CN106663220A - 用于基于阈值的信号编码的异步脉冲调制 - Google Patents

用于基于阈值的信号编码的异步脉冲调制 Download PDF

Info

Publication number
CN106663220A
CN106663220A CN201580033497.XA CN201580033497A CN106663220A CN 106663220 A CN106663220 A CN 106663220A CN 201580033497 A CN201580033497 A CN 201580033497A CN 106663220 A CN106663220 A CN 106663220A
Authority
CN
China
Prior art keywords
signal
output signal
threshold value
input
input signal
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
Application number
CN201580033497.XA
Other languages
English (en)
Inventor
Y·C·尹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN106663220A publication Critical patent/CN106663220A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M3/00—Conversion of analogue values to or from differential modulation
    • H03M3/30—Delta-sigma modulation
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M3/00—Conversion of analogue values to or from differential modulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/06—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection
    • H04L25/067—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection providing soft decisions, i.e. decisions together with an estimate of reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/06—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection
    • H04L25/069—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection by detecting edges or zero crossings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L7/00—Arrangements for synchronising receiver with transmitter
    • H04L7/0016—Arrangements for synchronising receiver with transmitter correction of synchronization errors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L7/00—Arrangements for synchronising receiver with transmitter
    • H04L7/04—Speed or phase control by synchronisation signals
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M3/00—Conversion of analogue values to or from differential modulation
    • H03M3/02—Delta modulation, i.e. one-bit differential modulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Dc Digital Transmission (AREA)

Abstract

一种信号处理方法包括：将输入信号与一个或多个正阈值以及一个或多个负阈值作比较。该方法还包括基于输入信号与(诸)正阈值和(诸)负阈值的比较来生成输出信号。该方法进一步包括将输出信号反馈至衰退重构滤波器以创建经重构信号并将经重构信号与输入信号组合。

