通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法和神經(jīng)電路的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及神經(jīng)電路技術(shù)領(lǐng)域,特別涉及一種通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法 和神經(jīng)電路。
【背景技術(shù)】
[0002] 人腦能夠判斷出刺激的來源,例如判斷出視覺刺激和聽覺刺激,該判斷過程即是 人腦實(shí)現(xiàn)因果推理的過程。
[0003] 目前,隨著人工智能技術(shù)的發(fā)展,已能夠通過人工模型實(shí)現(xiàn)人腦的部分功能。然而 對(duì)于實(shí)現(xiàn)因果推理的神經(jīng)電路的研究尚不成熟。相關(guān)技術(shù)中搭建的因果推理模型,運(yùn)算過 程及結(jié)構(gòu)都相當(dāng)復(fù)雜,難以通過神經(jīng)電路來實(shí)現(xiàn),而且目前的模型僅能實(shí)現(xiàn)兩個(gè)刺激來源 的因果推理,因此實(shí)際應(yīng)用價(jià)值很低??梢姡壳昂茈y通過神經(jīng)電路實(shí)現(xiàn)因果推理。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。為此,本發(fā)明的 目的在于提出一種通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法,能夠方便地通過神經(jīng)電路實(shí)現(xiàn)對(duì)多 個(gè)因素進(jìn)行異同判斷的因果推理。
[0005] 本發(fā)明的第二個(gè)目的在于提出一種實(shí)現(xiàn)因果推理的神經(jīng)電路。
[0006] 根據(jù)本發(fā)明第一方面實(shí)施例的通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法,包括以下步 驟:對(duì)多個(gè)刺激的概率分布進(jìn)行編碼,以發(fā)放N個(gè)輸入神經(jīng)元,并獲取每個(gè)輸入神經(jīng)元的平 均發(fā)放率,其中,所述N個(gè)輸入神經(jīng)元的發(fā)放率符合泊松分布,其中,N為正整數(shù);計(jì)算所述N 個(gè)輸入神經(jīng)元的總的發(fā)放率,并依據(jù)所述總的發(fā)放率對(duì)所述每個(gè)輸入神經(jīng)元的平均發(fā)放率 進(jìn)行歸一化處理,得到所述每個(gè)輸入神經(jīng)元?dú)w一化后的平均發(fā)放率;依據(jù)所述多個(gè)刺激的 來源將N個(gè)輸入神經(jīng)元發(fā)放至第一發(fā)放神經(jīng)元和第二發(fā)放神經(jīng)元并根據(jù)所述每個(gè)輸入神 經(jīng)元?dú)w一化后的平均發(fā)放率獲取所述第一發(fā)放神經(jīng)元和第二發(fā)放神經(jīng)元的輸出發(fā)放率;比 較所述第一發(fā)放神經(jīng)元和第二發(fā)放神經(jīng)元的輸出發(fā)放率,并獲取輸出發(fā)放率最大的發(fā)放神 經(jīng)元。
[0007] 根據(jù)本發(fā)明實(shí)施例的通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法,通過對(duì)多個(gè)刺激發(fā)放N 個(gè)符合泊松分布的輸入神經(jīng)元,并進(jìn)一步得到每個(gè)輸入神經(jīng)元?dú)w一化后的平均發(fā)放率,并 將多個(gè)神經(jīng)元發(fā)放至兩個(gè)發(fā)放神經(jīng)元,然后計(jì)算兩個(gè)發(fā)放神經(jīng)元的輸出發(fā)放率,最后通過 比較得到輸出發(fā)放率最大的發(fā)放神經(jīng)元。由此,通過本發(fā)明實(shí)施例的神經(jīng)電路,能夠推斷出 多個(gè)刺激的來源是否相同,即實(shí)現(xiàn)了對(duì)多個(gè)因素進(jìn)行異同判斷的因果推理,推動(dòng)了人工智 能技術(shù)的發(fā)展,同時(shí)該神經(jīng)電路設(shè)計(jì)較為簡單,實(shí)現(xiàn)容易且成本較低。
[0008] 另外,根據(jù)本發(fā)明上述實(shí)施例的通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法還可以具有如 下附加的技術(shù)特征:
[0009] 根據(jù)本發(fā)明的一個(gè)實(shí)施例,通過以下公式計(jì)算每個(gè)輸入神經(jīng)元的平均發(fā)放率:
[0010] r=kP(xv..,xn \ ).
[0011] 其中,r1為第i個(gè)神經(jīng)元的平均發(fā)放率,k為比例系數(shù),S,..., 為對(duì)η個(gè)刺激發(fā)放的第i個(gè)輸入神經(jīng)元,Χρ…,x#η個(gè)樣本,其中,
[0012] 進(jìn)一步地,所述每個(gè)輸入神經(jīng)元?dú)w一化后的平均發(fā)放率為:
[0013] 根據(jù)本發(fā)明的一個(gè)實(shí)施例,所述方法還包括:設(shè)置所述第一發(fā)放神經(jīng)元和第二發(fā) 放神經(jīng)元的突觸權(quán)重,具體地,當(dāng)所述多個(gè)刺激的來源相同時(shí),將Ν個(gè)輸入神經(jīng)元發(fā)放至第 一發(fā)放神經(jīng)元,并將所述第一發(fā)放神經(jīng)元的突觸權(quán)重設(shè)置為W=/(S丨將所述第二發(fā) 放神經(jīng)元的突觸權(quán)重設(shè)置為% = /(5·丨#義當(dāng)所述多個(gè)刺激的來源不同時(shí),將Ν個(gè)輸入神 經(jīng)元發(fā)放至第二發(fā)放神經(jīng)元,并將所述第一發(fā)放神經(jīng)元的突觸權(quán)重設(shè)置為u·,二/UV丨二 將所述第二發(fā)放神經(jīng)元的突觸權(quán)重設(shè)置為W2 =
[0014] 進(jìn)一步地,所述根據(jù)所述每個(gè)輸入神經(jīng)元?dú)w一化后的平均發(fā)放率和所述突觸權(quán)重 獲取所述第一發(fā)放神經(jīng)元和第二發(fā)放神經(jīng)元的輸出發(fā)放率具體為:通過以下公式計(jì)算所述 第一發(fā)放神經(jīng)元的輸出發(fā)放率:
[0015]
H'nv.'s,)
[0016] 并通過以下公式計(jì)筧所沭第二發(fā)放神經(jīng)元的輸出發(fā)放率:
[0017]
[0018] 根據(jù)本發(fā)明第二方面實(shí)施例的實(shí)現(xiàn)因果推理的神經(jīng)電路,包括:發(fā)放模塊,用于對(duì) 多個(gè)刺激的概率分布進(jìn)行編碼,以發(fā)放Ν個(gè)輸入神經(jīng)元,并獲取每個(gè)輸入神經(jīng)元的平均發(fā) 放率,其中,所述Ν個(gè)輸入神經(jīng)元的發(fā)放率符合泊松分布,其中,Ν為正整數(shù);歸一化模塊,用 于計(jì)算所述Ν個(gè)輸入神經(jīng)元的總的發(fā)放率,并依據(jù)所述總的發(fā)放率對(duì)所述每個(gè)輸入神經(jīng)元 的平均發(fā)放率進(jìn)行歸一化處理,得到所述每個(gè)輸入神經(jīng)元?dú)w一化后的平均發(fā)放率;獲取模 塊,用于依據(jù)所述多個(gè)刺激的來源將Ν個(gè)輸入神經(jīng)元發(fā)放至第一發(fā)放神經(jīng)元和第二發(fā)放神 經(jīng)元,并根據(jù)所述每個(gè)輸入神經(jīng)元?dú)w一化后的平均發(fā)放率獲取所述第一發(fā)放神經(jīng)元和第二 發(fā)放神經(jīng)元的輸出發(fā)放率;比較模塊,用于比較所述第一發(fā)放神經(jīng)元和第二發(fā)放神經(jīng)元的 輸出發(fā)放率,并獲取輸出發(fā)放率最大的發(fā)放神經(jīng)元。
[0019] 根據(jù)本發(fā)明實(shí)施例的實(shí)現(xiàn)因果推理的神經(jīng)電路,通過對(duì)多個(gè)刺激發(fā)放Ν個(gè)符合泊 松分布的輸入神經(jīng)元,并進(jìn)一步得到每個(gè)輸入神經(jīng)元?dú)w一化后的平均發(fā)放率,并將多個(gè)神 經(jīng)元發(fā)放至兩個(gè)發(fā)放神經(jīng)元,然后計(jì)算兩個(gè)發(fā)放神經(jīng)元的輸出發(fā)放率,最后通過比較得到 輸出發(fā)放率最大的發(fā)放神經(jīng)元。由此,通過本發(fā)明實(shí)施例的神經(jīng)電路,能夠推斷出多個(gè)刺激 的來源是否相同,即實(shí)現(xiàn)了對(duì)多個(gè)因素進(jìn)行異同判斷的因果推理,推動(dòng)了人工智能技術(shù)的 發(fā)展,同時(shí)該神經(jīng)電路設(shè)計(jì)較為簡單,實(shí)現(xiàn)容易且成本較低。
[0020] 另外,根據(jù)本發(fā)明上述實(shí)施例的實(shí)現(xiàn)因果推理的神經(jīng)電路還可以具有如下附加的 技術(shù)特征:
[0021] 根據(jù)本發(fā)明的一個(gè)實(shí)施例,通過以下公式計(jì)算每個(gè)輸入神經(jīng)元的平均發(fā)放率:
[0022]
[0023] 其中,r1為第i個(gè)神經(jīng)元的平均發(fā)放率,k為比例系數(shù), 為對(duì)η個(gè)刺激發(fā)放的第i個(gè)輸
入神經(jīng)元,Χι,…,xjη個(gè)樣本,其中,
[0024]進(jìn)一步地,所述每個(gè)輸入神經(jīng)元?dú)w一化后的平均發(fā)放率為:
[0025] 根據(jù)本發(fā)明的一個(gè)實(shí)施例,所述獲取模塊包括設(shè)置單元,所述設(shè)置單元用于設(shè) 置所述第一發(fā)放神經(jīng)元和第二發(fā)放神經(jīng)元的突觸權(quán)重,所述獲取模塊具體用于:當(dāng)所 述多個(gè)刺激的來源相同時(shí),將Ν個(gè)輸入神經(jīng)元發(fā)放至第一發(fā)放神經(jīng)元,并將所述第一發(fā) 放神經(jīng)元的突觸權(quán)重設(shè)置為% 故=,將所述第二發(fā)放神經(jīng)元的突觸權(quán)重設(shè)置為 .?二/1>丨:當(dāng)所述多個(gè)刺激的來源不同時(shí),將N個(gè)輸入神經(jīng)元發(fā)放至第二發(fā)放神經(jīng)元, 并將所述第一發(fā)放神經(jīng)元的突觸權(quán)重設(shè)置為^ 丨=51),將所述第二發(fā)放神經(jīng)元的突觸 權(quán)重設(shè)置為$ =)。
[0026] 進(jìn)一步地,所述獲取模塊具體還用于:通過以下公式計(jì)算所述第一發(fā)放神經(jīng)元的 輸出發(fā)放滋·
[0027]
[0028] 并通過以下公式計(jì)算所述第二發(fā)放神經(jīng)元的輸出發(fā)放率:
[0029]
【附圖說明】
[0030] 圖1為根據(jù)本發(fā)明一個(gè)實(shí)施例的通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法的流程圖;
[0031]圖2為根據(jù)本發(fā)明一個(gè)實(shí)施例的神經(jīng)電路的結(jié)構(gòu)示意圖;
[0032] 圖3為根據(jù)本發(fā)明一個(gè)實(shí)施例的實(shí)現(xiàn)因果推理的神經(jīng)電路的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0033] 下面詳細(xì)描述本發(fā)明的實(shí)施例,所述實(shí)施例的示例在附圖中示出,其中自始至終 相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附 圖描述的實(shí)施例是示例性的,旨在用于解釋本發(fā)明,而不能理解為對(duì)本發(fā)明的限制。
[0034] 圖1為根據(jù)本發(fā)明一個(gè)實(shí)施例的通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法的流程圖。
[0035] 如圖1所示,本發(fā)明實(shí)施例的通過神經(jīng)電路實(shí)現(xiàn)因果推理的方法,包括以下步驟:
[0036]S101,對(duì)多個(gè)刺激的概率分布進(jìn)行編碼,以發(fā)放N個(gè)輸入神經(jīng)元,并獲取每個(gè)輸入 神經(jīng)元的平均發(fā)放率,其中,N個(gè)輸入神經(jīng)元的發(fā)放率符合泊松分布,其中,N為正整數(shù)。
[0037] 在本發(fā)明的一個(gè)實(shí)施例中,可通過對(duì)多個(gè)刺激Si,…,Sn進(jìn)行群編碼,以發(fā)放N個(gè)輸 入神經(jīng)元*…、#-,...,5,f,并使N個(gè)輸入神經(jīng)元的發(fā)放 率符合泊松分布。
[0038] 在本發(fā)明的一個(gè)實(shí)施例中,可對(duì)發(fā)放的N個(gè)輸入神經(jīng)元進(jìn)行采樣,采樣得到的樣 本xn可從均值為Sn、方差為沒〗的高斯分布中產(chǎn)生。因而,在N個(gè)輸入神經(jīng)元的發(fā)放過程中, 參數(shù).....v;i | 5:.....5