人工智能如何有效地運用于自然語言處理

周末大家都出去玩，而我居然被人工智能深深吸引，其實AI還處于非常初級的發展階段，今天看的是人工智能如何有效地運用于自然語言處理，1962年，Hubel和Wiesel通過貓視皮層細胞的研究提出了感受野的概念。 1984年，日本學者福島基于感受野概念提出的神經認知機器（neocognitron）可以看作是卷積神經網絡的第一個實作網絡也是第一個将接受場概念應用于人工神經領域網絡。神經認知機器将視覺圖案劃分為多個子圖案（特征），然後進入用于處理的分層等級連結特征平面。它試圖對視覺系統進行模組化，使其即使物體被移位也可能會扭曲或稍微變形。同時，它可以完成識别。

如何把人工智能運用到 僞原創技術上？通常，神經認知機器包含兩種類型的神經元，即攜帶特征提取的S元素和抵抗變形的C元素。 S元素包含兩個重要參數，即感受野和門檻值參數。前者确定輸入連接配接的數量，後者控制對特征子模式的響應。許多學者一直緻力于提高神經認知機器的性能：在傳統的神經認知機器中，C-變形引起的視覺模糊通常分布在每個S元件的光敏區域中。如果由光感應區域的邊緣産生的模糊效果大于中心的模糊效果，則S元件将接受由這種非正常模糊造成的較大變形容差。我們希望獲得的是，接受場邊緣處的訓練模式和變形刺激模式之間的差異以及在中心處産生的效果變得越來越大。為了有效地形成這種非正常的模糊性，福島提出了一種改進的具有雙C元件層的神經認知機器。

Van Ooyen和Niehuis引入了一個新參數來提高神經認知機器的識别能力。事實上，這個參數作為抑制信号抑制神經元對重複激勵特性的激勵。大多數神經網絡記住權重中的訓練資訊。根據Hebb學習規則，特征被訓練的次數越多，在後面的識别過程中檢測它越容易。一些學者還将進化計算理論與神經認知機器相結合，削弱了對重複刺激特征進行訓練和學習的能力，并使網絡關注這些不同的特征來提高識别能力。所有這些都是神經認知機器的發展過程，而卷積神經網絡可以看作是神經認知機器的一種普遍形式。神經認知機器是卷積神經網絡的特例。

對人工智能感興趣的朋友可以看看我其他的總結文章：

NLP神經網絡實作在僞原創方面的運用

NLP僞原創技術早期并不是很受歡迎

基于主動學習的僞原創句法識别研究

小發貓-人工智能的僞原創工具

小發貓與普通僞原創工具的差別