18/12/29 00:30:48.73 H3CnzmfF.net BE:138871639-2BP(0)
URLリンク(img.5ch.net)
ラ ×
>移動先:
? 材料および方法
資料と方法
ここではHTM感覚運動推論ネットワークの活性化と学習の規則を正式に記述
? 我々は、ネットワーク内のHTM ry 。
、そのネットワーク内で HTM ニューロンモデル(H ry and Ahmad、2016)の修正版を使用する。
このアルゴリズムには、初期化、セル状態の計算、および学習の3つの基本的な 。
これらのステップは、実装およびシミュ の詳細とともに説明
記法
? Ninを入力層のミニカラムの数、Mを入力層のミニカラムあたりのセルの数、Noutを出力層のセルの数、Ncを皮質の列の数とする。
N~in を入力レイヤ内のミニカラムの数、 M を入力レイヤ内のミニカラム当りのセルの数、 N~out を出力レイヤ内のセルの数、 N~c を皮質カラムの数とする。
? ry は、それぞれの皮質欄のMNinおよびNoutである。
入力層および出力層内のセルの数は、各皮質カラムの、其々 MN~in 及び N~out である。
? ry 、感覚入力と位置信号に対応する文脈入力の両方を受信する。
各入力セルは、感覚入力とロケーション信号に対応する文脈の入力との両入力を受信する。
位置信号は、N~ext 次元のスパースベクトル L である。
各セルは、アクティブ、予測、または非アクティブの3つの状態のいずれかになります。
? ry Aouttoを皮質欄の出力セルの活性化状態を示すために使用する。
入力セルの活性化状態および予測状態を表すために M ラ N~in 2進行列 A~in および Π~in を使用し、N~out 次元バイナリベクトル A~out を皮質カラム内の出力セルの活性化状態を示す為に使用する。
すべての皮質柱の連結された出力は、 N~out N~column 次元バイナリベクトル A~out として表現されます。
いずれの時点でも、アクティブな細胞の数は少ないので、これらは一般に非常に疎です。