Description

用于基于阈值的信号编码的异步脉冲调制
相关申请的交叉引用
本申请要求于2014年6月23日提交且题为“ASYNCHRONOUS PULSE MODULATION FORTHRESHOLD-BASED SIGNAL CODING(用于基于阈值的信号编码的异步脉冲调制)”的美国临时专利申请No.62/015,739的权益，其公开内容通过援引全部明确纳入于此。
背景
领域
本公开的某些方面一般涉及信号处理，尤其涉及用于基于阈值的信号编码的异步脉冲调制方案。
背景技术
信号编码在包括电信、传感器、信号处理芯片和网络设计的各种系统中采用。例如，信号编码可在音频和视觉处理器中、在分布式网络中的节点之间、或者在神经网络中互连的人工神经元(即，神经元模型)之间采用。神经网络是计算设备或表示要由计算设备执行的方法。人工神经网络可具有生物学神经网络中的对应的结构和/或功能。然而，人工神经网络可为其中传统计算技术是麻烦的、不切实际的、或不胜任的一些应用提供创新且有用的计算技术。
许多系统采用时钟或定时设备来采样数据。此类系统可被称为“同步”系统，因为数据被“同步”至时钟脉冲或时钟速度。其它系统可以在没有时钟的情况下运行，并且此类系统可被称为“异步”，因为数据不以周期性方式移动穿过此类系统。一些网络(诸如人工神经网络)能从观察中推断功能，并且在它们可以异步方式来设计的情况下可以是更为计算高效的或者使用较低的功率系统。
概述
在本公开的一方面，给出了一种信号处理方法。该方法包括将输入信号与一个或多个正阈值以及一个或多个负阈值作比较。该方法还包括基于输入信号与(诸)正阈值和(诸)负阈值的比较来生成输出信号。该方法进一步包括将输出信号反馈至衰退重构滤波器以创建经重构信号。此外，该方法包括将经重构信号与输入信号组合。
在本公开的另一方面，给出了一种用于信号处理的装置。该装置包括存储器以及耦合至该存储器的一个或多个处理器。(诸)处理器被配置成将输入信号与一个或多个正阈值以及一个或多个负阈值作比较。(诸)处理器还被配置成基于输入信号与(诸)正阈值和(诸)负阈值的比较来生成输出信号。(诸)处理器被进一步配置成将输出信号反馈至衰退重构滤波器以创建经重构信号。此外，(诸)处理器被配置成将经重构信号与输入信号组合。
在本公开的又一方面，给出了一种用于信号处理的设备。该设备包括用于将输入信号与一个或多个正阈值以及一个或多个负阈值作比较的装置。该设备还包括用于基于输入信号与(诸)正阈值和(诸)负阈值的比较来生成输出信号的装置。该设备进一步包括用于将输出信号反馈至衰退重构滤波器以创建经重构信号的装置。此外，该设备包括用于将经重构信号与输入信号组合的装置。
在本公开的再另一方面，给出了一种用于信号处理的计算机程序产品。该计算机程序产品包括其上编码有程序代码的非瞬态计算机可读介质。该程序代码包括用于将输入信号与一个或多个正阈值以及一个或多个负阈值作比较的程序代码。该程序代码还包括用于基于输入信号与(诸)正阈值和(诸)负阈值的比较来生成输出信号的程序代码。该程序代码进一步包括用于将输出信号反馈至衰退重构滤波器以创建经重构信号的程序代码。此外，该程序代码包括用于将经重构信号与输入信号组合的程序代码。
在本公开的一方面，给出了一种信号处理方法。该方法包括将输入信号与一个或多个阈值作比较。该方法还包括基于输入信号与(诸)阈值的比较来生成输出信号。该方法进一步包括将输出信号反馈至衰退重构滤波器以创建经重构信号。衰退重构滤波器并非单个衰退指数。此外，该方法包括将经重构信号与输入信号组合。
在本公开的另一方面，给出了一种用于信号处理的装置。该装置包括存储器以及耦合至该存储器的一个或多个处理器。(诸)处理器被配置成将输入信号与一个或多个阈值作比较。(诸)处理器还被配置成基于输入信号与(诸)阈值的比较来生成输出信号。(诸)处理器被进一步配置成将输出信号反馈至衰退重构滤波器以创建经重构信号。衰退重构滤波器并非单个衰退指数。此外，(诸)处理器被配置成将经重构信号与输入信号组合。
在本公开的又一方面，给出了一种用于信号处理的设备。该设备包括用于将输入信号与一个或多个阈值作比较的装置。该设备还包括用于基于输入信号与(诸)阈值的比较来生成输出信号的装置。该设备进一步包括用于将输出信号反馈至衰退重构滤波器以创建经重构信号的装置。衰退重构滤波器并非单个衰退指数。此外，该设备包括用于将经重构信号与输入信号组合的装置。
在本公开的再另一方面，给出了一种用于信号处理的计算机程序产品。该计算机程序产品包括其上编码有程序代码的非瞬态计算机可读介质。该程序代码包括用于将输入信号与一个或多个阈值作比较的程序代码。该程序代码还包括用于基于输入信号与(诸)阈值的比较来生成输出信号的程序代码。该程序代码进一步包括用于将输出信号反馈至衰退重构滤波器以创建经重构信号的程序代码。衰退重构滤波器并非单个衰退指数。此外，该程序代码包括用于将经重构信号与输入信号组合的程序代码。
这已较宽泛地勾勒出本公开的特征和技术优势以便下面的详细描述可以被更好地理解。本公开的其他特征和优点将在下文描述。本领域技术人员应该领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。
附图简述
在结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加明显，在附图中，相同附图标记始终作相应标识。
图1解说了根据本公开的某些方面的示例网络。
图2解说了根据本公开的某些方面的示例神经元网络。
图3解说了根据本公开的某些方面的计算网络(神经系统或神经网络)的处理单元(神经元)的示例。
图4解说了根据本公开的一方面的异步脉冲调制器(APM)。
图5是解说根据本公开的各方面的没有衰退的示例性多阈值量化办法的示图。
图6是解说根据本公开的一方面的示例性APM的框图。
图7示出了解说根据本公开的各方面的具有上限阈值量化器的示例性APM的操作的示图。
图8是解说根据本公开的各方面的示例性APM的框图。
图9示出了解说根据本公开的各方面的具有下限阈值量化器的示例性APM的操作的示图。
图10是解说根据本公开的各方面的示例性APM的框图。
图11示出了解说根据本公开的各方面的具有双侧量化器的示例性APM的操作的示图。
图12是解说根据本公开的各方面的简化APM的框图。
图13是解说根据本公开的各方面的包括复位机制的示例性APM的框图。
图14-15是解说根据本公开的一方面的用于信号编码的方法的流程图。
详细描述
以下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践本文中所描述的概念的仅有的配置。本详细描述包括具体细节以便提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在一些实例中，以框图形式示出众所周知的结构和组件以避免湮没此类概念。
基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可以使用所阐述的任何数目个方面来实现本公开或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。
措辞“示例性”在本文中用于表示“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。
尽管本文描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议，其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。
异步脉冲调制
至神经网络以及其它网络的输入数据流本质上可以是连续的。基于时钟的系统规律地(周期性地)采样连续时间信号，这可导致即使在信号中缺少变化的情况下也进行信号采样。此种办法可能使用附加功率或限制此类系统的总体速度。
本公开的各方面涉及用异步脉冲调制进行信号处理。在一些方面，该信号处理可以在不使用时钟信号的情况下进行。
图1解说了根据本公开的某些方面的示例网络。
在通信系统(包括计算机、蜂窝电话、网络等)中，编码是将输入信号或序列置于不同格式以供传送或存储的过程。例如，系统10可以通过编码器14处理输入12(例如，x(t))。输入12可以是模拟信号、数字信号、相位或脉冲调制信号、或者其它类型的信号。作为示例，模拟音频信号可通过模数转换器被编码成数字信号。来自编码器14的输出16被传送通过信道18，信道18可以是无线的或经由线路、光纤、或其它传输介质。
信道18的输出20可随后被提供给解码器22，解码器22将输出20转换回原始输入12。解码器22具有作为输入12的再现的输出24。取决于编码器14的精度、信道18中的损耗或噪声、以及解码器22与编码器14的匹配，输出24可随输入12变化。例如，如果信道18是有噪声的，则输出24可能不是输入12的准确再现。
可以使用许多不同的编码/解码方案。正交相移键控(QPSK)码、差分信号、伪随机(PN)编码、时分、和其它信号编码方案可被编码器14和解码器22采用。在数据通信中，可以使用Manchester编码，其中二进制数字(位)表示高逻辑状态与低逻辑状态之间的转变。
本公开解决了实现或实行采用脉冲调制来将连续时间信号编码为事件和/或将事件解码回连续时间信号的估计的异步系统的问题。本公开在一方面描述了用于时钟可任选且高效信号编码的异步脉冲调制(APM)设计。无时钟设计在连续时间中操作。其中时钟存在或可用的设计可以在离散时间中操作。
