HTM算法在图像识别中的应用研究

《HTM算法在图像识别中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ＧｕａｎＤｏｎＰｏｌｔｅｃｈｎｉｃＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｇｇｙｙ硕ｄｒ（专业）学位论文ＨＴＭ算法在图像识别中的应用硏究ＡｈｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＨＴＭＡｌｏｒｉ也ｍｐｐｇｉｎＩｍａｅ民ｅｃｏｎｉｔｉｏ打、ｇｇ．■－■．－．作者蒙仕格导师姓名职称李军教授学科专业名称系统理论所在学院计算化科学学院学生类别全日制囚在职□论文提交日期２０１６年６月ApplicationResearchofHTMAlgorithminImageRecognitionByMengshigeADis

2、sertationSubmittedtoGuangDongPolytechnicNormalUniversityInpartialfulfillmentoftherequirementFortheMasterdegreeJune，2016中图分类号TP391学校代码10588UDC004.93密级公开硕士学位论文HTM算法在图像识别中的应用研究ApplicationResearchofHTMAlgorithminImageRecognition作者蒙仕格导师姓名职称李军教授申请学位理学硕士所在学院计算机科学学院学科专业名称系统理论研究方向信息系统工程答辩委员会主席凌捷教授

3、评阅人2016年6月摘要随着现代人工智能技术的发展，计算机科学和生物学间的交叉合作越来越紧密，层级实时记忆（HierarchicalTemporalMemory,以下简称HTM）算法是人工智能算法的一种，该算法是在对大脑的行为模式、神经元组织方式的观察基础上提出的。HTM算法常用于对数据流的异常检测，在图像识别方面应用得比较少。HTM算法是通过记录模式序列的先后发生顺序，计算模式间的相似度，具有记录模式间上下文相关性的特点，对时间上相关的模式序列有较好的分类能力。本文的主要工作分为以下几点：（1）对HTM算法的框架进行分析，描述基于概率模型的HTM算法的工作原理和结构框架

4、，对HTM算法的训练和推理两个阶段进行了分析。描述HTM算法中间层和输出层两种节点的结构，以及层间的信息流，为编程实现HTM算法提供依据。在训练阶段，分别描述了中间层和输出层两种节点的计算方式。使用了两种矩阵用于记录模式序列的上下文相关性，在模式序列分组的计算中，描述了最大化稳定度分组算法，该算法是针对时间上连续的输入模式序列进行聚类的算法。在推理阶段，描述了HTM算法中间层以及输出层的推理过程，使用训练阶段得出的模式分组和映射矩阵，计算置信度进行逐层向上传播，最后计算类别概率得出模式所属的类别。（2）设计了一种MNIST手写字符识别的实验，得出在使用4000张以上的图片

5、进行训练测试时，有85%以上的识别率，验证了HTM算法对图像不变性表征问题上的解决能力，并和CNN算法进行对比，得出在数据量较少的情况下识别率优于CNN算法。（3）针对HTM算法在复杂纹理图像的识别率低的问题，在第五章中提出了一种由多个HTM组合模型构成的图像识别框架，并把该框架用于人脸识别实验中，通过对ORL人脸库的实验得出，在400张人脸图像上使用一半的图像进行训练，另外一半进行测试，获得了88%的识别率，验证了该模型的有效性，使HTM算法在人脸图像识别上有一定的借鉴意义。关键词：图像识别；HTM；层级实时记忆；模式序列；不变性表征；中图文分类号：TP391UDC:0

6、04.93IAbstractWiththedevelopmentofmodernartificialintelligencetechnology.CollaborationbetweenComputerScienceandBiologyScienceworkinclosely.TheHTMalgorithmsisinspirebythebrain’sbehaviorpatternandthestructureofneo-cortex,TheHTMalgorithmshavebeenanewkindartificialintelligencealgorithm.Curren

7、tly,HTMalgorithmsarefrequentlyusedforanomalydetectionofdatastream,butrarelynotcommonlyusedforimagerecognition.HTMalgorithmisbaseonlearningcontextandsimilarityofpatternsequence,ithasthecharacteristicsofcontent-sensitiveofpatternsequence.Ithasagoodclassificationrateon