基于認知元的認知計算

馮康

淮南師范學院 計算機與信息工程系，安徽 淮南 232038

基于認知元的認知計算

馮康

淮南師范學院 計算機與信息工程系，安徽 淮南 232038

1 引言

認知是人類觀察世界、理解世界、改造世界的完整過程[1]。觀察世界是為了生成認知數據，理解世界是將觀察世界生成的認知數據存儲下來，而改造世界是對已存儲的認知數據進行優化，修正觀察世界及理解世界。因此，認知也可以理解是生成認知數據、存儲認知數據、優化認知數據的完整且連續的計算過程。把模擬人類在認知中，對認知數據進行處理時所采用的全部方法，統稱為認知計算（Cognitive Computation）[2]。傳統的認知計算有Allen Newell提出的基于物理符號的認知計算，它將任何可被人類感覺器官感知、智能系統分辨、認知功能實現的有意義的認知單位，如圖像、聲音、文字、語言、意識等，都編碼為物理符號，而將人類的某個認知活動模擬為一個計算機程序[3]；基于物理符號的認知計算的主要成果有模擬人類推理的啟發式程序“邏輯理論家”（Logic Theorist）及能夠求解11種難題的著名計算機程序“通用問題求解器”（General Problems Solver）[4]。近年來，隨著現代神經影像學技術的發展，人們已經提出了多種基于神經影像學信號的認知計算，如基于腦電圖EEG（Electroencephalography，EEG）信號、功能磁共振fMRI（functional Magnetic Resonance Image，fMRI）信號、彌散張量成像DTI（Diffusion Tensor Imaging）信號、腦磁圖MEG（Magnetoencephalography）信號、事件相關電位ERP（Event-Related Potentials）信號等多種認知計算[5-6]，這些認知計算都是通過設計一組認知實驗，記錄被試對應認知實驗中不同認知活動的神經影像學信號，并通過對信號的計算、分析，最終確定不同的認知活動激活的解剖腦區[7]。

但上述認知計算都不能準確模擬人類的認知。首先，基于物理符號的認知計算的主要成果“邏輯理論家”（Logic Theorist），雖然可以證明數學名著《數學原理》中的38個定理，但核心算法是命題邏輯中的推理理論，直接使用元語言符號A、B、C等作為認知數據，沒有生成認知數據、存儲認知數據及優化認知數據的操作，所以，基于物理符號的認知計算模擬的是認知中的一個片段——推理，而不是認知。而在基于神經影像學信號的認知計算中，設計的認知實驗突出的都是某個具體的認知活動如知覺、注意、意識、推理、思考等，比如基于腦電圖（EEG）信號認知計算中設計的圖片刺激實驗，突出的是注意；又如基于腦磁圖（MEG）信號認知計算中設計的數字運算實驗，突出的是思考；同樣，基于事件相關電位（ERP）信號認知計算設計的規則提取實驗，突出的是推理[6]；所以，基于神經影像學信號的認知計算模擬的仍然是認知中的某一個片段，而不是認知。

其次，在基于物理符號的認知計算實驗中，認知對象是《數學原理》中的某個定理，如前束范式定理、KS同構定理等，這些定理只能表達某個特定認知過程中的數據，不具有通用性；在基于神經影像學信號的認知計算中，認知對象是一連串的圖片、一組數字運算試題、一些隱含的規則等，同樣是具體的數據，不具有通用性[8]。

最后，在基于物理符號的認知計算中，是以證明數理邏輯定理或求解難題的數量來檢驗認知計算模擬人類認知的精確程度，早期的認知計算實驗如“邏輯理論家”可以證明數理邏輯定理的數量是38個，近期的認知計算實驗如“通用問題求解器”可以求解的難題數量是11個，但證明數理邏輯定理或求解難題的數量，只能檢驗該認知計算在模擬數理邏輯推理或求解難題這幾個特定認知領域的性能，所以檢驗指標片面單一，不具有代表性。同樣在基于神經影像學的認知計算中，認知計算的結果是確定不同的認知活動激活哪些解剖腦區，并把它們的對應關系和解剖醫學的結果進行比對，以判斷該認知計算模擬人類認知的精確程度；如基于功能磁共振（fMRI）信號的認知計算實驗，實驗結果確定知覺激活左半球顳葉下部及Broca區（BA 44），注意激活左額葉、左頂葉及左側顳中回（BA 21）區[9]；基于事件相關電位ERP信號的認知計算實驗，實驗結果確定意識激活右腦前額葉腹側（BA 47）和頂枕區，思考激活右枕前皮質（BA 19）及雙側顳頂區（BA 37）；但這些實驗結果與解剖醫學已有的研究結論都不相符[10]。

