,一方面能够在工程方面为图像理解或信息保持提供不同于传统方法的新解决方案,另一方面也为神经科学研究提供了探索神经信号加工内在机理的仿真平台。这些以信息加工神经生理机制和认知心理机制为基本出发点的计算建模研究为人工智能关于表征、神经计算新模型、基于结构的学习模型、不同于经典图灵机模型的新计算架构开拓了思路。

作者简介

危辉，复旦大学计算机科学技术学院教授，博士生导师。1998年7月毕业于北京航空航天大学计算机科学系，先后师从导师怀进鹏院士和何新贵院士，获计算机科学理论与软件专业工学博士学位。同年9月进入浙江大学计算机科学系人工智能研究所，师从我国著名人工智能专家潘云鹤院士进行为期两年的博士后研究工作。2000年11月期满出站后进入复旦大学计算机科学技术系从事教学与科研工作。2000年10月在浙江大学晋升为副教授，2005年4月在复旦大学晋升为教授。自1993年起从事非单调逻辑与不确定性推理研究，1995年后受认知心理学启发从事人工智能与认知科学或说基于认知科学背景的人工智能研究，致力于基于神经生物学和认知心理学机制的神经视觉算法模型和神经编码机制研究，以及基于认知机制约束的人工智能基础范型研究，是国内最早独立开展且持续不间断开展类脑计算研究的小组之一，包括视觉神经计算模型和脉冲神经元回路结构与编码机制研究。主持或作为主要成员参与的研究课题有973计划课题、973前期专项、国防973课题专题、国家自然科学基金、国家自然科学基金重点、国家自然科学基金重大研究计划课题、国防预研课题、上海市科委重大专项、上海市青年科技启明星计划课题等。作为第一作者或通信作者在IEEE Transactions系列、Elsevier系列、Springer系列等国际学术期刊上发表完全由国内独立完成的计算机科学领域SCI论文60余篇，出版学术专著《人工智能形式概念系统》和《认知相关性与智能模型构造的系统观点》。自2001年起承担复旦大学本科和研究生的教学工作，到目前为止按时间顺序独立讲授离散数学2学期、高等数理逻辑4学期、人工智能与认知科学5学期、人工智能或高级人工智能55学期/次、从计算到智能20学期、认知科学导论10学期。

目录　
前言　
第1章　什么是类脑计算　1　
1.1　类脑计算的非正式说明　1　
1.2　类脑计算助力工程问题　2　
1.3　类脑计算助力神经科学研究　6　
1.4　类脑计算与人工智能　10　
参考文献　11　
第2章　基于多尺度感受野的警觉保持计算模型　12　
2.1　人类视觉系统　12　
2.1.1　眼睛的构造　12　
2.1.2　视网膜的结构与功能　13　
2.1.3　视网膜|外膝体|视皮层通路的定量分析　16　
2.1.4　视觉的空间辨别　19　
2.1.5　视神经通路　20　
2.1.6　感受野的研究　23　
2.1.7　视觉信息处理机制给计算机视觉的启示　26　
2.2　DOG模型　27　
2.2.1　DOG模型概述　27　
2.2.2　on事件与off事件的定义及检测规则　28　
2.2.3　参数选取及阈值界定　31　
2.3　警觉保持计算模型　38　
2.3.1　逐级加工的层次网络模型　38　
2.3.2　多尺度感受野的设计算法　40　
2.3.3　拟神经节单元生成算法　42　
2.3.4　感受野覆盖特性研究　42　
2.3.5　警觉保持算法　46　
2.4　仿真实验　47　
2.4.1　实验参数的设定　47　
2.4.2　实验结果　49　
参考文献　54
第3章　生物视网膜早期机制的模拟与性能平衡　55　
3.1　生物视网膜结构模型　55　
3.1.1　眼睛的结构与视觉成像原理　55　
3.1.2　生物视网膜层次网络结构　56　
3.1.3　生物视网膜信息处理的概要性流程　58　
3.1.4　生物视网膜信息处理过程中值得研究的几个重要问题　59　
3.2　早期视觉模型分类与分析　60　
3.2.1　早期视觉模型分类　60　
3.2.2　“黑匣子”算法模型　61　
3.2.3　简单生理拟合模型　61　
3.2.4　复杂生理拟合模型　63　
3.3　早期视觉机制的模拟　65　
3.3.1　模拟视网膜结构的计算模型　65　
3.3.2　视网膜神经节细胞感受野分布模型　70　
