一种基于大脑皮层学习模式的分类方法技术

本发明专利技术提供一种基于大脑皮层学习模式的分类方法，包括以下：首先判断训练样本集是否为连续型数据样本，如果是则对训练样本集进行数据离散化处理，然后利用训练样本集构建NMN模型，接着利用投票法训练NMN模型，为NMN模型中的神经节点之间的连线赋权值，获得NMN分类器，最后将待分类的样本数据输入NMN分类器，获得分类结果。本发明专利技术不仅简化了现有算法模型算法思想，还解决了算法模型需要大量训练集进行训练的问题，且本方法在小数据集和离散型数据集上的分类精度有很好的表现。

【技术实现步骤摘要】
一种基于大脑皮层学习模式的分类方法
本专利技术涉及模式识别、数据分类领域，尤其涉及一种基于大脑皮层学习模式的分类方法。
技术介绍
目前，模拟大脑皮层运行模式的算法主要有Numenta公司提出的HTM算法和Facebook公司提出的记忆网络(MemoryNetwork)算法，这两种算法广泛用于各个领域。HTM设计了一个分层的记忆系统，旨在模拟新大脑皮层的工作原理，将复杂的问题转化为模式匹配与预测，它的分层结构中每一层象征真实的大脑新皮层的一个细胞层，其本质可以认为是一个记忆的储存和回放系统。记忆网络是由Facebook公司提出的一种算法模型，它将记忆网络模型抽象成一种网路模型框架。记忆网络模型框架主要分为四个组件：I(Input)、G(generalization)、O(output)、R(response)。I负责将用于将输入转化为网络里内在的向量；G负责根据输入更新记忆单元，直接写入新的记忆单元，对老的记忆单元不做修改；O负责从记忆里结合输入，把合适的记忆抽取出来，返回一个向量。每次获得一个向量，代表了一次推理过程；R则将输出转化为自然语言，本文档来自技高网...

【技术保护点】
1.一种基于大脑皮层学习模式的分类方法，其特征在于：具体包括以下步骤：/nS101：判断训练样本集是否为连续型数据样，若是则将训练样本集离散化处理，进入步骤S102；否则，直接进入步骤S102；/nS102：利用离散化后的训练样本集构建简单记忆网络NMN模型；/nS103：利用投票法训练所述NMN模型，得到训练好的NMN模型，即NMN分类器；/nS104：将待分类数据输入至所述NMN分类器，获得数据分类结果。/n

【技术特征摘要】
1.一种基于大脑皮层学习模式的分类方法，其特征在于：具体包括以下步骤：
S101：判断训练样本集是否为连续型数据样，若是则将训练样本集离散化处理，进入步骤S102；否则，直接进入步骤S102；
S102：利用离散化后的训练样本集构建简单记忆网络NMN模型；
S103：利用投票法训练所述NMN模型，得到训练好的NMN模型，即NMN分类器；
S104：将待分类数据输入至所述NMN分类器，获得数据分类结果。


2.如权利要求1所述的一种基于大脑皮层学习模式的分类方法，其特征在于：
步骤S102具体为：
S201：将训练样本集D＝{r1,r2,r3,...,ri,...,rp}中任意一个训练样本ri分别用n个原始属性组成的向量表示，即ri＝<t1,t2,...,tj,...,tn>，其中的每个原始属性tj从该原始属性所对应的属性值集合Xj中取值；属性值集合Xj中具有sj种取值，i∈[1,p],j∈[1,n],p为训练样本总数，n为训练样本对应的原始属性总数；任意一个训练样本ri对应分类结果集合C＝{C1,C2,C3,...,Cq,...,Cm}中的一个分类结果；
S202：初始化NMN模型；在NMN模型中设置n列神经节点，其中第j列神经节点从上至下依次表示n个原始属性中第j个联合属性的各个取值，为每相邻两列的神经节点之间的连线分别设m个初始值为0的权值，其中第j列第u个神经节点与第j+1列第v个神经节点之间的...

【专利技术属性】
技术研发人员：田朝宁，李振华，梅红波，李迎，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42