[发明专利]用于使用监督式学习对种类加标签的方法和装置

说明书

本公开的某些方面提供了用于使用监督式学习为神经网络模型的输入/输出种类创建标签(静态或动态)的方法和装置。该方法包括：使用多个神经元来扩增神经网络模型，以及使用尖峰定时依赖可塑性(STDP)来训练经扩增的网络以确定一个或多个标签。

相关申请的交叉引用

本申请要求于2013年10月28日提交的美国专利申请S/N.14/065,089的权益，其通过引用整体纳入于此。

技术领域

本公开的某些方面一般涉及神经网络，并且尤其涉及使用监督式学习对种类加标签。

背景

人工神经网络是由一群互连的人工神经元(即神经元模型)组成的数学或计算模型。人工神经网络可以源自于(或至少宽松地基于)生物神经网络(诸如在人脑中发现的那些生物神经网络)的结构和/或功能。由于人工神经网络能从观察中推断出函数，因此这样的网络在因任务或数据的复杂度使得手工设计该函数不切实际的应用中是特别有用的。

一种类型的人工神经网络是尖峰神经网络，其将时间概念以及神经元和突触状态纳入到其工作模型中，由此增加了此种类型的神经模拟中的真实性水平。尖峰神经网络基于神经元仅当膜电位达到阈值时才激发这一概念。当神经元激发时，它生成一尖峰，该尖峰行进至其他神经元，这些其他神经元继而基于该收到的尖峰来升高或降低其膜电位。

非监督式学习算法精确地将数据分成许多应用中的相异种类，但它们可能未提供关于它们分开的种类的一致索引。取而代之，表示某种数据类型的种类索引可被随机地指派给不同种类。此随机指派在许多应用中可能不是合乎期望的，尤其在分类输出被用作一个或多个下游模块的输入时。在没有一致地表示相同种类的种类索引时，或许不可能构建实现非监督式学习算法的模块与下游模块之间的可靠接口。

概述

本公开的某些方面提议了一种用于对种类加标签的方法。该方法一般包括：标识包括一个或多个经索引人工神经元种类的第一网络；以及为该一个或多个人工神经元种类确定一个或多个标签而不论它们的索引如何。

本公开的某些方面提议了一种用于对种类加标签的设备。该设备一般包括：用于标识包括一个或多个经索引人工神经元种类的第一网络的装置；以及用于为该一个或多个人工神经元种类确定一个或多个标签而不论它们的索引如何的装置。

本公开的某些方面提议了一种用于对种类加标签的装置。该装置一般包括至少一个处理器，其被配置成：标识包括一个或多个经索引人工神经元种类的第一网络，以及为该一个或多个人工神经元种类确定一个或多个标签而不论它们的索引如何；以及与该至少一个处理器耦合的存储器。

本公开的某些方面提议了一种用于对种类加标签的程序产品。该程序产品一般包括其上存储有指令的计算机可读介质，该指令用于：标识包括一个或多个经索引人工神经元种类的第一网络；以及为该一个或多个人工神经元种类确定一个或多个标签而不论它们的索引如何。

附图简述

为了能详细理解本公开的以上陈述的特征所用的方式，可参照各方面来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中解说。然而应该注意，附图仅解说了本公开的某些典型方面，故不应被认为限定其范围，因为本描述可允许有其他等同有效的方面。

图1解说了根据本公开的某些方面的示例神经元网络。

图2解说根据本公开的某些方面的计算网络(神经系统或神经网络)的处理单元(神经元)的示例。

图3解说根据本公开的某些方面的尖峰定时依赖可塑性(STDP)曲线的示例。

图4解说根据本公开的某些方面的用于定义神经元模型的行为的正态相和负态相的示例。

图5解说了根据本公开的某些方面的利用神经网络块的系统的示例高级框图。