[发明专利]一种基于微柱激活程度的HTM时间池训练方法

说明书

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。

技术领域

本发明属于人工智能类脑计算领域，具体涉及一种基于微柱激活程度的HTM时间池训练方法。

背景技术

HTM是一种模拟新大脑质工作原理的神经态机器学习算法。HTM空间池的主要工作过程为，通过计算HTM微柱与输入空间的重叠值，线性搜索、选择部分稀疏分布的微柱来表征输入数据。实际中，输入对于每个微柱的激活都具有差异，微柱间的差异性反映了微柱对输入的表征强度。现有HTM时间池训练算法并未考虑输入对微柱的激活程度，造成了一定的预测精度损失。

发明内容

为了解决现有HTM时间池训练算法中的不足与缺陷，本发明提出了一种基于微柱激活程度的HTM时间池训练方法，通过将活跃微柱的激活强度参与到时间池的学习计算中，产生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。

本发明所采用的技术方案如下：

一种基于微柱激活程度的HTM时间池训练方法，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。

进一步，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。

进一步，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。

进一步，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。