Resumen

Como nuevo tipo de modelo de red neuronal artificial, el HTM se ha convertido en el centro de la investigación y la aplicación actuales. La representación distribuida dispersa es la base del modelo HTM, pero los algoritmos de aprendizaje de pool espacial existentes tienen una elevada sobrecarga de tiempo de entrenamiento y pueden hacer que el pool espacial se vuelva inestable. Para superar estas desventajas, proponemos un algoritmo de aprendizaje de pool espacial rápido de HTM basado en la nominación de minicolumnas, en el que las minicolumnas se seleccionan según la capacidad de carga y las sinapsis se ajustan mediante codificación comprimida. Hemos implementado el prototipo del algoritmo y hemos realizado experimentos con tres conjuntos de datos. Se comprueba que la sobrecarga de tiempo de entrenamiento del algoritmo propuesto casi no se ve afectada por la longitud de la codificación, y el pool espacial se estabiliza tras menos iteraciones de entrenamiento. Además, el entrenamiento de la nueva entrada no afecta a los resultados ya entrenados.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:algoritmo de aprendizaje de pool, tiempo de entrenamiento elevado, modelo de red neuronal, iteración de entrenamiento, algoritmo de htm, aprendizaje de pool espacial, longitud de codificación, modelo de htm, menos iteración, pool espacial
• Keywords:pool learning algorithm, high training time, neural network model, iteration of training, algorithm of htm, spatial pool learning, encoding length, htm model, fewer iteration, spatial pool