基于增量式自组织神经网络的机器人自主认知发育模型的研究
发布时间：2021-04-02 09:32
认知机器人是像人类一样能够感知、动作并通过学习自主发育认知的高级智能体,近年来在人工智能领域受到了广泛的关注。具有认知发育能力能够使机器人自主应对复杂多变的环境,适应非特定、多任务场景,有助于机器人提高自主化水平并改善人机交互效果,促进机器人更好地为人类服务。认知发育模型需要能够实时学习、记忆新类物体并自主总结已有知识,进而发育出基于类别的物体概念。然而,目前认知机器人的认知发育模型存在模态单一、模态之间不通用、结构预定义、线下训练、无法自主发现和反馈错误表示及处理大规模连续数据流等问题。本文主要研究认知机器人在人类日常生活场景中对物体概念的认知发育问题,建立机器人与人类共同的知识基础,促进人机交互。受人类婴儿认知发育理论及大脑知识表示生理学研究的启发,本文建立了一系列基于增量式自组织神经网络的认知发育模型,使机器人通过在线、增量式学习,提升机器人的知识量,并利用网络的自组织聚类能力,形成基于类别的物体概念,提高机器人的认知水平。为提高机器人认知发育模型的学习效果,并解决已有认知模型存在的以上问题,本文针对机器人学习物体概念的认知发育模型展开了更加深入的研究,主要包括以下几个内容:1)...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：164 页
【学位级别】：博士
【部分图文】：
图１－３论文主要研宂内容??本论文共分为六章，各章节的具体内容如下：??
第二章基于增量式自组织神经网络的认知发育模型??认知发育模型??ｒ?－??物体一ＫＷｉ—＾视＆特征〈?＼?————?——?—??一－颜色＇妹??前皮质的舌?／违立视听融??侧和梭状■区?／?合关系??／?关联网络??卖Ｉ?—％、；””?听｜！征?｜—名??额下冋后部??图２－１基于增慑式自组织神经网络的认知发育模型??每层的增量式自组织网络在接收到信息时，根据竞争学习原理，从网络中找??到最佳和次佳匹配的节点。如果最佳匹配节点被激活，那么建立最佳和次佳匹配??节点之间的拓扑连接，并用当前输入更新最佳匹配节点及其邻域的权重。否则，??网络创建一个新的节点用于学习新知识。随着知识的不断积累，网络利用自身的??自组织能力即节点之间的拓扑连接，逐渐将相同的知识归为一类，从而形成类别??表示，实现认识水平的提升。另外，低层神经网络激活节点的信息也可作为高层??神经网络的输入，从而实现底层不同神经网络之间的关联。??２．４本章小结??本章根据婴儿认知发育理论即大脑对物体概念的表示原理，提出了基于增量??式自组织神经网络的自主认知发育模型。该模型每一层增量式自组织网络用于模??拟大脑中一种模态或一种特征对应的区域，既能实现婴儿认知发育过程中的增量??式学习，又能用于多模态信息的记忆和关联。??１９??
山东大学博士学位论文??（ａ）婴儿学习物体概念?（ｂ）机器人向人类学习??图３－１婴儿与机器人认知发育。（ａ）人类婴儿在父母指导下学习物体概念。当父母给他一个??物体并告诉名字．婴儿能够逐渐学习到视听信息之间的关联关系，并发育自己的认知能力。??（ｂ）机器人通过观察彩色的几何体，并听它的名字来学习物体概念。??受婴儿的认知发育过程的启发，本文提出了一种基于视听融合的分层式自主??认知发育模型（ＳＯＨＣＮ－ＡＶＦ），用于学习多模态的物体概念并建立物体和名字之??间的关联关系。该模型包括样本层，符号层和关联层，均由增量式自组织神经网??络构成。其中，样本层学习物体的样本表示并进行自主聚类；符号层自底向上接??收样本层的聚类结果并将其抽象成符号表示，且自上而下传递关联层的指导信息；??关联层建立同时被激活的视听符号之间的关联关系。通过在线学习，该模型能够??逐步发育出具体的和抽象的物体概念，实现机器人的认知发育。??３．２视听融合的自组织神经网络的相关工作??３．２．１视听融合??目前，大多数视听融合的研究都是针对目标侦测和识别的，很少有关于认知??发育的研究。例如，一些研究利用两个深度神经网络分支分别学习视觉图像和声??音，并通过串联两种模态的特征向量来进行信息融合％９６］。但是这些计算模型是??固定拓扑的，不具备增量式学习的能力，并需要线下用大量数据训练。Ｆｒａｍｅ等??人１９７］提出了一种深度视觉语义嵌入模型，利用ＡｌｅｘＮｅｔ和ｓｋｉｎ－ｇｒａｍ语言模型分??别学习视觉特征向量和词汇向量。该方法暴露了多模态融合研究的另一个问题，??即如何设计一个多模态通用的学习算法，使研究人员不必为每种模态设计专门的??学习模
【参考文献】：
期刊论文
[1]基于认知发育的移动机器人自主导航[J]. 蔡建羡,阮晓钢,于乃功,柴洁,朱晓庆. 计算机工程. 2018(01)
[2]Clustering by Fast Search and Find of Density Peaks with Data Field[J]. WANG Shuliang,WANG Dakui,LI Caoyuan,LI Yan,DING Gangyi. Chinese Journal of Electronics. 2016(03)
[3]具有回忆和遗忘机制的数据流挖掘模型与算法[J]. 赵强利,蒋艳凰,卢宇彤. 软件学报. 2015(10)
[4]基于内在动机的智能机器人自主发育算法[J]. 任红格,向迎帆,李福进. 计算机应用. 2015(09)
[5]一种带有实时视觉特征学习的自主发育机器人探索[J]. 高颖,陈东岳,张立明. 复旦学报(自然科学版). 2005(06)
博士论文
[1]具有自主发育能力的机器人感知与认知方法研究[D]. 马爽.吉林大学 2016
[2]论儿童科学概念的形成[D]. 吕萍.上海师范大学 2015
[3]基于仿人脑认知计算模型的机器人视觉学习方法[D]. 瞿心昱.浙江工业大学 2012
[4]具有感知和认知能力的智能机器人若干问题的研究[D]. 陈东岳.复旦大学 2007
本文编号：3115035
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：164 页
【学位级别】：博士
【部分图文】：
图１－３论文主要研宂内容??本论文共分为六章，各章节的具体内容如下：??
第二章基于增量式自组织神经网络的认知发育模型??认知发育模型??ｒ?－??物体一ＫＷｉ—＾视＆特征〈?＼?————?——?—??一－颜色＇妹??前皮质的舌?／违立视听融??侧和梭状■区?／?合关系??／?关联网络??卖Ｉ?—％、；””?听｜！征?｜—名??额下冋后部??图２－１基于增慑式自组织神经网络的认知发育模型??每层的增量式自组织网络在接收到信息时，根据竞争学习原理，从网络中找??到最佳和次佳匹配的节点。如果最佳匹配节点被激活，那么建立最佳和次佳匹配??节点之间的拓扑连接，并用当前输入更新最佳匹配节点及其邻域的权重。否则，??网络创建一个新的节点用于学习新知识。随着知识的不断积累，网络利用自身的??自组织能力即节点之间的拓扑连接，逐渐将相同的知识归为一类，从而形成类别??表示，实现认识水平的提升。另外，低层神经网络激活节点的信息也可作为高层??神经网络的输入，从而实现底层不同神经网络之间的关联。??２．４本章小结??本章根据婴儿认知发育理论即大脑对物体概念的表示原理，提出了基于增量??式自组织神经网络的自主认知发育模型。该模型每一层增量式自组织网络用于模??拟大脑中一种模态或一种特征对应的区域，既能实现婴儿认知发育过程中的增量??式学习，又能用于多模态信息的记忆和关联。??１９??
山东大学博士学位论文??（ａ）婴儿学习物体概念?（ｂ）机器人向人类学习??图３－１婴儿与机器人认知发育。（ａ）人类婴儿在父母指导下学习物体概念。当父母给他一个??物体并告诉名字．婴儿能够逐渐学习到视听信息之间的关联关系，并发育自己的认知能力。??（ｂ）机器人通过观察彩色的几何体，并听它的名字来学习物体概念。??受婴儿的认知发育过程的启发，本文提出了一种基于视听融合的分层式自主??认知发育模型（ＳＯＨＣＮ－ＡＶＦ），用于学习多模态的物体概念并建立物体和名字之??间的关联关系。该模型包括样本层，符号层和关联层，均由增量式自组织神经网??络构成。其中，样本层学习物体的样本表示并进行自主聚类；符号层自底向上接??收样本层的聚类结果并将其抽象成符号表示，且自上而下传递关联层的指导信息；??关联层建立同时被激活的视听符号之间的关联关系。通过在线学习，该模型能够??逐步发育出具体的和抽象的物体概念，实现机器人的认知发育。??３．２视听融合的自组织神经网络的相关工作??３．２．１视听融合??目前，大多数视听融合的研究都是针对目标侦测和识别的，很少有关于认知??发育的研究。例如，一些研究利用两个深度神经网络分支分别学习视觉图像和声??音，并通过串联两种模态的特征向量来进行信息融合％９６］。但是这些计算模型是??固定拓扑的，不具备增量式学习的能力，并需要线下用大量数据训练。Ｆｒａｍｅ等??人１９７］提出了一种深度视觉语义嵌入模型，利用ＡｌｅｘＮｅｔ和ｓｋｉｎ－ｇｒａｍ语言模型分??别学习视觉特征向量和词汇向量。该方法暴露了多模态融合研究的另一个问题，??即如何设计一个多模态通用的学习算法，使研究人员不必为每种模态设计专门的??学习模
【参考文献】：
期刊论文
[1]基于认知发育的移动机器人自主导航[J]. 蔡建羡,阮晓钢,于乃功,柴洁,朱晓庆. 计算机工程. 2018(01)
[2]Clustering by Fast Search and Find of Density Peaks with Data Field[J]. WANG Shuliang,WANG Dakui,LI Caoyuan,LI Yan,DING Gangyi. Chinese Journal of Electronics. 2016(03)
[3]具有回忆和遗忘机制的数据流挖掘模型与算法[J]. 赵强利,蒋艳凰,卢宇彤. 软件学报. 2015(10)
[4]基于内在动机的智能机器人自主发育算法[J]. 任红格,向迎帆,李福进. 计算机应用. 2015(09)
[5]一种带有实时视觉特征学习的自主发育机器人探索[J]. 高颖,陈东岳,张立明. 复旦学报(自然科学版). 2005(06)
博士论文
[1]具有自主发育能力的机器人感知与认知方法研究[D]. 马爽.吉林大学 2016
[2]论儿童科学概念的形成[D]. 吕萍.上海师范大学 2015
[3]基于仿人脑认知计算模型的机器人视觉学习方法[D]. 瞿心昱.浙江工业大学 2012
[4]具有感知和认知能力的智能机器人若干问题的研究[D]. 陈东岳.复旦大学 2007
本文编号：3115035
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3115035.html
