CN107563503A - 一种可编码择阀值择函数人工神经元的设计方法 - Google Patents

一种可编码择阀值择函数人工神经元的设计方法 Download PDF

Info

Publication number
CN107563503A
CN107563503A CN201710829445.4A CN201710829445A CN107563503A CN 107563503 A CN107563503 A CN 107563503A CN 201710829445 A CN201710829445 A CN 201710829445A CN 107563503 A CN107563503 A CN 107563503A
Authority
CN
China
Prior art keywords
threshold values
codified
artificial neuron
function
selects
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
CN201710829445.4A
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 CN201710829445.4A priority Critical patent/CN107563503A/zh
Publication of CN107563503A publication Critical patent/CN107563503A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Feedback Control In General (AREA)

Abstract

一种可编码择阀值择函数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,把累加的值,传递给激活函数集,激活函数集根据接收的阀值,把这阀值以下对应的所有函数多激活,可编码择端器根据设计需求,通过控制端的设置,控制那些激活函数从那些端口输出,传递给下一层神经元。

Description

一种可编码择阀值择函数人工神经元的设计方法
技术领域
一种可编码择阀值择函数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,把累加的值,传递给激活函数集,激活函数集根据接收的阀值,把这阀值以下对应的所有函数多激活,可编码择端器根据设计需求,通过控制端的设置,控制那些激活函数从那些端口输出,传递给下一层神经元。
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,一种可编码择阀值择函数人工神经元的设计方法,其特征是:可编码择阀值择函数人工神经元是由输入端,人工神经元、连接线、可编码择端器、控制端、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,这个阀值传递给激活函数集,激活函数集就启动这个阀值以下的所有激活函数,由于设置的激活函数是不同的,因此每一个函数多有一条专门的线路连接可编码择端器,函数集里的每一个函数多对应可编码择端器的一些输出端口,有多少个函数就有多少条连线,可编码择端器的作用是这样的,根据控制端对它的设置,把阀值以下的所有对应函数输出的端口全部连通,把对应阀值以下的函数输出的值从各设定函数对应的端口输出,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 阀值以下的所有激活函数,也就是说,a、b、c阀值对应的函数全被激活,同时输出a、b、c对应的函数f(x1) 、 f(x2) 、f(x3),可编码择端器采用这样的设计,通过控制端对它的设置,设定那些激活函数对应那些端口,可编码择端器和每一个函数多有一条连线,控制端是用来设置可编码择端器作用,本发明这样的设计就具备这样的功能,当输入累加的值超过阀值,人工神经元被激活,把阀值传给激活函数集,激活函数集就会把输入阀值以下的函数全部激活,传递给可编码择端器,可编码择端器根据控制端对它的设置,选通那些激活函数从那些通道输出,把不同函数的值传递给下一层神经元。
附图说明
图1是可编码择阀值择函数全输出人工神经元的结构原理图,i-1.i-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.o-6.o-7.o-8.o-9.o-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.b.c.d是代表不同的阀值,a-3代表不同的激活函数集,f(x1) 、 f(x2) 、f(x3) 、f(x4)代表里面的不同函数,这四个函数是代表作用,可以根据设计要求设计多少个函数,b-1代表可编码择端器, b-2.b-3.b-4.b-5代表激活函数集和可编码择端器连接,这里四条是起代表作用,有多少个函数,就有多少条连接,r-1代表控制端。
实施方法
神经元种类繁多,功能各异,本发明模拟了一种神经元的设计方法,采用可编码择阀值择函数的方法,可编码择阀值择函数人工神经元是由输入端,人工神经元、连接线、可编码择端器、控制端、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,这个阀值传递给激活函数集,激活函数集就启动这个阀值以下的所有激活函数,由于设置的激活函数是不同的,因此每一个函数多有一条专门的线路连接可编码择端器,函数集里的每一个函数多对应可编码择端器的一些输出端口,有多少个函数就有多少条连线,可编码择端器的作用是这样的,根据控制端对它的设置,把阀值以下的所有对应函数输出的端口全部连通,把对应阀值以下的函数输出的值从各设定函数对应的端口输出,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,本发明设计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,是可编码择阀值择函数输出的形式,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)

1.一种可编码择阀值择函数人工神经元的设计方法,其特征是:可编码择阀值择函数人工神经元是由输入端,人工神经元、连接线、可编码择端器、控制端、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,这个阀值传递给激活函数集,激活函数集就启动这个阀值以下的所有激活函数,由于设置的激活函数是不同的,因此每一个函数多有一条专门的线路连接可编码择端器,函数集里的每一个函数多对应可编码择端器的一些输出端口,有多少个函数就有多少条连线,可编码择端器的作用是这样的,根据控制端对它的设置,把阀值以下的所有对应函数输出的端口全部连通,把对应阀值以下的函数输出的值从各设定函数对应的端口输出,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阀值以下的所有激活函数,也就是说,a、b、c阀值对应的函数全被激活,同时输出a、b、c对应的函数f(x1) 、 f(x2) 、f(x3),可编码择端器采用这样的设计,通过控制端对它的设置,设定那些激活函数对应那些端口,可编码择端器和每一个函数多有一条连线,控制端是用来设置可编码择端器作用,本发明这样的设计就具备这样的功能,当输入累加的值超过阀值,人工神经元被激活,把阀值传给激活函数集,激活函数集就会把输入阀值以下的函数全部激活,传递给可编码择端器,可编码择端器根据控制端对它的设置,选通那些激活函数从那些通道输出,把不同函数的值传递给下一层神经元。
CN201710829445.4A 2017-09-14 2017-09-14 一种可编码择阀值择函数人工神经元的设计方法 Pending CN107563503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710829445.4A CN107563503A (zh) 2017-09-14 2017-09-14 一种可编码择阀值择函数人工神经元的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710829445.4A CN107563503A (zh) 2017-09-14 2017-09-14 一种可编码择阀值择函数人工神经元的设计方法

Publications (1)

Publication Number Publication Date
CN107563503A true CN107563503A (zh) 2018-01-09

Family

ID=60980984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710829445.4A Pending CN107563503A (zh) 2017-09-14 2017-09-14 一种可编码择阀值择函数人工神经元的设计方法

Country Status (1)

Country Link
CN (1) CN107563503A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1656472A (zh) * 2001-11-16 2005-08-17 陈垣洋 带有监督和非监督簇分析的似真神经网络
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
CN106295799A (zh) * 2015-05-12 2017-01-04 核工业北京地质研究院 一种深度学习多层神经网络的实现方法
CN106875004A (zh) * 2017-01-20 2017-06-20 清华大学 复合模式神经元信息处理方法和系统
CN106997485A (zh) * 2016-01-26 2017-08-01 三星电子株式会社 基于神经网络的识别设备和训练神经网络的方法
CN107122375A (zh) * 2016-12-12 2017-09-01 南京理工大学 基于图像特征的图像主体的识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1656472A (zh) * 2001-11-16 2005-08-17 陈垣洋 带有监督和非监督簇分析的似真神经网络
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
CN106295799A (zh) * 2015-05-12 2017-01-04 核工业北京地质研究院 一种深度学习多层神经网络的实现方法
CN106997485A (zh) * 2016-01-26 2017-08-01 三星电子株式会社 基于神经网络的识别设备和训练神经网络的方法
CN107122375A (zh) * 2016-12-12 2017-09-01 南京理工大学 基于图像特征的图像主体的识别方法
CN106875004A (zh) * 2017-01-20 2017-06-20 清华大学 复合模式神经元信息处理方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
姚茂群等: "多阈值神经元电路设计及在多值逻辑中的应用", 《计算机学报》 *
尔桂花 窦曰轩编著: "《运动控制系统》", 31 October 2002, 清华大学出版社 *
王守觉 来疆亮著: "《多维空间仿生信息学入门》", 31 January 2008, 国防工业出版社 *
陈允平 王旭蕊 韩宝亮编: "《人工神经网络原理及其应用》", 31 August 2002, 中国电力出版社 *
陈立元,范逸之,廖锦棋编著: "《Visul Basic 2005与自动化系统监控 串并行控制》", 30 April 2008, 清华大学出版社 *

Similar Documents

Publication Publication Date Title
CN108090658A (zh) 基于时域特征参数融合的电弧故障诊断方法
CN106295799A (zh) 一种深度学习多层神经网络的实现方法
CN108319928A (zh) 一种基于多目标微粒群算法优化的深度学习模型及应用
CN108875812B (zh) 一种基于分支卷积神经网络的驾驶员行为分类方法
CN109344888A (zh) 一种基于卷积神经网络的图像识别方法、装置及设备
CN107169566A (zh) 动态神经网络模型训练方法和装置
CN109145342A (zh) 自动布线系统及方法
CN107220707A (zh) 基于二维数据的动态神经网络模型训练方法和装置
CN107516130A (zh) 一种多阀值多函数择端输出人工神经元的设计方法
CN105373829B (zh) 一种全连接神经网络结构
CN107563503A (zh) 一种可编码择阀值择函数人工神经元的设计方法
CN110188621A (zh) 一种基于ssf-il-cnn的三维人脸表情识别方法
CN107886163A (zh) 基于agn及cnn的单目标优化问题寻优方法及装置
US5438646A (en) Feed-forward neural network
CN107480779A (zh) 一种同时输出多态功能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
CN107480780A (zh) 一种多阀值多函数多择输出人工神经元的设计方法
CN107609640A (zh) 一种阀值择端分级电位式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
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
CN107563499A (zh) 一种可编码多阀值多函数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
CN107563506A (zh) 一种压频式择频输出人工神经元的设计方法
CN107563502A (zh) 一种可编码多态输出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: 20180109