复杂网络生成方法、装置、计算机设备和存储介质

1.本技术涉及人工智能技术领域，特别是涉及一种复杂网络生成方法、装置、计算机设备和存储介质。


背景技术：

2.受大脑神经连接启发的连接主义人工智能(例如深度学习)在过去十年取得了前所未有的成功。人工神经网络设计和优化的目标逐渐从训练连接权重过渡到设计网络结构。然而落后于这一趋势的是传统cmos神经元电路的大量硬件开销使ann(人工神经网络，artificial neural network)加速器或神经形态芯片的规模无法接近人脑的规模，虽然通过使用具有更多通用神经形态功能的可扩展性的忆阻器来部分解决，但也只能提供有限的输入输出以及连接数量，显然，目前的人工神经网络存在网络结构灵活性差的问题。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够提升网络结构的灵活性的复杂网络生成方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
4.第一方面，本技术提供了一种复杂网络生成方法。所述方法包括：
5.确定节点排布结构、空间节点之间的节点距离和节点连接约束；所述空间节点包括不同位置的节点；
6.基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；所述第一间隔时长支持动态调整；
7.基于第一目标概率密度函数对所述空间节点的边界距离进行采样，得到目标边界距离；所述目标边界距离位于所述距离下限值和所述距离上限值之间；
8.选取与所述空间节点的节点距离小于所述目标边界距离的其他空间节点，作为所述空间节点的邻近节点；
9.在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到目标复杂网络。
10.在其中一个实施例中，所述节点排布结构包括圆环排布结构；所述确定节点排布结构、空间节点之间的节点距离和节点连接约束包括：
11.获取所述圆环排布结构；
12.在依据所述圆环排布结构对空间节点进行排布后，按照顺时针方向确定所述空间节点之间的节点距离；
13.获取顺时针连接规则和开环连接规则；
14.将所述顺时针连接规则和所述开环连接规则作为节点连接约束。
15.在其中一个实施例中，所述方法还包括：
16.获取初始概率密度函数；
17.基于所述距离下限值和所述距离上限值确定期望值和方差；
18.将系数参数、所述方差和所述期望值代入所述初始概率密度函数，得到概率密度函数；
19.基于所述概率密度函数、所述距离下限值和所述距离上限值生成关键常数；
20.将所述概率密度函数和所述关键常数组合得到第一目标概率密度函数。
21.在其中一个实施例中，所述选取与所述空间节点的节点距离小于所述目标边界距离的其他空间节点，作为所述空间节点的邻近节点包括：
22.按顺时针方向确定所述空间节点与其他空间节点之间的节点距离；
23.当所述节点距离小于所述目标边界距离时，将所述节点距离对应的其他空间节点作为所述空间节点的邻近节点；
24.所述方法还包括；
25.当所述节点距离不小于所述目标边界距离时，将所述节点距离对应的其他空间节点作为所述空间节点的远端节点；所述远端节点不与所述节点进行连接。
26.在其中一个实施例中，所述在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到目标复杂网络包括：
27.在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到初始复杂网络；
28.获取网络量化指标；所述网络量化指标包括聚类系数、特征路径长度和小世界系数；
29.依据所述网络量化指标对所述初始复杂网络进行调整，得到目标复杂网络。
30.在其中一个实施例中，所述方法还包括：
31.若所述忆阻器的第二间隔时长不大于衰减时长下限值，且第一节点数量与所述第二间隔时长之积不小于衰减时长上限值，则基于第二目标概率密度函数对所述第一节点数量的时间节点的衰减边界时间进行采样，得到目标边界时间；所述时间节点包括不同时刻的节点；所述目标边界时间位于所述衰减时长下限值和所述衰减时长上限值之间；所述第二间隔时长支持动态调整；
32.选取与所述时间节点的第二间隔时长小于所述目标边界时间的其他时间节点，作为所述时间节点的邻近节点；
33.对所述时间节点与所述时间节点的邻近节点进行连接，得到新储备池层；所述新储备池层生成储备池计算模型。
34.在其中一个实施例中，所述储备池计算模型为同类计算模型或混合计算模型；所述方法还包括：
35.获取短期记忆任务或奇偶校验任务，通过所述同类计算模型执行所述短期记忆任务或所述奇偶校验任务；所述同类计算模型至少基于一个同类型的忆阻器生成；
36.获取语音数字识别任务，通过所述混合计算模型执行所述语音数字识别任务；所述混合计算模型至少基于两种类型的忆阻器生成。
37.第二方面，本技术还提供了一种复杂网络生成装置。所述装置包括：
38.第一确定模块，用于确定节点排布结构、空间节点之间的节点距离和节点连接约束；所述空间节点包括不同位置的节点；
39.第二确定模块，用于基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距
离上限值；所述第一间隔时长支持动态调整；
40.采样模块，用于基于第一目标概率密度函数对所述空间节点的边界距离进行采样，得到目标边界距离；所述目标边界距离位于所述距离下限值和所述距离上限值之间；
41.选取模块，用于选取与所述空间节点的节点距离小于所述目标边界距离的其他空间节点，作为所述空间节点的邻近节点；
42.连接模块，用于在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到目标复杂网络。
43.在其中一个实施例中，所述节点排布结构包括圆环排布结构；所述第一确定模块还用于获取所述圆环排布结构；在依据所述圆环排布结构对空间节点进行排布后，按照顺时针方向确定所述空间节点之间的距离；获取顺时针连接规则和开环连接规则；将所述顺时针连接规则和所述开环连接规则作为节点连接约束。
44.在其中一个实施例中，所述装置还包括：
45.处理模块，用于获取初始概率密度函数；基于所述距离下限值和所述距离上限值确定期望值和方差；将系数参数、所述方差和所述期望值代入所述初始概率密度函数，得到概率密度函数；基于所述概率密度函数、所述距离下限值和所述距离上限值生成关键常数；将所述概率密度函数和所述关键常数组合得到第一目标概率密度函数。
46.在其中一个实施例中，所述选取模块还用于按顺时针方向确定所述空间节点与其他空间节点之间的节点距离；当所述节点距离小于所述目标边界距离时，将所述节点距离对应的其他空间节点作为所述空间节点的邻近节点；当所述节点距离不小于所述目标边界距离时，将所述节点距离对应的其他空间节点作为所述空间节点的远端节点；所述远端节点不与所述节点进行连接。
47.在其中一个实施例中，所述连接模块还用于在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到初始复杂网络；获取网络量化指标；所述网络量化指标包括聚类系数、特征路径长度和小世界系数；依据所述网络量化指标对所述初始复杂网络进行调整，得到目标复杂网络。
48.在其中一个实施例中，所述采样模块还用于若所述忆阻器的第二间隔时长不大于衰减时长下限值，且第一节点数量与所述第二间隔时长之积不小于衰减时长上限值，则基于第二目标概率密度函数对所述第一节点数量的时间节点的衰减边界时间进行采样，得到目标边界时间；所述时间节点包括不同时刻的节点；所述目标边界时间位于所述衰减时长下限值和所述衰减时长上限值之间；所述第二间隔时长支持动态调整；选取模块，还用于选取与所述时间节点的第二间隔时长小于所述目标边界时间的其他时间节点，作为所述时间节点的邻近节点；连接模块，还用于对所述时间节点与所述时间节点的邻近节点进行连接，得到新储备池层；所述新储备池层生成储备池计算模型。
49.在其中一个实施例中，所述储备池计算模型为同类计算模型或混合计算模型；所述装置还包括：
50.执行模块，还用于获取短期记忆任务或奇偶校验任务，通过所述同类计算模型执行所述短期记忆任务或所述奇偶校验任务；所述同类计算模型至少基于一个同类型的忆阻器生成；获取语音数字识别任务，通过所述混合计算模型执行所述语音数字识别任务；所述混合计算模型至少基于两种类型的忆阻器生成。
51.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
52.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
53.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
54.上述复杂网络生成方法、装置、计算机设备、存储介质和计算机程序产品，通过确定节点排布结构、空间节点之间的节点距离和节点连接约束；空间节点包括不同位置的节点；基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；第一间隔时长支持动态调整；通过对第一间隔时长进行动态调整即实现对网络结构的调整，实现了生成的复杂网络在忆阻器层面的可重构性，有效提升了网络结构的灵活性。不仅如此，通过基于第一目标概率密度函数对空间节点的边界距离进行采样，得到目标边界距离；目标边界距离位于距离下限值和距离上限值之间；选取与空间节点的节点距离小于目标边界距离的其他空间节点，作为空间节点的邻近节点；在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到目标复杂网络，通过第一目标概率密度函数进行采样得到目标边界距离，并依据得到的目标边界距离确定的邻近节点进行连接，实现了节点之间连接的灵活性，从而进一步提升了网络结构的灵活性同时保证了网络计算效率。
附图说明
55.图1为一个实施例中复杂网络生成方法的应用环境图；
56.图2为一个实施例中复杂网络生成方法的流程示意图；
57.图3为一个实施例中生成储备池计算模型步骤的流程示意图；
58.图4为一个实施例中忆阻器的电气特性示意图；
59.图5为一个实施例中忆阻器的衰减时长的统计分析图；
60.图6为一个实施例中复杂网络的示意图；
61.图7为一个实施例中网络量化指标的示意图；
62.图8为一个实施例中目标复杂网络与典型复杂网络的性能比较图；
63.图9为一个实施例中新储备池层的示意图；
64.图10为一个实施例中储备池计算模型的相关示意图；
65.图11为一个实施例中复杂网络生成装置的结构框图；
66.图12为一个实施例中复杂网络生成装置的结构框图；
67.图13为一个实施例中计算机设备的内部结构图。
具体实施方式
68.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
69.本技术实施例提供的复杂网络生成方法，可以应用于如图1所示的应用环境中。其
中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。本技术可由终端102或服务器104执行，本实施例以终端102执行为例进行说明。
70.终端102确定节点排布结构、空间节点之间的节点距离和节点连接约束；空间节点包括不同位置的节点；终端102基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；第一间隔时长支持动态调整；终端102基于第一目标概率密度函数对空间节点的边界距离进行采样，得到目标边界距离；目标边界距离位于距离下限值和距离上限值之间；终端102选取与空间节点的节点距离小于目标边界距离的其他空间节点，作为空间节点的邻近节点；
71.终端102在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到目标复杂网络。
72.其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
73.在一个实施例中，如图2所示，提供了一种复杂网络生成方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
74.s202，确定节点排布结构、空间节点之间的节点距离和节点连接约束；空间节点包括不同位置的节点。
75.其中，节点排布结构可以指节点间的排列布置的结构，节点排布结构包括但不限于圆环排布结构、矩形排布结构、梯形排布结构和三角形排布结构。空间节点可以指基于空间中不同位置生成的节点，空间节点包括不同位置的节点。节点距离可以指节点之间的距离。节点连接约束可用于确定节点之间的连接方式，节点连接约束包括顺时针连接规则和开环连接规则。顺时针连接规则可以指节点间按顺时针的方向进行连接。开环连接规则可以指若按顺时针方向排列的两个节点间存在开环格间隙，则后一个节点不作为前一个节点的邻近节点。
76.具体地，节点排布结构包括圆环排布结构；获取圆环排布结构；在依据圆环排布结构对空间节点进行排布后，按照顺时针方向确定空间节点之间的节点距离；获取顺时针连接规则和开环连接规则；将顺时针连接规则和开环连接规则作为节点连接约束。
77.s204，基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；第一间隔时长支持动态调整；
78.其中，忆阻器包括易失性忆阻器和非易失性忆阻器，易失性忆阻器又可称为动态忆阻器，本技术中的忆阻器可为易失性忆阻器，易失性忆阻器可以响应电刺激进行电阻切换，并在没有外部刺激的情况下，它们会随着时间逐渐恢复到原始状态，表现出时间动态行为。动态忆阻器具有垂直堆叠为ta/ta2o
x
/hfo2/pd(50nm/15nm/15nm/50nm)的交叉点结构。衰减时长(τ)可以指忆阻器从停止电刺激到恢复到原始状态的时长。间隔时长可以指对忆阻器进行电刺激的间隔时长(θ)。第一间隔时长与第二间隔时长是不同的间隔时长。距离下限值可以指忆阻器的衰减时长下限值与第一间隔时长之间的比值，距离下限值(d
min
)的计算公式：d
min
＝τ
min
/θ。距离上限值可以指忆阻器的衰减时长上限值与第一间隔时长之间的
比值，距离下限值(d
min
)的计算公式：d
max
＝τ
max
/θ。
79.s206，基于第一目标概率密度函数对空间节点的边界距离进行采样，得到目标边界距离；目标边界距离位于距离下限值和距离上限值之间。
80.其中，第一目标概率密度函数可以指对边界距离进行采样的函数。边界距离可用于确定目标边界距离。目标边界距离可用于确定空间节点的邻近节点和远端节点。
81.在一个实施例中，获取初始概率密度函数；基于距离下限值和距离上限值确定期望值和方差；将系数参数、方差和期望值代入初始概率密度函数，得到概率密度函数；基于概率密度函数、距离下限值和距离上限值生成关键常数；将概率密度函数和关键常数组合得到第一目标概率密度函数。
82.其中，初始概率密度函数可用于生成第一目标概率密度函数的初始函数。期望值可以指初始概率密度函数中的期望参数的值。方差可以指初始概率密度函数中的方程参数的值。系数参数可以指初始概率密度函数中的系数。概率密度函数可以指将系数参数、方差和期望值代入初始概率密度函数得到的函数。关键常数可以指基于概率密度函数、距离下限值和距离上限值得到的常数。
83.在一个实施例中，基于距离下限值和距离上限值确定期望值和方差包括：将距离上限值和距离下限值代入期望函数得到期望值，将距离上限值和距离下限值代入方差函数得到方差。
84.在一个实施例中，将系数参数、方差和期望值代入初始概率密度函数，得到概率密度函数，包括：依据方差得到标准差，将系数参数、方差、标准差和期望值代入初始概率密度函数，得到概率密度函数。
85.在一个实施例中，基于概率密度函数、距离下限值和距离上限值生成关键常数，包括：在将距离下限值和距离上限值代入概率密度函数后进行积分处理，得到关键常数。
86.在一个实施例中，将概率密度函数和关键常数组合得到第一目标概率密度函数包括将概率密度函数和关键常数进行相加，得到第一目标概率密度函数。
87.例如，初始概率密度函数为
[0088][0089]
其中，系统参数a＝15.5，期望值标准差方差关键常数d
min
和d
max
是di的两个界限，超过这个界限概率变为零。在d
min
和d
max
之间，概率分布函数是通过ε垂直平移的高斯函数，保证了整个样本空间概率的归一性。
[0090]
s208，选取与空间节点的节点距离小于目标边界距离的其他空间节点，作为空间节点的邻近节点。
[0091]
其中，其他空间节点可以指除当前空间节点之外的空间节点。邻近节点是指可作为可连接的节点。
[0092]
在一个实施例中，按顺时针方向确定空间节点与其他空间节点之间的节点距离；当节点距离小于目标边界距离时，将节点距离对应的其他空间节点作为空间节点的邻近节点，当节点距离不小于目标边界距离时，将节点距离对应的其他空间节点作为空间节点的远端节点；远端节点不与空间节点进行连接。其中，远端节点是指不可连接的节点。
[0093]
例如，按顺时针方向，依次有空间节点为a、空间节点为b和空间节点为c三个节点，空间节点为a的目标边界距离为3，空间节点为b的目标边界距离为4，空间节点为c的目标边界距离为3，a与b的节点距离为2，b与c的节点距离为4，a与c的节点距离为3，可知，与空间节点为a的节点距离小于目标边界距离3的空间节点为：空间节点b，即空间节点b为空间节点a的邻近节点。与空间节点为b的节点距离小于目标边界距离4的空间节点为：空间节点a，即空间节点a为空间节点b的邻近节点；与空间节点为c的节点距离小于目标边界距离3的空间节点不存在。
[0094]
s210，在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到目标复杂网络。
[0095]
其中，目标复杂网络可指目标得到的复杂网络。
[0096]
在一个实施例中，在圆环排布结构下，依据顺时针连接规则中确定的顺时针方向，依次对空间节点的邻近节点进行筛选，得到筛选后的邻近节点，并依据开环连接规则将空间节点的邻近节点与筛选后的邻近节点进行连接，得到目标复杂网络。
[0097]
在一个实施例中，在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到初始复杂网络；获取网络量化指标；网络量化指标包括聚类系数、特征路径长度和小世界系数；依据网络量化指标对初始复杂网络进行调整，得到目标复杂网络。
[0098]
其中，初始复杂网络可以指处于训练过程中的初始复杂网络。网络量化指标可以指用于对复杂网络进行性能衡量的指标。网络量化指标包括聚类系数(c*)、特征路径长度(l*)、小世界系数又称sw系数(s*)、全局效率(ge)、局部效率(le)、树宽(t)、最大团尺寸(maximum clique size，mcs)、半径(r)和布线成本(e)。
[0099]
在一个实施例中，依据网络量化指标对初始复杂网络进行调整，得到目标复杂网络，包括：依据聚类系数(c*)、特征路径长度(l*)、小世界系数又称sw系数(s*)、全局效率(ge)、局部效率(le)、树宽(t)、最大团尺寸(maximumclique size，mcs)、半径(r)和布线成本(e)中的至少一个指标，对初始复杂网络进行调整，得到目标复杂网络。
[0100]
上述复杂网络生成方法中，通过确定节点排布结构、空间节点之间的节点距离和节点连接约束；空间节点包括不同位置的节点；基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；第一间隔时长支持动态调整；通过对第一间隔时长进行动态调整即实现对网络结构的调整，实现了生成的复杂网络在忆阻器层面的可重构性，有效提升了网络结构的灵活性。不仅如此，通过基于第一目标概率密度函数对空间节点的边界距离进行采样，得到目标边界距离；目标边界距离位于距离下限值和距离上限值之间；选取与空间节点的节点距离小于目标边界距离的其他空间节点，作为空间节点的邻近节点；在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到目标复杂网络，通过第一目标概率密度函数进行采样得到目标边界距离，并依据得到的目标边界距离确定的邻近节点进行连接，实现了节点之间连接的灵活性，从而进一步提升了网络
结构的灵活性同时保证了网络计算效率。
[0101]
在一个实施例中，如图3所示，生成储备池计算模型步骤包括：
[0102]
s302，若忆阻器的第二间隔时长不大于衰减时长下限值，且第一节点数量与第二间隔时长之积不小于衰减时长上限值，则基于第二目标概率密度函数对第一节点数量的时间节点的衰减边界时间进行采样，得到目标边界时间；时间节点包括不同时刻的节点；目标边界时间位于衰减时长下限值和衰减时长上限值之间；第二间隔时长支持动态调整；
[0103]
其中，第二间隔时长可以指与第一间隔时长不同的间隔时长(θ)。衰减时长下限值(τ
min
)可以指忆阻器的衰减时长的最小值。衰减时长上限值(τ
max
)可以指忆阻器的衰减时长的最大值。第一节点数量可以指时间节点的节点数量。第二目标概率密度函数可以指对衰减边界时间进行采样的函数，第二目标概率密度函数的生成过程可与第一目标概率密度函数的生成过程类比，即第二目标概率密度函数的生成过程可参考上述第一目标概率密度函数生成的实施例。时间节点可以指基于时域中的不同时刻生成的节点，时间节点包括不同时刻的节点。衰减边界时间可用于确定目标边界时间。目标边界时间可用于确定时间节点的邻近节点和远端节点。
[0104]
s304，选取与时间节点的第二间隔时长小于目标边界时间的其他时间节点，作为时间节点的邻近节点。
[0105]
其中，其他时间节点可以指除当前时间节点之外的时间节点。
[0106]
在一个实施例中，依据时间顺序，依次确定各时间节点与其他时间节点之间的第二间隔时间，当第二间隔时间小于目标边界时间时，将第二间隔时间对应的其他时间节点作为该时间节点的邻近节点，当第二间隔时间不小于目标边界时间时，将第二间隔时间对应的其他时间节点作为该时间节点的远端节点；远端节点不与时间节点进行连接。
[0107]
例如，按时间顺序，依次有时间节点为a、时间节点为b和时间节点为c三个节点，设相邻的时间节点间的第二间隔时间为θ，即时间节点a与时间节点b的第二间隔时间为θ、时间节点a与时间节点c的第二间隔时间为2θ，时间节点b与时间节点c时间节点为θ，时间节点a的目标边界时间为τ1，时间节点为b的目标边界时间为τ2，时间节点为c的目标边界时间为τ3，则与空间节点为a的第二间隔时间小于目标边界时间τ1的时间节点为时间节点a的邻近节点；与空间节点为b的第二间隔时间小于目标边界时间τ2的时间节点为时间节点b的邻近节点；与空间节点为c的第二间隔时间小于目标边界时间τ3的时间节点为时间节点c的邻近节点。
[0108]
s306，对时间节点与时间节点的邻近节点进行连接，得到新储备池层；新储备池层生成储备池计算模型。
[0109]
其中，新储备池层又可称为新水库层，可指本技术中生成的储备池层，新储备池层用于生成储备池计算模型。储备池计算模型(reservoir computing，rc)模型又可称水库是指是一种适用于处理时序信号的高效人工神经网络。rc模型是最先进性能的连接模型之一，是一个高维非线性动力系统，其中馈入输入被非线性地转换成高维状态空间，其中不同的输入更容易分离。因此，rc模型通常由高维状态向量建模，例如神经网络，其中每个神经元的状态都被视为水库状态向量的一个组成部分，与主流深度学习不同，rc放宽了对突触连接的精确调整的要求，精确的权重分配似乎对其性能的影响有限。为了增加水库反应的维度，需要大量的神经元。为了减少空间域中的神经元数量，appeltant等人提出使用时分
复用来创建具有单个动态节点的高维水库。与创建多个空间分离的神经元不同，单个动态节点被多路复用并顺序重用，在每个多路复用周期中创建一个新的虚拟节点，它扮演着与神经元类似的角色。由于大规模互连和过多硬件开销问题的缓解，此类水库层已广泛应用于电子和光子硬件，包括忆阻器设备。
[0110]
在一个实施例中，储备池计算模型为同类计算模型或混合计算模型获取短期记忆任务或奇偶校验任务，通过同类计算模型执行短期记忆任务或奇偶校验任务；同类计算模型至少基于一个同类型的忆阻器生成；获取语音数字识别任务，通过混合计算模型执行语音数字识别任务；混合计算模型至少基于两种类型的忆阻器生成。
[0111]
其中，同类计算模型可以指基于同类型的忆阻器生成的储备池计算模型。混合计算模型可以指基于不同类型的忆阻器生成的储备池计算模型。短期记忆(stm)任务是一种记忆召回任务，其中储存器将原始时间序列处理成一种格式，从中可以重建过去某个时间延迟的输入值。奇偶校验(pc)任务旨在重建二进制奇偶校验运算(例如，加法运算)对先前输入的结果，直到过去的某个延迟。语音数字识别任务可指与语音为数字的相关识别任务。奇偶校验(pc)任务，例如，作为目标输出)。内存容量(mc
pc
)根据公式计算：
[0112][0113]
本实施例中，通过基于第二目标概率密度函数对第一节点数量的时间节点的衰减边界时间进行采样，得到目标边界时间，第二间隔时长支持动态调整；选取与时间节点的第二间隔时长小于目标边界时间的其他时间节点，作为时间节点的邻近节点，对时间节点与时间节点的邻近节点进行连接，得到新储备池层；新储备池层生成储备池计算模型，通过支持对第二间隔时长进行动态调整即实现对网络结构的调整，实现了生成的储备池计算模型在忆阻器层面的可重构性，有效提升了网络结构的灵活性。通过第二目标概率密度函数进行采样得到目标边界时间，并依据得到的目标边界时间确定的邻近节点进行连接，故节点之间连接的灵活性，进一步提升了网络结构的灵活性同时保证了网络计算效率。
[0114]
作为示一个示例，本实施例如下：
[0115]
一、动态忆阻器的相关分析
[0116]
受大脑神经连接启发的连接主义人工智能(例如深度学习)在过去十年取得了前所未有的成功。人工神经网络设计和优化的目标逐渐从训练连接权重过渡到设计网络结构。然而落后于这一趋势，当前的人工智能硬件(例如gpu，fpga，asic等)难以平衡计算效率和网络结构灵活性。因此通过软硬件协同设计一种能够平衡计算效率和网络结构灵活性的网络生成和计算方法十分重要。在这里，本方案考虑使用单个动态忆阻器通过利用多路复用来构建复杂网络。
[0117]
图4为一个实施例中忆阻器的电气特性示意图；如图4所示，a图：在刺激电压脉冲(5v，1ms)停止后，在读取电压(3v)下通过设备的电流的演变。插图：在施加刺激脉冲之前、期间和之后的短时间间隔内电流演变的放大视图。在电压从5v降低到3v后，电流立即从峰值i-下降到i
+
。b图：在刺激脉冲停止后，读取电压下的电流从i
+
到基线稳态值的自发衰减。
在1000次测量中，衰减时长τ在342ms(τ
min
)和1089ms(τ
max
)之间变化很大。c图：超过10组多脉冲(1～10)测量的i+和i-之间相关性的统计分析，每组包含1000个独立测量。d图：对τ和i-之间相关性的统计分析，超过10组多脉冲(1～10)测量值，每组包含1000个独立测量值。
[0118]
首先，为了评估设备的cycle-to-cycle(c2c)变化程度，对该设备执行了一千次相同且独立的脉冲测量，并对其动态进行统计分析。如图4中的b图所示，读出电流i
+
自发衰减的时间(τ)在342ms(τ
min
)和1089ms(τ
max
)之间变化很大。c2c的τ概率分布看起来像一个两侧截断的高斯分布，其中随机变量τ在上方(τ
max
＝1089ms)和下方(τ
min
＝342ms)都有界。τ和i
+
也是相关的，也就是说τ的变化可能源于i
+
的变化。当考虑从单脉冲测量中获得的相同分布是否也合理地适用于在任意脉冲协议下测量的c2c的τ变化时，具有有限τ的易失性忆阻器可以表现出成对脉冲促进(或短期促进)，即i-随着每个到达脉冲的增加而增加，只要脉冲间隔短于τ。这可以理解为由于相邻脉冲感应电阻切换事件之间的时间耦合。鉴于此，从脉冲序列或多脉冲测量中的最后一个脉冲获得的τ可能会或可能不会遵循与从单脉冲测量中获得的相同的截断高斯概率分布，这取决于i
+
和τ是否也与i-相关。为了解决这个问题进行了多组多脉冲测量，每组具有不同数量(2～10)的脉冲并包含一千个独立实验，记录最后一个脉冲结束时的i-和i
+
并作为最后一个脉冲结束的τ。连续脉冲之间的间隔设置为200毫秒，这比单脉冲测量中记录的最小τ短。这确保了连续的电阻切换事件在时间上是耦合的。如图4中的c和d图所示，尽管由于上述成对脉冲促进或时间耦合，i-随着脉冲数量的增加在统计上是显着的，但i
+
和τ与i-没有明显的相关性。这一观察结果表明，在实验方案下，由多个脉冲引起的器件离子或电子配置的忆阻变化可以忽略不计。i-和i
+
之间对配置变化的灵敏度差异可能是由于器件i-v特性的强非线性；换言之，器件的忆阻变化转化为随测量电压急剧增加的瞬时测量电流的变化。鉴于i
+
(和τ)和i-之间的非相关性，从单脉冲测量中获得的相同c2c的τ概率分布也合理地适用于在这些多脉冲下的测量。图5为一个实施例中忆阻器的衰减时长的统计分析图；如图5中的a图所示：a在10组多脉冲(1～10)测量中获得的概率分布，每组包含1000个独立测量(与图4中的d图相同)。这清楚地体现在各个实验组的统计测量中出现的良好重叠分布函数中。
[0119]
如前，动态忆阻器(如ta/ta2o
x
/hfo2/pd忆阻器)在当前时间(或从实际连续物理时间中离散和抽象出来的周期)的状态可以暂时耦合到它在以前的时间(周期)。在网络形成的背景下，任何两个周期之间的时间耦合被称为时间域中以顺序方式出现的两个虚拟节点之间的连接。因此，单忆阻器是一个时分复用单元，可以顺序重复使用。要在两个相邻的虚拟节点之间建立连接，两个紧邻周期之间的间隔物理时间θ(即间隔时长)必须小于τ；否则，这两个虚拟节点在时间上是独立的，不被认为是连接的。因此，θ成为调节网络连通性的关键调整因素：对于给定特定τ的情况下，θ越小，连通性越密集，因为虚拟节点的耦合时间范围(τ)将覆盖更多随后出现的耦合。
[0120]
尽管可以通过复用动态忆阻器(对于给定时隙θ)将空间域中的网络折叠到时间域中，但如果τ固定，则生成的网络仅具有微不足道的拓扑特征：生成的网络只是规则的。恰恰相反，现实世界的网络通常具有在简单网络(例如常规网络或完全随机网络)中不会出现的特征。在这方面，忆阻器提供了τ中的随机性来源，如截断高斯c2c概率分布所描述的那样，以保证生成网络的拓扑非平凡性。
[0121]
如图5中的b图所示：通过截断高斯函数拟合在单脉冲测量中获得的τ的概率分布。
该示意图显示，在创建某个虚拟节点时，从分布采样的更长/更短的τ能够与时间上更远/更远的后续虚拟节点形成连接。由于τ从遵循截断高斯分布的c2c变化，因此可以通过θ调整节点之间的连接概率。具体而言，虚拟节点与物理时间相隔小于τ
min
的后续节点之间的连接概率为1；换句话说，一个节点必须连接到d
min
个后续节点，其中d
min
＝τ
min
/θ。虚拟节点与物理时间相隔大于τ
max
的后续节点之间连接的概率为0；换句话说，它决不能连接到第d
max
个节点及其之后的节点，其中d
max
＝τ
max
/θ。
[0122]
二、本方案的具体实现步骤
[0123]
基于上述对动态忆阻器的展示的特性，本实施例提出一种忆阻器启发的“概率边界和全有或无连接”(probabilistic border and all-or-none connection，pbaonc)复杂网络模型(目标复杂网络)，具体思路如下所示。
[0124]
基本上，有两种方法可以生成具有非平凡拓扑特征的复杂网络：一种是改变原始规则连接网络中节点之间的连接，另一种是从头开始生成连接。受实验观察到的具有内在可变性的ta/ta2o
x
/hfo2/pd忆阻器的动态行为的启发，提出了一种用于创建复杂网络的“概率边界和全有或全无连接”(probabilistic border and all-or-none connection，pbaonc)连接生成机制。从具有n个节点的开放环格开始，在pbaonc机制下创建了一个复杂网络，其中每个节点以全有或全无(“all-or-none”aon)方式与其顺时针邻居形成连接。具体来说，节点的顺时针邻居根据它们与所考虑节点的距离(按顺时针方向测量)分为近端或远端邻居。每个节点都连接到其所有近邻节点，但与远端节点没有连接(即aon)。对于每个节点，其近邻和远邻之间的边界是概率确定的。具体地，根据实验表征的ta/ta2o
x
/hfo2/pd忆阻器的电阻衰减时长分布(图2中的a图)，节点i与该边界之间的距离di(从节点i沿顺时针方向测量)从如前中的公式(1)概率分布中采样，采样后，施加特定约束(节点连接约束)，即节点i的顺时针邻居总数为n-i，其中n为开环格子上的节点总数(i从开环顺时针端的1开始，顺时针方向递增)。这意味着如果开环格的间隙在从i到j的顺时针格路径中，则相对于节点i的顺时针节点j不被视为节点i的顺时针邻居。在这种情况下，即使它们之间的距离(从节点i沿顺时针方向测量)小于采样的di，也不会从节点i投影到节点j。施加这种约束背后的基本原理是时间因果律，即按时间顺序产生的忆阻虚拟节点不应影响早期节点。为了避免孤立节点的出现，还将d
min
设置为非零，图6为一个实施例中复杂网络的示意图；如图6所示，在参数空间(左)上定义的pbaonc网络的示意性拓扑结构。参数化为d
max
＝n-1＝9和d
min
＝2的n节点pbaonc复杂网络(n＝10)的示意图(右)。连接以粗线显示。节点i在顺时针方向上的连接范围示意性地显示为从径向线开始通过节点i并覆盖其他di节点的细实心同心圆弧。对于节点9和10，通过开环点阵间隙逆时针方向端节点的径向线顺时针方向的部分/整个示意图弧(即节点10)为虚线，表示节点9/10和相应虚线弧覆盖的节点之间没有形成连接。
[0125]
pbaonc机制可以产生一系列具有不同边数的复杂网络，如图6所示。由于主要关注点是用于信息处理的复杂网络，因此考虑了两个相关度量：一个是聚类系数(c*)，信息隔离的度量(即网络被组织成局部专门区域的程度)，另一个是特征路径长度(l*)，信息集成的度量(即快速组合片段的来自分布式区域的专业信息能力)。pbaonc机制生成的网络(n＝100)的c*和l*的等值线图作为d
min
和d
max
的函数。图7为一个实施例中网络量化指标的示意图；图7中的a和b图具有100个节点的pbaonc网络模型的l*(a)和c*(b)作为d
max
和d
min
函数的
等值线图。图7中的c、d和e图，pbaonc网络模型和e-r随机网络模型沿e＝1200(c)、e＝3000(d)和e＝4800(e)等值线的l*和c*。f图作为具有100个节点的pbaonc网络模型函数的s*等值线图。
[0126]
如图7中的a和b图所示，画出了e的等值线(边数量的期望)。可以看出，这些等值线几乎但不严格垂直于右对角线d
max
＝d
min
，网络沿着该对角线被参数化以形成规则连接。对角线的右上端对应于全连接(fully connected，fc)网络，该网络通常使用水库计算(reservoir computing，rc)的忆阻虚拟节点实现。可以清楚地观察到c*和l*在右对角方向的梯度(e单调变化)。具体来说，稀疏连接网络(左下区域)具有长l*和小c*，而密集连接网络(右上区域)则相反。使用散点图更清楚地可视化c*和l*沿着给定的e等值线的演变。如图7中的c和e图所示，在e＝1200(稀疏连通性)的情况下，l*随着差异的增加而减小沿等值线在d
max
和d
min
之间(d
max
和d
min
单调但相反地变化)。随着连通性变得更密集(e＝3000)，c*和l*沿e等值线的变化变得越来越平坦。随着连接密度的进一步增加(e＝4800)，与稀疏连接网络(e＝1200)相比，c*和l*沿e等值线的变化虽然仍然微不足道，但分别显示出相反的趋势。
[0127]
许多复杂系统，例如大脑网络、社交网络和互联网，都在朝着最小化布线成本和最大化效率之间最经济的权衡方向发展，其特点是小l*和大c*。这种无处不在的拓扑特征被称为小世界性。这也解释了大脑网络中功能分离和整合的最佳平衡。为了量化整个空间参数化网络的小世界性，采用humphries和gurney提出的度量s*，该度量基于衡量高局部聚类和短路径长度之间的权衡。如图7中的f图所示，s*的梯度在右对角线方向上也最为显着。当节点数固定时，s*随着边数的增加而衰减。沿着e的等值线，有一个s*最大化的独特点。对于稀疏连接(e＝600,1200)，该点位于等值线{d
max-d
min
}的最大端；而对于更密集的连接(e＝1800、2400、3000、3600、4200)，它位于两端之间。
[0128]
除了c*、l*和s*，还通过其他指标量化复杂网络的属性，并将它们与其他规范复杂网络的属性进行比较，包括watts
–
strogatz(w-s)小世界(sw)网络，
–ré
nyi(e-r)随机网络和barab
á
si
–
albert(b-a)无标度网络，在相同节点数(100)和相同e的条件下，如图8作为共同参考，pbaonc机制生成的fc网络也包含在每个比较组中。可以看出，fc网络通常具有最小的l*和最大的c*。它的小世界程度很低，可与e-r随机网络和b-a无标度网络(e从600到4800不等)相媲美。因为fc网络本身就是一个集团，即在任何其中有两个节点，它具有最大的“最大团大小”。接下来，每个比较组中不同e的pbaonc网络始终具有第二大的“最大团大小”。这可以理解为由于生成pbaonc网络的特定布线规则，即任何一个节点都连接到其所有近邻节点。对于e＝600，pbaonc网络在所有复杂网络中具有最大的c*，相应地，具有最大的“局部效率”(指示信息在各个节点的直接邻居之间集成的效率)。然而，它的l*和相应的“半径”仍然大于w-s sw网络的那些(已知其他两个复杂网络具有较小的l*)，因此导致第二高的小世界度到w-s sw网络。随着e的增加，pbaonc网络和w-s sw网络之间的c*、l*和s*差异变得越来越小，并且所有复杂网络的特征都趋于与fc网络的特征越来越相似，正如预期的那样。尽管如此，前两个复杂网络仍然具有最高程度的小世界性。衡量远程信息传输的效率，pbaonc网络的“全局效率”也随着e的增加而提高。树宽衡量了图和树之间的相似性。pbaonc网络的树宽明显小于任何其他网络，因此它是最像树的网络，这表明它更有可能表现出由小而密集的部分组成的中等规模结构，这些部分代表了稀疏互连的集群。同样，这反映了其特定的布线行为，即任何一个节点都连接到其所有近邻节点(有助于形成集群)，但
与其任何远邻节点都没有形成连接(有助于形成集群之间的稀疏互连)。
[0129]
图8为一个实施例中目标复杂网络与典型复杂网络的性能比较图；pbaonc fc网络、e-r随机网络、w-s sw网络、pbaonc复杂网络和具有不同连接密度的b-a无标度网络的九个网络拓扑指标的雷达图(e＝1200(左)，e＝3000(中间)和e＝4800(右))。这九个指标分别是聚类系数(c*)、全局效率(ge)、局部效率(le)、sw系数(s*)、树宽(t)、最大clique size(mcs)、半径(r)、特征路径长度(l*)和布线成本(e)。
[0130]
三、pbaonc复杂网络的应用
[0131]
如前，大脑是一台强大的计算机器，使用极其复杂的神经网络。尽管对于认知功能如何从复杂连接中产生的完整因果机制解释仍然超出了当今神经技术的范围，但受大脑网络启发的连接主义模型已经明确表明复杂网络确实可以有效地执行计算。
[0132]
在这里，将展示由pbaonc复杂网络构成并在具有内在可变性的动态忆阻器中实现的新水库层，并展示它们优于之前的忆阻fc网络水库层。从最后两节的讨论中可以清楚地看出，将ta/ta2o
x
/hfo2/pd忆阻器多路复用n个周期并具有固定时隙θ会产生各种类型的pbaonc网络：如果n
×
θ≤τ
min
，则fc网络工作的产生是因为即使是时间上距离最远的虚拟节点，第一个和最后一个，也是耦合在一起的；如果θ≥τ
max
，则只有孤立的虚拟节点，因为即使是直接相邻的节点也是解耦的；如果τ
min
《θ《τ
max
，孤立的虚拟节点仍然可能存在。θ》τ
min
的情况超出了当前的关注范围。如果θ≤τ
min
且n
×
θ≥τ
max
，则每个节点在时间上耦合到随后出现的部分节点，耦合仅扩展到时间上的近端节点。随着每个多路复用周期中新虚拟节点的出现，其近端和远端邻居节点之间的相应时间边界从τ分布中采样。这样，就创建了一个pbanoc复杂网络，图9为一个实施例中新储备池层的示意图；如图9中的a图：基于动态忆阻器时间复用的rc的pbaonc复杂网络水库层集的示意图。对于单组分水库，将某一时刻的q维输入向量与随机的n
×
q掩码矩阵相乘，转化为表示n
×
θ区间内时间输入流的n维向量。这个时间输入流然后被送入动态忆阻器；也就是说，动态忆阻器与时隙θ进行时分复用，重复使用n次。每个器件水库层都可以有不同的时隙分配，并且同一多路复用周期中每个忆阻器的瞬态动态响应在软件中相互对齐。所有虚拟节点的状态通过一个输出权重矩阵w
out
进行线性加权并相加得到rc系统的输出。如图9中的b图：pbaonc复杂网络的权重矩阵的光谱半径作为n和d
max
函数的等值线图。为每个连接分配一个介于-0.5和+0.5之间的随机权重值。cpbaonc fc网络和pbaonc复杂网络(d
max
＝8)的权重矩阵的谱半径作为n的函数。
[0133]
理想的水库应该表现出淡化记忆，也就是说，先前的水库状态对未来状态的影响应该随着时间的推移逐渐消失。实际上，如果对水库层权重矩阵w进行缩放，使其谱半径ρ(w)(即最大绝对特征值)满足ρ(w)《1，则可以确保此属性。理论分析还表明，如果ρ(w)接近1，则水库层具有最佳活动状态。为水库中的每个连接分配一个介于-0.5和+0.5之间的随机权重值，并计算ρ(w)。等值线图(图9中的b图)显示了pbaonc复杂网络水库层的ρ(w)作为d
max
和n的函数。可以看出，随着节点数的增加，最接近1的ρ(w)处的d
max
最优值减小，而当d
max
＝8时，水库可以拥有的n(20～30)范围相对更宽，它们的ρ(w)接近1。从图9中的c图可以清楚地看出d
max
＝8的pbaonc复杂网络水库层相对于pbaonc fc(n
×
θ《τ
min
)网络水库层的优越性：无论节点数量多少，d
max
的pbaonc复杂网络水库平均保持不变并接近1，而pbaonc fc网络水库的ρ(w)大于1，并且随着节点数量的增加而增加。
[0134]
时间序列信息处理，水库层状态的高维度及其衰落记忆对于处理时间序列至关重
要。在这里，测试了pbaonc复杂网络库在短期记忆(stm)任务、奇偶校验(pc)任务和语音数字识别任务中的时间序列信息处理能力。
[0135]
关于stm任务，在每个时间步中使用带有随机“0”或“1”分量的二进制时间序列输入。在任何时间步，相应的系列分量乘以随机生成(在整个处理任务中固定)大小为n
×
1的二进制掩码矩阵(功能上等同于突触权重矩阵)，其中n是水库节点数，从而产生一个新的n维向量。通过时分复用，每个虚拟节点使用n维向量的相应向量分量进行更新。在每个时间步结束时，所有虚拟节点都已更新，水库层达到新状态，准备好在下一个时间步处理输入。在实验上，n维矢量信号的“0”和“1”矢量分别由强度为3v和5v的1ms电压脉冲表示，连续脉冲之间的间隔为θ(θ也称为复用周期持续时间)。因此，时间序列器件将保留n
×
θ的持续时间，之后下一个时间步长中的器件将由水库层处理。如上一节，根据复用周期数n(即虚拟节点数)以及复用周期持续时间θ。水库的瞬态动态响应由输出层(在软件中实现)读出，输出层是水库节点状态(即i-)的线性加权和。rc模型的一个主要优势是快速训练，因为只需要训练线性读出层中的权重，而水库层中的连接保持固定。记忆容量(mc
stm
)可以通过输出yk(t)和延迟输入u(t-k)在所有延迟上的相关性的平方和来量化，如下所示：
[0136][0137]
除了衰减记忆特性外，水库层的非线性动力学也很重要，因为它允许不同输入的线性可分性，这可以使用pc任务进行评估。pc任务旨在重建二进制奇偶校验运算(例如，加法运算)对先前输入的结果，直到过去的某个延迟(例如，作为目标输出)。内存容量(mc
pc
)根据如下公式计算：
[0138][0139]
对于pbaonc复杂网络水库层，等值线图(图7中的a和b图)分别显示了mc
stm
和mc
pc
与由pbaonc fc网络构成的水库层的比率，作为虚拟节点数(n)和d
max
(τ
max
/θ)。大mc主要在d
max
＝8和n＝20～30附近实现，这与实现最接近1的ρ(w)的条件一致(图9中的图b)。这一发现符合ρ(w)接近1的水库层具有最佳活动状态的理解。
[0140]
为了扩大水库层大小或简单地生成一组水库层，可以根据设备到设备(d2d)的变化使用多个设备，其中水库层状态由所有设备的集体状态表示。为此，使用在同一基板上制造的多个ta/ta2o
x
/hfo2/pd动态忆阻器来实现总共600个虚拟节点。每个设备在一个时间步内重复使用相同次数(即相同数量的多路复用周期)，因此生成相同数量的虚拟节点。所有设备的多路复用周期持续时间θ都相同。图10为一个实施例中储备池计算模型的相关示意图；用动态忆阻器实现的单个pbaonc复杂网络水库层的mc
stm
(a)和mc
pc
(b)。mc
stm
(c)和mc
pc
(d)是一个简单的多设备水库集(每个器件水库的时隙分配相同)，总共包含600个虚拟节点(每个器件水库包含n个虚拟节点)。四个混合水库层组中mc
stm
(e)和mc
pc
(f)的比较，每个混合水库层组总共包含600个虚拟节点，但组成水库层的数量不同(因此n不同)。在一组中，每个成分水库层的时隙分配(θ)并不完全相同(因此d
max
不同)。g图取自女性说话者的口语数
字“nine”的64频通道耳蜗图，由lyon被动耳模型(左)预处理。通过将尖峰触发阈值设置为0.5(右)，从耳蜗图转换的二进制脉冲序列。h图混淆矩阵显示了从忆阻混合pbaonc复杂网络库中实验获得的分类结果与正确输出的对比。
[0141]
如图10中的c和d图分别显示了pbaonc复杂网络水库层测得的mc
stm
和mc
pc
与由pbaonc fc网络构成的水库层的mc
stm
和mc
pc
比率的等值线图，作为每个生成的虚拟节点数(n)的函数单个设备和d
max
(τ
max
/θ)。正如预期的那样，由于d2d变化，与单设备储液器相比，多设备储液器组具有改进的mc。通过不仅使用多个设备而且为每个生成的水库层使用不同的网络参数(d
max
)，可以进一步提高rc性能。研究了四个这样的混合水库层集，每个总节点数为600，并包含几个性能最佳的单个pbaonc复杂网络水库层。如图10中的e和f图所示，这些pbaonc复杂网络水库层集比简单的多设备水库层集实现了更大的mc
stm
和mc
pc
，水库层集参数化为25个器件，水库层中的每一个器件具有24个虚拟节点(r
×
n＝25
×
24＝600)具有最大的mc，其中r为并联忆阻器的数量。在以下任务中使用这种性能最佳的混合水库层集。
[0142]
最后，执行标准语音识别基准——使用混合pbaonc复杂网络库集的孤立语音数字识别。水库的输入是来自nist ti46数据库的孤立口语数字(英语为0-9)的64频道声音波形。从ti-46数据库中的500个音频样本中选择450个用于训练，其余50个样本用于测试。使用64个设备来实现rc系统。通过每个独立通道的输入信号被二值化为36步0/1时间序列，图10中的g图所示。每个时间步长中的级数分量乘以随机生成的大小为24
×
1的二进制掩码矩阵，由3v或5v脉冲串(持续时间为1毫秒)表示。尽管混合水库层组中每个设备的θ(或脉冲间隔)可能不同，但它们在同一多重循环中的瞬态动态响应在软件中相互对齐以进行进一步处理。图10中的h图显示了在测试过程中通过实验获得的混淆矩阵。总的来说，在混合pbaonc复杂网络水库集中可以实现高达99.5％的识别率。
[0143]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0144]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的复杂网络生成方法的复杂网络生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个复杂网络生成装置实施例中的具体限定可以参见上文中对于复杂网络生成方法的限定，在此不再赘述。
[0145]
在一个实施例中，如图11所示，提供了一种复杂网络生成装置，包括：第一确定模块1102、第二确定模块1104、采样模块1106、选取模块1108和连接模块1110，其中：
[0146]
第一确定模块1102，用于确定节点排布结构、空间节点之间的节点距离和节点连接约束；空间节点包括不同位置的节点；
[0147]
第二确定模块1104，用于基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；第一间隔时长支持动态调整；
[0148]
采样模块1106，用于基于第一目标概率密度函数对空间节点的边界距离进行采
样，得到目标边界距离；目标边界距离位于距离下限值和距离上限值之间；
[0149]
选取模块1108，用于选取与空间节点的节点距离小于目标边界距离的其他空间节点，作为空间节点的邻近节点；
[0150]
连接模块1108，用于在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到目标复杂网络。
[0151]
在一个实施例中，节点排布结构包括圆环排布结构；第一确定模块1102还用于获取圆环排布结构；在依据圆环排布结构对空间节点进行排布后，按照顺时针方向确定空间节点之间的节点距离；获取顺时针连接规则和开环连接规则；将顺时针连接规则和开环连接规则作为节点连接约束。
[0152]
在一个实施例中，选取模块1108还用于按顺时针方向确定空间节点与其他空间节点之间的节点距离；当节点距离小于目标边界距离时，将节点距离对应的其他空间节点作为空间节点的邻近节点；当节点距离不小于目标边界距离时，将距离对应的其他空间节点作为空间节点的远端节点；远端节点不与节点进行连接。
[0153]
在一个实施例中，连接模块1110还用于在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到初始复杂网络；获取网络量化指标；网络量化指标包括聚类系数、特征路径长度和小世界系数；依据网络量化指标对初始复杂网络进行调整，得到目标复杂网络。
[0154]
在一个实施例中，采样模块1106还用于若忆阻器的第二间隔时长不大于衰减时长下限值，且第一节点数量与第二间隔时长之积不小于衰减时长上限值，则基于第二目标概率密度函数对第一节点数量的时间节点的衰减边界时间进行采样，得到目标边界时间；时间节点包括不同时刻的节点；目标边界时间位于衰减时长下限值和衰减时长上限值之间；第二间隔时长支持动态调整；选取模块，还用于选取与时间节点的第二间隔时长小于目标边界时间的其他时间节点，作为时间节点的邻近节点；连接模块，还用于对时间节点与时间节点的邻近节点进行连接，得到新储备池层；新储备池层生成储备池计算模型。
[0155]
在一个实施例中，如图12所示，该复杂网络生成装置还包括：处理模块1112、执行模块1114，其中：
[0156]
处理模块1112，用于获取初始概率密度函数；基于距离下限值和距离上限值确定期望值和方差；将系数参数、方差和期望值代入初始概率密度函数，得到概率密度函数；基于概率密度函数、距离下限值和距离上限值生成关键常数；将概率密度函数和关键常数组合得到第一目标概率密度函数。
[0157]
执行模块1114，还用于获取短期记忆任务或奇偶校验任务，通过同类计算模型执行短期记忆任务或奇偶校验任务；同类计算模型至少基于一个同类型的忆阻器生成；获取语音数字识别任务，通过混合计算模型执行语音数字识别任务；混合计算模型至少基于两种类型的忆阻器生成。
[0158]
上述实施例，通过确定节点排布结构、空间节点之间的节点距离和节点连接约束；空间节点包括不同位置的节点；基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；第一间隔时长支持动态调整；通过对第一间隔时长进行动态调整即实现对网络结构的调整，实现了生成的复杂网络在忆阻器层面的可重构性，有效提升了网络结构的灵活性。不仅如此，通过基于第一目标概率密度函数对空间节点的边界距离进行采样，得到
目标边界距离；目标边界距离位于距离下限值和距离上限值之间；选取与空间节点的节点距离小于目标边界距离的其他空间节点，作为空间节点的邻近节点；在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到目标复杂网络，通过第一目标概率密度函数进行采样得到目标边界距离，并依据得到的目标边界距离确定的邻近节点进行连接，实现了节点之间连接的灵活性，从而进一步提升了网络结构的灵活性同时保证了网络计算效率。
[0159]
上述复杂网络生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0160]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端或服务器，以该计算机设备为终端为例进行说明，其内部结构图可以如图13所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种复杂网络生成方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0161]
本领域技术人员可以理解，图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0162]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各实施例。
[0163]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例。
[0164]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各实施例。
[0165]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0166]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申
请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0167]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种复杂网络生成方法，其特征在于，所述方法包括：确定节点排布结构、空间节点之间的节点距离和节点连接约束；所述空间节点包括不同位置的节点；基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；所述第一间隔时长支持动态调整；基于第一目标概率密度函数对所述空间节点的边界距离进行采样，得到目标边界距离；所述目标边界距离位于所述距离下限值和所述距离上限值之间；选取与所述空间节点的节点距离小于所述目标边界距离的其他空间节点，作为所述空间节点的邻近节点；在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到目标复杂网络。2.根据权利要求1所述的方法，其特征在于，所述节点排布结构包括圆环排布结构；所述确定节点排布结构、空间节点之间的节点距离和节点连接约束包括：获取所述圆环排布结构；在依据所述圆环排布结构对空间节点进行排布后，按照顺时针方向确定所述空间节点之间的节点距离；获取顺时针连接规则和开环连接规则；将所述顺时针连接规则和所述开环连接规则作为节点连接约束。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取初始概率密度函数；基于所述距离下限值和所述距离上限值确定期望值和方差；将系数参数、所述方差和所述期望值代入所述初始概率密度函数，得到概率密度函数；基于所述概率密度函数、所述距离下限值和所述距离上限值生成关键常数；将所述概率密度函数和所述关键常数组合得到第一目标概率密度函数。4.根据权利要求1所述的方法，其特征在于，所述选取与所述空间节点的节点距离小于所述目标边界距离的其他空间节点，作为所述空间节点的邻近节点包括：按顺时针方向确定所述空间节点与其他空间节点之间的节点距离；当所述节点距离小于所述目标边界距离时，将所述节点距离对应的其他空间节点作为所述空间节点的邻近节点；所述方法还包括；当所述节点距离不小于所述目标边界距离时，将所述节点距离对应的其他空间节点作为所述空间节点的远端节点；所述远端节点不与所述节点进行连接。5.根据权利要求1所述的方法，其特征在于，所述在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到目标复杂网络包括：在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到初始复杂网络；获取网络量化指标；所述网络量化指标包括聚类系数、特征路径长度和小世界系数；依据所述网络量化指标对所述初始复杂网络进行调整，得到目标复杂网络。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述忆阻器的第二间隔时长不大于衰减时长下限值，且第一节点数量与所述第二间隔时长之积不小于衰减时长上限值，则基于第二目标概率密度函数对所述第一节点数量的时间节点的衰减边界时间进行采样，得到目标边界时间；所述时间节点包括不同时刻的节点；所述目标边界时间位于所述衰减时长下限值和所述衰减时长上限值之间；所述第二间隔时长支持动态调整；选取与所述时间节点的第二间隔时长小于所述目标边界时间的其他时间节点，作为所述时间节点的邻近节点；对所述时间节点与所述时间节点的邻近节点进行连接，得到新储备池层；所述新储备池层生成储备池计算模型。7.根据权利要求6所述的方法，其特征在于，所述储备池计算模型为同类计算模型或混合计算模型；所述方法还包括：获取短期记忆任务或奇偶校验任务，通过所述同类计算模型执行所述短期记忆任务或所述奇偶校验任务；所述同类计算模型至少基于一个同类型的忆阻器生成；获取语音数字识别任务，通过所述混合计算模型执行所述语音数字识别任务；所述混合计算模型至少基于两种类型的忆阻器生成。8.一种复杂网络生成装置，其特征在于，所述装置包括：第一确定模块，用于确定节点排布结构、空间节点之间的节点距离和节点连接约束；所述空间节点包括不同位置的节点；第二确定模块，用于基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；所述第一间隔时长支持动态调整；采样模块，用于基于第一目标概率密度函数对所述空间节点的边界距离进行采样，得到目标边界距离；所述目标边界距离位于所述距离下限值和所述距离上限值之间；选取模块，用于选取与所述空间节点的节点距离小于所述目标边界距离的其他空间节点，作为所述空间节点的邻近节点；连接模块，用于在所述节点排布结构下，依据所述节点连接约束对所述空间节点与所述空间节点的邻近节点进行连接，得到目标复杂网络。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种复杂网络生成方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：确定节点排布结构、空间节点之间的节点距离和节点连接约束；空间节点包括不同位置的节点；基于忆阻器的衰减时长和第一间隔时长确定距离下限值和距离上限值；第一间隔时长支持动态调整；基于第一目标概率密度函数对空间节点的边界距离进行采样，得到目标边界距离；目标边界距离位于距离下限值和距离上限值之间；选取与空间节点的节点距离小于目标边界距离的其他空间节点，作为空间节点的邻近节点；在节点排布结构下，依据节点连接约束对空间节点与空间节点的邻近节点进行连接，得到目标复杂网络。采用本方法能够提升网络结构的灵活性。网络。采用本方法能够提升网络结构的灵活性。网络。采用本方法能够提升网络结构的灵活性。


技术研发人员：李黄龙 郭云鹏
受保护的技术使用者：清华大学
技术研发日：2023.04.07
技术公布日：2023/8/14