神经建模场

神经建模场（NMF）是一个机器学习的数学框架，它结合了神经网络、模糊逻辑和基于模型的识别的思想。它也被称为建模场、建模场理论（MFT）、xxx似然人工神经网络（MLANS）。这个框架是由AFRL的LeonidPerlovsky开发的。NMF被解释为对心智机制的数学描述，包括概念、情感、本能、想象力、思考和理解。NMF是一个多层次、异层次的系统。在NMF的每个层次上都有封装知识的概念模型；它们产生所谓的自上而下的信号，与输入的、自下而上的信号进行互动。这些互动受动态方程的制约，它驱动着概念模型的学习、适应和新概念模型的形成，以更好地对应输入的、自下而上的信号。

在一般情况下，NMF系统由多个处理层次组成。在每个层面上，输出信号是在输入的、自下而上的信号中识别出来的（或由其形成的）概念。输入信号根据该层次的模型与概念相关联（或被识别，或被归入）。在学习过程中，概念模型被调整以更好地代表输入信号，因此概念模型和信号之间的相似度增加。这种相似性的增加可以解释为对知识本能的满足，并被视为审美情感的感受。每个层次由N个神经元组成，索引n=1,2...N。这些神经元接受来自处理层次中较低层次的输入，即自下而上的信号X(n)。X(n)是一个自下而上的神经元突触激活的场，来自较低层次的神经元。每个神经元都有一定数量的突触；为了通用，每个神经元的激活被描述为一组数字。自上而下，或者说对这些神经元的启动信号是由概念模型，Mm(Sm,n)发送的。模型以如下方式表示信号。假设信号X(n)来自被物体m激活的感觉神经元n，其特征是参数Sm。这些参数可能包括物体m的位置、方向或照明。模型Mm(Sm,n)预测神经元n的信号值X(n)。例如，在视觉感知过程中，视觉皮层中的神经元n收到来自视网膜的信号X(n)和来自物体概念模型m的启动信号Mm(Sm,n)。各种模型在自下而上的信号中争夺证据，同时调整它们的参数以获得更好的匹配，如下文所述。这是对知觉的简化描述。最良性的日常视觉感知使用了从视网膜到物体感知的许多层次。NMF的前提是，同样的规律描述了每个层次的基本互动动态。对微小特征或日常物体的感知，或对复杂抽象概念的认知，都是由于下面描述的相同机制。感知和认知涉及概念模型和学习。

在知觉中，概念模型对应于物体；在认知中，模型对应于关系和情况。学习是感知和认知的重要组成部分，在NMF理论中，它是由增加模型集和信号集之间相似度的动力学驱动的，L({X},{M})。相似性度量是模型参数和输入的自下而上的信号与自上而下的概念-模型信号之间的关联的函数。在构建相似性测量的数学描述时，必须承认两个原则。xxx，在感知发生之前，视野内容是未知的第二，它可能包含许多物体中的任何一个。重要的信息可能包含在任何自下而上的信号中。因此，相似性度量是这样构建的，即它要考虑到所有自下而上的信号，X(n)。