造成上述認知計算不能準確模擬人類認知的原因在于這些認知計算都是針對某一個具體的認知活動，如推理、知覺、注意、記憶、思考，而認知活動只是認知中的某一個片段，沒有涵蓋認知的完整過程，更不能體現認知過程間的相互影響；其次，這些認知計算的認知數據是對應該認知活動的一組物理符號及神經影像學信號，它們均是精確信息或二值（0，1）信息，而不包括人類認知環境廣泛存在的模糊信息，實踐證明，人類大腦處理的信息除了精確信息外，還包括大量的模糊信息；最后，認知計算性能的高低需要科學的評判標準，但上述認知計算都沒有一系列量化的認知計算指標對認知計算性能進行精確評定。

為改正已有認知計算的缺陷，本文提出了基于認知元的認知計算，其認知對象不但包括人類認知計算中處理的精確信息，還包括人類認知計算中處理的模糊信息；認知計算模擬的不再是人類認知的一個片段，而是人類的認知；認知計算性能的高低有一系列量化的認知計算指標對認知計算的性能進行精確的評判。從而為認知計算的研究開辟了一個嶄新的途徑。

2 基于認知元的認知數據

實踐證明，人類的認知環境除了存在很多精確信息之外，還存在大量的模糊信息，人類的各種感覺器官既是精確信息傳感器，又是模糊信息傳感器[11-12]，因此，認知元是人類認知信息的有效表達。

定義2（一元模糊事件）若有限個認知元 x1(ax1)，x2(ax2)，…，xn(axn)聯合后，能夠相互作用，生成一個新的認知元 y(ay)，則稱為發生了一個一元模糊事件e，記作e=[x1(ax1)，x2(ax2)，…，xn(axn)]→y(ay)，(n≥2)，xi(axi)稱為e的必元，y(ay)稱為e的結元，n稱為e的維數，記作de=n。

當某一時刻外部世界發生了某個一元模糊事件時，必將觸發人類的認知，將其計算為認識。

如果一元模糊事件e=[x1(ax1)，x2(ax2)，…，xn(axn)]→y(ay)，(n≥2)發生時，不存在與其關聯的認識c∝e，即沒有與此一元模糊事件相似的一元模糊事件發生過，則隨后生成的認識稱為初始認識（Previous Cognition），記作cp=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/1→，其中，m=1；反之，稱為后繼認識（Subsequent Cognition），記作 cs= f[x1(bx1)，x2(bx2)，…，xn(bxn)]/m→，其中，m＞1。

定義4（輸入認識）人類文明中已經有許多已經總結出的認識，認知時可以直接接受這些認識，這些直接接受的認識稱為輸入認識，記作 cin=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/0→，其中，m=0，表明經驗因子為無窮大。

定義5（任務及方法）任務w是一個只有結元而必元為空的虛擬一元模糊事件描述，即任務是一個不完整的一元模糊事件，如果補齊缺省的全部必元，則該虛擬一元模糊事件有可能發生。任務記作w=[?]→y(ay)，其中 y(ay)是虛擬一元模糊事件的結元，而?代表虛擬一元模糊事件的必元為空，由于缺乏必元，所以該虛擬一元模糊事件肯定不會發生。

對于外界提交的任務w=[?]→y(ay)，如果有效搜索到存儲體存儲著對應的關聯認識c=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/m→，則按照某種算法，根據該關聯認識，求出任務缺省的全部必元，從而組成一個完整的一元模糊事件，則求出的全部必元稱為完成任務w的方法method，記作m∝w=x1(ax1)，x2(ax2)，…，xn(axn)，并稱任務被完成。

3 生成認知數據

3.1 生成初始認識的算法APC（Algorithm for Previous Cognition）

3.1.1 直覺法

當某個一元模糊事件e=[x1(ax1),x2(ax2),…,xn(axn)]→y(ay)，(n≥2)發生時，若ax1≥ax2≥…≥axn，直覺地按照axi的相對大小的規律為認識中各個對應屬性添加貢獻度，生成初始認識cp=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/1→----y(1)，其中bx1≥bx2≥…≥bxn，且bx1+bx2+…+bxn=1。

3.1.2 平均值法

3.2 生成后繼認識的算法ASC（Algorithm for Subsequent Cognition）

3.2.1 反饋法

3.2.2 輸入認識決定法

當某個一元模糊事件e=[x1(ax1),x2(ax2),…,xn(axn)]→y(ay)，(n≥2)發生時，假設已經存在了關聯的認識cin= f[x1(bx1')，x2(bx2')，…，xn(bxn')]/m→，即關聯認識是輸入認識，而輸入認識是人類文明中已有的認識，因此，剛剛發生的一元模糊事件e=[x1(ax1)，x2(ax2)，…，xn(axn)]→y(ay)，(n≥2)對該認識沒有影響，所有必元屬性的貢獻度保持不變，生成的后繼認識為 cs=f[x1(bx1')，x2(bx2')，…，xn(bxn')]/0→。

4 存儲認知數據

4.1 認識的存儲體

認識的存儲體是存儲認識的物理存儲陣列，見圖1所示。它是一個呈表格形式的存儲陣列，表格的行數及列數并不固定。單元格是用來存儲與認識有關的必元屬性、貢獻度、經驗因子、理想認知元等數據。存儲有數據的單元格稱為有效單元格，而沒有存儲數據的單元格稱為無效單元格，存儲體能夠容納的有效單元格的最大值稱為存儲體的容量，記作v。

4.2 認識在存儲體中的存儲結構

圖1 認識的存儲體和認識在存儲體中的存儲結構

認識在存儲體中的存儲結構如圖1所示，從第二行開始，以行為單位，每行存儲一個認識，多個認識連續存儲。每個認識在存儲體中的上下位置稱為認識的清晰度Location，記作lc，最高的清晰度是Top，它位于存儲體的第二行，然后清晰度依次降低，分別是Top-1，Top-2，…，最底部認識的清晰度最低，稱為Bottom，Top的值是固定的，總是指向存儲體的第二行，而Bottom的值是浮動的，取決于存儲體的容量及存儲的認識情況，Top-Bottom+1即為存儲的認識總數。某一時刻，存儲體中全部有效單元格的總數稱為認知量q（Quantity），考慮到每個新認識c存儲在存儲體中時，使用的單元格總數為dc+2，因此稱存儲體的容量和認知量之差再減去2為潛力 p（Potentiality），顯然，p=v-q+2，表示目前存儲體還可以存儲新認識的能力。如圖1所示的存儲體，假設其存儲容量v為49，Bottom=Top-3，一共存儲了4個認識，清晰度自Top到Bottom的認識分別是：

并且c3是輸入認識，c4是初始認識，全部5個認識的必元屬性包括 x1，x2，x3，x4，x5，因此，認知量q為34，潛力p=v-q-2=13，還可以存儲其他的認識。可見，沒有存儲數據的單元格不占用存儲體的存儲容量，這樣可以保證有限的存儲體容量被最充分地利用。

4.3 存儲認知數據的認知計算

存儲認知數據的認知計算都有一個觸發條件，當條件滿足時執行該認知計算，處理結束后自動退出該認知計算。

4.3.1 有效搜索

有效搜索的觸發條件是發生了一個一元模糊事件e或接收了一個輸入認識cin或外界提交了某個任務w，認知計算從Top行開始，順序搜索存儲體中是否存儲有c∝e、c∝cin、c∝w，有則回送認識c和認識的清晰度lc，無則回送一個標志“false”。算法描述偽代碼如下：

4.3.2 記憶

記憶的觸發條件是發生了一個一元模糊事件e且有效搜索回送了一個標志“false”，認知計算調用生成初始認識的算法APC，并將存儲體中原來存儲的認識整體下移1行，再將初始認識cp存入清晰度為Top的行中，記憶充分仿生了人類對新鮮事務的認知。算法描述如下：

4.3.3 回憶

回憶的觸發條件是發生了一個一元模糊事件e且有效搜索回送了與e關聯的認識c∝e和認識的清晰度lc，認知計算調用生成后繼認識的算法ASC，刪除c∝e，清晰度高于c∝e的認識下移一行，低于的保持不變，初始認識cs存入清晰度為Top的行中，回憶充分仿生了人類通過比較已有認識，加深對新鮮事務的認知。算法描述如下：

4.3.4 學習

學習的觸發條件是接收了一個輸入認識cin，如果有效搜索到與cin相關聯的認識c∝cin和認識的清晰度lc，認知計算調用生成后繼認識的算法ASC，并在存儲體中刪除c∝cin，清晰度高于c∝cin的所有認識下移一行，然后將輸入認識cin存儲在清晰度為Top的行中；如果有效搜索回送為標志“false”，則存儲體中所有認識都下移一行，并將輸入認識cin存儲在清晰度為Top的行中。學習充分仿生了人類對已有知識的繼承。算法可描述為：

4.3.5 遺忘

遺忘的觸發條件是有效搜索輸出標志“false”進行記憶或學習，如果一元模糊事件的維數大于存儲體的潛力，即de＞p，或輸入認識的維數大于存儲體的潛力，即dcin＞p，則清晰度最低的一個或幾個認識將移出存儲體。遺忘是由存儲體的容量有限引起的。

5 優化認知數據

5.1 完成任務的算法ACW（Algorithm to Complete Work）

5.1.1 比例放大法

比例放大法是將關聯認識中模糊認知元屬性的貢獻度進行同比例放大，得出方法中模糊認知元的隸屬度，而方法中的精確認知元隸屬度仍為1。比例放大法適用于任務中結元為精確認知元的情況，即任務為w= [?]→y(1)。假定和任務w=[?]→y(1)相關聯的認識為c=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/m→，則方法m∝w= x1(ax1)，x2(ax2)，…，xn(axn)，(n≥2)，其中所有模糊認知元的隸屬度為axi=kbxi，且kbxi≤1（k為一個比例常數，根據現場的情況決定）。

5.1.2 結元控制法

結元控制法將關聯認識中模糊認知元屬性的貢獻度乘以任務結元的隸屬度，再進行同比例放大得出方法中模糊認知元隸屬度，而方法中的精確認知元隸屬度仍為1，該算法適用于任務的結元為模糊認知元的情況。假定任務w=[?]→y(ay)，(ay＜1)，其關聯認識為c= f[x1(bx1)，x2(bx2)，…，xn(bxn)]/m→，則方法 m∝w= x1(ax1)，x2(ax2)，…，xj(1)，xn(axn)，(n≥2)，其中axi=kaybxi，且kaybxi≤1（k為一個比例常數，根據現場的情況決定），xi(axi)為模糊認知元，xj(1)為精確認知元。

5.2 優化認知數據的認知計算

5.2.1 深化

方法付諸實施后，如果對應的虛擬一元模糊事件：

在外部世界真實發生了，則表明方法是實用的，因為m∝w，而w∝c，從而說明尋找方法時有效搜索的對應關聯認識是正確的，應該加強這個關聯認識，為此，將該關聯認識的經驗因子m加1，各個屬性的貢獻度保持不變，并把該關聯認識存儲到存儲體的第二行，使其清晰度為Top，刪除原關聯認識，清晰度高于原來關聯認識的認識下移一個單位，低于的保持不變。這個處理稱為深化。

深化認知計算可表述如下：

5.2.2 反思

方法付諸實施后，如果對應的虛擬一元模糊事件：

在外部世界沒有發生，則表明該方法是不實用的，應該修改和該任務關聯的認識。為此，將該關聯認識的經驗因子m減1，各個屬性的貢獻度保持不變，這個處理稱為反思。

反思認知計算可表述如下：

深化和反思認知計算充分反映了改造世界對理解世界的影響。

6 認知計算實驗

6.1 認知計算性能指標CCD（Cognitive Computation Data）

（1）成功率η

某一時間段內，完成的任務占提交的總任務比例，稱為成功率。成功率η反映了改造世界在形式上的效果，其最理想的值是100%。

（2）遺忘率 ρ

某一時間段內，遺忘的認識占曾經存儲在存儲體中的全部認識的比例。遺忘率 ρ高將導致成功率η降低，其最理想的值是0。

（3）深化率δ

某一時間段內，深化的認識和輸出的方法的比例，反映了相應認知計算對人類認知模擬的精度，其最理想的值是100%。

（4）反思率θ

某一時間段內，反思的認識和輸出的方法的比例，該比例反映了所有認知計算對人類認知模擬的誤差，其最理想的值是0。

6.2 實驗樣本及實驗過程

6.2.1 實驗數據

（1）事件-任務流

按時間先后依次出現的一組相似一元模糊事件和最后出現的與該組一元模糊事件相關聯的一個任務構成了一個事件-任務流，表示為e1→e2→…→ep→wi。

（2）認識-任務流

按時間先后依次出現的一個輸入認識及一個關聯任務構成了一個認識-任務流，表示為cin→wq。

6.2.2 實驗數據庫

選擇人類認知環境存在的不同的事件-任務流87個和不同的認識-任務流39個組成實驗數據庫，其中屬于自然科學類95個，社會科學類31個；完成實驗數據庫中全部任務的方法都是可檢驗的。

