18、ES - HyperNEAT与视网膜问题解析

ES - HyperNEAT与视网膜问题解析

1. ES - HyperNEAT的修剪与提取阶段

在这个阶段，我们利用上一阶段填充好的四叉树结构，来找出具有高方差的区域，确保这些区域的节点之间能建立更多连接。具体操作是对四叉树进行深度优先遍历，当遇到方差值小于给定方差阈值的节点，或者当前节点没有子节点（即方差为零）时，停止遍历。对于深度优先搜索找到的每个四叉树节点，我们会建立该节点中心 (x, y) 与已确定的每个父节点之间的连接。父节点既可以由架构师确定（输入/输出节点），也可以是在之前信息提取方法运行中找到的（即ES - HyperNEAT方法已经创建的隐藏节点）。此阶段完成后，基板配置会在信息密集的区域有更多节点，而在编码少量信息的区域节点较少。

2. 模块化视网膜问题基础

模块化视网膜问题涉及同时识别分辨率为4x2的人工视网膜左右两侧的有效2x2模式。视网膜问题的左右部分被完美地分隔成不同的功能单元，有些组件可能同时出现在视网膜两侧，而有些则仅存在于特定一侧。因此，为了生成一个成功的检测器人工神经网络（ANN），神经进化过程需要分别为左右检测区域发现模块化结构。

2.1 视网膜问题的决策机制

检测器ANN有八个输入，用于接收来自视网膜两侧的输入数据模式，还有两个输出节点。每个输出节点产生一个值，用于对视网膜每一侧的模式有效性进行分类。第一个输出节点对应视网膜左侧，第二个对应右侧。如果输出节点的激活值大于或等于0.5，则将该侧视网膜的模式分类为有效；如果小于0.5，则认为模式无效。为了进一步简化检测，我们会根据特定的舍入方案对输出节点的值进行舍入，使每个输出节点作为对应部分视网膜的二元分类器，产生0.0或1.0的值，分别标记输