数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学Pandemonium 架构
特征检测理论或Pandemonium架构是神经科学中的一种范例，试图阐明我们如何感知周围的世界。它可以应用于机器分析和其他人工智能相关领域。这一概念由人工智能先驱奥利弗·塞尔弗里奇 (Oliver Selfridge) 于 1959 年提出。它使用一个隐喻的“恶魔”集合相互传递信息来解释识别准确性，作为认知研究领域中检测和关联的等级结构。该理论现在被广泛接受为我们关于视觉感知的最重要事实之一。Pandemonium 架构是最早的模式识别模拟装置之一。
什么是 Pandemonium？
事件、物体、特征、类别等等。神经元仅代表有助于感知和认知能力的一些事物。换句话说，我们不是模拟计算机，这不是非此即彼的情况，也不取决于你的立场。其他相关的考虑因素包括强度、数量和体积的程度。神经元并不仅仅在一个二进制系统中运行；它们可以快速、频繁或不频繁地放电。一个神经元可能会从其他突触接收到数百个激发指令和许多抑制信号。同样，我们的想法可能会对世界产生持久的影响并激发大量类似的概念，也可能是转瞬即逝的灵感，如同出现一样迅速消失。
架构
该架构包含各种“恶魔”，它们自主运行以分析传入的视觉数据。恶魔根据它们负责的识别阶段被组织成组，然后在这些组内并行工作。在最初的设计中，有四种不同类型的恶魔。
图像恶魔 - 它捕捉显示在大脑视网膜上的图像。
特征恶魔 - 宇宙充满了“特征恶魔”，本质上是代表特定特征的怪物。各种类型的线条，例如长直线、曲线等，都可以由它们的特征恶魔来表示。如果一个特征恶魔遇到它“匹配”的特征，它就会“大喊”出来。记住，这些特征恶魔代表的是一类神经元，而不是单个神经元。“垂直线模式恶魔”就是这样一种生物，代表视网膜中垂直处理的神经元。
认知恶魔 - 确保你特别注意突出场景中恶魔的“喊叫”。你的每一个恶魔般的想法都遵循其独特的模式，例如字母表中的一个字符。特征恶魔识别模式的准确性决定了认知恶魔“喊叫”的内容。当找到更多匹配的特征时，这种精神上的“喊叫”就会变得更响亮。例如，一个具有认知字符 r 的恶魔如果其他具有长曲线、直线和低倾斜趋势成分的恶魔大声喊叫，可能会变得非常激动。一个具有认知字符 p 的恶魔可能会有点激动，但 z 字符认知恶魔更有可能保持沉默。
决策恶魔 - 代表序列中的最后一步。它听到脑海中生物的“喊叫”。它与当时你脑海中最吵闹的非理性敌人相匹配。在很大程度上，我们的思想被我们指定的恶魔所占据。R 认知恶魔将是最强的，其次是 P 恶魔。因此，我们将感知到 R。但是，如果显示参数不合格（例如，字母快速闪现或部分区域被遮挡），我们可能会更容易误认为是 P。要理解“Pandemonium”一词的含义，请考虑系统中发生的全部“喊叫”。
相关性和影响
Pandemonium 架构已解决几个现实世界的问题，例如破译摩尔斯电码和识别手写字母。总的来说，基于 Pandemonium 的模型的精度非常出色，即使系统只有很短的时间来学习。例如，Doyle 建立了一个基于混沌的系统，该系统使用超过 30 个复杂的特征分析器。他随后向他的系统教授了几百个新的字母符号。此步骤包括评估输入的字母并产生其结果（系统将字母识别为何物）。将系统的输出与正确识别进行比较，并将所得误差信号用于微调特征分析器的相对重要性。
关联
包括 -
与模板匹配理论的关联 - 这两种方法之间存在关键区别：模板匹配理论依赖于将视觉与显式表示进行直接比较，而 Pandemonium 架构首先在视觉信息级别分析图像。混沌架构的优势在于它能够识别信号，即使信号的大小、样式和其他调整发生变化，而无需假设无限的模式记忆。当物体以三个方面描绘并且偶尔被其他物体遮挡时，模板匹配理论在呈现现实的视觉输入时，准确性极低。例如，如果书的一部分被纸包裹着，但是我们仍然可以判断它是书，那么这意味着我们具有良好的物体识别能力。
与 Hebbian 模式识别的关联 - Hebbian 模型以及 Pandemonium 架构等面向特征的方法具有多个共同点。Hebbian 模型是第一级处理，细胞组件在其功能上与特征恶魔非常相似。与特征恶魔相比，细胞组件受到限制，因为它们无法提取超出线条、曲线和轮廓的复杂结构。仅借助认知恶魔就可以从细胞组件构建相位序列。模板和特征匹配理论通常用于解释 Hebbian 模型，因为它们与之相似。
结论
心理物理学研究已明确表明，字母识别依赖于其组成属性，并且关于这些组成部分的“成分”有重要的新信息。虽然 MRI 在识别参与字母感知的特定大脑区域方面显示出前景，但新的电生理记录在帮助我们了解字母识别中发生的系统的时态动态方面显示出前景。
393 次浏览
