[发明专利]一种实现静态隐马尔科夫模型推理的神经电路

说明书

本发明公开了一种实现静态隐马尔科夫模型推理的神经电路，本发明赢者通吃电路(Winner‑take‑all,WTA)电路可以实现静态隐马尔可夫模型的近似最优推理，网络中的脉冲神经元可以不断地累积证据，即通过新的证据更新后验概率；WTA电路中的竞争机制可以对分布进行归一化。

技术领域

本发明涉及计算神经科学领域，尤其涉及一种实现静态隐马尔科夫模型推理的神经电路。

背景技术

隐马尔可夫模型是一种重要的有向概率图模型。在计算神经科学中，隐马尔可夫模型经常被用于在一系列的传感输入条件下探测隐藏的规律。当隐变量时不变时，这种隐马尔可夫模型叫做静态隐马尔可夫模型，实验证明这样的隐马尔可夫模型可以十分有效地模拟人脑认知中的推理与决策过程，但是尚不清楚神经电路如何实现静态马尔科夫模型的推理，很多研究者尝试建立脉冲神经电路的动力学方程与隐马尔可夫模型推理方程的对应关系，由于这两个方程不能完全等价，所以只能实现隐马尔可夫模型的近似推理，我们分析了隐马尔可夫模型的推理过程，发现它包括证据累积和归一化两个操作，这两个操作相互耦合，每一步计算中归一化的结果正是下一步计算中的需要累积的证据，因此当建立相应的脉冲神经网络时需要引入很多约束和近似，从而导致不准确的推理结果。

发明内容

针对上述问题，本发明提供了一种实现静态隐马尔科夫模型推理的神经电路，以解决建立相应的脉冲神经网络时需要引入很多约束和近似，从而导致不准确的推理结果的问题。

为解决上述技术问题，本发明所采用的技术方案是：其基本构成可以分为隐马尔可夫模型、脉冲WTA电路两部分，隐马尔可夫模型是一种重要的动态贝叶斯网络，它可以用来表示隐变量和观测变量随时间t的变化关系，脉冲WTA电路中每个脉冲神经元都是自连接的，因此神经元z_k的输入电流包含两个部分：外部输入电流和自连接产生的内部电流

进一步的，隐变量序列Y＝{y₁,y₂,...,y_t}是一个一阶的马氏链，当前状态的条件概率p(y_t|y₁,y₂,...,y_t-1)只取决于前一时刻的状态y_t-1，也就是， p(y_t|y₁,y₂,...,y_t-1)＝p(y_t|y_t-1)。

进一步的，观测序列X＝{x₁,x₂,...,x_t}由隐状态序列决定，每个观测变量x_i(i＝1,2,...,t)只取决于相应的隐变量y_i，据此，隐马尔可夫模型的联合分布可以表示为

进一步的，神经元z_k的膜电位方程可以表示为：

其中表示神经元z_k静止电位，表示一个核函数，它决定神经元z_k在时刻发放一个脉冲后膜电位的变化情况，κ(s)表示神经元对单位脉冲电流的响应函数。

进一步的，运用标准的指数核：这里重置电势η₀＝5mV，膜时间常数τ＝20ms，电压响应幅值ε₀＝5mV，化简方程得：

由上述对本发明的描述可知，和现有技术相比，本发明具有如下优点：

本发明一种实现静态隐马尔科夫模型推理的神经电路，赢者通吃电路 (Winner-take-all,WTA)电路可以实现静态隐马尔可夫模型的近似最优推理，网络中的脉冲神经元可以不断地累积证据，即通过新的证据更新后验概率；WTA电路中的竞争机制可以对分布进行归一化。

附图说明