CN110046367B - 机器熵计算方法及电路、实现时间认知的方法及电子系统 - Google Patents

机器熵计算方法及电路、实现时间认知的方法及电子系统 Download PDF

Info

Publication number
CN110046367B
CN110046367B CN201810045295.2A CN201810045295A CN110046367B CN 110046367 B CN110046367 B CN 110046367B CN 201810045295 A CN201810045295 A CN 201810045295A CN 110046367 B CN110046367 B CN 110046367B
Authority
CN
China
Prior art keywords
electronic system
characteristic parameter
machine entropy
change
machine
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
CN201810045295.2A
Other languages
English (en)
Other versions
CN110046367A (zh
Inventor
修黎明
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201810045295.2A priority Critical patent/CN110046367B/zh
Priority to PCT/CN2018/115446 priority patent/WO2019140995A1/zh
Priority to US16/461,145 priority patent/US20200285786A1/en
Priority to EP18874996.4A priority patent/EP3742312A4/en
Publication of CN110046367A publication Critical patent/CN110046367A/zh
Application granted granted Critical
Publication of CN110046367B publication Critical patent/CN110046367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/17—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values giving an indication of the number of times this occurs, i.e. multi-channel analysers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour

Abstract

一种机器熵计算方法、机器熵计算电路、实现时间认知的方法和实现时间认知的电子系统。所述机器熵计算方法包括：监测电子系统的电信号；以及计算所述机器熵为所述电信号的特征参数的变化次数的总和。所述机器熵计算方法、机器熵计算电路、实现时间感知的方法以及实现时间感知的电子系统，能够使用机器熵在电子系统中建立时间意识，为人工智能的进一步发展提供一个认知时空的框架。

Description

机器熵计算方法及电路、实现时间认知的方法及电子系统
技术领域
本公开的实施例涉及一种机器熵计算方法、机器熵计算电路、实现时间认知的方法和实现时间认知的电子系统。
背景技术
对人工智能的研究起始于用计算机对人脑进行模拟的愿望。目前存在两种方式：第一方式是功能性的模拟，第二种方式是结构模拟。在功能性模拟中，机器脑被当成黑盒子，该黑盒子的结构和材料与研究无关，它只需要模拟人脑的功能。例如机器学习(MachineLearning)、深度学习(Deep Learning)、卷积神经网络(Convolutional NeuralNetworks)、深信度网络(Deep Belief Networks)等都与功能模拟相关。机器脑可以通过学习，不断地从解决某一类问题的经验中积累知识，学习策略，从而在之后遇到类似的问题时，机器脑能够运用积累的经验解决问题。而在结构模拟的研究中，机器脑不再被当成黑盒子，而是期望能够仿照人脑的物理结构，制造出类人脑的机器脑并期望在这个机器脑中产生意识与思想。
人们期待在机器脑中产生意识和思想，是因为现实生活中有许多问题是目前的人工智能技术所不能解决的。目前的人工智能只擅长解决某几类的特定问题。在其他许多与主观判断相关的问题上，它远远不如人类。人类解决问题的模式通常是用最快捷直观的判断，而不是人工智能通常使用的逐步推导计算的方式。换言之，人工智能不能仅限于逻辑思维，还要学会形象思维。这中间障碍物就是意识与思想。意识中最原始的元素是时间意识。因此，本方明研究如何在机器中产生时间意识。
发明内容
本公开实施例提供一种电子系统的机器熵计算方法，包括：监测所述电子系统的电信号；以及计算所述机器熵为所述电信号的特征参数的变化次数的总和。
例如，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和。
例如，所述电信号包括所述电子系统中的不低于某一预定比例的电信号。
例如，所述机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。
例如，对于每个所述电信号，当其特征参数的幅度的改变值满足预定阈值范围时，被计算为一次特征参数的变化。
例如，当所述特征参数的幅度从第一阈值上升至第二阈值或者从所述第二阈值下降到所述第一阈值时，被计算为一次特征参数的变化。
例如，所述电信号的特征参数包括所述电信号的电压或所述电信号的电流中的至少之一。本公开实施例提供一种在电子系统中实现时间认知的方法，包括：
在所述电子系统中计算机器熵，包括：监测所述电子系统中的电信号；以及计算所述机器熵为所述电信号的特征参数的变化次数的总和；以及
使用所述机器熵变化的方向来指示时间运动的方向。
例如，所述机器熵的每个数值代表时间轴上的一个瞬间。
例如，所述机器熵增加的方向代表时间向前运动的方向。
例如，所述机器熵的当下数值代表“现在”；基于所述当下数值，所述机器熵减小的方向代表“过去”，所述机器熵增加的方向代表“将来”。
例如，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和。
例如，所述电信号包括所述电子系统中的不低于某一预定比例的电信号。
例如，所述机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。
例如，对于每个所述电信号，当其特征参数的幅度的改变值满足预定阈值范围时，被计算为一次特征参数的变化。
例如，对于每个所述电信号，当其特征参数的幅度从第一阈值上升至第二阈值或者从所述第二阈值下降到所述第一阈值时，被计算为一次特征参数的变化。
例如，所述电信号的特征参数包括所述电信号的电压或所述电信号的电流中的至少之一。
本公开实施例还提供一种机器熵计算电路，包括：监控子电路，被配置为监测电子系统中的电信号；以及计算子电路，被配置为计算所述机器熵为所述电信号的特征参数的变化次数的总和。
例如，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和。
例如，所述电信号包括所述电子系统中的不低于某一预定比例的电信号。
例如，所述机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。
例如，对于每个所述电信号，当其特征参数的幅度的改变值满足预定阈值范围时，被计算为一次特征参数的变化。
例如，当所述特征参数的幅度从第一阈值上升至第二阈值或者从所述第二阈值下降到所述第一阈值时，被计算为一次特征参数的变化。
本公开实施例还提供一种实现时间认知的电子系统，包括：如上所述的机器熵计算电路；以及时间指示电路，被配置为使用机器熵变化的方向来指示时间运动的方向。
例如，所述机器熵的每个数值代表时间轴上的一个瞬间。
例如，所述机器熵增加的方向代表时间向前运动的方向。
例如，所述电子系统还包括：空间认知电路，被配置为实现所述电子系统的空间认知；时钟生成电路，被配置为生成时钟信号以建立所述电子系统的操作秩序；以及计时电路，被配置为测量或控制所述电子系统内所发生的事件的长度，其中，所述长度使用所述时钟信号来标定。
综上所述，本公开实施例提供了一种机器熵计算方法、机器熵计算电路、实现时间感知的方法以及实现时间感知的电子系统，能够使用机器熵在电子系统中建立时间意识，为人工智能的进一步发展提供一个认知时空的框架。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，而非对本公开的限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种机器熵计算方法的流程图；
图2为本公开实施例提供的一种在电子系统中实现时间认知的方法的流程图；
图3A示出了一个示例性的在一个广义的系统中熵的变化和时间运动之间的关系的示意图；
图3B示出了一个示例性的在一个电子系统中机器熵的变化和时间运动之间的关系的示意图；
图4为本公开实施例提供的一种机器熵计算电路的示意性框图；
图5A为本公开实施例提供的一种电子系统的示意性框图之一；以及
图5B为本公开实施例提供的一种电子系统的示意性框图之二。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，以下举实施例对本公开作进一步详细说明。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
人脑中的意识与思想活动可以基于三个基础认知对象：数字、空间和时间。例如，在“今天的天气很热”的表达式中，“今天”是时间因素，“天气”同时包含着空间和数字因素，其空间因素例如为气温感测所在的环境，其数字因素例如可以用温度计上的数字来表示“热”的程度。对机器脑而言，它能天生地感觉数字，这是因为计算机自身是由分立的原器件搭配而成的。通过各种传感器，机器脑也可以感觉空间。但是机器脑有天然的障碍去感觉时间。在自然界中，目前尚未发现可以用于设计时间传感器的物理机制。在已知的物理现象中，只有放射性元素的半衰期、地质构造中的沉积物、树木的年轮、生物的生与死能间接地反映时间的流动，但它们都不适合于传感器设计。因此，在机器脑中产生时间的观念比让机器脑认知数字和空间要困难许多。
在认知时间上，需要区分三个方面：感觉时间、制造时间和测量时间。“制造时间”是指制造出时间装置，并用该时间装置来安排操作的秩序，例如，钟表和半导体芯片中的晶振电路等。“测量时间”是指使用时间装置来标定其他事件。例如，可以使用秒表来标定铁球的自由落体运动(铁球从塔顶落到地面的过程中，秒表指针在秒表上走过的格线)。“感觉时间”则要求直接地感知时间，在不借助于任何外界装置的情况下，自身感觉时间的流动。生活中的手表不是人们在真正意义上的感觉时间，晶振电路所产生的时钟脉冲也不是机器脑在真正意义上的感觉时间。例如，由于自主意识，无需借助任何钟表等计时装置，人们也可以意识到时间的“过去”、“现在”和“将来”。
时间的本质是变化。我们再从物理学的角度看看变化、能量与时间的关系。19世纪伴随着随着蒸汽机的出现，热力学逐渐成为了一门科学。它是关于系统的科学。系统可以是一个机器，可以是我们的地球，或者整个宇宙。热力学第一定律说的是在一个封闭的系统内能量是守恒的。热力学第二定律描述的是能量的转换。当一件工作被完成时伴随着能量从一种形式转变到另一种或几种形式。在这种能量转换中，效率永远不会是百分之百。在蒸汽机中，煤炭燃烧的能量有一部分被转化为有用的动能，另有一部分转化成无用的热。这种无用的能量消耗代表着一种从有序(order)到无序(disorder)的转变。这是不可逆的过程。熵(entropy)的概念就是用来描述这种无序程度的，它的数值是用来描述这个不可逆的方向的。因此，熵与时间有一种内在的一致，熵的变化方向就是时间的方向。
当能量从一种形式转变到另外一种或几种形式，在这个过程中，伴随着能量的损失，熵在增加，时间也在流逝(能量的损失→熵在增加→时间在流逝)。
计算机通过把电能转换成电子的定向运动来完成特定工作。在这个过程中，有一部分电能没有被用于完成有用的工作(例如电子的随机运动消耗的电能)而被浪费掉了。这些被浪费掉的能量使熵增加。这种熵的增加就是时间运动的方向，它可以被用来指导机器脑产生时间的意识。基于此，本公开实施例提出了机器熵(Machine Entropy,ME)的概念，使得电子系统知道熵的增加，并计算其数值。
电子系统中的电信号具有电压幅度的高低变化，这种高低变化代表了信息，表示做了有用的工作。与此同时，每一个电信号幅度的变化都伴随有损失的能量(热力学第二定律指出效率永远不会是百分之百)，也都伴随有熵的增加。因此，电信号的电压变化次数总和或电流变化次数总和是与熵的增加成正比关系的(例如，所有电信号的所有电压变化次数总和或所有电信号的所有电流变化次数总和是与熵的增加成正比关系的)。因此，电信号的电压变化和/或电流变化可以反映熵的变化，并可以用来指示时间的运动。
本公开实施例提供了一种机器熵计算方法、机器熵计算电路、实现时间感知的方法以及实现时间感知的电子系统，能够使用机器熵在电子系统中建立时间意识，为人工智能的进一步发展提供一个认知时空的框架。
如图1所示，本公开实施例提供了一种电子系统的机器熵计算方法100，其包括，但不限于：
步骤S102：监测所述电子系统的电信号；以及
步骤S104：计算所述机器熵为所述电信号的特征参数的变化次数的总和。
例如，所述电信号包括，但不限于，控制信号、数据信号、地址信号以及电子系统中其他类型的电信号。本公开对电信号的类型不作限定。所述电信号的特征参数包括所述电信号的电压或电流中的至少之一。本公开对电信号的特征参数的类型不作限定。
在一些实施例中，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和(例如，到目前为止发生的特征参数的变化次数的累积总和)。例如，所述机器熵为所述所有电信号的、到目前为止发生的、所有电压变化次数的累积总和；或者，所述机器熵为所述所有电信号的、到目前为止发生的、所有电流变化次数的累积总和；或者，所述机器熵为所述所有电信号的、到目前为止发生的、所有电压变化次数和所有电流变化次数的累积总和。在一些实施例中，所述电信号包括所述电子系统中不低于某一预定比例的电信号。例如，所述电信号至少包括所述电子系统的80％、90％、95％、99％(或其他比例数值)的电信号，所述机器熵为这些电信号的特征参数的变化次数的总和。例如，所述机器熵可以为这些电信号的、到目前为止发生的、所有电压变化次数的累积总和；或者，所述机器熵可以为这些电信号的、到目前为止发生的、所有电流变化次数的累积总和；或者，所述机器熵可以为这些电信号的、到目前为止发生的、所有电压变化次数和所有电流变化次数的累积总和。只要能定性地计算机器熵，本公开在此对被监测的电信号的数量不作限定。
例如，所述电子系统的机器熵ME可以表示如下：
Figure BDA0001550721270000071
其中，Fi表示第i个电信号的特征参数，i＝1,2,3,…N，N表示电信号的总数目，S(Fi)表示第i个电信号到目前为止发生的特征参数的变化次数。
在一些实施例中，对于每个被监测的电信号，当特征参数的幅度的改变值ΔF满足预定阈值范围时(例如，ΔF≥预定阈值)，被计算为该电信号的一次特征参数的变化。例如，当电信号的特征参数的幅度从第一阈值FSS上升至第二阈值FDD或者从所述第二阈值FDD下降到所述第一阈值FSS时，被计算为该电信号的一次特征参数的变化。又例如，预定阈值＝|FDD-FSS-δ|，为第一阈值FSS、第二阈值FDD和一个可控参量δ的差的绝对值；当ΔF≥|FDD-FSS-δ|时，被计算为该电信号的一次特征参数的变化。
所述第一阈值FSS、所述第二阈值FDD以及所述预定阈值可以根据电子系统所处的周围环境、电磁干扰程度、内部噪声水平、数据处理能力等相关因素预先确定，以便用于准确地判断电信号的电压是否发生变化。例如，对于噪声水平高的电子系统，可以设置较高的预定阈值；而对于噪声水平低的电子系统，可以设置较低的预定阈值。该预定阈值的设置，可以在判断特征参数的变化时减少噪声的干扰。
例如，当特征参数为电压时，所述电子系统的机器熵ME可以表示如下：
Figure BDA0001550721270000072
其中，Vi表示第i个电信号的电压，S(Vi)表示第i个电信号到目前为止发生的电压变化次数。对于第i个电信号，其电压每发生一次变化，S(Vi)的数值就自动加1。
此时(即，特征参数为电压时)，特征参数的幅度的改变值ΔF为电压幅度的改变值ΔV，预定阈值为预定电压差阈值，第一阈值FSS为第一电压阈值VSS，第二阈值FDD为第二电压阈值VDD。对于每个被监测的电信号，当电压幅度的改变值ΔV满足预定阈值范围时(例如，ΔV≥预定电压差阈值)，被计算为该电信号的一次电压变化。例如，当电信号的电压幅度从第一电压阈值VSS上升至第二电压阈值VDD或者从所述第二电压阈值VDD下降到所述第一电压阈值VSS时，被计算为该电信号的一次电压变化。又例如，预定电压差阈值＝|VDD-VSS-δ|，为第一电压阈值VSS、第二电压阈值VDD和一个可控参量δ的差的绝对值；当ΔV≥|VDD-VSS-δ|时，被计算为该电信号的一次电压变化。
又例如，当特征参数为电流时，所述电子系统的机器熵ME可以表示如下：
Figure BDA0001550721270000081
其中，Ii表示第i个电信号的电流，S(Ii)表示第i个电信号到目前为止发生的电流变化次数。对于第i个电信号，其电流每发生一次变化，S(Ii)的数值就自动加1。
此时(即，特征参数为电流时)，特征参数的幅度的改变值ΔF为电流幅度的改变值ΔI，预定阈值为预定电流差阈值，第一阈值FSS为第一电流阈值ISS，第二阈值FDD为第二电流阈值IDD。对于每个被监测的电信号，当电流幅度的改变值ΔI满足预定阈值范围时(例如，ΔI≥预定电流差阈值)，被计算为该电信号的一次电流变化。例如，当电信号的电流幅度从第一电流阈值ISS上升至第二电流阈值IDD或者从所述第二电流阈值IDD下降到所述第一电流阈值ISS时，被计算为该电信号的一次电流变化。又例如，预定电流差阈值＝|IDD-ISS-δ|，为第一电流阈值ISS、第二电流阈值IDD和一个可控参量δ的差的绝对值；当ΔI≥|IDD-ISS-δ|时，被计算为该电信号的一次电流变化。
又例如，当特征参数包括电压和电流时，所述电子系统的机器熵ME可以表示如下：
Figure BDA0001550721270000082
其中，Vi表示第i个电信号的电压，S(Vi)表示第i个电信号到目前为止发生的电压变化次数，Ii表示第i个电信号的电流，S(Ii)表示第i个电信号到目前为止发生的电流变化次数。对于第i个电信号，其电流每发生一次变化，S(Ii)的数值就自动加1，其电压每发生一次变化，S(Vi)的数值就自动加1。
在本公开实施例中，对各电信号的特征参数(例如，Vi和Ii)的定义中并没有用到时间。在过去，信号的电压或电流都是定义在时间上的，例如V(t)或I(t)，而在这里，没有用时间来定义信号的特征参数，这是因为时间的认知是本公开实施例的技术方案期望达到的目的之一。在本公开实施例中，机器熵的数值是电信号的特征参数的变化次数的总和，其为一个不断累加的计算过程。每一次电压变化或电流变化都伴随有一定的能量损失，以及机器熵的增加。因此，本公开实施例定义的机器熵是与热力学中的熵在方向上是一致的。
在香农(Shannon)的信息论中定义的信息熵也与本公开实施例的机器熵有内在的一致性。在信息论中，信息熵的数值是与信息总量的大小成正比的。在机器熵中，电信号的特征参数的变化次数总和是与该电子系统处理过的信息量成正比的。所以，机器熵的数值也代表着电子系统处理过的信息总量，该信息总量与时间同步增长。
在电子系统中，基本的、广泛的变化是电量的消耗，其同时也表达着该电子系统生命的磨损和电子系统所处理过的信息总量。该变化是一个不可逆的过程，指示着时间的方向。机器熵用数值可计算的方式提供给电子系统一个“时间传感器”，使得电子系统关注自身能量的消耗和生命的磨损，其等价于电子系统对时间意识的觉醒。
图3A示出了广义系统中的熵的计算。广义系统中的熵与所述系统处理过的信息总量成正比，与所述系统的磨损程度成正比，与所述系统消耗过的能量总量成正比。熵增加的方向指示了时间向前运动的方向。图3B示出了本公开实施例提供的电子系统中机器熵的计算。机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。机器熵的每一个数值就代表了一个当下(now)，代表着时间轴上的一个瞬间。
本公开实施例还提供了一种在电子系统中实现时间认知的方法200。该方法200能够在电子系统中产生时间意识。该方法200包括，但不限于：
步骤S202，在所述电子系统中计算机器熵，包括：监测所述电子系统中的电信号，以及计算所述机器熵为所述电信号的特征参数的变化次数的总和；以及
步骤S204，使用所述机器熵变化的方向来指示时间运动的方向。
对于步骤S202的具体描述，可以参照图1所示的机器熵计算方法100，本公开在此不再赘述。
例如，所述机器熵的每个数值代表时间轴上的一个瞬间。
例如，所述机器熵增加的方向代表时间向前运动的方向。
例如，所述机器熵的当下数值代表“现在”；基于所述当下数值，所述机器熵减小的方向代表“过去”，所述机器熵增加的方向代表“将来”。
例如，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和。又例如，所述电信号包括所述电子系统中的不低于某一预定比例的电信号，所述机器熵为这些电信号的特征参数的变化次数的总和。
例如，所述机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。
例如，对于每个所述电信号，当特征参数的幅度的改变值满足预定阈值范围时，被计算为一次特征参数的变化。例如，对于每个所述电信号，当特征参数的幅度从第一阈值上升至第二阈值或者从所述第二阈值下降到所述第一阈值时，被计算为一次特征参数的变化。
如图4所示，本公开实施例还提供了一种机器熵计算电路400，包括：监控子电路402，被配置为监测电子系统中的电信号；以及计算子电路404，被配置为计算所述机器熵为所述电信号的特征参数的变化次数的总和。
例如，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和。又例如，所述电信号包括所述电子系统中的不低于某一预定比例的电信号，所述机器熵为这些电信号的特征参数的变化次数的总和。
例如，所述机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。
例如，对于每个所述电信号，当特征参数的幅度的改变值满足预定阈值范围时，被计算为一次特征参数的变化。例如，当所述特征参数的幅度从第一阈值上升至第二阈值或者从所述第二阈值下降到所述第一阈值时，被计算为一次特征参数的变化。
例如，监控子电路402和计算子电路404均为专用的电路，可以分别设计为独立的芯片或集成于同一芯片中。例如，监控子电路402和计算子电路404均可以使用晶体管实现或使用FPGA(或ASIC)实现，本公开在此不作限定。
对机器熵计算电路400的具体描述可以参照上述的图1所示的机器熵计算方法100，本公开在此不再赘述。
如图5A和5B所示，本公开实施例还提供了一种实现时间认知的电子系统500，包括：机器熵计算电路400；以及时间指示电路502，被配置为使用所述机器熵变化的方向来指示时间运动的方向。
例如，所述机器熵的每个数值代表时间轴上的一个瞬间。
例如，所述机器熵增加的方向代表时间向前运动的方向。
例如，时间指示电路502为专用的电路，可以设计为独立的芯片或与机器熵计算电路400集成于同一芯片中。例如，时间指示电路502可以使用晶体管实现或使用FPGA(或ASIC)实现，本公开在此不作限定。
例如，如图5B所示，电子系统500还包括：空间认知电路504，被配置为实现所述电子系统的空间认知；时钟生成电路506，被配置为生成时钟信号以建立所述电子系统的操作秩序；以及计时电路508，被配置为测量或控制所述电子系统内所发生的事件的长度，其中，所述长度使用所述时钟信号来标定。
例如，空间认知电路504包括传感器电路，可以用来确定电子系统所处的空间位置。例如，空间认知电路504包括陀螺仪、全球定位系统(GPS)、雷达、深度摄像机等。
例如，时钟生成电路506包括晶体振动器电路，可以生成时钟脉冲。
例如，计时电路508包括计数器，被配置为根据时钟信号的脉冲个数，测量或控制所述电子系统内所发生的事件的长度。例如，计时电路508包括集成计数器芯片或可编程计数器芯片。
如图5B所示的电子系统可以通过机器熵计算电路400和时间指示电路502来感觉时间，通过时钟生成电路506来制造时间建立秩序，并通过计时电路508来测量时间。本公开实施例提供的电子系统，不仅能建立空间意识，还能建立时间意识，构建了一种未来的机器脑芯片的框架。
在本公开实施例中，机器熵计算电路400(包括监控子电路402和计算子电路404)和时间指示电路502可以使用专用硬件来实现(例如，专用芯片、集成电路等)。
当然，机器熵计算电路400(包括监控子电路402和计算子电路404)和时间指示电路502的功能也可以使用软件或软件硬件结合的方式来实现。本公开对此不做限定。例如，电子系统(包括机器熵计算电路400、时间指示电路502和图5B中的其他电路)可以为一个电路板或多个电路板的组合。该一个电路板或多个电路板的组合可以包括：(1)一个或多个处理器；(2)与处理器相连接的一个或多个非暂时的计算机可读的存储器；以及(3)处理器可执行的存储在存储器中的固件。
处理器可以处理数据信号，可以包括各种计算结构，例如复杂指令集计算机(CISC)结构、结构精简指令集计算机(RISC)结构或者一种实行多种指令集组合的结构。在一些实施例中，处理器也可以是微处理器，例如X86处理器或ARM处理器，或者可以是数字处理器(DSP)等。处理器可以控制电子系统中的其它部件以执行期望的功能。
存储器可以保存处理器执行的指令和/或数据。例如，存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现本公开实施例提供的机器熵计算、时间认知以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实现图1所示的方法100和图2所示的方法200的操作。例如，上述存储器为计算机可读存储介质的一种。
综上所述，本公开实施例提供了一种机器熵计算方法、机器熵计算电路、实现时间感知的方法以及实现时间感知的电子系统，能够使用机器熵在电子系统中建立时间意识，为人工智能的进一步发展提供了一个认知时空的框架。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。
以上所述，仅为公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (19)

1.一种电子系统的机器熵计算方法，包括：
监测所述电子系统的电信号；以及
计算所述机器熵为所述电信号的特征参数的变化次数的总和，
其中，所述变化次数的总和为一个不断累加的计算过程，所述电信号的特征参数包括所述电信号的电压或所述电信号的电流中的至少之一；
其中，所述机器熵表示为：
Figure FDF0000016485380000011
其中，Fi表示第i个电信号的特征参数，i＝1,2,3,…N，N表示所述电信号的总数目，S(Fi)表示所述第i个电信号到目前为止发生的特征参数的变化次数，ME表示所述机器熵；
对于每个所述电信号，当其特征参数的幅度的改变值满足预定阈值范围时，被计算为一次特征参数的变化；
其中，当所述特征参数的幅度从第一阈值上升至第二阈值或者从所述第二阈值下降到所述第一阈值时，被计算为一次特征参数的变化；以及
所述计算一次特征参数的变化的过程包括：
当ΔF≥|FDD-FSS-δ|时，被计算为该电信号的一次特征参数的变化，其中，FSS表示第一阈值，FDD表示第二阈值，δ表示可控参量，ΔF表示特征参数的幅度的改变值，|FDD-FSS-δ|表示预定阈值。
2.根据权利要求1所述的机器熵计算方法，其中，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和。
3.根据权利要求1所述的机器熵计算方法，其中，所述电信号包括所述电子系统中的不低于某一预定比例的电信号。
4.根据权利要求1所述的机器熵计算方法，其中，所述机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。
5.一种在电子系统中实现时间认知的方法，包括：
在所述电子系统中计算机器熵，包括：
监测所述电子系统中的电信号；以及
计算所述机器熵为所述电信号的特征参数的变化次数的总和，其中，所述变化次数的总和为一个不断累加的计算过程，所述电信号的特征参数包括所述电信号的电压或所述电信号的电流中的至少之一；以及
使用所述机器熵变化的方向来指示时间运动的方向；
其中，所述机器熵表示为：
Figure FDF0000016485380000021
其中，Fi表示第i个电信号的特征参数，i＝1,2,3,…N，N表示所述电信号的总数目，S(Fi)表示所述第i个电信号到目前为止发生的特征参数的变化次数，ME表示所述机器熵；
对于每个所述电信号，当其特征参数的幅度的改变值满足预定阈值范围时，被计算为一次特征参数的变化；
其中，当所述特征参数的幅度从第一阈值上升至第二阈值或者从所述第二阈值下降到所述第一阈值时，被计算为一次特征参数的变化；以及
所述计算一次特征参数的变化的过程包括：
当ΔF≥|FDD-FSS-δ|时，被计算为该电信号的一次特征参数的变化，其中，FSS表示第一阈值，FDD表示第二阈值，δ表示可控参量，ΔF表示特征参数的幅度的改变值，|FDD-FSS-δ|表示预定阈值。
6.根据权利要求5所述的实现时间认知的方法，其中，所述机器熵的每个数值代表时间轴上的一个瞬间。
7.根据权利要求5所述的实现时间认知的方法，其中，所述机器熵增加的方向代表时间向前运动的方向。
8.根据权利要求5所述的实现时间认知的方法，其中，所述机器熵的当下数值代表“现在”，
基于所述当下数值，所述机器熵减小的方向代表“过去”，所述机器熵增加的方向代表“将来”。
9.根据权利要求5-8任一项所述的实现时间认知的方法，其中，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和。
10.根据权利要求5-8任一项所述的实现时间认知的方法，其中，所述电信号包括所述电子系统中的不低于某一预定比例的电信号。
11.根据权利要求5-8任一项所述的实现时间认知的方法，其中，所述机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。
12.一种机器熵计算电路，包括：
监控子电路，被配置为监测电子系统中的电信号；以及
计算子电路，被配置为计算所述机器熵为所述电信号的特征参数的变化次数的总和，其中，所述变化次数的总和为一个不断累加的计算过程，所述电信号的特征参数包括所述电信号的电压或所述电信号的电流中的至少之一；
其中，所述机器熵表示为：
Figure FDF0000016485380000031
其中，Fi表示第i个电信号的特征参数，i＝1,2,3,…N，N表示所述电信号的总数目，S(Fi)表示所述第i个电信号到目前为止发生的特征参数的变化次数，ME表示所述机器熵；
对于每个所述电信号，当其特征参数的幅度的改变值满足预定阈值范围时，被计算为一次特征参数的变化；
其中，当所述特征参数的幅度从第一阈值上升至第二阈值或者从所述第二阈值下降到所述第一阈值时，被计算为一次特征参数的变化；以及
所述计算一次特征参数的变化的过程包括：
当ΔF≥|FDD-FSS-δ|时，被计算为该电信号的一次特征参数的变化，其中，FSS表示第一阈值，FDD表示第二阈值，δ表示可控参量，ΔF表示特征参数的幅度的改变值，|FDD-FSS-δ|表示预定阈值。
13.根据权利要求12所述的机器熵计算电路，其中，所述电信号包括所述电子系统中的所有电信号，所述机器熵为所述所有电信号的特征参数的变化次数的总和。
14.根据权利要求12所述的机器熵计算电路，其中，所述电信号包括所述电子系统中的不低于某一预定比例的电信号。
15.根据权利要求12所述的机器熵计算电路，其中，所述机器熵与所述电子系统处理过的信息总量成正比，与所述电子系统的磨损程度成正比，与所述电子系统消耗过的能量总量成正比。
16.一种实现时间认知的电子系统，包括：
如权利要求12-15任一项所述的机器熵计算电路；以及
时间指示电路，被配置为使用机器熵变化的方向来指示时间运动的方向。
17.根据权利要求16所述的电子系统，其中，所述机器熵的每个数值代表时间轴上的一个瞬间。
18.根据权利要求16所述的电子系统，其中，所述机器熵增加的方向代表时间向前运动的方向。
19.根据权利要求16-18任一项所述的电子系统，还包括：
空间认知电路，被配置为实现所述电子系统的空间认知；
时钟生成电路，被配置为生成时钟信号以建立所述电子系统的操作秩序；以及
计时电路，被配置为测量或控制所述电子系统内所发生的事件的长度，其中，所述长度使用所述时钟信号来标定。
CN201810045295.2A 2018-01-17 2018-01-17 机器熵计算方法及电路、实现时间认知的方法及电子系统 Active CN110046367B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810045295.2A CN110046367B (zh) 2018-01-17 2018-01-17 机器熵计算方法及电路、实现时间认知的方法及电子系统
PCT/CN2018/115446 WO2019140995A1 (zh) 2018-01-17 2018-11-14 机器熵计算方法及电路、实现时间认知的方法及电子系统
US16/461,145 US20200285786A1 (en) 2018-01-17 2018-11-14 Calculation method and calculation circuit of machine entropy, method and electronic system for implementing time cognition
EP18874996.4A EP3742312A4 (en) 2018-01-17 2018-11-14 CALCULATION PROCESS AND CALCULATION CIRCUIT OF MACHINE ENTROPY, PROCESS AND ELECTRONIC SYSTEM FOR IMPLEMENTATION OF TIME COGNITION

