CN109146071A - 基于神经网络的智能传感器装置及处理方法 - Google Patents
基于神经网络的智能传感器装置及处理方法 Download PDFInfo
- Publication number
- CN109146071A CN109146071A CN201711460246.7A CN201711460246A CN109146071A CN 109146071 A CN109146071 A CN 109146071A CN 201711460246 A CN201711460246 A CN 201711460246A CN 109146071 A CN109146071 A CN 109146071A
- Authority
- CN
- China
- Prior art keywords
- data
- behavior
- tag number
- digital signal
- signal processor
- 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
- G06N3/06—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
-
- 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
- G06N3/08—Learning methods
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)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及学习型智能传感器技术领域,具体地说是一种基于神经网络的智能传感器装置及处理方法,其特征在于,包括:数字信号处理器,其设有数据缓存,且其嵌设有RBF神经网络软件;传感器,与所述数字信号处理器的第一信号端连接;内存储设备,与所述数字信号处理器的第二信号端连接;内输入设备,其一个信号端与所述数字信号处理器的第三信号端连接;其另一个信号端用于和外输入设备通信连接;显示设备,其与数字信号处理器的第四信号端连接,用于显示数字信号处理器的输出识别结果。本发明同现有技术相比:结构简单;传感器中引入学习功能,极大地降低了开发模式识别算法的成本;可以非常小的数据量,返回最有效的数据。
Description
技术领域
本发明涉及学习型智能传感器技术领域,具体地说是一种基于神经网络的智能传感器装置及处理方法。
背景技术
普通的传感器,只是把物理信号转换成电信号,所有的智能化或者模式识别都交由主控器,或者传输到云端来进行处理。
1、把智能化的工作交由主控器处理:主控器把传感器的数据进行读取,并且根据应用场景进行对应的数据处理,以实现对应的功能。
2、把智能化的工作交由云端处理:主控器把传感器的数据进行读取,把数据通过有线或者无线网络上传到云服务器,由云服务器进行对应的数据处理,然后把结果发还给主控器,再由主控器进行对应功能的实现。
然而上述两种智能传感器的实现方式却面临着以下问题:
1、前者对于主控器软件的开发要求较高,每次进行不同模式的识别都需要开发对应的算法。比如,做一个饮水识别和跑步识别算法,需要消耗大量的开发时间,同时两种算法的模型不具有通用性,最终得到的识别精度完全取决于开发者的技能水平,有非常强的局限性。
2、后者由于需要连接到云,必须有网络连接以及后端服务器的支持,同时又有数据量的限制以及实时性不高的问题,而且还会有用户对于隐私的担心。
简单来说,现有的传感器不够智能,没有办法满足用户的定制化需求,造成了智能家居不够智能的问题。
RBF神经网络,即径向基函数神经网络(Radical Basis Function)。径向基函数神经网络是一种高效的前馈式神经网络,它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结构简单,训练速度快。同时,它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。其算法参见如下两个网址:
1、https://www。cnblogs。com/zhangchaoyang/articles/2591663。html;
2、https://www。zhihu。com/compatibility/index。html。
发明内容
本发明的目的是克服现有技术的不足,通过内置的神经网络模块进行学习,让传感器本身变得更加智能,降低边缘计算设备的开发成本以及网络流量数据成本。
为实现上述目的,设计一种基于神经网络的智能传感器装置,其特征在于,包括:
数字信号处理器,其设有数据缓存,且其嵌设有RBF神经网络软件;
传感器,与所述数字信号处理器的第一信号端连接;
内存储设备,与所述数字信号处理器的第二信号端连接;
内输入设备,其一个信号端与所述数字信号处理器的第三信号端连接;其另一个信号端用于和外输入设备通信连接;
显示设备,其与数字信号处理器的第四信号端连接,用于显示数字信号处理器的输出识别结果。
所述的内存储设备的容量为16MB。
一种智能传感器装置的处理方法,其特征在于,通过数字信号处理器的软件进行如下学习过程:
(1)、通过内、外输入设备,设置行为标签号和数据来源标签号;同时让智能传感器装置进入学习状态;所述行为标签号用于表示该学习过程中的数据属于哪个行为;所述数据来源标签号用于判断该学习数据来自于哪个传感器以使多传感器数据融合或用于同一传感器内的多个数据类型;
(2)、做出一个需要学习的外界行为,使传感器数据发生改变,数字信号处理器会读取传感器数据,并记录到数据缓存中;
(3)、完成上述行为之后,通过模块内、外输入设备,让智能传感器装置退出学习状态;
(4)、传感器数据打上之前设置的行为标签号后,放入RBF神经网络中进行学习,并把所学习的数据放入内存储设备中;
(5)、重复上述步骤,以提高识别率,并通过设置不同的行为标签号,以学习不同的行为;
(6)、退出学习状态后,该智能传感器装置会自动进入模式识别状态;
(7)、在模式识别状态中,数字信号处理器会对之前一段时间的传感器数据读入RBF神经网络中,进行识别;
(8)、如果之前记录的行为和神经网络中的行为相似,RBF神经网络中会返回与学习的行为最接近的行为标签号。
所述的学习过程中,数字信号处理器会根据输入信号的情况,自动设置学习行为识别的精度,但随着不断地重复学习,会出现将一个错误的或者不标准行为识别为一个行为标签号,此时表明识别精度下降时,可按如下方法提高识别精度:
a、通过内、外输入设备来通知传感器,上一个模式识别发生错误,并将该行为识别发生错误的信号发送到数字信号处理器,并使该传感器对错误行为进行矫正;
b、数字信号处理器接受到这个信号后,放入RBF神经网络中进行错误行为数据的学习,以此来提高识别精确度;
每个所述的行为标签号对应一个采样长度;根据所述采样长度,对传感器数据进行压缩和重采样,以减少运算时间,并减小功耗。
步骤5中所述提高识别率的处理方法如下:
去除头部和尾部变化幅度不大的无效数据,对于多个数据来源标签号,以去除量最小为准。
所述去除头部和尾部变化幅度不大的无效数据为去除小于最大振幅10%的数据,其公式为:
(HeadDatamax-HeadDatamin)<(Datamax-Datamin)*10%
(TailDatamax-TailDatamin)<(Datamax-Datamin)*10%。
所述识别,其过程如下:
(71)、根据行为标签号得到对应的采样长度,并根据采样长度,对传感器数据进行压缩和重采样,为了方便区分,把它命名为识别数据:RecognizeDatan;
(72)、如果每组识别数据和神经元中的数据来源标签号以及行为标签号相同,则进行距离计算,计算方式如下:
(73)、如果Diskance<Threshold就认为该神经元被触发了;
(74)、如果所有数据来源标签号都触发了神经元,则该识别数据符合该行为标签号;
(75)、由于一个识别数据可能符合多个行为标签号,需要找到最符合的行为标签号。找出每个数据来源标签号触发神经元的最小距离,并把他们加起来,得到行为标签号的距离:CatgoryDistance=∑Distancemin;
(76)、每个行为标签号都可以算出对应的CatgoryDistance,最小的CatgoryDistancemin对应的行为标签号为最终识别出来的行为;
(77)、如果识别数据不符合任意一个行为标签号,则该识别数据没有被识别出来。
所述对错误行为进行矫正,只需要让任意一个数据来源标签号不触发神经元即可,其可采用如下方法处理:
a1、重复识别过程中的步骤71到75,可以得到每个数据来源标签号的最小距离,在这些最小距离中找到最大的一个,其对应的数据来源标签号即为需要矫正的目标;
a2、找到所有满足该数据来源标签号和该行为标签号的神经元;
a3、如果识别数据能触发该神经元,则缩小其识别精度阈值,使其不能再触发神经元为止,本步骤处理公式为:
本发明同现有技术相比:
结构简单;
处理方法通过引入学习功能,极大地降低了开发模式识别算法的成本,并且能够更灵活,更具有可定制性;由于传感器本身处理了大量的数据,该传感器可以非常小的数据量,返回最有效的数据;能够满足物联网中的边缘计算的需求;
