CN113361683A - 一种生物仿脑存储方法及系统 - Google Patents
一种生物仿脑存储方法及系统 Download PDFInfo
- Publication number
- CN113361683A CN113361683A CN202110541146.7A CN202110541146A CN113361683A CN 113361683 A CN113361683 A CN 113361683A CN 202110541146 A CN202110541146 A CN 202110541146A CN 113361683 A CN113361683 A CN 113361683A
- Authority
- CN
- China
- Prior art keywords
- memory
- storage unit
- term
- long
- stored
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000015654 memory Effects 0.000 claims abstract description 257
- 230000005055 memory storage Effects 0.000 claims abstract description 45
- 230000006403 short-term memory Effects 0.000 claims abstract description 45
- 230000007787 long-term memory Effects 0.000 claims abstract description 43
- 230000007774 longterm Effects 0.000 claims abstract description 14
- 210000004556 brain Anatomy 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003592 biomimetic effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007321 biological mechanism Effects 0.000 description 4
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 4
- 229960000106 biosimilars Drugs 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012421 spiking Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 210000000860 cochlear nerve Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 231100000863 loss of memory Toxicity 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/0223—User address space allocation, e.g. contiguous or non contiguous base addressing
- G06F12/023—Free address space management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开提供了一种生物仿脑存储方法及系统,其中,生物仿脑存储方法用于记忆存储器,记忆存储器包括长时程记忆存储单元和短时程记忆存储单元,包括:获取预设时隙内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳;将频数大于预设长时程频数阈值的记忆特征按照时间戳的顺序从长时程记忆存储单元的起始地址开始依次存储;以及,将频数小于或等于长时程频数阈值的记忆特征按照时间戳的顺序从短时程记忆存储单元的起始地址开始依次存储。这样,可以实现在内存空间大小受限的记忆存储器中存储数据,并且在进行数据更新时,减少记忆存储器内部非更新特征数据的移动能耗,降低记忆存储器引起的功耗开销。
Description
技术领域
本公开属于数据存储领域,具体涉及一种生物仿脑存储方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
脉冲神经网络(Spiking Neural Network,SNN)属于第三代神经网络模型,实现了更高级的生物神经模拟水平。随着SNN的发展,其具有广阔的应用领域,如语音识别、图像分割、边缘检测等,脉冲神经网络提取到的特征序列具有尺度不变性、旋转不变性、信号强度不变性和信号扭曲不变性的特点,该不变性特征序列使脉冲神经网络在语音、图像处理领域中发挥重要的作用。在实际应用中,从海量数据里提取出来的特征数据,需要不断存储到内存大小受限的本地存储系统,用于后续数据特征的特征内容快速定位以及使用。
发明人发现,由于本地存储系统的存储空间有限,当有新的数据需要存储时,需要擦除之前存储的部分数据,现有的存储方法通常采用整并与搬移的方式来管理存储单元,数据在更新时,存储器内部非更新特征数据(即维持特征内容)沿着存储器串行移动操作,将产生移动能耗,造成记忆存储器额外的功率消耗。因此,如何在内存空间大小受限的记忆存储器中进行数据的有效存储成为亟待解决的问题。
发明内容
为了解决上述问题,本公开提出了一种生物仿脑存储方法及系统,基于长、短时程记忆的生物学机制,将记忆特征按照预设时间周期内出现的频数划分为长时程记忆特征和短时程记忆特征,并进行分别存储更新,以实现在内存空间大小受限的记忆存储器中存储数据。
本公开主要包括以下几个方面:
第一方面,本公开实施例提供了一种生物仿脑存储方法,用于记忆存储器,所述记忆存储器包括长时程记忆存储单元和短时程记忆存储单元,所述生物仿脑存储方法包括:
获取预设时隙内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳;
将频数大于预设长时程频数阈值的记忆特征按照时间戳的顺序从长时程记忆存储单元的起始地址开始依次存储;以及,将频数小于或等于所述长时程频数阈值的记忆特征按照时间戳的顺序从短时程记忆存储单元的起始地址开始依次存储。
在一种可能的实施方式中,所述生物仿脑存储方法还包括:
基于记忆存储器中各记忆特征的时间戳,为记忆特征分配连续的虚拟地址,确定与虚拟地址相对应的物理地址;
若长时程记忆存储单元和/或短时程记忆存储单元的存储空间已满,则基于待存储的记忆特征中仍未存储记忆特征的数量,从相应长时程记忆存储单元或者短时程记忆存储单元的末位虚拟地址开始,依次擦除所述数量的虚拟地址相对应的物理地址处的记忆特征,并存储未存储记忆特征;
按照记忆存储器中记忆特征的时间戳更新虚拟地址。
在一种可能的实施方式中,所述待存储的记忆特征为预设时隙内出现频数大于预先设置的最小频数阈值的记忆特征。
在一种可能的实施方式中,在所述获取预设时隙内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳之后,所述生物仿脑存储方法还包括:生成与待存储的记忆特征相对应的哈希签字;基于哈希签字搜寻记忆存储器的存储单元,确定记忆特征是否已经存储到记忆存储器中。
在一种可能的实施方式中,在所述基于哈希签字搜寻记忆存储器的存储单元,确定记忆特征是否已经存储到记忆存储器中之后,所述生物仿脑存储方法还包括:
若频数大于预设长时程频数阈值的记忆特征已经在短时程记忆存储单元存储,则基于哈希签字搜寻短时程记忆存储单元,删除短时程记忆存储单元的该记忆特征,并将该记忆特征存储到长时程记忆存储单元中。
在一种可能的实施方式中,所述生物仿脑存储方法还包括:
将记忆存储器中各记忆特征的哈希签字广播到总线挂载的匹配异或门比较阵列;
基于匹配异或门比较阵列,进行待查询记忆特征与记忆存储器内部记忆特征的匹配和查询定位。
在一种可能的实施方式中,所述记忆特征包括声纹特征、生物电信息特征、图像特征。
第二方面,本公开实施例提供了一种生物仿脑存储系统,包括记忆存储控制器和记忆存储器,所述记忆存储控制器与所述记忆存储器电性连接,所述记忆存储器包括长时程记忆存储单元和短时程记忆存储单元;所述记忆存储控制器包括:
获取模块,用于获取预设时间间隔内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳;
存储模块,用于将频数大于预设长时程频数阈值的记忆特征按照时间戳的顺序从长时程记忆存储单元的起始地址开始依次存储;以及,将频数小于或等于所述长时程频数阈值的记忆特征按照时间戳的顺序从短时程记忆存储单元的起始地址开始依次存储。
第三方面,本公开实施例提供了一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述第一方面或第一方面中任一种可能的实施方式中所述的生物仿脑存储方法的步骤。
第四方面,本公开实施例提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述第一方面或第一方面中任一种可能的实施方式中所述的生物仿脑存储方法的步骤。
与现有技术相比,本公开的有益效果为:
(1)本公开提出一种生物仿脑存储方法,基于长、短时程记忆的生物学机制,将记忆特征按照预设时间周期内出现的频数划分为长时程记忆特征和短时程记忆特征,并进行分别存储,可以实现在内存空间大小受限的记忆存储器中存储数据。
(2)本公开基于记忆存储器中各记忆特征的时间戳,为记忆特征分配连续的虚拟地址,在长时程记忆存储单元和/或短时程记忆存储单元的存储空间已满时,根据虚拟地址更新记忆存储器中的记忆特征,可以最大程度地减少记忆存储器内部非更新特征数据的移动能耗,从而降低记忆存储器引起的功耗开销。
(3)通过生成与待存储的记忆特征相对应的哈希签字,并将哈希签字与记忆特征进行合并存储,可以实现待查询记忆特征与记忆存储器内部记忆特征的快速匹配和查询定位。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例所提供的一种生物仿脑存储方法的流程图;
图2是本公开实施例所提供的短时程记忆存储单元在存储空间未满状态下的数据更新示意图;
图3是本公开实施例所提供的长时程记忆存储单元在存储空间未满状态下的数据更新示意图;
图4是本公开实施例所提供的短时程记忆存储单元在存储空间已满状态下的数据更新示意图;
图5是本公开实施例所提供的长时程记忆存储单元在存储空间已满状态下的数据更新示意图;
图6是本公开另一实施例所提供的一种生物仿脑存储方法的流程图;
图7是本公开实施例所提供的总线广播模式下的哈希签字快速匹配、特征位置定位示意图;
图8是本公开实施例所提供的一种生物仿脑存储系统的结构示意图;
图9是本公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本实公开中的具体含义,不能理解为对本公开的限制。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
请参阅图1,图1是本公开实施例所提供的一种生物仿脑存储方法的流程图,如图1中所示,所述生物仿脑存储方法包括:
S101:获取预设时隙内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳。
在具体实施中,记忆特征是在某一段时隙内的重复出现的spike脉冲序列,其是基于脉冲神经网络(Spiking Neural Network,SNN)对语音、图像、文字等特征信息进行预先训练以及后续的推理得到的。其中,记忆特征包括声纹特征、生物电信息特征、图像特征,比如语音声纹信息,颅外EEG/颅内spike神经电/ECG心电/肌电/听觉神经信息等生物电信息特征,都适合映射为脉冲序列,而二维图像像素特征可以通过像素输入映射机制转换为一维特征信息后,再映射为脉冲序列。
另外,在对记忆特征进行统计时,可以设置最小统计的时隙阈值,在该时隙阈值内进行记忆特征的统计,超过该时隙阈值,将会复位特征统计频数,即当前的同一个记忆特征不会积累到下一个时隙。在实际应用中,时隙slot需要根据不同应用场景进行预先设置,比如:对于颅内神经spike信息特征,一般在毫秒ms时间分辨率;对于语音信息,也在毫秒ms时间分辨率;对于肌电,在秒s分辨率;对于图像像素,分辨率在于几十毫秒(比如30帧/秒)。电路内部可以集成timer定时器,监测分割脉冲序列信息流slot。
S102:将频数大于预设长时程频数阈值的记忆特征按照时间戳的顺序从长时程记忆存储单元的起始地址开始依次存储;以及,将频数小于或等于所述长时程频数阈值的记忆特征按照时间戳的顺序从短时程记忆存储单元的起始地址开始依次存储。
在具体实施中,如果预设时隙内待存储的记忆特征出现的频数大于预先设置的长时程频数阈值,则将该记忆特征写入长时程记忆存储器中;如果预设时隙内待存储的记忆特征出现的频数小于或等于预先设置的长时程频数阈值,则将该记忆特征写入短时程记忆存储器中。其中,可以按照下述方式进行长时程记忆存储单元和/或短时程记忆存储单元的数据存储:
a、对于短时程记忆存储单元,如图2中所示,当短时程记忆存储单元的存储空间未满时(非满状态条件下),按照记忆特征所对应时间戳的顺序从短时程记忆存储单元的起始地址开始依次存储。
b、对于长时程记忆存储单元,如图3中所示,当长时程存储存储单元的存储空间未满时(非满状态条件下),按照记忆特征所对应时间戳的顺序从长时程记忆存储单元的起始地址开始依次存储,即从存储器低端地址写入,高端地址移出。
这样,基于长、短时程记忆的生物学机制,将记忆特征按照预设时间周期内出现的频数划分为长时程记忆特征和短时程记忆特征,并进行分别存储更新,可以实现在内存空间大小受限的记忆存储器中存储数据。
本公开实施例中,作为一可选实施方式,所述生物仿脑存储方法还包括:
基于记忆存储器中各记忆特征的时间戳,为记忆特征分配连续的虚拟地址,确定与虚拟地址相对应的物理地址;若长时程记忆存储单元和/或短时程记忆存储单元的存储空间已满,则基于待存储的记忆特征中仍未存储记忆特征的数量,从相应长时程记忆存储单元或者短时程记忆存储单元的末位虚拟地址开始,依次擦除所述数量的虚拟地址相对应的物理地址处的记忆特征,并存储未存储记忆特征;按照记忆存储器中记忆特征的时间戳更新虚拟地址。
在具体实施中,为了减少记忆存储器内部非更新特征数据的移动能耗,降低记忆特征存储器引起的功耗开销。本申请基于记忆存储器中各记忆特征的时间戳,为记忆特征分配连续的虚拟地址,在长时程记忆存储单元和/或短时程记忆存储单元的存储空间已满时,根据虚拟地址更新记忆存储器中的记忆特征,在实际应用中,如图4和图5所示,基于待存储的记忆特征中仍未存储记忆特征的数量,从相应长时程记忆存储单元或者短时程记忆存储单元的末位虚拟地址开始,依次擦除所述数量的虚拟地址相对应的物理地址处的记忆特征,并存储未存储记忆特征。
本公开实施例中,作为一可选实施方式,所述待存储的记忆特征为预设时隙内出现频数大于预先设置的最小频数阈值的记忆特征。
在具体实施中,由于记忆存储器的存储空间有限,通常设置最小频数阈值,当记忆特征在预设时隙内出现的频数小于该最小频数阈值时,则对该记忆特征不进行存储。这里,最小频数阈值可以根据记忆存储空间的大小和待存储的记忆特征的数量设定。当然,这样会造成记忆特征丢失,可以通过增大存储器深度来解决。
本公开实施例中,作为一可选实施方式,在所述获取预设时隙内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳之后,所述生物仿脑存储方法还包括:生成与待存储的记忆特征相对应的哈希签字;基于哈希签字搜寻记忆存储器的存储单元,确定记忆特征是否已经存储到记忆存储器中。
在具体实施中,待存储的记忆特征将被分配一个对应的哈希签字,该哈希签字将会与记忆特征绑定在一起,存储到长时程记忆特征存储单元或短时程记忆特征存储单元。在对待存储的记忆特征进行存储之前,可以基于哈希签字搜寻匹配存储器,确定该记忆特征是否已经存储到记忆存储器中。
本公开实施例中,作为一可选实施方式,在所述基于哈希签字搜寻记忆存储器的存储单元,确定记忆特征是否已经存储到记忆存储器中之后,所述生物仿脑存储方法还包括:
若频数大于预设长时程频数阈值的记忆特征已经在短时程记忆存储单元存储,则基于哈希签字搜寻短时程记忆存储单元,删除短时程记忆存储单元的该记忆特征,并将该记忆特征存储到长时程记忆存储单元中。
在具体实施中,短时程记忆特征可以转化为长时程特征:如果在某一个时隙内,短时程记忆特征出现的频数大于预设长时程频数阈值,将会把该短时程记忆特征重新归类为长时程记忆特征,即把该短时程记忆从短时程存储单元删除,并且存储到长时程记忆存储单元。
图6是本公开另一实施例所提供的一种生物仿脑存储方法的流程图,如图6中所示,本公开为待存储的每一个记忆特征都分配一个时间戳,根据记忆特征在预设时隙内出现的频率,将待存储的记忆特征划分为长时程记忆特征和短时程记忆特征。根据时间戳、预设长时程频数阈值,进行长时程记忆存储单元以及短时程记忆存储单元的存储更新;当长时程记忆存储单元和/或短时程记忆存储单元已满时,使用虚拟逻辑地址到物理地址的自适应转换机制,完成虚拟地址到实际物理地址的实时转换,以最大程度的减少记忆存储器内部非更新特征数据的移动能耗,降低记忆存储器的功率消耗。
本公开实施例中,作为一可选实施方式,所述生物仿脑存储方法还包括:
将记忆存储器中各记忆特征的哈希签字广播到总线挂载的匹配异或门比较阵列;基于匹配异或门比较阵列,进行待查询记忆特征与记忆存储器内部记忆特征的匹配和查询定位。
在具体实施中,如图7中所示,将记忆存储器中各记忆特征的哈希签字广播到总线挂载的匹配异或门比较阵列,将待查询记忆特征的哈希签字与存储在记忆存储器中的哈希签字进行并行比较,如果一致,将把对应的存储单元的Mark位置1,否则置0,以实现待查询记忆特征与记忆存储器内部记忆特征的快速匹配和查询定位。
与现有技术相比,本公开的有益效果为:
(1)本公开提出一种生物仿脑存储方法,基于长、短时程记忆的生物学机制,将记忆特征按照预设时间周期内出现的频数划分为长时程记忆特征和短时程记忆特征,并进行分别存储,可以实现在内存空间大小受限的记忆存储器中存储数据。
(2)本公开基于记忆存储器中各记忆特征的时间戳,为记忆特征分配连续的虚拟地址,在长时程记忆存储单元和/或短时程记忆存储单元的存储空间已满时,根据虚拟地址更新记忆存储器中的记忆特征,可以最大程度地减少记忆存储器内部非更新特征数据的移动能耗,从而降低记忆存储器引起的功耗开销。
(3)通过生成与待存储的记忆特征相对应的哈希签字,并将哈希签字与记忆特征进行合并存储,可以实现待查询记忆特征与记忆存储器内部记忆特征的快速匹配和查询定位。
实施例二
请参阅图8,图8是本公开实施例所提供的一种生物仿脑存储系统的结构示意图,如图8中所示,所述生物仿脑存储系统800包括记忆存储控制器810和记忆存储器820,所述存储控制器810与所述记忆存储器820电性连接,所述记忆存储器820包括长时程记忆存储单元821和短时程记忆存储单元822;其中,所述记忆存储控制器810包括:
获取单元811,用于获取预设时间间隔内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳;
存储单元812,用于将频数大于预设长时程频数阈值的记忆特征按照时间戳的顺序从长时程记忆存储单元的起始地址开始依次存储;以及,将频数小于或等于所述长时程频数阈值的记忆特征按照时间戳的顺序从短时程记忆存储单元的起始地址开始依次存储。
在一种可能的实施方式中,所述记忆存储控制器810还包括:
虚拟地址分配单元,用于基于记忆存储器中各记忆特征的时间戳,为记忆特征分配连续的虚拟地址,确定与虚拟地址相对应的物理地址;
存储更新单元,用于若长时程记忆存储单元和/或短时程记忆存储单元的存储空间已满,则基于待存储的记忆特征中仍未存储记忆特征的数量,从相应长时程记忆存储单元或者短时程记忆存储单元的末位虚拟地址开始,依次擦除所述数量的虚拟地址相对应的物理地址处的记忆特征,并存储未存储记忆特征;
虚拟地址更新单元,用于按照记忆存储器中记忆特征的时间戳更新虚拟地址。
在一种可能的实施方式中,所述待存储的记忆特征为预设时隙内出现频数大于预先设置的最小频数阈值的记忆特征。
在一种可能的实施方式中,所述记忆存储控制器810还包括:
哈希签字生成单元,用于生成与待存储的记忆特征相对应的哈希签字;
确定单元,用于基于哈希签字搜寻记忆存储器的存储单元,确定记忆特征是否已经存储到记忆存储器中。
在一种可能的实施方式中,确定单元在用于基于哈希签字搜寻记忆存储器的存储单元,确定记忆特征是否已经存储到记忆存储器中之后,所述确定单元还用于若频数大于预设长时程频数阈值的记忆特征已经在短时程记忆存储单元存储,则基于哈希签字搜寻短时程记忆存储单元,删除短时程记忆存储单元的该记忆特征,并将该记忆特征存储到长时程记忆存储单元中。
在一种可能的实施方式中,所述记忆存储控制器810还包括:
广播单元,用于将记忆存储器中各记忆特征的哈希签字广播到总线挂载的匹配异或门比较阵列;
查询定位单元,用于基于匹配异或门比较阵列,进行待查询记忆特征与记忆存储器内部记忆特征的匹配和查询定位。
在一种可能的实施方式中,所述记忆特征包括声纹特征、生物电信息特征、图像特征。
实施例三
请参阅图9,图9是本发明实施例的一种计算机设备的示意图。如图9中所示,所述计算机设备900包括处理器910、存储器920和总线930。
所述存储器920存储有所述处理器910可执行的机器可读指令,当计算机设备900运行时,所述处理器910与所述存储器920之间通过总线930通信,所述机器可读指令被所述处理器910执行时,可以执行如上述图1-图7所示方法实施例中的生物仿脑存储方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
实施例四
基于同一申请构思,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法实施例中所述的生物仿脑存储方法的步骤。
本发明实施例所提供的生物仿脑存储方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的日志审计方法的步骤,具体可参见上述方法实施例,在此不再赘述。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种生物仿脑存储方法,其特征在于,用于记忆存储器,所述记忆存储器包括长时程记忆存储单元和短时程记忆存储单元,所述生物仿脑存储方法包括:
获取预设时隙内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳;
将频数大于预设长时程频数阈值的记忆特征按照时间戳的顺序从长时程记忆存储单元的起始地址开始依次存储;以及,将频数小于或等于所述长时程频数阈值的记忆特征按照时间戳的顺序从短时程记忆存储单元的起始地址开始依次存储。
2.如权利要求1所述的生物仿脑存储方法,其特征在于,所述生物仿脑存储方法还包括:
基于记忆存储器中各记忆特征的时间戳,为记忆特征分配连续的虚拟地址,确定与虚拟地址相对应的物理地址;
若长时程记忆存储单元和/或短时程记忆存储单元的存储空间已满,则基于待存储的记忆特征中仍未存储记忆特征的数量,从相应长时程记忆存储单元或者短时程记忆存储单元的末位虚拟地址开始,依次擦除所述数量的虚拟地址相对应的物理地址处的记忆特征,并存储未存储记忆特征;
按照记忆存储器中记忆特征的时间戳更新虚拟地址。
3.如权利要求1所述的生物仿脑存储方法,其特征在于,所述待存储的记忆特征为预设时隙内出现频数大于预先设置的最小频数阈值的记忆特征。
4.如权利要求1所述的生物仿脑存储方法,其特征在于,在所述获取预设时隙内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳之后,所述生物仿脑存储方法还包括:生成与待存储的记忆特征相对应的哈希签字;基于哈希签字搜寻记忆存储器的存储单元,确定记忆特征是否已经存储到记忆存储器中。
5.如权利要求4所述的生物仿脑存储方法,其特征在于,在所述基于哈希签字搜寻记忆存储器的存储单元,确定记忆特征是否已经存储到记忆存储器中之后,所述生物仿脑存储方法还包括:
若频数大于预设长时程频数阈值的记忆特征已经在短时程记忆存储单元存储,则基于哈希签字搜寻短时程记忆存储单元,删除短时程记忆存储单元的该记忆特征,并将该记忆特征存储到长时程记忆存储单元中。
6.如权利要求4所述的生物仿脑存储方法,其特征在于,所述生物仿脑存储方法还包括:
将记忆存储器中各记忆特征的哈希签字广播到总线挂载的匹配异或门比较阵列;
基于匹配异或门比较阵列,进行待查询记忆特征与记忆存储器内部记忆特征的匹配和查询定位。
7.如权利要求1-6所述的生物仿脑存储方法,其特征在于,所述记忆特征包括声纹特征、生物电信息特征、图像特征。
8.一种生物仿脑存储系统,其特征在于,包括记忆存储控制器和记忆存储器,所述记忆存储控制器与所述记忆存储器电性连接,所述记忆存储器包括长时程记忆存储单元和短时程记忆存储单元;所述记忆存储控制器包括:
获取单元,用于获取预设时间间隔内待存储的记忆特征出现的频数,以及各记忆特征对应的时间戳;
存储单元,用于将频数大于预设长时程频数阈值的记忆特征按照时间戳的顺序从长时程记忆存储单元的起始地址开始依次存储;以及,将频数小于或等于所述长时程频数阈值的记忆特征按照时间戳的顺序从短时程记忆存储单元的起始地址开始依次存储。
9.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的生物仿脑存储方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任意一项所述的生物仿脑存储方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541146.7A CN113361683B (zh) | 2021-05-18 | 2021-05-18 | 一种生物仿脑存储方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541146.7A CN113361683B (zh) | 2021-05-18 | 2021-05-18 | 一种生物仿脑存储方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361683A true CN113361683A (zh) | 2021-09-07 |
CN113361683B CN113361683B (zh) | 2023-01-10 |
Family
ID=77526824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110541146.7A Expired - Fee Related CN113361683B (zh) | 2021-05-18 | 2021-05-18 | 一种生物仿脑存储方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361683B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1037983A (zh) * | 1988-05-26 | 1989-12-13 | 国际商业机器公司 | 页式存储器中数据的存取装置和方法 |
US20050251638A1 (en) * | 1994-08-19 | 2005-11-10 | Frederic Boutaud | Devices, systems and methods for conditional instructions |
CN101042674A (zh) * | 2006-03-07 | 2007-09-26 | 松下电器产业株式会社 | 非易失性存储装置及其数据写入方法 |
CN103814409A (zh) * | 2011-07-28 | 2014-05-21 | 桑迪士克科技股份有限公司 | 使用以二进制格式和多状态格式写入的数据的比较的非易失性存储器中的写入后读取 |
CN106095338A (zh) * | 2016-06-13 | 2016-11-09 | 深圳创维空调科技有限公司 | 一种记忆芯片的擦写实现方法及实现系统 |
CN108572792A (zh) * | 2017-06-13 | 2018-09-25 | 北京金山云网络技术有限公司 | 数据存储方法、装置、电子设备及计算机可读存储介质 |
WO2018182827A1 (en) * | 2017-03-28 | 2018-10-04 | Hrl Laboratories, Llc | A neural model-based controller |
CN109190692A (zh) * | 2018-08-21 | 2019-01-11 | 北京师范大学 | 基于生物大脑认知和抉择机理的运动物体识别方法及系统 |
CN109948786A (zh) * | 2019-02-21 | 2019-06-28 | 山东师范大学 | 一种仿脑的数模混合神经元电路及方法 |
CN110750529A (zh) * | 2018-07-04 | 2020-02-04 | 百度在线网络技术(北京)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN111753774A (zh) * | 2020-06-29 | 2020-10-09 | 之江实验室 | 一种脉冲双向联想记忆的认知方法及系统 |
CN112689875A (zh) * | 2019-03-21 | 2021-04-20 | 因美纳有限公司 | 基于人工智能的测序 |
-
2021
- 2021-05-18 CN CN202110541146.7A patent/CN113361683B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1037983A (zh) * | 1988-05-26 | 1989-12-13 | 国际商业机器公司 | 页式存储器中数据的存取装置和方法 |
US20050251638A1 (en) * | 1994-08-19 | 2005-11-10 | Frederic Boutaud | Devices, systems and methods for conditional instructions |
CN101042674A (zh) * | 2006-03-07 | 2007-09-26 | 松下电器产业株式会社 | 非易失性存储装置及其数据写入方法 |
CN103814409A (zh) * | 2011-07-28 | 2014-05-21 | 桑迪士克科技股份有限公司 | 使用以二进制格式和多状态格式写入的数据的比较的非易失性存储器中的写入后读取 |
CN106095338A (zh) * | 2016-06-13 | 2016-11-09 | 深圳创维空调科技有限公司 | 一种记忆芯片的擦写实现方法及实现系统 |
WO2018182827A1 (en) * | 2017-03-28 | 2018-10-04 | Hrl Laboratories, Llc | A neural model-based controller |
CN108572792A (zh) * | 2017-06-13 | 2018-09-25 | 北京金山云网络技术有限公司 | 数据存储方法、装置、电子设备及计算机可读存储介质 |
CN110750529A (zh) * | 2018-07-04 | 2020-02-04 | 百度在线网络技术(北京)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN109190692A (zh) * | 2018-08-21 | 2019-01-11 | 北京师范大学 | 基于生物大脑认知和抉择机理的运动物体识别方法及系统 |
CN109948786A (zh) * | 2019-02-21 | 2019-06-28 | 山东师范大学 | 一种仿脑的数模混合神经元电路及方法 |
CN112689875A (zh) * | 2019-03-21 | 2021-04-20 | 因美纳有限公司 | 基于人工智能的测序 |
CN111753774A (zh) * | 2020-06-29 | 2020-10-09 | 之江实验室 | 一种脉冲双向联想记忆的认知方法及系统 |
Non-Patent Citations (1)
Title |
---|
MASAHIRO MIZOKAMI ET AL.: "Chip-Architecture for Automatic Learn ing Based on Associative Memory and Short/Long Term Storage Concept", 《RESEARCHGATE》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361683B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635857B (zh) | 人车轨迹监测分析方法、装置、设备及存储介质 | |
US20240005468A1 (en) | Image distortion evaluation method and apparatus, and computer device | |
CN109274701A (zh) | 负一屏内容推送及请求方法、装置、服务器及终端 | |
CN111222397A (zh) | 一种绘本识别方法、装置及机器人 | |
CN108229999B (zh) | 竞品评估方法及装置 | |
CN113361683B (zh) | 一种生物仿脑存储方法及系统 | |
US20170150043A1 (en) | Camera Auto-Focusing Optimization Method and Camera | |
CN114721844A (zh) | 数据缓存方法和装置、计算机设备、存储介质 | |
CN115546692A (zh) | 一种远程教育数据采集分析方法、设备及计算机存储介质 | |
CN109447114B (zh) | 场所之间关联度的评估方法和评估系统 | |
CN113837669A (zh) | 一种标签体系的评价指标构建方法和相关装置 | |
CN111065044A (zh) | 基于大数据的数据关联分析方法、装置及计算机存储介质 | |
CN112465565B (zh) | 一种基于机器学习的用户画像预测的方法及装置 | |
CN111045735B (zh) | 个性化引导页推送方法、装置及系统 | |
CN113327628A (zh) | 音频处理方法、装置、可读介质和电子设备 | |
CN112464629B (zh) | 表单填写方法及装置 | |
CN110532071B (zh) | 一种基于gpu的多应用调度系统和方法 | |
CN106373121A (zh) | 模糊图像识别方法和装置 | |
CN111544003B (zh) | 一种基于传感器的武术动作识别系统、方法及存储介质 | |
CN111986347B (zh) | 设备管理方法、装置、电子设备及存储介质 | |
CN111368784B (zh) | 一种目标识别方法、装置、计算机设备和存储介质 | |
CN110012351A (zh) | 标签数据获取方法、存储器、终端、车辆以及车联网系统 | |
CN109829491B (zh) | 用于图像检测的信息处理方法、装置以及存储介质 | |
CN115016855A (zh) | 应用预加载的方法、设备和存储介质 | |
CN105677895B (zh) | 一种移动互联网用户行为特征属性的获取装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230110 |
|
CF01 | Termination of patent right due to non-payment of annual fee |