简介

        院士口述故事是通过院士口述、组织访谈、史料编纂等方式,以挖掘整理广大院士在科研生涯中亲身经历的中国科技界的重要事件、所承担的重大创新成果以及为国家科技事业作出的贡献为重点,以“小故事”的呈现方式,通过多媒体相结合的传播形式,面向公众传播,弘扬科学精神,展示科学家风范,扩大中国科学院和学部的社会影响。

王守觉:从源头上作起,从概念上创新


时间:2019-12-06作者:

      20世纪80年代末,当人工神经网络研究在国际上处于高峰时期,从探讨微电子可能的新应用方向出发,我们也进入了这一新领域。做了大量跟踪性工作以后,发现国际上人工神经网络虽然在模式识别及优化等领域应用甚多,但其发展缓慢。国际上研究热度也很快降了下来。此时,国内外不少曾热衷于人工神经网络研究的人们,有相当一部分人纷纷退出了这一研究领域。当时我们分析了人工神经网络这一研究方向的发展情况,认为建筑在执行一条条指令基础上的现行计算机系统,在解决逻辑思维问题方面,具有极为高超的本领,但在解决形象思维问题方面的能力却很差,往往不如一个小小孩,甚至不如一只小动物。因此,从长远观点看,人工神经网络的研究方向是很重要的,有很广阔的前景和很大的实用意义。要突破神经网络发展中的障碍,必须在两个方面突破:一是要发展一种分析复杂神经网络行之有效的理论工具和思考方法;二是要创造一种能方便高效地模拟神经网络的神经计算机硬件,作为神经网络新理论、新模型、新算法的载体。从已经应用最多的神经网络模式识别的基本问题出发,我们认为现行的神经网络模式识别的基本理论出发点都是从特征空间中多类样本点的最佳划分出发的,也就是从非同类被识别对象的“差别”出发的,而人类认识事物却不是这样。设想农村中的一个孩子,能认识牛、羊、马、狗等等农村中所有的一切,但没见过汽车。如果有一辆汽车突然出现在他面前时,试问他会怎样想呢?他会把汽车与以前见过的牛、羊、马、狗等一件件比较,看与哪件最相像吗(传统模式识别正是这样的)?不,他绝不是这样想的,而是认为“我没见过这种东西”,“我不认识这种东西”。这正是人类“认识”事物与传统模式识别“区分” 事物的差别。人类侧重于“认识”,而传统模式识别则只注意“区别”,没有重视“认识”的概念。 

     只重视“区别”的神经网络模式识别,必然带来两个缺点:一是首次遇到未学习过的新事物时,容易误认为是某一种学习过的旧事物;二是在对未学习过的新事物进行新的学习时,往往会打乱旧知识,即破坏对原学习过的对旧事物的识别。我们从人们对事物的“认识”概念出发,重新研究了神经网络模式识别问题(应该说是模式的“认识”问题)。我们发现所用的数学理论工具需发生很大变化。从传统的以统计学理论作基础的强调“区别”的模式识别,改变为以“多维流形”的拓扑学理论作基础的强调“认识”的模式识别(我们对它暂起名字叫“仿生模式识别”,因为它的功能更近于人类认识事物,也称为“拓扑模式识别”)。为了在解决实际问题中更方便地形象化地思考问题,我们以概念化、形象化和工程实用化为目标,发展了一种对神经网络行为的“高维空间几何分析方法”。同时提出了以实现“认识”事物为目标的“高维空间非超球复杂几何形体覆盖”进行模式识别的原理。 

     回顾十多年前步入神经网络时的认识,得到的深刻经验体会是高技术探索领域的创新要从源头上作起,不要受传统的概念与基础的束缚。随时注意基本概念上的创新,才能使我国目前相对落后的高技术领域,得到更快、有更大后劲的发展。  以仿生模式识别的模型与算法理论为基础,在发展神经计算机硬件工具方面,也改变了传统神经网络中每个联接只存在一个权值的概念,提出并从硬件上实现了双权值神经元网络硬件,使神经计算机的应用途径获得了极大的拓展,也为神经网络新的进一步发展提供了有利的硬件手段。 以地平线上从不同方向观察来识别事物目标的问题作为实用化对比实例,把神经网络仿生模式识别的结果与国际上传统的BP网络与RBF网络进行了对比,发现无论从学习过对象的正确识别率与未学习过对象的正确拒识率,用仿生模式识别(拓扑模式识别)的效果均远远优于国际上传统的统计模式识别方法。   

  (节选自郭传杰主编.科技创新案例(一).北京:学苑出版社,2003 

? 1996 - 2015 中国科学院 版权所有 备案序号:京ICP备05002857号 地址:北京市三里河路52号 邮编:100864