CN105426958A - 通过神经电路实现因果推理的方法和神经电路 - Google Patents
通过神经电路实现因果推理的方法和神经电路 Download PDFInfo
- Publication number
- CN105426958A CN105426958A CN201510732195.3A CN201510732195A CN105426958A CN 105426958 A CN105426958 A CN 105426958A CN 201510732195 A CN201510732195 A CN 201510732195A CN 105426958 A CN105426958 A CN 105426958A
- Authority
- CN
- China
- Prior art keywords
- neuron
- granting
- rate
- neuronic
- sigma
- 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.)
- Pending
Links
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
- G06N3/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开一种通过神经电路实现因果推理的方法和神经电路,该方法包括:对多个刺激的概率分布进行编码,以发放N个输入神经元,并获取每个输入神经元的平均发放率;计算N个输入神经元的总的发放率,并依据总的发放率得到每个输入神经元归一化后的平均发放率;依据多个刺激的来源将N个输入神经元发放至第一发放神经元和第二发放神经元,并获取第一、第二发放神经元的突触权重;根据每个输入神经元归一化后的平均发放率获取第一发放神经元和第二发放神经元的输出发放率;比较第一发放神经元和第二发放神经元的输出发放率,并获取输出发放率最大的发放神经元。本发明实施例的方法,能够方便地通过神经电路实现对多个因素进行异同判断的因果推理。
Description
技术领域
本发明涉及神经电路技术领域,特别涉及一种通过神经电路实现因果推理的方法和神经电路。
背景技术
人脑能够判断出刺激的来源,例如判断出视觉刺激和听觉刺激,该判断过程即是人脑实现因果推理的过程。
目前,随着人工智能技术的发展,已能够通过人工模型实现人脑的部分功能。然而对于实现因果推理的神经电路的研究尚不成熟。相关技术中搭建的因果推理模型,运算过程及结构都相当复杂,难以通过神经电路来实现,而且目前的模型仅能实现两个刺激来源的因果推理,因此实际应用价值很低。可见,目前很难通过神经电路实现因果推理。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的目的在于提出一种通过神经电路实现因果推理的方法,能够方便地通过神经电路实现对多个因素进行异同判断的因果推理。
本发明的第二个目的在于提出一种实现因果推理的神经电路。
根据本发明第一方面实施例的通过神经电路实现因果推理的方法,包括以下步骤:对多个刺激的概率分布进行编码,以发放N个输入神经元,并获取每个输入神经元的平均发放率,其中,所述N个输入神经元的发放率符合泊松分布,其中,N为正整数;计算所述N个输入神经元的总的发放率,并依据所述总的发放率对所述每个输入神经元的平均发放率进行归一化处理,得到所述每个输入神经元归一化后的平均发放率;依据所述多个刺激的来源将N个输入神经元发放至第一发放神经元和第二发放神经元并根据所述每个输入神经元归一化后的平均发放率获取所述第一发放神经元和第二发放神经元的输出发放率;比较所述第一发放神经元和第二发放神经元的输出发放率,并获取输出发放率最大的发放神经元。
根据本发明实施例的通过神经电路实现因果推理的方法,通过对多个刺激发放N个符合泊松分布的输入神经元,并进一步得到每个输入神经元归一化后的平均发放率,并将多个神经元发放至两个发放神经元,然后计算两个发放神经元的输出发放率,最后通过比较得到输出发放率最大的发放神经元。由此,通过本发明实施例的神经电路,能够推断出多个刺激的来源是否相同,即实现了对多个因素进行异同判断的因果推理,推动了人工智能技术的发展,同时该神经电路设计较为简单,实现容易且成本较低。
另外,根据本发明上述实施例的通过神经电路实现因果推理的方法还可以具有如下附加的技术特征:
根据本发明的一个实施例,通过以下公式计算每个输入神经元的平均发放率:
其中,ri为第i个神经元的平均发放率,k为比例系数,为对n个刺激发放的第i个输入神经元,x1,…,xn为n个样本,其中,
进一步地,所述每个输入神经元归一化后的平均发放率为:
根据本发明的一个实施例,所述方法还包括:设置所述第一发放神经元和第二发放神经元的突触权重,具体地,当所述多个刺激的来源相同时,将N个输入神经元发放至第一发放神经元,并将所述第一发放神经元的突触权重设置为将所述第二发放神经元的突触权重设置为当所述多个刺激的来源不同时,将N个输入神经元发放至第二发放神经元,并将所述第一发放神经元的突触权重设置为将所述第二发放神经元的突触权重设置为
进一步地,所述根据所述每个输入神经元归一化后的平均发放率和所述突触权重获取所述第一发放神经元和第二发放神经元的输出发放率具体为:通过以下公式计算所述第一发放神经元的输出发放率:
并通过以下公式计算所述第二发放神经元的输出发放率:
根据本发明第二方面实施例的实现因果推理的神经电路,包括:发放模块,用于对多个刺激的概率分布进行编码,以发放N个输入神经元,并获取每个输入神经元的平均发放率,其中,所述N个输入神经元的发放率符合泊松分布,其中,N为正整数;归一化模块,用于计算所述N个输入神经元的总的发放率,并依据所述总的发放率对所述每个输入神经元的平均发放率进行归一化处理,得到所述每个输入神经元归一化后的平均发放率;获取模块,用于依据所述多个刺激的来源将N个输入神经元发放至第一发放神经元和第二发放神经元,并根据所述每个输入神经元归一化后的平均发放率获取所述第一发放神经元和第二发放神经元的输出发放率;比较模块,用于比较所述第一发放神经元和第二发放神经元的输出发放率,并获取输出发放率最大的发放神经元。
根据本发明实施例的实现因果推理的神经电路,通过对多个刺激发放N个符合泊松分布的输入神经元,并进一步得到每个输入神经元归一化后的平均发放率,并将多个神经元发放至两个发放神经元,然后计算两个发放神经元的输出发放率,最后通过比较得到输出发放率最大的发放神经元。由此,通过本发明实施例的神经电路,能够推断出多个刺激的来源是否相同,即实现了对多个因素进行异同判断的因果推理,推动了人工智能技术的发展,同时该神经电路设计较为简单,实现容易且成本较低。
另外,根据本发明上述实施例的实现因果推理的神经电路还可以具有如下附加的技术特征:
根据本发明的一个实施例,通过以下公式计算每个输入神经元的平均发放率:
其中,ri为第i个神经元的平均发放率,k为比例系数,为对n个刺激发放的第i个输入神经元,x1,…,xn为n个样本,其中,
进一步地,所述每个输入神经元归一化后的平均发放率为:
根据本发明的一个实施例,所述获取模块包括设置单元,所述设置单元用于设置所述第一发放神经元和第二发放神经元的突触权重,所述获取模块具体用于:当所述多个刺激的来源相同时,将N个输入神经元发放至第一发放神经元,并将所述第一发放神经元的突触权重设置为将所述第二发放神经元的突触权重设置为当所述多个刺激的来源不同时,将N个输入神经元发放至第二发放神经元,并将所述第一发放神经元的突触权重设置为将所述第二发放神经元的突触权重设置为
进一步地,所述获取模块具体还用于:通过以下公式计算所述第一发放神经元的输出发放率:
并通过以下公式计算所述第二发放神经元的输出发放率:
附图说明
图1为根据本发明一个实施例的通过神经电路实现因果推理的方法的流程图;
图2为根据本发明一个实施例的神经电路的结构示意图;
图3为根据本发明一个实施例的实现因果推理的神经电路的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
图1为根据本发明一个实施例的通过神经电路实现因果推理的方法的流程图。
如图1所示,本发明实施例的通过神经电路实现因果推理的方法,包括以下步骤:
S101,对多个刺激的概率分布进行编码,以发放N个输入神经元,并获取每个输入神经元的平均发放率,其中,N个输入神经元的发放率符合泊松分布,其中,N为正整数。
在本发明的一个实施例中,可通过对多个刺激S1,…,Sn进行群编码,以发放N个输入神经元并使N个输入神经元的发放率符合泊松分布。
在本发明的一个实施例中,可对发放的N个输入神经元进行采样,采样得到的样本xn可从均值为Sn、方差为的高斯分布中产生。因而,在N个输入神经元的发放过程中,参数可为:
在本发明的一个实施例中,每个输入神经元的平均发放率与参数成比例,因此可通过以下公式计算每个输入神经元的平均发放率:
其中,ri为第i个神经元的平均发放率,k为比例系数,为对n个刺激发放的第i个输入神经元,x1,…,xn为n个样本。
S102,计算N个输入神经元的总的发放率,并依据总的发放率对每个输入神经元的平均发放率进行归一化处理,得到每个输入神经元归一化后的平均发放率。
图2为根据本发明一个实施例的神经电路的结构示意图,其中,图2中以输入两个刺激为例。如图2所示,具体地,可将N个输入神经元的发放率进行求和,并发放至抑制神经元,从而得到N个输入神经元的总的发放率。在本发明的一个实施例中,总的发放率可为即在进行归一化处理后,每个输入神经元归一化后的平均发放率可为:
S103,依据多个刺激的来源将N个输入神经元发放至第一发放神经元和第二发放神经元,并根据每个输入神经元归一化后的平均发放率获取第一发放神经元和第二发放神经元的输出发放率。
如图2所示,电路中包含第一发放神经元a和第二发放神经元b,可将N个输入神经元与第一发放神经元a和第二发放神经元b相连。在本发明的一个实施例中,可设置第一发放神经元和第二发放神经元的突触权重。在本发明的一个实施例中,可通过指标集函数确定多个刺激的来源。具体地,可通过指标集函数计算第一发放神经元和第二发放神经元的突触权重。更具体地,以两个刺激为例,当多个刺激的来源相同时,可将N个输入神经元发放至第一发放神经元,并将第一发放神经元的突触权重设置为将第二发放神经元的突触权重设置为当多个刺激的来源不同时,可将N个输入神经元发放至第二发放神经元,并将第一发放神经元的突触权重设置为将第二发放神经元的突触权重设置为其中,对于指标集函数w=I(A),仅当满足条件A时,其值为1,否则其值为0。
上述对于突触权重的设置是基于两个刺激而确定的,当有n个刺激时,对于第一发放神经元的突触权重w1,可令从而,仅在多个刺激均相同,且范围为[-L,L]时,w1=1,否则,w1=0。其中,L的值可根据具体的需要设定,在此不限定为具体的数值。
在本发明的一个实施例中,可设定事件C,在多个刺激的来源相同时,令C=1;在多个刺激的来源不同时,令C=2。在本发明的一个实施例中,可通过以下公式计算第一发放神经元的输出发放率:
并可通过以下公式计算所述第二发放神经元的输出发放率:
S104,比较第一发放神经元和第二发放神经元的输出发放率,并获取输出发放率最大的发放神经元。
如图2所示,可将计算所得的第一发放神经元和第二发放神经元的输出发放率进行比较,并可将输出发放率最大的发放神经元以脉冲的形式输出。
根据本发明实施例的通过神经电路实现因果推理的方法,通过对多个刺激发放N个符合泊松分布的输入神经元,并进一步得到每个输入神经元归一化后的平均发放率,并将多个神经元发放至两个发放神经元,然后计算两个发放神经元的输出发放率,最后通过比较得到输出发放率最大的发放神经元。由此,通过本发明实施例的神经电路,能够推断出多个刺激的来源是否相同,即实现了对多个因素进行异同判断的因果推理,推动了人工智能技术的发展,同时该神经电路设计较为简单,实现容易且成本较低。
为实现上述实施例,本发明还提出一种实现因果推理的神经电路。
图3为根据本发明一个实施例的实现因果推理的神经电路的结构框图。
如图3所示,本发明实施例的实现因果推理的神经电路,包括:发放模块10、归一化模块20、获取模块30和比较模块40。
其中,发放模块10用于对多个刺激的概率分布进行编码,以发放N个输入神经元,并获取每个输入神经元的平均发放率,其中,所述N个输入神经元的发放率符合泊松分布,其中,N为正整数。
在本发明的一个实施例中,可通过对多个刺激S1,…,Sn进行群编码,以发放N个输入神经元并使N个输入神经元的发放率符合泊松分布。
在本发明的一个实施例中,可对发放的N个输入神经元进行采样,采样得到的样本xn可从均值为Sn、方差为的高斯分布中产生。因而,在N个输入神经元的发放过程中,参数可为:
在本发明的一个实施例中,每个输入神经元的平均发放率与参数成比例,因此可通过以下公式计算每个输入神经元的平均发放率:
其中,ri为第i个神经元的平均发放率,k为比例系数,为对n个刺激发放的第i个输入神经元,x1,…,xn为n个样本。
归一化模块20用于计算所述N个输入神经元的总的发放率,并依据所述总的发放率对所述每个输入神经元的平均发放率进行归一化处理,得到所述每个输入神经元归一化后的平均发放率。
参照图2,具体地,可将N个输入神经元的发放率进行求和,并发放至抑制神经元,从而得到N个输入神经元的总的发放率。在本发明的一个实施例中,总的发放率可为即在进行归一化处理后,每个输入神经元归一化后的平均发放率可为:
获取模块30用于依据多个刺激的来源将N个输入神经元发放至第一发放神经元和第二发放神经元,并根据每个输入神经元归一化后的平均发放率获取第一发放神经元和第二发放神经元的输出发放率。
如图2所示,电路中包含第一发放神经元a和第二发放神经元b,可将N个输入神经元与第一发放神经元a和第二发放神经元b相连。在本发明的一个实施例中,获取模块30可包括设置单元31,设置单元31可用于设置第一发放神经元和第二发放神经元的突触权重。在本发明的一个实施例中,可通过指标集函数确定多个刺激的来源。具体地,可通过指标集函数计算第一发放神经元和第二发放神经元的突触权重。更具体地,以两个刺激为例,当多个刺激的来源相同时,可将N个输入神经元发放至第一发放神经元,并将第一发放神经元的突触权重设置为将第二发放神经元的突触权重设置为当多个刺激的来源不同时,可将N个输入神经元发放至第二发放神经元,并将第一发放神经元的突触权重设置为将第二发放神经元的突触权重设置为其中,对于指标集函数w=I(A),仅当满足条件A时,其值为1,否则其值为0。
上述对于突触权重的设置是基于两个刺激而确定的,当有n个刺激时,对于第一发放神经元的突触权重w1,可令从而,仅在多个刺激均相同,且范围为[-L,L]时,w1=1,否则,w1=0。其中,L的值可根据具体的需要设定,在此不限定为具体的数值。
在本发明的一个实施例中,可设定事件C,在多个刺激的来源相同时,令C=1;在多个刺激的来源不同时,令C=2。在本发明的一个实施例中,获取模块40可具体用于:通过以下公式计算第一发放神经元的输出发放率:
并可通过以下公式计算所述第二发放神经元的输出发放率:
比较模块40用于比较所述第一发放神经元和第二发放神经元的输出发放率,并获取输出发放率较大的发放神经元。
如图2所示,可将计算所得的第一发放神经元和第二发放神经元的输出发放率进行比较,并可将输出发放率较大的发放神经元以脉冲的形式输出。
根据本发明实施例的实现因果推理的神经电路,通过对多个刺激发放N个符合泊松分布的输入神经元,并进一步得到每个输入神经元归一化后的平均发放率,并将多个神经元发放至两个发放神经元,然后计算两个发放神经元的输出发放率,最后通过比较得到输出发放率最大的发放神经元。由此,通过本发明实施例的神经电路,能够推断出多个刺激的来源是否相同,即实现了对多个因素进行异同判断的因果推理,推动了人工智能技术的发展,同时该神经电路设计较为简单,实现容易且成本较低。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种通过神经电路实现因果推理的方法,其特征在于,包括以下步骤:
对多个刺激的概率分布进行编码,以发放N个输入神经元,并获取每个输入神经元的平均发放率,其中,所述N个输入神经元的发放率符合泊松分布,其中,N为正整数;
计算所述N个输入神经元的总的发放率,并依据所述总的发放率对所述每个输入神经元的平均发放率进行归一化处理,得到所述每个输入神经元归一化后的平均发放率;
依据所述多个刺激的来源将N个输入神经元发放至第一发放神经元和第二发放神经元,并根据所述每个输入神经元归一化后的平均发放率获取所述第一发放神经元和第二发放神经元的输出发放率;
比较所述第一发放神经元和第二发放神经元的输出发放率,并获取输出发放率最大的发放神经元。
2.如权利要求1所述的通过神经电路实现因果推理的方法,其特征在于,通过以下公式计算每个输入神经元的平均发放率:
其中,ri为第i个神经元的平均发放率,k为比例系数,为对n个刺激发放的第i个输入神经元,x1,…,xn为n个样本,
其中,
3.如权利要求2所述的通过神经电路实现因果推理的方法,其特征在于,所述每个输入神经元归一化后的平均发放率为:
4.如权利要求1所述的通过神经电路实现因果推理的方法,其特征在于,还包括:设置所述第一发放神经元和第二发放神经元的突触权重,所述设置所述第一发放神经元和第二发放神经元的突触权重具体包括:
当所述多个刺激的来源相同时,将N个输入神经元发放至第一发放神经元,并将所述第一发放神经元的突触权重设置为将所述第二发放神经元的突触权重设置为当所述多个刺激的来源不同时,将N个输入神经元发放至第二发放神经元,并将所述第一发放神经元的突触权重为将所述第二发放神经元的突触权重设置为
5.如权利要求4所述的通过神经电路实现因果推理的方法,其特征在于,所述根据所述每个输入神经元归一化后的平均发放率获取所述第一发放神经元和第二发放神经元的输出发放率具体为:
通过以下公式计算所述第一发放神经元的输出发放率:
并通过以下公式计算所述第二发放神经元的输出发放率:
6.一种实现因果推理的神经电路,其特征在于,包括:
发放模块,用于对多个刺激的概率分布进行编码,以发放N个输入神经元,并获取每个输入神经元的平均发放率,其中,所述N个输入神经元的发放率符合泊松分布,其中,N为正整数;
归一化模块,用于计算所述N个输入神经元的总的发放率,并依据所述总的发放率对所述每个输入神经元的平均发放率进行归一化处理,得到所述每个输入神经元归一化后的平均发放率;
获取模块,用于依据所述多个刺激的来源将N个输入神经元发放至第一发放神经元和第二发放神经元,并根据所述每个输入神经元归一化后的平均发放率获取所述第一发放神经元和第二发放神经元的输出发放率;
比较模块,用于比较所述第一发放神经元和第二发放神经元的输出发放率,并获取输出发放率最大的发放神经元。
7.如权利要求6所述的实现因果推理的神经电路,其特征在于,通过以下公式计算每个输入神经元的平均发放率:
其中,ri为第i个神经元的平均发放率,k为比例系数,为对n个刺激发放的第i个输入神经元,x1,…,xn为n个样本,
其中,
8.如权利要求7所述的实现因果推理的神经电路,其特征在于,所述每个输入神经元归一化后的平均发放率为:
9.如权利要求6所述的实现因果推理的神经电路,其特征在于,所述获取模块包括设置单元,所述设置单元用于设置所述第一发放神经元和第二发放神经元的突触权重,所述获取模块具体用于:
当所述多个刺激的来源相同时,将N个输入神经元发放至第一发放神经元,并将所述第一发放神经元的突触权重设置为将所述第二发放神经元的突触权重设置为当所述多个刺激的来源不同时,将N个输入神经元发放至第二发放神经元,并将所述第一发放神经元的突触权重设置为将所述第二发放神经元的突触权重设置为
10.如权利要求9所述的实现因果推理的神经电路,其特征在于,所述获取模块具体还用于:
通过以下公式计算所述第一发放神经元的输出发放率:
并通过以下公式计算所述第二发放神经元的输出发放率:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510732195.3A CN105426958A (zh) | 2015-11-02 | 2015-11-02 | 通过神经电路实现因果推理的方法和神经电路 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510732195.3A CN105426958A (zh) | 2015-11-02 | 2015-11-02 | 通过神经电路实现因果推理的方法和神经电路 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105426958A true CN105426958A (zh) | 2016-03-23 |
Family
ID=55505153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510732195.3A Pending CN105426958A (zh) | 2015-11-02 | 2015-11-02 | 通过神经电路实现因果推理的方法和神经电路 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426958A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670585A (zh) * | 2018-12-29 | 2019-04-23 | 中国人民解放军陆军工程大学 | 神经元仿生电路和神经形态系统 |
CN115392442A (zh) * | 2022-10-26 | 2022-11-25 | 深圳时识科技有限公司 | 神经元点火方法、芯片及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008907A (zh) * | 2007-01-26 | 2007-08-01 | 清华大学 | 基于贝叶斯决策的负载感知的io性能优化方法 |
CN102738794A (zh) * | 2012-07-23 | 2012-10-17 | 海南电网公司 | 一种赛德尔式递推贝叶斯方法及其在状态估计中的应用 |
WO2013086580A1 (en) * | 2011-12-15 | 2013-06-20 | Commonwealth Scientific And Industrial Research Organisation | Method and apparatus for the assessment of medical images |
-
2015
- 2015-11-02 CN CN201510732195.3A patent/CN105426958A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008907A (zh) * | 2007-01-26 | 2007-08-01 | 清华大学 | 基于贝叶斯决策的负载感知的io性能优化方法 |
WO2013086580A1 (en) * | 2011-12-15 | 2013-06-20 | Commonwealth Scientific And Industrial Research Organisation | Method and apparatus for the assessment of medical images |
CN102738794A (zh) * | 2012-07-23 | 2012-10-17 | 海南电网公司 | 一种赛德尔式递推贝叶斯方法及其在状态估计中的应用 |
Non-Patent Citations (1)
Title |
---|
ZHAOFEI YU等: "Sampling-based Causal Inference in Cue Combination and its Neural Implementation", 《ARXIV》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670585A (zh) * | 2018-12-29 | 2019-04-23 | 中国人民解放军陆军工程大学 | 神经元仿生电路和神经形态系统 |
CN109670585B (zh) * | 2018-12-29 | 2024-01-23 | 中国人民解放军陆军工程大学 | 神经元仿生电路和神经形态系统 |
CN115392442A (zh) * | 2022-10-26 | 2022-11-25 | 深圳时识科技有限公司 | 神经元点火方法、芯片及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304941A (zh) | 一种基于机器学习的故障预测方法 | |
CN102274022B (zh) | 一种基于脑电信号的睡眠状态监测方法 | |
CN105976051A (zh) | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 | |
CN109271964A (zh) | 基于深度学习模型与长短记忆网络的情绪识别方法及系统 | |
Chizhov et al. | Population model of hippocampal pyramidal neurons, linking a refractory density approach to conductance-based neurons | |
CN108197425B (zh) | 一种基于非负矩阵分解的智能电网数据分解方法 | |
CN110765699B (zh) | 一种压裂装备作业时健康状态的评估方法及装置 | |
CN101794114B (zh) | 助行功能性电刺激系统中遗传算法整定控制参数的方法 | |
CN113537649B (zh) | 基于神经网络与动态模式分解的电网负荷预测方法及系统 | |
CN102768701A (zh) | 基于量子遗传算法的高压开关柜绝缘子电场优化方法 | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN106769030A (zh) | 一种基于mea‑bp神经网络算法的轴承状态跟踪与预测方法 | |
CN105426958A (zh) | 通过神经电路实现因果推理的方法和神经电路 | |
Fatoorehchi et al. | Chaos control in the cerium-catalyzed Belousov–Zhabotinsky reaction using recurrence quantification analysis measures | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
Angulo-Garcia et al. | Death and rebirth of neural activity in sparse inhibitory networks | |
CN103632051A (zh) | 基于模糊粗糙集条件熵属性约简的数据分析方法 | |
CN106805969A (zh) | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 | |
CN101816821B (zh) | 基于蚁群模糊控制器的助行功能性电刺激精密控制方法 | |
CN101846977B (zh) | 功能性电刺激关节角度遗传模糊控制方法 | |
Golomb et al. | Theory of hierarchically organized neuronal oscillator dynamics that mediate rodent rhythmic whisking | |
CN105999508A (zh) | 一种基于脑电波分析的智能叫醒方法 | |
CN101771412B (zh) | 基于神经元工作原理的模数转换方法及装置 | |
An et al. | Coding capacity of purkinje cells with different schemes of morphological reduction | |
CN108764474A (zh) | 一种神经元参数拟合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160323 |
|
RJ01 | Rejection of invention patent application after publication |