CN101231711B - 声表面波型小波神经网络器件 - Google Patents
声表面波型小波神经网络器件 Download PDFInfo
- Publication number
- CN101231711B CN101231711B CN2008100172572A CN200810017257A CN101231711B CN 101231711 B CN101231711 B CN 101231711B CN 2008100172572 A CN2008100172572 A CN 2008100172572A CN 200810017257 A CN200810017257 A CN 200810017257A CN 101231711 B CN101231711 B CN 101231711B
- Authority
- CN
- China
- Prior art keywords
- layer
- hidden layer
- output
- input
- weights summation
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Surface Acoustic Wave Elements And Circuit Networks Thereof (AREA)
Abstract
本发明公开了一种声表面波型小波神经网络器件，它由输入层功能模块，隐含层功能模块，输出层功能模块三部分组成。其中，输入层功能模块由声表面波器件实现的小波重构功能器件阵列构成；隐含层功能模块，由声表面波器件实现的输入层到隐含层权值求和功能器件阵列和隐含层非线性阈值器件阵列构成；输出层功能模块，由声表面波器件实现的隐含层到输出层权值求和功能器件阵列和输出层非线性阈值器件阵列构成。本发明中声表面波型小波神经网络器件，由于采用无源、体积小、易于大规模生产、成本低、高频特性好的声表面波器件实现了小波神经网络算法，提高了处理信号的频率范围，减少了器件的实现体积，降低了功耗。
Description
技术领域
本发明涉及一种小波神经网络器件，特别涉及一种声表面波型小波神经网络器件。
背景技术
小波神经网络算法将对信号特征进行提取的小波分析技术与能够对信号进行识别、分类、预测的神经网络技术有机结合在一起，因而在故障诊断、指纹特征提取、电子对抗、雷达目标识别等众多领域得到广泛应用和关注。
小波神经网络在具体实施和应用过程中，需要大量、复杂的数学运算，依靠人工计算很难完成和进行实时处理，因此，目前实现小波神经网络算法是利用计算机或现场可编程门阵列(FPGA)配合相应软件，通过编程来实现的。然而，由于计算机和FPGA在处理器运算速度和内存方面的局限性，使其很难对高达数GHz以上的高频和微波信号进行快速、实时处理。如根据香农采样定理，对一个频率为1.8GHz的信号进行处理，计算机或FPGA的CPU的处理速度最小应该为3.6GHz，这对一般PC机和工业控制计算机，FPGA来说，都是很难满足的。另外，电子器件之间的高频干扰，以及成本、体积及功耗等问题也限制了小波神经网络的进一步发展和应用。
发明内容
本发明的目的是提供一种声表面波型小波神经网络器件，该器件能够避免通常小波神经网络算法实现中复杂、烦琐的算法编程过程，提高了可处理信号的频率范围，减少器件的实现体积，降低了功耗。
本发明的技术方案是这样实现的：
一种声表面波型小波神经网络器件，包括输入层功能模块，隐含层功能模块，输出层功能模块，输入层功能模块中的每一个小波重构功能器件的输出，都连接到隐含层模块的输入层到隐含层权值求和功能器件阵列中每一个权值求和功能器件上；隐含层功能模块中的每一个隐含层非线性阈值器件的输出，都连接到输出层模块的隐含层到输出层权值求和功能器件阵列中每一个权值求和功能器件上。
输入层功能模块是由声表面波器件实现的若干小波重构功能器件并联构成的阵列。
隐含层功能模块由数目相同的声表面波器件实现的输入层到隐含层权值求和功能器件阵列和隐含层非线性阈值器件阵列构成，且每一个输入层到隐含层权值求和功能器件直接串联到随后的隐含层非线性阈值器件上。
用声表面波器件实现的输入层到隐含层权值求和功能器件阵列中的每一个权值求和功能器件，由一个根据输入层到隐含层权值矩阵包络加权的输入换能器，和一个带宽远大于输入换能器带宽的等叉指输出换能器构成。
输出层功能模块由数目相同的声表面波器件实现的隐含层到输出层权值求和功能器件阵列和输出层非线性阈值器件阵列构成，且每一个隐含层到输出层权值求和功能器件直接串联到随后的输出层非线性阈值器件上。
用声表面波器件实现的隐含层到输出层权值求和功能器件阵列中的每一个权值求和功能器件，是由一个根据隐含层到输出层权值矩阵包络加权的输入换能器，和一个带宽远大于输入换能器带宽的等叉指输出换能器构成。
本发明中声表面波型小波神经网络器件，由于采用无源、体积小、易于大规模生产、高频特性好的声表面波器件实现了小波神经网络算法，所以与背景技术中利用计算机或FPGA配合相应软件及编程来完成小波神经网络算法相比，使用者不仅避免了小波神经网络算法编程的烦琐过程，扩展了实际信号处理的频率范围，实现对高达数GHz以上高频信号的实时处理，而且减少了器件的实现体积，降低了功耗和实现成本。
附图说明
图1是本发明中声表面波型小波神经网络器件结构的方框图。
图2是本发明中的声表面波型小波神经网络器件一个具体实施例。
图3是图2输入层功能模块1中用声表面波器件实现的小波重构器件1-1的实施图。
图4是图2用声表面波器件实现的输入层到隐含层权值求和功能器件阵列4中的输入层到隐含层权值求和功能器件4-1的实施图。
图5是图2用声表面波器件实现的隐含层到输出层权值求和功能器件阵列6中的隐含层到输出层权值求和功能器件6-1的实施图。
下面结合附图对本发明的内容作进一步详细说明。
具体实施方式
参照图1所示，声表面波型小波神经网络器件包括输入层功能模块1，隐含层功能模块2，输出层功能模块3。
输入层功能模块1由声表面波器件实现的第一小波重构器件1-1，第二小波重构器件1-2，…，第i小波重构器件1-i，共i个用声表面波器件实现的小波重构功能器件构成。每一个用声表面波器件实现的小波重构功能器件的结构参数，由小波尺度函数包络、重构小波尺度函数包络、声表面波器件的中心频率、所采用的压电晶体决定。
隐含层功能模块2，由声表面波器件实现的输入层到隐含层权值求和功能器件阵列4和隐含层非线性阈值器件阵列5构成。
用声表面波器件实现的输入层到隐含层权值求和功能器件阵列4，由声表面波器件实现的第一输入层到隐含层权值求和功能器件4-1，第二输入层到隐含层权值求和功能器件4-2，…，第j输入层到隐含层权值求和功能器件4-j，共j个用声表面波器件实现的输入层到隐含层权值求和功能器件构成。每一个声表面波器件实现的输入层到隐含层权值求和功能器件由制作在同一晶体基片上的一个输入换能器和一个输出换能器构成。输入换能器的结构参数，由根据样本信号训练得到的输入层到隐含层权值矩阵包络、声表面波器件的中心频率、所采用的压电晶体共同决定。输出换能器是由一个中心频率与输入换能器相同，带宽远大于输入换能器带宽的等叉指输出换能器构成。
隐含层非线性阈值器件阵列5由隐含层第一非线性阈值器件5-1，第二非线性阈值器件5-2，…，第m非线性阈值器件5-m，共m个非线性阈值器件构成。
用声表面波器件实现的输入层到隐含层权值求和功能器件阵列4的器件个数与隐含层非线性阈值器件阵列5的器件数目相等，即j＝m。
输出层功能模块3，由声表面波器件实现的隐含层到输出层权值求和功能器件阵列6和输出层非线性阈值器件阵列7构成。
声表面波器件实现的隐含层到输出层权值求和功能器件阵列6由声表面波器件实现的第一隐含层到输出层权值求和功能器件6-1，第二隐含层到输出层权值求和功能器件6-2，…，第k隐含层到输出层权值求和功能器件6-k，共k个用声表面波器件实现的隐含层到输出层权值求和功能器件构成。每一个用声表面波器件实现的隐含层到输出层权值求和功能器件由制作在同一晶体基片上的一个输入换能器和一个输出换能器构成。输入换能器的结构参数，由根据样本信号训练得到的隐含层到输出层权值矩阵包络、声表面波器件的中心频率、所采用的压电晶体共同决定。输出换能器是由一个中心频率与输入换能器相同，带宽远大于输入换能器带宽的等叉指输出换能器构成。
输出层非线性阈值器件阵列7由输出层第一非线性阈值器件7-1，第二非线性阈值器件7-2，…，第n非线性阈值器件7-n，共n个非线性阈值器件构成。
用声表面波器件实现的隐含层到输出层权值求和功能器件阵列6的器件个数与输出层非线性阈值器件阵列7的器件数目相等，即k＝n。
图1中输入信号8施加到声表面波型小波神经网络器件时，输入层功能模块1中用声表面波器件实现的小波重构功能器件，会根据信号中频率成分的不同将其在不同尺度的器件上分别进行小波分解和小波重构。各个尺度器件上进行重构后的信号被输入到隐含层功能模块2中，用声表面波器件实现的输入层到隐含层权值求和功能器件阵列4中的每个权值求和功能器件会对各个尺度重构器件的输出信号进行权值求和运算，并将运算结果输入到隐含层非线性阈值器件阵列5中相应的非线性阈值器件阵列。每一个隐含层非线性阈值器件的输出信号被连接到输出层功能模块3中，用声表面波器件实现的隐含层到输出层权值求和功能器件阵列6中的每个权值求和功能器件会对每一个隐含层非线性阈值器件阵列的输出信号进行权值求和运算，并将运算结果输入到输出层非线性阈值器件阵列7中相应的非线性阈值器件。最终，从输出层非线性阈值器件阵列7中各个非线性阈值器件，将得到经过小波神经网络算法处理过的输出信号。
参照图2所示，是本发明中的声表面波型小波神经网络器件用于具有三个输入信号，且输出信号具有三种分类要求的情况，因此，输入层功能模块1由三个用声表面波器件实现的小波重构器件构成，输出层功能模块3由三个用声表面波器件实现的隐含层到输出层权值求和功能器件与三个输出层非线性阈值器件构成。隐含层功能模块2选择由两个用声表面波器件实现的输入层到隐含层权值求和功能器件与两个隐含层非线性阈值器件构成。
图3是图2输入层功能模块1中第一小波重构器件1-1用声表面波器件实现的小波重构器件的实施图。它由一个根据小波函数包络加权的小波输入换能器A1，至少一个全转移多条耦合器B1，和至少一个根据重构小波函数包络加权的重构小波输出换能器C1构成。同理，图2输入层功能模块1中第二小波重构器件1-2，第三小波重构器件1-3，采用类似第一小波重构器件1-1实现的方法进行实现。
图4是图2用声表面波器件实现的输入层到隐含层权值求和功能器件阵列4中第一输入层到隐含层权值求和功能器件4-1实施图。它由一个根据样本信号训练得到的输入层到隐含层权值矩阵包络加权的输入换能器D1，和一个带宽远大于输入换能器带宽的等叉指输出换能器E1构成。同理，图2用声表面波器件实现的输入层到隐含层权值求和功能器件阵列4中第二输入层到隐含层权值求和功能器件4-2，采用类似第一输入层到隐含层权值求和功能器件4-1实现的方法进行实现。
图5是图2用声表面波器件实现的隐含层到输出层权值求和功能器件阵列6中第一隐含层到输出层权值求和功能器件6-1实施图。它由一个根据样本信号训练得到的隐含层到输出层权值矩阵包络加权的输入换能器F1，和一个带宽远大于输入换能器带宽的等叉指输出换能器G1构成。同理，图2用声表面波器件实现的隐含层到输出层权值求和功能器件阵列6中第二隐含层到输出层权值求和功能器件6-2，第三隐含层到输出层权值求和功能器件6-3，采用类似第一隐含层到输出层权值求和功能器件6-1实现的方法进行实现。
图2中输入信号8施加到声表面波型小波神经网络器件时，输入层功能模块1中用声表面波器件实现的小波重构功能器件阵列，会根据信号中频率成分的不同将其在声表面波器件实现的第一小波重构功能器件1-1，第二小波重构功能器件1-2，第三小波重构功能器件1-3三个器件上分别进行分解和重构。输入层功能模块1中的每一个小波重构功能器件的输出，都连接到隐含层模块2的输入层到隐含层权值求和功能器件阵列4中每一个权值求和功能器件上。即：第一小波重构功能器件1-1的输出分别连接到第一输入层到隐含层权值求和功能器件4-1，第二输入层到隐含层权值求和功能器件4-2；第二小波重构功能器件1-2的输出分别连接到第一输入层到隐含层权值求和功能器件4-1，第二输入层到隐含层权值求和功能器件4-2；第三小波重构功能器件1-3的输出分别连接到第一输入层到隐含层权值求和功能器件4-1，第二输入层到隐含层权值求和功能器件4-2。
用声表面波器件实现的输入层到隐含层权值求和功能器件阵列4中的用声表面波器件实现的第一输入层到隐含层权值求和功能器件4-1，第二输入层到隐含层权值求和功能器件4-2，会对声表面波器件实现的第一小波重构功能器件1-1，声表面波器件实现的小波重构功能器件1-2，第三小波重构功能器件1-3三个重构器件的输出信号进行权值求和运算，并将运算结果输入到随后串连的隐含层非线性阈值器件阵列5中隐含层第一非线性阈值器件5-1，第二非线性阈值器件5-2中。即：第一输入层到隐含层权值求和功能器件4-1与随后的隐含层第一非线性阈值器件5-1串连，第二输入层到隐含层权值求和功能器件4-2与随后的隐含层第二非线性阈值器件5-2串连。
隐含层功能模块2中的每一个隐含层非线性阈值器件的输出，都连接到输出层模块3的隐含层到输出层权值求和功能器件阵列6中每一个权值求和功能器件上。即：隐含层功能模块2中的第一非线性阈值器件5-1的输出分别连接到第一隐含层到输出层权值求和功能器件6-1，第二隐含层到输出层权值求和功能器件6-2，第三隐含层到输出层权值求和功能器件6-3。
用声表面波器件实现的隐含层到输出层权值求和功能器件阵列6中的用声表面波器件实现的第一隐含层到输出层权值求和功能器件6-1，第二隐含层到输出层权值求和功能器件6-2，第三隐含层到输出层权值求和功能器件6-3会对每一个隐含层非线性阈值器件阵列的输出信号进行权值求和运算，并将运算结果输入到输出层非线性阈值器件阵列7中输出层第一非线性阈值器件7-1，第二非线性阈值器件7-2，第三非线性阈值器件7-3中。即：第一隐含层到输出层权值求和功能器件6-1与输出层第一非线性阈值器件7-1串行连接，第二隐含层到输出层权值求和功能器件6-2与输出层第二非线性阈值器件7-2串行连接，第三隐含层到输出层权值求和功能器件6-3与输出层第三非线性阈值器件7-3串行连接。
最终，从输出层非线性阈值器件阵列7中三个非线性阈值器件7-1，7-2，7-3，将得到经过小波神经网络算法处理后的三个输出信号。
Claims (3)
1.一种声表面波型小波神经网络器件，包括输入层功能模块(1)，隐含层功能模块(2)，输出层功能模块(3)，其特征在于，输入层功能模块(1)中的每一个小波重构功能器件的输出，都连接到隐含层模块(2)的输入层到隐含层权值求和功能器件阵列(4)中每一个权值求和功能器件上；隐含层功能模块(2)中的每一个隐含层非线性阈值器件的输出，都连接到输出层模块(3)的隐含层到输出层权值求和功能器件阵列(6)中每一个权值求和功能器件上，输入层功能模块(1)是由声表面波器件实现的若干小波重构功能器件并联构成的阵列，隐含层功能模块(2)由数目相同的声表面波器件实现的输入层到隐含层权值求和功能器件阵列(4)和隐含层非线性阈值器件阵列(5)构成，且每一个输入层到隐含层权值求和功能器件直接串联到随后的隐含层非线性阈值器件上，输出层功能模块(3)由数目相同的声表面波器件实现的隐含层到输出层权值求和功能器件阵列(6)和输出层非线性阈值器件阵列(7)构成，且每一个隐含层到输出层权值求和功能器件直接串联到随后的输出层非线性阈值器件上。
2.根据权利要求1所述的一种声表面波型小波神经网络器件，其特征在于，用声表面波器件实现的输入层到隐含层权值求和功能器件阵列(4)中的每一个权值求和功能器件，由一个根据输入层到隐含层权值矩阵包络加权的输入换能器和一个带宽远大于输入换能器带宽的等叉指输出换能器构成。
3.根据权利要求1所述的一种声表面波型小波神经网络器件，其特征在于，用声表面波器件实现的隐含层到输出层权值求和功能器件阵列(6)中的每一个权值求和功能器件，是由一个根据隐含层到输出层权值矩阵包络加权的输入换能器和一个带宽远大于输入换能器带宽的等叉指输出换能器构成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008100172572A CN101231711B (zh) | 2008-01-08 | 2008-01-08 | 声表面波型小波神经网络器件 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008100172572A CN101231711B (zh) | 2008-01-08 | 2008-01-08 | 声表面波型小波神经网络器件 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101231711A CN101231711A (zh) | 2008-07-30 |
| CN101231711B true CN101231711B (zh) | 2010-06-09 |
Family
ID=39898166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2008100172572A Expired - Fee Related CN101231711B (zh) | 2008-01-08 | 2008-01-08 | 声表面波型小波神经网络器件 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101231711B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101533941B (zh) * | 2009-04-21 | 2013-01-02 | 东华大学 | 多尺度静磁波式小波变换及小波反变换器件 |
| CN102739188B (zh) * | 2012-06-29 | 2015-07-15 | 长安大学 | 单向体声波抑制型声表面波器件 |
| US11774553B2 (en) * | 2020-06-18 | 2023-10-03 | Infineon Technologies Ag | Parametric CNN for radar processing |
| CN113659955B (zh) * | 2021-08-20 | 2024-01-09 | 南通大学 | 一种可实现小波重构功能的声表面波放大器 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1524343A (zh) * | 2001-07-03 | 2004-08-25 | 富士通媒体部品株式会社 | 表面声波器件 |
| CN1647375A (zh) * | 2002-04-19 | 2005-07-27 | 富士通媒体部品株式会社 | 表面声波器件 |
-
2008
- 2008-01-08 CN CN2008100172572A patent/CN101231711B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1524343A (zh) * | 2001-07-03 | 2004-08-25 | 富士通媒体部品株式会社 | 表面声波器件 |
| CN1647375A (zh) * | 2002-04-19 | 2005-07-27 | 富士通媒体部品株式会社 | 表面声波器件 |
Non-Patent Citations (5)
| Title |
|---|
| 卢文科，朱长纯，刘君华，刘清洪.用声表面波器件实现小波变换的研究.中国科学（E辑）33 11.2003,33(11),1028-1036. |
| 卢文科,朱长纯,刘君华,刘清洪.用声表面波器件实现小波变换的研究.中国科学(E辑)33 11.2003,33(11),1028-1036. * |
| 周绍磊，张文广，李新.一种基于改进遗传算法的小波神经网络.中南大学学报(自然科学版)38 增刊1.2007,38(增刊1),994-998. |
| 周绍磊,张文广,李新.一种基于改进遗传算法的小波神经网络.中南大学学报(自然科学版)38 增刊1.2007,38(增刊1),994-998. * |
| 李铁成.基于小波神经网络改进算法的混合气体检测方法研究.中国优秀硕士学位论文全文数据库.2007,22-54. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101231711A (zh) | 2008-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Fast multi-objective optimization of multi-parameter antenna structures based on improved BPNN surrogate model | |
| CN105681628B (zh) | 一种卷积网络运算单元及可重构卷积神经网络处理器和实现图像去噪处理的方法 | |
| CN108090565A (zh) | 一种卷积神经网络并行化训练加速方法 | |
| CN106228240A (zh) | 基于fpga的深度卷积神经网络实现方法 | |
| CN101231711B (zh) | 声表面波型小波神经网络器件 | |
| CN110163353A (zh) | 一种计算装置及方法 | |
| Liang et al. | A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting | |
| CN109871949A (zh) | 卷积神经网络加速器及加速方法 | |
| Wang et al. | A compression strategy to accelerate LSTM meta-learning on FPGA | |
| Bahoura et al. | FPGA-implementation of high-speed MLP neural network | |
| CN110543939A (zh) | 一种基于fpga的卷积神经网络后向训练的硬件加速实现架构 | |
| CN110163350A (zh) | 一种计算装置及方法 | |
| Yang et al. | Fpnet: Customized convolutional neural network for fpga platforms | |
| Xiyuan et al. | A Review of FPGA‐Based Custom Computing Architecture for Convolutional Neural Network Inference | |
| Osta et al. | Inexact arithmetic circuits for energy efficient IoT sensors data processing | |
| Wang et al. | Improved prediction method of PV output power based on optimised chaotic phase space reconstruction | |
| Zhang et al. | Implementation and optimization of the accelerator based on FPGA hardware for LSTM network | |
| CN104077479B (zh) | 一种基于守恒迎风格式获取参量阵声场空间分布的方法 | |
| CN101820286A (zh) | 一种时间交替采集系统的实时信号重构方法 | |
| Armeniakos et al. | Model-to-circuit cross-approximation for printed machine learning classifiers | |
| CN103176949A (zh) | 实现fft/ifft变换的电路及方法 | |
| Vineetha et al. | An efficient design methodology to speed up the FPGA implementation of artificial neural networks | |
| Zhuang et al. | Vlsi architecture design for adder convolution neural network accelerator | |
| CN116227332A (zh) | 一种transformer混合比特量化方法及系统 | |
| Xu et al. | Efficient hardware implementation of cellular neural networks with powers-of-two based incremental quantization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100609 Termination date: 20120108 |