HTM皮质学习算法资料

简介

HTM(Hierarchical Temporal Memory)算法，英文全称HTM Cortical Learning Algorithms是由《人工智能的未来》(On Intelligence)一书作者Jeff Hawkins创建的Numenta公司（先改名为Grok）发表的新一代人工智能算法。Jeff Hawkins 是一位工程师，连续创业者，科学家，发明家，作家。他曾是两个移动计算机公司Palm，Handspring的创始人，是很多计算机产品的设计师，比如Palm Pilot 和 Treo smartphone。虽然是一个计算机科学家，他向来就对神经科学和新大脑皮层理论有很深的兴趣。在2002年，他创建了红杉神经科学研究院，这是一家专注研究大脑信息处理方法的科研机构。2004年，他出版了《人工智能的未来》一书，描述新大脑皮层的信息处理方式。2005年，他与人共同创立Numenta公司，他希望该公司能够成为新兴的机器智能领域的催化剂

 

      HTM算法旨在模拟新大脑皮层的工作原理，将复杂的问题转化为模式匹配与预测。正如它的名字HTM一样，该算法与普通的神经网络算法有诸多的不同之处。HTM强调对“神经元”进行分层级，强调信息模式的空间特性与时间特性。目前Numenta公司已经推出基于HTM算法的python平台和可进行视觉识别的软件工具箱，并在Github上开放了Nupic（Numenta Platform for Intelligent Computing）项目源码。

与传统人工智能的不同

      传统的人工智能算法大多是针对特定的任务目标而设计的。HTM算法与之不同 ，它注重先把问题转化成模式匹配与预测的问题再解决。这使提出人工智能的“统一理论”成为可能。HTM算法是建立在大量解剖学和神经科学的基础上的。HTM算法认为人类之所以具有智能，新大脑皮层是不可缺少的必要条件，并且由其承担高级脑活动。我们的大脑的运行机制是将接受到的各种模式与记忆中模式进行匹配，并对下一刻将会接收到的信息作出预测及反应，如此循环往复。这正是其时效性(Temporal)的体现。

      HTM算法表面上与神经网络算法有相似之处，其实质是完全不同的。这就好比一般电路与门电路的区别。将模拟“神经元”按照新大脑皮层的结构连接之后就会产生与一般神经网路完全不同的效果。一般的神经网络注重前馈，而HTM算法更注重信息的双向交流，这也是由于神经解剖学发现反馈突触数量不亚于前馈的原因。而反馈并不能得到大多数人的重视。
HTM算法也是一种拥有记忆性和可学习性的算法。它相对于其他学习算法更注重对神经网络的训练而不是架构。HTM算法认为只要经过合理的训练，该算法适用于解决大多数人工智能问题。对于不同的任务目标实验者需要将数据先空间化和时间化再对HTM网络进行训练即可。

      HTM通过感知的数据流以人类认知世界的方式来学习世界中的对象。通过模拟人类大脑的模式发现机制，HTM提供一种在杂乱 、大型、现实世界的数据集中进行模式识别和预测的方法。其应用领域很广，比如图像和声音识别，复杂系统的故障预测，网络点击预测，欺诈检测系统预测，文本的语义分析等 。HTM底层的学习算法并不局限于特定的应用领域。 Numenta软件的核心是发掘数据流中时域结构的学习算法。

 

资料链接

CLA白皮书中文版下载点这里

Grok公司网站点这里

Grok公司技术简介点这里

Wikipedia的HTM解释点这里

Github中的Nupic项目点这里（NuPIC, theNumenta Platform for Intelligent Computing, comprises a set of learning algorithms that were first described in awhite paper published by Numenta in 2009. ）

Nupic应用在Vision上点这里

一个基于Nupic的视频监控应用：Vitamin D Video（现被sighthoundlabs公司收购）

 

参考：

百度百科 http://baike.baidu.com/link?url=TBqMk3hoajKReo-NKLqxoOD7XzvJFSYECaqeK2M2rGuqyQdBiZQTyd8GQ3OoX1LLBuJvgJmfwiauLW9s6yP10a

csdn博客 http://blog.csdn.net/onezeros/article/details/6317267