CN107092959B - 基于stdp非监督学习算法的脉冲神经网络模型构建方法 - Google Patents
基于stdp非监督学习算法的脉冲神经网络模型构建方法 Download PDFInfo
- Publication number
- CN107092959B CN107092959B CN201710222912.7A CN201710222912A CN107092959B CN 107092959 B CN107092959 B CN 107092959B CN 201710222912 A CN201710222912 A CN 201710222912A CN 107092959 B CN107092959 B CN 107092959B
- Authority
- CN
- China
- Prior art keywords
- pulse
- neural network
- neuron
- network model
- neurons
- 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.)
- Active
Links
Images
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
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型构建方法,所述脉冲神经网络模型是一种多突触延时的前向反馈神经网络模型,每层神经元分别通过若干条突触与其它层神经元互连,而每层内部神经元相互独立。本发明完全依赖数字硬件电路平台进行脉冲神经网络的模型设计,并且创新性的将STDP非监督学习算法用于该脉冲神经网络模型的学习训练中,能够实现特定功能。该硬件平台脉冲神经网络模型具有较高的稳定性,能够在占用较少硬件资源的条件下拥有较快的速度,加上网络结构并行连接的特点,其拓展性也大大提高,对于实现超大规模的脉冲神经网络也提供了新的思路。
Description
技术领域
本发明属于脉冲神经网络技术,具体涉及一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型构建方法。
背景技术
在生物大脑中,数以亿计的神经元通过突触相互连接进行信息传递,从而操控个体进行各种复杂而又缜密的生物活动,这种神经系统一直被人们研究模仿,人工神经网络也一直在世界范围内被人关注。近些年来,脉冲神经网络作为第三代人工神经网络,由于其在模式识别、图像处理、计算机视觉等方面展现出来的惊人的生物相似性和强大的计算能力,越来越被人们广泛研究。目前为止,许多学者集中研究了各种各样的脉冲神经网络模型以及学习机制,这些计算模型也在图像分类、决策及预测方面取得不错的效果。但是,目前的工作大都集中在计算机软件平台,一方面由于前人的工作总结使得软件平台关于脉冲神经网络的计算模型比较成熟,另一方面软件平台从学习算法到整个神经网络系统的开发难度与硬件平台相比简单不少,但是软件平台串行执行的特点从根本上不符合生物大脑神经元并行处理的特点,而且模拟时间长,拓展性差等问题也比较突出。
人们普遍认为神经元以脉冲序列形式进行信息传播,STDP学习机制由Hebbian规则的发展而来,被认为是大脑学习与信息存储的重要机制,属于一种非监督的学习机制。STDP通过调节前后突触的脉冲时间差来实现网络平衡,这样极大的保证了神经网络的稳定性;不依赖梯度下降算法,这样在硬件平台的实现操作上又降低了难度。
现场可编程门阵列(FPGA)是在专用集成电路(ASIC)的基础上发展出来的一种半定制逻辑器件,它具有集成度高,体积小,高速并行计算,可重复编程,低功耗等特点,因此被广泛应用于数字电路设计中。近年来,由于其并行处理的特点符合神经系统的计算机制,加上脉冲序列和数字系统的契合,使得FPGA也越来越受到脉冲神经网络领域的青睐。
发明内容
为了解决现有技术的不足之处和局限性,本发明提供了一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型。
本发明所采用的技术方案是:一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型构建方法,其特征在于:所述脉冲神经网络模型是一种多突触延时的前向反馈神经网络模型,每层神经元分别通过若干条突触与其它层神经元互连,而每层内部神经元相互独立。
本发明实现了硬件平台关于脉冲神经网络模型的设计,采用了一种基于神经元前后脉冲时间差的STDP非监督学习算法对网络进行学习训练,使网络在精准时间开火。一方面,STDP非监督学习算法使得网络的简洁性和稳定性有了极大提高,对于生物相似性的模仿有了进一步的发展;另一方面,该算法十分适合于FPGA平台的开发设计,对比软件平台的各种脉冲神经网络模型,其优势在于,由于FPGA并行计算的特点十分契合脉冲神经网络并行联接结构,在保证高速计算的情况下具有很高的可复制性与拓展性,对于超大规模的脉冲神经网络的研究具有非凡意义。
附图说明
图1本发明实施例的脉冲神经网络结构示意图;
图2发明实施例的脉冲编码及STDP非监督学习算法特性曲线示意图;
图3发明实施例的STDP非监督学习算法训练流程图;
图4发明实施例的基于STDP非监督学习算法的脉冲神经网络硬件电路图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
参见图1,本发明提供的一种基于STDP非监督学习算法的硬件友好型脉冲神经网络模型,是一种多突触延时的前向反馈神经网络,每层神经元分别通过若干条突触与其它层神经元互连,而每层内部神经元相互独立。神经元采用的是脉冲响应模型SRM,外界输入信号将引起细胞膜电位的变化,当膜电势超过阈值,神经元将会发放脉冲,然后进入耐火期,并且不对任何外界刺激做出反应;相反则不会发放脉冲。
该脉冲神经网络模型是基于数字硬件电路平台进行设计,采用硬件描述语言进行编写的模型。
参见图2,输入到脉冲神经网络的图像信息,每个像素点都按照规律的时钟频率进行脉冲编码,每个脉冲信号带有时间信息编码,每层神经元都会分别接收和发放带有精准时间信息的脉冲信号,因此,前后脉冲时间差是该脉冲神经网络的主要特征,也是STDP非监督学习算法的重要参数。
参见图3,利用STDP非监督学习算法对网络进行训练。STDP非监督学习算法不依赖突触连接的实时误差数据和教师信号,仅仅根据前后脉冲发放时间差即可实现训练过程,避免了梯度下降算法的复杂性无疑为硬件设计降低了难度。所有输出神经元能够在准确的时间开火,即完成整个脉冲神经网络的训练过程,产生锁定信号。整个网络训练过程属于无监督的学习行为。
输入层神经元只参与图像信息编码,向下一层神经元发放脉冲,并不参与计算;其它层神经元在接收到输入信号,细胞膜电位将会发生变化,其大小由后突触兴奋强度和权值大小共同决定,SRM神经元数学模型为:
其中,uj(t)表示后神经元j的细胞膜电势,N表示连接到后神经元j的输入脉冲数,Wij是前神经元i和后神经元j的连接突触,fpsp(t)是输入脉冲所引起的后突触电位兴奋强度,和分别为前后神经元发放的脉冲序列。当后神经元j发放脉冲之后将进入耐火期,膜电势由η(t)表示。
参见图4,硬件平台的神经元结构主要由加法器、乘法器、memory、FIFO以及寄存器组等组成,数据格式为8位无符号整数;STDP非监督学习算法,包括以下步骤:
步骤1:输入图像信息进行脉冲编码。对于二值图像黑色像素点,输入层神经元根据时钟频率产生有规律的脉冲序列,二白色像素点则不会引起输入层神经元电位状态变化。经过编码产生的脉冲信号都会带有时间信息,通过突触进入到隐藏层。
步骤2:主要进行突触权值的读取、更新及存储,包括读\写使能信号端口、数据输入\输出端口、时钟信号及复位信号,突触权值存储在FIFO。当神经元没有开火,读使能置位,突触权值大小不断被读取出来,流向神经元中;当神经元开火,网络进入学习模式,写使能置位,更新后的突触权值被写入FIFO。突触权值的更新是整个神经网络训练的目的。
步骤3:神经元模型采用了脉冲响应模型SRM,包括脉冲输入\输出端口、突触权值输入端口、配置信息输入端口、乘法器、加法器、比较器、时钟信号及复位信号。输入脉冲引起的后突触电位兴奋强度存储在一块memory中,输入脉冲所编码的时间信息作为读取地址。根据神经元数学模型,突触权值和后突触电位兴奋将会送入到乘法器,然后经过加法器、移位寄存器计算出细胞膜电势与阈值θ比较。一旦超过了阈值θ,神经元会发放脉冲,进入到耐火期。
步骤4:STDP非监督学习算法对本脉冲神经网络训练的主要作用即更新突触权值;在神经元耐火期,网络将进行基于STDP非监督学习算法的学习以更新突触权值,包括突触权值输入\输出端口、使能信号、时间信息输入端口、时钟信号及复位信号。更新的突触权值Δw预先存储在一块memory中,前后脉冲时间Δt差作为地址读取数据,然后与原突触权值相加即完成了一次网络训练。根据前后脉冲时间差的特点对突触权值训练,输出数据流向突触,是本发明的关键技术。
步骤5:输出层神经元的分类结果未达到预期,重复步骤1-步骤4,直至其能够实现精时间开火,网络训练结束。
本发明完全依赖数字硬件电路平台进行脉冲神经网络的模型设计,并且创新性的将STDP非监督学习算法用于该脉冲神经网络模型的学习训练中,能够实现特定功能。该硬件平台脉冲神经网络模型具有较高的稳定性,能够在占用较少硬件资源的条件下拥有较快的速度,加上网络结构并行连接的特点,其拓展性也大大提高,对于实现超大规模的脉冲神经网络也提供了新的思路。
本发明利用STDP非监督学习算法很好地实现了脉冲神经网络在数字硬件电路平台的设计,具有较高拓展性和较快的处理速度,同时也为脉冲神经网络与数字硬件电路平台的结合提供了新的思路与尝试。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种基于STDP非监督学习算法的脉冲神经网络模型构建方法,其特征在于:所述脉冲神经网络模型是一种多突触延时的前向反馈神经网络模型,每层神经元分别通过若干条突触与其它层神经元互连,而每层内部神经元相互独立;
所述脉冲神经网络模型是基于数字硬件电路平台进行设计,采用硬件描述语言进行编写的模型;
神经元采用的是脉冲响应模型SRM,外界输入信号将引起细胞膜电位的变化,当膜电势超过阈值,神经元将会发放脉冲,然后进入耐火期,并且不对任何外界刺激做出反应;相反则不会发放脉冲;
输入到所述脉冲神经网络模型的图像信息,每个像素点都按照规律的时钟频率进行脉冲编码,每个脉冲信号带有时间信息编码,每层神经元都会分别接收和发放带有精准时间信息的脉冲信号;
所述脉冲神经网络模型根据前后脉冲发放时间差即可实现训练过程,所有输出神经元能够在准确的时间开火,即完成整个脉冲神经网络的训练过程;
输入层神经元只参与图像信息编码,向下一层神经元发放脉冲,并不参与计算;其它层神经元在接收到输入信号,细胞膜电位将会发生变化,其大小由后突触兴奋强度和权值大小共同决定;
所述STDP非监督学习算法,包括以下步骤:
步骤1:脉冲编码;
针对输入层神经元,参考时域编码的规则,对于存在外界刺激的神经元,将以一定时钟频率不断产生脉冲信号,并且根据信号产生先后顺序编码时间信息;否则神经元将一直保持平息状态;