6.2.3 認知計算流程CCP（Cognitive Computation Process）

按時間先后順序出現的若干個事件-任務流及認識-任務流交叉構成了一個認知計算流程，其中，不同的事件-任務流及認識-任務流中的單個事件、認識、任務可以按時間的先后交互出現，圖2即為一個認知計算流程事例，它由2個事件-任務流及1個認識-任務流組成，其中，e1→e2→e3→w1是事件-任務流1，e5→e6→w2是事件-任務流2，cin→w3是認識-任務流1。

圖2 認知計算流程示例

6.2.4 認知計算實驗及結果

編制了一個程序sample，隨機抽取實驗數據庫中的不同的事件-任務流α個和不同認識-任務流β個，其中，α+β=33，α≥0，β≥0，組成一個認知計算流程，作為認知計算實驗的認知對象。綜合考慮實驗數據庫中的數據對存儲容量的要求，確定7個不同的存儲體容量，分別是 v1=368，v2=396，v3=425，v4=425，v5=481，v6= 510，v7=738，v1=368，而v7=738足夠大。為初始認識添加貢獻度的算法采用生成初始認識的算法APC中的平均值法，為后繼認識添加貢獻度的算法采用生成后繼認識的算法ASC中的反饋法，存儲認知數據的認知計算如前所述，完成任務的算法使用完成任務的算法ACW中的比例放大法或結元控制法，方法的實用性人工鑒定，并根據鑒定的結果對存儲體存儲的關聯認識進行深化和反思認知計算。對7個不同的存儲容量，分別對sample輸出的117個認知計算流程進行了認知計算實驗，計算認知計算性能指標的時刻為每個認知計算流程的最末時刻，分別計算、記錄117個認知流程的成功率η、遺忘率 ρ、深化率δ、反思率θ。全部實驗的部分結果如表1。

從實驗結果中可以總結出：（1）對于不同的認知計算流程，雖然它們的認知計算性能指標有所差異，但總有η+ρ≥1，δ+θ=1，且η＞ρ、δ＞θ，符合已有文獻的報道[13-14]，說明基于認知元的認知計算符合人類的認知特征。（2）對于同一個認知計算流程，存儲體容量v越大，成功率η及深化率δ就越大，而反思率θ及遺忘率ρ就越小，說明存儲體容量v的增大能夠改善認知計算的性能指標；當存儲容量v增大到足夠大時，成功率η可以達到最理想的100%，遺忘率ρ也降低到最理想的0，但深化率δ的大小卻基本位于一個穩定的區間，約在80%～90%之間，反思率θ的大小相應地穩定在10%～20%之間，不再明顯改善，這種現象稱為飽和，相應的深化率及反思率的值稱為飽和值；該認知規律和很多心理學實驗結果一致[15-16]。

表1 認知計算實驗的部分實驗結果 （%）

7 基于認知元的認知計算的優點

基于認知元的認知計算中，生成初始認識的算法APC和生成后繼認識的算法ASC是將一元模糊事件計算為認識c，模擬的是認知過程中的生成認知數據；行列可變的存儲體及有效搜索、記憶、回憶、學習、遺忘等算法模擬的是認知過程中的存儲認知數據；而完成任務的算法ACW、深化、反思等算法模擬的是認知過程中的優化認知數據；因此，基于認知元的認知計算模擬的是認知。

其次，基于認知元的認知計算實驗中，認知對象是一個按時間先后順序出現的若干個事件-任務流及認識-任務流交叉構成的認知計算流程，其中的e1，e2，…，ep既包含人類認知中的精確信息，也包括人類認知中的模糊信息，cin能夠表達人類認知已經總結出所有知識，并且cin可以直接輸入繼承，wi、wq能夠表達人類認知需要完成的所有任務；而若干個e1→e2→…→ep→wi及cin→wq交叉，既反映了人類為完成一個具體任務w的認知過程是串行的認知規律，又反映了人類為完成多個不同的任務w1，w2，…，wq的認知過程是并行的認知規律；因此，基于認知元的認知實驗以認知計算流程作為認知對象，可以精確表達人類認知過程中需要計算的所有數據，具有通用性。

最后，為檢驗認知計算模擬人類認知的精確程度，基于認知元的認知計算設計了4個量化的認知計算性能指標成功率η、遺忘率 ρ、深化率δ及反思率θ，這4個指標能夠精確表達該認知計算生成認知數據、存儲認知數據、優化認知數據性能的高低；在基于認知元的認知計算實驗中，一方面計算出同一個認知流程在存儲體容量v取不同值時對應的η、ρ、δ及θ的值，并逐一統計η+ρ、δ+θ、η及ρ、δ及θ的變化規律；另一方面計算出不同的認知流程在存儲體容量v取相同值時對應的η、δ、θ及 ρ的值，并匯總統計存儲體容量v的變化對η、ρ、δ及θ的影響規律；最后比較統計出的認知規律和人類現有的認知規律的吻合程度，并做出判斷；因此，基于認知元的認知計算，檢驗指標科學全面，實驗結果具有可比性。

此外，本文提出的認知元其表示形式為x(ax)，y(ay)，z(az)等，既包括精確認知元，又包括模糊認知元，因此它是人類認知中精確信息和模糊信息的有效表達；而文獻[1]中的一元事件認知模型采用的認知元其表示形式為x，y，z等，是精確認知元，因而它只能表達人類認知中的精確信息，外延很小。基于認知元的認知計算，其認知數據如一元模糊事件、認知、任務、方法等均為定量表達，存儲體中存儲的是量化的貢獻度和經驗因子，如認識c1=f[x1(0.38)，x2(0.20)，x4(0.42)]/17→------y1(1)，存儲體中存儲的是0.38，0.20，0.42，17這些量化的貢獻度和經驗因子；而文獻[1]中的一元事件認知模型的認知數據只是定性表達，如認識 y2=[x3，x4/a][x1，x3/b]，存儲體中存儲的是為等價必體所加的定性標識a，b等。基于認知元的認知計算以生成認知數據、存儲認知數據、優化認知數據等一系列細分的認知計算來實現不同的認知功能；而一元事件認知模型只給出了感悟機構、接收機構、記憶機構、任務機構、推理機構、思考機構等認知功能模塊，沒有具體的認知計算分別予以實現。基于認知元的認知計算研究成功率、遺忘率、深化率、反思率的改變規律；而一元事件認知模型研究認識的范數、單元數、復雜度及所在行的清晰度的改變規律。最重要的是，相對于一元事件認知模型，基于認知元的認知計算總結出的認知規律符合人類現有的認知規律，能夠準確模擬人類的認知。

8 結束語

基于認知元的認知計算首次將認知信息表達為認知元的形式，創新地將生成認知數據表達為將一元模糊事件計算為認識，將存儲認知數據表達為有效搜索、記憶、回憶、學習、遺忘等認知計算，將優化認知數據表達為完成任務、深化、反思等認知計算；設計了4個量化的認知計算指標成功率η、深化率δ、反思率θ及遺忘率ρ來檢驗認知計算的性能；在認知計算實驗中，提出了以認知計算流程作為認知計算對象的新觀點。基于認知元的認知計算改正了現有認知計算不能準確模擬人類認知的缺陷。對大量的實驗結果進行分析發現，基于認知元的認知計算總結出的認知規律符合人類現有的認知規律，增加存儲體容量能夠改善認知計算的所有性能指標，當存儲體的容量增加到足夠大時，η、ρ可以達到最理想的值，但δ及θ卻只能達到飽和值，因此，基于認知元的認知計算能夠準確模擬人類的認知。

[1]馮康，姚南生.基于一元事件的認知模型[J].模式識別與人工智能，2012，25（1）：172-180.

[2]Kleanthis C N，Marios N A，Costas K N，et al.Selective attention and consciousness：investigating their relation through computational modelling[J].Cognitive Computation，2011，3（1）：321-331.

[3]Laird J E，Newell A，Rosenbloom P S.SOAR：an architecture for general intelligence[J].Artificial Intelligence，1987，33（1）：1-64.

[4]José H，David L D.Measuring universal intelligence：towards an anytime intelligence test[J].Artificial Intelligence，2010，174（18）：1508-1539.

[5]Harold B，Alvin A，Robert J S.Repetition learning of vibrotactile temporal sequences：an fMRI study in blind and sighted individuals[J].Brain Research，2012，1433（18）：69-79.

[6]Freeman W J，Ahlfors S P，Menon V.Combining fMRI with EEG and MEG in order to relate patterns of brain activity to cognition[J].International Journal of Psychophysiology，2009，73（1）：43-52.

[7]支聯合，李玉曉，趙書俊，等.基于離散小波變換的fMRI數據特征提取[J].中國醫學影像技術，2010，26（6）：1151-1154.

[8]Mary H M，Karen M A，Kimberly A C.Resting EEG in alpha and beta bands predicts individual differences in attentional blink magnitude[J].Brain and Cognition，2012，78（3）：218-229.

[9]Daniel C K，Michelle M，Colin M D，et al.An fMRI investigation of cognitive stages in reasoning by analogy[J]. Brain Research，2010，1342（25）：63-73.

[10]William J M，Annalena V，Irving K，et al.Suggested visual hallucination without hypnosis enhances activity in visual areas of the brain[J].Consciousness and Cognition，2012，21（1）：100-116.

[11]Hinojosa W M，Nefti S，Kaymak U.Systems control with generalized probabilistic fuzzy-reinforcement learning[J]. IEEE Transactions on Fuzzy Systems，2011，19（1）：51-64.

[12]Zadeh L A.Fuzzy sets as a basis for a theory of possibility[J].Fuzzy Sets and Systems，1999，100（1）：9-34.

[13]Katrin B，Katrin S，Stefan K.Electrophysiological correlatesofverbaland tonalworking memory[J].Brain Research，2012，1432（13）：84-94.

[14]Gao Zaifeng，Yin Jun，Xu Haokui，et al.Tracking object number or information load in visual working memory：revisiting the cognitive implication of contralateral delay activity[J].Biological Psychology，2011，87（2）：296-302.

[15]Fatemeh G，Sonia L E B，Robert L，et al.The contribution of the inferior parietal cortex to spoken language production[J].Brain and Language，2012，121（1）：47-57.

[16]Milton F，Muhlert N，Butler C R，et al.The neural correlates of everyday recognition memory[J].Brain and Cognition，2011，76（3）：369-381.

FENG Kang

Department of Computer and Information Engineering,Huainan Normal University,Huainan,Anhui 232038,China

Aiming at the flaw that the current cognitive computations aren’t able to simulate cognition accurately,the cognitive computation based on cognitive unit is proposed.All the cognitive data originate from cognitive unit.The cognitive computation based on cognitive unit is composed of producing cognitive data,storing cognitive data and improving cognitive data.Experimental results demonstrate that the cognitive computation based on cognitive unit accords closely with cognitive rules of human beings,and increasing the memory volume improves all the cognitive computation data.The achievement rate of work and the rate of losing cognition reach optimal values while the memory volume is large enough, but the rate of self-examination cognition and the rate of deepening cognition only reach saturation values.So the cognitive computation based on cognitive unit is able to simulate cognition accurately.

cognitive unit;cognition;work;cognitive computation data

為改正已有認知計算不能準確模擬人類認知的缺陷，提出了基于認知元的認知計算。它的認知數據來源于認知元，認知計算由生成認知數據、存儲認知數據、優化認知數據組成。研究發現，基于認知元的認知計算符合人類的認知規律；增加存儲體容量能夠改善認知計算的所有性能指標，當存儲體的容量增加到足夠大時，成功率及遺忘率可以達到最理想的值，但深化率和反思率卻只能達到飽和值。因此，基于認知元的認知計算能夠準確模擬人類的認知。

認知元；認識；任務；認知計算指標

A

TP181

10.3778/j.issn.1002-8331.1305-0436

FENG Kang.Cognitive computation based on cognitive unit.Computer Engineering and Applications,2014,50（24）：143-150.

國家自然科學基金（No.11401243）。

馮康（1968—），男，副教授，主要研究領域為認知計算、人工智能。E-mail：fenglikanglcq@163.com

2013-05-31

2013-09-11

1002-8331（2014）24-0143-08

CNKI網絡優先出版：2014-07-11，http∶//www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1305-0436.html

book=150,ebook=155