人工智能如何有效地运用于自然语言处理

缺乏、安全感 2022-05-28 06:52 195阅读 0赞

周末大家都出去玩，而我居然被人工智能深深吸引，其实AI还处于非常初级的发展阶段，今天看的是人工智能如何有效地运用于自然语言处理，1962年，Hubel和Wiesel通过猫视皮层细胞的研究提出了感受野的概念。 1984年，日本学者福岛基于感受野概念提出的神经认知机器（neocognitron）可以看作是卷积神经网络的第一个实现网络也是第一个将接受场概念应用于人工神经领域网络。神经认知机器将视觉图案划分为多个子图案（特征），然后进入用于处理的分层等级链接特征平面。它试图对视觉系统进行建模，使其即使物体被移位也可能会扭曲或稍微变形。同时，它可以完成识别。  
  
如何把人工智能运用到 [**伪原创**][Link 1]技术上？通常，神经认知机器包含两种类型的神经元，即携带特征提取的S元素和抵抗变形的C元素。 S元素包含两个重要参数，即感受野和阈值参数。前者确定输入连接的数量，后者控制对特征子模式的响应。许多学者一直致力于提高神经认知机器的性能：在传统的神经认知机器中，C-变形引起的视觉模糊通常分布在每个S元件的光敏区域中。如果由光感应区域的边缘产生的模糊效果大于中心的模糊效果，则S元件将接受由这种非正常模糊造成的较大变形容差。我们希望获得的是，接受场边缘处的训练模式和变形刺激模式之间的差异以及在中心处产生的效果变得越来越大。为了有效地形成这种非正常的模糊性，福岛提出了一种改进的具有双C元件层的神经认知机器。

Van Ooyen和Niehuis引入了一个新参数来提高神经认知机器的识别能力。事实上，这个参数作为抑制信号抑制神经元对重复激励特性的激励。大多数神经网络记住权重中的训练信息。根据Hebb学习规则，特征被训练的次数越多，在后面的识别过程中检测它越容易。一些学者还将进化计算理论与神经认知机器相结合，削弱了对重复刺激特征进行训练和学习的能力，并使网络关注这些不同的特征来提高识别能力。所有这些都是神经认知机器的发展过程，而卷积神经网络可以看作是神经认知机器的一种普遍形式。神经认知机器是卷积神经网络的特例。

**对人工智能感兴趣的朋友可以看看我其他的总结文章：**

**[NLP神经网络实现在伪原创方面的运用][NLP]  
[NLP伪原创技术早期并不是很受欢迎][NLP 1]  
[基于主动学习的伪原创句法识别研究][Link 2]  
[小发猫-人工智能的伪原创工具][-]  
[小发猫与普通伪原创工具的区别][Link 3]**

[Link 1]: http://www.xiaofamao.com/
[NLP]: https://blog.csdn.net/i_like_cpp/article/details/79756605
[NLP 1]: https://blog.csdn.net/i_like_cpp/article/details/79739520
[Link 2]: https://blog.csdn.net/i_like_cpp/article/details/79734135
[-]: http://www.u8k8.com/thread-501-1-1.html
[Link 3]: http://www.78tp.com/thread-30-1-1.html