3.3.3　光感受器细胞的算法模型　72　
3.3.4　神经节细胞的算法模型　74　
3.4　计算模型的实现与实验分析　75　
3.4.1　模型的实现　75　
3.4.2　真实图片实验结果与分析　75　
参考文献　85　
第4章　视网膜仿真及其感知效能分析　87　
4.1　视网膜各层结构在信息处理中的作用　87　
4.2　视网膜中的垂直并行通路结构简介　88　
4.2.1　视锥细胞通路与视杆细胞通路　88　
4.2.2　ON与OFF通路　88　
4.2.3　颜色、亮度、运动等功能性并行通路　89　
4.2.4　视网膜各并行通路在信息处理中的作用　90　
4.3　视网膜模型设计与实现　91　
4.3.1　视网膜模型的整体模式图　91　
4.3.2　光感受器层的模拟　92　
4.3.3　水平细胞层和双极细胞层的模拟　98　
4.3.4　无长足细胞层的模拟　101　
4.3.5　神经节细胞层的模拟　102　
4.4　实验系统设计与分析　104　
4.4.1　视网膜网络模型的基本结构验证实验　104
4.4.2　视网膜网络模型的刺激探测效果及物体表征效果实验　109　
4.4.3　视网膜神经节细胞感受野对视网膜性能的影响分析　115　
参考文献　117　
第5章　基于视网膜的图像局部朝向刺激表征模型　119　
5.1　视觉计算模型　119　
5.1.1　数字图像的表征　120　
5.1.2　“像素无关”的采样策略　122　
5.1.3　非均匀密度分布细胞的生成　123　
5.1.4　视觉计算模型的逐层构建　125　
5.1.5　视觉计算模型的平行通路　130　
5.1.6　图像表征与重构　134　
5.1.7　本节小结　134　
5.2　视觉计算模型的图像表征实验　135　
5.2.1　图像复杂度的概念　135　
5.2.2　边界直线段的检测实验　137　
5.2.3　图像的\解构“与\重构”实验　139　
5.2.4　本节小结　141　
5.3　视觉计算模型的效能分析　141　
5.3.1　确定视觉计算模型各层计算单元的位置　142　
5.3.2　由类神经节细胞的空间位置产生的几何约束　143　
5.3.3　视觉计算模型的效能平衡点　150　
5.3.4　本节小结　152　
参考文献　152　
第6章　颜色拮抗机制的计算模型　153　
6.1　颜色拮抗机制　153　
6.2　一种基于非经典感受野的模型　156　
6.2.1　模型设计　156　
6.2.2　实验　164　
6.2.3　本节小结　166　
6.3　一种基于神经节细胞经典感受野拮抗机制的图像表征模型　167　
6.3.1　模型设计　167　
6.3.2　实验　175　
6.3.3　本节小结　181　
参考文献　182
第7章　初级视皮层计算模型构建及其高阶功能探索　183　
7.1　计算模型设计与实现　183　
7.1.1　早期视觉系统模型　183　
7.1.2　视网膜、外膝体层的模拟　184　
7.1.3　方位柱的模拟实现　186　
7.1.4　颜色通道的模拟实现　188　
7.2　实验系统设计与分析　191　
7.2.1　计算模型的设计验证　191　
7.2.2　过程与结果的验证　194　
7.2.3　高阶功能探索实验　200　
参考文献　203　
第8章　基于非经典感受野机制的计算模型　204　
8.1　非经典感受野机制　204　
8.1.1　经典感受野的生理学研究　204　
8.1.2　非经典感受野的生理学研究　207　
8.1.3　视网膜神经节细胞的非经典感受野神经机制　209　
8.1.4　视网膜的逆向调控机制　209　
8.1.5　固视微动　210　
8.1.6　对非经典感受野已有工作的总结　211　
8.2　三层网络模型　212　
8.2.1　模型设计　213　
8.2.2　实验结果　215　
8.2.3　本节小结　218　
8.3　多层次网络计算模型设计　218　
8.3.1　计算回路设计　219　
8.3.2　层次网络模型设计　221　
8.3.3　GC感受野的数学模型　222　
8.3.4　参数设置　223　
8.3.5　动态感受野设计　229　
8.4　图像表征的相关实验　231　
8.4.1　一致性实验　231　
8.4.2　简洁性实验　232　
8.4.3　忠实性实验　236　
8.5　通用表征对图像理解的促进实验　242　
8.5.1　聚类促进实验　243
8.5.2　分割促进实验　244　
8.5.3　轮廓拟合实验　247　
参考文献　253　
第9章　朝向选择性模型及其应用　257　
9.1　模型生理基础　257　
9.1.1　初级视觉通路　258　
9.1.2　神经节及外膝体细胞的感受野　259　
9.1.3　简单细胞的感受野　262　
9.2　LGN细胞对刺激的响应模型　265　
9.2.1　与对比度无关的响应　265　
9.2.2　响应函数及其性质　268　
9.2.3　响应曲线　271　
9.3　简单细胞的方向计算模型　272　
9.3.1　基本最小二乘模型　273　
9.3.2　非线性优化模型　274　
9.3.3　模型求解及解的性质　276　
9.3.4　误差分析　279　
9.3.5　改进的非线性加权模型　280　
9.3.6　理想Hubel-Wiesel条件下方向不唯一性　282　
9.4　实验及分析　283　
9.4.1　方向检测方法　283　
9.4.2　模型的选择　284　
9.4.3　参数的确定　285　
9.4.4　简单细胞感受野的模拟　287　
9.4.5　刺激复杂度与计算误差　288　
9.5　模型应用一：图像的方向检测　289　
9.5.1　检测方法　289　
9.5.2　形状图像　292　
9.5.3　自然图像　292　
9.5.4　对更高层处理的增强　302　
9.6　模型应用二：视错觉的几何解释　305　
9.6.1　干扰导致计算偏差　305　
9.6.2　错觉的解释　306　
9.7　模型应用三：平面的朝向分析　312　
9.7.1　三维图像信息获取　312
9.7.2　成像模型　313　
9.7.3　基本图形的三维信息　316　
9.7.4　场景综合特征分析　322　
9.7.5　实验　324　
参考文献　328　
第10章　基于非经典感受野的图像表征模型　336　
10.1　非经典感受野机制　336　
10.1.1　经典感受野　336　
10.1.2　非经典感受野　339　
10.1.3　视网膜神经节细胞的功能模型　341　
10.1.4　非经典感受野和一些心理学实验现象的关系　342　
10.1.5　经典感受野和非经典感受野的动态特征　343　
10.2　视网膜神经节细胞的建模　344　
10.2.1　神经节细胞非经典感受野作为图像表征的载体　344　
10.2.2　神经节细胞感受野的数学模型　346　
10.2.3　将RGB颜色值转换为类波长单值　348　
10.2.4　神经节细胞计算模型的设计　350　
10.3　神经节细胞感受野阵对图像的表征　360　
10.3.1　从GC输出图像中进行图像重构　360　
10.3.2　感受野与图像统计特征的关联性验证实验　362　
10.3.3　感受野与多分辨率分析　367　
10.3.4　感受野也是一种超像素　372　
10.4　基于非经典感受野的表征对图像后期加工的促进作用　375　
10.4.1　对特征配准的提升作用　375　
10.4.2　对图像分割的提升作用　377　
10.5　利用非经典感受野的表征实现图像多尺度融合轮廓检测　383　
10.5.1　非经典感受野表征图像　383　
10.5.2　算法设计　386　
10.5.3　利用神经节细胞感受野尺寸变化得到多尺度信息　387　
10.5.4　感受野响应值的计算　388　
10.5.5　抑制区模型和去抑制区模型的数学模拟　389　
10.5.6　实验结果　391　
10.5.7　算法的性能评估　395　
参考文献　403
第11章　基于视皮层超柱结构的图像表征方法及其在形状识别中的应用　412　
11.1　构建模拟初级视皮层V1区的神经网络　412　
11.1.1　SOM神经网络的特性、结构与一般训练过程　412　
11.1.2　基于SOM神经网络的模拟初级视皮层的V-SOM神经网络设计　414　
11.1.3　V-SOM网络模拟皮层结果与真实生理数据对比实验　41

查看全部↓

精彩书摘

第1章什么是类脑计算
　　随着神经生物学研究中实验手段的不断进步，科学家对神经系统结构与功能的认识也在不断深入。由于神经系统是主导智慧的根本物质基础，因此这些基础研究的进步自然会带动其他应用学科的发展。一个最直接的启示就是神经生物学发现对人工智能研究有什么直接的推动吗？毕竟人工智能最根本的目标就是想让机器能够像大脑一样聪明地工作。这就是类脑计算，一个不太新，但又被不断刷新的领域。
　　1.1类脑计算的非正式说明
　　顾名思义，类脑计算就是"要像大脑那样进行计算"。大脑作为目前自然界已知的，在问题求解、推理、决策、理解、学习等智能行为方面最为高效、最为优异的生物进化产物，它的运行机制对研究自动化、计算机的群体而言充满了吸引力，因为我们从一开始就称呼计算机为电脑。可见，从心底里我们是希望计算机能够像大脑那样工作。基于此种初衷，研究人员会非常自然地去模仿大脑的运行原理，无论是从功能层面，还是从结构层面。若我们给类脑计算下一个较为严格的定义，那么它就是一种模仿神经生理学和生理心理学机制为某种智能应用设计实现方法的研究。它应该是人工智能研究的一个子集，针对的是智能仿真问题或应用，面向属于计算机科学、自动化或控制论范畴的算法设计和系统实现问题。在人工智能发展史中，连接主义学派所走的研究路线就属于类脑计算，那些人工神经元网络模型，如典型的多层感知机模型、自组织特征映射模型、联想记忆模型等就是典型代表。当下机器学习研究领域炙手可热的深度学习模型可视为此领域的最新发展。
　　与大脑研究相关的当前还有两个研究分支：一个是基于脑电信号的脑机接口；另一个是脑信息学。这两个研究分支虽然也关系到大脑，但它们不属于类脑计算的范畴。原因有两个。
　　第一，研究目标不同。例如，脑连接组计针对的是神经科学范畴的问题，不是计算科学范畴的问题。而类脑计算针对的是算法和自动化系统实现问题。
　　第二，研究方法不同。脑机接口和脑信息学通常采用来自计算机科学领域的机器学习或数据挖掘算法，是对取自大脑的数据施加现成的方法，这些方法本身不是研究对象，只是可供选择的多种手段之一。而类脑计算所采用的方法就是模仿大脑机制，其前提是弄清楚神经科学范畴的原理性问题，它通常不是计算机科学领域现成可用的方法。用一句流行语来归纳它们的不同之处就是：脑信息学是从事计算的人跨界到生物学领域，用计算机方法解决生物学领域的问题；而类脑计算是从事计算的人跨界到生物学领域，用生物学启示来解决计算机领域的问题。简而言之，它们的区别就是：跨出界了，还走回来吗？前者类似于做歌唱界跑得最快的人，而后者是做歌唱界歌唱得最好的人。
　　1.2类脑计算助力工程问题
　　在人工智能领域有很多挑战性很高的工程问题，例如计算机视觉或图像理解。我们通过始自眼睛的视觉神经系统感知到外界超过70％的信息，而且我们还觉得这是不费吹灰之力就能做好的，哪会复杂呢？但一旦当我们需要用计算机来处理图像信息，分析图像的意义时，视觉信息加工的巨大复杂性就如同隐藏在水面下的冰山那样浮现出来，我们意识到了所谓"大头在下面"。现代图像理解或计算机视觉系统对它们能够达到的性能和所付出的时间和硬件代价而言完全不成比例，效能很低。既然生物视觉系统性能很好，那么我们能不能模仿一种或几种神经生物学关于视觉神经机制的发现来优化计算效能呢？
　　例如，在高等哺乳动物的视网膜中，有一种神经节细胞，它是视网膜信息处理的最后一站，也是此阶段最重要的一站。视网膜神经节具有同心圆拮抗式的经典感受野，其空间整合特性是处理图像区域亮度对比信息、提取图像的边缘信息，但高等动物极其复杂的视觉系统对图像信息的处理绝不仅限于边缘增强，它应该在边缘处理的基础上，尽可能完整地把图像信息传递给大脑。非经典感受野是在经典感受野之外的一个大范围区域，单独刺激该区域并不能直接引起细胞的反应，但对经典感受野内刺激所引起的反应有调制作用。视网膜神经节细胞的非经典感受野主要是去抑制性的，因此可以在一定程度上补偿由经典感受野所造成的低空间频率信息的损失，在保持边界增强功能的同时，传递图像的区域亮度梯度信息，显示大面积表面上亮度的缓慢变化。由此可见，非经典感受野大大拓宽了视觉细胞信息处理的范围，为整合和检测大范围的复杂图形提供了神经基础。研究发现，视网膜神经节细胞的感受野随着视觉刺激的不同而发生变化，而以往对视网膜神经节细胞非经典感受野的建模大多基于固定不变的感受野，都没有考虑感受野的动态变化特性。那么，我们可以为视网膜神经节细胞非经典感受野的基本结构建立了多层次、带反馈的神经计算模型，并用这样的模型来表征图像。
