[发明专利]一种基于微柱激活程度的HTM时间池训练方法

权利要求书

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；

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为阈值的关系，对突触的持久值进行调整。

2.根据权利要求1所述的一种基于微柱激活程度的HTM时间池训练方法，其特征在于，选择激活态微柱的方法为：

步骤2.1，当且仅当突触处于连通状态且突触连接在数据编码的活跃编码位上，突触进入激活态；

步骤2.2，将每个微柱上处于激活态突触的数量记为overlap；

步骤2.3，基于步骤2.1-2.2得到的激活态突触数量overlap和预设的抑制半径激活空间池的微柱，将激活态微柱来表征当前输入形成SDR。

3.根据权利要求1所述的一种基于微柱激活程度的HTM时间池训练方法，其特征在于，计算微柱的激活强度β_i表示第i个激活微柱的激活强度，sigmoid为激活函数，n_i表示第i个激活微柱上活跃突触个数，S_i表示第i个激活微柱上活跃突触持久值总和，N_i表示第i个输入中编码活跃位数。

4.根据权利要求3所述的一种基于微柱激活程度的HTM时间池训练方法，其特征在于，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。

5.根据权利要求3所述的一种基于微柱激活程度的HTM时间池训练方法，其特征在于，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+β_i)；

permanence_(i,j)＝permanence_(i,j)+Δ⁺

将增量Δ⁺加到permance(i,j)上，permance(i.j)是当前活跃微柱中第i个细胞上第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⁺＝(permanenceIncrement)

permanence_(i,j)＝permanence_(i,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，β_i为第i个微柱的激活强度。