CN109635942B - 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法 - Google Patents

一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法 Download PDF

Info

Publication number
CN109635942B
CN109635942B CN201811435003.2A CN201811435003A CN109635942B CN 109635942 B CN109635942 B CN 109635942B CN 201811435003 A CN201811435003 A CN 201811435003A CN 109635942 B CN109635942 B CN 109635942B
Authority
CN
China
Prior art keywords
neural network
state
brain
emotion
network circuit
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.)
Active
Application number
CN201811435003.2A
Other languages
English (en)
Other versions
CN109635942A (zh
Inventor
耿淑琴
杨彩娟
张岩
侯立刚
彭晓宏
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201811435003.2A priority Critical patent/CN109635942B/zh
Publication of CN109635942A publication Critical patent/CN109635942A/zh
Application granted granted Critical
Publication of CN109635942B publication Critical patent/CN109635942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法，该结构包括情感信息组件、采集监测识别组件、仿脑神经网络电路组件、算法组件、抑制态自选组件和智能应对策略组件，情感信息组件包括数据与图像。将情感信息组件输入至采集监测识别组件中并输出的情感信息，情感信息通过仿脑神经网络电路组件、算法组件和抑制态自选组件进行仿真，从而得到电路智能应对策略，对情感信息的数据与图像进行分析。通过输出信息即智能应对策略的数据和图片来表现仿脑神经网络电路电路处于兴奋态还是抑制态，达到仿脑兴奋与抑制受整个模型的影响。

