Neocognitrón

La versión actual de la página aún no ha sido revisada por colaboradores experimentados y puede diferir significativamente de la versión revisada el 3 de septiembre de 2014; las comprobaciones requieren 15 ediciones .

Neocognitron ( eng.  Neocognitron ) es una red neuronal artificial multicapa jerárquica , de tipo convolucional , derivada de cognitron y propuesta por Kunihika Fukushima (1980), capaz de reconocimiento de patrones robusto , generalmente entrenada en el principio de " aprendizaje no supervisado ". Este tipo de red también se suele utilizar para reconocimiento de escritura a mano y OCR , imágenes con una estructura muy distorsionada o ruidosa. El prototipo de la red se tomó del modelo propuesto por Hubel y Wiesel (1959), según el cual existen dos tipos de células en la corteza visual primaria : una célula simple y una célula compleja, dispuestas en cascadas. El neocognitrón también consta de neuronas en cascada tipo S (simple, ing. simple ) y tipo C (complejo, ing. complejo ). Durante el funcionamiento de la red, las características locales de la imagen se extraen utilizando celdas de tipo S, y las distorsiones de características, como, por ejemplo, el desplazamiento, se compensan con celdas de tipo C. [1] Las características locales en la entrada se generalizan en etapas y la clasificación final se realiza en las capas finales. Una idea similar de generalización de características locales también se aplica en las redes LeNet y SIFT .   

Cómo funciona

Diferencias con el cognitrón

El cognitrón y el neocognitrón tienen ciertas similitudes, pero también existen diferencias fundamentales entre ellos relacionadas con la evolución de la investigación de los autores. Ambos patrones son redes jerárquicas en capas organizadas de manera similar a la corteza visual. Al mismo tiempo, el neocognitrón es más consistente con el modelo del sistema visual descrito en el trabajo de Hubel DH y Wiesel TN [2] Como resultado, el neocognitrón es un paradigma mucho más poderoso en términos de la capacidad de reconocer imágenes independientemente de sus transformaciones, rotaciones, distorsiones y cambios de escala. Al igual que el cognitron , el neocognitron utiliza la autoorganización en el proceso de aprendizaje, aunque se ha descrito una versión [3] que utiliza en su lugar el aprendizaje supervisado. [cuatro]

Metodología de la enseñanza

Variedades del neocognitrón

Hay diferentes tipos de neocognitrones. [5] Por ejemplo, algunos tipos de neocognitrones pueden detectar múltiples patrones en la misma entrada, utilizando señales de retroalimentación para lograr una atención selectiva. [6]

Notas

1. ↑ Jared Decano. Big Data, minería de datos y aprendizaje automático . - Wiley, 2014. - ISBN 978-1118618042 . Archivado el 9 de septiembre de 2021 en Wayback Machine .
2. ↑ Hubel DH, Wiesel TN Campos receptivos, interacción binocular y arquitectura funcional en la corteza visual del gato. Revista de fisiología 160: 106–54. — 1962.
3. ↑ Fukushima K., Miyake S., Takayuki I. Neocognitron: un modelo de red neuronal para un mecanismo de reconocimiento de patrones visuales. Transacción IEEE sobre sistemas, hombre y cibernética SMC–13(5):826–34. — 1983.
4. ↑ F. Wasserman. Tecnología neurocomputadora: Teoría y práctica. Traducción al ruso, Yu. A. Zuev, V. A. Tochenov. — 1992.
5. ↑ Fukushima2007
6. ↑ Fukushima 1987, págs. 81, 85

Enlaces

• Implementación de software de neocognitron en C# Archivado el 7 de febrero de 2011 en Wayback Machine .
• Implementación de software de neocognitron en Delphi 6 Archivado el 20 de noviembre de 2012 en Wayback Machine .

Tipos de redes neuronales artificiales

Red feed-forward ( Red de funciones de base radial ) Perceptrón de una sola capa Perceptrón multicapa ( Rosenblatt • Rumelhart ) Red Hopfield cadena de Markov máquina de Boltzmann Máquina Boltzmann limitada Codificador automático ( Codificador automático de eliminación de ruido • Codificador automático disperso [en • Codificador automático variacional ) Red profunda de confianza Red neuronal convolucional Red neuronal convolucional profunda Red neuronal de despliegue Red gráfica inversa convolucional profunda Red adversaria generativa Red neuronal recurrente Redes Neuronales Recursivas memoria a corto plazo Bloque recurrente controlado Máquinas neurales de Turing Red bidireccional (Red neuronal recurrente bidireccional • Red bidireccional con memoria a corto plazo larga • Neuronas recurrentes controladas bidireccionales ) Red residual profunda Red de eco neuronal Método de aprendizaje extremo Método de estados inestables Máquinas de vectores soporte Red Kohonen Mapa autoorganizado de Kohonen Red neuronal de la cápsula Memoria asociativa en redes neuronales

Aprendizaje automático y minería de datos
Tareas	Problema de clasificación Aprender sin un maestro Aprendizaje asistido por profesores Análisis de regresión AutoML reglas de asociación Extracción de características entrenamiento de rasgos Entrenamiento de clasificación Derivación gramatical Aprender en línea
Aprendiendo con un maestro	método del k-vecino más cercano Clasificador bayesiano ingenuo árbol de decisión Máquinas de vectores soporte Regresión lineal Regresión logística perceptrón conjuntos de modelos Harpillera impulsar bosque aleatorio Método de vector relevante
análisis de conglomerados	método k-medias método de agrupamiento difuso Agrupación jerárquica algoritmo EM ABEDUL CURAR DBSCAN ÓPTICA Desplazamiento medio
Reducción de dimensionalidad	Análisis factorial Método de componentes principales CCA ACI LDA Expansión de matriz no negativa t-SNE
Pronóstico estructural	Graficar modelo probabilístico red bayesiana Modelo oculto de Markov FRC
Detección de anomalías	método del k-vecino más cercano Nivel de emisión local
Graficar modelos probabilísticos	red bayesiana Red de Markov Modelo oculto de Markov
Redes neuronales	Máquina Boltzmann limitada mapa autoorganizado Función de activación Sigmoideo softmax Funcion de base radial Método de propagación hacia atrás Aprendizaje profundo perceptrón multicapa Red neuronal recurrente memoria a corto plazo Bloque recurrente controlado Red neuronal convolucional U-red Codificador automático
Aprendizaje reforzado	proceso de Markov Ecuación de Bellman Algoritmo codicioso Q-aprendizaje SARAS Diferencia temporal (DT)
Teoría	Teoría de Vapnik-Chervonenkis Dilema de dispersión de sesgo Teoría del aprendizaje computacional Minimización empírica del riesgo El aprendizaje de Occam aprendizaje PAC Teoría del aprendizaje estadístico
revistas y congresos	NeurIPS ICML ML JMLR ArXiv:cs.LG