基于认知元的认知计算

冯康

淮南师范学院 计算机与信息工程系，安徽 淮南 232038

基于认知元的认知计算

冯康

淮南师范学院 计算机与信息工程系，安徽 淮南 232038

1 引言

认知是人类观察世界、理解世界、改造世界的完整过程[1]。观察世界是为了生成认知数据，理解世界是将观察世界生成的认知数据存储下来，而改造世界是对已存储的认知数据进行优化，修正观察世界及理解世界。因此，认知也可以理解是生成认知数据、存储认知数据、优化认知数据的完整且连续的计算过程。把模拟人类在认知中，对认知数据进行处理时所采用的全部方法，统称为认知计算（Cognitive Computation）[2]。传统的认知计算有Allen Newell提出的基于物理符号的认知计算，它将任何可被人类感觉器官感知、智能系统分辨、认知功能实现的有意义的认知单位，如图像、声音、文字、语言、意识等，都编码为物理符号，而将人类的某个认知活动模拟为一个计算机程序[3]；基于物理符号的认知计算的主要成果有模拟人类推理的启发式程序“逻辑理论家”（Logic Theorist）及能够求解11种难题的著名计算机程序“通用问题求解器”（General Problems Solver）[4]。近年来，随着现代神经影像学技术的发展，人们已经提出了多种基于神经影像学信号的认知计算，如基于脑电图EEG（Electroencephalography，EEG）信号、功能磁共振fMRI（functional Magnetic Resonance Image，fMRI）信号、弥散张量成像DTI（Diffusion Tensor Imaging）信号、脑磁图MEG（Magnetoencephalography）信号、事件相关电位ERP（Event-Related Potentials）信号等多种认知计算[5-6]，这些认知计算都是通过设计一组认知实验，记录被试对应认知实验中不同认知活动的神经影像学信号，并通过对信号的计算、分析，最终确定不同的认知活动激活的解剖脑区[7]。

但上述认知计算都不能准确模拟人类的认知。首先，基于物理符号的认知计算的主要成果“逻辑理论家”（Logic Theorist），虽然可以证明数学名著《数学原理》中的38个定理，但核心算法是命题逻辑中的推理理论，直接使用元语言符号A、B、C等作为认知数据，没有生成认知数据、存储认知数据及优化认知数据的操作，所以，基于物理符号的认知计算模拟的是认知中的一个片段——推理，而不是认知。而在基于神经影像学信号的认知计算中，设计的认知实验突出的都是某个具体的认知活动如知觉、注意、意识、推理、思考等，比如基于脑电图（EEG）信号认知计算中设计的图片刺激实验，突出的是注意；又如基于脑磁图（MEG）信号认知计算中设计的数字运算实验，突出的是思考；同样，基于事件相关电位（ERP）信号认知计算设计的规则提取实验，突出的是推理[6]；所以，基于神经影像学信号的认知计算模拟的仍然是认知中的某一个片段，而不是认知。

其次，在基于物理符号的认知计算实验中，认知对象是《数学原理》中的某个定理，如前束范式定理、KS同构定理等，这些定理只能表达某个特定认知过程中的数据，不具有通用性；在基于神经影像学信号的认知计算中，认知对象是一连串的图片、一组数字运算试题、一些隐含的规则等，同样是具体的数据，不具有通用性[8]。

最后，在基于物理符号的认知计算中，是以证明数理逻辑定理或求解难题的数量来检验认知计算模拟人类认知的精确程度，早期的认知计算实验如“逻辑理论家”可以证明数理逻辑定理的数量是38个，近期的认知计算实验如“通用问题求解器”可以求解的难题数量是11个，但证明数理逻辑定理或求解难题的数量，只能检验该认知计算在模拟数理逻辑推理或求解难题这几个特定认知领域的性能，所以检验指标片面单一，不具有代表性。同样在基于神经影像学的认知计算中，认知计算的结果是确定不同的认知活动激活哪些解剖脑区，并把它们的对应关系和解剖医学的结果进行比对，以判断该认知计算模拟人类认知的精确程度；如基于功能磁共振（fMRI）信号的认知计算实验，实验结果确定知觉激活左半球颞叶下部及Broca区（BA 44），注意激活左额叶、左顶叶及左侧颞中回（BA 21）区[9]；基于事件相关电位ERP信号的认知计算实验，实验结果确定意识激活右脑前额叶腹侧（BA 47）和顶枕区，思考激活右枕前皮质（BA 19）及双侧颞顶区（BA 37）；但这些实验结果与解剖医学已有的研究结论都不相符[10]。

造成上述认知计算不能准确模拟人类认知的原因在于这些认知计算都是针对某一个具体的认知活动，如推理、知觉、注意、记忆、思考，而认知活动只是认知中的某一个片段，没有涵盖认知的完整过程，更不能体现认知过程间的相互影响；其次，这些认知计算的认知数据是对应该认知活动的一组物理符号及神经影像学信号，它们均是精确信息或二值（0，1）信息，而不包括人类认知环境广泛存在的模糊信息，实践证明，人类大脑处理的信息除了精确信息外，还包括大量的模糊信息；最后，认知计算性能的高低需要科学的评判标准，但上述认知计算都没有一系列量化的认知计算指标对认知计算性能进行精确评定。

为改正已有认知计算的缺陷，本文提出了基于认知元的认知计算，其认知对象不但包括人类认知计算中处理的精确信息，还包括人类认知计算中处理的模糊信息；认知计算模拟的不再是人类认知的一个片段，而是人类的认知；认知计算性能的高低有一系列量化的认知计算指标对认知计算的性能进行精确的评判。从而为认知计算的研究开辟了一个崭新的途径。

2 基于认知元的认知数据

实践证明，人类的认知环境除了存在很多精确信息之外，还存在大量的模糊信息，人类的各种感觉器官既是精确信息传感器，又是模糊信息传感器[11-12]，因此，认知元是人类认知信息的有效表达。

定义2（一元模糊事件）若有限个认知元 x1(ax1)，x2(ax2)，…，xn(axn)联合后，能够相互作用，生成一个新的认知元 y(ay)，则称为发生了一个一元模糊事件e，记作e=[x1(ax1)，x2(ax2)，…，xn(axn)]→y(ay)，(n≥2)，xi(axi)称为e的必元，y(ay)称为e的结元，n称为e的维数，记作de=n。

当某一时刻外部世界发生了某个一元模糊事件时，必将触发人类的认知，将其计算为认识。

如果一元模糊事件e=[x1(ax1)，x2(ax2)，…，xn(axn)]→y(ay)，(n≥2)发生时，不存在与其关联的认识c∝e，即没有与此一元模糊事件相似的一元模糊事件发生过，则随后生成的认识称为初始认识（Previous Cognition），记作cp=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/1→，其中，m=1；反之，称为后继认识（Subsequent Cognition），记作 cs= f[x1(bx1)，x2(bx2)，…，xn(bxn)]/m→，其中，m＞1。

定义4（输入认识）人类文明中已经有许多已经总结出的认识，认知时可以直接接受这些认识，这些直接接受的认识称为输入认识，记作 cin=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/0→，其中，m=0，表明经验因子为无穷大。

定义5（任务及方法）任务w是一个只有结元而必元为空的虚拟一元模糊事件描述，即任务是一个不完整的一元模糊事件，如果补齐缺省的全部必元，则该虚拟一元模糊事件有可能发生。任务记作w=[∅]→y(ay)，其中 y(ay)是虚拟一元模糊事件的结元，而∅代表虚拟一元模糊事件的必元为空，由于缺乏必元，所以该虚拟一元模糊事件肯定不会发生。

对于外界提交的任务w=[∅]→y(ay)，如果有效搜索到存储体存储着对应的关联认识c=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/m→，则按照某种算法，根据该关联认识，求出任务缺省的全部必元，从而组成一个完整的一元模糊事件，则求出的全部必元称为完成任务w的方法method，记作m∝w=x1(ax1)，x2(ax2)，…，xn(axn)，并称任务被完成。

3 生成认知数据

3.1 生成初始认识的算法APC（Algorithm for Previous Cognition）

3.1.1 直觉法

当某个一元模糊事件e=[x1(ax1),x2(ax2),…,xn(axn)]→y(ay)，(n≥2)发生时，若ax1≥ax2≥…≥axn，直觉地按照axi的相对大小的规律为认识中各个对应属性添加贡献度，生成初始认识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 生成后继认识的算法ASC（Algorithm for Subsequent Cognition）