Description

一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法
技术领域
本发明属于人工神经网络技术领域，涉及一种神经网络电路的优化方法，尤其涉及一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法。
背景技术
人工神经网络(Artificial Neural Networks，简写为ANN)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。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。在工程与学术界也常直接简称为神经网络或类神经网络。它的构筑理念是受到生物(人或其他动物)神经网络功能的运作启发而产生的。
人工神经网络通常是通过一个基于数学统计学类型的学习方法(LearningMethod)得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)，这种方法比起正式的逻辑学推理演算更具有优势。人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。
发明内容：
本发明的目的在于提出了一种仿脑兴奋态与抑制态工作状态的神经网络电路结构及方法，人类的情感信息受到诸多因素的影响，且处于动态变化之中，为了及时识别情感的变化，必须进行采集监测识别，识别有用信息进行仿真，仿脑神经网络电路电路进行智能应对，得到兴奋态和抑制态工作状态的训练集，通过输出信息即智能应对策略的数据和图片来表现仿脑神经网络电路电路处于兴奋态还是抑制态，达到仿脑兴奋与抑制受整个模型的影响。
为实现上述目的，本发明采用的技术方案为一种仿脑兴奋态与抑制态工作状态的神经网络电路结构，该结构包括情感信息组件、采集监测识别组件、仿脑神经网络电路组件、算法组件、抑制态自选组件和智能应对策略组件，情感信息组件包括数据与图像。将情感信息组件输入至采集监测识别组件中并输出的情感信息，情感信息通过仿脑神经网络电路组件、算法组件和抑制态自选组件进行仿真，从而得到电路智能应对策略，对情感信息的数据与图像进行分析。
仿脑神经网络电路通过改变算法或者是改变抑制态自选组件，再次对输出信息进行仿真，通过数据和图片进行分析电路处于兴奋态还是抑制态。
一种仿脑兴奋态与抑制态工作状态的神经网络电路结构及方法，人类的情感信息受到诸多因素的影响，且处于动态变化之中，为了及时识别情感的变化，必须进行采集监测识别，识别有用信息进行仿真，仿脑神经网络电路电路进行智能应对，得到兴奋态和抑制态工作状态的训练集，通过输出信息即智能应对策略的数据和图片来表现仿脑神经网络电路电路处于兴奋态还是抑制态，达到仿脑兴奋与抑制受整个模型的影响。
一种仿脑兴奋态与抑制态工作状态的神经网络电路结构的实现方法，其特征在于：S1:选用仿脑神经网络电路芯片。
S2:对输入信息即情感状态信息的采集监测识别。泛在学习环境下，学习者的情感状态要受到不同的学习环境，学习时刻，学习内容，学习交互活动及共同学习伙伴等众多因素的影响，且处于动态变化之中。为了及时识别情感的变化，必须对包含学习者情感的语音信息，视频信息，网络行为数据及不同页面的操作进行实时监测和动态采集，并根据学习者的情感特征画像进行在线识别。情感信息的采集通过实时监测Agent和数据采集Agent两个智能Agent来实现。Agent为采用人工智能技术开发的智能代理，具有属性和行动规则，可以在设定的属性参数下，按照上述行动规则产生自主行为，完成预定的任务。其中，数据采集知识库为上述两个Agent提供采集策略与规则，并根据学习者的情感特征画像为之提供采集，监测智能引导。泛在学习者的情感状态识别包括数据预处理，特征参数提取，识别算法三个环节，通过数据预处理Agent和情感识别Agent两个智能Agent来实现。情感识别知识库为识别提供学习者情感特征画像以及特征参数提取方法，情感识别Agent根据以上知识采用智能识别算法完成对学习者情感状态的在线识别。
S3:对仿脑神经网络电路输出信息进行仿真，得到兴奋态即非抑制工作状态的训练集，此时仿脑神经网络电路处于兴奋态。以神经网络为侧重点的仿真软件NEST,侧重于模拟神经元的动力学，神经系统的结构，但并不关注单个神经元的细致形态结构，降低了计算复杂度，从而能够实现大规模脑神经网络仿真。NEST支持多种神经网络连接方式，因此便于建立神经网络，NEST构建一个神经网络分为以下几步：S3.1：设定要仿真神经网络的各种参数；S3.2：创建神经元模型，外部输入等；S3.3：建立神经网络链接。
S4:通过不同的算法机制，或改变输入数据，从而改变原有的仿脑神经网络电路，得到非兴奋态即抑制工作状态的训练集，此时仿脑电路处于抑制态。使用误差逆传播算法，其工作流程：先将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出的误差，再将误差逆向传播至隐层神经元，最后根据隐层神经元的误差来对连接权和阈值进行调整，该迭代过程循环进行，直到达到某些停止条件为止。
S5:与之前的训练集进行图形和数据各种比对，划分兴奋态与抑制态，从而选择智能应对策略。
对训练集即识别出来的输出信息进行仿真，运用以神经网络电路为侧重点的仿真软件，对数据进行初始化和参数设置和创建元素，完成神经网络电路各元素的互联，实现此电路的仿真，得到兴奋工作状态下的训练集。通过改变权重算法，从而改变原有的仿脑神经网络电路，得到非兴奋态即抑制工作状态的训练集。与之前的训练集进行图形和数据各种比对。
附图说明
图1为神经网络电路结构示意图。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
图1为神经网络电路结构示意图，一种仿脑兴奋态与抑制态工作状态的神经网络电路结构的实现方法，其特征在于：S1:选用特定的仿脑神经网络电路芯片，可以使用美空军研究室联合IBM开发拟人脑神经网络芯片，这一模拟人脑神经网络设计的64芯片系统，数据处理能力已经相当于包含6400万个神经细胞和160亿个神经突触的类脑功能，机器学习性能超过了目前任何其他硬件模型。这个名叫“TrueNorth(真北)”的神经突触系统由四块芯片板组成，每块芯片板装载16个芯片，构成一个64芯片阵列，能安装到标准的4U服务器中。IBM研究人员表示，传统计算机就像人类左脑，擅长逻辑性思维和语言，而“真北”神经突触芯片，更像人类右脑，感觉和图形识别能力是其特长。“真北”的独特设计，使研究人员既可以在多个数据集上运行单个神经网络，也可以在单个数据集上运行多个神经网络，高效地将多个数据集上的图片、视频和文本等信息实时转换成计算机能识别的代码。
S2:对输入信息即情感状态信息的采集监测识别。泛在学习环境下，学习者的情感状态要受到不同的学习环境，学习时刻，学习内容，学习交互活动及共同学习伙伴等众多因素的影响，且处于动态变化之中。为了及时识别情感的变化，必须对包含学习者情感的语音信息，视频信息，网络行为数据及不同页面的操作进行实时监测和动态采集，并根据学习者的情感特征画像进行在线识别。情感信息的采集主要通过实时监测Agent和数据采集Agent两个智能Agent来实现。Agent为采用人工智能技术开发的智能代理，具有属性和行动规则，可以在设定的属性参数下，按照上述行动规则产生自主行为，完成预定的任务。其中，数据采集知识库为上述两个Agent提供采集策略与规则，并根据学习者的情感特征画像为之提供采集，监测智能引导。泛在学习者的情感状态识别包括数据预处理，特征参数提取，识别算法三个环节，通过数据预处理Agent和情感识别Agent两个智能Agent来实现。情感识别知识库为识别提供学习者情感特征画像以及特征参数提取方法，情感识别Agent根据以上知识采用智能识别算法完成对学习者情感状态的在线识别。极大地提升学习者的情感体验和学习效果，并使之保持持续的学习兴趣及学习自主性。
S3:对仿脑神经网络电路输出信息进行仿真，得到兴奋态即非抑制工作状态的训练集，此时仿脑神经网络电路处于兴奋态。以神经网络为侧重点的仿真软件NEST,侧重于模拟神经元的动力学，神经系统的结构，但并不关注单个神经元的细致形态结构，降低了计算复杂度，从而能够实现大规模脑神经网络仿真。NEST支持多种神经网络连接方式，因此便于建立神经网络，NEST构建一个神经网络可以分为以下几步：S3.1：设定要仿真神经网络的各种参数；S3.2：创建神经元模型，外部输入等；S3.3：建立神经网络链接。NEST是一款基于脉冲神经元模型生物神经网络模拟软件，不关注单神经元细致形态结构，神经元是作为一个整体被模拟，适用于研究由脉冲神经元构成的神经网络的信息处理过程，可塑性等。NEST大规模神经网络仿真基本流程中，由于大脑内神经元数目在1011量级，每个神经元平均约有104突触连接。因此未来仿真的大规模神经网络将超过上亿数量的神经元。大规模神经网络每受一次刺激，神经网络就要进行一次响应，如此大规模的网络需要进行大量的计算和频繁的数据通讯。TH-1A的强大的计算能力和高效的数据并行传输能力，能够解决大规模神经网络仿真过程中遇到的这些挑战。以超级计算机TH-1A为实验平台，利用TH-1A强大的计算能力和高效的网络传输能力实现大规模神经网络仿真。
S4:通过不同的算法机制，或改变输入数据，从而改变原有的仿脑神经网络电路，得到非兴奋态即抑制工作状态的训练集，此时仿脑电路处于抑制态。对于算法可以使用误差逆传播算法，其工作流程：先将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出的误差，再将误差逆向传播至隐层神经元，最后根据隐层神经元的误差来对连接权和阈值进行调整，该迭代过程循环进行，直到达到某些停止条件为止，例如训练误差已达到一个很小的值。如果改变算法机制，仿脑神经网络电路也就因此改变了，得到另外一种工作状态的训练集。
S5:与之前的训练集进行图形和数据等各种比对，划分兴奋态与抑制态，从而选择智能应对策略。
对训练集即识别出来的输出信息进行仿真，运用以神经网络电路为侧重点的仿真软件，对数据进行初始化和参数设置和创建元素，完成神经网络电路各元素的互联，实现此电路的仿真，得到兴奋工作状态下的训练集。通过改变权重算法，从而改变原有的仿脑神经网络电路，得到非兴奋态即抑制工作状态的训练集。与之前的训练集进行图形和数据等各种比对。

Claims (4)

1.一种仿脑兴奋态与抑制态工作状态的神经网络电路结构的实现方法，该实现方法的神经网络电路结构包括情感信息组件、采集监测识别组件、仿脑神经网络电路组件、算法组件、抑制态自选组件和智能应对策略组件，情感信息组件包括数据与图像；将情感信息组件输入至采集监测识别组件中并输出的情感信息，情感信息通过仿脑神经网络电路组件、算法组件和抑制态自选组件进行仿真，从而得到电路智能应对策略，对情感信息的数据与图像进行分析；
仿脑神经网络电路通过改变算法或者是改变抑制态自选组件，再次对输出信息进行仿真，通过数据和图片进行分析电路处于兴奋态还是抑制态；
其特征在于：
S1:选用仿脑神经网络电路芯片；
S2:对输入信息即情感状态信息的采集监测识别；泛在学习环境下，学习者的情感状态要受到不同的学习环境，学习时刻，学习内容，学习交互活动及共同学习伙伴众多因素的影响，且处于动态变化之中；为了及时识别情感的变化，必须对包含学习者情感的语音信息，视频信息，网络行为数据及不同页面的操作进行实时监测和动态采集，并根据学习者的情感特征画像进行在线识别；情感信息的采集通过实时监测Agent和数据采集Agent两个智能Agent来实现；Agent为采用人工智能技术开发的智能代理，具有属性和行动规则，在设定的属性参数下，按照上述行动规则产生自主行为，完成预定的任务；其中，数据采集知识库为上述两个Agent提供采集策略与规则，并根据学习者的情感特征画像为之提供采集，监测智能引导；泛在学习者的情感状态识别包括数据预处理，特征参数提取，识别算法三个环节，通过数据预处理Agent和情感识别Agent两个智能Agent来实现；情感识别知识库为识别提供学习者情感特征画像以及特征参数提取方法，情感识别Agent根据以上知识采用智能识别算法完成对学习者情感状态的在线识别；
S3:对仿脑神经网络电路输出信息进行仿真，得到兴奋态即非抑制工作状态的训练集，此时仿脑神经网络电路处于兴奋态；以神经网络为侧重点的仿真软件NEST,侧重于模拟神经元的动力学，神经系统的结构，但并不关注单个神经元的细致形态结构，降低了计算复杂度，从而能够实现大规模脑神经网络仿真；
S4:通过不同的算法机制，或改变输入数据，从而改变原有的仿脑神经网络电路，得到非兴奋态即抑制工作状态的训练集，此时仿脑电路处于抑制态；
S5:与之前的训练集进行图形和数据各种比对，划分兴奋态与抑制态，从而选择智能应对策略。
2.根据权利要求1所述的一种仿脑兴奋态与抑制态工作状态的神经网络电路结构的实现方法，其特征在于：NEST支持多种神经网络连接方式，因此便于建立神经网络，NEST构建一个神经网络分为以下几步：S3.1：设定要仿真神经网络的各种参数；S3.2：创建神经元模型，外部输入；S3.3：建立神经网络链接。
3.根据权利要求1所述的一种仿脑兴奋态与抑制态工作状态的神经网络电路结构的实现方法，其特征在于：使用误差逆传播算法，其工作流程：先将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出的误差，再将误差逆向传播至隐层神经元，最后根据隐层神经元的误差来对连接权和阈值进行调整，该迭代过程循环进行，直到达到某些停止条件为止。
4.根据权利要求1所述的一种仿脑兴奋态与抑制态工作状态的神经网络电路结构的实现方法，其特征在于：对训练集即识别出来的输出信息进行仿真，运用以神经网络电路为侧重点的仿真软件，对数据进行初始化和参数设置和创建元素，完成神经网络电路各元素的互联，实现此电路的仿真，得到兴奋工作状态下的训练集；通过改变权重算法，从而改变原有的仿脑神经网络电路，得到非兴奋态即抑制工作状态的训练集；与之前的训练集进行图形和数据各种比对。
CN201811435003.2A 2018-11-28 2018-11-28 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法 Active CN109635942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811435003.2A CN109635942B (zh) 2018-11-28 2018-11-28 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811435003.2A CN109635942B (zh) 2018-11-28 2018-11-28 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法

Publications (2)

Publication Number Publication Date
CN109635942A CN109635942A (zh) 2019-04-16
CN109635942B true CN109635942B (zh) 2023-05-05

Family

ID=66069908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811435003.2A Active CN109635942B (zh) 2018-11-28 2018-11-28 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法

Country Status (1)

Country Link
CN (1) CN109635942B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819142B (zh) * 2021-02-04 2024-01-19 成都市深思创芯科技有限公司 一种短时突触可塑性工作记忆计算系统及方法
CN114970850A (zh) * 2022-06-28 2022-08-30 郑州轻工业大学 一种带有情境依赖和泛化的情绪习惯化神经网络电路

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA96148C2 (ru) * 2008-09-25 2011-10-10 Запорожский Национальный Технический Университет Нейросетевая система управления процессом и способ ее конфигурации при обучении
CN103473558A (zh) * 2013-09-04 2013-12-25 深圳先进技术研究院 基于神经网络的图像识别方法和系统
WO2018106038A1 (ko) * 2016-12-08 2018-06-14 정은지 발달 장애 기능 개선을 위한 뉴로피드백 장치와 영상 콘텐츠를 이용하는 훈련 시스템 및 그 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA96148C2 (ru) * 2008-09-25 2011-10-10 Запорожский Национальный Технический Университет Нейросетевая система управления процессом и способ ее конфигурации при обучении
CN103473558A (zh) * 2013-09-04 2013-12-25 深圳先进技术研究院 基于神经网络的图像识别方法和系统
WO2018106038A1 (ko) * 2016-12-08 2018-06-14 정은지 발달 장애 기능 개선을 위한 뉴로피드백 장치와 영상 콘텐츠를 이용하는 훈련 시스템 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘达荣 等." 基于渐进式学习的神经网络端到端验证码识别".《计算机技术与发展》.2018,第28卷(第9期), *

Also Published As

Publication number Publication date
CN109635942A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
Jaafra et al. Reinforcement learning for neural architecture search: A review
Hunsberger et al. Spiking deep networks with LIF neurons
US11126913B2 (en) Methods and systems for implementing deep spiking neural networks
Kumar et al. Advanced applications of neural networks and artificial intelligence: A review
Werbos Neural networks for control and system identification
CN105701540A (zh) 一种自生成神经网络构建方法
CN109635942B (zh) 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法
Zhao Research and application on BP neural network algorithm
Sharma et al. Large-scale cognitive model design using the Nengo neural simulator
Kozlova et al. The use of neural networks for planning the behavior of complex systems
CN115374790A (zh) 基于因果图神经网络的学习者情感演化分析方法与系统
Cangelosi et al. How nouns and verbs differentially affect the behavior of artificial organisms
Zanatta et al. Directly-trained Spiking Neural Networks for Deep Reinforcement Learning: Energy efficient implementation of event-based obstacle avoidance on a neuromorphic accelerator
Zorins et al. Artificial neural networks and human brain: Survey of improvement possibilities of learning
Christophe et al. Pattern recognition with spiking neural networks: a simple training method.
Kumari et al. Deep networks and deep learning algorithms
López de Mántaras The Future of Artificial Intelligence: Toward Truly Intelligent Artificial Intelligences
García-Vico et al. A preliminary analysis on software frameworks for the development of spiking neural networks
Hung et al. An adaptive growing grid model for a non-stationary environment
CA2898216C (en) Methods and systems for implementing deep spiking neural networks
KR102535635B1 (ko) 뉴로모픽 컴퓨팅 장치
Ahmed et al. Simulation of bayesian learning and inference on distributed stochastic spiking neural networks
Léveillé et al. Learning in a distributed software architecture for large-scale neural modeling
Parisi et al. A unified simulation scenario for language development, evolution and historical change
Reda Deep learning an overview

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
CB03 Change of inventor or designer information

Inventor after: Geng Shuqin

Inventor after: Yang Caijuan

Inventor after: Zhang Yan

Inventor after: Hou Ligang

Inventor after: Peng Xiaohong

Inventor before: Hou Ligang

Inventor before: Yang Caijuan

Inventor before: Zhang Yan

Inventor before: Geng Shuqin

Inventor before: Peng Xiaohong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant