用于处理诸如图像的具有现有拓扑的数据阵列的神经网络和网络应用

摘要

一种用于处理具有适当拓扑的数据阵列的神经网络，包括对应于神经网络的结点的单元(K_i)的n维阵列，每个单元具有与构成单元(K_i)的邻居的直接相邻的单元(K_j)的连接；每个单元(K_i)具有对于与直接相邻的单元的每个连接的输入；输出用于与一个或多个直接相邻的单元(K_j)的连接；在单元之间的连接由权因子(w_ij)确定；每个单元由内部值来表征，并且能够实行信号处理，用于生成单元输出信号(u_i)；单元(K_i)的输出信号(u_i)是它的内部值和来自相邻单元的输入信号的函数；每个单元与具有适当拓扑的n维数据库(P_i)的记录单一地相关联，并且每个数据记录的值是相应单元的开始值。通过把在一定数目的神经网络的迭代处理步骤后每个单元(K_i)的内部值或输出值(u_i)看作为对于所述单一地相关联的数据记录(P_i)的新得到的值(U_i)而实行处理。

主权项

1.一种人工神经网络，包括对应于神经网络的结点的单元(Ki)的n维阵列，每个单元具有与形成单元(Ki)的邻居的直接相邻的单元(Kj)的连接；a)每个单元(Ki)具有用于与周围单元的直接相邻的单元(Kj)的每个连接的输入；b)每个单元(Ki)具有用于与一个或多个直接相邻的单元(Kj)的连接的输出；c)在每个单元(Ki)与直接相邻的单元之间的连接由权因子(wij)确定；d)每个单元由被定义为单元(Ki)的激活值或函数(Ai)的内部值来表征；e)每个单元(Ki)能够根据信号处理函数即所谓的转移函数来实行信号处理，用于生成单元输出信号(ui)；f)转移函数将单元(Ki)的输出信号(ui)确定为单元(Ki)的激活值或函数(Ai)的函数，该转移函数还包括同一性函数，它使得单元(Ki)的激活值或函数(Ai)等于单元(Ki)的输出信号(ui)；g)提供了输入数据记录(Pi)的n维数据库，它必须由神经网络提交进行计算，并且在该n维数据库中，在被投影到相应的n维空间时数据记录(Pi)的相对位置是数据记录(Pi)的相关特征，数据库的数据记录(Pi)能够由所述n维空间中的点的阵列来表示，每个点具有在所述点阵列中单一规定的位置并且与所述数据库的数据记录(Pi)单一相关，所述数据库的每个数据记录(Pi)还包括至少一个变量或多个变量，每个变量具有某个值(Ui)；h)每个数据记录(Pi)与构成神经网络的单元的n维阵列中的单元(Ki)单一地相关联，所述单元(Ki)在单元的n维阵列中的位置与由所述点的n维阵列中的点所表示的相应的数据记录(Pi)相同；i)每个数据记录(Pi)的变量的值(Ui)被看作为被取为单一地相关联的单元(Ki)的初始激活值(Ai)或初始输出值(ui)的网络初始化值；j)在一定数目的神经网络迭代处理步骤后的每个单元(Ki)的激活值(Ai)或输出值(ui)被看作为对于所述单一地相关联的数据记录(Pi)的新值(Ui)。其特征在于，k)对于所述一定数目的迭代处理步骤中的每个处理步骤，规定了每个单元(Ki)与直接相邻的单元(Kj)之间的连接的权因子(wij)被确定为与所述单元(Ki)直接相邻的单元(Kj)单一地相关联的每个数据记录(Pj)的变量的当前值(Uj)的函数，所述函数是所谓的学习函数或法则；l)在神经网络的处理步骤后的、被认为是对于所述单一相关联的数据记录(Pi)的新的当前值(Ui)的每个单元(Ki)的当前激活值(Ai)或输出值(ui)被确定为由规定了直接相邻的单元(Kj)与单元(Ki)的连接的相应权因子(wij)所加权的直接相邻的单元(Kj)的当前输出值(uj)的函数。