　　图1-1就是基于上述原理进行的图像表征实验。通常在计算机里用像素的组合表征图像，但所需像素阵列很大，给图像理解带来了压力。图中每组同心圆都是一个具有前述非经典感受野模式的计算单元，它能够根据所覆盖范围内图像的均一程度进行扩大或缩小。若整个范围内图像内容很均匀，那么只要表征这个平均信息就可以了。若整个范围内图像内容的差异度很大，说明单靠这个单元不足以精确表示它，它就缩小所管辖的范围，直到缩小后的范围内信息足够均一化为止。因此，我们可以看到很多组同心圆或是扩大或是缩小其范围，以达到在所涵盖信息均一化前提下使得覆盖范围最大。那些实线就是最终的范围，虚线是若干中间环节的结果。在这一原理下，我们就能够获得一个既不需要太多计算单元，又具有足够精细度的图像表征。这能够易化后续的图像理解加工。
　　再比如，我们的颜色知觉是一种主观的感觉，外部的物理世界上本无颜色，所谓颜色是我们的主观感受。至于大脑怎样将这些不同波长光刺激引起的神经元响应整合成一种心理上可清晰分辨的感觉，目前还是未知的。可见光刺激视网膜中的光感受器，它们是视杆细胞和三种色视锥细胞（蓝色视锥细胞、绿色视锥细胞和红色视锥细胞），其中视锥细胞对光的波长相对吸收程度不同，这就是产生颜色感知的第一步。前述神经节细胞的感受野是由两组不同种类的视锥细胞组成的，神经生物学家们称之为相互拮抗的机制。也就是对两种不同颜色敏感的细胞输出给神经节细胞的贡献是对立的，一种令其兴奋，那么另一种就令其抑制。如图1-2所示：其中S表示蓝色视锥，它对波长较短的光的刺激敏感；M表示绿色视锥，和蓝色视锥相比，它对波长中等的光的刺激更为敏感；L表示红色视锥，它对波长较长的光的刺激响应最大。B表示Blue，即蓝色成分；Y表示Yellow，即黄色成分；R表示Red，即红色成分，G表示Green，即绿色成分。
　　从视网膜一直到大脑皮层，拮抗的空间构型有很多。最简单的为神经节细胞感受野的中心区只接收一种视锥细胞的输入，如红色视锥、绿色视锥和蓝色视锥中的一种，拮抗的感受野外周区则是接收另一种对立视锥的输入。所以这里的拮抗主要分为两类，一类负责处理红－绿之间的颜色差异，一类负责处理蓝－黄之间的颜色差异，如图1-3所示，它们的感受野中心区分别为红色分量、绿色分量、蓝色分量和黄色分量。所以这里有四种感受野，它们分别是：红绿拮抗感受野，包括（红中心区vs绿外周区）感受野和（绿中心区vs红外周区）感受野；蓝黄拮抗感受野，包括（黄中心区vs蓝外周区）感受野和（蓝中心区vs黄外周区）感受野。
　　当人的视觉系统感知处理颜色信号时，这4种拮抗的感受野均有机会起作用，每种视锥都有自己最敏感的颜色波长范围，对于它们较敏感的波长刺激，它们的响应会比较大。基于此，我们就可以设计一个模拟这种颜色拮抗机制的计算模型来处理颜色图像，如图1-4所示，图1-4（a）表达的是用一个上层的计算单元GC，即对生物视网膜神经节细胞的模拟单元，它接受红中心区的正输入，同时接收绿外周区的负输入，这样当这个区域只是中心有红色时GC的输出达到最大，或者当这个区域只有外周有绿色时GC的输出将达到最小。这样一来GC的输出值就能用来表达某个区域的颜色刺激的状况。类似地，图1-4（b）表达的是绿中心{红外周区感受野的计算单元，图1-4（c）表达的是黄中心区{蓝外周区感受野的计算单元，图1-4（d）表达的是蓝中心区{黄外周区感受野的计算单元。
　　图1-5第一行左边是一只隐藏在草丛中的翠鸟，它的羽毛与背景颜色非常相似，因此，一般来说是很难发现的。我们使用上述计算模型对原始图像进行处理，得到的上层计算单元输出值用过滤器筛选一下就能得到图1-5第一行右边的结果，那只翠鸟的主体轮廓被清晰地分割出来了。类似地，图1-5第二行的左边是隐藏在沙漠中的蛇，它的保护色也能与环境融合得很好，但经过处理图像的主体还是被分割出来了，这就极大地方便了后续物体识别的加工。
　　1.3类脑计算助力神经科学研究
　　类脑计算不但能够以算法启迪的方式来促进工程应用，也能以假设验证的方式来促进神经科学的研究

查看全部↓