技术特征：
1.一种基于消息传递网络的短时突触可塑性工作记忆计算系统，其特征在于，包括：傅里叶变换层，用于对神经元刺激信号序列通过傅里叶变换转换为刺激信号频谱图；消息传递网络，用于模拟工作记忆的短时突触可塑性特征，包括由刺激信号频谱图构造的短时增强型消息传递网络和短时抑制型消息传递网络；输出层，用于接收消息传递网络的计算结果，实现工作记忆发放特性的输出。2.根据权利要求1所述的一种基于消息传递网络的短时突触可塑性工作记忆计算系统，其特征在于，傅里叶变换层用于对神经元刺激信号序列通过傅里叶变换转换为刺激信号频谱图；刺激信号频谱图中每一个节点表示一个生物神经元，节点数等于要模拟的生物神经元数量，节点值表示某时刻输入到该神经元的刺激信号强度信息，节点之间带权边表示不同生物神经元之间的信息传递关系。3.根据权利要求2所述的一种基于消息传递网络的短时突触可塑性工作记忆计算系统，其特征在于，短时增强型图神经网络的权重值为刺激信号频谱图节点值的平方，用于实现信息传递的增强兴奋处理；短时抑制型图神经网络的权重值为刺激信号频谱图节点值的倒数，用于完成信息传递的减弱抑制处理。4.根据权利要求1所述的一种基于消息传递网络的短时突触可塑性工作记忆计算系统，其特征在于，消息传递网络的网络层数为32至128层。5.根据权利要求1所述的一种基于消息传递网络的短时突触可塑性工作记忆计算系统，其特征在于，输出层包括池化层、全连接层和激活函数层，所述池化层对消息传递网络的计算结果进行平均池化计算，整合神经元刺激的短时增强处理结果和短时抑制处理结果；所述全连接层接收平均池化处理之后的计算结果，通过最小二乘法进行拟合计算，分析出刺激信号依据短时突触可塑性对神经元造成的最终影响；所述激活函数层，使用激活函数对全连接层的输出进行非线性激活处理，模拟计算出生物神经元的工作记忆发放特性。6.根据权利要求1所述的一种基于消息传递网络的短时突触可塑性工作记忆计算系统，其特征在于，激活函数层使用relu函数对全连接层的输出进行非线性激活处理，模拟计算出生物神经元的工作记忆发放特性。7.一种基于消息传递网络的短时突触可塑性工作记忆计算方法，其特征在于，包括以下步骤：步骤1：将神经元刺激信号时间序列输入傅里叶变换层，通过傅里叶变换计算得到刺激信号频谱图；步骤2：计算步骤1中得到的图数据的邻接矩阵，并依据此邻接矩阵分别构造短时增强型消息传递网络和短时抑制型消息传递网络；步骤3：初始化消息传递网络权重和全连接层权重；步骤4：将步骤1的计算结果输入到消息传递网络，信号分别传入至短时增强型消息传递网络和短时抑制型消息传递网络，短时增强型消息传递网络和短时抑制型消息传递网络分别对信号进行计算分析，模拟短时突触可塑性的兴奋和抑制表达，最后将表达的结果传输至后续的输出层部分；步骤5：输出层首先对步骤4中的处理结果进行平均池化计算，然后输入全连接层进行拟合计算，最后使用激活函数对结果进行非线性激活处理，最终得到基于短时突触可塑性的神经元工作记忆发放特性的表达输出；
步骤6：判断计算是否完成，若存在新一轮的神经元输入刺激，则计算未完成，跳转至步骤4，否则跳转至步骤7；步骤7：所有计算完成，计算结束，计算系统关闭。8.根据权利要求7所述的一种基于消息传递网络的短时突触可塑性工作记忆计算方法，其特征在于，所述步骤4中，将步骤1的计算结果输入到消息传递网络，信号分别传入至短时增强型消息传递网络和短时抑制型消息传递网络，短时增强型消息传递网络和短时抑制型消息传递网络分别对信号进行计算分析，计算时，前一层的输出输入到下一层完成消息的传递，然后根据图节点自身的初始状态和上一层传递过来的更新状态进行权重矩阵乘法运算以实现消息的再次更新，模拟短时突触可塑性的兴奋和抑制表达，经过消息传递网络计算得到的数据作为表达的结果传输至后续的输出层部分。