[发明专利]用于对象识别的稀疏联想记忆

说明书

描述了使用稀疏联想记忆进行对象识别的系统。在操作中，该系统将关于对象的签名数据转换成表示输入神经元层中的激活的二进制信号的集合。基于输入神经元层中的激活，将输入神经元连接到隐藏神经元，这允许从隐藏神经元回到输入神经元的循环连接。然后，在输入神经元层中的输入神经元稳定时，识别输入神经元的激活图案。激活图案是恢复图案，其允许系统通过将恢复图案与关系数据库中存储的图案进行比较来识别对象。基于对象识别，然后可以控制诸如机械臂等的设备。

相关申请的交叉引用

本申请要求于2018年3月13日提交的美国临时申请No.62/642,521的权益并且是其非临时专利申请，其全部内容通过引用并入本文中。

背景技术

(1)技术领域

本发明涉及对象辨识系统，并且更具体地，涉及使用稀疏联想记忆(SAM：sparseassociative memory)来识别对象的对象辨识系统。

(2)相关技术的描述

在各种设置中，自动识别特定对象的能力可能是重要的。例如，为了取证或验证目的，能够快速识别机械或零件是很重要的。军事系统中的零件可能是伪造的，因此需要进行验证以测试零件是否确实是特定对象或甚至是来自经选择和批准的供应商的特定对象。通过手动方式进行验证非常耗时，因此需要自动方式。

已经尝试使用神经网络创建辨识系统。例如，一些研究人员已经试图采用Hopfield(霍普菲尔德)网络的变体(参见“所并入的参考文献的列表”，参考文献6)，其是联想记忆。Hopfield网络是完全连接网络(即，各个神经元都连接至每个其它神经元)，并且将图案存储在神经元之间的连接的权重中。Hopfield网络虽然在某种程度上可操作以识别图案，但是Hopfield网络具有多个缺点，这些缺点包括：

1.存储权重需要大量计算机存储空间，因为它们是浮点和数字O(n²)，其中，n是神经元的数量。

2.记忆的回忆不限于在网络中存储的图案；另外，网络频繁地回忆所谓的虚假记忆(参见参考文献1)。对于足够大量的存储图案，当网络呈现随机输入时，虚假记忆的回忆概率接近100％。

3.即使对于适度数量的存储图案，正确检索的概率也下降到接近0％，从而限制了网络可以存储的图案数量；存储的图案数量上限为n/(2log n)，例如，对于n＝1000个神经元，上限为72(参见参考文献2)。

Hopfield网络的变体提供关于如何更新连接权重的不同规则。利用这些规则中的一些规则，存储图案的容量可能比上述容量更大。例如，利用Storkey规则，容量为n/sqrt(2log n)而不是n/(2log n)，例如，对于n＝1000个神经元，容量为269(参见参考文献9)。尽管如此，上述缺点1和缺点2仍然存在。

因此，持续需要一种使用稀疏联想记忆自动地且有效地检测对象的系统。

发明内容

本公开提供了一种使用稀疏联想记忆进行对象识别的系统。在各个方面，该系统包括存储器和一个或更多个处理器。该存储器是编码有可执行指令的非暂时性计算机可读介质，使得在执行指令时，一个或更多个处理器执行多个操作，该多个操作包括：将关于对象的签名(signature)数据转换成表示输入神经元层中的激活的二进制信号的集合；基于输入神经元层中的激活将输入神经元连接到隐藏神经元；形成从隐藏神经元回到输入神经元的循环连接(recurrent connection)；在输入神经元层中的输入神经元稳定时，识别输入神经元的激活图案，该激活图案是恢复图案；通过将恢复图案与关系数据库中存储的图案进行比较来识别对象；并且基于对象的识别对设备进行控制。

在又一方面，对设备进行控制包括基于对象的识别使设备执行物理动作。

在另一方面，该系统执行以下操作：迭代地激活输入神经元和隐藏神经元，直到输入神经元的稳定发生为止。