CN107527089A - 一种以时间采压计数作为识别人工神经元的设计方法 - Google Patents

一种以时间采压计数作为识别人工神经元的设计方法 Download PDF

Info

Publication number
CN107527089A
CN107527089A CN201710936990.3A CN201710936990A CN107527089A CN 107527089 A CN107527089 A CN 107527089A CN 201710936990 A CN201710936990 A CN 201710936990A CN 107527089 A CN107527089 A CN 107527089A
Authority
CN
China
Prior art keywords
artificial neuron
threshold values
input
pressure
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
Application number
CN201710936990.3A
Other languages
English (en)
Inventor
胡明建
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201710936990.3A priority Critical patent/CN107527089A/zh
Publication of CN107527089A publication Critical patent/CN107527089A/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
    • 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

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)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种以时间采压计数作为识别人工神经元的设计方法的技术领域，是属于人工智能，仿生学，电路设计和信息学的技术领域，主要技术是人工神经元通过接收高电平输入，通过对这个高电平进行采压计数，就知道线路输入的强度，然后把所有输入的强度进行累加，累加的值和阀值比较，当累加值低于阀值时，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，然后把阀值发送给激活函数，通过激活函数的运算，把运算结果传递给连接器，通过连接器，从输出端口传递给下一层人工神经元。

Description

一种以时间采压计数作为识别人工神经元的设计方法
技术领域
一种以时间采压计数作为识别人工神经元的设计方法的技术领域，是属于人工智能，仿生学，电路设计和信息学的技术领域，主要技术是人工神经元通过接收高电平输入，通过对这个高电平进行采压计数，就知道线路输入的强度，然后把所有输入的强度进行累加，累加的值和阀值比较，当累加值低于阀值时，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，然后把阀值发送给激活函数，通过激活函数的运算，把运算结果传递给连接器，通过连接器，从输出端口传递给下一层人工神经元。
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仅可以通过元部件性能不断改进，并且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，本发明只是设计了一种人工神经元，现有的神经元的设计十分简单单一，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，本发明只是设计了一种人工神经元，由于现有的神经元的设计十分简单单一，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人工神经元的设计，一种以时间采压计数作为识别人工神经元的设计方法，其特征是：以时间采压计数作为识别人工神经元是由输入端、人工神经元、连接器，输出端组成，输入端是接收高电平输入，以高电平保持的时间作为编码，输入端可以从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每线路输入端的高电平进行采压计数，然后通过累加器进行累加，如果累加的值小于阀值，那么人工神经元就不会被激活，没有任何反应，如果累加的值大于阀值，那么人工神经元被激活，就把这个阀值传递给激活函数，激活函数通过运算，把运算结果传递给连接器，通过连接器，从输出端口传递给下一层人工神经元，其中人工神经元采用这样的设计，它由3部分组成，1.采压计数器，2.累加器，3激活函数，采压计数器的作用就是把输入端传过来的高电压进行采样计数，累加器的作用就是把每线路计数后的值进行累加，如果低于阀值就不激活，高于阀值就激活，把阀值传递给激活函数，激活函数的作用是根据传来的阀值大小，输出和这个阀值对应要保持高电平的时间，其中采压计数器采用这样的设计，设定一段时间段，所有的输入线路同时进行采压计数，并且每线路都有一个采压计数器，这样可以并行执行采压计数，计数的方法是这样的，设定采压的周期的值，直到把设定的时间段用完，每一次采压后，就直接进行累加，直接得出采压次数的总算。
附图说明
图1是以时间采压计数作为识别人工神经元的结构原理图，i-1.1-2.i-3.i-4.i-5.i-6.i-7.i-8.i-9.i-10.i-11.i-12代表输入端，这个输入端很多，这里画12条是用来代表作用，o-1.o-2.o-3.o-4.o-5.i-6.i-7.i-8.i-9.i-10.i-11.i-12代表输出端，这个输出端很多，这里画12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-3代表采压计数器，a-4代表激活函数，b-1代表连接器，b-2代表激活函数和连接器的连线，图2为采压计数器原理图，m-1代表是输入端信号图，m-2代表是采压计数器的采压计数原理图，n-1.n-2.n-3代表的是输入的信号，c-1.c-2.c-3代表对输入如何采压计数，d-1.d-2代表接地电压，零电压，r-1代表采压，就是从这个时间点进行采压，t代表采压的周期，t0代表第一次采压开始，t0到 t-0的时间段代表设定要采样的时间段，t1代表第二次采压开始，t1到t-1的时间段代表设定要采样的时间段，t2代表第三次采压开始，t2到 t-2的时间段代表设定要采样的时间段，这时间段全是一样的，在这个图上代表了3次采压，图2只是代表一条输入端的原理图。
实施方法
人的大脑有成千上万的神经元，人类做了很多实验证明了，神经元的树突接收不同的递质，不同的递质有不同的作用，因此本发明创造了一种人工神经元，接收不同持续时间编码的信号，就像神经元的不同递质一样的设计，以时间采压计数作为识别人工神经元是由输入端、人工神经元、连接器，输出端组成，输入端是接收高电平输入，以高电平保持的时间作为编码，输入端可以从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每线路输入端的高电平进行采压计数，然后通过累加器进行累加，如果累加的值小于阀值，那么人工神经元就不会被激活，没有任何反应，如果累加的值大于阀值，那么人工神经元被激活，就把这个阀值传递给激活函数，激活函数通过运算，把运算结果传递给连接器，通过连接器，从输出端口传递给下一层人工神经元，把这样的人工神经元和其他功能的人工神经元联网，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，是采用以时间采压计数作为识别的形式，因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)

1.一种以时间采压计数作为识别人工神经元的设计方法，其特征是：以时间采压计数作为识别人工神经元是由输入端、人工神经元、连接器、输出端组成，输入端是接收高电平输入，以高电平保持的时间作为编码，输入端可以从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每线路输入端的高电平进行采压计数，然后通过累加器进行累加，如果累加的值小于阀值，那么人工神经元就不会被激活，没有任何反应，如果累加的值大于阀值，那么人工神经元被激活，就把这个阀值传递给激活函数，激活函数通过运算，把运算结果传递给连接器，通过连接器，从输出端口传递给下一层人工神经元，其中人工神经元采用这样的设计，它由3部分组成，1.采压计数器，2.累加器，3激活函数，采压计数器的作用就是把输入端传过来的高电压进行采样计数，累加器的作用就是把每线路计数后的值进行累加，如果低于阀值就不激活，高于阀值就激活，把阀值传递给激活函数，激活函数的作用是根据传来的阀值大小，输出和这个阀值对应要保持高电平的时间，其中采压计数器采用这样的设计，设定一段时间段，所有的输入线路同时进行采压计数，并且每线路都有一个采压计数器，这样可以并行执行采压计数，计数的方法是这样的，设定采压的周期的值，直到把设定的时间段用完，每一次采压后，就直接进行累加，直接得出采压次数的总算。
CN201710936990.3A 2017-10-10 2017-10-10 一种以时间采压计数作为识别人工神经元的设计方法 Pending CN107527089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710936990.3A CN107527089A (zh) 2017-10-10 2017-10-10 一种以时间采压计数作为识别人工神经元的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710936990.3A CN107527089A (zh) 2017-10-10 2017-10-10 一种以时间采压计数作为识别人工神经元的设计方法

Publications (1)

Publication Number Publication Date
CN107527089A true CN107527089A (zh) 2017-12-29

Family

ID=60684593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710936990.3A Pending CN107527089A (zh) 2017-10-10 2017-10-10 一种以时间采压计数作为识别人工神经元的设计方法

Country Status (1)

Country Link
CN (1) CN107527089A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455843A (zh) * 2013-08-16 2013-12-18 华中科技大学 一种反馈型人工神经网络训练方法及计算系统
CN103679265A (zh) * 2013-11-21 2014-03-26 大连海联自动控制有限公司 一种多特性仿生统一神经元模型
CN106056211A (zh) * 2016-05-25 2016-10-26 清华大学 神经元计算单元、神经元计算模块及人工神经网络计算核

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455843A (zh) * 2013-08-16 2013-12-18 华中科技大学 一种反馈型人工神经网络训练方法及计算系统
CN103679265A (zh) * 2013-11-21 2014-03-26 大连海联自动控制有限公司 一种多特性仿生统一神经元模型
CN106056211A (zh) * 2016-05-25 2016-10-26 清华大学 神经元计算单元、神经元计算模块及人工神经网络计算核

Similar Documents

Publication Publication Date Title
CN106529670B (zh) 一种基于权重压缩的神经网络处理器、设计方法、芯片
CN109816009A (zh) 基于图卷积的多标签图像分类方法、装置及设备
Alspector et al. Performance of a stochastic learning microchip
CN108846408A (zh) 基于脉冲神经网络的图像分类方法及装置
CN107564025A (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
KR20160076533A (ko) 지도 학습을 이용하여 클래스들을 태깅하기 위한 방법들 및 장치
CN110135558B (zh) 基于可变强度组合测试的深度神经网络测试充分性方法
CN104809501A (zh) 一种基于类脑协处理器的计算机系统
CN109639479A (zh) 基于生成对抗网络的网络流量数据增强方法及装置
Meng et al. Prediction of rice yield via stacked LSTM
CN105373829B (zh) 一种全连接神经网络结构
CN107527089A (zh) 一种以时间采压计数作为识别人工神经元的设计方法
CN107563505A (zh) 一种外控植入反馈人工神经元的设计方法
Ramanaiah et al. Hardware implementation of artificial neural networks
CN107516130A (zh) 一种多阀值多函数择端输出人工神经元的设计方法
CN106682651A (zh) 一种基于神经网络的线缆绝缘皮破损监测方法
CN107563506A (zh) 一种压频式择频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
CN107633300A (zh) 一种分级电位式人工神经元的设计方法
CN113033795B (zh) 基于时间步的二值脉冲图的脉冲卷积神经网络硬件加速器
CN107657315A (zh) 一种分级电位式择端输出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
CN107480780A (zh) 一种多阀值多函数多择输出人工神经元的设计方法
CN107480783A (zh) 一种多阀值单函数择端输出人工神经元的设计方法
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

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: 20171229