根据本公开的各方面的设计使得在一般化框架中实现新编码器。例如，正单极、负单极、双极和多值信令、衰退重构(Δ)滤波器、用于信号整形的预(Σ)滤波器以及其中在解码器处仅使用抗混叠滤波器的简化设计在本公开内都是可能的。
本公开提供了信道上的连续时间信号更为高效的编码。例如，在没有噪声或信号衰减的理想信道中，连续时间信号可被直接传送(类似于神经元中的间隙联结)。然而，在实践中，这一直接办法的保真度受到遭受非理想情形的给定信道的影响并且收到信号可被畸变。
示例神经系统、训练及操作
图2解说根据本公开的某些方面的具有多级神经元的示例人工神经系统200。图1中示出的系统10的类型可以是具有安排成“级”或“层”的若干输入、若干信道和若干输出的神经系统。神经系统200可具有神经元级202，该神经元级202通过突触连接网络204(即，前馈连接)来连接到另一神经元级206。为简单起见，图2中仅解说了两级神经元，尽管神经系统中可存在更少或更多级神经元。应注意，一些神经元可通过侧向连接来连接至同层中的其他神经元。此外，一些神经元可通过反馈连接来后向连接至先前层中的神经元。
如图2所解说的，级202中的每一个神经元可以接收可由前级的神经元(未在图2中示出)生成的输入信号208。输入信号208可表示级202的神经元的输入电流。该电流可在神经元膜上累积以对膜电位进行充电。当膜电位达到其阈值时，该神经元可激发并生成输出尖峰，该输出尖峰将被传递到下一级神经元(例如，级206)。在一些建模办法中，神经元可以连续地向下一级神经元传递信号。该信号通常是膜电位的函数。此类行为可在硬件和/或软件(包括模拟和数字实现，诸如以下所述那些实现)中进行仿真或模拟。
在生物学神经元中，在神经元激发时生成的输出尖峰被称为动作电位。该电信号是相对迅速、瞬态的神经脉冲，其具有约为100mV的振幅和约为1ms的历时。在具有一系列连通的神经元(例如，尖峰从图2中的一级神经元传递至另一级神经元)的神经系统的特定实施例中，每个动作电位都具有基本上相同的振幅和历时，并且因此该信号中的信息可仅由尖峰的频率和数目、或尖峰的时间来表示，而不由振幅来表示。动作电位所携带的信息可由尖峰、发放了尖峰的神经元、以及该尖峰相对于一个或数个其他尖峰的时间来确定。尖峰的重要性可由向各神经元之间的连接所应用的权重来确定，如以下所解释的。
尖峰从一级神经元向另一级神经元的传递可通过突触连接(或简称“突触”)网络204来达成，如图2中所解说的。相对于突触204，级202的神经元可被视为突触前神经元，而级206的神经元可被视为突触后神经元。突触204可接收来自级202的神经元的输出信号(即，尖峰)，并根据可调节突触权重来按比例缩放那些信号，其中P是级202的神经元与级206的神经元之间的突触连接的总数，并且“i”是神经元级的指示符。在图2的示例中，i表示神经元级202并且i+1表示神经元级206。此外，经按比例缩放的信号可被组合以作为级206中每个神经元的输入信号。级206中的每个神经元可基于对应的组合输入信号来生成输出尖峰210。可使用另一突触连接网络(图1中未示出)将这些输出尖峰210传递到另一级神经元。
生物学突触可以仲裁突触后神经元中的兴奋性或抑制性(超级化)动作，并且还可用于放大神经元信号。兴奋性信号使膜电位去极化(即，相对于静息电位增大膜电位)。如果在某个时间段内接收到足够的兴奋性信号以使膜电位去极化到高于阈值，则在突触后神经元中发生动作电位。相反，抑制性信号一般使膜电位超极化(即，降低膜电位)。抑制性信号如果足够强则可抵消掉兴奋性信号之和并阻止膜电位到达阈值。除了抵消掉突触兴奋以外，突触抑制还可对自发活跃神经元施加强力的控制。自发活跃神经元是指在没有进一步输入的情况下(例如，由于其动态或反馈而)发放尖峰的神经元。通过压制这些神经元中的动作电位的自发生成，突触抑制可对神经元中的激发模式进行定形，这一般被称为雕刻。取决于期望的行为，各种突触104可充当兴奋性或抑制性突触的任何组合。
神经系统200可由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件(PLD)、分立的门或晶体管逻辑、分立的硬件组件、由处理器执行的软件模块、或其任何组合来仿真。神经系统200可用在大范围的应用中，诸如图像和模式识别、机器学习、电机控制、及类似应用等。神经系统200中的每一神经元可被实现为神经元电路。被充电至发起输出尖峰的阈值的神经元膜可被实现为例如对流经其的电流进行积分的电容器。
在一方面，电容器作为神经元电路的电流积分器件可被除去，并且可使用较小的忆阻器元件来替代它。这种办法可应用于神经元电路中，以及其中大容量电容器被用作电流积分器的各种其他应用中。另外，每个突触204可基于忆阻器元件来实现，其中突触权重变化可与忆阻器电阻的变化有关。使用纳米特征尺寸的忆阻器，可显著地减小神经元电路和突触的面积，这可使得实现大规模神经系统硬件实现更为切实可行。
对神经系统200进行仿真的神经处理器的功能性可取决于突触连接的权重，这些权重可控制神经元之间的连接的强度。突触权重可存储在非易失性存储器中以在掉电之后保留该处理器的功能性。在一方面，突触权重存储器可实现在与主神经处理器芯片分开的外部芯片上。突触权重存储器可与神经处理器芯片分开地封装成可更换的存储卡。这可向神经处理器提供多种多样的功能性，其中特定功能性可基于当前附连至神经处理器的存储卡中所存储的突触权重。
图3解说根据本公开的某些方面的计算网络(例如，神经系统或神经网络)的处理单元(例如，神经元或神经元电路)302的示例性示图300。例如，神经元302可对应于来自图2的级202和206的任何神经元。神经元302可接收多个输入信号3041-304N，这些输入信号可以是该神经系统外部的信号、或是由同一神经系统的其他神经元所生成的信号、或这两者。输入信号可以是电流、电导、电压、实数值的和/或复数值的。输入信号可包括具有定点或浮点表示的数值。可通过突触连接将这些输入信号递送到神经元302，突触连接根据可调节突触权重3061-306N(W1-WN)对这些信号进行按比例缩放，其中N可以是神经元302的输入连接总数。
神经元302可组合这些经按比例缩放的输入信号，并且使用组合的经按比例缩放的输入来生成输出信号308(即，信号Y)。输出信号308可以是电流、电导、电压、实数值的和/或复数值的。输出信号可以是具有定点或浮点表示的数值。随后该输出信号308可作为输入信号传递至同一神经系统的其他神经元、或作为输入信号传递至同一神经元302、或作为该神经系统的输出来传递。
处理单元(神经元)302可由电路来仿真，并且其输入和输出连接可由具有突触电路的电连接来仿真。处理单元302及其输入和输出连接也可由软件代码来仿真。处理单元302还可由电路来仿真，而其输入和输出连接可由软件代码来仿真。在一方面，计算网络中的处理单元302可以是模拟电路。在另一方面，处理单元302可以是数字电路。在又一方面，处理单元302可以是具有模拟和数字组件两者的混合信号电路。计算网络可包括任何前述形式的处理单元。使用这样的处理单元的计算网络(神经系统或神经网络)可用在大范围的应用中，诸如图像和模式识别、机器学习、电机控制、及类似应用等。
在神经网络的训练过程期间，突触权重(例如，来自图2的权重和/或来自图3的权重3061-306N)可用随机值来初始化并根据学习规则而被增大或减小。本领域技术人员将领会，学习规则的示例包括但不限于尖峰定时依赖可塑性(STDP)学习规则、Hebb规则、Oja 规则、Bienenstock-Copper-Munro(BCM)规则等。在一些方面，这些权重可稳定或收敛至两个值(即，权重的双峰分布)之一。该效应可被用于减少每个突触权重的位数、提高从/向存储突触权重的存储器读取和写入的速度、以及降低突触存储器的功率和/或处理器消耗。
突触类型
在神经网络的硬件和软件模型中，突触相关功能的处理可基于突触类型。突触类型可以是非可塑突触(权重和延迟没有改变)、可塑突触(权重可改变)、结构化延迟可塑突触(权重和延迟可改变)、全可塑突触(权重、延迟和连通性可改变)、以及基于此的变型(例如，延迟可改变，但在权重或连通性方面没有改变)。多种类型的优点在于处理可以被细分。例如，非可塑突触不会使用待执行的可塑性功能(或等待此类功能完成)。类似地，延迟和权重可塑性可被细分成可一起或分开地、顺序地或并行地运作的操作。不同类型的突触对于适用的每一种不同的可塑性类型可具有不同的查找表或公式以及参数。因此，这些方法将针对该突触的类型来访问相关的表、公式或参数。
还进一步牵涉到以下事实：尖峰定时依赖型结构化可塑性可独立于突触可塑性地来执行。结构化可塑性即使在权重幅值没有改变的情况下(例如，如果权重已达最小或最大值、或者其由于某种其他原因而不被改变)也可被执行，因为结构化可塑性(即，延迟改变的量)可以是前-后尖峰时间差的直接函数。替换地，结构化可塑性可被设为权重变化量的函数或者可基于与权重或权重变化的界限有关的条件来设置。例如，突触延迟可仅在权重变化发生时或者在权重到达0的情况下才改变，但在这些权重为最大值时则不改变。然而，具有独立函数以使得这些过程能被并行化从而减少存储器访问的次数和交叠可能是有利的。
图4解说了根据本公开的一方面的异步脉冲调制器(APM)。图4解说了APM 400采用编码器402来将输入信号z(t)404编码为传送信号s(t)406并在解码器412处跨信道410重构输入信号404的估计408。为了便于解释，信道410可被假定为理想信道以使得解码器412处的收到信号414r(t)＝s(t)，理解到可能引入信道噪声和畸变(例如多径信道、时变衰减)并影响系统设计。
在一些方面，编码器402可包括用于对输入信号404z(t)预整形并生成经滤波信号418的线性时变(LTI)预滤波器416g(t)：