步骤2:突触连接;
进行突触权值的读取、更新及存储,包括读\写使能信号端口、数据输入\输出端口、时钟信号及复位信号,输出数据流向神经元;
步骤3:构建神经元模型;
采用了脉冲响应模型SRM,包括脉冲输入\输出端口、突触权值输入端口、配置信息输入端口、乘法器、加法器、比较器、时钟信号及复位信号,当细胞兴奋电位超越了阈值,神经元将会通过脉冲输出端口以一定时钟频率向后发放脉冲,并且细胞膜电位按照配置的衰减系数衰减,进入耐火阶段;
步骤4:利用STDP非监督学习算法对脉冲神经网络进行训练;
根据前后脉冲时间差的特点对突触权值训练,即更新突触权值,包括突触权值输入\输出端口、使能信号、时间信息输入端口、时钟信号及复位信号;输出数据流向突触;
步骤5:输出层神经元的分类结果未达到预期,重复步骤1-步骤4操作,直至其能够实现精准时间开火,网络训练结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710222912.7A CN107092959B (zh) | 2017-04-07 | 2017-04-07 | 基于stdp非监督学习算法的脉冲神经网络模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710222912.7A CN107092959B (zh) | 2017-04-07 | 2017-04-07 | 基于stdp非监督学习算法的脉冲神经网络模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107092959A CN107092959A (zh) | 2017-08-25 |
CN107092959B true CN107092959B (zh) | 2020-04-10 |
Family
ID=59646574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710222912.7A Active CN107092959B (zh) | 2017-04-07 | 2017-04-07 | 基于stdp非监督学习算法的脉冲神经网络模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092959B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10748063B2 (en) * | 2018-04-17 | 2020-08-18 | Hrl Laboratories, Llc | Neuronal network topology for computing conditional probabilities |
CN107729998B (zh) * | 2017-10-31 | 2020-06-05 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的方法 |
CN109978148B (zh) * | 2017-12-28 | 2020-06-23 | 中科寒武纪科技股份有限公司 | 集成电路芯片装置及相关产品 |
CN108446757B (zh) * | 2017-12-29 | 2020-09-01 | 北京理工大学 | 一种基于脉冲神经网络的多级延时级联的速度识别系统与方法 |
CN108121878B (zh) * | 2018-01-05 | 2022-05-31 | 吉林大学 | 自动编码震源信号的脉冲神经网络模型 |
CN108470190B (zh) * | 2018-03-09 | 2019-01-29 | 北京大学 | 基于fpga定制脉冲神经网络的图像识别方法 |
CN108985447B (zh) * | 2018-06-15 | 2020-10-16 | 华中科技大学 | 一种硬件脉冲神经网络系统 |
CN109255430B (zh) * | 2018-07-12 | 2022-03-15 | 电子科技大学 | 一种神经元编码电路 |
CN109102000B (zh) * | 2018-09-05 | 2021-09-07 | 杭州电子科技大学 | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 |
CN110020715B (zh) * | 2018-10-16 | 2020-11-27 | 量子超并(北京)科技有限公司 | 利用波动和脉冲信号混合编码的神经网络识别方法与装置 |
CN109635938B (zh) * | 2018-12-29 | 2022-05-17 | 电子科技大学 | 一种自主学习脉冲神经网络权值量化方法 |
EP3908982A1 (en) * | 2019-01-09 | 2021-11-17 | HRL Laboratories, LLC | A spiking neural network for probabilistic computation |
CN110298440B (zh) * | 2019-04-04 | 2021-07-23 | 北京工业大学 | 基于皮质柱网络波前传播的多尺度面向目标导航方法 |
CN110287858A (zh) * | 2019-06-21 | 2019-09-27 | 天津大学 | 基于fpga的仿生脉冲神经网络视觉识别系统 |
CN110674928B (zh) * | 2019-09-18 | 2023-10-27 | 电子科技大学 | 一种融合人工神经网络和神经形态计算的在线学习方法 |
CN110837776A (zh) * | 2019-10-09 | 2020-02-25 | 广东工业大学 | 一种基于stdp的脉冲神经网络手写汉字识别方法 |
CN110991610B (zh) * | 2019-11-28 | 2022-08-05 | 华中科技大学 | 一种非确定性问题的概率确定方法 |
CN113688980A (zh) * | 2020-05-19 | 2021-11-23 | 深圳忆海原识科技有限公司 | 具有前向学习和元学习功能的类脑视觉神经网络 |
CN112101517B (zh) * | 2020-08-04 | 2024-03-08 | 西北师范大学 | 基于分段线性脉冲神经元网络的fpga实现方法 |
CN112163672B (zh) * | 2020-09-08 | 2024-02-20 | 杭州电子科技大学 | 基于wta学习机制的交叉阵列脉冲神经网络硬件系统 |
US20220101084A1 (en) * | 2020-09-29 | 2022-03-31 | International Business Machines Corporation | Pipelining for analog-memory-based neural networks with all-local storage |
CN112906828A (zh) * | 2021-04-08 | 2021-06-04 | 周士博 | 一种基于时域编码和脉冲神经网络的图像分类方法 |
CN113065648B (zh) * | 2021-04-20 | 2024-02-09 | 西安交通大学 | 一种低硬件开销的分段线性函数的硬件实现方法 |
CN113128675B (zh) * | 2021-04-21 | 2023-12-26 | 南京大学 | 一种基于脉冲神经网络的无乘法卷积调度器及其硬件实现方法 |
CN113408714B (zh) * | 2021-05-14 | 2023-04-07 | 杭州电子科技大学 | 基于stdp法则的全数字脉冲神经网络硬件系统及方法 |
CN113313240B (zh) * | 2021-08-02 | 2021-10-15 | 成都时识科技有限公司 | 计算设备及电子设备 |
CN113723602A (zh) * | 2021-09-01 | 2021-11-30 | 哈尔滨工程大学 | 一种光纤结构的神经突触方案 |
CN113792857B (zh) * | 2021-09-10 | 2023-10-20 | 中国人民解放军军事科学院战争研究院 | 一种基于膜电位自增机制的脉冲神经网络训练方法 |
CN114092763B (zh) * | 2021-11-22 | 2023-08-25 | 南京铁道职业技术学院 | 一种脉冲神经网络模型构建方法 |
CN115994563B (zh) * | 2022-10-31 | 2023-08-18 | 天津大学 | 用于智能辅助驾驶的类脑情境学习模型构建与训练方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788692A (zh) * | 2009-11-24 | 2010-07-28 | 西北电网有限公司 | 基于神经网络的短时风速预报方法 |
CN105122278A (zh) * | 2013-03-15 | 2015-12-02 | Hrl实验室有限责任公司 | 神经网络及编程方法 |
CN105760930A (zh) * | 2016-02-18 | 2016-07-13 | 天津大学 | 用于aer的多层脉冲神经网络识别系统 |
WO2016120739A1 (en) * | 2015-01-30 | 2016-08-04 | International Business Machines Corporation | Discovering and using informative looping signals in a pulsed neural network having temporal encoders |
CN105989376A (zh) * | 2015-02-06 | 2016-10-05 | 展讯通信(上海)有限公司 | 一种基于神经网络的手写识别系统、装置和移动终端 |
CN106446937A (zh) * | 2016-09-08 | 2017-02-22 | 天津大学 | 用于aer图像传感器的多层卷积识别系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10650308B2 (en) * | 2015-09-23 | 2020-05-12 | Politecnico Di Milano | Electronic neuromorphic system, synaptic circuit with resistive switching memory and method of performing spike-timing dependent plasticity |
-
2017
- 2017-04-07 CN CN201710222912.7A patent/CN107092959B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788692A (zh) * | 2009-11-24 | 2010-07-28 | 西北电网有限公司 | 基于神经网络的短时风速预报方法 |
CN105122278A (zh) * | 2013-03-15 | 2015-12-02 | Hrl实验室有限责任公司 | 神经网络及编程方法 |
WO2016120739A1 (en) * | 2015-01-30 | 2016-08-04 | International Business Machines Corporation | Discovering and using informative looping signals in a pulsed neural network having temporal encoders |
CN105989376A (zh) * | 2015-02-06 | 2016-10-05 | 展讯通信(上海)有限公司 | 一种基于神经网络的手写识别系统、装置和移动终端 |
CN105760930A (zh) * | 2016-02-18 | 2016-07-13 | 天津大学 | 用于aer的多层脉冲神经网络识别系统 |
CN106446937A (zh) * | 2016-09-08 | 2017-02-22 | 天津大学 | 用于aer图像传感器的多层卷积识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107092959A (zh) | 2017-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092959B (zh) | 基于stdp非监督学习算法的脉冲神经网络模型构建方法 | |
CN112633497B (zh) | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 | |
WO2022134391A1 (zh) | 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备 | |
KR20170031695A (ko) | 신경망들에서의 콘볼루션 동작의 분해 | |
Zhao et al. | A memristor-based spiking neural network with high scalability and learning efficiency | |
CN111858989A (zh) | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 | |
CN111639754A (zh) | 一种神经网络的构建、训练、识别方法和系统、存储介质 | |
Tirumala | Implementation of evolutionary algorithms for deep architectures | |
CN109635938B (zh) | 一种自主学习脉冲神经网络权值量化方法 | |
Xiao et al. | Low-cost adaptive exponential integrate-and-fire neuron using stochastic computing | |
CN114861838B (zh) | 一种基于神经元复杂动力学的脉冲神经类脑智能分类方法 | |
CN114186672A (zh) | 一种用于脉冲神经网络的高效高精度训练算法 | |
CN112288080A (zh) | 面向脉冲神经网络的自适应模型转化方法及系统 | |
CN114266351A (zh) | 基于无监督学习时间编码的脉冲神经网络训练方法及系统 | |
CN115936070A (zh) | 一种低延时低功耗脉冲神经网络转换方法 | |
CN115346096A (zh) | 一种基于忆阻器所构建的脉冲神经网络模型 | |
Wang et al. | A new ann-snn conversion method with high accuracy, low latency and good robustness | |
Zhou | A Method of Converting ANN to SNN for Image Classification | |
CN111582470A (zh) | 基于stdp的自适应非监督学习图像识别方法及系统 | |
Dinh et al. | FBW-SNN: a fully binarized weights-spiking neural networks for edge-AI applications | |
CN111709140B (zh) | 一种基于内在可塑性回声状态网络的船舶运动预报方法 | |
Li et al. | Efficient Structure Slimming for Spiking Neural Networks | |
CN117236900B (zh) | 基于流程自动化的个税数据处理方法及系统 | |
CN113837380A (zh) | 基于生物自组织反向传播的神经网络训练方法及装置 | |
US20230289582A1 (en) | Neuron circuit with synaptic weight learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |