19/01/23 14:40:42.66 mAoFHgII.net BE:138871639-2BP(0)
URLﾘﾝｸ(img.5ch.net)
1.1 階層的時間メモリ
HTMは、新皮質の原理に基づく機械知能のための一連の概念とアルゴリズムを表しています[Hawkins et al。、2011]。
これは、空間的および時間的パターンを学習し、以前 シーケンスから予測を生成する 設計
? ry 学習を特徴とし、 ry を操作します。
継続的な学習をフィーチャし、ストリーミングデータをオペレートします。
? ry 領域からなる。
ＨＴＭ ｰクは、１つまたは複数の階層的に配置されたリージョンからなる。
? ry 列に編成 ry 。
後者はカラムとして編成されたニューロンを含みます。
機能原理は、元のホワイトペｰ [Hawkins et al。、2011]で詳細 2つのアルゴリズムに取り込まれています。
以下の段落は、紹介の概要 、この作業に関連する特性を紹介
空間プーラーは、バイナリ入力ベクトルを列のセットにマップするように設計 。
これまでに見た入力データを認識することで、安定性が増し、システムのノイズに対する影響を受けにく
その振る舞いは、以下の特性によって特徴付け
1。
? 円柱状の活動はまばらです。
カラム状アクティビティは疎です。
? 通常、2,048列のうち40列がアクティブになります。これは約2％の希薄度です。
通常、2,048 カラムの内 40 カラムが ィブになり 。 約2％のスパース性
ィブな列の数は各タイムステップで一定であり、入力スパース性には依存しません。
2。
? ry 、最も入力が多いk列をアクティブ ry 。
空間プーラーは、受取った入力が最多なカラム達 k 本を ィブにします。
? ２列間の結合の場合、アクティブ列は、例えば、その隣接列と比較して特定のセルの構造上の利点を通して、ランダムに選択される。
2 カラム間の結合の場合、例えば、近隣カラムと比較しての特定セルの構造的利点を通して、 ィブカラムはラ