通过读取内存储设备中的数据,把学习好的模型批量的部署到产品中,而不需要每台都单独学习,满足大批量生产的需要。
附图说明
图1为本发明中智能传感器装置的电路连接框图。
图2为本发明中智能传感器装置应用于实践中时的架构图。
图3为本发明中智能传感器装置的电路图。
图4为本发明中处理方法的总的处理流程框图。
图5为本发明中输出识别结果不符合预期时的处理流程框图。
具体实施方式
现结合附图及实施例对本发明作进一步地说明。
本发明提供了一种方法,能够让传感器通过少量的学,准确得识别出来一个或多个行为。其中该行为特指那些可以改变传感器数据的行为。
1.通过上述行为改变传感器的数据,可以形成随时间变化的一组数据。放到RBF神经网络中进行学习,通过多次学习,就可以实现行为识别。
2.通过标识不同的行为标记号,学习多种行为,该传感器可以区分并且识别出多种行为。
3.通过让神经网络学习不标准或错误的行为,来降低传感器的误识别率。
4.神经网络完成学习后,可以方便得进行大批量部署。
5.RBF神经网络被证明能够以更快的方式收敛,拥有更高的学习的效率。本案中,RBF是一种优选的方案,还可以通过其他神经网络或者机器学习的方法实现模式识别的功能。
本发明中单个神经元的组成如下:
1.传感器数据存储,用于存储学习过程的传感器数据。
2.行为标签号,用于表示该学习过程中的数据属于哪个行为。
3.识别精度阈值,用于调整识别的精度。
数据来源标签号,用于多传感器数据融合,来判断该学习数据来自于哪个传感器。也可以用于单个传感器内的多个数据类型,比如加速度传感器内有3个轴,3组数据同时学习,可以使用不同的数据来源标签号进行标记区分。
实施例1
参见图1~图3,一种基于神经网络的智能传感器装置,其特征在于,包括:
数字信号处理器,其设有数据缓存,且其嵌设有RBF神经网络软件;
传感器,与所述数字信号处理器的第一信号端连接;
内存储设备,与所述数字信号处理器的第二信号端连接;
内输入设备,其一个信号端与所述数字信号处理器的第三信号端连接;其另一个信号端用于和外输入设备通信连接;
显示设备,其与数字信号处理器的第四信号端连接,用于显示数字信号处理器的输出识别结果。
本例中,RBF神经网络由多个神经元组成,优选128个,且单个神经元内部可处理128B的学习数据量。所述的内存储设备的容量优选为16MB。
实施例2
参见图4、图5,本例中的处理方法基于实施例1中的装置,其通过数字信号处理器的软件进行如下学习过程:
(1)、通过内、外输入设备,设置行为标签号和数据来源标签号;同时让智能传感器装置进入学习状态;所述行为标签号用于表示该学习过程中的数据属于哪个行为;所述数据来源标签号用于判断该学习数据来自于哪个传感器以使多传感器数据融合或用于同一传感器内的多个数据类型;
(2)、做出一个需要学习的外界行为,使传感器数据发生改变,数字信号处理器会读取传感器数据,并记录到数据缓存中;
(3)、完成上述行为之后,通过模块内、外输入设备,让智能传感器装置退出学习状态;
(4)、传感器数据打上之前设置的行为标签号后,放入RBF神经网络中进行学习,并把所学习的数据放入内存储设备中;
(5)、重复上述步骤,以提高识别率,并通过设置不同的行为标签号,以学习不同的行为;
(6)、退出学习状态后,该智能传感器装置会自动进入模式识别状态;
(7)、在模式识别状态中,数字信号处理器会对之前一段时间的传感器数据读入RBF神经网络中,进行识别;
(8)、如果之前记录的行为和神经网络中的行为相似,RBF神经网络中会返回与学习的行为最接近的行为标签号。
本发明中,通过读取内存储设备中的数据,把学习好的模型批量的部署到产品中,而不需要每台都单独学习,满足大批量生产的需要。
进一步的,所述的学习过程中,数字信号处理器会根据输入信号的情况,自动设置学习行为识别的精度,但随着不断地重复学习,会出现将一个错误的或者不标准行为识别为一个行为标签号,此时表明识别精度下降时,可按如下方法提高识别精度:
a、通过内、外输入设备来通知传感器,上一个模式识别发生错误,并将该行为识别发生错误的信号发送到数字信号处理器,并使该传感器对错误行为进行矫正;
b、数字信号处理器接受到这个信号后,放入RBF神经网络中进行错误行为数据的学习,以此来提高识别精确度;
由于不同行为的时间是不同的,因此每个所述的行为标签号对应一个采样长度;根据所述采样长度,对传感器数据进行压缩和重采样,以减少运算时间,并减小功耗。优选的,单个数据等比压缩成1byte,并重采样成128个数据。
根据数据自动调整识别精度阈值,对于优选的单个数据1byte,128个数据:
1、算出每组数据的平均值:
2、算出每组数据到平均值的距离:
3、根据距离设置识别精度阈值.
31、对于只有单个数据来源标签号,优选的设置为:
Threshold=0.9×Distance;
32、对于有多个数据来源标签号,优选的把Distance最大的那组数据如下设置:ThresholdmaxDistance=0.9×Distancemax;
其他组数据如下设置:
Thresholdn=max(1.15×Distancen,Distancemax/3)。
把每组数据对应的行为标签号、识别精度阈值、以及数据来源标签号放入神经网络中进行识别,如果该组数据没有在神经网络中识别出来,则认为这是一个新的数据,把这些数据存入一个新的神经元内。
进一步的,步骤5中所述提高识别率的处理方法如下:
去除头部和尾部变化幅度不大的无效数据,对于多个数据来源标签号,以去除量最小为准。
进一步的,所述去除头部和尾部变化幅度不大的无效数据为去除小于最大振幅10%的数据,其公式为:
(HeadDatamax-HeadDatamin)<(Datamax-Datamin)*10%
(TailDatamax-TailDatamin)<(Datamax-Datamin)*10%。
进一步的,所述识别,其过程如下:
(71)、根据行为标签号得到对应的采样长度,并根据采样长度,对传感器数据进行压缩和重采样,为了方便区分,把它命名为识别数据:RecognizeDatan;
(72)、如果每组识别数据和神经元中的数据来源标签号以及行为标签号相同,则进行距离计算,计算方式如下:
(73)、如果Distance<Thre-shold就认为该神经元被触发了;
(74)、如果所有数据来源标签号都触发了神经元,则该识别数据符合该行为标签号;
(75)、由于一个识别数据可能符合多个行为标签号,需要找到最符合的行为标签号。找出每个数据来源标签号触发神经元的最小距离,并把他们加起来,得到行为标签号的距离:CatgoryDistance=∑Distancemin;
(76)、每个行为标签号都可以算出对应的CatgoryDistance,最小的CatgoryDistancemin对应的行为标签号为最终识别出来的行为;
(77)、如果识别数据不符合任意一个行为标签号,则该识别数据没有被识别出来。
进一步的,所述对错误行为进行矫正,只需要让任意一个数据来源标签号不触发神经元即可,其可采用如下方法处理:
a1、重复识别过程中的步骤71到75,可以得到每个数据来源标签号的最小距离,在这些最小距离中找到最大的一个,其对应的数据来源标签号即为需要矫正的目标;
a2、找到所有满足该数据来源标签号和该行为标签号的神经元;
a3、如果识别数据能触发该神经元,则缩小其识别精度阈值,使其不能再触发神经元为止,本步骤处理公式为:
Claims (8)
1.一种基于神经网络的智能传感器装置,其特征在于,包括:
数字信号处理器,其设有数据缓存,且其嵌设有RBF神经网络软件;
传感器,与所述数字信号处理器的第一信号端连接;
内存储设备,与所述数字信号处理器的第二信号端连接;
内输入设备,其一个信号端与所述数字信号处理器的第三信号端连接;其另一个信号端用于和外输入设备通信连接;
显示设备,其与数字信号处理器的第四信号端连接,用于显示数字信号处理器的输出识别结果。
2.如权利要求1所述一种基于神经网络的智能传感器装置,其特征在于,所述的内存储设备的容量为16MB。
3.如权利要求1或2所述智能传感器装置的处理方法,其特征在于,通过数字信号处理器的软件进行如下学习过程:
(1)、通过内、外输入设备,设置行为标签号和数据来源标签号;同时让智能传感器装置进入学习状态;所述行为标签号用于表示该学习过程中的数据属于哪个行为;所述数据来源标签号用于判断该学习数据来自于哪个传感器以使多传感器数据融合或用于同一传感器内的多个数据类型;
(2)、做出一个需要学习的外界行为,使传感器数据发生改变,数字信号处理器会读取传感器数据,并记录到数据缓存中;
(3)、完成上述行为之后,通过模块内、外输入设备,让智能传感器装置退出学习状态;
(4)、传感器数据打上之前设置的行为标签号后,放入RBF神经网络中进行学习,并把所学习的数据放入内存储设备中;
(5)、重复上述步骤,以提高识别率,并通过设置不同的行为标签号,以学习不同的行为;
(6)、退出学习状态后,该智能传感器装置会自动进入模式识别状态;
(7)、在模式识别状态中,数字信号处理器会对之前一段时间的传感器数据读入RBF神经网络中,进行识别;
(8)、如果之前记录的行为和神经网络中的行为相似,RBF神经网络中会返回与学习的行为最接近的行为标签号。
4.如权利要求3所述智能传感器装置的处理方法,其特征在于,
所述的学习过程中,数字信号处理器会根据输入信号的情况,自动设置学习行为识别的精度,但随着不断地重复学习,会出现将一个错误的或者不标准行为识别为一个行为标签号,此时表明识别精度下降时,可按如下方法提高识别精度:
a、通过内、外输入设备来通知传感器,上一个模式识别发生错误,并将该行为识别发生错误的信号发送到数字信号处理器,并使该传感器对错误行为进行矫正;
b、数字信号处理器接受到这个信号后,放入RBF神经网络中进行错误行为数据的学习,以此来提高识别精确度;
每个所述的行为标签号对应一个采样长度;根据所述采样长度,对传感器数据进行压缩和重采样,以减少运算时间,并减小功耗。
5.如权利要求3所述智能传感器装置的处理方法,其特征在于,步骤5中所述提高识别率的处理方法如下:去除头部和尾部变化幅度不大的无效数据,对于多个数据来源标签号,以去除量最小为准。
6.如权利要求5所述智能传感器装置的处理方法,其特征在于,所述去除头部和尾部变化幅度不大的无效数据为去除小于最大振幅10%的数据,其公式为:
(HeadDatamax-HeadDatamin)<(Datamax-Datamin)*10%
(TailDatamax-TailDatamin)<(Datamax-Datamin)*10%。
7.如权利要3或4所述智能传感器装置的处理方法,其特征在于,所述识别,其过程如下:
(71)、根据行为标签号得到对应的采样长度,并根据采样长度,对传感器数据进行压缩和重采样,为了方便区分,把它命名为识别数据:RecognizeDatan;
(72)、如果每组识别数据和神经元中的数据来源标签号以及行为标签号相同,则进行距离计算,计算方式如下:
(73)、如果Distance<Threshold就认为该神经元被触发了;
(74)、如果所有数据来源标签号都触发了神经元,则该识别数据符合该行为标签号;
(75)、由于一个识别数据可能符合多个行为标签号,需要找到最符合的行为标签号.找出每个数据来源标签号触发神经元的最小距离,并把他们加起来,得到行为标签号的距离:CatgoryDistance=∑Distancemin;
(76)、每个行为标签号都可以算出对应的CatgoryDistance,最小的CatgoryDistancemin对应的行为标签号为最终识别出来的行为;
(77)、如果识别数据不符合任意一个行为标签号,则该识别数据没有被识别出来。
8.如权利要求7所述智能传感器装置的处理方法,其特征在于,所述对错误行为进行矫正,只需要让任意一个数据来源标签号不触发神经元即可,其可采用如下方法处理:
a1、重复识别过程中的步骤71到75,可以得到每个数据来源标签号的最小距离,在这些最小距离中找到最大的一个,其对应的数据来源标签号即为需要矫正的目标;
a2、找到所有满足该数据来源标签号和该行为标签号的神经元;
a3、如果识别数据能触发该神经元,则缩小其识别精度阈值,使其不能再触发神经元为止,本步骤处理公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711460246.7A CN109146071A (zh) | 2017-12-28 | 2017-12-28 | 基于神经网络的智能传感器装置及处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711460246.7A CN109146071A (zh) | 2017-12-28 | 2017-12-28 | 基于神经网络的智能传感器装置及处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146071A true CN109146071A (zh) | 2019-01-04 |
Family
ID=64803401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711460246.7A Pending CN109146071A (zh) | 2017-12-28 | 2017-12-28 | 基于神经网络的智能传感器装置及处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146071A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826166A (zh) * | 2010-04-27 | 2010-09-08 | 青岛大学 | 一种新的神经网络模式识别方法 |
CN102413605A (zh) * | 2011-08-12 | 2012-04-11 | 苏州大学 | 基于人工神经网络的智能路灯节能控制系统 |
CN105531724A (zh) * | 2013-08-13 | 2016-04-27 | 高通股份有限公司 | 用于调制神经设备的训练的方法和装置 |
-
2017
- 2017-12-28 CN CN201711460246.7A patent/CN109146071A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826166A (zh) * | 2010-04-27 | 2010-09-08 | 青岛大学 | 一种新的神经网络模式识别方法 |
CN102413605A (zh) * | 2011-08-12 | 2012-04-11 | 苏州大学 | 基于人工神经网络的智能路灯节能控制系统 |
