CN107590536A - 一种分级电位式择端反馈人工神经元的设计方法 - Google Patents
一种分级电位式择端反馈人工神经元的设计方法 Download PDFInfo
- Publication number
- CN107590536A CN107590536A CN201710924950.7A CN201710924950A CN107590536A CN 107590536 A CN107590536 A CN 107590536A CN 201710924950 A CN201710924950 A CN 201710924950A CN 107590536 A CN107590536 A CN 107590536A
- Authority
- CN
- China
- Prior art keywords
- threshold values
- cumulative
- neuron
- value
- activation primitive
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种分级电位式择端反馈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,根据累加的值,达到那个阀值,就把这个阀值传递给激活函数集,激活函数集就会把这个阀值以下的激活函数全部激活,激活函数通过各自的连线传递给累加择端器,累加择端器会把传过来的各激活函数的值进行累加,并且根据累加择端器控制端输入的代码,选择那些端口反馈,那些端口关闭,那些端口直接传递给下一层神经元。
Description
技术领域
一种分级电位式择端反馈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,根据累加的值,达到那个阀值,就把这个阀值传递给激活函数集,激活函数集就会把这个阀值以下的激活函数全部激活,激活函数通过各自的连线传递给累加择端器,累加择端器会把传过来的各激活函数的值进行累加,并且根据累加择端器控制端输入的代码,选择那些端口反馈,那些端口关闭,那些端口直接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,一种分级电位式择端反馈人工神经元的设计方法,其特征是:分级电位式择端反馈人工神经元是由输入端、人工神经元、累加择端器、累加择端器控制端、反馈线、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,人工神经元设有多个阀值,根据累加的值,达到那个阀值,就把这个阀值传递给激活函数集,激活函数集就会把这个阀值以下的激活函数全部激活,激活函数把自己的运算结果通过各自的连线传递给累加择端器,累加择端器会把传过来的各激活函数的值进行累加,并且根据累加择端器控制端输入的代码,选择那些端口反馈,那些端口关闭,那些端口直接传递给下一层神经元,其中人工神经元采用如下设计,其有3部分组成,1是累加器,它的作用就是把输入进行累加,是否达到阀值,如果超过阀值,就把这个累加的值传递给激活函数集,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,那么就会把c 阀值传递给激活函数集,激活函数集就把c阀值以下的激活函数激活,传递给累加择端器,例如a对应f(x1),b对应f(x2),c对应f(x3),d对应f(x4),这样就会把f(x1)、f(x2)、f(x3)激活函数输出的值通过各自的连线传递给累加择端器,累加择端器就会把f(x1)、f(x2)、f(x3)激活函数输出的值进行累加,并且根据累加择端器的控制端输入的代码,选择那些端口反馈,那些端口关闭,那些端口直接传递给下一层神经元。
附图说明
图1是分级电位式择端反馈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.b.c.d代表不同的阀值, a-3代表激活函数集,f(x1)、f(x2)、f(x3 )、f(x4)代表激活函数集里的不同激活函数,b-1代表累加择端器,b-2.b-3.b-4.b-5代表激活函数集和累加择端器之间的连线,每一个函数都有各自的连线,b-6.b-7.b-8.b-9代表反馈线路,这4条是代表作用,可以根据设计需求进行连接,r-1代表累加择端器的控制端。
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,给一些神经元给予不同强度的刺激,就会输出分级电位,并且很多神经元具有选择不同的终末释放不同的递质,因此本发明创造一种人工神经元,构成一个分级择端反馈模式,分级电位式择端反馈人工神经元是由输入端、人工神经元、累加择端器、累加择端器控制端、反馈线、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,人工神经元设有多个阀值,根据累加的值,达到那个阀值,就把这个阀值传递给激活函数集,激活函数集就会把这个阀值以下的激活函数全部激活,激活函数把自己的运算结果通过各自的连线传递给累加择端器,累加择端器会把传过来的各激活函数的值进行累加,并且根据累加择端器控制端输入的代码,选择那些端口反馈,那些端口关闭,那些端口直接传递给下一层神经元,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,是采用分级电位式择端反馈的形式,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)
1.一种分级电位式择端反馈人工神经元的设计方法,其特征是:分级电位式择端反馈人工神经元是由输入端、人工神经元、累加择端器、累加择端器控制端、反馈线、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,人工神经元设有多个阀值,根据累加的值,达到那个阀值,就把这个阀值传递给激活函数集,激活函数集就会把这个阀值以下的激活函数全部激活,激活函数把自己的运算结果通过各自的连线传递给累加择端器,累加择端器会把传过来的各激活函数的值进行累加,并且根据累加择端器控制端输入的代码,选择那些端口反馈,那些端口关闭,那些端口直接传递给下一层神经元,其中人工神经元采用如下设计,其有3部分组成,1是累加器,它的作用就是把输入进行累加,是否达到阀值,如果超过阀值,就把这个累加的值传递给激活函数集,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,那么就会把c 阀值传递给激活函数集,激活函数集就把c阀值以下的激活函数激活,传递给累加择端器,例如a对应f(x1),b对应f(x2),c对应f(x3),d对应f(x4),这样就会把f(x1)、f(x2)、f(x3)激活函数输出的值通过各自的连线传递给累加择端器,累加择端器就会把f(x1)、f(x2)、f(x3)激活函数输出的值进行累加,并且根据累加择端器的控制端输入的代码,选择那些端口反馈,那些端口关闭,那些端口直接传递给下一层神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924950.7A CN107590536A (zh) | 2017-10-02 | 2017-10-02 | 一种分级电位式择端反馈人工神经元的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924950.7A CN107590536A (zh) | 2017-10-02 | 2017-10-02 | 一种分级电位式择端反馈人工神经元的设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590536A true CN107590536A (zh) | 2018-01-16 |