3.2.1 反馈法

3.2.2 输入认识决定法

当某个一元模糊事件e=[x1(ax1),x2(ax2),…,xn(axn)]→y(ay)，(n≥2)发生时，假设已经存在了关联的认识cin= f[x1(bx1')，x2(bx2')，…，xn(bxn')]/m→，即关联认识是输入认识，而输入认识是人类文明中已有的认识，因此，刚刚发生的一元模糊事件e=[x1(ax1)，x2(ax2)，…，xn(axn)]→y(ay)，(n≥2)对该认识没有影响，所有必元属性的贡献度保持不变，生成的后继认识为 cs=f[x1(bx1')，x2(bx2')，…，xn(bxn')]/0→。

4 存储认知数据

4.1 认识的存储体

认识的存储体是存储认识的物理存储阵列，见图1所示。它是一个呈表格形式的存储阵列，表格的行数及列数并不固定。单元格是用来存储与认识有关的必元属性、贡献度、经验因子、理想认知元等数据。存储有数据的单元格称为有效单元格，而没有存储数据的单元格称为无效单元格，存储体能够容纳的有效单元格的最大值称为存储体的容量，记作v。

4.2 认识在存储体中的存储结构

图1 认识的存储体和认识在存储体中的存储结构

认识在存储体中的存储结构如图1所示，从第二行开始，以行为单位，每行存储一个认识，多个认识连续存储。每个认识在存储体中的上下位置称为认识的清晰度Location，记作lc，最高的清晰度是Top，它位于存储体的第二行，然后清晰度依次降低，分别是Top-1，Top-2，…，最底部认识的清晰度最低，称为Bottom，Top的值是固定的，总是指向存储体的第二行，而Bottom的值是浮动的，取决于存储体的容量及存储的认识情况，Top-Bottom+1即为存储的认识总数。某一时刻，存储体中全部有效单元格的总数称为认知量q（Quantity），考虑到每个新认识c存储在存储体中时，使用的单元格总数为dc+2，因此称存储体的容量和认知量之差再减去2为潜力 p（Potentiality），显然，p=v-q+2，表示目前存储体还可以存储新认识的能力。如图1所示的存储体，假设其存储容量v为49，Bottom=Top-3，一共存储了4个认识，清晰度自Top到Bottom的认识分别是：

并且c3是输入认识，c4是初始认识，全部5个认识的必元属性包括 x1，x2，x3，x4，x5，因此，认知量q为34，潜力p=v-q-2=13，还可以存储其他的认识。可见，没有存储数据的单元格不占用存储体的存储容量，这样可以保证有限的存储体容量被最充分地利用。

4.3 存储认知数据的认知计算

存储认知数据的认知计算都有一个触发条件，当条件满足时执行该认知计算，处理结束后自动退出该认知计算。

4.3.1 有效搜索

有效搜索的触发条件是发生了一个一元模糊事件e或接收了一个输入认识cin或外界提交了某个任务w，认知计算从Top行开始，顺序搜索存储体中是否存储有c∝e、c∝cin、c∝w，有则回送认识c和认识的清晰度lc，无则回送一个标志“false”。算法描述伪代码如下：

4.3.2 记忆

记忆的触发条件是发生了一个一元模糊事件e且有效搜索回送了一个标志“false”，认知计算调用生成初始认识的算法APC，并将存储体中原来存储的认识整体下移1行，再将初始认识cp存入清晰度为Top的行中，记忆充分仿生了人类对新鲜事务的认知。算法描述如下：

4.3.3 回忆

回忆的触发条件是发生了一个一元模糊事件e且有效搜索回送了与e关联的认识c∝e和认识的清晰度lc，认知计算调用生成后继认识的算法ASC，删除c∝e，清晰度高于c∝e的认识下移一行，低于的保持不变，初始认识cs存入清晰度为Top的行中，回忆充分仿生了人类通过比较已有认识，加深对新鲜事务的认知。算法描述如下：

4.3.4 学习

学习的触发条件是接收了一个输入认识cin，如果有效搜索到与cin相关联的认识c∝cin和认识的清晰度lc，认知计算调用生成后继认识的算法ASC，并在存储体中删除c∝cin，清晰度高于c∝cin的所有认识下移一行，然后将输入认识cin存储在清晰度为Top的行中；如果有效搜索回送为标志“false”，则存储体中所有认识都下移一行，并将输入认识cin存储在清晰度为Top的行中。学习充分仿生了人类对已有知识的继承。算法可描述为：

4.3.5 遗忘

遗忘的触发条件是有效搜索输出标志“false”进行记忆或学习，如果一元模糊事件的维数大于存储体的潜力，即de＞p，或输入认识的维数大于存储体的潜力，即dcin＞p，则清晰度最低的一个或几个认识将移出存储体。遗忘是由存储体的容量有限引起的。

5 优化认知数据

5.1 完成任务的算法ACW（Algorithm to Complete Work）

5.1.1 比例放大法

比例放大法是将关联认识中模糊认知元属性的贡献度进行同比例放大，得出方法中模糊认知元的隶属度，而方法中的精确认知元隶属度仍为1。比例放大法适用于任务中结元为精确认知元的情况，即任务为w= [∅]→y(1)。假定和任务w=[∅]→y(1)相关联的认识为c=f[x1(bx1)，x2(bx2)，…，xn(bxn)]/m→，则方法m∝w= x1(ax1)，x2(ax2)，…，xn(axn)，(n≥2)，其中所有模糊认知元的隶属度为axi=kbxi，且kbxi≤1（k为一个比例常数，根据现场的情况决定）。

5.1.2 结元控制法

结元控制法将关联认识中模糊认知元属性的贡献度乘以任务结元的隶属度，再进行同比例放大得出方法中模糊认知元隶属度，而方法中的精确认知元隶属度仍为1，该算法适用于任务的结元为模糊认知元的情况。假定任务w=[∅]→y(ay)，(ay＜1)，其关联认识为c= f[x1(bx1)，x2(bx2)，…，xn(bxn)]/m→，则方法 m∝w= x1(ax1)，x2(ax2)，…，xj(1)，xn(axn)，(n≥2)，其中axi=kaybxi，且kaybxi≤1（k为一个比例常数，根据现场的情况决定），xi(axi)为模糊认知元，xj(1)为精确认知元。

5.2 优化认知数据的认知计算

5.2.1 深化

方法付诸实施后，如果对应的虚拟一元模糊事件：

在外部世界真实发生了，则表明方法是实用的，因为m∝w，而w∝c，从而说明寻找方法时有效搜索的对应关联认识是正确的，应该加强这个关联认识，为此，将该关联认识的经验因子m加1，各个属性的贡献度保持不变，并把该关联认识存储到存储体的第二行，使其清晰度为Top，删除原关联认识，清晰度高于原来关联认识的认识下移一个单位，低于的保持不变。这个处理称为深化。

深化认知计算可表述如下：

5.2.2 反思

方法付诸实施后，如果对应的虚拟一元模糊事件：

在外部世界没有发生，则表明该方法是不实用的，应该修改和该任务关联的认识。为此，将该关联认识的经验因子m减1，各个属性的贡献度保持不变，这个处理称为反思。

反思认知计算可表述如下：

深化和反思认知计算充分反映了改造世界对理解世界的影响。

6 认知计算实验

6.1 认知计算性能指标CCD（Cognitive Computation Data）

（1）成功率η

某一时间段内，完成的任务占提交的总任务比例，称为成功率。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）遗忘率 ρ

某一时间段内，遗忘的认识占曾经存储在存储体中的全部认识的比例。遗忘率 ρ高将导致成功率η降低，其最理想的值是0。

（3）深化率δ

某一时间段内，深化的认识和输出的方法的比例，反映了相应认知计算对人类认知模拟的精度，其最理想的值是100%。

（4）反思率θ

某一时间段内，反思的认识和输出的方法的比例，该比例反映了所有认知计算对人类认知模拟的误差，其最理想的值是0。

6.2 实验样本及实验过程

6.2.1 实验数据

（1）事件-任务流

按时间先后依次出现的一组相似一元模糊事件和最后出现的与该组一元模糊事件相关联的一个任务构成了一个事件-任务流，表示为e1→e2→…→ep→wi。

（2）认识-任务流

按时间先后依次出现的一个输入认识及一个关联任务构成了一个认识-任务流，表示为cin→wq。

6.2.2 实验数据库

选择人类认知环境存在的不同的事件-任务流87个和不同的认识-任务流39个组成实验数据库，其中属于自然科学类95个，社会科学类31个；完成实验数据库中全部任务的方法都是可检验的。

6.2.3 认知计算流程CCP（Cognitive Computation Process）

按时间先后顺序出现的若干个事件-任务流及认识-任务流交叉构成了一个认知计算流程，其中，不同的事件-任务流及认识-任务流中的单个事件、认识、任务可以按时间的先后交互出现，图2即为一个认知计算流程事例，它由2个事件-任务流及1个认识-任务流组成，其中，e1→e2→e3→w1是事件-任务流1，e5→e6→w2是事件-任务流2，cin→w3是认识-任务流1。

图2 认知计算流程示例

6.2.4 认知计算实验及结果

编制了一个程序sample，随机抽取实验数据库中的不同的事件-任务流α个和不同认识-任务流β个，其中，α+β=33，α≥0，β≥0，组成一个认知计算流程，作为认知计算实验的认知对象。综合考虑实验数据库中的数据对存储容量的要求，确定7个不同的存储体容量，分别是 v1=368，v2=396，v3=425，v4=425，v5=481，v6= 510，v7=738，v1=368，而v7=738足够大。为初始认识添加贡献度的算法采用生成初始认识的算法APC中的平均值法，为后继认识添加贡献度的算法采用生成后继认识的算法ASC中的反馈法，存储认知数据的认知计算如前所述，完成任务的算法使用完成任务的算法ACW中的比例放大法或结元控制法，方法的实用性人工鉴定，并根据鉴定的结果对存储体存储的关联认识进行深化和反思认知计算。对7个不同的存储容量，分别对sample输出的117个认知计算流程进行了认知计算实验，计算认知计算性能指标的时刻为每个认知计算流程的最末时刻，分别计算、记录117个认知流程的成功率η、遗忘率 ρ、深化率δ、反思率θ。全部实验的部分结果如表1。

从实验结果中可以总结出：（1）对于不同的认知计算流程，虽然它们的认知计算性能指标有所差异，但总有η+ρ≥1，δ+θ=1，且η＞ρ、δ＞θ，符合已有文献的报道[13-14]，说明基于认知元的认知计算符合人类的认知特征。（2）对于同一个认知计算流程，存储体容量v越大，成功率η及深化率δ就越大，而反思率θ及遗忘率ρ就越小，说明存储体容量v的增大能够改善认知计算的性能指标；当存储容量v增大到足够大时，成功率η可以达到最理想的100%，遗忘率ρ也降低到最理想的0，但深化率δ的大小却基本位于一个稳定的区间，约在80%～90%之间，反思率θ的大小相应地稳定在10%～20%之间，不再明显改善，这种现象称为饱和，相应的深化率及反思率的值称为饱和值；该认知规律和很多心理学实验结果一致[15-16]。

表1 认知计算实验的部分实验结果 （%）

7 基于认知元的认知计算的优点

基于认知元的认知计算中，生成初始认识的算法APC和生成后继认识的算法ASC是将一元模糊事件计算为认识c，模拟的是认知过程中的生成认知数据；行列可变的存储体及有效搜索、记忆、回忆、学习、遗忘等算法模拟的是认知过程中的存储认知数据；而完成任务的算法ACW、深化、反思等算法模拟的是认知过程中的优化认知数据；因此，基于认知元的认知计算模拟的是认知。

其次，基于认知元的认知计算实验中，认知对象是一个按时间先后顺序出现的若干个事件-任务流及认识-任务流交叉构成的认知计算流程，其中的e1，e2，…，ep既包含人类认知中的精确信息，也包括人类认知中的模糊信息，cin能够表达人类认知已经总结出所有知识，并且cin可以直接输入继承，wi、wq能够表达人类认知需要完成的所有任务；而若干个e1→e2→…→ep→wi及cin→wq交叉，既反映了人类为完成一个具体任务w的认知过程是串行的认知规律，又反映了人类为完成多个不同的任务w1，w2，…，wq的认知过程是并行的认知规律；因此，基于认知元的认知实验以认知计算流程作为认知对象，可以精确表达人类认知过程中需要计算的所有数据，具有通用性。

最后，为检验认知计算模拟人类认知的精确程度，基于认知元的认知计算设计了4个量化的认知计算性能指标成功率η、遗忘率 ρ、深化率δ及反思率θ，这4个指标能够精确表达该认知计算生成认知数据、存储认知数据、优化认知数据性能的高低；在基于认知元的认知计算实验中，一方面计算出同一个认知流程在存储体容量v取不同值时对应的η、ρ、δ及θ的值，并逐一统计η+ρ、δ+θ、η及ρ、δ及θ的变化规律；另一方面计算出不同的认知流程在存储体容量v取相同值时对应的η、δ、θ及 ρ的值，并汇总统计存储体容量v的变化对η、ρ、δ及θ的影响规律；最后比较统计出的认知规律和人类现有的认知规律的吻合程度，并做出判断；因此，基于认知元的认知计算，检验指标科学全面，实验结果具有可比性。

此外，本文提出的认知元其表示形式为x(ax)，y(ay)，z(az)等，既包括精确认知元，又包括模糊认知元，因此它是人类认知中精确信息和模糊信息的有效表达；而文献[1]中的一元事件认知模型采用的认知元其表示形式为x，y，z等，是精确认知元，因而它只能表达人类认知中的精确信息，外延很小。基于认知元的认知计算，其认知数据如一元模糊事件、认知、任务、方法等均为定量表达，存储体中存储的是量化的贡献度和经验因子，如认识c1=f[x1(0.38)，x2(0.20)，x4(0.42)]/17→------y1(1)，存储体中存储的是0.38，0.20，0.42，17这些量化的贡献度和经验因子；而文献[1]中的一元事件认知模型的认知数据只是定性表达，如认识 y2=[x3，x4/a][x1，x3/b]，存储体中存储的是为等价必体所加的定性标识a，b等。基于认知元的认知计算以生成认知数据、存储认知数据、优化认知数据等一系列细分的认知计算来实现不同的认知功能；而一元事件认知模型只给出了感悟机构、接收机构、记忆机构、任务机构、推理机构、思考机构等认知功能模块，没有具体的认知计算分别予以实现。基于认知元的认知计算研究成功率、遗忘率、深化率、反思率的改变规律；而一元事件认知模型研究认识的范数、单元数、复杂度及所在行的清晰度的改变规律。最重要的是，相对于一元事件认知模型，基于认知元的认知计算总结出的认知规律符合人类现有的认知规律，能够准确模拟人类的认知。

8 结束语

基于认知元的认知计算首次将认知信息表达为认知元的形式，创新地将生成认知数据表达为将一元模糊事件计算为认识，将存储认知数据表达为有效搜索、记忆、回忆、学习、遗忘等认知计算，将优化认知数据表达为完成任务、深化、反思等认知计算；设计了4个量化的认知计算指标成功率η、深化率δ、反思率θ及遗忘率ρ来检验认知计算的性能；在认知计算实验中，提出了以认知计算流程作为认知计算对象的新观点。基于认知元的认知计算改正了现有认知计算不能准确模拟人类认知的缺陷。对大量的实验结果进行分析发现，基于认知元的认知计算总结出的认知规律符合人类现有的认知规律，增加存储体容量能够改善认知计算的所有性能指标，当存储体的容量增加到足够大时，η、ρ可以达到最理想的值，但δ及θ却只能达到饱和值，因此，基于认知元的认知计算能够准确模拟人类的认知。

[1]冯康，姚南生.基于一元事件的认知模型[J].模式识别与人工智能，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]支联合，李玉晓，赵书俊，等.基于离散小波变换的fMRI数据特征提取[J].中国医学影像技术，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

为改正已有认知计算不能准确模拟人类认知的缺陷，提出了基于认知元的认知计算。它的认知数据来源于认知元，认知计算由生成认知数据、存储认知数据、优化认知数据组成。研究发现，基于认知元的认知计算符合人类的认知规律；增加存储体容量能够改善认知计算的所有性能指标，当存储体的容量增加到足够大时，成功率及遗忘率可以达到最理想的值，但深化率和反思率却只能达到饱和值。因此，基于认知元的认知计算能够准确模拟人类的认知。

认知元；认识；任务；认知计算指标

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.

国家自然科学基金（No.11401243）。

冯康（1968—），男，副教授，主要研究领域为认知计算、人工智能。E-mail：fenglikanglcq@163.com

2013-05-31

2013-09-11

1002-8331（2014）24-0143-08

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

book=150,ebook=155