[发明专利]一种面向在线学习的新型HTM时间池方法及其系统

说明书

本发明公开了一种面向在线学习的新型HTM时间池方法及系统，利用空间池算法，获取表达当前输入的少量激活微柱；利用当前输入的位置信息，在激活微柱上生成学习细胞集和活跃细胞集；在学习细胞上对关联相邻输入的树突分支进行调整；利用缩小范围的活跃细胞集对下一次的输入进行预测。本发明利用当前输入的位置信息，在激活微柱上生成学习细胞集和活跃细胞集方式，能够针对当前序列进行学习，提高HTM学习准确性，并在在学习重复序列过程中，降低循环预测出现的可能性，提高HTM的学习效果；在学习细胞上对关联相邻输入的树突分支修改规则的调整，能够针对在线学习的特点，使得时间池算法通过一次训练，快速形成对序列的学习成果，提高HTM的学习效率。

技术领域

本发明涉及人工智能领域,尤其涉及一种面向在线学习的新型HTM时间池方法及其系统。

背景技术

类脑学习是当前人工智能和机器学习领域研究的热点。层级时序记忆HTM(Hierarchical Temporal Memory)是一种通过模拟大脑皮层细胞的组织和机构，模仿人脑对信息的处理机制的机器学习技术。HTM本质上讲是一个基于记忆的系统。HTM网络被大量具有时间性的数据训练而成，存储着大量的模式序列，通过记忆的模式序列预测下一次可能的输入或者利用上一时刻预测检测当前时刻输入是否异常。HTM可以在拥有时序数据的领域中进行预测和异常检测。

与现有的人工神经网络不同，HTM以细胞为基本单位，并使用层级方式进行管理；首先将几个细胞组成一个微柱，再由这些微柱构成HTM网络空间。空间池算法和时间池算法是训练HTM时的两个重要步骤，首先使用空间池算法，从所有微柱中选择出部分被激活微柱以对应当前的输入。再使用时间池算法从这些微柱中选择部分激活的细胞表达输入所处位置信息，通过调整这些活跃细胞上相关的树突分支，构建输入与输入之间的关联，进行学习；同时利用活跃细胞和已构建的树突分支，对下一时刻的输入进行预测。

当前的时间池算法仅使用简单的Hebbian规则，通过调整树突分支中突触的连接值，建立前后相邻的两个时刻活跃细胞之间的关联，学习序列的特性；并只有在树突分支中连通突触累积到一定阈值后，才能完成序列的学习任务。在用于对运行效率要求不高的任务时，可以通过传统多次迭代方式完成序列的学习；在线客流、交通流、股票等运行效率要求高任务时，多次迭代的方式难以满足其响应时间的要求，在线学习又使得细胞之间关联很难累积到一定的阈值，从而严重影响了HTM的学习效率和效果。此外当序列中存在多个连续的相同输入时，使用现有的时间池算法，很容易陷入相同输入的循环预测，严重影响了HTM的学习效果。因此有必要针对序列在线学习的特点，设计新型的时间池算法，提高HTM在线学习序列的效率与效果。

发明内容

本发明的目的在于提供一种面向在线学习的新型HTM时间池方法,通过对输入的学习细胞、活跃细胞生成方式以及树突分支修改规则的调整，用以解决HTM(HierarchicalTemporal Memory)在线学习时学习效率低和学习效果差的问题。

本发明所采用的技术方案如下：

一种面向在线学习的新型HTM时间池方法，包括如下步骤：

步骤1，利用空间池算法从所有微柱中选择部分微柱进行激活，并将激活微柱对应当前的输入；

步骤2，利用输入的位置信息，在被激活微柱上生成学习细胞集和临时活跃细胞集，能够让学习过程针对当前位置的序列进行，提高HTM学习准确性，并在在学习重复序列过程中，有效减少自身关联的细胞数量，降低循环预测出现的可能性，提高HTM的学习效果；

步骤3，对学习细胞上关联相邻输入的树突分支进行调整，并针对在线学习的特点，将新增树突分支中的突触值设定为连通值，使得时间池算法通过一次训练，快速形成对序列的记忆和学习，提高HTM的学习效率；

步骤4，利用调整过的活跃细胞集对下一次的输入进行预测。

进一步，生成学习细胞集的方法为：