Family
ID=61052854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710924950.7A Pending CN107590536A (zh) | 2017-10-02 | 2017-10-02 | 一种分级电位式择端反馈人工神经元的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590536A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424961B1 (en) * | 1999-12-06 | 2002-07-23 | AYALA FRANCISCO JOSé | Adaptive neural learning system |
CN102035609A (zh) * | 2010-12-15 | 2011-04-27 | 南京邮电大学 | 基于复数连续全反馈神经网络的信号盲检测方法 |
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 |
CN106845633A (zh) * | 2017-01-25 | 2017-06-13 | 清华大学 | 神经网络信息转换方法和系统 |
-
2017
- 2017-10-02 CN CN201710924950.7A patent/CN107590536A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424961B1 (en) * | 1999-12-06 | 2002-07-23 | AYALA FRANCISCO JOSé | Adaptive neural learning system |
CN102035609A (zh) * | 2010-12-15 | 2011-04-27 | 南京邮电大学 | 基于复数连续全反馈神经网络的信号盲检测方法 |
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 |
CN106845633A (zh) * | 2017-01-25 | 2017-06-13 | 清华大学 | 神经网络信息转换方法和系统 |
Non-Patent Citations (1)
Title |
---|
韦一,沈继忠: "基于多阈值神经元的D型触发器设计", 《浙江大学学报(理学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Parsopoulos et al. | Objective function" stretching" to alleviate convergence to local minima | |
CN108090658A (zh) | 基于时域特征参数融合的电弧故障诊断方法 | |
KR20160076533A (ko) | 지도 학습을 이용하여 클래스들을 태깅하기 위한 방법들 및 장치 | |
CN106295799A (zh) | 一种深度学习多层神经网络的实现方法 | |
CN106227043A (zh) | 自适应最优控制方法 | |
Guo et al. | Algorithm research on improving activation function of convolutional neural networks | |
CN104680025A (zh) | 基于遗传算法极限学习机的抽油机参数优化方法 | |
CN107563505A (zh) | 一种外控植入反馈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 | |
CN107516130A (zh) | 一种多阀值多函数择端输出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 | |
CN105373829B (zh) | 一种全连接神经网络结构 | |
CN107886163A (zh) | 基于agn及cnn的单目标优化问题寻优方法及装置 | |
CN107657315A (zh) | 一种分级电位式择端输出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 | |
CN107563506A (zh) | 一种压频式择频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 | |
CN107480779A (zh) | 一种同时输出多态功能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 | |
CN107491810A (zh) | 一种多阀值反馈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 | |
CN107563503A (zh) | 一种可编码择阀值择函数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 | |
CN106682651A (zh) | 一种基于神经网络的线缆绝缘皮破损监测方法 | |
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 |
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 |
Application publication date: 20180116 |
|
RJ01 | Rejection of invention patent application after publication |