利用多層式類神經網路作可調性圖型之識別

Abstract

近年來，模擬生物神經細胞動作的類神經網路模型以其平行化計算、分散式處理的特 性及優越的容錯能力，而被廣泛地應用在許多領域上，并且成功地解決了一些圖型識 別的問題。 在本論文中，我們先模擬由衛卓教授(Professor Widrow)所提出的一個類神經網路模 型架構，此架構由一“不變式”網路及一“可調式”網路所構成，不變式網路之神經 鍵值由亂數產生器產生，一經給定即不再變化；而可調式網路之學習法為Feedforewa rd的MRII法則。不變式網路可針對平移、旋轉…等圖型，作一類似特徵抽取之處理， 使得屬於同類的圖型均有相同的反應，也就是說，不論圖型如何平移或旋轉，其結果 均是不變的，接著這些不變的結果再經過一訓練好的可調式網路，後產生既定的標準 位置與方位的標準圖型。此模型尤其對平移、旋轉圖型有極高的辨識率，而且不需要 作細線化(Thinning)等先處理工作。雖然，此架構在平移及肇轉圖型的辨認上有極好 的效果，但它的容錯能力偏低且需大量類神經元，針對這些缺點，我們提出一個改良 式的辨識系統，在第一階段的網路為Widrow的不變式網路，第二階段則為多層式認知 機(Multilayer Perceptron) 之改良形。并且以此系統架構為主，利用原始模型所採 用的MRII法則結合最小擾亂原理(Minimum Disturbance Principle) 及逆傳遞(Back_ Propagation)法則兩種學習理論分別對該可調式網路加以訓練，最後將他們的結果在 容錯能力及使用神經元的量方面作一比較。 經實驗證明此一改良模型除了在處理無雜訊圖型的平移及旋轉上，同樣具有極高的正 確率外，在容錯能力方面較之原始模型的確大為提高，而且在神經鍵的連接量上也可 以大量地減少。