[发明专利]基于脉冲神经网络的知识表征方法、系统、装置

说明书

本发明属于认知神经科学技术领域，具体涉及一种基于脉冲神经网络的知识表征方法、系统、装置，旨在解决现有基于知识表征容错能力较差的问题。本系统方法包括获取待知识表征的文本，作为输入文本；通过Glove算法提取输入文本中每个词设定维度的词向量矩阵并进行归一化处理；将归一化后的各词向量矩阵中的每一个元素作为相应词向量对应维度的电流强度，并通过boost升压电路进行电流增强；通过Izhikevich神经元模型获取增强后的各电流强度对应的脉冲发放时间序列，并构建脉冲发放时间矩阵；对各脉冲发放时间矩阵进行扁平化处理，并结合预设的容忍度，得到各词向量最终的二值知识表征。本发明提升了知识表征的容错能力。

技术领域

本发明属于认知神经科学技术领域，具体涉及一种基于脉冲神经网络的知识表征方法、系统、装置。

背景技术

人类大脑由数以万计的杂乱连接的神经元组成，其工作机制得到了神经生理学、认知心理学及人工智能领域的广泛关注。与传统人工神经网络不同，脉冲神经网络将神经元细胞运作的时序信息考虑在内，结合相关生物学研究基础，构建了系统的神经元计算模型，包含时间信息的脉冲神经网络模型，是一类受生物学启发的类脑模型，其将原始信号转化为脉冲信号的方式使大脑皮层能够完成信号的记忆、推理等任务。

与传统人工神经网络应用生物神经元的脉冲发放频率编码信息不同，脉冲神经网络以由更具生物真实性的脉冲神经元模型为基本单元，应用脉冲序列表示与处理信息，这种编码方式整合了信息的多个方面，如时间、空间、频率和相位等。脉冲神经网络与基于脉冲频率编码信息的传统人工神经网络相比，拥有更强大的计算能力，可以模拟各种神经信号和任意的连续函数，非常适合实现大脑神经信号的处理问题，是进行复杂时空信息处理的有效工具。使用脉冲神经网络进行知识表征，所得的二值化知识表征不仅是基于生物学的相关实验，可解释性强，有较好的容错能力，而且相对于稠密的知识表征而言，对硬件更加友好。基于此，本发明基于脉冲神经网络算法，以文本中的词为研究对象，构建类脑知识表征模型，转化二值知识表征，为类脑计算模型做储备。

发明内容

为了解决现有技术中的上述问题，即为了解决现有基于人工神经网络进行知识的表征时，容错能力较差的问题，本发明第一方面，提出了一种基于脉冲神经网络的知识表征方法，该方法包括：

步骤S100，获取待知识表征的文本，作为输入文本；

步骤S200，通过Glove算法提取所述输入文本中每个词设定维度的词向量矩阵，并对各词向量矩阵进行归一化处理；

步骤S300，将归一化后的各词向量矩阵中的每一个元素作为相应词向量对应维度的电流强度，并通过boost升压电路进行电流增强；

步骤S400，通过Izhikevich神经元模型获取增强后的各电流强度对应的脉冲发放时间序列，并构建脉冲发放时间矩阵；

步骤S500，对各脉冲发放时间矩阵，将其进行扁平化处理，并结合预设的容忍度，得到各词向量最终的二值知识表征。

在一些优选的实施方式中，步骤S200中“对各词向量矩阵进行归一化处理”，其方法为：

其中，为各词向量矩阵中每一个元素归一化后的向量表示，为各词向量矩阵中每一个元素归一化前的向量表示，表示输入文本中所有词第d_m维词向量的最小值、最大值。

在一些优选的实施方式中，骤S400中“构建脉冲发放时间矩阵”，其方法为：

对各词向量矩阵中的每一个元素，判断其在未归一化处理前对应的值是否小于等于0，若是，则将其对应的脉冲发放时间序列全部填充为0，否则，将其相应增强后的电流强度输入Izhikevich神经元模型，脉冲发放时刻记为1，其余的记为0，得到其对应的脉冲发放时间序列；

基于各脉冲发放时间序列构建各词向量对应的脉冲发放时间矩阵。