Tóm tắt Luận án Tiến sĩ Công nghệ thông tin: Mô phỏng quá trình ghi nhớ của hệ thống nơron sinh học

Luận án trình bày về bài toán mô phỏng quá trình ghi nhớ thông tin của hệ thống nơ-ron sinh học, cung cấp các kiến thức cơ bản để mô tả các mô hình đã nghiên cứu và cải tiến, đề xuất một thuật toán học mới để BAM học nhanh và linh động hơn, thể hiện hai luật học hiệu quả mọi mẫu huấn luyện và một thủ tục tìm giá trị tối ưu cho tham số tốc độ học của Fuzzy ART, trình bày một luật học cải tiến cho FAM để lưu trữ hiệu quả đồng thời cả nội dung và sự liên kết giữa các cặp mẫu. Mời các bạn cùng tham khảo.
Nội dung trích xuất từ tài liệu:
Tóm tắt Luận án Tiến sĩ Công nghệ thông tin: Mô phỏng quá trình ghi nhớ của hệ thống nơron sinh họcNông Thị HoaMÔ PHỎNG QUÁ TRÌNH GHI NHỚCỦA H THƠ O SCChuyên ngành: Khoa học máy tínhMã số: 62.48.01.01TÓM TẮT LUẬN ÁN TIẾ SĨHà Nội –2014THÔNG TINCông trình được hoàn thành tại: Trường Đại học Công nghệ - Đại học Quốc giaHà Nội.Người hướng dẫn khoa học: PGS.TS. Bùi Thế DuyPhản biện 1:Phản biện 2:Phản biện 3Luận án tiến sĩ sẽ được bảo vệ trước hội đồng cấp Đại học Quốc gia chấm luận ántiến sĩ họp tại…………………………………………………………Vào hồigiờngày tháng nămCó thể tìm hiểu luận án tại:-Thư viện Quốc gia Việt Nam-Trung tâm Thông tin – Thư viện, Đại học Quốc gia Hà NộiMỞ ĐẦU1. Tính cấp thiết của luận ánCon người được xem là động vật cao cấp nhất nhờ vào khả năng hoạt động đặc biệt củabộ não. Não người phát triển mạnh mẽ và hoàn thiện cho các chức năng như tự điều khiển,lập kế hoạch, lập luận, và suy nghĩ trừu tượng. Các mô hình mô phỏng hoạt động của nãongười được phát triển để tạo ra các phần mềm máy tính ngày càng thông minh và xử lý thôngtin nhanh hơn.Mạng nơ-ron nhân tạo (ANN) là mô hình toán học mô phỏng hiệu quả hoạt động của cácnơ-ron sinh học. Trong đó, Bộ nhớ liên kết hai chiều (BAM), Bộ nhớ liên kết mờ (FAM), vàLý thuyết cộng hưởng thích nghi mờ (Fuzzy ART) là ba mạng nơ-ron điển hình mô phỏngquá trình ghi nhớ thông tin. Quá trình học của ba mô hình này chưa tối ưu do hai nguyênnhân: (i) việc gắn trọng số cho các mẫu trong tập huấn luyện còn chưa hợp lý và (ii) luật họclưu trữ chưa triệt để các thông tin học được từ dữ liệu huấn luyện. Hơn nữa, kết quả của quátrình học có ảnh hưởng lớn đến quá trình nhớ lại các mẫu đã lưu. Vì vậy, việc nâng cao chấtlượng của quá trình học là hết sức cần thiết để đáp ứng được các yêu cầu ngày càng phức tạpcủa các ứng dụng thực.2. Các đóng góp của luận án1. Đề xuất thuật toán học mới cho BAM để cho quá trình huấn luyện diễn ra nhanh hơnvà linh động hơn. Đồng thời, thuật toán hỗ trợ việc cải thiện khả năng lưu trữ và nhớlại các cặp mẫu không trực giao.2. Cải tiến luật học của FAM để lưu trữ hiệu quả đồng thời cả nội dung và sự liên kết củacác cặp mẫu huấn luyện. Việc cải tiến này giúp nâng cao khả năng nhớ lại từ các mẫuvào có dạng nhiễu phức tạp.3. Đề xuất hai luật học hiệu quả cho Fuzzy ART với hai ưu điểm gồm học mọi mẫu huấnluyện và giảm ảnh hưởng của các mẫu huấn luyện dị thường.Các kết quả của luận án đã được công bố và chấp nhận công bố trong 2 bài báo ở tạp chíISI quốc tế, 7 báo cáo trong kỷ yếu có phản biện của hội nghị quốc tế được xuất bản bởiIEEE và Springer, và 2 bài báo ở tạp chí trong nước.3. Bố cục của luận ánNgoài phần mở đầu và kết luận, luận án được tổ chức như sau.1Chương 1 trình bày về bài toán mô phỏng quá trình ghi nhớ thông tin của hệ thống nơron sinh học. Đầu tiên, chúng tôi trình bày các hiểu biết cơ bản nhất về não người và nơ-ronsinh học. Sau đó, các kiến thức quan trọng về luật học của ANN được tổng hợp .Chương 2 cung cấp các kiến thức cơ bản để mô tả các mô hình đã nghiên cứu và cảitiến. Đầu chương, các thao tác của logic mờ và toán học hình thái được trình bày. Tiếp theo,các mô hình thuộc hai nhóm Bộ nhớ liên kết (AM) và Lý thuyết cộng hưởng thích nghi(ART) được thể hiện theo thứ tự phát triển các mô hình.Chương 3 đề xuất một thuật toán học mới để BAM học nhanh và linh động hơn. Cácthử nghiệm với các nhiệm vụ nhận dạng mẫu cho thấy BAM cải tiến nhớ lại tốt hơn cácBAM khác.Chương 4 thể hiện hai luật học hiệu quả mọi mẫu huấn luyện và một thủ tục tìm giá trịtối ưu cho tham số tốc độ học của Fuzzy ART. Các thực nghiệm trên các bộ dữ liệu chuẩncho thấy Fuzzy ART với luật học cải tiến nhớ lại các cụm tốt hơn các mô hình khác.Chương 5 trình bày một luật học cải tiến cho FAM để lưu trữ hiệu quả đồng thời cả nộidung và sự liên kết giữa các cặp mẫu. Các thử nghiệm với nhiệm vụ nhận dạng các chữ số vàcác ảnh từ cơ sở dữ liệu ảnh của hãng Corel cho thấy FAM cải tiến nhớ lại tốt hơn các FAMkhác.2CHƯƠNG 1. BÀI TOÁN MÔ PHỎNG QUÁ TRÌNH GHI NHỚTHÔNG TIN CỦA HỆ THỐNG NƠ-RON SINH HỌC1.1 Não người và nơ-ron sinh học1.1.1 Não ngườiVỏ não của người là một tầng dày chứa các nơ-ron mà bao phủ hầu hết bộ não. Vỏ nãođược chia thành bốn thùy. Mỗi thùy có các vùng vỏ não lớn gắn với một chức năng cụ thểnhư nhìn, điều khiển chuyển động, ngôn ngữ,.... Một số vùng được mở rộng rất mạnh đặc biệtlà vùng chứa ngôn ngữ.1.1.2 Mạng nơ-ron sinh họcMột mạng nơ-ron sinh học là một chuỗi các nơ-ron có kết nối bên trong mà sự kích hoạtcủa các nơ-ron tạo thành sự truyền tín hiệu giữa các nơ-ron. Nếu tổng các tín hiệu vào trênmột nơ-ron vượt quá một ngưỡng nhất định thì nơ-ron gửi đi một tiềm năng hoạt động ở phầngò sợi trục và truyền các tín hiệu điện tử này theo các sợi trục đến các nơ-ron khác.1.2 Nơ-ron nhân tạo và mạng nơ-ron nhân tạoMcCulloch và Pitts đã đề xuất một mô hình tính toán cho một nơ-ron sinh học. Nơ-ronnhân tạo tính tổng trọng ...