用于隨機(jī)尖峰貝葉斯網(wǎng)絡(luò)的基于事件的推斷和學(xué)習(xí)的制作方法
【專(zhuān)利摘要】一種執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的方法包括在每個(gè)節(jié)點(diǎn)處接收輸入事件。該方法還包括將偏置權(quán)重和/或連接權(quán)重應(yīng)用于輸入事件以獲得中間值。該方法進(jìn)一步包括基于中間值來(lái)確定節(jié)點(diǎn)狀態(tài)。此外，該方法包括基于節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò)程來(lái)生成輸出事件。
【專(zhuān)利說(shuō)明】用于隨機(jī)尖峰貝葉斯網(wǎng)絡(luò)的基于事件的推斷和學(xué)習(xí)
[0001] 相關(guān)申請(qǐng)的交叉引用
[0002] 本申請(qǐng)要求于2014年2月21日提交的美國(guó)臨時(shí)專(zhuān)利申請(qǐng)No. 61/943,147和于2014 年3月6日提交的美國(guó)臨時(shí)專(zhuān)利申請(qǐng)No.61/949,154的權(quán)益，以上公開(kāi)通過(guò)全文引用明確納 入于此。
【背景技術(shù)】 [0003] 領(lǐng)域
[0004] 本公開(kāi)的某些方面一般涉及神經(jīng)系統(tǒng)工程，尤其涉及用于隨機(jī)尖峰貝葉斯網(wǎng)絡(luò)的 基于事件的推斷和學(xué)習(xí)的系統(tǒng)和方法。
[0005] 背景
[0006] 可包括一群互連的人工神經(jīng)元（即神經(jīng)元模型）的人工神經(jīng)網(wǎng)絡(luò)是一種計(jì)算設(shè)備 或者表示將由計(jì)算設(shè)備執(zhí)行的方法。人工神經(jīng)網(wǎng)絡(luò)可具有生物學(xué)神經(jīng)網(wǎng)絡(luò)中的對(duì)應(yīng)的結(jié)構(gòu) 和/或功能。然而，人工神經(jīng)網(wǎng)絡(luò)可為其中傳統(tǒng)計(jì)算技術(shù)是麻煩的、不切實(shí)際的、或不勝任的 某些應(yīng)用提供創(chuàng)新且有用的計(jì)算技術(shù)。由于人工神經(jīng)網(wǎng)絡(luò)能從觀察中推斷出功能，因此這 樣的網(wǎng)絡(luò)在因任務(wù)或數(shù)據(jù)的復(fù)雜度使得通過(guò)常規(guī)技術(shù)來(lái)設(shè)計(jì)該功能較為麻煩的應(yīng)用中是 特別有用的。
[0007] 概述
[0008] 在本公開(kāi)的一方面，一種方法執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)。該方法包括在 一群節(jié)點(diǎn)中的每個(gè)節(jié)點(diǎn)處接收輸入事件。該方法還包括將偏置權(quán)重和/或連接權(quán)重應(yīng)用于 輸入事件以獲得中間值。另外，該方法包括基于中間值來(lái)確定節(jié)點(diǎn)狀態(tài)。該方法進(jìn)一步包括 基于節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò)程來(lái)生成輸出事件。
[0009] 在本公開(kāi)的另一方面，一種裝置執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)。該裝置包括 存儲(chǔ)器以及一個(gè)或多個(gè)處理器。該(些）處理器耦合至存儲(chǔ)器。該（些）處理器被配置成在一 組節(jié)點(diǎn)中的每個(gè)節(jié)點(diǎn)處接收輸入事件。該(些)處理器還被配置成將偏置權(quán)重和/或連接權(quán) 重應(yīng)用于輸入事件以獲得中間值。另外，該(些)處理器被配置成基于中間值來(lái)確定節(jié)點(diǎn)狀 態(tài)。該(些)處理器被進(jìn)一步配置成基于節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù) 隨機(jī)點(diǎn)過(guò)程來(lái)生成輸出事件。
[0010] 在又一方面，公開(kāi)了一種用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的設(shè)備。該設(shè)備 具有用于在一組節(jié)點(diǎn)中的每個(gè)節(jié)點(diǎn)處接收輸入事件的裝置。該設(shè)備還具有用于將偏置權(quán)重 和/或連接權(quán)重應(yīng)用于輸入事件以獲得中間值的裝置。另外，該設(shè)備具有用于基于中間值來(lái) 確定節(jié)點(diǎn)狀態(tài)的裝置。此外，該設(shè)備具有用于基于節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事 件率以根據(jù)隨機(jī)點(diǎn)過(guò)程來(lái)生成輸出事件的裝置。
[0011] 在本公開(kāi)的再另一方面，公開(kāi)了一種用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的計(jì) 算機(jī)程序產(chǎn)品。該計(jì)算機(jī)程序產(chǎn)品包括其上編碼有程序代碼的非瞬態(tài)計(jì)算機(jī)可讀介質(zhì)。該 程序代碼包括用于在一組節(jié)點(diǎn)中的每個(gè)節(jié)點(diǎn)處接收輸入事件的程序代碼。該程序代碼還包 括用于將偏置權(quán)重和/或連接權(quán)重應(yīng)用于輸入事件以獲得中間值的程序代碼。另外，該程序 代碼包括用于基于中間值來(lái)確定節(jié)點(diǎn)狀態(tài)的程序代碼。該程序代碼進(jìn)一步包括用于基于節(jié) 點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò)程來(lái)生成輸出事件的程序代碼。
[0012] 這已較寬泛地勾勒出本公開(kāi)的特征和技術(shù)優(yōu)勢(shì)以便下面的詳細(xì)描述可以被更好 地理解。本公開(kāi)的其他特征和優(yōu)點(diǎn)將在下文描述。本領(lǐng)域技術(shù)人員應(yīng)該領(lǐng)會(huì)，本公開(kāi)可容易 地被用作修改或設(shè)計(jì)用于實(shí)施與本公開(kāi)相同的目的的其他結(jié)構(gòu)的基礎(chǔ)。本領(lǐng)域技術(shù)人員還 應(yīng)認(rèn)識(shí)到，這樣的等效構(gòu)造并不脫離所附權(quán)利要求中所闡述的本公開(kāi)的教導(dǎo)。被認(rèn)為是本 公開(kāi)的特性的新穎特征在其組織和操作方法兩方面連同進(jìn)一步的目的和優(yōu)點(diǎn)在結(jié)合附圖 來(lái)考慮以下描述時(shí)將被更好地理解。然而，要清楚理解的是，提供每一幅附圖均僅用于解說(shuō) 和描述目的，且無(wú)意作為對(duì)本公開(kāi)的限定的定義。
[0013] 附圖簡(jiǎn)述
[0014] 在結(jié)合附圖理解下面闡述的詳細(xì)描述時(shí)，本公開(kāi)的特征、本質(zhì)和優(yōu)點(diǎn)將變得更加 明顯，在附圖中，相同附圖標(biāo)記始終作相應(yīng)標(biāo)識(shí)。
[0015] 圖1解說(shuō)根據(jù)本公開(kāi)的某些方面的示例神經(jīng)元網(wǎng)絡(luò)。
[0016] 圖2解說(shuō)根據(jù)本公開(kāi)的某些方面的計(jì)算網(wǎng)絡(luò)（神經(jīng)系統(tǒng)或神經(jīng)網(wǎng)絡(luò)）的處理單元 (神經(jīng)元)的示例。
[0017] 圖3解說(shuō)根據(jù)本公開(kāi)的某些方面的尖峰定時(shí)依賴可塑性(STDP)曲線的示例。
[0018] 圖4解說(shuō)根據(jù)本公開(kāi)的某些方面的用于定義神經(jīng)元模型的行為的正態(tài)相和負(fù)態(tài)相 的示例。
[0019] 圖5解說(shuō)根據(jù)本公開(kāi)的某些方面的使用通用處理器來(lái)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的示例實(shí)現(xiàn)。
[0020] 圖6解說(shuō)根據(jù)本公開(kāi)的某些方面的設(shè)計(jì)其中存儲(chǔ)器可以與個(gè)體的分布式處理單元 對(duì)接的神經(jīng)網(wǎng)絡(luò)的示例實(shí)現(xiàn)。
[0021] 圖7解說(shuō)根據(jù)本公開(kāi)的某些方面的基于分布式存儲(chǔ)器和分布式處理單元來(lái)設(shè)計(jì)神 經(jīng)網(wǎng)絡(luò)的示例實(shí)現(xiàn)。
[0022] 圖8解說(shuō)根據(jù)本公開(kāi)的某些方面的神經(jīng)網(wǎng)絡(luò)的示例實(shí)現(xiàn)。
[0023]圖9是解說(shuō)根據(jù)本公開(kāi)的各方面的貝葉斯網(wǎng)絡(luò)的框圖。
[0024] 圖10是解說(shuō)根據(jù)本公開(kāi)的各方面的用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的示 例性架構(gòu)的框圖。
[0025] 圖11是解說(shuō)根據(jù)本公開(kāi)的各方面的用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的示 例性模塊的框圖。
[0026] 圖12是解說(shuō)根據(jù)本公開(kāi)的各方面的使用用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí) 的模塊的地址事件表示(AER)傳感器的示例性架構(gòu)的框圖。
[0027]圖13A-C解說(shuō)根據(jù)本公開(kāi)的各方面的AER感測(cè)架構(gòu)的示例性應(yīng)用。
[0028]圖14A是解說(shuō)隱馬爾科夫模型(HMM)的示圖。
[0029]圖14B是解說(shuō)根據(jù)本公開(kāi)的各方面的用于HMM的基于事件的推斷和學(xué)習(xí)的示例性 架構(gòu)的高級(jí)框圖。
[0030]圖15是解說(shuō)根據(jù)本公開(kāi)的各方面的用于HMM的基于事件的推斷和學(xué)習(xí)的示例性架 構(gòu)的框圖。
[0031]圖16是解說(shuō)根據(jù)本公開(kāi)的各方面的用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的方 法。
[0032] 詳細(xì)描述
[0033] 以下結(jié)合附圖闡述的詳細(xì)描述旨在作為各種配置的描述，而無(wú)意表示可實(shí)踐本文 中所描述的概念的僅有的配置。本詳細(xì)描述包括具體細(xì)節(jié)以便提供對(duì)各種概念的透徹理 解。然而，對(duì)于本領(lǐng)域技術(shù)人員將顯而易見(jiàn)的是，沒(méi)有這些具體細(xì)節(jié)也可實(shí)踐這些概念。在 一些實(shí)例中，以框圖形式示出眾所周知的結(jié)構(gòu)和組件以避免湮沒(méi)此類(lèi)概念。
[0034] 基于本教導(dǎo)，本領(lǐng)域技術(shù)人員應(yīng)領(lǐng)會(huì)，本公開(kāi)的范圍旨在覆蓋本公開(kāi)的任何方面， 不論其是與本公開(kāi)的任何其他方面相獨(dú)立地還是組合地實(shí)現(xiàn)的。例如，可以使用所闡述的 任何數(shù)目的方面來(lái)實(shí)現(xiàn)裝置或?qū)嵺`方法。另外，本公開(kāi)的范圍旨在覆蓋使用作為所闡述的 本公開(kāi)的各個(gè)方面的補(bǔ)充或者與之不同的其他結(jié)構(gòu)、功能性、或者結(jié)構(gòu)及功能性來(lái)實(shí)踐的 此類(lèi)裝置或方法。應(yīng)當(dāng)理解，所披露的本公開(kāi)的任何方面可由權(quán)利要求的一個(gè)或多個(gè)元素 來(lái)實(shí)施。
[0035]措辭"示例性"在本文中用于表示"用作示例、實(shí)例或解說(shuō)"。本文中描述為"示例 性"的任何方面不必被解釋為優(yōu)于或勝過(guò)其他方面。
[0036]盡管本文描述了特定方面，但這些方面的眾多變體和置換落在本公開(kāi)的范圍之 內(nèi)。雖然提到了優(yōu)選方面的一些益處和優(yōu)點(diǎn)，但本公開(kāi)的范圍并非旨在被限定于特定益處、 用途或目標(biāo)。相反，本公開(kāi)的各方面旨在能寬泛地應(yīng)用于不同的技術(shù)、系統(tǒng)配置、網(wǎng)絡(luò)和協(xié) 議，其中一些作為示例在附圖以及以下對(duì)優(yōu)選方面的描述中解說(shuō)。詳細(xì)描述和附圖僅僅解 說(shuō)本公開(kāi)而非限定本公開(kāi)，本公開(kāi)的范圍由所附權(quán)利要求及其等效技術(shù)方案來(lái)定義。
[0037]示例神經(jīng)系統(tǒng)、訓(xùn)練及操作
[0038] 圖1解說(shuō)根據(jù)本公開(kāi)的某些方面的具有多級(jí)神經(jīng)元的示例人工神經(jīng)系統(tǒng)100。神經(jīng) 系統(tǒng)100可具有神經(jīng)元級(jí)102,該神經(jīng)元級(jí)102通過(guò)突觸連接網(wǎng)絡(luò)104(即，前饋連接)來(lái)連接 到另一神經(jīng)元級(jí)106。為簡(jiǎn)單起見(jiàn)，圖1中僅解說(shuō)了兩級(jí)神經(jīng)元，盡管神經(jīng)系統(tǒng)中可存在更少 或更多級(jí)神經(jīng)元。應(yīng)注意，一些神經(jīng)元可通過(guò)側(cè)向連接來(lái)連接至同層中的其他神經(jīng)元。此 外，一些神經(jīng)元可通過(guò)反饋連接來(lái)后向連接至先前層中的神經(jīng)元。
[0039] 如圖1所解說(shuō)的，級(jí)102中的每一個(gè)神經(jīng)元可以接收可由前級(jí)的神經(jīng)元(未在圖1中 示出）生成的輸入信號(hào)108。信號(hào)108可表示級(jí)102的神經(jīng)元的輸入電流。該電流可在神經(jīng)元 膜上累積以對(duì)膜電位進(jìn)行充電。當(dāng)膜電位達(dá)到其閾值時(shí)，該神經(jīng)元可激發(fā)并生成輸出尖峰， 該輸出尖峰將被傳遞到下一級(jí)神經(jīng)元(例如，級(jí)106)。在某些建模辦法中，神經(jīng)元可以連續(xù) 地向下一級(jí)神經(jīng)元傳遞信號(hào)。該信號(hào)通常是膜電位的函數(shù)。此類(lèi)行為可在硬件和/或軟件 (包括模擬和數(shù)字實(shí)現(xiàn)，諸如以下所述那些實(shí)現(xiàn)）中進(jìn)行仿真或模擬。
[0040] 在生物學(xué)神經(jīng)元中，在神經(jīng)元激發(fā)時(shí)生成的輸出尖峰被稱(chēng)為動(dòng)作電位。該電信號(hào) 是相對(duì)迅速、瞬態(tài)的神經(jīng)沖激，其具有約為100mV的振幅和約為lms的歷時(shí)。在具有一系列連 通的神經(jīng)元(例如，尖峰從圖1中的一級(jí)神經(jīng)元傳遞至另一級(jí)神經(jīng)元）的神經(jīng)系統(tǒng)的特定實(shí) 施例中，每個(gè)動(dòng)作電位都具有基本上相同的振幅和歷時(shí)，并且因此該信號(hào)中的信息可僅由 尖峰的頻率和數(shù)目、或尖峰的時(shí)間來(lái)表示，而不由振幅來(lái)表示。動(dòng)作電位所攜帶的信息可由 尖峰、發(fā)放了尖峰的神經(jīng)元、以及該尖峰相對(duì)于一個(gè)或數(shù)個(gè)其他尖峰的時(shí)間來(lái)確定。尖峰的 重要性可由向各神經(jīng)元之間的連接所應(yīng)用的權(quán)重來(lái)確定，如以下所解釋的。
[0041] 尖峰從一級(jí)神經(jīng)元向另一級(jí)神經(jīng)元的傳遞可通過(guò)突觸連接(或簡(jiǎn)稱(chēng)"突觸"）網(wǎng)絡(luò) 104來(lái)達(dá)成，如圖1中所解說(shuō)的。相對(duì)于突觸104,級(jí)102的神經(jīng)元可被視為突觸前神經(jīng)元，而 級(jí)106的神經(jīng)元可被視為突觸后神經(jīng)元。突觸104可接收來(lái)自級(jí)102的神經(jīng)元的輸出信號(hào) (即，尖峰），并根據(jù)可調(diào)節(jié)突觸權(quán)重wpW wf來(lái)按比例縮放那些信號(hào)，其中P是 級(jí)102的神經(jīng)元與級(jí)106的神經(jīng)元之間的突觸連接的總數(shù)，并且i是神經(jīng)元級(jí)的指示符。在圖 1的示例中，i表示神經(jīng)元級(jí)102并且i+Ι表示神經(jīng)元級(jí)106。此外，經(jīng)按比例縮放的信號(hào)可被 組合以作為級(jí)106中每個(gè)神經(jīng)元的輸入信號(hào)。級(jí)106中的每個(gè)神經(jīng)元可基于對(duì)應(yīng)的組合輸入 信號(hào)來(lái)生成輸出尖峰110。可使用另一突觸連接網(wǎng)絡(luò)（圖1中未示出）將這些輸出尖峰110傳 遞到另一級(jí)神經(jīng)元。
[0042]生物學(xué)突觸可以仲裁突觸后神經(jīng)元中的興奮性或抑制性(超級(jí)化)動(dòng)作，并且還可 用于放大神經(jīng)元信號(hào)。興奮性信號(hào)使膜電位去極化(即，相對(duì)于靜息電位增大膜電位）。如果 在某個(gè)時(shí)間段內(nèi)接收到足夠的興奮性信號(hào)以使膜電位去極化到高于閾值，則在突觸后神經(jīng) 元中發(fā)生動(dòng)作電位。相反，抑制性信號(hào)一般使膜電位超極化（即，降低膜電位）。抑制性信號(hào) 如果足夠強(qiáng)則可抵消掉興奮性信號(hào)之和并阻止膜電位到達(dá)閾值。除了抵消掉突觸興奮以 外，突觸抑制還可對(duì)自發(fā)活躍神經(jīng)元施加強(qiáng)力的控制。自發(fā)活躍神經(jīng)元是指在沒(méi)有進(jìn)一步 輸入的情況下（例如，由于其動(dòng)態(tài)或反饋而)發(fā)放尖峰的神經(jīng)元。通過(guò)壓制這些神經(jīng)元中的 動(dòng)作電位的自發(fā)生成，突觸抑制可對(duì)神經(jīng)元中的激發(fā)模式進(jìn)行定形，這一般被稱(chēng)為雕刻。取 決于期望的行為，各種突觸104可充當(dāng)興奮性或抑制性突觸的任何組合。
[0043] 神經(jīng)系統(tǒng)100可由通用處理器、數(shù)字信號(hào)處理器(DSP)、專(zhuān)用集成電路(ASIC)、現(xiàn)場(chǎng) 可編程門(mén)陣列(FPGA)或其他可編程邏輯器件(PLD)、分立的門(mén)或晶體管邏輯、分立的硬件組 件、由處理器執(zhí)行的軟件模塊、或其任何組合來(lái)仿真。神經(jīng)系統(tǒng)100可用在大范圍的應(yīng)用中， 諸如圖像和模式識(shí)別、機(jī)器學(xué)習(xí)、電機(jī)控制、及類(lèi)似應(yīng)用等。神經(jīng)系統(tǒng)100中的每一神經(jīng)元可 被實(shí)現(xiàn)為神經(jīng)元電路。被充電至發(fā)起輸出尖峰的閾值的神經(jīng)元膜可被實(shí)現(xiàn)為例如對(duì)流經(jīng)其 的電流進(jìn)行積分的電容器。
[0044] 在一方面，電容器作為神經(jīng)元電路的電流積分器件可被除去，并且可使用較小的 憶阻器元件來(lái)替代它。這種辦法可應(yīng)用于神經(jīng)元電路中，以及其中大容量電容器被用作電 流積分器的各種其他應(yīng)用中。另外，每個(gè)突觸104可基于憶阻器元件來(lái)實(shí)現(xiàn)，其中突觸權(quán)重 改變可與憶阻器電阻的變化有關(guān)。使用納米特征尺寸的憶阻器，可顯著地減小神經(jīng)元電路 和突觸的面積，這可使得實(shí)現(xiàn)大規(guī)模神經(jīng)系統(tǒng)硬件實(shí)現(xiàn)更為切實(shí)可行。
[0045] 對(duì)神經(jīng)系統(tǒng)100進(jìn)行仿真的神經(jīng)處理器的功能性可取決于突觸連接的權(quán)重，這些 權(quán)重可控制神經(jīng)元之間的連接的強(qiáng)度。突觸權(quán)重可存儲(chǔ)在非易失性存儲(chǔ)器中以在掉電之后 保留該處理器的功能性。在一方面，突觸權(quán)重存儲(chǔ)器可實(shí)現(xiàn)在與主神經(jīng)處理器芯片分開(kāi)的 外部芯片上。突觸權(quán)重存儲(chǔ)器可與神經(jīng)處理器芯片分開(kāi)地封裝成可更換的存儲(chǔ)卡。這可向 神經(jīng)處理器提供多種多樣的功能性，其中特定功能性可基于當(dāng)前附連至神經(jīng)處理器的存儲(chǔ) 卡中所存儲(chǔ)的突觸權(quán)重。
[0046] 圖2解說(shuō)根據(jù)本公開(kāi)的某些方面的計(jì)算網(wǎng)絡(luò)（例如，神經(jīng)系統(tǒng)或神經(jīng)網(wǎng)絡(luò)）的處理 單元(例如，神經(jīng)元或神經(jīng)元電路)202的示例性示圖200。例如，神經(jīng)元202可對(duì)應(yīng)于來(lái)自圖1 的級(jí)102和106的任何神經(jīng)元。神經(jīng)元202可接收多個(gè)輸入信號(hào)20^-20%，這些輸入信號(hào)可以 是該神經(jīng)系統(tǒng)外部的信號(hào)、或是由同一神經(jīng)系統(tǒng)的其他神經(jīng)元所生成的信號(hào)、或這兩者。輸 入信號(hào)可以是電流、電導(dǎo)、電壓、實(shí)數(shù)值的和/或復(fù)數(shù)值的。輸入信號(hào)可包括具有定點(diǎn)或浮點(diǎn) 表示的數(shù)值?？赏ㄟ^(guò)突觸連接將這些輸入信號(hào)遞送到神經(jīng)元202,突觸連接根據(jù)可調(diào)節(jié)突觸 權(quán)重206^206^1^??)對(duì)這些信號(hào)進(jìn)行按比例縮放，其中N可以是神經(jīng)元202的輸入連接總 數(shù)。
[0047]神經(jīng)元202可組合這些經(jīng)按比例縮放的輸入信號(hào)，并且使用組合的經(jīng)按比例縮放 的輸入來(lái)生成輸出信號(hào)208(即，信號(hào)Y)。輸出信號(hào)208可以是電流、電導(dǎo)、電壓、實(shí)數(shù)值的和/ 或復(fù)數(shù)值的。輸出信號(hào)可以是具有定點(diǎn)或浮點(diǎn)表示的數(shù)值。隨后該輸出信號(hào)208可作為輸入 信號(hào)傳遞至同一神經(jīng)系統(tǒng)的其他神經(jīng)元、或作為輸入信號(hào)傳遞至同一神經(jīng)元202、或作為該 神經(jīng)系統(tǒng)的輸出來(lái)傳遞。
[0048]處理單元(神經(jīng)元）202可由電路來(lái)仿真，并且其輸入和輸出連接可由具有突觸電 路的電連接來(lái)仿真。處理單元202及其輸入和輸出連接也可由軟件代碼來(lái)仿真。處理單元 202還可由電路來(lái)仿真，而其輸入和輸出連接可由軟件代碼來(lái)仿真。在一方面，計(jì)算網(wǎng)絡(luò)中 的處理單元202可以是模擬電路。在另一方面，處理單元202可以是數(shù)字電路。在又一方面， 處理單元202可以是具有模擬和數(shù)字組件兩者的混合信號(hào)電路。計(jì)算網(wǎng)絡(luò)可包括任何前述 形式的處理單元。使用這樣的處理單元的計(jì)算網(wǎng)絡(luò)(神經(jīng)系統(tǒng)或神經(jīng)網(wǎng)絡(luò))可用在大范圍的 應(yīng)用中，諸如圖像和模式識(shí)別、機(jī)器學(xué)習(xí)、電機(jī)控制、及類(lèi)似應(yīng)用等。
[0049] 在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程期間，突觸權(quán)重（例如，來(lái)自圖1的權(quán)重 和/或來(lái)自圖2的權(quán)重206^206〃)可用隨機(jī)值來(lái)初始化并根據(jù)學(xué)習(xí)規(guī)則而被增大或減小。本 領(lǐng)域技術(shù)人員將領(lǐng)會(huì)，學(xué)習(xí)規(guī)則的示例包括但不限于尖峰定時(shí)依賴可塑性（STDP)學(xué)習(xí)規(guī) 貝丨J、Hebb規(guī)則、0 ja規(guī)則、Bienenstock-Copper-Munro(BCM)規(guī)則等。在某些方面，這些權(quán)重可 穩(wěn)定或收斂至兩個(gè)值（即，權(quán)重的雙峰分布)之一。該效應(yīng)可被用于減少每個(gè)突觸權(quán)重的位 數(shù)、提高從/向存儲(chǔ)突觸權(quán)重的存儲(chǔ)器讀取和寫(xiě)入的速度、以及降低突觸存儲(chǔ)器的功率和/ 或處理器消耗。
[0050] 突觸類(lèi)型
[0051 ]在神經(jīng)網(wǎng)絡(luò)的硬件和軟件模型中，突觸相關(guān)功能的處理可基于突觸類(lèi)型。突觸類(lèi) 型可以是非可塑突觸(權(quán)重和延遲沒(méi)有改變）、可塑突觸(權(quán)重可改變）、結(jié)構(gòu)化延遲可塑突 觸(權(quán)重和延遲可改變）、全可塑突觸(權(quán)重、延遲和連通性可改變）、以及基于此的變型（例 如，延遲可改變，但在權(quán)重或連通性方面沒(méi)有改變）。多種類(lèi)型的優(yōu)點(diǎn)在于處理可以被細(xì)分。 例如，非可塑突觸不會(huì)使用待執(zhí)行的可塑性功能(或等待此類(lèi)功能完成）。類(lèi)似地，延遲和權(quán) 重可塑性可被細(xì)分成可一起或分開(kāi)地、順序地或并行地運(yùn)作的操作。不同類(lèi)型的突觸對(duì)于 適用的每一種不同的可塑性類(lèi)型可具有不同的查找表或公式以及參數(shù)。因此，這些方法將 針對(duì)該突觸的類(lèi)型來(lái)訪問(wèn)相關(guān)的表、公式或參數(shù)。
[0052]還進(jìn)一步牽涉到以下事實(shí):尖峰定時(shí)依賴型結(jié)構(gòu)化可塑性可獨(dú)立于突觸可塑性地 來(lái)執(zhí)行。結(jié)構(gòu)化可塑性即使在權(quán)重幅值沒(méi)有改變的情況下(例如，如果權(quán)重已達(dá)最小或最大 值、或者其由于某種其他原因而不被改變)也可被執(zhí)行，因?yàn)榻Y(jié)構(gòu)化可塑性（即，延遲改變的 量)可以是前-后尖峰時(shí)間差的直接函數(shù)。替換地，結(jié)構(gòu)化可塑性可被設(shè)為權(quán)重改變量的函 數(shù)或者可基于與權(quán)重或權(quán)重改變的界限有關(guān)的條件來(lái)設(shè)置。例如，突觸延遲可僅在權(quán)重改 變發(fā)生時(shí)或者在權(quán)重到達(dá)〇的情況下才改變，但在這些權(quán)重為最大值時(shí)則不改變。然而，具 有獨(dú)立函數(shù)以使得這些過(guò)程能被并行化從而減少存儲(chǔ)器訪問(wèn)的次數(shù)和交疊可能是有利的。
[0053]突觸可塑性的確定
[0054]神經(jīng)元可塑性(或簡(jiǎn)稱(chēng)"可塑性"）是大腦中的神經(jīng)元和神經(jīng)網(wǎng)絡(luò)響應(yīng)于新的信息、 感官刺激、發(fā)展、損壞、或機(jī)能障礙而改變其突觸連接和行為的能力?？伤苄詫?duì)于生物學(xué)中 的學(xué)習(xí)和記憶、以及對(duì)于計(jì)算神經(jīng)元科學(xué)和神經(jīng)網(wǎng)絡(luò)是重要的。已經(jīng)研究了各種形式的可 塑性，諸如突觸可塑性(例如，根據(jù)Hebbian理論）、尖峰定時(shí)依賴可塑性(STDP)、非突觸可塑 性、活躍性依賴可塑性、結(jié)構(gòu)化可塑性和自穩(wěn)態(tài)可塑性。
[0055] STDP是調(diào)節(jié)神經(jīng)元之間的突觸連接的強(qiáng)度的學(xué)習(xí)過(guò)程。連接強(qiáng)度是基于特定神經(jīng) 元的輸出與收到輸入尖峰（即，動(dòng)作電位)的相對(duì)定時(shí)來(lái)調(diào)節(jié)的。在STDP過(guò)程下，如果至某個(gè) 神經(jīng)元的輸入尖峰平均而言傾向于緊挨在該神經(jīng)元的輸出尖峰之前發(fā)生，則可發(fā)生長(zhǎng)期增 強(qiáng)(LTP)。于是使得該特定輸入在一定程度上更強(qiáng)。另一方面，如果輸入尖峰平均而言傾向 于緊接在輸出尖峰之后發(fā)生，則可發(fā)生長(zhǎng)期抑壓(LTD)。于是使得該特定輸入在一定程度上 更弱，并由此得名"尖峰定時(shí)依賴可塑性"。因此，使得可能是突觸后神經(jīng)元興奮原因的輸入 甚至在將來(lái)作出貢獻(xiàn)的可能性更大，而使得不是突觸后尖峰的原因的輸入在將來(lái)作出貢獻(xiàn) 的可能性更小。該過(guò)程繼續(xù)，直至初始連接集合的子集保留，而所有其他連接的影響減小至 無(wú)關(guān)緊要的水平。
[0056] 由于神經(jīng)元一般在其許多輸入都在一短時(shí)段內(nèi)發(fā)生（即，累積性足以引起輸出）時(shí) 產(chǎn)生輸出尖峰，因此通常保留下來(lái)的輸入子集包括傾向于在時(shí)間上相關(guān)的那些輸入。另外， 由于在輸出尖峰之前發(fā)生的輸入被加強(qiáng)，因此提供對(duì)相關(guān)性的最早充分累積性指示的那些 輸入將最終變成至該神經(jīng)元的最后輸入。
[0057] STDP學(xué)習(xí)規(guī)則可作為突觸前神經(jīng)元的尖峰時(shí)間tpre與突觸后神經(jīng)元的尖峰時(shí)間 tpost之間的時(shí)間差（即，t = tpcist-tpre)的函數(shù)來(lái)有效地適配將該突觸前神經(jīng)元連接到該突觸 后神經(jīng)元的突觸的突觸權(quán)重。STDP的典型公式化是若該時(shí)間差為正（突觸前神經(jīng)元在突觸 后神經(jīng)元之前激發(fā)）則增大突觸權(quán)重（即，增強(qiáng)該突觸），以及若該時(shí)間差為負(fù)（突觸后神經(jīng) 元在突觸前神經(jīng)元之前激發(fā))則減小突觸權(quán)重（即，抑壓該突觸）。
[0058]在STDP過(guò)程中，突觸權(quán)重隨時(shí)間推移的改變可通常使用指數(shù)式衰退來(lái)達(dá)成，如由 下式給出的：
[0060] 其中k+和k-Tsign(At)分別是針對(duì)正和負(fù)時(shí)間差的時(shí)間常數(shù)，a+和a-是對(duì)應(yīng)的比例縮 放幅值，并且μ是可應(yīng)用于正時(shí)間差和/或負(fù)時(shí)間差的偏移。
[0061] 圖3解說(shuō)了根據(jù)STDP，突觸權(quán)重作為突觸前(pre)和突觸后(post)尖峰的相對(duì)定時(shí) 的函數(shù)而改變的示例性示圖300。如果突觸前神經(jīng)元在突觸后神經(jīng)元之前激發(fā)，則對(duì)應(yīng)的突 觸權(quán)重可被增大，如曲線圖300的部分302中所解說(shuō)的。該權(quán)重增大可被稱(chēng)為該突觸的LTP。 從曲線圖部分302可觀察到，LTP的量可作為突觸前和突觸后尖峰時(shí)間之差的函數(shù)而大致呈 指數(shù)式地下降。相反的激發(fā)次序可減小突觸權(quán)重，如曲線圖300的部分304中所解說(shuō)的，從而 導(dǎo)致該突觸的LTD。
[0062] 如圖3中的曲線圖300中所解說(shuō)的，可向STDP曲線圖的LTP(因果性)部分302應(yīng)用負(fù) 偏移lx軸的交越點(diǎn)306(y = 0)可被配置成與最大時(shí)間滯后重合以考慮到來(lái)自層i-Ι的各因 果性輸入的相關(guān)性。在基于幀的輸入（即，呈特定歷時(shí)的包括尖峰或脈沖的幀的形式的輸 入)的情形中，可計(jì)算偏移值μ以反映幀邊界。該幀中的第一輸入尖峰(脈沖)可被視為要么 如直接由突觸后電位所建模地隨時(shí)間衰退，要么在對(duì)神經(jīng)狀態(tài)的影響的意義上隨時(shí)間衰 退。如果該幀中的第二輸入尖峰(脈沖)被視為與特定時(shí)間幀相關(guān)或有關(guān)，則該幀之前和之 后的有關(guān)時(shí)間可通過(guò)使stdp曲線的一個(gè)或多個(gè)部分偏移以使得這些有關(guān)時(shí)間中的值可以 不同（例如，對(duì)于大于一個(gè)幀為負(fù)，而對(duì)于小于一個(gè)幀為正)來(lái)在該時(shí)間幀邊界處被分開(kāi)并 在可塑性意義上被不同地對(duì)待。例如，負(fù)偏移μ可被設(shè)為偏移LTP以使得曲線實(shí)際上在大于 幀時(shí)間的pre-post時(shí)間處變得低于零并且它由此為L(zhǎng)TD而非LTP的一部分。
[0063]神經(jīng)元模型及操作
[0064]存在一些用于設(shè)計(jì)有用的尖峰發(fā)放神經(jīng)元模型的一般原理。良好的神經(jīng)元模型在 以下兩個(gè)計(jì)算態(tài)相(regime)方面可具有豐富的潛在行為:重合性檢測(cè)和功能性計(jì)算。此外， 良好的神經(jīng)元模型應(yīng)當(dāng)具有允許時(shí)間編碼的兩個(gè)要素:輸入的抵達(dá)時(shí)間影響輸出時(shí)間，以 及重合性檢測(cè)能具有窄時(shí)間窗。最后，為了在計(jì)算上是有吸引力的，良好的神經(jīng)元模型在連 續(xù)時(shí)間上可具有閉合形式解，并且具有穩(wěn)定的行為，包括在靠近吸引子和鞍點(diǎn)之處。換言 之，有用的神經(jīng)元模型是可實(shí)踐且可被用于建模豐富的、現(xiàn)實(shí)的且生物學(xué)一致的行為并且 可被用于對(duì)神經(jīng)電路進(jìn)行工程設(shè)計(jì)和反向工程設(shè)計(jì)兩者的神經(jīng)元模型。
[0065] 神經(jīng)元模型可取決于事件，諸如輸入抵達(dá)、輸出尖峰或其他事件，無(wú)論這些事件是 內(nèi)部的還是外部的。為了達(dá)成豐富的行為庫(kù)，能展現(xiàn)復(fù)雜行為的狀態(tài)機(jī)可能是期望的。如果 事件本身的發(fā)生在撇開(kāi)輸入貢獻(xiàn)(若有)的情況下能影響狀態(tài)機(jī)并約束該事件之后的動(dòng)態(tài)， 則該系統(tǒng)的將來(lái)狀態(tài)并非僅是狀態(tài)和輸入的函數(shù)，而是狀態(tài)、事件和輸入的函數(shù)。
[0066] 在一方面，神經(jīng)元η可被建模為尖峰帶泄漏積分激發(fā)神經(jīng)元，其膜電壓vn(t)由以 下動(dòng)態(tài)來(lái)支配：
[0068] 其中α和β是參數(shù)，Wm,n是將突觸前神經(jīng)元m連接至突觸后神經(jīng)元 n的突觸的突觸權(quán) 重，以及ym(t)是神經(jīng)元m的尖峰發(fā)放輸出，其可根據(jù)AU,n被延遲達(dá)樹(shù)突或軸突延遲才抵達(dá) 神經(jīng)元η的胞體。
[0069] 應(yīng)注意，從建立了對(duì)突觸后神經(jīng)元的充分輸入的時(shí)間直至該突觸后神經(jīng)元實(shí)際上 激發(fā)的時(shí)間存在延遲。在動(dòng)態(tài)尖峰神經(jīng)元模型(諸如Izhikevich簡(jiǎn)單模型）中，如果在去極 化閾值v t與峰值尖峰電Svpeak之間有差量，則可引發(fā)時(shí)間延遲。例如，在該簡(jiǎn)單模型中，神經(jīng) 元胞體動(dòng)態(tài)可由關(guān)于電壓和恢復(fù)的微分方程對(duì)來(lái)支配，即：
[0072] 其中v是膜電位，u是膜恢復(fù)變量，k是描述膜電位v的時(shí)間尺度的參數(shù)，a是描述恢 復(fù)變量u的時(shí)間尺度的參數(shù)，b是描述恢復(fù)變量u對(duì)膜電位v的閾下波動(dòng)的敏感度的參數(shù)，Vi· 是膜靜息電位，I是突觸電流，以及C是膜的電容。根據(jù)該模型，神經(jīng)元被定義為在v>v peak時(shí) 發(fā)放尖峰。
[0073] Hunzinger Cold模型
[0074] Hunzinger Cold神經(jīng)元模型是能再現(xiàn)豐富多樣的各種神經(jīng)行為的最小雙態(tài)相尖 峰發(fā)放線性動(dòng)態(tài)模型。該模型的一維或二維線性動(dòng)態(tài)可具有兩個(gè)態(tài)相，其中時(shí)間常數(shù)（以及 耦合)可取決于態(tài)相。在閾下態(tài)相中，時(shí)間常數(shù)(按照慣例為負(fù)）表示泄漏通道動(dòng)態(tài)，其一般 作用于以生物學(xué)一致的線性方式使細(xì)胞返回到靜息。閾上態(tài)相中的時(shí)間常數(shù)(按照慣例為 正)反映抗泄漏通道動(dòng)態(tài)，其一般驅(qū)動(dòng)細(xì)胞發(fā)放尖峰，而同時(shí)在尖峰生成中引發(fā)等待時(shí)間。
[0075] 如圖4中所解說(shuō)的，該模型400的動(dòng)態(tài)可被劃分成兩個(gè)(或更多個(gè))態(tài)相。這些態(tài)相 可被稱(chēng)為負(fù)態(tài)相402(也可互換地稱(chēng)為帶漏泄積分激發(fā)(LIF)態(tài)相，勿與LIF神經(jīng)元模型混 淆）以及正態(tài)相404(也可互換地稱(chēng)為抗漏泄積分激發(fā)(ALIF)態(tài)相，勿與ALIF神經(jīng)元模型混 淆）。在負(fù)態(tài)相402中，狀態(tài)在將來(lái)事件的時(shí)間趨向于靜息(V-)。在該負(fù)態(tài)相中，該模型一般 展現(xiàn)出時(shí)間輸入檢測(cè)性質(zhì)及其他閾下行為。在正態(tài)相404中，狀態(tài)趨向于尖峰發(fā)放事件 ( Vs)。在該正態(tài)相中，該模型展現(xiàn)出計(jì)算性質(zhì)，諸如取決于后續(xù)輸入事件而引發(fā)發(fā)放尖峰的 等待時(shí)間。在事件方面對(duì)動(dòng)態(tài)進(jìn)行公式化以及將動(dòng)態(tài)分成這兩個(gè)態(tài)相是該模型的基礎(chǔ)特 性。
[0076] 線性雙態(tài)相二維動(dòng)態(tài)(對(duì)于狀態(tài)v和u)可按照慣例定義為：
[0079] 其中qP和r是用于耦合的線性變換變量。
[0080] 符號(hào)p在本文中用于標(biāo)示動(dòng)態(tài)態(tài)相，在討論或表達(dá)具體態(tài)相的關(guān)系時(shí)，按照慣例對(duì) 于負(fù)態(tài)相和正態(tài)相分別用符號(hào)或"+"來(lái)替換符號(hào)P。
[0081] 模型狀態(tài)通過(guò)膜電位（電壓)v和恢復(fù)電流u來(lái)定義。在基本形式中，態(tài)相在本質(zhì)上 是由模型狀態(tài)來(lái)決定的。該精確和通用的定義存在一些細(xì)微卻重要的方面，但目前考慮該 模型在電壓v高于閾值(v+)的情況下處于正態(tài)相404中，否則處于負(fù)態(tài)相402中。
[0082]態(tài)相依賴型時(shí)間常數(shù)包括負(fù)態(tài)相時(shí)間常數(shù)τ-和正態(tài)相時(shí)間常數(shù)τ+?；謴?fù)電流時(shí)間 常數(shù)tu通常是與態(tài)相無(wú)關(guān)的。出于方便起見(jiàn)，負(fù)態(tài)相時(shí)間常數(shù)τ-通常被指定為反映衰退的負(fù) 量，從而用于電壓演變的相同表達(dá)式可用于正態(tài)相，在正態(tài)相中指數(shù)和τ+將一般為正，正如 tu那樣。
[0083] 這兩個(gè)狀態(tài)元素的動(dòng)態(tài)可在發(fā)生事件之際通過(guò)使?fàn)顟B(tài)偏離其零傾線（nul Ιο 1 ine) 的變換來(lái)耦合 ，其中 變換變量為：
[0084] qP = -Tp0u-Vp (7)
[0085] Γ = δ(ν+ε) (8)
[0086] 其中δ、ε、β和V-、V+是參數(shù)。Vp的兩個(gè)值是這兩個(gè)態(tài)相的參考電壓的基數(shù)。參數(shù)ν-是 負(fù)態(tài)相的基電壓，并且膜電位在負(fù)態(tài)相中一般將朝向V-衰退。參數(shù)v+是正態(tài)相的基電壓，并 且膜電位在正態(tài)相中一般將趨向于背離v+。
[0087] v和u的零傾線分別由變換變量qP和r的負(fù)數(shù)給出。參數(shù)δ是控制u零傾線的斜率的 縮放因子。參數(shù)ε通常被設(shè)為等于-V-。參數(shù)β是控制這兩個(gè)態(tài)相中的ν零傾線的斜率的電阻 值。τ Ρ時(shí)間常數(shù)參數(shù)不僅控制指數(shù)式衰退，還單獨(dú)地控制每個(gè)態(tài)相中的零傾線斜率。
[0088] 該模型可被定義為在電壓ν達(dá)到值vs時(shí)發(fā)放尖峰。隨后，狀態(tài)可在發(fā)生復(fù)位事件 (其可以與尖峰事件完全相同）之際被復(fù)位：
[0089] 'V = Vl (9)
[0090] u = u+Au (10)
[0091] 其中免和Au是參數(shù)。復(fù)位電壓it通常被設(shè)為v-。
[0092] 依照瞬時(shí)耦合的原理，閉合形式解不僅對(duì)于狀態(tài)是可能的（且具有單個(gè)指數(shù)項(xiàng)）， 而且對(duì)于到達(dá)特定狀態(tài)的時(shí)間也是可能的。閉合形式狀態(tài)解為：
[0095]因此，模型狀態(tài)可僅在發(fā)生事件之際被更新，諸如在輸入(突觸前尖峰)或輸出（突 觸后尖峰)之際被更新。還可在任何特定時(shí)間(無(wú)論是否有輸入或輸出)執(zhí)行操作。
[0096]而且，依照瞬時(shí)耦合原理，突觸后尖峰的時(shí)間可被預(yù)計(jì)，因此到達(dá)特定狀態(tài)的時(shí)間 可提前被確定而無(wú)需迭代技術(shù)或數(shù)值方法(例如，歐拉數(shù)值方法）。給定了先前電壓狀態(tài)vo， 直至到達(dá)電壓狀態(tài)Vf之前的時(shí)間延遲由下式給出：
[0098]如果尖峰被定義為發(fā)生在電壓狀態(tài)v到達(dá)vs的時(shí)間，則從電壓處于給定狀態(tài)v的時(shí) 間起測(cè)量的直至發(fā)生尖峰前的時(shí)間量或即相對(duì)延遲的閉合形式解為：
[0100] 其中九通常被設(shè)為參數(shù)v+，但其他變型可以是可能的。
[0101] 模型動(dòng)態(tài)的以上定義取決于該模型是在正態(tài)相還是負(fù)態(tài)相中。如所提及的，耦合 和態(tài)相Ρ可基于事件來(lái)計(jì)算。出于狀態(tài)傳播的目的，態(tài)相和耦合(變換）變量可基于在上一 (先前)事件的時(shí)間的狀態(tài)來(lái)定義。出于隨后預(yù)計(jì)尖峰輸出時(shí)間的目的，態(tài)相和耦合變量可 基于在下一(當(dāng)前)事件的時(shí)間的狀態(tài)來(lái)定義。
[0102] 存在對(duì)該Cold模型、以及在時(shí)間上執(zhí)行模擬、仿真、或建模的若干可能實(shí)現(xiàn)。這包 括例如事件-更新、步點(diǎn)-事件更新、以及步點(diǎn)-更新模式。事件更新是其中基于事件或"事件 更新"（在特定時(shí)刻)來(lái)更新?tīng)顟B(tài)的更新。步點(diǎn)更新是以間隔（例如，lms)來(lái)更新模型的更新。 這不一定利用迭代方法或數(shù)值方法。通過(guò)僅在事件發(fā)生于步點(diǎn)處或步點(diǎn)間的情況下才更新 模型或即通過(guò)"步點(diǎn)-事件"更新，基于事件的實(shí)現(xiàn)以有限的時(shí)間分辨率在基于步點(diǎn)的模擬 器中實(shí)現(xiàn)也是可能的。
[0103] 用于隨機(jī)尖峰神經(jīng)網(wǎng)絡(luò)的基于事件的推斷和學(xué)習(xí)
[0104] 本公開(kāi)的各方面涉及執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)。
[0105] 在一些方面，尖峰神經(jīng)網(wǎng)絡(luò)可以遵循一般的尖峰響應(yīng)神經(jīng)元模型（SRM)并且可以 將基于事件的尖峰定時(shí)依賴可塑性規(guī)則用于學(xué)習(xí)。這些可以在神經(jīng)元形態(tài)硬件設(shè)計(jì)中實(shí) 現(xiàn)。因?yàn)樗嶙h的過(guò)程可以是完全基于事件的，所以對(duì)于例如基于地址-事件表示來(lái)處理來(lái) 自傳感器的事件流可以是有用的。
[0106] 圖5解說(shuō)了根據(jù)本公開(kāi)的某些方面的使用通用處理器502的前述基于事件的貝葉 斯推斷和學(xué)習(xí)的示例實(shí)現(xiàn)500。與計(jì)算網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)）相關(guān)聯(lián)的變量(神經(jīng)信號(hào)）、突觸權(quán) 重、系統(tǒng)參數(shù)，延遲，頻率槽信息，節(jié)點(diǎn)狀態(tài)信息，偏置權(quán)重信息，連接權(quán)重信息，和/或激發(fā) 率信息可被存儲(chǔ)在存儲(chǔ)器塊504中，而在通用處理器502處執(zhí)行的指令可從程序存儲(chǔ)器506 加載。在本公開(kāi)的一方面，加載到通用處理器502中的指令可以包括用于以下操作的代碼： 在節(jié)點(diǎn)處接收輸入事件、將偏置權(quán)重和連接權(quán)重應(yīng)用于輸入事件以獲得中間值、基于中間 值來(lái)確定節(jié)點(diǎn)狀態(tài)、以及基于節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò) 程來(lái)生成輸出事件。
[0107] 圖6解說(shuō)了根據(jù)本公開(kāi)的某些方面的前述基于事件的貝葉斯推斷和學(xué)習(xí)的示例實(shí) 現(xiàn)600,其中存儲(chǔ)器602可經(jīng)由互連網(wǎng)絡(luò)604與計(jì)算網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)）的個(gè)體(分布式)處理單 元(神經(jīng)處理器)606對(duì)接。與計(jì)算網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò))相關(guān)聯(lián)的變量(神經(jīng)信號(hào)）、突觸權(quán)重、系 統(tǒng)參數(shù)，延遲，頻率槽信息，節(jié)點(diǎn)狀態(tài)信息，偏置權(quán)重信息，連接權(quán)重信息，和/或激發(fā)率信息 可被存儲(chǔ)在存儲(chǔ)器602中，并且可從存儲(chǔ)器602經(jīng)由互連網(wǎng)絡(luò)604的（諸)連接被加載到每個(gè) 處理單元(神經(jīng)處理器)606中。在本公開(kāi)的一方面，處理單元606可被配置成在節(jié)點(diǎn)處接收 輸入事件、將偏置權(quán)重和連接權(quán)重應(yīng)用于輸入事件以獲得中間值、基于中間值來(lái)確定節(jié)點(diǎn) 狀態(tài)、以及基于節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò)程來(lái)生成輸出 事件。
[0108] 圖7解說(shuō)前述基于事件的貝葉斯推斷和學(xué)習(xí)的示例實(shí)現(xiàn)700。如圖7中所解說(shuō)的，一 個(gè)存儲(chǔ)器組702可與計(jì)算網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)）的一個(gè)處理單元704直接對(duì)接。每一個(gè)存儲(chǔ)器組 702可存儲(chǔ)與對(duì)應(yīng)的處理單元(神經(jīng)處理器)704相關(guān)聯(lián)的變量(神經(jīng)信號(hào)）、突觸權(quán)重、和/或 系統(tǒng)參數(shù)，延遲，頻率槽信息，節(jié)點(diǎn)狀態(tài)信息，偏置權(quán)重信息，連接權(quán)重信息，和/或激發(fā)率信 息。在本公開(kāi)的一方面，處理單元704可被配置成在節(jié)點(diǎn)處接收輸入事件、將偏置權(quán)重和連 接權(quán)重應(yīng)用于輸入事件以獲得中間值、基于中間值來(lái)確定節(jié)點(diǎn)狀態(tài)、以及基于節(jié)點(diǎn)狀態(tài)來(lái) 計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò)程來(lái)生成輸出事件。
[0109] 圖8解說(shuō)根據(jù)本公開(kāi)的某些方面的神經(jīng)網(wǎng)絡(luò)800的示例實(shí)現(xiàn)。如圖8中所解說(shuō)的，神 經(jīng)網(wǎng)絡(luò)800可具有多個(gè)局部處理單元802,它們可執(zhí)行本文所描述的方法的各種操作。每個(gè) 局部處理單元802可包括存儲(chǔ)該神經(jīng)網(wǎng)絡(luò)的參數(shù)的局部狀態(tài)存儲(chǔ)器804和局部參數(shù)存儲(chǔ)器 806。另外，局部處理單元802可具有用于存儲(chǔ)局部模型程序的局部(神經(jīng)元)模型程序(LMP) 存儲(chǔ)器808、用于存儲(chǔ)局部學(xué)習(xí)程序的局部學(xué)習(xí)程序(LLP)存儲(chǔ)器810、以及局部連接存儲(chǔ)器 812。此外，如圖8中所解說(shuō)的，每個(gè)局部處理單元802可與用于為該局部處理單元的各局部 存儲(chǔ)器提供配置的配置處理器單元814對(duì)接，并且與提供各局部處理單元802之間的路由的 路由單元816對(duì)接。
[0110] 在一種配置中，神經(jīng)元模型被配置成用于在節(jié)點(diǎn)處接收輸入事件、將偏置權(quán)重和 連接權(quán)重應(yīng)用于輸入事件以獲得中間值、至少部分地基于中間值來(lái)確定節(jié)點(diǎn)狀態(tài)、以及基 于節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò)程來(lái)生成輸出事件。神經(jīng)元 模型包括接收裝置、應(yīng)用裝置、確定裝置、和計(jì)算裝置。在一個(gè)方面，接收裝置、應(yīng)用裝置、確 定裝置、和/或計(jì)算裝置可以是被配置成執(zhí)行所敘述的功能的通用處理器502、程序存儲(chǔ)器 506、存儲(chǔ)器塊504、存儲(chǔ)器602、互連網(wǎng)絡(luò)604、處理單元606、處理單元704、局部處理單元 802、和/或路由連接處理元件816。在另一配置中，前述裝置可以是被配置成執(zhí)行由前述裝 置所敘述的功能的任何模塊或任何設(shè)備。
[0111]根據(jù)本公開(kāi)的某些方面，每一個(gè)局部處理單元802可被配置成基于神經(jīng)網(wǎng)絡(luò)的期 望的一個(gè)或多個(gè)功能性特征來(lái)確定神經(jīng)網(wǎng)絡(luò)的參數(shù)，以及隨著所確定的參數(shù)被進(jìn)一步適 配、調(diào)諧和更新來(lái)使這一個(gè)或多個(gè)功能性特征朝著期望的功能性特征發(fā)展。
[0112]圖9是解說(shuō)根據(jù)本公開(kāi)的各方面的貝葉斯網(wǎng)絡(luò)的框圖900。貝葉斯網(wǎng)絡(luò)可以在推理 中提供對(duì)隨機(jī)變量的相依性的自然表示。參照?qǐng)D9,示出了節(jié)點(diǎn)X和Y。節(jié)點(diǎn)X(902)和Y(904) 可以包括隨機(jī)變量，并且可以處于有限狀態(tài)集中具有X和Υ的某種相依性的離散狀態(tài)中。這 些節(jié)點(diǎn)及它們之間的相依性可以在一些方面經(jīng)由尖峰神經(jīng)網(wǎng)絡(luò)來(lái)表示。例如，尖峰神經(jīng)網(wǎng) 絡(luò)可以接收Ν個(gè)可觀察的隨機(jī)變量Ye {1，···Ν}。根據(jù)本公開(kāi)的各方面，可以確定所觀察到的 變量Υ的根本原因 Χ￡{1，···Κ}。
[0113] 圖10是解說(shuō)根據(jù)本公開(kāi)的各方面的用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的示 例性架構(gòu)1000的框圖。參照?qǐng)D10,輸入事件流1002可被接收并且用于生成輸入蹤跡(例如， 1006a-1006N)。輸入事件流1002可以經(jīng)由一條或多條(例如，N條)輸入線來(lái)供應(yīng)。在一些方 面，輸入流可被配置為輸入陣列。例如，該陣列中的每個(gè)輸入(并且相應(yīng)地每條輸入線)可以 對(duì)應(yīng)于顯示器的像素。
[0114] 輸入事件流1002可以包括尖峰或尖峰事件。輸入事件流內(nèi)的每個(gè)尖峰或尖峰事件 可以對(duì)應(yīng)于所觀察到的變量Y的樣本。在一些方面，例如，可以經(jīng)由濾波器1004a-1004N來(lái)對(duì) 輸入事件流1 〇〇2進(jìn)行濾波以提供時(shí)間持續(xù)性。濾波器1004a- 1004N可以例如是矩形脈沖濾 波器、興奮性突觸后電位(EPSP)濾波器、或任何其他濾波器。在一個(gè)示例性方面，這些濾波 器(例如，1004a-1004N)可被表達(dá)為：
[0116] 其中e是輸入核函數(shù)并且te是輸入核函數(shù)的時(shí)間支持。
[0117] 輸入尖峰事件可以如下與濾波器1004a_1004N(例如，EPSP)卷積并且積分以形成 輸入蹤跡1006a-1006N:
[0118] Un(t)=/e (τ)ρη(?-τ)(1τ (16)
[0119] 其中ρη是y(n)的尖峰響應(yīng)函數(shù)，在該y(n)中作出Ν次觀察。
[0120] 偏置權(quán)重（1008的最上面一行)和/或連接權(quán)重（1008的其余行)可被應(yīng)用于輸入蹤 跡1006以形成經(jīng)加權(quán)輸入。偏置項(xiàng)可被指定并且應(yīng)用于每個(gè)偏置權(quán)重。在圖10的示例性架 構(gòu)中，偏置項(xiàng)為1(參見(jiàn)圖15,元素1506)。然而，這僅是示例性的，并且可以根據(jù)設(shè)計(jì)偏好用 另一偏置項(xiàng)來(lái)替代。
[0121 ]在一些方面，可以將偏置權(quán)重和/或連接權(quán)重（1008)中的每一者應(yīng)用于相應(yīng)行中 的輸入蹤跡(例如，1006a- 1006Ν)。例如，連接權(quán)重<、wf和《#可被應(yīng)用于輸入蹤跡m。 [0122]每一列中的經(jīng)加權(quán)輸入可以進(jìn)而被加總以確定節(jié)點(diǎn)狀態(tài)1010(例如， V\Vk、和νκ)。 在一些方面，節(jié)點(diǎn)狀態(tài)1010可以包括膜電位。節(jié)點(diǎn)狀態(tài)1010可如下來(lái)表達(dá)：
[0124]其中k是區(qū)間，并且是用于區(qū)間k的偏置權(quán)重。
[0125]在一些方面，節(jié)點(diǎn)狀態(tài)可以使用歸一化諸如以贏者全得(WTA)或軟WTA方式來(lái)確 定。在一個(gè)示例性方面，節(jié)點(diǎn)狀態(tài)1010可以通過(guò)以下歸一化子來(lái)歸一化：
[0127] 其中λχ是與平均總激發(fā)率相對(duì)應(yīng)的常數(shù)。
[0128] 節(jié)點(diǎn)狀態(tài)1010可以經(jīng)受隨機(jī)過(guò)程(例如，泊松過(guò)程）以經(jīng)由輸出節(jié)點(diǎn)（例如，1012a、 1012k、1012K)產(chǎn)生輸出事件流1016。在一些方面，隨機(jī)或點(diǎn)過(guò)程可以包括與輸出事件率相 對(duì)應(yīng)的強(qiáng)度函數(shù)。輸出事件率可以表示基于節(jié)點(diǎn)狀態(tài)1010的后驗(yàn)概率。在一些方面，輸出事 件率可以在時(shí)間基礎(chǔ)上計(jì)算。替換地，在一些方面，輸出事件率可以在事件基礎(chǔ)上計(jì)算。
[0129] 在一些方面，可以經(jīng)由濾波器1014a_1014N對(duì)經(jīng)由輸出節(jié)點(diǎn)1012a_1012K的輸出進(jìn) 行濾波。在一個(gè)示例性方面，濾波器l〇14a-1014N可以包括數(shù)字濾波器以提供數(shù)字輸出。
[0130] 在一些方面，這些節(jié)點(diǎn)可以是神經(jīng)元。由此，輸出事件流1016可以是具有表示后驗(yàn) 概率的輸出激發(fā)率的尖峰事件。即，神經(jīng)元可以激發(fā)尖峰，這些尖峰具有作為神經(jīng)元狀態(tài) (例如，膜電位）的函數(shù)的激發(fā)概率。例如，輸出節(jié)點(diǎn)（例如，1 〇 12a_l012K)的激發(fā)率(并且進(jìn) 而輸出事件流)可以通過(guò)下式給出：
[0132]在一些方面，可以如下從輸出激發(fā)率計(jì)算輸出尖峰事件時(shí)間：
[0134] 其中ξ~Exp(l)是從具有速率參數(shù)1的指數(shù)分布得到的隨機(jī)數(shù)。
[0135] 在一些方面，尖峰定時(shí)依賴可塑性(STDP)規(guī)則可以被應(yīng)用于實(shí)現(xiàn)學(xué)習(xí)。例如，可以 基于輸出事件流1016(例如，來(lái)自后驗(yàn)分布的輸出樣本）來(lái)更新偏置權(quán)重和/或連接權(quán)重 (1008)中的每一者。例如，可以如下應(yīng)用STDP規(guī)則：
[0138] 其中τ=ι·_1 Δ t和:? 控制學(xué)習(xí)速率r，并且c〇是常數(shù)〇
[0139] 當(dāng)然，這僅是示例性的，并且其他學(xué)習(xí)規(guī)則和/或?qū)W習(xí)模型可以實(shí)現(xiàn)學(xué)習(xí)。使用 STDP學(xué)習(xí)規(guī)則，可以在事件基礎(chǔ)上更新偏置和/或連接權(quán)重。例如，在一些方面，可以在尖峰 事件發(fā)生時(shí)更新偏置和/或連接權(quán)重1008。
[0140] 在一個(gè)示例性方面，該架構(gòu)可被操作以檢測(cè)事件。在輸入事件的情形中，可以基于 所接收到的可被視為輸入電流的一個(gè)或多個(gè)輸入事件來(lái)確定輸入蹤跡（例如，輸入蹤跡 1006a-1006N)。在一些方面，例如，可以基于輸入事件偏移來(lái)遞增或遞減輸入電流，該輸入 事件偏移可以基于所接收到的輸入事件的定時(shí)來(lái)確定。
[0141] 偏置權(quán)重和/或連接權(quán)重1008可被應(yīng)用于輸入電流。輸入電流可以進(jìn)而被加總以 計(jì)算(或更新)神經(jīng)元狀態(tài)1010。經(jīng)更新的神經(jīng)元狀態(tài)1010可以隨后被用于計(jì)算輸出神經(jīng)元 1012a-1012K的激發(fā)率。所計(jì)算出的激發(fā)率還可以調(diào)整或更新預(yù)計(jì)的輸出事件定時(shí)。即，對(duì) 于要經(jīng)由輸出神經(jīng)元1012a-1012K輸出的每個(gè)事件或尖峰，可以基于經(jīng)更新的激發(fā)率來(lái)計(jì) 算和更新該事件或尖峰的預(yù)計(jì)定時(shí)。如果輸入事件在預(yù)計(jì)的輸出事件tith之前在切#人處發(fā)生 (這會(huì)將神經(jīng)元的瞬時(shí)尖峰速率(例如，λ"從λ舊改變成λ新)，則例如可以如下更新預(yù)計(jì)的輸 出事件時(shí)間：
[0143] 在輸出事件或尖峰的情形中，可以例如使用以上描述的STDP規(guī)則來(lái)更新偏置權(quán)重 和/或連接權(quán)重(1008)。隨后，可以估計(jì)下一輸出事件(例如，尖峰）。
[0144] 以此方式，參照?qǐng)D9,通過(guò)采樣Υ(904)，可以推斷Χ(902)的先前狀態(tài)。此外，可以給 出在給定某個(gè)X的情況下得到Υ的似然性(例如，該似然性可以由輸出神經(jīng)元來(lái)表示）。
[0145] 相應(yīng)地，可以使用示例性架構(gòu)1000來(lái)實(shí)現(xiàn)眾多應(yīng)用。此類(lèi)應(yīng)用可以包括但不限于 模式識(shí)別、對(duì)空間模式的時(shí)間序列的學(xué)習(xí)。
[0146] 在一些方面，圖10的架構(gòu)可被模塊化。圖11是解說(shuō)根據(jù)本公開(kāi)的各方面的用于執(zhí) 行基于事件的貝葉斯推斷和學(xué)習(xí)的示例性推斷引擎模塊1100的框圖。在一些方面，推斷引 擎模塊1100的配置可以對(duì)應(yīng)于圖10的架構(gòu)1000的配置。
[0147] 參照?qǐng)D11，推斷引擎模塊1100包括輸入塊1102、輸入蹤跡塊1006、偏置和連接權(quán)重 塊1008、連接、以及輸出塊1110。輸出塊可被配置成包括如以上參照?qǐng)D10描述的節(jié)點(diǎn)1010和 1012a-1012Κ。推斷引擎模塊1100可被用于構(gòu)造較大且較復(fù)雜的系統(tǒng)。
[0148] 圖12是解說(shuō)根據(jù)本公開(kāi)的各方面的使用用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí) 的模塊11 〇〇的地址事件表示(AER)傳感器的示例性架構(gòu)1200的框圖。如圖12中所示，AER傳 感器1202a和1202b(統(tǒng)稱(chēng)為AER傳感器1202)可以捕捉事件。盡管示出了兩個(gè)AER傳感器，但 這僅是示例性的并且可以采用一個(gè)或多個(gè)輸入。
[0149] 所捕捉到的事件可被供應(yīng)給特征模塊1204。特征模塊1204可以具有與圖11的推斷 引擎模塊1100的配置和功能相似的配置和功能。特征模塊1204可以從AER傳感器1202a-1202b接收輸入事件流，并且進(jìn)而產(chǎn)生與AER傳感器1202a-1202b的環(huán)境的未觀察到的特征 相對(duì)應(yīng)的輸出事件流。其他推斷引擎模塊(例如，1206a、1206b和1206c，它們可被統(tǒng)稱(chēng)為推 斷引擎模塊1206)可被納入以確定與未觀察到的特征有關(guān)的附加信息。
[0150] 在一個(gè)示例中，AER傳感器1202a-1202b可以包括相機(jī)。相機(jī)可以例如被配置成捕 捉給定空間中的對(duì)象的存在。在一個(gè)示例中，相機(jī)可以提供關(guān)于給定空間中的對(duì)象的位置 的2D事件信息。特征模塊的輸出可以被供應(yīng)給推斷引擎模塊1206a、1206b、1206c，這些推斷 引擎模塊1206a、1206b、1206c可以進(jìn)而推斷給定空間內(nèi)的對(duì)象的3D坐標(biāo)的一部分。
[0151] 推斷引擎模塊1206a-1206c可以經(jīng)由監(jiān)督器1208訓(xùn)練以改進(jìn)模塊1206a-1206c的 推斷。在該示例中，推斷引擎模塊1206a-1206c所推斷出的坐標(biāo)(X，Y，Z)可以與給定空間中 的該對(duì)象的實(shí)際或真實(shí)位置作比較。在一些方面，可以基于真實(shí)位置信息來(lái)更新偏置和/或 連接權(quán)重以改進(jìn)來(lái)自模塊1206a-1206c中的每一者的推斷的準(zhǔn)確性。
[0152] 圖13A示出包括位于空間中的某些位置處的各種對(duì)象的空間1300。相機(jī)(CAM1和 CAM2)可以檢測(cè)給定3D空間中的對(duì)象1302的存在。即，在一些方面，當(dāng)相機(jī)在給定空間中檢 測(cè)到對(duì)象時(shí)，相機(jī)可以生成事件(例如，尖峰事件）。在圖13B和13C中，分別示出由相機(jī)(例 如，CAM1和CAM2)檢測(cè)到的對(duì)象1302。每一個(gè)相機(jī)可以產(chǎn)生與檢測(cè)到的對(duì)象1302相對(duì)應(yīng)的事 件流。如圖13B和13C中所示，在事件流中表示3D對(duì)象1302的2D(例如，僅X和y坐標(biāo)）表示 (1310和1320)。相應(yīng)地，為了準(zhǔn)確地表示給定空間中的每一個(gè)對(duì)象，確定第三坐標(biāo)(例如，z 坐標(biāo))將是有益的。
[0153] 參照?qǐng)D12，AER傳感器1202a和1202b可以包括相機(jī)，諸如圖13的CAM1和CAM2。由此， 經(jīng)由相機(jī)捕捉到的事件可以被輸入到如以上所討論的用于執(zhí)行基于事件的貝葉斯推斷和 學(xué)習(xí)的模塊中。使用用于貝葉斯推斷和學(xué)習(xí)的模塊(例如，推斷引擎模塊1100)，可以從經(jīng)由 相機(jī)(例如，CAM 1和CAM 2)提供的輸入流確定圖13 A中所示的給定空間中的對(duì)象的位置(例 如，x、y和z坐標(biāo)）。
[0154] 例如，CAM1和CAM2可以各自向特征模塊1204提供64x64個(gè)輸入(例如，圖13B和13C 中所示的1302的表示），該特征模塊1204可以例如包括尖峰神經(jīng)網(wǎng)絡(luò)的隱藏層。這些輸入可 以基于相機(jī)(例如，CAM1和CAM2)例如在被劃分成4x4x4網(wǎng)格的空間中所感測(cè)到的東西。特征 模塊1204可以隨后通過(guò)如上所述的推斷和學(xué)習(xí)來(lái)將這兩個(gè)64x64輸入轉(zhuǎn)換成被推斷引擎模 塊1206a-1206c接收的64個(gè)3D空間輸出。推斷引擎模塊1206a-1206c可以隨后通過(guò)如上所述 的推斷和學(xué)習(xí)來(lái)將這些輸出量化成數(shù)個(gè)坐標(biāo)，例如，每個(gè)維度四個(gè)坐標(biāo)。以此方式，可以僅 使用2D AER相機(jī)(例如，圖13的CAM1和CAM2)來(lái)實(shí)現(xiàn)3D視覺(jué)。盡管描述了64x64個(gè)輸入、64個(gè) 特征以及針對(duì)每個(gè)坐標(biāo)的4個(gè)輸出，但是本公開(kāi)不限于此類(lèi)數(shù)字。在該3D視覺(jué)示例中，在每 個(gè)模塊中不使用偏置權(quán)重塊。
[0155] 在一些方面，可以使用可經(jīng)由監(jiān)督器1208(例如，Sx、SY和Sz)提供的實(shí)際對(duì)象位置 來(lái)訓(xùn)練這些模塊以訓(xùn)練對(duì)象的真實(shí)位置（例如，x、y和z坐標(biāo)）。一旦訓(xùn)練了推斷引擎模塊 1206a-1206c，就可以禁用監(jiān)督器并且可以在沒(méi)有監(jiān)督器輸入1208的情況下操作推斷引擎 模塊 1206a-1206c。
[0156] 在一些方面，用于基于事件的推斷和學(xué)習(xí)的架構(gòu)可以被配置成用于隱馬爾科夫模 型的學(xué)習(xí)。馬爾科夫模型是對(duì)其中狀態(tài)以非確定的方式取決于先前狀態(tài)的過(guò)程進(jìn)行建模的 隨機(jī)模型。在隱馬爾科夫模型(HMM)中，狀態(tài)是僅可部分觀察的。
[0157]圖14A是解說(shuō)隱馬爾科夫模型的示圖1400。參照?qǐng)D14A，隨機(jī)變量Xt e {1，…，K}是 隱藏的，并且隨機(jī)變量Yte{l，···，《是可見(jiàn)的。{Xt}和{Yt}具有如下的依存性：
[0158] Xt-Yt基于發(fā)射概率矩陣P (Yt = η | Xt = k);
[0159] -xt基于轉(zhuǎn)移概率矩陣P(xt = k| =k'）。
[0160] 發(fā)射概率管控在給定隱藏變量(Xt)在特定時(shí)間處的狀態(tài)的情況下所觀察到的變 量(Yt)在該時(shí)間處的分布。另一方面，轉(zhuǎn)移概率控制在給定了時(shí)間t-Ι處的隱藏狀態(tài)的情況 下可以選取在時(shí)間t處的隱藏狀態(tài)的方式。
[0161] 圖14B是解說(shuō)根據(jù)本公開(kāi)的各方面的用于隱馬爾科夫模型的基于事件的推斷和學(xué) 習(xí)的示例性架構(gòu)的高級(jí)框圖。如圖14B中所示，該架構(gòu)可以包括推斷引擎模塊1452,為了易 于理解和解釋?zhuān)撏茢嘁婺K1452將Y示為模塊輸入并且將f示為模塊輸出（f是X的估 計(jì)）1454。在一些方面，從Y到的輸入可以是瞬時(shí)的。f輸出還可以經(jīng)由反饋路徑或者回流 連接1458被輸入該模塊。反饋路徑1458可能經(jīng)受延遲。如圖14B中所示，該延遲可以是一時(shí) 間段。當(dāng)然，這僅是示例性的并且不是限定性的。注意，從Y到f的連接是后向連接，而來(lái)自 麗的反饋連接1458是前向連接。
[0162] 圖15是解說(shuō)根據(jù)本公開(kāi)的各方面的用于隱馬爾科夫模型的基于事件的推斷和學(xué) 習(xí)的示例性架構(gòu)1500的框圖。參照?qǐng)D15,示例性架構(gòu)1500包括與以上參照?qǐng)D10描述的那些 組件相似的組件。
[0163] 輸入事件流1502可被輸入（參見(jiàn)圖15的左上側(cè)）并且用于產(chǎn)生輸入蹤跡{un}(例 如，1506a、1506η、1506N)。偏置權(quán)重和/或連接權(quán)重1508可被應(yīng)用于輸入蹤跡并且被加總以 確定節(jié)點(diǎn)1510的節(jié)點(diǎn)狀態(tài)。進(jìn)而，該節(jié)點(diǎn)狀態(tài)可被用于計(jì)算輸出節(jié)點(diǎn)1512a-1512Κ的激發(fā)率 并且生成輸出事件流1516。類(lèi)似于圖14B，輸出事件流1516可以經(jīng)由反饋路徑1518被供應(yīng)作 為輸入。
[0164] 在一些方面，輸入濾波器η(τ)可被應(yīng)用于輸出事件流1516。輸入蹤跡（例如， 1506a、1506η、1506Ν)可以對(duì)應(yīng)于來(lái)自如圖14Α中所示的Υ的輸入。在一些方面，連接權(quán)重 l?f]可以共同地充當(dāng)發(fā)射概率矩陣。在一些方面，連接權(quán)重hfj可以包括可以通過(guò)下式給 出的對(duì)數(shù)發(fā)射概率：
[0166] 其中C是常數(shù)。
[0167] 可以對(duì)應(yīng)于X(參見(jiàn)圖14A)的輸出可以經(jīng)由反饋路徑1518來(lái)供應(yīng)并且用于產(chǎn)生輸 入蹤跡{uk}(例如，1506z、1506k、和1506K)。在一些方面，輸入濾波器η(τ)(例如，1504z、 1504k和1504Κ)可被應(yīng)用于輸出事件流1516。輸入濾波器η(τ)(例如，1504z、1504k和1504Κ) 可被配置為e (τ)的時(shí)延版本，以使得η( τ-l) = e (τ)。相應(yīng)地，輸入蹤跡{uk}(例如，1506z、 1506k和1506K)可以與輸入蹤跡{u n}(例如，1506a、1506η和1506N)相比被延遲一個(gè)時(shí)間步 長(zhǎng)。
[0168] 在一些方面，連接權(quán)重{W& } (1508的最下面三行)可以共同地充當(dāng)轉(zhuǎn)移概率矩陣。 在一些方面，連接權(quán)重{wkk3可以包括可以通過(guò)下式給出的對(duì)數(shù)轉(zhuǎn)移概率：
[0169] wkk = l〇g p(xt = k | Xt-i = k'）+C (25)
[0170] 其中C是常數(shù)。
[0171] 以此方式，用于基于事件的推斷和學(xué)習(xí)的架構(gòu)可被配置成確定隱藏變量的狀態(tài)并 且由此可被操作以求解隱馬爾科夫模型。
[0172] 圖16解說(shuō)根據(jù)本公開(kāi)的各方面的用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的方法 1600。在框1602,該過(guò)程在一節(jié)點(diǎn)處接收輸入事件。該節(jié)點(diǎn)可以是軟件對(duì)象、神經(jīng)元、硬件模 塊、在處理器上操作的軟件、尖峰神經(jīng)網(wǎng)絡(luò)、或類(lèi)似物。
[0173] 在一些方面，輸入事件可以對(duì)應(yīng)于來(lái)自輸入分布的樣本。此外，在一些方面，輸入 事件可被濾波以將這些輸入事件轉(zhuǎn)換成脈沖。例如，可以使用矩形脈沖濾波器來(lái)對(duì)輸入事 件進(jìn)行濾波。
[0174] 在框1604,該過(guò)程將偏置權(quán)重和連接權(quán)重應(yīng)用于輸入事件以獲得中間值。在框 1606,該過(guò)程基于中間值來(lái)確定節(jié)點(diǎn)狀態(tài)。在一些方面，節(jié)點(diǎn)狀態(tài)可以通過(guò)對(duì)中間值進(jìn)行加 總來(lái)確定。
[0175] 在框1608,該過(guò)程基于節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn) 過(guò)程來(lái)生成輸出事件。
[0176] 此外，在框1610,該過(guò)程應(yīng)用STDP規(guī)則以更新表示對(duì)數(shù)似然性的偏置和/或連接權(quán) 重。在一些方面，偏置權(quán)重可以對(duì)應(yīng)于先驗(yàn)概率，并且連接權(quán)重可以表示對(duì)數(shù)似然性。
[0177] 在一些方面，該過(guò)程可以進(jìn)一步求解隱馬爾科夫模型。例如，該過(guò)程可以進(jìn)一步包 括供應(yīng)輸出事件作為反饋以提供附加的輸入事件。該過(guò)程還可以包括將第二組連接權(quán)重應(yīng) 用于附加的輸入事件以獲得第二組中間值。該過(guò)程可以進(jìn)一步包括基于節(jié)點(diǎn)狀態(tài)和第二組 中間值來(lái)計(jì)算隱藏節(jié)點(diǎn)狀態(tài)。在一些方面，可以對(duì)附加的輸入事件進(jìn)行濾波，以使得附加的 輸入事件是經(jīng)時(shí)延的。
[0178] 以上所描述的方法的各種操作可由能夠執(zhí)行相應(yīng)功能的任何合適的裝置來(lái)執(zhí)行。 這些裝置可包括各種硬件和/或軟件組件和/或模塊，包括但不限于電路、專(zhuān)用集成電路 (ASIC)、或處理器。一般而言，在附圖中有解說(shuō)的操作的場(chǎng)合，那些操作可具有帶相似編號(hào) 的相應(yīng)配對(duì)裝置加功能組件。
[0179] 如本文所使用的，術(shù)語(yǔ)"確定"涵蓋各種各樣的動(dòng)作。例如，"確定"可包括演算、計(jì) 算、處理、推導(dǎo)、研究、查找(例如，在表、數(shù)據(jù)庫(kù)或其他數(shù)據(jù)結(jié)構(gòu)中查找）、探知及諸如此類(lèi)。 另外，"確定"可包括接收(例如接收信息）、訪問(wèn)（例如訪問(wèn)存儲(chǔ)器中的數(shù)據(jù)）、及類(lèi)似動(dòng)作。 而且，"確定"可包括解析、選擇、選取、確立及類(lèi)似動(dòng)作。
[0180] 如本文中所使用的，引述一列項(xiàng)目中的"至少一個(gè)"的短語(yǔ)是指這些項(xiàng)目的任何組 合，包括單個(gè)成員。作為示例，"a、b或c中的至少一個(gè)"旨在涵蓋:a、b、c、a-b、a_c、b_c、和a-b-c〇
[0181] 結(jié)合本公開(kāi)所描述的各種解說(shuō)性邏輯框、模塊、以及電路可用設(shè)計(jì)成執(zhí)行本文所 描述功能的通用處理器、數(shù)字信號(hào)處理器(DSP)、專(zhuān)用集成電路(ASIC)、現(xiàn)場(chǎng)可編程門(mén)陣列 信號(hào)(FPGA)或其他可編程邏輯器件(PLD)、分立的門(mén)或晶體管邏輯、分立的硬件組件或其任 何組合來(lái)實(shí)現(xiàn)或執(zhí)行。通用處理器可以是微處理器，但在替換方案中，該處理器可以是任何 市售的處理器、控制器、微控制器、或狀態(tài)機(jī)。處理器還可以被實(shí)現(xiàn)為計(jì)算設(shè)備的組合，例如 DSP與微處理器的組合、多個(gè)微處理器、與DSP核心協(xié)同的一個(gè)或多個(gè)微處理器、或任何其它 此類(lèi)配置。
[0182] 結(jié)合本公開(kāi)所描述的方法或算法的步驟可直接在硬件中、在由處理器執(zhí)行的軟件 模塊中、或在這兩者的組合中體現(xiàn)。軟件模塊可駐留在本領(lǐng)域所知的任何形式的存儲(chǔ)介質(zhì) 中?？墒褂玫拇鎯?chǔ)介質(zhì)的一些示例包括隨機(jī)存取存儲(chǔ)器(RAM)、只讀存儲(chǔ)器(R0M)、閃存、可 擦除可編程只讀存儲(chǔ)器(EPROM)、電可擦除可編程只讀存儲(chǔ)器(EEPR0M)、寄存器、硬盤(pán)、可移 動(dòng)盤(pán)、CD-ROM，等等。軟件模塊可包括單條指令、或許多條指令，且可分布在若干不同的代碼 段上，分布在不同的程序間以及跨多個(gè)存儲(chǔ)介質(zhì)分布。存儲(chǔ)介質(zhì)可被耦合到處理器以使得 該處理器能從/向該存儲(chǔ)介質(zhì)讀寫(xiě)信息。替換地，存儲(chǔ)介質(zhì)可以被整合到處理器。
[0183] 本文所公開(kāi)的方法包括用于實(shí)現(xiàn)所描述的方法的一個(gè)或多個(gè)步驟或動(dòng)作。這些方 法步驟和/或動(dòng)作可以彼此互換而不會(huì)脫離權(quán)利要求的范圍。換言之，除非指定了步驟或動(dòng) 作的特定次序，否則具體步驟和/或動(dòng)作的次序和/或使用可以改動(dòng)而不會(huì)脫離權(quán)利要求的 范圍。
[0184] 本文中所描述的功能可以在硬件、軟件、固件、或其任何組合中實(shí)現(xiàn)。如果以硬件 實(shí)現(xiàn)，則示例硬件配置可包括設(shè)備中的處理系統(tǒng)。處理系統(tǒng)可以用總線架構(gòu)來(lái)實(shí)現(xiàn)。取決于 處理系統(tǒng)的具體應(yīng)用和整體設(shè)計(jì)約束，總線可包括任何數(shù)目的互連總線和橋接器?？偩€可 將包括處理器、機(jī)器可讀介質(zhì)、以及總線接口的各種電路鏈接在一起?？偩€接口可用于尤其 將網(wǎng)絡(luò)適配器等經(jīng)由總線連接至處理系統(tǒng)。網(wǎng)絡(luò)適配器可用于實(shí)現(xiàn)信號(hào)處理功能。對(duì)于某 些方面，用戶接口（例如，按鍵板、顯示器、鼠標(biāo)、操縱桿等）也可被連接至總線。總線還可鏈 接各種其他電路(諸如定時(shí)源、外圍設(shè)備、穩(wěn)壓器、電源管理電路等），這些電路在本領(lǐng)域中 是眾所周知的，因此將不再贅述。
[0185] 處理器可負(fù)責(zé)管理總線和一般處理，包括執(zhí)行存儲(chǔ)在機(jī)器可讀介質(zhì)上的軟件。處 理器可用一個(gè)或多個(gè)通用和/或?qū)Ｓ锰幚砥鱽?lái)實(shí)現(xiàn)。示例包括微處理器、微控制器、DSP處理 器、以及其他能執(zhí)行軟件的電路系統(tǒng)。軟件應(yīng)當(dāng)被寬泛地解釋成意指指令、數(shù)據(jù)、或其任何 組合，無(wú)論是被稱(chēng)作軟件、固件、中間件、微代碼、硬件描述語(yǔ)言、或其他。作為示例，機(jī)器可 讀介質(zhì)可包括隨機(jī)存取存儲(chǔ)器(RAM)、閃存、只讀存儲(chǔ)器(R0M)、可編程只讀存儲(chǔ)器(PR0M)、 可擦式可編程只讀存儲(chǔ)器(EPROM)、電可擦式可編程只讀存儲(chǔ)器(EEPR0M)、寄存器、磁盤(pán)、光 盤(pán)、硬驅(qū)動(dòng)器、或者任何其他合適的存儲(chǔ)介質(zhì)、或其任何組合。機(jī)器可讀介質(zhì)可被實(shí)施在計(jì) 算機(jī)程序產(chǎn)品中。該計(jì)算機(jī)程序產(chǎn)品可以包括包裝材料。
[0186] 在硬件實(shí)現(xiàn)中，機(jī)器可讀介質(zhì)可以是處理系統(tǒng)中與處理器分開(kāi)的一部分。然而，如 本領(lǐng)域技術(shù)人員將容易領(lǐng)會(huì)的，機(jī)器可讀介質(zhì)、或其任何部分可在處理系統(tǒng)外部。作為示 例，機(jī)器可讀介質(zhì)可包括傳輸線、由數(shù)據(jù)調(diào)制的載波、和/或與設(shè)備分開(kāi)的計(jì)算機(jī)產(chǎn)品，所有 這些都可由處理器通過(guò)總線接口來(lái)訪問(wèn)。替換地或補(bǔ)充地，機(jī)器可讀介質(zhì)、或其任何部分可 被集成到處理器中，諸如高速緩存和/或通用寄存器文件可能就是這種情形。雖然所討論的 各種組件可被描述為具有特定位置，諸如局部組件，但它們也可按各種方式來(lái)配置，諸如某 些組件被配置成分布式計(jì)算系統(tǒng)的一部分。
[0187] 處理系統(tǒng)可以被配置為通用處理系統(tǒng)，該通用處理系統(tǒng)具有一個(gè)或多個(gè)提供處理 器功能性的微處理器、和提供機(jī)器可讀介質(zhì)中的至少一部分的外部存儲(chǔ)器，它們都通過(guò)外 部總線架構(gòu)與其他支持電路系統(tǒng)鏈接在一起。替換地，該處理系統(tǒng)可以包括一個(gè)或多個(gè)神 經(jīng)元形態(tài)處理器以用于實(shí)現(xiàn)本文所述的神經(jīng)元模型和神經(jīng)系統(tǒng)模型。作為另一替代方案， 處理系統(tǒng)可以用帶有集成在單塊芯片中的處理器、總線接口、用戶接口、支持電路系統(tǒng)、和 至少一部分機(jī)器可讀介質(zhì)的專(zhuān)用集成電路(ASIC)來(lái)實(shí)現(xiàn)，或者用一個(gè)或多個(gè)現(xiàn)場(chǎng)可編程門(mén) 陣列(FPGA)、可編程邏輯器件(PLD)、控制器、狀態(tài)機(jī)、門(mén)控邏輯、分立硬件組件、或者任何其 他合適的電路系統(tǒng)、或者能執(zhí)行本公開(kāi)通篇所描述的各種功能性的電路的任何組合來(lái)實(shí) 現(xiàn)。取決于具體應(yīng)用和加諸于整體系統(tǒng)上的總設(shè)計(jì)約束，本領(lǐng)域技術(shù)人員將認(rèn)識(shí)到如何最 佳地實(shí)現(xiàn)關(guān)于處理系統(tǒng)所描述的功能性。
[0188]機(jī)器可讀介質(zhì)可包括數(shù)個(gè)軟件模塊。這些軟件模塊包括當(dāng)由處理器執(zhí)行時(shí)使處理 系統(tǒng)執(zhí)行各種功能的指令。這些軟件模塊可包括傳輸模塊和接收模塊。每個(gè)軟件模塊可以 駐留在單個(gè)存儲(chǔ)設(shè)備中或者跨多個(gè)存儲(chǔ)設(shè)備分布。作為示例，當(dāng)觸發(fā)事件發(fā)生時(shí)，可以從硬 驅(qū)動(dòng)器中將軟件模塊加載到RAM中。在軟件模塊執(zhí)行期間，處理器可以將一些指令加載到高 速緩存中以提高訪問(wèn)速度。隨后可將一個(gè)或多個(gè)高速緩存行加載到通用寄存器文件中以供 由處理器執(zhí)行。在以下談及軟件模塊的功能性時(shí)，將理解此類(lèi)功能性是在處理器執(zhí)行來(lái)自 該軟件模塊的指令時(shí)由該處理器來(lái)實(shí)現(xiàn)的。
[0189]如果以軟件實(shí)現(xiàn)，則各功能可作為一條或多條指令或代碼存儲(chǔ)在計(jì)算機(jī)可讀介質(zhì) 上或藉其進(jìn)行傳送。計(jì)算機(jī)可讀介質(zhì)包括計(jì)算機(jī)存儲(chǔ)介質(zhì)和通信介質(zhì)兩者，這些介質(zhì)包括 促成計(jì)算機(jī)程序從一地向另一地轉(zhuǎn)移的任何介質(zhì)。存儲(chǔ)介質(zhì)可以是能被計(jì)算機(jī)訪問(wèn)的任何 可用介質(zhì)。作為示例而非限定，這樣的計(jì)算機(jī)可讀介質(zhì)可包括RAM、ROM、EEPROM、CD-ROM或其 它光盤(pán)存儲(chǔ)、磁盤(pán)存儲(chǔ)或其它磁存儲(chǔ)設(shè)備、或能被用來(lái)攜帶或存儲(chǔ)指令或數(shù)據(jù)結(jié)構(gòu)形式的 期望程序代碼且能被計(jì)算機(jī)訪問(wèn)的任何其它介質(zhì)。任何連接也被正當(dāng)?shù)胤Q(chēng)為計(jì)算機(jī)可讀介 質(zhì)。例如，如果軟件是使用同軸電纜、光纖電纜、雙絞線、數(shù)字訂戶線(DSL)、或無(wú)線技術(shù)(諸 如紅外（IR)、無(wú)線電、以及微波）從web網(wǎng)站、服務(wù)器、或其他遠(yuǎn)程源傳送而來(lái)，則該同軸電 纜、光纖電纜、雙絞線、DSL或無(wú)線技術(shù)(諸如紅外、無(wú)線電、以及微波)就被包括在介質(zhì)的定 義之中。如本文中所使用的盤(pán)(disk)和碟(disc)包括壓縮碟(CD)、激光碟、光碟、數(shù)字多用 碟(DVD)、軟盤(pán)、和藍(lán)光⑧碟，其中盤(pán)(disk)常常磁性地再現(xiàn)數(shù)據(jù)，而碟(disc)用激光來(lái)光學(xué) 地再現(xiàn)數(shù)據(jù)。因此，在一些方面，計(jì)算機(jī)可讀介質(zhì)可包括非瞬態(tài)計(jì)算機(jī)可讀介質(zhì)(例如，有形 介質(zhì)）。另外，對(duì)于其他方面，計(jì)算機(jī)可讀介質(zhì)可包括瞬態(tài)計(jì)算機(jī)可讀介質(zhì)（例如，信號(hào)）。上 述的組合應(yīng)當(dāng)也被包括在計(jì)算機(jī)可讀介質(zhì)的范圍內(nèi)。
[0190]因此，某些方面可包括用于執(zhí)行本文中給出的操作的計(jì)算機(jī)程序產(chǎn)品。例如，此類(lèi) 計(jì)算機(jī)程序產(chǎn)品可包括其上存儲(chǔ)(和/或編碼)有指令的計(jì)算機(jī)可讀介質(zhì)，這些指令能由一 個(gè)或多個(gè)處理器執(zhí)行以執(zhí)行本文中所描述的操作。對(duì)于某些方面，計(jì)算機(jī)程序產(chǎn)品可包括 包裝材料。
[0191]此外，應(yīng)當(dāng)領(lǐng)會(huì)，用于執(zhí)行本文中所描述的方法和技術(shù)的模塊和/或其它恰適裝置 能由用戶終端和/或基站在適用的場(chǎng)合下載和/或以其他方式獲得。例如，此類(lèi)設(shè)備能被耦 合至服務(wù)器以促成用于執(zhí)行本文中所描述的方法的裝置的轉(zhuǎn)移。替換地，本文所述的各種 方法能經(jīng)由存儲(chǔ)裝置(例如，RAM、R0M、諸如壓縮碟(CD)或軟盤(pán)等物理存儲(chǔ)介質(zhì)等)來(lái)提供， 以使得一旦將該存儲(chǔ)裝置耦合至或提供給用戶終端和/或基站，該設(shè)備就能獲得各種方法。 此外，可利用適于向設(shè)備提供本文中所描述的方法和技術(shù)的任何其他合適的技術(shù)。
[0192]將理解，權(quán)利要求并不被限定于以上所解說(shuō)的精確配置和組件。可在以上所描述 的方法和設(shè)備的布局、操作和細(xì)節(jié)上作出各種改動(dòng)、更換和變形而不會(huì)脫離權(quán)利要求的范 圍。
【主權(quán)項(xiàng)】
1. 一種執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的方法，包括： 在多個(gè)節(jié)點(diǎn)中的每個(gè)節(jié)點(diǎn)處接收輸入事件； 將偏置權(quán)重和/或連接權(quán)重應(yīng)用于所述輸入事件以獲得中間值； 至少部分地基于所述中間值來(lái)確定節(jié)點(diǎn)狀態(tài)；以及 至少部分地基于所述節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò)程 來(lái)生成輸出事件。2. 如權(quán)利要求1所述的方法，其特征在于，進(jìn)一步包括對(duì)所述輸入事件進(jìn)行濾波以將所 述輸入事件轉(zhuǎn)換成脈沖。3. 如權(quán)利要求1所述的方法，其特征在于，所述輸入事件對(duì)應(yīng)于來(lái)自輸入分布的樣本。4. 如權(quán)利要求1所述的方法，其特征在于，所述偏置權(quán)重對(duì)應(yīng)于先驗(yàn)概率，并且所述連 接權(quán)重表示對(duì)數(shù)似然性。5. 如權(quán)利要求1所述的方法，其特征在于，所述節(jié)點(diǎn)狀態(tài)是歸一化的。6. 如權(quán)利要求1所述的方法，其特征在于，所述節(jié)點(diǎn)包括神經(jīng)元。7. 如權(quán)利要求1所述的方法，其特征在于，所述輸入事件包括尖峰序列，并且所述輸出 事件率包括激發(fā)率。8. 如權(quán)利要求1所述的方法，其特征在于，所述點(diǎn)過(guò)程包括對(duì)應(yīng)于所述輸出事件率的強(qiáng) 度函數(shù)。9. 如權(quán)利要求1所述的方法，其特征在于，所述計(jì)算是在時(shí)間基礎(chǔ)上執(zhí)行的。10. 如權(quán)利要求1所述的方法，其特征在于，所述計(jì)算是在事件基礎(chǔ)上執(zhí)行的。11. 如權(quán)利要求1所述的方法，其特征在于，所述確定包括對(duì)所述中間值進(jìn)行加總以形 成所述節(jié)點(diǎn)狀態(tài)。12. 如權(quán)利要求1所述的方法，其特征在于，所述輸入事件包括所定義的空間中的三維 (3D)對(duì)象的二維(2D)表示，并且所述輸出事件包括所述所定義的空間中的所述3D對(duì)象的第 三坐標(biāo)。13. 如權(quán)利要求12所述的方法，其特征在于，所述輸入事件是從至少一個(gè)傳感器供應(yīng) 的。14. 如權(quán)利要求13所述的方法，其特征在于，所述至少一個(gè)傳感器是地址事件表示相 機(jī)。15. 如權(quán)利要求1所述的方法，其特征在于，進(jìn)一步包括： 供應(yīng)所述輸出事件作為反饋以提供附加的輸入事件； 將第二組連接權(quán)重應(yīng)用于所述附加的輸入事件以獲得第二組中間值；以及 至少部分地基于所述節(jié)點(diǎn)狀態(tài)和所述第二組中間值來(lái)計(jì)算至少一個(gè)隱藏節(jié)點(diǎn)狀態(tài)。16. 如權(quán)利要求15所述的方法，其特征在于，進(jìn)一步包括對(duì)所述附加的輸入事件進(jìn)行濾 波，以使得所述附加的輸入事件是經(jīng)時(shí)延的。17. 如權(quán)利要求15所述的方法，其特征在于，所述連接權(quán)重包括發(fā)射概率矩陣，并且所 述第二組連接權(quán)重包括轉(zhuǎn)移概率矩陣。18. -種用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的裝置，包括： 存儲(chǔ)器；以及 耦合到所述存儲(chǔ)器的至少一個(gè)處理器，所述至少一個(gè)處理器配置成： 在多個(gè)節(jié)點(diǎn)中的每個(gè)節(jié)點(diǎn)處接收輸入事件； 將偏置權(quán)重和/或連接權(quán)重應(yīng)用于所述輸入事件以獲得中間值； 至少部分地基于所述中間值來(lái)確定節(jié)點(diǎn)狀態(tài)；以及 至少部分地基于所述節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn)過(guò)程 來(lái)生成輸出事件。19. 如權(quán)利要求18所述的裝置，其特征在于，所述至少一個(gè)處理器被進(jìn)一步配置成對(duì)所 述輸入事件進(jìn)行濾波以將所述輸入事件轉(zhuǎn)換成脈沖。20. 如權(quán)利要求18所述的裝置，其特征在于，所述輸入事件包括尖峰序列，并且所述輸 出事件率包括激發(fā)率。21. 如權(quán)利要求18所述的裝置，其特征在于，所述至少一個(gè)處理器被進(jìn)一步配置成在時(shí) 間基礎(chǔ)上計(jì)算所述輸出事件率。22. 如權(quán)利要求18所述的裝置，其特征在于，所述至少一個(gè)處理器被進(jìn)一步配置成在事 件基礎(chǔ)上計(jì)算所述輸出事件率。23. 如權(quán)利要求18所述的裝置，其特征在于，所述至少一個(gè)處理器被進(jìn)一步配置成通過(guò) 對(duì)所述中間值進(jìn)行加總以形成所述節(jié)點(diǎn)狀態(tài)的方式來(lái)確定所述節(jié)點(diǎn)狀態(tài)。24. 如權(quán)利要求18所述的裝置，其特征在于，所述輸入事件包括所定義的空間中的三維 (3D)對(duì)象的二維(2D)表示，并且所述輸出事件包括所述所定義的空間中的所述3D對(duì)象的第 三坐標(biāo)。25. 如權(quán)利要求24所述的裝置，其特征在于，進(jìn)一步包括用于供應(yīng)所述輸入事件的至少 一個(gè)傳感器。26. 如權(quán)利要求18所述的裝置，其特征在于，所述至少一個(gè)處理器被進(jìn)一步配置成： 供應(yīng)所述輸出事件作為反饋以提供附加的輸入事件； 將第二組連接權(quán)重應(yīng)用于所述附加的輸入事件以獲得第二組中間值；以及 至少部分地基于所述節(jié)點(diǎn)狀態(tài)和所述第二組中間值來(lái)計(jì)算至少一個(gè)隱藏節(jié)點(diǎn)狀態(tài)。27. 如權(quán)利要求26所述的裝置，其特征在于，所述至少一個(gè)處理器被進(jìn)一步配置成對(duì)所 述附加的輸入事件進(jìn)行濾波，以使得所述附加的輸入事件是經(jīng)時(shí)延的。28. 如權(quán)利要求27所述的裝置，其特征在于，所述連接權(quán)重包括發(fā)射概率矩陣，并且所 述第二組連接權(quán)重包括轉(zhuǎn)移概率矩陣。29. -種用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的設(shè)備，包括： 用于在多個(gè)節(jié)點(diǎn)中的每個(gè)節(jié)點(diǎn)處接收輸入事件的裝置； 用于將偏置權(quán)重和/或連接權(quán)重應(yīng)用于所述輸入事件以獲得中間值的裝置； 用于至少部分地基于所述中間值來(lái)確定節(jié)點(diǎn)狀態(tài)的裝置；以及 用于至少部分地基于所述節(jié)點(diǎn)狀態(tài)來(lái)計(jì)算表示后驗(yàn)概率的輸出事件率以根據(jù)隨機(jī)點(diǎn) 過(guò)程來(lái)生成輸出事件的裝置。30. -種用于執(zhí)行基于事件的貝葉斯推斷和學(xué)習(xí)的計(jì)算機(jī)程序產(chǎn)品，包括： 其上編碼有程序代碼的非瞬態(tài)計(jì)算機(jī)可讀介質(zhì)，所述程序代碼包括： 用于在多個(gè)節(jié)點(diǎn)中的每個(gè)節(jié)點(diǎn)處接收輸入事件的程序代碼； 用于將偏置權(quán)重和/或連接權(quán)重應(yīng)用于所述輸入事件以獲得中間值的程序代碼； 用于至少部分地基于所述中間值來(lái)確定節(jié)點(diǎn)狀態(tài)的程序代碼；以及
【文檔編號(hào)】G06N7/00GK106030620SQ201580009313
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2015年2月19日
【發(fā)明人】X·王, B·F·貝哈巴迪, A·霍斯勞沙希
【申請(qǐng)人】高通股份有限公司