[发明专利]用于修改神经动态的自动化方法

说明书

相关申请的交叉引用

本申请要求于2013年10月2日提交的题为“AUTOMATED METHOD FOR MODIFYING NEURAL DYNAMICS(用于修改神经动态的自动化方法)”的美国临时专利申请No.61/885,950的权益，其公开内容通过援引全部明确纳入于此。

背景

领域

本公开的某些方面一般涉及神经系统工程，并且尤其涉及用于修改神经网络模型中的神经动态的系统和方法。

背景技术

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。

尖峰神经网络的研究者花费了相当多的时间来理解和设计尖峰神经元的数学模型。这些数学模型可能是任意复杂的并且需要手动调谐来产生某种期望行为。设计者将通常使用一组方程式以及用于那些方程式的参数来描述神经元。随后，将操纵这些参数以与现有或原型神经元的一些特性相匹配。例如，神经元模型可被设计成相对于已知存在于生物学中的神经元的时间来再现膜电压。研究者随后使用已知原型神经元随时间的电压作为参考并且尝试使用他自己的模型来复制那些动态。在呈现给与原型神经元相同的输入时，模型神经元意图在广泛的调谐之后产生对膜电压的准确逼近。

概述

在本公开的一个方面，公开了一种用于改进神经动态的方法。该方法包括获取原型神经元动态。该方法进一步包括修改神经元模型的参数以使得神经元模型与原型神经元动态相匹配。

本公开的另一方面涉及一种设备，包括用于获取原型神经元动态的装置。该设备进一步包括用于修改神经元模型的参数以使得神经元模型与原型神经元动态相匹配的装置。

在本公开的另一方面，公开了一种具有非瞬态计算机可读介质的用于改进神经动态的计算机程序产品。该计算机可读介质上记录有非瞬态程序代码，该程序代码在由(诸)处理器执行时使得(诸)处理器执行获取原型神经元动态的操作。该程序代码还使得(诸)处理器修改神经元模型的参数以使得神经元模型与原型神经元动态相匹配。

另一方面公开了一种具有存储器以及耦合至该存储器的至少一个处理器的用于改进神经动态的装置。该处理器被配置成获取原型神经元动态。该处理器被进一步配置成修改神经元模型的参数以使得神经元模型与原型神经元动态相匹配。

公开了一种用于优化神经动态的自动化方法。该方法利用分段式线性神经元模型并且自动地确定最佳匹配原型神经元的行为的参数。该过程获取原型神经动态。优化度量被定义并被用来对分段式线性模型与原型神经元的膜电压之差进行量化。最优参数随后基于优化度量来确定。

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。本公开的附加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解说了根据本公开的某些方面的示例神经元网络。

图2解说了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解说了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解说了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是根据本公开的一方面的用于将神经元模型的非线性函数的部分逼近为分段式线性函数的示例操作的流程图。

图6解说根据本公开的一方面的支配神经动态的分段式线性函数的示图的示例。

图7解说了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。