CN107609640A - 一种阀值择端分级电位式人工神经元的设计方法 - Google Patents
一种阀值择端分级电位式人工神经元的设计方法 Download PDFInfo
- Publication number
- CN107609640A CN107609640A CN201710924647.7A CN201710924647A CN107609640A CN 107609640 A CN107609640 A CN 107609640A CN 201710924647 A CN201710924647 A CN 201710924647A CN 107609640 A CN107609640 A CN 107609640A
- Authority
- CN
- China
- Prior art keywords
- threshold values
- value
- artificial neuron
- cumulative
- 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
- Feedback Control In General (AREA)
Abstract
一种阀值择端分级电位式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,就把这个阀值同时传递给激活函数集和累加择端器,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,累加择端器会接收累加器传过来的阀值和各激活函数的值,把各激活函数的值进行累加,并且根据累加器传过来的阀值,选择那些端口打开,把累加后的值从选通的输出端口传递给下一层人工神经元。
Description
技术领域
一种阀值择端分级电位式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,就把这个阀值同时传递给激活函数集和累加择端器,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,累加择端器会接收累加器传过来的阀值和各激活函数的值,把各激活函数的值进行累加,并且根据累加器传过来的阀值,选择那些端口打开,把累加后的值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,一种阀值择端分级电位式人工神经元的设计方法,其特征是:阀值择端分级电位式人工神经元是由输入端、人工神经元、累加择端器,阀值控制连线,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,就把这个阀值同时传递给激活函数集和累加择端器,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,累加择端器会接收传过来的阀值和各激活函数的值,把激活函数的值进行累加,并且根据阀值,选择那些端口打开,把累加后的值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 阀值同时传递给激活函数集和累加择端器,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,并且根据累加器传来的阀值,选择那些端口打开,把累加后的值从输出端口传递给下一层人工神经元传递给下一层人工神经元,这样就可以根据输入端累加的不同阀值,通过阀值择端,从输出端进行分级输出。
附图说明
图1是阀值择端分级电位式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,r-1代表阀值控制连线,由累加器和累加择端器连接。
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,并且在终末有选择性的释放递质,因此本发明创造一种人工神经元,构成一个阀值择端分级电位模式,阀值择端分级电位式人工神经元是由输入端、人工神经元、累加择端器,阀值控制连线,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,就把这个阀值同时传递给激活函数集和累加择端器,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,累加择端器会接收传过来的阀值和各激活函数的值,把激活函数的值进行累加,并且根据阀值,选择那些端口打开,把累加后的值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,是采用阀值择端分级电位式的形式,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)
1.一种阀值择端分级电位式人工神经元的设计方法,其特征是:阀值择端分级电位式人工神经元是由输入端、人工神经元、累加择端器,阀值控制连线,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,就把这个阀值同时传递给激活函数集和累加择端器,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,累加择端器会接收累加器传过来的阀值和各激活函数的值,把各激活函数的值进行累加,并且根据累加器传过来的阀值,选择那些端口打开,把累加后的值从选通的输出端口传递给下一层人工神经元,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 阀值同时传递给激活函数集和累加择端器,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,并且根据累加器传来的阀值,选择那些端口打开,把累加后的值从选通的输出端口传递给下一层人工神经元传递给下一层人工神经元,这样就可以根据输入端累加的不同阀值,通过阀值择端,从输出端进行分级输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924647.7A CN107609640A (zh) | 2017-10-01 | 2017-10-01 | 一种阀值择端分级电位式人工神经元的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924647.7A CN107609640A (zh) | 2017-10-01 | 2017-10-01 | 一种阀值择端分级电位式人工神经元的设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107609640A true CN107609640A (zh) | 2018-01-19 |
Family
ID=61068243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710924647.7A Pending CN107609640A (zh) | 2017-10-01 | 2017-10-01 | 一种阀值择端分级电位式人工神经元的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609640A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1464477A (zh) * | 2002-06-18 | 2003-12-31 | 中国科学院半导体研究所 | 多权值突触的神经元构造方法 |
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 |
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 |
CN104361395A (zh) * | 2014-11-17 | 2015-02-18 | 重庆邮电大学 | 基于视觉仿生的超分辨率图像信息获取方法 |
CN106022468A (zh) * | 2016-05-17 | 2016-10-12 | 成都启英泰伦科技有限公司 | 人工神经网络处理器集成电路及该集成电路的设计方法 |
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 |
CN106875005A (zh) * | 2017-01-20 | 2017-06-20 | 清华大学 | 自适应阈值神经元信息处理方法和系统 |
CN106875006A (zh) * | 2017-01-25 | 2017-06-20 | 清华大学 | 人工神经元信息转换为脉冲神经元信息的方法和系统 |
-
2017
- 2017-10-01 CN CN201710924647.7A patent/CN107609640A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1464477A (zh) * | 2002-06-18 | 2003-12-31 | 中国科学院半导体研究所 | 多权值突触的神经元构造方法 |
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 |
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 |
CN104361395A (zh) * | 2014-11-17 | 2015-02-18 | 重庆邮电大学 | 基于视觉仿生的超分辨率图像信息获取方法 |
CN106022468A (zh) * | 2016-05-17 | 2016-10-12 | 成都启英泰伦科技有限公司 | 人工神经网络处理器集成电路及该集成电路的设计方法 |
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 |
CN106875005A (zh) * | 2017-01-20 | 2017-06-20 | 清华大学 | 自适应阈值神经元信息处理方法和系统 |
CN106875006A (zh) * | 2017-01-25 | 2017-06-20 | 清华大学 | 人工神经元信息转换为脉冲神经元信息的方法和系统 |
Non-Patent Citations (4)
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 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106982359B (zh) | 一种双目视频监控方法、系统和计算机可读存储介质 | |
CN107480774A (zh) | 基于集成学习的动态神经网络模型训练方法和装置 | |
CN108090658A (zh) | 基于时域特征参数融合的电弧故障诊断方法 | |
CN107169566A (zh) | 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 | |
CN107220707A (zh) | 基于二维数据的动态神经网络模型训练方法和装置 | |
CN107609640A (zh) | 一种阀值择端分级电位式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 | |
CN107657315A (zh) | 一种分级电位式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 | |
CN107480779A (zh) | 一种同时输出多态功能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 | |
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 | |
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 | |
CN107563506A (zh) | 一种压频式择频输出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 | |
Haque et al. | ANN based prediction model for fatigue crack growth in DP steel | |
CN107609643A (zh) | 一种双控植入择端输出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 | |
CN107578097A (zh) | 一种多阀值多函数反馈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 | |
CN107491810A (zh) | 一种多阀值反馈人工神经元的设计方法 | |
CN107886163A (zh) | 基于agn及cnn的单目标优化问题寻优方法及装置 |
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: 20180119 |
|
RJ01 | Rejection of invention patent application after publication |