CN105531724A (zh) * | 2013-08-13 | 2016-04-27 | 高通股份有限公司 | 用于调制神经设备的训练的方法和装置 |
Non-Patent Citations (3)
Title |
---|
张洵 等: "基于模糊神经网络的智能巨磁电阻传感器设计", 《计算机工程与设计》 * |
范钦满: "《物流设施与设备》", 31 August 2008, 东南大学出版社 * |
陈雯柏: "《人工神经网络原理与实践》", 31 January 2016, 西安电子科技大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027487B (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
CN107153871B (zh) | 基于卷积神经网络和手机传感器数据的跌倒检测方法 | |
CN108764059B (zh) | 一种基于神经网络的人体行为识别方法及系统 | |
CN111417963A (zh) | 改进的尖峰神经网络 | |
CN104680046B (zh) | 一种用户活动识别方法及装置 | |
CN110210434A (zh) | 病虫害识别方法及装置 | |
CN107808212B (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
US20200160164A1 (en) | Neuromorphic chip and method and apparatus for detecting spike event | |
JP2019125340A (ja) | 時空間画像の変化を自動推論するためのシステムおよび方法 | |
CN103810497A (zh) | 一种基于忆阻器的图像识别系统及方法 | |
Gu et al. | Tactilesgnet: A spiking graph neural network for event-based tactile object recognition | |
KR20190096876A (ko) | 음성인식 성능 향상을 위한 비 지도 가중치 적용 학습 시스템 및 방법, 그리고 기록 매체 | |
Taunyazov et al. | Fast texture classification using tactile neural coding and spiking neural network | |
CN111076770A (zh) | 一种传感元件与忆阻器结合的多模态智能传感器 | |
CN109615058A (zh) | 一种神经网络模型的训练方法 | |
CN111582395A (zh) | 一种基于卷积神经网络的产品质量分类系统 | |
CN111340194B (zh) | 脉冲卷积神经网络神经形态硬件及其图像识别方法 | |
CN114997217A (zh) | 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法 | |
CN109146071A (zh) | 基于神经网络的智能传感器装置及处理方法 | |
CN108064745A (zh) | 动物嚎叫监测系统以及基于机器学习的嚎叫状态识别方法 | |
Hazarika et al. | Approximating CNN computation for plant disease detection | |
Bavaskar et al. | Image classification using deep learning algorithms for cotton crop disease detection | |
See et al. | ST-MNIST--The Spiking Tactile MNIST Neuromorphic Dataset | |
CN109993312A (zh) | 一种设备及其信息处理方法、计算机存储介质 | |
KR102535635B1 (ko) | 뉴로모픽 컴퓨팅 장치 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 200120 room 602 and 603, No.2 Boyun Road, Zhangjiang hi tech park, Pudong New Area, Shanghai Applicant after: SHANGHAI DFROBOT Co.,Ltd. Address before: 201203, 601A, 601B, 602A, room A, No. 112, Sau Sau Road, Shanghai, Pudong New Area Applicant before: SHANGHAI DFROBOT Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |