用于神经形态网络中的分布式编码和学习以进行模式识别的方法和系统技术方案

描述了一种被设计用于神经形态硬件的用于模式识别的系统。该系统利用兴奋性层中的各个兴奋性神经元，针对训练模式生成神经元尖峰的尖峰序列，其中各个训练模式属于一模式类。针对各个模式类，生成兴奋性神经元的尖峰率分布。对兴奋性神经元的各个尖峰率分布进行归一化，并根据归一化的尖峰率分布，针对各个模式类，生成类模板。使用类模板对未标记的输入模式进行分类。可以基于未标记的输入模式的分类来控制自主装置的机械部件。

【技术实现步骤摘要】
【国外来华专利技术】用于神经形态网络中的分布式编码和学习以进行模式识别的方法和系统相关申请的交叉引用本申请是2018年1月23日在美国提交的题为“AMethodandSystemforDistributedCodingandLearninginNeuromorphicNetworksforPatternRecognition”的美国临时申请No.62/621,012的非临时申请，该美国临时申请的全部内容通过引用并入本文。专利技术背景(1)
本专利技术涉及用于模式识别(patternrecognition)的系统，并且更具体地，涉及将结构化网络(structurednetwork)应用于神经形态(neuromorphic)硬件的用于模式识别的系统。(2)相关技术的描述在机器学习中，模式识别着重于对数据中的模式和规律性进行识别。模式识别通常用于图像处理、医学诊断、车辆导航和制导系统以及出于安全目的的识别/认证(例如，指纹比对)。在“UnsupervisedLearningofDigitRecognitionUsing本文档来自技高网...

【技术保护点】
1.一种应用于神经形态硬件的用于模式识别的系统，所述系统包括：/n非暂时性计算机可读介质和一个或更多个处理器，所述非暂时性计算机可读介质上编码有可执行指令，以便在执行所述可执行指令时，所述一个或更多个处理器执行以下操作：/n对应用于神经形态硬件的尖峰神经网络进行训练，其中，对所述尖峰神经网络进行训练包括以下操作：/n针对多个训练模式，利用所述尖峰神经网络的兴奋性层中的各个兴奋性神经元生成神经元尖峰的尖峰序列，各个训练模式属于一模式类；/n针对各个模式类，生成兴奋性神经元的尖峰率分布；/n对兴奋性神经元的各个尖峰率分布进行归一化；以及/n根据归一化的尖峰率分布，针对各个模式类，生成类模板。/n

【技术特征摘要】
【国外来华专利技术】20180123 US 62/621,0121.一种应用于神经形态硬件的用于模式识别的系统，所述系统包括：
非暂时性计算机可读介质和一个或更多个处理器，所述非暂时性计算机可读介质上编码有可执行指令，以便在执行所述可执行指令时，所述一个或更多个处理器执行以下操作：
对应用于神经形态硬件的尖峰神经网络进行训练，其中，对所述尖峰神经网络进行训练包括以下操作：
针对多个训练模式，利用所述尖峰神经网络的兴奋性层中的各个兴奋性神经元生成神经元尖峰的尖峰序列，各个训练模式属于一模式类；
针对各个模式类，生成兴奋性神经元的尖峰率分布；
对兴奋性神经元的各个尖峰率分布进行归一化；以及
根据归一化的尖峰率分布，针对各个模式类，生成类模板。


2.根据权利要求1所述的系统，其中，在针对各个图像类生成兴奋性神经元的所述尖峰率分布时，将来自所述图像类中的所有训练图像的所述神经元尖峰求和。


3.根据权利要求1所述的系统，其中，在生成所述尖峰序列时，多个兴奋性神经元能够同时触发以允许分布式编码。


4.根据权利要求1所述的系统，其中，在针对所述多个训练图像生成神经元尖峰的所述尖峰序列时，所述尖峰神经网络的输入层中的各个输入神经元根据对应特征通道的强度值生成尖峰序列，其中，所述强度值越大，生成的神经元尖峰越多。


5.一种应用于神经形态硬件的用于模式识别的系统，所述系统包括：
非暂时性计算机可读介质和一个或更多个处理器，所述非暂时性计算机可读介质上编码有可执行指令，以便在执行所述可执行指令时，所述一个或更多个处理器执行以下操作：
使用应用于神经形态硬件的经训练的尖峰神经网络对未标记的输入模式进行分类，其中，对所述未标记的输入模式进行分类包括以下操作：
使用根据所述尖峰神经网络中的兴奋性神经元的归一化的尖峰率分布针对多个模式类生成的类模板，对未标记的输入模式进行分类；以及
基于所述未标记的输入模式的分类来控制自主装置的机械部件。


6.根据权利要求5所述的系统，其中，在对所述未标记的输入模式进行分类时，所述一个或更多个处理器还执行以下操作：
将所述未标记的输入模式的兴奋性神经元尖峰率模式与各个类模板进行比较；以及
确定所述未标记的输入模式的所述兴奋性神经元尖峰率模式与类模板之间的匹配。


7.根据权利要求6所述的系统，其中，在使用所述类模板对所述未标记的输入模式进行分类时，所述一个或更多个处理器还执行以下操作：根据所述未标记的输入模式所匹配的类模板，对该未标记的输入模式的类标记进行预测。


8.一种应用于神经形态硬件的用于模式识别的由计算机实现的方法，所述方法包括以下动作：
使一个或更多个处理器执行被编码在非暂时性计算机可读介质上的指令，以便在执行所述指令时，所述一个或更多个处理器执行以下操作：
对应用于神经形态硬件的尖峰神经网络进行训练，其中，对所述尖峰神经网络进行训练包括以下操作：
针对多个训练模式，利用所述尖峰神经网络的兴奋性层中的各个兴奋性神经元生成神经元尖峰的尖峰序列，各个训练模式属于一模式类；
针对各个模式类，生成兴奋性神经元的尖峰率分布；
对兴奋性神经元的各个尖峰率分布进行归一化；以及
根据归一化的尖峰率分布，针对各个模式类，生成类模板。


9.根据权利要求8所述的方法，其中，在针对各个图像类生成兴奋性神经元的所述尖峰率分布时，将来自所述图像类中的所有训练图像的所述神经元尖峰求和。


10.根据权利要求8所述的方法，其中，在生成所述尖峰序列时，多个兴奋性神经元能够同时触发。


11.根据权利要求8所述的方法，其中，在针对所述多个训练图像生成神经元尖峰的所述尖峰序列时，所述尖峰神经网络的输入层中的各个输入神经元根据对应特征通道的强度值生成尖峰序列，其中，所...

【专利技术属性】
技术研发人员：曹永强，P·K·皮利，
申请(专利权)人：赫尔实验室有限公司，
类型：发明
国别省市：美国;US