y(t)＝z(t)*g(t) (1)
LTI预滤波器416也可称为“∑”或积分滤波器。如果存在LTI预滤波器416，则APM400可被称为异步脉冲∑-Δ调制器(APSDM)。如果不存在LTI预滤波器416，则y(t)＝z(t)且APM可被称为异步脉冲Δ调制器(APDM)。
编码器402还包括量化器420、信号发生器422(其可以是脉冲发生器)和重构滤波器424。量化器420、信号发生器422和重构滤波器424组合起来可被称为对经滤波信号418y(t)中的变化或“Δ”进行编码的一般化异步脉冲Δ调制器(APDM)编码器。经滤波信号418y(t)被提供给加法器428并被减去本地重构信号426以生成差信号：
该差信号的振幅被量化器420量化，从而产生信号430：
尽管信号e(t)可以是连续值，但在一些方面，它可以取一个或多个离散值。量化器420还可以采取数种形式。例如，如稍后更为详细地描述的，量化器可以具有一个、两个或多个阈值。经量化差信号430随后被传递通过信号发生器422以产生传送信号406：
其中M表示由编码器生成的输出脉冲的总数，p(t)表示具有单位能量的发射脉冲形状，Tm是与中第m个正变化(达到或超过上限阈值)和/或负变化(达到或超过下限阈值)的出现相关联的时刻，其中m∈[1，M]且T1＜T2＜…＜TM，且a(m)是与第m个脉冲相关联的缩放值或因子。例如，a(m)可以表示1或者任何正或负值集(例如，±1、±2)。
在一个方面，脉冲可以具有与脉冲函数δ(t)相似的大带宽。这些脉冲包括类似以下脉冲：sinc(Bt)，其中B＞＞1，稍后描述的升余弦脉冲(其中B＞＞1且滚动因子为β)以及细矩形脉冲其中T(P)＜＜1且us(t) 是单位阶跃函数：
在一些方面，当针对一串脉冲达到各阈值时，传送信号406可被视为时刻序列{T1，T2，...，TM}的变换。传送信号406还可被认为是脉冲时间调制，其中每个时刻决定生成该脉冲的时刻。
传送信号406可随后被反馈回重构滤波器424h(t)(也称为Δ滤波器)以产生重构信号426：
对于连续时间系统，不使用时钟并且信令时刻{Tm|m∈[1，M]}是连续值。另一方面，对于使用时钟的离散时间系统，信号时刻{Tm|m∈[1，M]}可被量化(例如，量化到最靠近的1ms)。这产生了APM 400的离散时间版本。
在一些方面，量化器420和信号发生器422可视需要组合。此外，平滑滤波器432(例如，抗混叠滤波器(AAF))可在预滤波器之前被插入以移除带外噪声。例如，平滑滤波器432可以是低通滤波器(LPF)或带通滤波器(BPF)。在一些方面，平滑滤波器432的带宽可被设为近似z(t)的带宽。
量化器420可按各种配置提供。例如，量化器420可以是单侧或双侧的。单侧量化器例如可包括上限阈值量化器(图6中示出)或下限阈值量化器(图8中示出)。
上限阈值量化器可对具有最小值的信号进行编码，该最小值例如可以是零。上限阈值量化器可具有用于量化输入信号的单个阈值或多个阈值。
差信号通过下式被映射至经量化差信号：
以使得如果e(t)≥Δ/2，则否则其中a＞0表示经量化值。为了便于解释而非限制，缩放因子a可被设为1。因此，量化器420可以产生以单正值脉冲序列被缩放因子a的形式的传送信号(例如，类似于尖峰神经网络中的尖峰)，其也可被称为单极信令或点处理。传送信号可由下式给出：
在一些方面，阈值的设计影响重构滤波器设计。在一个示例中，稍后定义的阈值Δ/2和h(t)∈[0，Δ]可以产生在另一示例中，阈值Δ和h(t)∈[0，Δ]可以产生e(t)∈[0，Δ]。第一种办法导致差信号的较小绝对值。这
一注释不仅应用于上限阈值量化器，而且应用于本文档中描述的所有量化器。
时刻{Tm|m＝1，...，M}对应于高于或等于阈值的时刻。
可引入多个正阈值以处置具有快速正值变化的输入信号，其中e(t)＞＞Δ/2，其可在故障时间期间或者在编码器可能不传送(例如，因为电源充电)的不应期期间e(t)快速变化的情况下发生。以下描述了双阈值单侧量化器的示例。
差信号通过下式被映射至经量化差信号：
以使得这一量化器导致两个离散值脉冲序列形式的传送信号。这些产生以下形式的传送信号：
其中a(m)∈{a，2a}。时刻{Tm|m＝1，...，M}对应于高于阈值的时刻。
下限阈值量化器旨在对低于最大值的信号进行编码。为了方便解释，假定最大值为0，以使得编码针对非正信号。下限阈值量化器还可以具有用于量化输入信号的一个或多个阈值。
差信号可通过下式被映射至经量化差信号：
以使得并且如果e(t)≤-Δ/2，则否则值a表示经量化值(例如，a＝1)。这一量化器产生可由下式给出的单负值脉冲序列形式的传送信号：
其中时刻{Tm|m＝1，...，M}对应于低于或等于阈值的时刻。
如同上限阈值的阈值量化器那样，可引入多个下限阈值的阈值以处置具有快速负值变化的输入信号，其中e(t)＜＜-Δ/2。
差信号通过下式被映射至经量化差信号：
这产生以下形式的传送信号：
其中a(m)∈{-a，-2a}。时刻{Tm|m＝1，...，M}对应于低于或等于阈值的时刻。
双侧量化器(例如，图10中示出)可以对可能不具有最小值或最大值的信号进行编码。双侧量化器可以具有渐增和渐减值的阈值两者。此类量化器可以支持无界信号的量化以及需要的情况下支持上限阈值和/或下限阈值。图10中示出了双侧单阈值对量化器。
差信号通过下式被映射至经量化差信号：
以使得这一量化器产生单极脉冲序列形式的传送信号：
其中a(m)∈{-a，a}。时刻{Tm|m＝1，...，M}对应于高于或等于正值阈值或者低于或等于负值阈值的时刻。
可以引入多个阈值对以处置|e(t)|＞＞Δ/2情况下快速变化的输入信号。以下描述了双侧双阈值对量化器的示例。
差信号通过下式被映射至经量化差信号：
以使得这一量化器产生双极脉冲序列形式的传送信号：
其中a(m)∈{-2a，-a，a，2a}。时刻{Tm|m＝1，...，M}对应于或高于或等于正值阈值、或者低于或等于负值阈值的时刻。
如果量化器420是单侧的，则重构滤波器424可以是衰退滤波器。非衰退重构滤波器可以产生或针对上限阈值量化器单调递增或针对下限阈值量化器单调递减的重构信号426。如果量化器420是双侧的，则可以使用或衰退或非衰退重构滤波器424。衰退重构滤波器424可以具有连续值或离散值。
非衰退重构滤波器可以取以下脉冲响应：
其中缩放因子1/a可被用于移除传送(或接收)信号中的因子a，而缩放因子Δ可被用于跟踪输入信号达与由量化器定义的量相匹配的量。在一些方面，Δ＝a＝1以使得h(t)＝us(t)。
在一些配置中，可以使用具有连续值脉冲响应的任意衰退滤波器。例如，任意衰退滤波器可在信号(例如，输入信号)逐渐下降至零时使用。在一些方面，重构滤波器可基于输入信号类型的衰退行为来选择。例如，对于快速衰退输入信号，可以使用具有快速衰退至零的重构滤波器。否则，可以使用具有慢衰退的重构滤波器。对于具有快速上升的信号而言，可以采用具有快速上升的重构滤波器。否则，可以使用具有慢上升的重构滤波器。
简单的衰退重构滤波器是衰退指数：
其中τd表示衰退时间常数，并且其中us(t)表示单位阶跃函数以使得如果t≥0，则us(t)＝1，否则uz(t)＝0。
在一些方面，可以使用具有双指数的重构滤波器。例如，对于平滑上升而非陡峭跳跃，双指数滤波器可由下式给出：
其中τr表示上升时间常数且缩放系数A2exp是：
其中A2exp，peak表示双指数的峰值振幅(例如，A2exp，peak＝1)且：
在一些方面，可以采用具有离散值的衰退滤波器。在一个示例中，重构滤波器具有带有均匀分隔开的离散值的线性衰退阶梯函数形式。
重构滤波器还可具有非均匀分隔开的离散值和针对每个离散值的非均匀历时。在一个示例中，可以使用具有以缩短方式(因子为1/2)调整的渐减步长大小的重构滤波器，其可被比作衰退指数的离散值版本。
在又一方面，重构滤波器可具有初始上升和后续衰退。例如，重构滤波器可最初上升并随后具有衰退阶梯函数，其可被比作双指数的离散值版本。
如果信道410是理想的(即，没有损耗或噪声)，则解码器412看到收到信号414等效于传送信号406以使得r(t)＝s(t)。
在具有用于编码有界信号的APDM和单侧量化器的情况下，重构信号(或滤波器脉冲响应)一般可趋近于零。否则，信号编码或许是不可能的。例如，具有上限阈值量化器的APDM和被设为单位阶跃函数的重构滤波器可以仅编码随时间增大的信号并且可以不编码还随时间减小的信号。另一方面，具有足够快速地趋近于零的响应的重构滤波器可以编码还衰退的信号。
解码器412可包括重构滤波器(类似于重构滤波器424)、反向滤波器、和平滑滤波器432(例如，抗混叠滤波器(AAF))，它们在一些方面可以不同次序和/或组合来配置。
在本公开的APM 400中，对于解码器412存在显式解决方案，而非对于脉冲响应的估计数值解决方案。
图5是解说根据本公开的各方面的具有带有单位阶跃函数脉冲响应的重构滤波器的示例性多阈值量化办法的示图500。参照图5，可变输入信号y(t)在不同时刻跨越各个阈值(例如，502a、502b、502c和502d)。当输入信号y(t)跨越阈值时，在该跨越时刻(例如，Tn[1]-Tn[6])触发对输入信号的采样的等级跨越事件发生。即，当输入信号在时间Tn[1]到Tn[6]跨越各个阈值时，输入信号y(t)变成经量化信号如果未检测到其中一个阈值跨越，则经量化信号将出差错，并且该差错将是不可校正的，因为非衰退重构滤波器424将不会使经量化信号返回至输入信号。
图6是解说根据本公开的一方面的示例性APM 600的框图。示例性APM 600可包括编码器602和解码器604。编码器602包括预滤波器608(例如，Σ滤波器)和异步Δ调制器(ADM)610。ADM 610包括上限阈值量化器612、脉冲发生器622和重构滤波器616。
编码器602接收输入信号z(t)。输入信号可通过预滤波器608来滤波并提供给ADM610。经滤波输入信号y(t)被提供给加法器428。加法器产生差信号e(t)，差信号e(t)提供给上限阈值量化器612。在图6的示例中，上限阈值量化器612配置有单个阈值。然而，如上所述，也可包括附加阈值。
当差信号(e(t))跨越单个阈值水平时，量化器向脉冲发生器提供经量化信号，脉冲发生器进而生成脉冲(s(t))(例如，尖峰)。所生成的脉冲(s(t))可经由信道606被传送给解码器604。在一些方面，所传送的脉冲可以是正值变化。注意，脉冲是在事件基础上(例如，当差信号达到阈值水平时)传送的，并且因此APM可在不使用时钟的情况下操作。因此，APM可有益地提供计算复杂度和功耗的减少。
所生成的脉冲还提供给重构滤波器616(h(t))，其生成经重构输入信号经重构输入信号进而作为反馈提供给ADM 610并用于计算差信号e(t)。
解码器604包括重构滤波器616、反向滤波器618和平滑滤波器620。平滑滤波器620例如可以是抗混叠滤波器。平滑滤波器620可以在输入信号的量化期间减少由量化器612引入的谐波。
图7示出了解说根据本公开的各方面的具有上限阈值量化器的示例性APM的操作的示图。在图7的上部示图700中，正弦输入信号702与重构信号704相叠置。输入信号y(t)例如可以采取由下式给出的正值正弦的形式：
重构信号704可通过双指数重构滤波器来产生(诸如举例而言在式(22)中提供的)。
中部示图710示出了基于输入信号702和重构信号704计算出的差信号e(t)712。在这一示例中，上限阈值量化器包括单个阈值其藉由线714来示出。当差信号712达到阈值714时，产生经量化差信号并将其提供给脉冲发生器(例如，622)。在底部示图720中，示出了由脉冲发生器生成的脉冲。如此，当差信号712达到阈值时，脉冲发生器生成脉冲722形式的相应传送信号。
图8是解说根据本公开的各方面的示例性APM 800的框图。APM 800包括与图6中示出的那些元件和组件相似的元件和组件。注意，APM 800包括下限阈值量化器820。量化器820包括单个阈值。当然，如以上所讨论的，也可使用附加阈值。
在这一示例性APM 800中，量化器820对差信号e(t)中的负变化进行编码以产生负值的发射脉冲。在一些方面，正值发射脉冲可通过将阈值设为负值来生成并且重构滤波器h(t)可被设为从下方逐渐减为零的负值脉冲函数。
图9示出了解说根据本公开的各方面的具有下限阈值量化器的示例性APM的操作的示图。在图9的上部示图900中，正弦输入信号902与重构信号904相叠置。输入信号y(t)例如可以采取由下式给出的负值正弦的形式：
重构信号904可通过双指数重构滤波器来产生(诸如举例而言在式(22)中提供的)。
中部示图910示出了基于输入信号902和重构信号904计算出的差信号e(t)912。在这一示例中，下限阈值量化器包括单个阈值其藉由线914来示出。当差信号912达到阈值线914时，产生经量化差信号并将其提供给脉冲发生器(例如，622)。在底部示图920中，示出了由脉冲发生器生成的输出脉冲序列。如此，当差信号912达到阈值时，脉冲发生器生成脉冲922形式的相应传送信号。在这一示例中，经重构信号(904)和输出脉冲函数序列(例如922)是负值，其能够跟踪负值输入信号y(t)(902)。
图10是解说根据本公开的各方面的示例性APM 1000的框图。APM1000包括与图6中示出的那些元件和组件相似的元件和组件。在图10的示例中，APM 1000包括双侧量化器1020。在使用双侧量化器的情况下，发射脉冲可以是导致双极传送信号的或正值或负值。在一些方面，衰退重构滤波器的附加特征可促成或从上(当输入信号为正并衰退时)或从下(当输入信号为负且朝零衰退时)朝向零的衰退。如此，此种APM 1000的一个潜在应用是超声信号振幅在正值区和负值区两者中具有指数衰退的超声应用。
关于误检或丢失传输提供了使用衰退类型的重构滤波器(代替单位阶跃函数)的附加益处。在这些情形中，在解码器处误检的影响仅持续达重构滤波器响应的时间历时。在单位阶跃函数的情形中，误差无限期地持续(或直至系统发生复位)，而对于有限历时滤波器响应或具有无限历时的那些滤波器响应、但是其中大多数(例如，99％)能量具有有限历时(诸如衰退指数函数)，该差错有效地持续有限时间。
例如，如果输入信号在正区域中，则衰退滤波器和负值发射脉冲的组合将经重构信号值朝零减小。相反，在使用非衰退重构滤波器的情况下，仅负发射脉冲将能够降低经重构信号。仅正值发射脉冲将经重构信号向上推。同样，如果输入信号在负区域中，则衰退滤波器和正值发射脉冲的组合将经重构信号值朝零增大。仅负值发射脉冲将经重构信号远离零地向下推。
图11示出了解说根据本公开的各方面的具有双侧量化器的示例性APM的操作的示图。在图11的上部示图1100中，正弦输入信号1102与重构信号1104相叠置。输入信号y(t)例如可以采取由下式给出的正值正弦的形式：
重构信号1104可通过双指数重构滤波器来产生(诸如举例而言在式(22)中提供的)。注意，经重构信号朝零衰退。
中部示图1110示出了基于输入信号1102和重构信号1104计算出的差信号e(t)1112。在这一示例中，双侧量化器包括第一阈值和第二阈值其分别藉由线1114和1116来示出。尽管被示为具有相同的绝对值，但各阈值并不限于-Δ/2和Δ/2。例如，各阈值可被差分地设置(例如，-Δ/2，Δ)或者可被设为不同值(例如，-Δ,Δ)。此外，一侧或双侧也可被配置有多个阈值(若需要)。当差信号1112达到阈值1114时，产生经量化差信号并将其提供给脉冲发生器(例如，622)。类似地，当差信号1112达到第二阈值1116时，产生经量化差信号并将其提供给脉冲发生器(例如，622)。
在底部示图1120中，示出了由脉冲发生器生成的输出双极脉冲序列。如此，当差信号1112达到阈值(例如，1114和1116)时，脉冲发生器生成脉冲1122形式的相应传送信号。在这一示例中，经重构信号(1104) 和输出脉冲函数序列(例如1122)是双极的。即，与或下限阈值量化(图6)或上限阈值量化(图8)办法相反，在这一示例性配置中，APM产生正传送信号和负传送信号两者。因此，信号电平中的变化由重构滤波器的衰退特征以及正和负传送信号两者来管理。
图12是解说根据本公开的各方面的简化APM 1200的框图。与图4中示出的APM 400形成对比，当h(t)＝g(t)时，预滤波器g(t)和重构滤波器h(t)因线性度可被移动到加法器之后。另外，在解码器处，因为h(t)等于g(t)，所以重构滤波器和反向滤波器彼此消去(例如，)，仅留下平滑滤波器。如此，用于比较输入信号z(t)和输出信号s(t)的时间可被减少，因为APM在无需重构输入信号的情况下工作。
图13是解说根据本公开的各方面的包括复位机制的示例性APM 1300的框图。如图13中所示，包括与图4中示出的元件和组件相似的元件和组件的APM 1300被进一步配置成接收复位(reset)输入(例如，sreset和rreset)。sreset输入在被激活(例如，设为1达某个时间段)时清除了编码器处的预滤波器(例如416)、本地重构滤波器(例如424)和脉冲发生器(例如422)的内容和/或存储器。例如，如果重构滤波器是电阻器-电容器(RC)电路形式的单个衰退指数，则电容器可被短路以清除其任何电荷。rreset输入在被激活时清除解码器412处的重构滤波器(h(t))、反向预滤波器和平滑滤波器的内容和/或存储器。
图14解说了根据本公开的一方面的用于信号处理的方法1400。在框1402，将输入信号与一个或多个正阈值以及一个或多个负阈值作比较。在一些方面，输入信号可以在与阈值作比较之前经历预滤波器(例如，Σ滤波器)。
在框1404，基于该比较来生成输出信号。在框1406，将输出信号反馈至重构滤波器以创建重构信号。在一些方面，重构滤波器可以是衰退重构滤波器。在框1408，将重构信号与输入信号组合。
图15解说了根据本公开的一方面的用于信号处理的方法1500。在框1502，将输入信号与一个或多个阈值作比较。在一些方面，输入信号可以在与阈值作比较之前经历预滤波器(例如，Σ滤波器)。
在框1504，基于该比较来生成输出信号。在框1506，将输出信号反馈至衰退重构滤波器以创建重构信号。重构滤波器并非单个衰退指数。在框1508，将重构信号与输入信号组合。
以上所描述的方法的各种操作可由能够执行相应功能的任何合适的装置来执行。根据本公开的一方面的设备包括用于将输入信号与一个或多个正阈值以及一个或多个负阈值作比较的装置。该比较装置例如可以是编码器14、量化器420、量化器1020、和量化器1320。此种设备还包括用于基于该比较来生成输出信号的装置。该生成装置例如可以是如图4中所示的信号发生器422。此种设备还包括用于将输出信号反馈至衰退重构滤波器以创建衰退的经重构信号的装置。该反馈装置例如可包括如图4中所示的重构滤波器424。该设备还包括用于将衰退的经重构信号与输入信号组合的装置。该组合装置可以是图4中所示的求和框(加法器428)。其它设备可以执行所描述的装置的功能。这些装置可包括各种硬件和/或软件组件和/或模块，包括但不限于电路、专用集成电路(ASIC)、或处理器。一般而言，在附图中有解说的操作的场合，那些操作可具有带相似编号的相应配对装置加功能组件。
在另一配置中，根据本公开的一方面的设备包括用于将输入信号与一个或多个阈值作比较的装置。该比较装置例如可以是编码器14、量化器420、量化器612、量化器820、量化器1020和量化器1320。此种设备还包括用于基于该比较来生成输出信号的装置。该生成装置例如可以是如图4中所示的信号发生器422。此种设备还包括用于将输出信号反馈至衰退重构滤波器以创建衰退的经重构信号的装置。该反馈装置例如可包括如图4中所示的重构滤波器424。该设备还包括用于将衰退的经重构信号与输入信号组合的装置。该组合装置可以是图4中所示的求和框(加法器)。其它设备可以执行所描述的装置的功能。这些装置可包括各种硬件和/或软件组件和/或模块，包括但不限于电路、专用集成电路(ASIC)、或处理器。一般而言，在附图中有解说的操作的场合，那些操作可具有带相似编号的相应配对装置加功能组件。
可任选地，解码器412在其接收收到信号414时可以发回波或另行将信号返回至编码器402，例如在反向信道上返回“确收”。该确收可被配置成在未接收到信号(即静默)的时段后仅对第一收到信号414操作达预定或周期性时间量(例如，>2秒)。该确收信号还可由编码器402来请求。
阈值Δ可由编码器402和解码器412来改变以调整期望的准确度水平(也称为“重构误差”)。如果阈值被设为较大值，则输入信号404与输出信号408之间将存在较小相关。该阈值还可经由开销信令消息在编码器402与解码器412之间交换。
输出信号还可以是地址事件表示(AER)分组的形式，其可包括事件(阈值跨越)的时间戳信息和/或哪个阈值被输入信号跨越。例如，在双极量化器中，可以指示是正阈值还是负阈值被跨越。
如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可包括演算、计算、处理、推导、研究、查找(例如，在表、数据库或其他数据结构中查找)、探知及诸如此类。另外，“确定”可包括接收(例如接收信息)、访问(例如访问存储器中的数据)、及类似动作。而且，“确定”可包括解析、选择、选取、确立及类似动作。
如本文中所使用的，引述一列项目中的“至少一个”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一个”旨在涵盖：a、b、c、a-b、a-c、b-c和a-b-c。
结合本公开所描述的各种解说性逻辑框、模块、以及电路可用设计成执行本文所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、分立的门或晶体管逻辑、分立的硬件组件或其任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合(例如DSP与微处理器的组合、多个微处理器、与DSP核协作的一个或多个微处理器、或任何其他此类配置)。
结合本公开所描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在本领域所知的任何形式的存储介质中。可使用的存储介质的一些示例包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、寄存器、硬盘、可移动盘、CD-ROM，等等。软件模块可包括单条指令、或许多条指令，且可分布在若干不同的代码段上，分布在不同的程序间以及跨多个存储介质分布。存储介质可被耦合到处理器以使得该处理器能从/向该存储介质读写信息。替换地，存储介质可以被整合到处理器。
本文所公开的方法包括用于实现所描述的方法的一个或多个步骤或动作。这些方法步骤和/或动作可以彼此互换而不会脱离权利要求的范围。换言之，除非指定了步骤或动作的特定次序，否则具体步骤和/或动作的次序和/或使用可以改动而不会脱离权利要求的范围。
所描述的功能可在硬件、软件、固件或其任何组合中实现。如果以硬件实现，则示例硬件配置可包括设备中的处理系统。处理系统可以用总线架构来实现。取决于处理系统的具体应用和整体设计约束，总线可包括任何数目的互连总线和桥接器。总线可将包括处理器、机器可读介质、以及总线接口的各种电路链接在一起。总线接口可用于尤其将网络适配器等经由总线连接至处理系统。网络适配器可用于实现信号处理功能。对于一些方面，用户接口(例如，按键板、显示器、鼠标、操纵杆，等等)也可以被连接到总线。总线还可以链接各种其他电路，诸如定时源、外围设备、稳压器、功率管理电路以及类似电路，它们在本领域中是众所周知的，因此将不再进一步描述。
处理器可负责管理总线和一般处理，包括执行存储在机器可读介质上的软件。处理器可用一个或多个通用和/或专用处理器来实现。示例包括微处理器、微控制器、DSP处理器、以及其他能执行软件的电路系统。软件应当被宽泛地解释成意指指令、数据、或其任何组合，无论是被称作软件、固件、中间件、微代码、硬件描述语言、或其他。作为示例，机器可读介质可包括随机存取存储器(RAM)、闪存、只读存储器(ROM)、可编程只读存储器(PROM)、可擦式可编程只读存储器(EPROM)、电可擦式可编程只读存储器(EEPROM)、寄存器、磁盘、光盘、硬驱动器、或者任何其他合适的存储介质、或其任何组合。机器可读介质可被实施在计算机程序产品中。该计算机程序产品可以包括包装材料。
在硬件实现中，机器可读介质可以是处理系统中与处理器分开的一部分。然而，如本领域技术人员将容易领会的，机器可读介质、或其任何部分可在处理系统外部。作为示例，机器可读介质可包括传输线、由数据调制的载波、和/或与设备分开的计算机产品，所有这些都可由处理器通过总线接口来访问。替换地或补充地，机器可读介质、或其任何部分可被集成到处理器中，诸如高速缓存和/或通用寄存器文件可能就是这种情形。虽然所讨论的各种组件可被描述为具有特定位置，诸如局部组件，但它们也可按各种方式来配置，诸如一些组件被配置成分布式计算系统的一部分。
处理系统可以被配置为通用处理系统，该通用处理系统具有一个或多个提供处理器功能性的微处理器、和提供机器可读介质中的至少一部分的外部存储器，它们都通过外部总线架构与其他支持电路系统链接在一起。替换地，该处理系统可以包括一个或多个神经元形态处理器以用于实现本文所述的神经元模型和神经系统模型。作为另一替换方案，处理系统可以用带有集成在单块芯片中的处理器、总线接口、用户接口、支持电路系统、和至少一部分机器可读介质的专用集成电路(ASIC)来实现，或者用一个或多个现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、状态机、门控逻辑、分立硬件组件、或者任何其他合适的电路系统、或者能执行本公开通篇所描述的各种功能性的电路的任何组合来实现。取决于具体应用和加诸于整体系统上的总设计约束，本领域技术人员将认识到如何最佳地实现关于处理系统所描述的功能性。
机器可读介质可包括数个软件模块。这些软件模块包括当由处理器执行时使处理系统执行各种功能的指令。这些软件模块可包括传输模块和接收模块。每个软件模块可以驻留在单个存储设备中或者跨多个存储设备分布。作为示例，当触发事件发生时，可以从硬驱动器中将软件模块加载到RAM中。在软件模块执行期间，处理器可以将一些指令加载到高速缓存中以提高访问速度。随后可将一个或多个高速缓存行加载到通用寄存器文件中以供由处理器执行。在以下谈及软件模块的功能性时，将理解此类功能性是在处理器执行来自该软件模块的指令时由该处理器来实现的。
如果以软件实现，则各功能可作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，这些介质包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其它介质。另外，任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或无线技术(诸如红外(IR)、无线电、以及微波)从web网站、服务器、或其他远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL或无线技术(诸如红外、无线电、以及微波)就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘、和蓝光碟，其中盘(disk)常常磁性地再现数据，而碟(disc)用激光来光学地再现数据。因此，在一些方面，计算机可读介质可包括非瞬态计算机可读介质(例如，有形介质)。另外，对于其他方面，计算机可读介质可包括瞬态计算机可读介质(例如，信号)。上述的组合应当也被包括在计算机可读介质的范围内。
因此，一些方面可包括用于执行本文中给出的操作的计算机程序产品。例如，此类计算机程序产品可包括其上存储(和/或编码)有指令的计算机可读介质，这些指令能由一个或多个处理器执行以执行本文中所描述的操作。对于一些方面，计算机程序产品可包括包装材料。
此外，应当领会，用于执行本文中所描述的方法和技术的模块和/或其它恰适装置能由用户终端和/或基站在适用的场合下载和/或以其他方式获得。例如，此类设备能被耦合至服务器以促成用于执行本文中所描述的方法的装置的转移。替换地，本文所述的各种方法能经由存储装置(例如，RAM、ROM、诸如压缩碟(CD)或软盘等物理存储介质等)来提供，以使得一旦将该存储装置耦合至或提供给用户终端和/或基站，该设备就能获得各种方法。此外，可利用适于向设备提供本文中所描述的方法和技术的任何其他合适的技术。
将理解，权利要求并不被限定于以上所解说的精确配置和组件。可在以上所描述的方法和设备的布局、操作和细节上作出各种改动、更换和变形而不会脱离权利要求的范围。

Claims (36)

1.一种信号处理方法，包括：
将输入信号与至少一个正阈值和至少一个负阈值作比较；
至少部分地基于所述比较来生成输出信号；
将所述输出信号反馈至衰退重构滤波器以创建经重构信号；以及
将所述经重构信号与所述输入信号组合。
2.如权利要求1所述的方法，其特征在于，生成所述输出信号包括：当所述输入信号跨越所述至少一个正阈值或所述至少一个负阈值时生成所述输出信号。
3.如权利要求1所述的方法，其特征在于，所述生成是在神经网络中执行的。
4.如权利要求1所述的方法，其特征在于，进一步包括解码所述输出信号。
5.如权利要求4所述的方法，其特征在于，解码所述输出信号包括将所述输出信号输入到衰退滤波器中以创建经解码信号；以及
用具有至少与所述输入信号一样宽的带宽的滤波器来滤波所述经解码信号。
6.如权利要求5所述的方法，其特征在于，进一步包括在编码器处预滤波所述输入信号，以及在解码器处反向预滤波所述输出信号。
7.如权利要求1所述的方法，其特征在于，所述输出信号进一步包括地址事件表示(AER)分组。
8.如权利要求7所述的方法，其特征在于，所述AER分组包括时间戳信息和由所述输入信号跨越的阈值的指示中的至少一者。
9.一种信号处理方法，包括：
将输入信号与至少一个阈值作比较；
至少部分地基于所述比较来生成输出信号；
将所述输出信号反馈至衰退重构滤波器以创建经重构信号，其中所述衰退重构滤波器并非单个衰退指数；以及
将所述经重构信号与所述输入信号组合。
10.如权利要求9所述的方法，其特征在于，生成所述输出信号包括：当所述输入信号跨越所述至少一个阈值时生成所述输出信号。
11.如权利要求9所述的方法，其特征在于，所述生成是在神经网络中执行的。
12.如权利要求9所述的方法，其特征在于，进一步包括解码所述输出信号。
13.如权利要求12所述的方法，其特征在于，解码所述输出信号包括将所述输出信号输入到衰退滤波器中以创建经解码信号；以及
用具有至少与所述输入信号一样宽的带宽的滤波器来滤波所述经解码信号。
14.如权利要求13所述的方法，其特征在于，进一步包括在编码器处预滤波所述输入信号，以及在解码器处反向预滤波所述输出信号。
15.如权利要求9所述的方法，其特征在于，所述输出信号进一步包括地址事件表示(AER)分组。
16.如权利要求15所述的方法，其特征在于，所述AER分组包括时间戳信息和由所述输入信号跨越的阈值的指示中的至少一者。
17.一种用于信号处理的装置，包括：
存储器；以及
耦合到所述存储器的至少一个处理器，所述至少一个处理器被配置成：
将输入信号与至少一个正阈值和至少一个负阈值作比较；
至少部分地基于所述比较来生成输出信号；
将所述输出信号反馈至衰退重构滤波器以创建经重构信号；以及
将所述经重构信号与所述输入信号组合。
18.如权利要求17所述的装置，其特征在于，所述至少一个处理器被进一步配置成当所述输入信号跨越所述至少一个正阈值或所述至少一个负阈值时生成所述输出信号。
19.如权利要求17所述的装置，其特征在于，所述至少一个处理器被进一步被配置成在神经网络中生成所述输出信号。
20.如权利要求17所述的装置，其特征在于，所述至少一个处理器被进一步配置成解码所述输出信号。
21.如权利要求20所述的装置，其特征在于，所述至少一个处理器被进一步配置成：
将所述输出信号输入至衰退重构滤波器以创建经解码信号；以及
用具有至少与所述输入信号一样宽的带宽的滤波器来滤波所述经解码信号。
22.如权利要求21所述的装置，其特征在于，所述至少一个处理器被进一步配置成在编码器处预滤波所述输入信号，以及在解码器处反向预滤波所述输出信号。
23.如权利要求17所述的装置，其特征在于，所述输出信号进一步包括地址事件表示(AER)分组。
24.如权利要求23所述的装置，其特征在于，所述AER分组包括时间戳信息和由所述输入信号跨越的阈值的指示中的至少一者。
25.一种用于信号处理的装置，包括：
存储器；以及
耦合到所述存储器的至少一个处理器，所述至少一个处理器配置成：
将输入信号与至少一个阈值作比较；
至少部分地基于所述比较来生成输出信号；
将所述输出信号反馈至衰退重构滤波器以创建经重构信号，其中所述衰退重构滤波器并非单个衰退指数；以及
将所述经重构信号与所述输入信号组合。
26.如权利要求25所述的装置，其特征在于，所述至少一个处理器被进一步配置成当所述输入信号跨越所述至少一个阈值时生成所述输出信号。
27.如权利要求25所述的装置，其特征在于，所述至少一个处理器被进一步被配置成在神经网络中生成所述输出信号。
28.如权利要求25所述的装置，其特征在于，所述至少一个处理器被进一步配置成解码所述输出信号。
29.如权利要求28所述的装置，其特征在于，所述至少一个处理器被进一步配置成：
将所述输出信号输入至衰退重构滤波器以创建经解码信号；以及
用具有至少与所述输入信号一样宽的带宽的滤波器来滤波所述经解码信号。
30.如权利要求29所述的装置，其特征在于，所述至少一个处理器被进一步配置成在编码器处预滤波所述输入信号，以及在解码器处反向预滤波所述输出信号。
31.如权利要求25所述的装置，其特征在于，所述输出信号进一步包括地址事件表示(AER)分组。
32.如权利要求31所述的装置，其特征在于，所述AER分组包括时间戳信息和由所述输入信号跨越的阈值的指示中的至少一者。
33.一种用于信号处理的设备，包括：
用于将输入信号与至少一个正阈值和至少一个负阈值作比较的装置；
用于至少部分地基于所述比较来生成输出信号的装置；
用于将所述输出信号反馈至衰退重构滤波器以创建经重构信号的装置；以及
用于将所述经重构信号与所述输入信号组合的装置。
34.一种用于信号处理的设备，包括：
用于将输入信号与至少一个阈值作比较的装置；
用于至少部分地基于所述比较来生成输出信号的装置；
用于将所述输出信号反馈至衰退重构滤波器以创建经重构信号的装置，其中所述衰退重构滤波器并非单个衰退指数；以及
用于将所述经重构信号与所述输入信号组合的装置。
35.一种用于信号处理的计算机程序产品，包括：
其上编码有程序代码的非瞬态计算机可读介质，所述程序代码包括：
用于将输入信号与至少一个正阈值和至少一个负阈值作比较的程序代码；
用于至少部分地基于所述比较来生成输出信号的程序代码；
用于将所述输出信号反馈至衰退重构滤波器以创建经重构信号的程序代码；以及
用于将所述经重构信号与所述输入信号组合的程序代码。
36.一种用于信号处理的计算机程序产品，包括：
其上编码有程序代码的非瞬态计算机可读介质，所述程序代码包括：
用于将输入信号与至少一个阈值作比较的程序代码；
用于至少部分地基于所述比较来生成输出信号的程序代码；
用于将所述输出信号反馈至衰退重构滤波器以创建经重构信号的程序代码，其中所述衰退重构滤波器并非单个衰退指数；以及
用于将所述经重构信号与所述输入信号组合的程序代码。
CN201580033497.XA 2014-06-23 2015-05-19 用于基于阈值的信号编码的异步脉冲调制 Pending CN106663220A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201462015739P 2014-06-23 2014-06-23
US62/015,739 2014-06-23
US14/513,997 US20150372805A1 (en) 2014-06-23 2014-10-14 Asynchronous pulse modulation for threshold-based signal coding
US14/513,997 2014-10-14
PCT/US2015/031568 WO2015199844A1 (en) 2014-06-23 2015-05-19 Asynchronous pulse modulation for threshold-based signal coding

Publications (1)

Publication Number Publication Date
CN106663220A true CN106663220A (zh) 2017-05-10

Family

ID=54870631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580033497.XA Pending CN106663220A (zh) 2014-06-23 2015-05-19 用于基于阈值的信号编码的异步脉冲调制

Country Status (8)

Country Link
US (1) US20150372805A1 (zh)
EP (1) EP3158697A1 (zh)
JP (1) JP2017526224A (zh)
KR (1) KR20170021258A (zh)
CN (1) CN106663220A (zh)
BR (1) BR112016030050A2 (zh)
TW (1) TW201618509A (zh)
WO (1) WO2015199844A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109428601A (zh) * 2017-08-25 2019-03-05 联发科技股份有限公司 改善信号处理的系统
CN115842555A (zh) * 2023-02-23 2023-03-24 北京大学 一种可用于处理生理信号的基于忆阻器的异步脉冲编码器

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10020968B1 (en) * 2015-03-18 2018-07-10 National Technology & Engineering Solutions Of Sandia, Llc Coherent radar receiver that comprises a sigma delta modulator
US10949737B2 (en) 2016-07-13 2021-03-16 Samsung Electronics Co., Ltd. Method for neural network and apparatus performing same method
KR102399548B1 (ko) * 2016-07-13 2022-05-19 삼성전자주식회사 뉴럴 네트워크를 위한 방법 및 그 방법을 수행하는 장치
US10424370B2 (en) 2017-10-24 2019-09-24 International Business Machines Corporation Sensor device with resistive memory for signal compression and reconstruction
KR102589303B1 (ko) 2017-11-02 2023-10-24 삼성전자주식회사 고정 소수점 타입의 뉴럴 네트워크를 생성하는 방법 및 장치
US20220058492A1 (en) * 2018-12-04 2022-02-24 Technion Research & Development Foundation Limited Delta-sigma modulation neurons for high-precision training of memristive synapses in deep neural networks
JP7118930B2 (ja) * 2019-08-19 2022-08-16 株式会社東芝 スパイキングニューラルネットワーク装置およびその学習方法
TWI728556B (zh) 2019-11-18 2021-05-21 財團法人工業技術研究院 神經元電路及類神經網路晶片
KR20210063721A (ko) * 2019-11-25 2021-06-02 삼성전자주식회사 뉴로모픽 장치 및 이를 포함하는 뉴로모픽 시스템
US10862505B1 (en) * 2020-02-27 2020-12-08 Nxp Usa, Inc. Arbitrary rate decimator and timing error corrector for an FSK receiver
CN111461302B (zh) * 2020-03-30 2024-04-19 嘉楠明芯(北京)科技有限公司 一种基于卷积神经网络的数据处理方法、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1808895A (zh) * 2005-01-17 2006-07-26 沃福森微电子股份有限公司 脉宽调制器量化电路
US20130073497A1 (en) * 2011-09-16 2013-03-21 Cornell University Neuromorphic event-driven neural computing architecture in a scalable neural network
CN103650350A (zh) * 2011-06-02 2014-03-19 Hrl实验室有限责任公司 尖峰域电路及建模方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2715411B2 (de) * 1977-04-06 1979-02-01 Licentia Patent-Verwaltungs-Gmbh, 6000 Frankfurt Elektrisches Verfahren zum Bestimmen der Grundperiode eines Sprachsignals
US5149972A (en) * 1990-01-18 1992-09-22 University Of Massachusetts Medical Center Two excitation wavelength video imaging microscope
US5708389A (en) * 1996-03-15 1998-01-13 Lucent Technologies Inc. Integrated circuit employing quantized feedback
US5774505A (en) * 1996-04-04 1998-06-30 Hewlett-Packard Company Intersymbol interference cancellation with reduced complexity
KR100596043B1 (ko) * 1997-09-09 2006-07-05 코닌클리케 필립스 일렉트로닉스 엔.브이. 불신뢰도 검출장치 및 이 불신뢰도 검출장치를 구비한 재생장치
US7860205B1 (en) * 2001-09-18 2010-12-28 Ciena Corporation Clock synchronization using a weighted least squares error filtering technique
US7483508B2 (en) * 2001-11-27 2009-01-27 Texas Instruments Incorporated All-digital frequency synthesis with non-linear differential term for handling frequency perturbations
US7020791B1 (en) * 2002-09-19 2006-03-28 Nortel Networks Limited Clock recovery using a double-exponential smoothing process
JP4856363B2 (ja) * 2003-05-22 2012-01-18 アギア システムズ インコーポレーテッド 安定な高次デルタ・シグマ誤差フィードバック変調器およびそのような変調器において使用される雑音伝達関数
US7480234B1 (en) * 2003-10-31 2009-01-20 Cisco Technology, Inc. Initial timing estimation in a wireless network receiver
US7928876B2 (en) * 2004-04-09 2011-04-19 Audioasics A/S Sigma delta modulator
US8139654B2 (en) * 2005-08-08 2012-03-20 University Of Florida Research Foundation Device and methods for biphasic pulse signal coding
JP2009518882A (ja) * 2005-12-06 2009-05-07 エヌエックスピー ビー ヴィ シグマ・デルタ型のアナログ‐デジタル変換器
US7366575B2 (en) * 2005-12-30 2008-04-29 Intel Corporation Wafer polishing control
WO2009006405A1 (en) * 2007-06-28 2009-01-08 The Trustees Of Columbia University In The City Of New York Multi-input multi-output time encoding and decoding machines
WO2009051532A1 (en) * 2007-10-19 2009-04-23 Telefonaktiebolaget Lm Ericsson (Publ) Target update power control method in a wireless system.
US7746257B2 (en) * 2008-05-07 2010-06-29 Cirrus Logic, Inc. Delta-sigma analog-to-digital converter circuit having reduced sampled reference noise
US20120207400A1 (en) * 2011-02-10 2012-08-16 Hisao Sasai Image coding method, image coding apparatus, image decoding method, image decoding apparatus, and image coding and decoding apparatus
US9331721B2 (en) * 2012-04-30 2016-05-03 The Trustees Of Columbia University In The City Of New York Systems, devices, and methods for continuous time signal processing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1808895A (zh) * 2005-01-17 2006-07-26 沃福森微电子股份有限公司 脉宽调制器量化电路
CN103650350A (zh) * 2011-06-02 2014-03-19 Hrl实验室有限责任公司 尖峰域电路及建模方法
US20130073497A1 (en) * 2011-09-16 2013-03-21 Cornell University Neuromorphic event-driven neural computing architecture in a scalable neural network

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109428601A (zh) * 2017-08-25 2019-03-05 联发科技股份有限公司 改善信号处理的系统
US11626858B2 (en) 2017-08-25 2023-04-11 Mediatek Inc. System improving signal handling
CN115842555A (zh) * 2023-02-23 2023-03-24 北京大学 一种可用于处理生理信号的基于忆阻器的异步脉冲编码器
CN115842555B (zh) * 2023-02-23 2023-04-21 北京大学 一种可用于处理生理信号的基于忆阻器的异步脉冲编码器

Also Published As

Publication number Publication date
US20150372805A1 (en) 2015-12-24
JP2017526224A (ja) 2017-09-07
WO2015199844A1 (en) 2015-12-30
EP3158697A1 (en) 2017-04-26
TW201618509A (zh) 2016-05-16
BR112016030050A2 (pt) 2017-08-22
KR20170021258A (ko) 2017-02-27

Similar Documents

Publication Publication Date Title
CN106663220A (zh) 用于基于阈值的信号编码的异步脉冲调制
CN106575378A (zh) 带有异步脉冲调制的人工神经元和尖峰神经元
CN104094295B (zh) 用于尖峰神经计算的方法和装置
US10748064B2 (en) Deep neural network training with native devices
US10839292B2 (en) Accelerated neural network training using a pipelined resistive processing unit architecture
KR102653822B1 (ko) 혼성 신호 컴퓨팅 시스템 및 방법
CN107077637A (zh) 神经网络中的差分编码
Yoon LIF and simplified SRM neurons encode signals into spikes via a form of asynchronous pulse sigma–delta modulation
CN105637541A (zh) 用于神经模拟器的共享存储器架构
US11263516B2 (en) Neural network based acoustic models for speech recognition by grouping context-dependent targets
CN101981618B (zh) 复杂度减少的矢量编制索引和去索引
CN105981055A (zh) 神经网络对当前计算资源的自适应
US11341413B2 (en) Leveraging class information to initialize a neural network language model
CN106133763B (zh) 可塑性突触管理
Ozair et al. Deep directed generative autoencoders
CN105659260B (zh) 动态地指派和检查突触延迟
CN111010595B (zh) 一种新节目推荐的方法及装置
Sun et al. ModWaveMLP: MLP-Based Mode Decomposition and Wavelet Denoising Model to Defeat Complex Structures in Traffic Forecasting
US20150213356A1 (en) Method for converting values into spikes
CN112384934B (zh) 因子图上的概率传播
Dankovic et al. Systems modeling based on Legendre polynomials
Petriu et al. Instrumentation applications of multibit random-data representation
CN117830935A (zh) 基于自适应区域选择模块的人群计数模型训练方法及装置
CN103503064B (zh) 用于信号的低复杂度组合代码化和解码的装置和方法
Wielgosz et al. Towards Analog Implementation of Spiking Neural Networks for Audio Signals

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1232649

Country of ref document: HK

WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170510

WD01 Invention patent application deemed withdrawn after publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: WD

Ref document number: 1232649

Country of ref document: HK