[发明专利]基于忆阻器的朴素贝叶斯分类器设计方法、系统及分类器

说明书

本发明公开了一种基于忆阻器的朴素贝叶斯分类器设计方法、系统及分类器，属于信息技术领域，方法包括：构建包含M行×2N列忆阻器阵列的朴素贝叶斯分类器，M为分类类型数量，N为图片中像素点的个数；计算第j训练样本中第i个像素点中像素值为0的个数h_j,2i‑1和像素值为1的个数h_j,2i，j＝1，2，……，M；在第j行第2i‑1列的忆阻器R_j,2i‑1上施加h_j,2i‑1个脉冲以对R_j,2i‑1的电导进行调制，在第j行第2i列的忆阻器R_j,2i上施加h_j,2i个脉冲以对R_j,2i的电导进行调制，调制后的朴素贝叶斯分类器用于识别待分类图片的类型。有效克服忆阻器在神经网络应用中电导变化的非对称性和非线性制约，避免非理想阻变行为导致的精度下降，提高朴素贝叶斯分类器的普适性。

技术领域

本发明属于信息技术领域，更具体地，涉及一种基于忆阻器的朴素贝叶斯分类器设计方法、系统及分类器。

背景技术

人工智能的发展和数据大爆炸对计算机性能提出了更高的要求。基于新型存储器的存内计算架构能够实现存储和计算的融合，有望突破传统计算机体系架构，极大提高现有计算机的性能。忆阻器作为最有希望的存算一体器件，其非易失性、读写速度快、易集成、低功耗等特点使其成为下一代存储器的热点，其独特的存内计算架构能够很好地模拟人脑存储和计算一体的机制。神经网络为机器学习中非常重要的学习算法，利用忆阻器实现神经网络时，通常对器件的一致性和对称性有很高要求。此外，神经网络学习算法具有复杂求导计算，其计算过程难以在忆阻器上实现，需要额外的计算资源。实际应用时，忆阻器存在的器件不一致性、器件错误、电导状态数有限、电导分布非线性和非对称性等非理想特性对神经网络系统性能有很大的影响，也制约了其应用进程。

朴素贝叶斯分类器是一种以贝叶斯定理为基础的概率分类器。相比其他神经网络算法，朴素贝叶斯分类器结构简单、性能稳定，对硬件更为友好。朴素贝叶斯分类器主要利用训练数据学习联合概率分布，然后求得后验概率分布。学习联合概率分布需要对数计算，这也制约了朴素贝叶斯分类器在忆阻器上实现。现有基于忆阻器实现朴素贝叶斯算法的方法中，通常通过忆阻器的crossbar阵列，基于欧姆定律实现朴素贝叶斯算法中的乘法过程，并累加得到最后结果，但是只能实现属性不超过三个的识别任务，极大限制了其普适性。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于忆阻器的朴素贝叶斯分类器设计方法、系统及分类器，其目的在于克服忆阻器在神经网络应用中电导变化的非对称性和非线性制约，避免非理想阻变行为导致的精度下降，提高朴素贝叶斯分类器的普适性。

为实现上述目的，按照本发明的一个方面，提供了一种基于忆阻器的朴素贝叶斯分类器设计方法，包括：S1，构建包含M行×2N列忆阻器阵列的朴素贝叶斯分类器，M为所述朴素贝叶斯分类器输出的类型的数量，N为图片中像素点的个数，每一像素点的像素值为0或1；S2，从训练样本中选取第j个类型对应的第j训练样本，计算所述第j训练样本中第i个像素点中像素值为0的个数h_j，2i-1和像素值为1的个数h_j，2i，j＝1，2，……，M，i＝1，2，……，N；S3，在第j行第2i-1列的忆阻器R_j，2i-1上施加h_j，2i-1个脉冲以对所述忆阻器R_j，2i-1的电导进行调制，在第j行第2i列的忆阻器R_j，2i上施加h_j，2i个脉冲以对所述忆阻器R_j，2i的电导进行调制，调制后的朴素贝叶斯分类器用于识别待分类图片的类型。

更进一步地，调制过程中，所述忆阻器的电导为：

G＝a×ln(N₁)+b

所述忆阻器对应的分类统计计算概率与所述忆阻器的电导满足：

ln P∝-G