本发明属于盲人用工具技术领域，具体为一种盲人用立体视觉指示器。该系统首先通过感受器模块，使用手机上内置的两个或多个照相机构成的立体照相机获得场景图像；然后利用特征提取模块，使用相应图像处理的算法，分析图像数据，提取图像特征；再利用效应器模块，得到图像中距离、形状的信息；最后利用转化输出模块，将距离和形状的信息转化成盲人可以接受的音频，并通过耳机输出给盲人以供识别。本发明将最新的立体视觉处理算法应用于低成本的稳定的立体视觉移动手机，有助于盲人的出行等日常生活。
1.一种盲人用立体视觉指示器，其特征在于：其包括感受器模块、特征提取模块、效应器模块和转化输出模块；
所述感受器模块通过手机上内置的两个或多于两个的照相机构成的立体照相机获得场景图像；所述特征提取模块接收并且分析感受器模块获得的图像数据，提取图像特征；
所述效应器模块，根据图像特征，得到图像中视差和形状的信息；所述转化输出模块，将距离和形状的信息转化成盲人接受的音频，并通过耳机输出给盲人以供识别；
所述感受器模块、特征提取模块和效应器模块构成立体视觉的WWN模型，它有三个区域，从下到上分别为X、Y和Z区域，X区域是感受器模块，其获得左输入图像和右输入图像；
Z区域是效应器模块，其设置视差区和形状区；Y区域是特征提取模块，其设置内部特征区，通过两通路分别与Z区域的视差区和形状区双向连接；
所述特征提取模块采用6层神经元结构；其包括L1、L2、L3、L4、L5和L6层，L1层只有连线没有神经元，L2到L5层是采用一种反馈对的机制，L6是L4的辅助层，L5是L2、L3的辅助层；L4层直接与输入层相连，L4中的每个神经元和输入图像中的每个像素相连；L4与L6之间双向连接，L2、L3与L5之间双向连接，L2到L3单向连接，运动效应皮层的神经元与L2的神经元是全局并且双向的连接，L2、L3到L4之间没有连接；
所述特征提取模块采用的6层神经元结构，L2、L3、L4、L5和L6层中，每层都布满神经元，神经元之间拥有突触相连，每个神经元有一个初始的自下而上的圆形局部感受野，随着系统的使用，该感受野的形状使用网络的突触和年龄学习算法以及突出维护的算法进行更新；同时通过网络的运算算法，求出特征提取模块内的神经元发放程度，取发放较高的神经元传递给Z区域的视差区和形状区。
2.根据权利要求1所述的盲人用立体视觉指示器，其特征在于：所述特征提取模块中采用如下算法：一、网络的运算
1)实时监控运动效应层的信号：监督单个Z神经元外，也监督其邻居神经元以求得光滑性；在发育训练阶段，一个外部的监督机制根据输入来设置运动效应层的激活层次，如果ni是用来表示当前输入的不一致的神经元，则在时刻t，ni和其周边的神经元μj的激活层次 根据以ni为中心的三角核表示为：其中，d(i，j)是神经元ni和神经元nj的在神经平面上的距离，K是三角核的半径，M表示运动效应层；
上一时刻t-1的效应神经元的激活层次 投射到当前的L2神经元上，其中，下标N是Z区域的神经元个数，t(L2)(t)是t时刻L2的自上而下的输入信号；
2)L2和L4的预响应：L2或L4基于自上而下或自下而上的输入缓慢地进行预响应，L4的第i个最高的神经元的预响应值是：L2的第i个最高的神经元的预响应值是：
其中，b (t)是t时刻L4的自下而上的为输入信号， 为当前自下而上的信号(L4)b (t)的权重矢量， 为当前自上而下的信号 的权重矢量；
3)L6和L5为L4，L3和L2提供调节信号；L6和L5通过一对一的连接或得到L4，L3和L2的触发信息，并且他们将调节信息返还给与他们相对应的层；
4)L4和L2的响应；得到L6的反馈信号后，L4或L2内的神经元通过侧抑制进行内部计算，抑制的机制是，前k个有最高响应输出的神经元获胜，而其他的神经元被抑制，表示为：其中， 表示L4的第i个最高的神经元的预响应值， 表示L4的第i个神经元的响应值；
5)L3的响应；L3中的每个神经元接收从与它相连的L4的神经元的自下而上的输入，即 并且接受从与它相连的L2的神经元的自上而下的输入，即然后使用如下公式计算其响应：
其中，α是能量传递系数，缺省值是50％， 是L3中第i个神经元自下而上的输入， 是L3中第i个神经元自上而下的输入；
对于特征提取模块中的神经元，将神经元触发的次数作为神经元的年龄，网络中第j个神经元的第i个突触的突触向量表示为：其中：ω1＝1-ω2，
表示自下而上的输入， 表示自上而下的输入，nij表示第j个神经元的第i个突触的年龄，yij表示第j个神经元的第i个突触的输入向量，μ(n)是遗忘函数，其用如下公式表示：3
其中，t1＝10，t2＝10 ，c＝2，r＝10；
特征提取模块中的神经元之间的突触更新使用如下的DSLCA算法，算法在每个神经元的感受野输入图像中找出感兴趣的前景部分，而将不需要注视的背景部分舍弃；具体过程如下：对于每个突触定义一个物理量，记为σi，表示该突触的变化程度，是调节突触剪断和生长的主要参数；对一个神经元的所有突触的σi设定一个动态阈值；σi小于 被视为低值，σi大于 被视为高值，其中 是每次计算得到的所有σi的平均值；当σi位于两个阈值之间时，突触发生因子 被用于计算突触权重；突触发生因子是关于σi的反函数，确保突触从生长到剪断的过程是平滑的；
其中： w1(n)＝1-w2(n)，n0＝10，vi是突触向量的第i项，pi输入向量的第i项，μ（n)是遗忘函数；
其中，t1＝10，t2＝103，c＝2，r＝10；
其中，ξ1＝0.9，ξ2＝1.5，k是一个常数以保证函数是连续的，∈是一个非常小的正常数以防止分母为0， N是输入向量的维数。
3.根据权利要求1所述的盲人用立体视觉指示器，其特征在于：所述感受器模块，包含左摄像头图像获取子模块和右摄像头图像获取子模块；感受器模块的输入是左右两个摄像头采集到的外部环境的图像，它的输出是左右两个图像的数字信号。
4.根据权利要求1所述的盲人用立体视觉指示器，其特征在于：所述特征提取模块由图像-深度形状特征提取子模块组成；它的输入是感受器模块传来的图像信号，并将处理的视差、形状特征传递给效应器模块，同时它还接受效应器模块的反馈，并也将对感受器模块进行反馈。
5.根据权利要求1所述的盲人用立体视觉指示器，其特征在于：所述的效应器模块包含两个子模块：局部形状子模块和局部视差子模块，该模块根据特征提取模块的输出直接产生形状、视差信息，输出给下一模块，也对上一模块进行反馈。
6.根据权利要求1所述的盲人用立体视觉指示器，其特征在于：所述的转化输出模块包含一个子模块：深度音频转化子模块；它的输入是效应器模块的输出，即目标物体的距离、位置信息，它的输出是音频信息，通过耳机提供给使用者。
盲人用立体视觉指示器
技术领域
[0001] 本发明属于盲人用工具技术领域，特别涉及一种盲人用立体视觉指示器。
背景技术
[0002] 据估计，全世界约有2.85亿人有视觉损伤，其中有将近4千万人是全盲的，并且90％的视觉损伤患者出自发展中国家。所以，一种低廉稳定的视觉辅助工具对于盲人来说非常有意义。
[0003] 目前，最普遍的为盲人提供帮助的工具是手杖或者导盲犬，虽然比较习惯，但是限制了盲人的运用。例如手杖的长度有限，仅能提示盲人前方地面的小范围区域，不能检测头部周围的范围以及较远的范围；导盲犬虽然较手杖很有优势，但是导盲犬培训的成本较高，适应难度大，交互困难。
[0004] 目前机器学习的相关算法已应用于立体照相机中，但它们往往并不可靠，例如只能应用于相对单一的环境或者丰富的纹理中，而对于单一或者较弱的纹理的场合下，往往受噪声影响较大，产生误差。
发明内容
[0005] 本发明的目的在于克服上述难题，提供一种盲人用立体视觉指示器，其制作成本低，适用范围广，受噪声影响小，并且准确度高。
[0006] 本发明提出的一种盲人用立体视觉指示器，主要包括感受器模块、特征提取模块、效应器模块和转化输出模块。所述感受器模块通过手机上内置的两个或多个照相机构成的立体照相机获得场景图像；所述特征提取模块使用立体视觉发育网络算法，分析图像数据，提取图像特征；所述效应器模块，得到图像中视差和形状的信息；所述转化输出模块，将距离和形状的信息转化成盲人接受的音频，并通过耳机输出给盲人以供识别；
[0007] 所述感受器模块、特征提取模块和效应器模块构成立体视觉的WWN模型，它有三个区域，从下到上分别为X、Y和Z区域，X区域是感受器模块，其获得左输入图像和右输入图像，Z区域是效应器模块，其设置视差区和形状区；Y区域是特征提取模块，其设置内部特征区，其获得从左输入图像和右输入图像的自下而上的信息，并通过两分别与Z区域的视差区和形状区双向连接；
[0008] 所述特征提取模块采用6层神经元结构；其包括L1、L2、L3、L4、L5和L6层，L1层只有连线没有神经元，L2到L5层是采用一种反馈对的机制，L6是L4的辅助层，L5是L2、L3的辅助层；L4层直接与输入层相连，L4中的每个神经元和输入图像中的每个像素相连；L4与L6之间双向连接，L2、L3与L5之间双向连接，L2到L3单向连接，运动效应皮层的神经元与L2的神经元是全局并且双向的连接，L2、L3到L4之间没有连接；
[0009] 所述特征提取模块采用6层神经元结构，L2、L3、L4、L5和L6层中，每层都布满神经元，神经元之间拥有突触相连，每个神经元有一个初始的自下而上圆形局部感受野，随着系统的使用，该感受野的形状使用下文中描述的网络的突触和年龄学习算法以及突出维护的算法进行更新；例如，当输入图像的长宽均为200像素时，初始化感受野的直径为17，每两个像素取一个感受野，这样在每个方向上得到92个感受野，即内部特征区用每个方向上神经元的数量，深度为10层来表现图像的特征信息。
[0010] 所述特征提取模块，通过下文中描述的网络的运算算法，求出特征提取模块内的神经元发放程度，取发放较高的神经元传递给Z区域的视差区和形状区；神经元的层数是可识别的视差等级个数，例如，视差区的神经元可以包含11层，则表示可识别11种不同的视差，每个位置上的视差由该位置神经元的所有层中触发水平最高的那层表示；形状区包含的神经元数量等于可识别的基本形状的数量，例如球体、圆锥体、圆柱体、平面以及其他。
[0011] 本发明中，所述感受器模块，包含左摄像头图像获取子模块和右摄像头图像获取子模块；感受器模块的输入是左右两个摄像头采集到的外部环境的图像，它的输出是左右两个图像的数字信号。
[0012] 本发明中，所述特征提取模块由图像-深度形状特征提取子模块组成；它的输入是感受器模块传来的图像信号，其将处理的视差、形状特征传递给效应器模块，同时它还接受效应器模块的反馈，并也将对感受器模块进行反馈，即该模块起到了“桥”的作用，沟通了感受器模块和效应器模块等多个“岛”。
[0013] 本发明中，所述效应器模块包含两个子模块：局部形状子模块和局部视差子模块，该模块根据特征提取模块的输出直接产生形状、视差信息(即距离、位置信息)，并输出给下一模块，也对上一模块进行反馈。
[0014] 本发明中，所述转化输出模块包含一个子模块：深度音频转化子模块；它的输入是效应器模块的输出，即目标物体的距离、位置信息，它的输出是音频信息，通过耳机提供给使用者。
[0015] 本发明提供的一种盲人用立体视觉指示器，采用一种新的立体视觉发育网络算1 2
法，其使用WWN模型 及用于立体视觉特征提取的6层网状结构 ，在其基础上增加了突触维护的技术，使得算法更加鲁棒。
[0016] 本发明通过将算法应用于具有立体照相机的智能手机中，先由立体照相机采集数据，获得立体图像；再通过算法分析立体图像中目标物体的距离、形状信息；最后将该信息转化为音频信息传递给盲人，为盲人提供视觉帮助。
[0017] 本发明算法是对WWN(Where-What NetWork)模型1和LCA(Lobe Component3
Analysis)算法 的延伸。WWN模型应用于目标注视、识别，可以得到目标物体的尺度、大小、位置信息，但之前的WWN模型植被应用于单目视觉中，这里将WWN模型应用于立体视觉中，得到目标物体的位置、视差信息。这里也对LCA算法进行改进，称为DSLCA(Dynamic Synapse Lobe Component Analysis)，增加了神经元之间的突触维护功能，可以在神经学习的过程中自主削减和增长突触，这样可以提供更好的特征表示。
[0018] 以下是立体视觉指示器系统所使用的立体视觉发育网络算法：
[0019] 1.网络的运算
[0020] 对于特征提取模块中的神经元的运算，作如下算法：
[0021] 1)实时监控运动效应层的信号：为了监督信号在Z区域的连续性，以改进它的[0022] 反应的精确性，我们不是监督单个Z神经元，而是也监督其邻居神经元以求得某种光滑性。在发育训练阶段，一个外部的监督机制根据输入来设置运动效应层的激活层次，如果ni是用来表示当前输入的不一致的神经元，则在时刻t，ni和其周边的神经元的激活层次 根据以ni为中心的三角核表示为：
[0023]
[0024] 其中，d(i，j)是神经元ni和神经元nj的在神经平面上的距离，K是三角核的半径，M表示运动效应层；
[0025] 上一时刻t-1的效应神经元的激活层次 投射到当前的L2神经元L，[0026]
[0027] 其中，下标N是Z区域的神经元个数，t(L2)(t)是t时刻L2的自上而下的输入信号。2)L2和L4的预响应：L2或L4基于自上而下或自下而上的输入缓慢地进行预响应，L4的第i个最高的神经元的预响应值是：
[0028]
[0029] L2的第i个最高的神经元的预响应值是：
[0030]
[0031] 其中，b(L4)(t)是t时刻L4的自下而上的输入信号， 为当前自下而上的信号b(L4)(t)的权重矢量， 为当前自上而下的信号t(L2)(t)的权重矢量。
[0032] 3)L6和L5为L4，L3和L2提供调节信号；L6和L5通过一对一的连接或得到[0033] L4，L3和L2的触发信息，并且他们将调节信息返还给与他们相对应的层；
[0034] 4)L4和L2的响应；得到L6的反馈信号后，L4或L2内的神经元通过侧抑制进行内部计算，抑制的机制是，前k个有最高响应输出的神经元获胜，而其他的神经元被抑制，表示为
[0035]
[0036] 其中， 表示L4的第i个最高的神经元的预反应值， 表示L4的第i个神经元的反应值。
[0037] 5)L3的响应；L3中的每个神经元接收与它相连的L4的神经元的自下而上的输入，即 并且接受与它相连的L2的神经元的自上而下的输入，即然后使用如下公式计算其响应：
[0038]
[0039] 其中，α是能量传递系数，缺省值一股是50％， 是L3中第i个神经元自下而上的输入， 是L3中第i个神经元自上而下的输入；
[0040] 2.网络的突触和年龄学习
[0041] 对于特征提取模块中的神经元，将神经元触发的次数作为神经元的年龄，网络中第j个神经元的第i个突触的突触向量可以表示为：
[0042] 公式1：
[0043] 其中：
[0044] 表示自下而上的输入， 表示自上而下的输入，譬如讲，对Y区域，[0045] X区域是它的自下而上b输入，Z区域是它的自上而下t输入，对Z区域，Y区域是它的自下而上b输入，对X区域，Y区域是它的自上而下t输入。nj表示第j个神经元的年龄，yj＝(rj-rk+1)/(rj-rk+1)，其中rj表示最高的第j个神经元的预发放值，只取前k个发放最高的神经元，其他神经元发放等于0，μ扒)是遗忘函数：
[0046] 公式2：3
[0047] 其中，t1＝10，t2＝10 ，c＝2，r＝10。
[0048] 因为在DSLCA中，突触可以在任何时间生长和剪断，一个全局的神经元年龄只应该应用于最老的突触，其他的突触的年龄应该使用当它们成长之后神经元被触发的次数。所以公式1可以重写为：
[0049] 公式3：
[0050] 其中： nij表示第j个神经元的第i个突触的年龄，yij表示第j个神经元的第i个突触的输入向量,vij(t)表示第j个神经元的第i个突触的突触向量。
[0051] 3.网络的突触维护
[0052] 特征提取模块中的神经元之间的突触更新使用了如下的DSLCA算法，如图4，算法可以在每个神经元的感受野输入图像中找出感兴趣的前景部分，而将不需要注视的背景部分舍弃。算法如下，
[0053] 对于每个突触定义一个物理量，记为σi，表示该突触的变化程度，是调节突触剪断和生长的主要参数。σi值高意味着该突触的输入很不稳定，这应该被忽略(比如背景或者噪声)，故而突触将被剪断，而σi值低的突触将可以生长，因为它们接收到稳定的输入。为了区分高值与低值，需要对一个神经元的所有突触的σi设定一个动态阈值。σi小于被视为低值，σi大于 被视为高值，其中 是每次计算得到的所有σi的平均值。当σi位于两个阈值之间时，突触发生因子 被用于计算突触权重。突触发生因子是关于σi的反函数，确保突触从生长到剪断的过程是平滑的。更新神经元n的第i个突触σi(n)的公式如下：
[0054] 公式4：
[0055]
[0056] 其中： vi是突触向量的第i项，pi是输入向量的第i项，μ(n)是遗忘函数，见公式2。
[0057] 公式5：
[0058] 其中，N是输入向量的维数。
[0059] 用公式6计算突触发生因子
[0060]
[0061] 其中，ξ1＝0.9，ξ2＝1.5，k是一个常数以保证函数是连续的，∈是一个非常小的正常数以防止分母为0。
[0062] 本发明的有益效果在于：其制作成本低，适用范围广，受噪声影响小，并且准确度高。
附图说明
[0063] 图1是系统结构图。
[0064] 图2是智能手机上立体摄像头示意图。
[0065] 图3是立体视觉WWN模型示意图。
[0066] 图4是算法实验示意图。
具体实施方式
[0067] 以下是本发明的具体的实施方案，便于更好的理解本发明，而非用来限制本发明的使用范围。本发明中系统结构图如图1所示。
[0068] 实施例中，首先需要准备一个在同侧的两边配备有两个相机的智能手机，构造示意图如图2，用于拍摄外部环境的图像。图2表示，智能手机需要在同侧(正面或者背面)的左右两端配备有两个摄像头。这是一种可行方案，也可以是多个摄像头构成的立体照相机。左图和右图是或者关系。
[0069] 手机中内置程序，软件实现如下功能：
[0070] 1)采集左右两个相机拍摄的图像，使用立体图像合成算法生成空间立体图像。
[0071] 2)根据空间立体图像计算出目标物体的距离、形状信息。
[0072] 3)将距离、形状信息转化为盲人比较敏感的不同频率的音频信号，输出。
[0073] 最后程序通过耳机等媒介，将音频信号传递给使用者(盲人)，以提供视觉帮助。
[0074] 盲人使用该发明时，只需手持智能手机，将摄像头一端对向前方，软件就会返回正对方向目标的距离、形状信息，该信息通过音频的形式返回给盲人，盲人就可以通过分辨音频的特征从而得到前方目标的距离、形状信息。盲人通过移动设备的方向，就可以对周围世界有一个大致的了解。
[0075] 当程序开始运行后，循环调用感受器模块1，使用手机上内置的两个或多个照相机构成的立体照相机获得场景图像；然后利用特征提取模块2，使用相应图像处理的算法，分析图像数据，提取图像特征；再利用效应器模块3，得到图像中距离、形状的信息；最后利用转化输出模块4，将距离和形状的信息转化成盲人可以接受的音频，并通过耳机输出给盲人以供识别。
[0076] 感受器模块1的实现大致是这样的：该模块循环调用智能手机操作系统所提供的相机借口函数，获取实时的视频图像信息，并将同一时刻的左右两个相机采集到的图像数据传给下一模块。
[0077] 特征提取模块2的实现大致是这样的：该模块属于WWN模型中的中间特征提取区域，拥有多层，每层都布满一定数量的神经元，神经元之间拥有突触相连，通过这些层表示输入信息，从而实现特征提取。
[0078] 本模块使用了DSLCA算法，其中算法内容部分示意见说明书附录部分。实现突触的动态调节，将不稳定的突触删减，稳定的突触生长，因此实现去噪、适应多种环境。
[0079] 效应器模块3的实现大致是这样的：接收特征提取模块传来的触发的神经元的信息，以此得到形状、视差等信息。在形状子模块中，神经元的数量将是可识别的基本形状的个数，触发水平最高的神经元所代表的形状作为结果，在视差子模块，神经元的层数将是可识别的视差等级个数，每一位置的视差由该位置神经元的所有层中触发水平最高的那一层表示。
[0080] 转化输出模块(4)的实现大致是这样的：在得到上一模块处理的数据后，将不同的距离形状信息转化为与之对应的不同的音频信息，例如可以将距离较远的信号对应频率较高的音频信号，以方便盲人识别。最后将音频信号通过耳机等媒介传递给使用者。
[0081] 譬如讲，C调有7个自然音阶，1234567，对于每个人都比较熟悉，映射准确，每个音阶有升调降调，例如升调是 ，类似的降调在下面加点，共21个，足够我们的输出映射使用。高音表示目标物体近，低音表示目标物体远，音色表示形状，例如在水平曲率上，小号的音色a代表正曲率，大提琴的音色b代表负曲率，在垂直曲率上，女声c代表负曲率，男声d代表正曲率。曲率有极值，从-k到-k，假定，当时检测到的水平曲率为α，当α＝k时，水平曲率正最大，小号的能量达到Emax，当α＝-k时，水平曲率最小，小号的能量变为人类能区分的最小能量Emin，所以小号的能量等于：
[0082]
[0083] 同理，大提琴的能量等于：
[0084]
[0085] 对于垂直曲率，假定当时检测到的垂直曲率为β，女声的能量等于：
[0086]
[0087] 同理，男声的能量等于：
[0088]
[0089] 最后的音色输出等于以上四个能量之和：
[0090] E＝Ea+Eb+Ec+Ed
[0091] 本系统内的网络结构需要首先进行监督学习，由工厂训练员进行多场景训练：
[0092] 训练方法视差监督，用左右照相机的图像同时显示在手机触摸屏上，用水平触摸滑动珠调整两幅图像的重叠，当中心点完全重叠了，水平移动的方向即表示了所对应的水平视差值。
[0093] 训练方法形状监督，由两个滑动珠水平代表大小号的能量合成，垂直代表男女生的能量合成。然后用图形学的方法产生一个所对应的三维计算机模型，在平行光源的光照下，把光照下的三维物体显示到屏幕上面，用视觉的方法来检测图形学形状和显示形状的吻合度，以校准局部形状输入的两维数值的合适程度。
[0094] 图4是在PC机上使用本算法得到的结果示意图，实验中选取了五种形状：球体、圆柱体、圆锥体、平面和其他(表示除去前四种的其他形状)，选取了10种不同纹理的自然图像作为背景，使用软件POV-Ray生成这些形状和背景的3D场景，这些基本形状被放置在随机的背景中，每一组的左图和中图表示感受器模块的左右感受器接收到的图像，输入图像的分辨率是200*200像素，右图表示本算法的结果，像素越深表示该像素点越近。
[0095] 实验中，特征提取模块由92*92*10个神经元构成，每个神经元在左输入和右输入都有一个圆形的自下而上的直径为17的感受野，每两个像素取一个感受野，这样在每个方向上得到92个感受野(92*2覆盖了184个像素，剩余的16个像素则由边界的感受野覆盖)。每个神经元都与效应器模块中的视差区和形状区的所有神经元相连。对于从自下而上信息中提取纹理、视差特征信息，10层是需要的。
[0096] 视差区由7*7*11个神经元构成，每层的7*7个神经元中的任一神经元代表了图中对应的位置，同一位置的不同层神经元则代表了该位置的视差，发放最大的表示视差结果，可表示11种视差。
[0097] 形状区由5个神经元构成，每个神经元代表了5种形状中的某一个形状，发放最大的表示形状结果。
[0098] 参考文献
[0099] 1.Z.Ji，J.Weng，and D.Prokhorov.Where-what network1：”Whereand“What”assist
[0100] each other through top-down connections.In Proc.IEEE International Conference on
[0101] Development and Learning，Monterey,CA，Aug.9-12 2008，61-66.[0102] 2.M.Solgi and J.Weng.Developmental stereo：Emergence ofdisparity preference in
[0103] models ofthe visual cortex.IEEE Transactions on Autonomous Mental Development，
[0104] 2010，1(4)：238-252.
[0105] 3.J.Weng and N.Zhang.Opimal in-place learning and the lobe component analysis.In Proc.World Congress on Computational Intelligence，Vancouver，Canada，July 1 6-2 12006。
[0106] 说明书附录
[0107]
