[发明专利]用于尖峰神经网络中的自然多尖峰序列的神经学习的方法和装置

权利要求书

1.一种神经学习的方法，包括：

通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入；以及

基于与所述突触相关联的资源、自从所述权重的上一次改变以来的时间、或者所述突触前神经元与所述突触后神经元的尖峰定时中的至少一者来适配突触的权重。

2.如权利要求1所述的方法，其特征在于，进一步包括：

与适配突触的权重相关地来修改所述资源；以及

随时间推移朝所述资源在所述修改之前的值恢复所述资源。

3.如权利要求2所述的方法，其特征在于，修改所述资源包括减少所述资源。

4.如权利要求3所述的方法，其特征在于，所述资源被减少与突触的权重在所述适配期间的变化的绝对值成比例的量。

5.如权利要求3所述的方法，其特征在于，如果突触的权重在所述适配期间的变化的绝对值高于阈值，则所述资源被减少到0。

6.如权利要求2所述的方法，其特征在于，随时间推移恢复所述资源包括：

在一时间延迟之后将所述资源恢复到所述修改之前的值。

7.如权利要求2所述的方法，其特征在于，修改所述资源发生在对适配所述权重的交付履行之时。

8.如权利要求2所述的方法，其特征在于：

修改所述资源发生在确定适配所述权重的一方面时；以及

适配所述权重发生在此后的时间。

9.如权利要求8所述的方法，其特征在于，适配所述权重的所述方面包括以下各项中的至少一项：所述权重的变化量、或者所述权重的变化方向。

10.如权利要求1所述的方法，其特征在于，如果所述资源低于一阈值，则突触的权重在所述适配期间的变化不被应用。

11.如权利要求1所述的方法，其特征在于，如果自从所述上一次改变以来的时间低于一阈值，则突触的权重在所述适配期间的变化不被应用。

12.如权利要求1所述的方法，其特征在于，适配突触的权重进一步包括：

在所述突触后神经元或所述突触前神经元的尖峰发放的时间更新突触的权重为生效；

在所述权重更新的时间将更新所述权重的时间存储为所述资源上一次被使用的时间；

在更新所述权重的另一时间根据所述另一时间和所述资源上一次被使用的时间来计算所述资源；以及

根据计算出的资源来获得突触的权重的变化。

13.如权利要求12所述的方法，其特征在于，如果突触的权重的所述变化的幅值低于一阈值，则所述资源上一次被使用的时间的值不被覆写。

14.如权利要求12所述的方法，其特征在于，如果所述另一时间减去所述资源上一次被使用的时间的值小于一阈值，则所述权重的变化为0。

15.一种用于神经学习的装置，包括：

第一电路，配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入；以及

第二电路，配置成基于与所述突触相关联的资源、自从所述权重的上一次改变以来的时间、或者所述突触前神经元与所述突触后神经元的尖峰定时中的至少一者来适配突触的权重。

16.如权利要求15所述的装置，其特征在于，进一步包括：

第三电路，配置成与适配突触的权重相关地来修改所述资源；以及

第四电路，配置成随时间推移朝所述资源在所述修改之前的值恢复所述资源。

17.如权利要求16所述的装置，其特征在于，修改所述资源包括减少所述资源。

18.如权利要求17所述的装置，其特征在于，所述资源被减少与突触的权重在所述适配期间的变化的绝对值成比例的量。

19.如权利要求17所述的装置，其特征在于，如果突触的权重在所述适配期间的变化的绝对值高于一阈值，则所述资源被减少到0。

20.如权利要求16所述的装置，其特征在于，所述第四电路还被配置成：

在一时间延迟之后将所述资源恢复到所述修改之前的值。