CN107451657A - 一种多阀值多函数神经元的设计方法 - Google Patents
一种多阀值多函数神经元的设计方法 Download PDFInfo
- Publication number
- CN107451657A CN107451657A CN201710715335.5A CN201710715335A CN107451657A CN 107451657 A CN107451657 A CN 107451657A CN 201710715335 A CN201710715335 A CN 201710715335A CN 107451657 A CN107451657 A CN 107451657A
- Authority
- CN
- China
- Prior art keywords
- threshold values
- value
- artificial neuron
- input
- neuron
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
一种多阀值多函数神经元的设计方法的技术领域,是属于人工智能,仿生学,电路设计的技术领域,主要技术是人工神经元通过多路输入,当累加值低于最小阀值时,人工神经元,不会被激活,当累加的值超过设定的阀值,人工神经元被激活,人工神经元设有多个阀值,根据累加的值,达到那个阀值,就启动对应那个阀值的激活函数,输出对应强度的数值,传递给下一个神经元。
Description
技术领域
一种多阀值多函数神经元的设计方法的技术领域,是属于人工智能,仿生学,电路设计的技术领域,主要技术是人工神经元通过多路输入,当累加值低于最小阀值时,人工神经元,不会被激活,当累加的值超过设定的阀值,人工神经元被激活,人工神经元设有多个阀值,根据累加的值,达到那个阀值,就启动对应那个阀值的激活函数,输出对应强度的数值,传递给下一个神经元。
背景技术
神经元是构成大脑的基本单元,人类的大脑是有成千上万个神经元按照一定规律构成的,人类为了模拟人脑,对人工神经元的设计是重中之重,有了人工神经元才能构成人工网络,人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在这一模型中,大量的人工神经元之间相互联接构成网络,即“神经网络”,以达到处理信息的目的。一种模仿动物神经网络行为特征的分布式并行信息处理算法结构的动力学模型。它用接受多路输入刺激,按加权求和超过一定阈值时产生“兴奋”输出的部件来模仿动物神经元的工作方式,并通过这些神经元部件相互联接的结构和反映关联强度的权系数使其“集体行为”具有各种复杂的信息处理功能。特别是这种宏观上具有鲁棒、容错、抗干扰、适应性、自学习等灵活而强有力功能的形成不是由于元部件性能不断改进,而是通过复杂的互联关系得以实现,因而人工神经网络是一种联接机制模型,具有复杂系统的许多重要特征。人工神经网络适用于信号处理、数据压缩、模式识别、机器人视觉、知识处理及其应用,预测、评价和决策问题,调度排序、路由规划等组合优化问题。在控制系统设计中它可用于模拟被控对象特性、搜索和学习控制规律、实现模糊和智能控制,因此对神经元的设计十分的重要,因为十分明显,神经元的形状十分的多,虽然人类把它进行分类,但神经元有成千上万种,因此不同的神经元也具备不同的功能,本发明只是其中一种神经元的设计方法,现有的神经元的设计十分简单,就是把所有的输入和权重相乘,然后进行累加,减去阀值,然后设置激活函数,传递给下一层的神经元。
发明内容
人的大脑是很多神经元构成,因此神经元是神经网络的基本单元,十分明显,神经元数量巨大,在人体的不同部位就有不同形状、结构、生理学特征和功能的神经元,神经元的形状千奇百怪十分的多,虽然人类对它进行分类,但神经元有千百万种,因此不同的神经元也具备不同的功能,本发明只是其中的一种神经元进行设计,由于现有的神经元的设计十分简单,就是把所有的输入和权重相乘进行累加,减去阀值,然后设置激活函数,传递给下一层的神经元,这样构成一个网络,并且这样简单的设计解决了人类很多前人无法解决的问题,对整个世界产生巨大的影响,但这只是最简直的一种人工神经元结构,现实世界里神经元各种各样的形状,各种各样的功能,因此要发明各种功能的神经元的设计,本发明就是类似很多种神经元功能的其中之一的设计方法,一种多阀值多函数神经元的设计方法,其特征是:多阀值多函数神经元是由输入端,人工神经元,输出端组成,输入端如同神经元的输入端,接收上一级人工神经元的输入或由其他设备的输入,人工神经元的作用是把输入的值和权重相乘后进行累加,如果累加的值小于最小阀值,那么人工神经元就不会被激活,没有任何反应,如果累加的值大于最小阀值,那么人工神经元被激活,在这最小阀值上面还设立多个阀值,当累加的值大于某个阀值,就启动这个阀值的对应激活函数,由于设置的激活函数是不同的,因此被激活后的输出也是不同的,输出端的作用就是把各种激活函数输出的数值传递到下一层人工神经元,并可以和权重进行相乘,其中人工神经元采用如下设计,人工神经元由3部分构成,1是累加器,2是不同的阀值,3是不同的激活函数,累加器的作用是把上一层的输入和权重相乘后进行累加,不同阀值的设计是这样的,设定最小阀值 a,a<b<c<d,当输入的值小于a,那么人工神经元就不会被激活,如果输入的值大于a,人工神经元就被激活,这时输入的值就要和不同的阀值进行比较,比如输入的值大于c小于d,那么就会启动c 阀值对应的激活函数,输出c 阀值对应的激活函数处理后的值。
附图说明
图1是多阀值多函数神经元结构原理图,i-1.1-2.i-3.i-4.i-5代表输入端,这个输入端很多,这里画5条是用来代表作用,o-1.o-2.o-3.o-4.o-5代表输出端,这个输出端很多,这里画5条是用来代表作用,a-1代表人工神经元,a-2代表里面的累加器,a.b.c.d是代表不同的阀值,a-3代表不同的激活函数集,根据输入的值,激活对应的函数,输出不同强度的值。
实施方法
输入端如同神经元的输入端,接收上一级人工神经元的输入或由其他设备的输入,人工神经元的作用是把输入的值和权重相乘后进行累加,如果累加的值小于最小阀值,那么人工神经元就不会被激活,没有任何反应,如果累加器累加的值大于最小阀值,那么人工神经元被激活,在这最小阀值上面还设立多个阀值,当累加的值大于某个阀值,就启动这个阀值的对应激活函数,由于设置的激活函数是不同的,因此被激活后的输出也是不同的,输出端的作用就是把各种激活函数输出的数值传递到下一层人工神经元,并可以和权重进行相乘,把这样的神经元进行联网,它可以单独联网或和其他功能的人工神经元连网,构成一个人工大脑,就可以达到模仿人类大脑的功能,由于本发明的人工神经元,是采用多阀值多函数的形式,以此可以实现更多的功能,可以用比较少的本发明的人工神经元,达到十分复杂的网络功能。
Claims (1)
1.一种多阀值多函数神经元的设计方法,其特征是:多阀值多函数神经元是由输入端,人工神经元,输出端组成,输入端如同神经元的输入端,接收上一级人工神经元的输入或由其他设备的输入,人工神经元的作用是把输入的值和权重相乘后进行累加,如果累加的值小于最小阀值,那么人工神经元就不会被激活,没有任何反应,如果累加的值大于最小阀值,那么人工神经元被激活,在这最小阀值上面还设立多个阀值,当累加的值大于某个阀值,就启动这个阀值的对应激活函数,由于设置的激活函数是不同的,因此被激活后的输出也是不同的,输出端的作用就是把各种激活函数输出的数值传递到下一层人工神经元,并可以和权重进行相乘,其中人工神经元采用如下设计,人工神经元由3部分构成,1是累加器,2是不同的阀值,3是不同的激活函数,累加器的作用是把上一层的输入和权重相乘后进行累加,不同阀值的设计是这样的,设定最小阀值 a,a<b<c<d,当输入的值小于a,那么人工神经元就不会被激活,如果输入的值大于a,人工神经元就被激活,这时输入的值就要和不同的阀值进行比较,比如输入的值大于c小于d,那么就会启动c 阀值对应的激活函数,输出c 阀值对应的激活函数处理后的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710715335.5A CN107451657A (zh) | 2017-08-20 | 2017-08-20 | 一种多阀值多函数神经元的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710715335.5A CN107451657A (zh) | 2017-08-20 | 2017-08-20 | 一种多阀值多函数神经元的设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107451657A true CN107451657A (zh) | 2017-12-08 |
Family
ID=60491602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710715335.5A Pending CN107451657A (zh) | 2017-08-20 | 2017-08-20 | 一种多阀值多函数神经元的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451657A (zh) |
-
2017
- 2017-08-20 CN CN201710715335.5A patent/CN107451657A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rabinovich et al. | Dynamical encoding by networks of competing neuron groups: winnerless competition | |
Edelman | Neural darwinism | |
Aggarwal et al. | Artificial neural networks in power systems. Part 1: General introduction to neural computing | |
KR20160076533A (ko) | 지도 학습을 이용하여 클래스들을 태깅하기 위한 방법들 및 장치 | |
DE69124231T2 (de) | Künstliche neuronale anlage | |
Ahamed et al. | A study on neural network architectures | |
DE112016000198T5 (de) | Entdecken und Nutzen von informativen Schleifensignalen in einem gepulsten neuronalen Netzwerk mit zeitlichen Codierern | |
CN107451657A (zh) | 一种多阀值多函数神经元的设计方法 | |
CN107516130A (zh) | 一种多阀值多函数择端输出人工神经元的设计方法 | |
CN107480779A (zh) | 一种同时输出多态功能人工神经元的设计方法 | |
CN107563506A (zh) | 一种压频式择频输出人工神经元的设计方法 | |
CN107480776A (zh) | 一种压制性人工神经元的设计方法 | |
CN107563504A (zh) | 一种可植入激活函数双择端输出人工神经元的设计方法 | |
KR102535635B1 (ko) | 뉴로모픽 컴퓨팅 장치 | |
CN107545304A (zh) | 一种根据网络需求改变激活函数人工神经元的设计方法 | |
CN107480778A (zh) | 一种同时输出多态功能人工神经元的设计方法 | |
CN107633300A (zh) | 一种分级电位式人工神经元的设计方法 | |
CN107609643A (zh) | 一种双控植入择端输出人工神经元的设计方法 | |
CN107506827A (zh) | 一种多阀值多函数定向神经元的设计方法 | |
CN107609636A (zh) | 一种多函数对应输出反馈功能人工神经元的设计方法 | |
CN107578097A (zh) | 一种多阀值多函数反馈人工神经元的设计方法 | |
CN107563503A (zh) | 一种可编码择阀值择函数人工神经元的设计方法 | |
CN107563501A (zh) | 一种可植入激活函数择端输出人工神经元的设计方法 | |
CN107688851A (zh) | 一种无轴突全传递人工神经元的设计方法 | |
CN107590536A (zh) | 一种分级电位式择端反馈人工神经元的设计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |