A Neural network model for pattern recognition

Abstract

ÖZETÇE Bu çalışmanın amacı görüntü tanıyabilen ve `seçici dikkat`, `çağrışımlı hatırlama` ile `bölüntüleme` gibi özelliklere sahib olan bir sinir ağının tasarımı ve sınanmasıdır. Ağ çeşitli değişik işlevleri olan birçok sinir gözesinden oluşmaktadır. Bu sinir gözelerinin bazıları kazanç, eşik seviyesi gibi denetim işaretleri üretirken diğer bir kısmı da öğrenerek öznitelik tanırlar. Ağda bulunan geri besleme kanalları ile kazanç denetimi işaretleri seçici dikkat ve çağrışımlı hatırlamadan sorumludur. Bu çalışmada her biri üç katmandan oluşan iki ağ denenmiştir. Bunların birincisinde 11567, ( yaklaşık 90000 bağlantı ) ikincisinde ise 16630 ( yaklaşık 200000 bağlantı ) sinir gözesi vardır. Bu ağlara öğrenme süreci boyunca sadece gürültüsüz ve bozunmamış şekiller gösterilmiş olmasına rağmen, denemelerde bozunmuş ve gürültülü şekiller rahatlıkla tanınabildiği gibi onarımları oldukça başarılı sonuçlanmıştır. Onarımlarda çağrışımlı hatırlama etkin bir rol oynamaktadır. Kendi kendine öğrenebilen bu ağların dışarıdan bir öğretmene gereksinimi yoktur. Öğrenim sırasında gösterilen şekiller ise 19 x 19 luk ve 0-1 'lerden oluşan bir kare matris biçiminde olup matrisin boyutları yazılımda değiştirilebilir.

ABSTRACT The purpose of this study is to design and test a neural network which can recognize patterns and possesses the abilities such as : selective attention, segmentation, and associative recall. The network consists of several types of neurons some of which can learn and extract features, whereas some of the others generate control signals. The gain control cells and the backward propagation channels are responsible of selective attention and associative recall. Two networks, with three layers each, are used. The first of these networks has 1 1567 cells ( approximately 90000 connections ) and the second has 16630 cells ( approximately 200000 connections ). The results turned out to be very encouraging. The networks are able to repair a deformed pattern in its deformed manner, even if, during the training period only the undeformed and noise free patterns are presented. The networks are self organizing ones and do not need a teacher during learning. Their inputs are designed in a 19 x 19 matrix form where all the input elements are binary 0-1 type. Furthermore the dimensions of the input pattern can be changed according to different needs. İV