用于随机尖峰贝叶斯网络的基于事件的推断和学习制造技术

一种执行基于事件的贝叶斯推断和学习的方法包括在每个节点处接收输入事件。该方法还包括将偏置权重和/或连接权重应用于输入事件以获得中间值。该方法进一步包括基于中间值来确定节点状态。此外，该方法包括基于节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件。

【技术实现步骤摘要】
【国外来华专利技术】相关申请的交叉引用本申请要求于2014年2月21日提交的美国临时专利申请No.61/943,147和于2014年3月6日提交的美国临时专利申请No.61/949,154的权益，以上公开通过全文引用明确纳入于此。背景
本公开的某些方面一般涉及神经系统工程，尤其涉及用于随机尖峰贝叶斯网络的基于事件的推断和学习的系统和方法。背景可包括一群互连的人工神经元(即神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。人工神经网络可具有生物学神经网络中的对应的结构和/或功能。然而，人工神经网络可为其中传统计算技术是麻烦的、不切实际的、或不胜任的某些应用提供创新且有用的计算技术。由于人工神经网络能从观察中推断出功能，因此这样的网络在因任务或数据的复杂度使得通过常规技术来设计该功能较为麻烦的应用中是特别有用的。概述在本公开的一方面，一种方法执行基于事件的贝叶斯推断和学习。该方法包括在一群节点中的每个节点处接收输入事件。该方法还包括将偏置权重和/或连接权重应用于输入事件以获得中间值。另外，该方法包括基于中间值来确定节点状态。该方法进一步包括基于节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件。在本公开的另一方面，一种装置执行基于事件的贝叶斯推断和学习。该装置包括存储器以及一个或多个处理器。该(些)处理器耦合至存储器。该(些)
处理器被配置成在一组节点中的每个节点处接收输入事件。该(些)处理器还被配置成将偏置权重和/或连接权重应用于输入事件以获得中间值。另外，该(些)处理器被配置成基于中间值来确定节点状态。该(些)处理器被进一步配置成基于节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件。在又一方面，公开了一种用于执行基于事件的贝叶斯推断和学习的设备。该设备具有用于在一组节点中的每个节点处接收输入事件的装置。该设备还具有用于将偏置权重和/或连接权重应用于输入事件以获得中间值的装置。另外，该设备具有用于基于中间值来确定节点状态的装置。此外，该设备具有用于基于节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件的装置。在本公开的再另一方面，公开了一种用于执行基于事件的贝叶斯推断和学习的计算机程序产品。该计算机程序产品包括其上编码有程序代码的非瞬态计算机可读介质。该程序代码包括用于在一组节点中的每个节点处接收输入事件的程序代码。该程序代码还包括用于将偏置权重和/或连接权重应用于输入事件以获得中间值的程序代码。另外，该程序代码包括用于基于中间值来确定节点状态的程序代码。该程序代码进一步包括用于基于节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件的程序代码。这已较宽泛地勾勒出本公开的特征和技术优势以便下面的详细描述可以被更好地理解。本公开的其他特征和优点将在下文描述。本领域技术人员应该领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。附图简述在结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加明显，在附图中，相同附图标记始终作相应标识。图1解说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解说根据本公开的某些方面的使用通用处理器来设计神经网络的示例实现。图6解说根据本公开的某些方面的设计其中存储器可以与个体的分布式处理单元对接的神经网络的示例实现。图7解说根据本公开的某些方面的基于分布式存储器和分布式处理单元来设计神经网络的示例实现。图8解说根据本公开的某些方面的神经网络的示例实现。图9是解说根据本公开的各方面的贝叶斯网络的框图。图10是解说根据本公开的各方面的用于执行基于事件的贝叶斯推断和学习的示例性架构的框图。图11是解说根据本公开的各方面的用于执行基于事件的贝叶斯推断和学习的示例性模块的框图。图12是解说根据本公开的各方面的使用用于执行基于事件的贝叶斯推断和学习的模块的地址事件表示(AER)传感器的示例性架构的框图。图13A-C解说根据本公开的各方面的AER感测架构的示例性应用。图14A是解说隐马尔科夫模型(HMM)的示图。图14B是解说根据本公开的各方面的用于HMM的基于事件的推断和学习的示例性架构的高级框图。图15是解说根据本公开的各方面的用于HMM的基于事件的推断和学习的示例性架构的框图。图16是解说根据本公开的各方面的用于执行基于事件的贝叶斯推断和学习的方法。详细描述以下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践本文中所描述的概念的仅有的配置。本详细描述包括具体细节以便提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在一些实例中，以框图形式示出众所周知的结构和组件以避免湮没此类概念。基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可以使用所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。措辞“示例性”在本文中用于表示“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。尽管本文描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议，其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。示例神经系统、训练及操作图1解说根据本公开的某些方面的具有多级神经元的示例人工神经系统100。神经系统100可具有神经元级102，该神经元级102通过突触连接网络
104(即，前馈连接)来连接到另一神经元级106。为简单起见，图1中仅解说了两级神经元，尽管神经系统中可存在更少或更多级神经元。应注意，一些神经元可通过侧向连接来连接至同层中的其他神经元。此外，一些神经元可通过反馈连接来后向连接至先前层中的神经元。如图1所解说的，级102中的每一个神经元可以接收可由前级的神经元(未在图1中示出)生成的输入信号108。信号108可表示级102的神经元的输入电流。该电流可在神经元膜上累积以对膜电本文档来自技高网...

【技术保护点】
一种执行基于事件的贝叶斯推断和学习的方法，包括：在多个节点中的每个节点处接收输入事件；将偏置权重和/或连接权重应用于所述输入事件以获得中间值；至少部分地基于所述中间值来确定节点状态；以及至少部分地基于所述节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件。

【技术特征摘要】
【国外来华专利技术】2014.02.21 US 61/943,147;2014.03.06 US 61/949,154;1.一种执行基于事件的贝叶斯推断和学习的方法，包括：在多个节点中的每个节点处接收输入事件；将偏置权重和/或连接权重应用于所述输入事件以获得中间值；至少部分地基于所述中间值来确定节点状态；以及至少部分地基于所述节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件。2.如权利要求1所述的方法，其特征在于，进一步包括对所述输入事件进行滤波以将所述输入事件转换成脉冲。3.如权利要求1所述的方法，其特征在于，所述输入事件对应于来自输入分布的样本。4.如权利要求1所述的方法，其特征在于，所述偏置权重对应于先验概率，并且所述连接权重表示对数似然性。5.如权利要求1所述的方法，其特征在于，所述节点状态是归一化的。6.如权利要求1所述的方法，其特征在于，所述节点包括神经元。7.如权利要求1所述的方法，其特征在于，所述输入事件包括尖峰序列，并且所述输出事件率包括激发率。8.如权利要求1所述的方法，其特征在于，所述点过程包括对应于所述输出事件率的强度函数。9.如权利要求1所述的方法，其特征在于，所述计算是在时间基础上执行
\t的。10.如权利要求1所述的方法，其特征在于，所述计算是在事件基础上执行的。11.如权利要求1所述的方法，其特征在于，所述确定包括对所述中间值进行加总以形成所述节点状态。12.如权利要求1所述的方法，其特征在于，所述输入事件包括所定义的空间中的三维(3D)对象的二维(2D)表示，并且所述输出事件包括所述所定义的空间中的所述3D对象的第三坐标。13.如权利要求12所述的方法，其特征在于，所述输入事件是从至少一个传感器供应的。14.如权利要求13所述的方法，其特征在于，所述至少一个传感器是地址事件表示相机。15.如权利要求1所述的方法，其特征在于，进一步包括：供应所述输出事件作为反馈以提供附加的输入事件；将第二组连接权重应用于所述附加的输入事件以获得第二组中间值；以及至少部分地基于所述节点状态和所述第二组中间值来计算至少一个隐藏节点状态。16.如权利要求15所述的方法，其特征在于，进一步包括对所述附加的输入事件进行滤波，以使得所述附加的输入事件是经时延的。17.如权利要求15所述的方法，其特征在于，所述连接权重包括发射
\t概率矩阵，并且所述第二组连接权重包括转移概率矩阵。18.一种用于执行基于事件的贝叶斯推断和学习的装置，包括：存储器；以及耦合到所述存储器的至少一个处理器，所述至少一个处理器配置成：在多个节点中的每个节点处接收输入事件；将偏置权重...

【专利技术属性】
技术研发人员：X·王，B·F·贝哈巴迪，A·霍斯劳沙希，
申请(专利权)人：高通股份有限公司，
类型：发明
国别省市：美国;US