申请/专利权人：江苏大学

申请日：2020-12-21

公开（公告）日：2024-03-22

公开（公告）号：CN112561063B

主分类号：G06N3/08

分类号：G06N3/08;G06N3/048;G06N3/049

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.04.13#实质审查的生效;2021.03.26#公开

摘要：本发明公开了一种基于微柱激活程度的HTM时间池训练方法，首先，将空间池连接到数据编码，随机初始化近端树突上突触的持久值；从空间池的微柱中选择激活态微柱来表征当前输入，形成稀疏的SDR；基于活跃突触数量、活跃突触持久值和中编码活跃位数，计算中激活态微柱的激活强度；完成空间池学习后，时间池进入学习状态；在时间池学习过程中，判断微柱预测是否准确；根据时间池预测的结果，若预测失败则进入惩罚阶段，若预测正确，则进入奖励阶段；在惩罚阶段和奖励阶段，通过判断该微柱激活强度与激活强度为阈值的关系，对突触的持久值进行调整；本申请通过灵活动态的突触持久值改变方式，进而提升时间池预测的准确性。

主权项：1.一种基于微柱激活程度的HTM时间池训练方法，其特征在于，包括如下步骤：步骤1，将空间池连接到数据编码，随机初始化近端树突上突触的持久值；步骤2，从空间池的微柱中选择激活态微柱来表征当前输入，形成稀疏的SDR；步骤3，基于活跃突触数量、活跃突触持久值和中编码活跃位数，计算步骤2中激活态微柱的激活强度；步骤4，完成空间池学习后，时间池进入学习状态；所述时间池学习的过程为：步骤4.1，将SDR作为时间池的输入，并为SDR中每一个激活态微柱选择学习细胞；步骤4.2，并将t时刻激活态微柱所选择的学习细胞与t-1时刻激活态微柱所选择的学习细胞建立突触连接，形成时序记忆模式；步骤4.3，当t-1时刻时间池的输出包含t时刻时间池的输入，则预测正确；反之，则预测失败；步骤5，在时间池学习过程中，判断微柱预测是否准确；具体根据步骤4中时间池预测的结果，若预测失败则进入惩罚阶段，若预测正确，则进入奖励阶段；在惩罚阶段和奖励阶段，通过判断该微柱激活强度与激活强度阈值的关系，对突触的持久值进行调整；计算微柱的激活强度βi表示第i个激活微柱的激活强度，sigmoid为激活函数，ni表示第i个激活微柱上活跃突触个数，Si表示第i个激活微柱上活跃突触持久值总和，Ni表示第i个输入中编码活跃位数；若在奖励阶段，获取t时刻激活微柱内活跃神经元与t-1时刻学习细胞建立的突触连接，并获取t时刻学习细胞所在的微柱的激活强度；判断该微柱激活强度是否大于阈值若是，则根据下式：Δ+＝permanenceIncrement*1+βi；permanencei,j＝permanencei,j+Δ+将增量Δ+加到permancei,j上，permancei.j是当前活跃微柱中第i个激活微柱上第j个需要调整的突触的持久值，加强该突触连接；若否，则按照下式对突触的持久值进行调整：Δ+＝permanenceIncrementpermanencei,j＝permanencei,j+Δ+其中，Δ+为每次奖励阶段中突触持久值的增量，permanceIncrement为增量基准值，βi为第i个微柱的激活强度；若在惩罚阶段，获取t时刻激活微柱内活跃神经元与t-1时刻学习细胞建立的突触连接，并获取t时刻学习细胞所在的微柱的激活强度，判断该微柱激活强度是否大于阈值若否，则根据下式：Δ-＝permanenceDecrement*1+1-βipermanencei,j＝permanencei,j-Δ-将permanencei,j减去所得到的的负增量Δ-，进而削弱该突触连接；若是，则按照下式对突触的持久值进行调整：Δ-＝permanenceDecrementpermanencei,j＝permanencei,j-Δ-其中，Δ-为每次惩罚阶段中突触持久值的负增量，permanceDecrement为负增量基准值。

全文数据：

权利要求：

百度查询： 江苏大学 一种基于微柱激活程度的HTM时间池训练方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD