A neocortex-based model for pattern recognition

Abstract

The information society needs to process massive volumes of data in automated ways. The data is more meaningful if it is considered as sequences of patterns rather than isolated patterns. A trained human brain has outstanding capabilities for pattern recognition tasks, which could be very advantageous for automated pattern recognition systems. This thesis proposes a generic pattern recognition model. This model is mainly based on the known operation of the neocortex and is oriented to deal with sequences of patterns or data streams. The theoretical part of the model is formally stated and an implementation is outlined. The theoretical model also establishes a more general framework for treatment of space time data through a dimensionality reduction process. For a given instance of space time data, the process characterizes a space time region that might be called an invariant semantic representation. The model exhibits desirable properties for a pattern recognition system, such as spatial and temporal autoassociativity, spatial and temporal noise tolerance, recognition under sequence contextualization, and input prediction.

La sociedad de la información necesita procesar volúmenes masivos de datos de forma automatizada. Estos datos son más significativos si son considerados como secuencias de patrones en vez de datos aislados. Un cerebro humano entrenado tiene capacidades sobresalientes para tareas de reconocimiento de patrones, lo cual podría ser muy ventajoso para sistemas automatizados de reconocimiento de patrones. Esta tesis propone un modelo de reconocimiento de patrones genérico. Este modelo está basado fuertemente en la operación conocida de la neocorteza y está orientado a tratar con secuencias de patrones o flujos de datos. La parte teórica del modelo es planteada formalmente y una implementación es esbozada. El modelo teórico también establece un marco más general para tratar datos de espacio tiempo a través de un proceso de reducción de dimensionalidad. Para una instancia dada de datos de espacio tiempo, el proceso caracteriza una región de espacio tiempo que podría ser llamada una representación semántica invariante. El modelo exhibe propiedades deseables para un sistema de reconocimiento de patrones, tales como autoasociatividad espacial y temporal, tolerancia al ruido espacial y temporal, reconocimiento bajo contextualización de una secuencia, y predicción de entrada.