一种基于图神经网络的工作记忆计算系统及方法技术方案

本发明专利技术涉及人工智能和神经学领域，尤其涉及一种基于图神经网络的工作记忆计算方法，本发明专利技术的工作记忆计算系统包括输入层、图神经网络和输出层；将神经元刺激信号时间序列通过傅里叶变换转换为频谱图数据，图神经网络对图数据进行分析计算，捕获图节点之间的关系，从而把过往或未来输入刺激与当前输入刺激相关联，以模拟工作记忆的记忆特性，然后把计算处理之后的数据输送到输出层进行兴奋和抑制处理，最后通过全连接层的计算输出模仿生物神经元的工作记忆发放特性，从而实现工作记忆的软件算法模拟计算。法模拟计算。法模拟计算。

【技术实现步骤摘要】
一种基于图神经网络的工作记忆计算系统及方法


[0001]本专利技术涉及人工智能和神经学领域，尤其涉及一种基于图神经网络的工作记忆计算系统及方法。

技术介绍

[0002]过去几年，卷积神经网络快速发展，并借由其强大的建模能力引起广泛关注。相比传统方法，卷积神经网络的引入给图像处理和自然语言处理等领域带来了很大的提升，如机器翻译，图像识别，语音识别等。但是，传统的卷积神经网络只能处理欧氏空间数据(如图像，文本，语音)，这些领域的数据具有平移不变性。平移不变性使得我们可以在输入数据空间定义全局共享的卷积核，从而定义卷积神经网络。卷积神经网络通过学习在每个像素点共享的卷积核来建模局部连接，进而学习到意义丰富的隐层表示。尽管传统的卷积神经网络在文本和图像领域带来提升，但是它仅能处理欧氏空间数据。而同时，一种非欧空间数据：图数据，因其普遍存在性逐渐受到关注。图数据可以自然的表达实际生活中的数据结构，如交通网络，万维网，社交网络等。不同于图像和文本数据，图数据中每个节点的局部结构各异，这使得平移不变性不再满足。
[0003]近年来研究人员借鉴了卷积网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的工作记忆计算系统，其特征在于，包括：输入层，用于将神经元刺激信号时间序列通过傅里叶变换转换为刺激信号频谱图；图神经网络，用于完成工作记忆模拟计算；输出层，用于接收图神经网络的计算结果，实现工作记忆发放特性的输出。2.根据权利要求1所述的一种基于图神经网络的工作记忆计算系统，其特征在于，所述输出层包括：兴奋型神经元网络，负责工作记忆兴奋性的表达，采用最小二乘法进行拟合计算分析出连续输入刺激中反复提及到的工作记忆区域，并对这类工作记忆进行兴奋表达，提高神经元的发放率特性；抑制型神经元网络，负责工作记忆抑制性的表达，采用最小二乘法进行拟合计算分析出当前输入刺激和过往输入刺激中不同的部分，提取出过往输入刺激中兴奋的部分，假若这些兴奋的区域在当前输入中不再被表达，则对该工作记忆区域进行抑制表达，降低神经元的发放特性；全连接层，负责将前两部分的信息进行计算处理，最终实现工作记忆发放特性的输出。3.根据权利要求1所述的一种基于图神经网络的工作记忆计算系统，其特征在于，所述输入层，用于将神经元刺激信号时间序列通过傅里叶变换转换为刺激信号频谱图，刺激信号频谱图中每一个节点值表示某时刻输入刺激信号的强度信息，节点之间带权边代表该时刻刺激信号与过往某时刻刺激信号或之后某时刻刺激信号之间的关联信息。4.根据权利要求1所述的一种基于图神经网络的工作记忆计算系统，其特征在于，图神经网络中每一行神经元的数量等于刺激信号频谱图节点数量，神经元行数等于神经元刺激信号总的时刻数。5.一种基于图神经网络的工作记忆计算方法，其特征在于，包括以下步骤：步骤1：将训练好的神经网络权重信息存...

【专利技术属性】
技术研发人员：余洋，武长春，程和，钟浩，
申请(专利权)人：成都市深思创芯科技有限公司，
类型：发明
国别省市：