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810045295.2A CN110046367B (zh) 2018-01-17 2018-01-17 机器熵计算方法及电路、实现时间认知的方法及电子系统

Publications (2)

Publication Number Publication Date
CN110046367A CN110046367A (zh) 2019-07-23
CN110046367B true CN110046367B (zh) 2022-07-22

Family

ID=67273141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810045295.2A Active CN110046367B (zh) 2018-01-17 2018-01-17 机器熵计算方法及电路、实现时间认知的方法及电子系统

Country Status (4)

Country Link
US (1) US20200285786A1 (zh)
EP (1) EP3742312A4 (zh)
CN (1) CN110046367B (zh)
WO (1) WO2019140995A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046367B (zh) * 2018-01-17 2022-07-22 京东方科技集团股份有限公司 机器熵计算方法及电路、实现时间认知的方法及电子系统
CN110809131A (zh) * 2019-10-22 2020-02-18 苏州凸现信息科技有限公司 一种基于气体熵变化测定的安防监控系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5363904A (en) * 1993-07-30 1994-11-15 Pierret Peter G Setback control for HVAC system
CN102487277B (zh) * 2010-12-03 2015-08-26 新唐科技股份有限公司 感应装置及感应方法
CN102495264B (zh) * 2011-11-30 2013-12-18 甘肃电力科学研究院 基于信息熵的电压跌落持续时间检测方法
JP5501393B2 (ja) * 2012-02-13 2014-05-21 キヤノン株式会社 画像処理装置
CN202854868U (zh) * 2012-10-13 2013-04-03 上海胜军电子电器制造有限公司 一种电子计数计时器
CN104426684B (zh) * 2013-08-20 2018-10-12 上海斐讯数据通信技术有限公司 Pon系统及其状态更新方法
JP6325497B2 (ja) * 2015-09-10 2018-05-16 ファナック株式会社 バッテリー残量を報知する機能を有する電子機器
CN105260604B (zh) * 2015-10-14 2017-10-17 哈尔滨工业大学 基于符号动力学与云模型的卫星动量轮故障检测方法
CN110046367B (zh) * 2018-01-17 2022-07-22 京东方科技集团股份有限公司 机器熵计算方法及电路、实现时间认知的方法及电子系统

Also Published As

Publication number Publication date
CN110046367A (zh) 2019-07-23
WO2019140995A1 (zh) 2019-07-25
EP3742312A4 (en) 2021-10-27
US20200285786A1 (en) 2020-09-10
EP3742312A1 (en) 2020-11-25

Similar Documents

Publication Publication Date Title
Cea et al. Bathymetric error estimation for the calibration and validation of estuarine hydrodynamic models
Orwig et al. Recent trends in variable generation forecasting and its value to the power system
Storto et al. Assimilating along-track altimetric observations through local hydrostatic adjustment in a global ocean variational assimilation system
CN110046367B (zh) 机器熵计算方法及电路、实现时间认知的方法及电子系统
CN106529164B (zh) 联合重力卫星获取地下水储量变化值的方法及系统
Tsai et al. Including spatial distribution in a data‐driven rainfall‐runoff model to improve reservoir inflow forecasting in Taiwan
Reiss et al. Forecasting the ambient solar wind with numerical models. II. An adaptive prediction system for specifying solar wind speed near the Sun
Prasetya et al. Rainfall forecasting for the natural disasters preparation using recurrent neural networks
Liang et al. Nonlinear autoregressive model with exogenous input recurrent neural network to predict satellites’ clock bias
Chave et al. Observations of the boundary current system at 26.5 N in the subtropical North Atlantic Ocean
Zha et al. Multiple granularity spatiotemporal network for sea surface temperature prediction
Shimura et al. Impacts of ocean wave‐dependent momentum flux on global ocean climate
Chen et al. Suitable resolution of EOS tables for neutron star investigations
Hunter Development and assessment of dynamic storage cell codes for flood inundation modelling
Seenath Effects of DEM resolution on modeling coastal flood vulnerability
Rawlins et al. Embedded fog models for remote aquatic environmental monitoring
Yin et al. A variable multidimensional fuzzy model and its application to online tidal level prediction
Li et al. ASTMEN: an adaptive spatiotemporal and multi-element fusion network for ocean surface currents forecasting
Shekhar et al. A Novel Hierarchical Learning Method for Remote Sensing Data with Applications of Greenland Ice Sheet Changes from Laser Altimetry
Cho et al. Streamflow prediction combining WRF-Hydro modelling with machine learning
Thieler Geologic Framework is Important to Coastal Evolution and Morphodynamics. Now What?
Sharifinejad et al. Evaluating Climate Change Effects on a Snow-Dominant Watershed: A Multi-Model Hydrological Investigation
Zhang et al. An information fusion method for sensor data rectification
Young et al. Real-time Flood Modeling with Data Assimilation for Vegetation Resistance Parameter Learning.
Zhang et al. Performance analysis of global HYCOM flow field using Argo profiles

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
GR01 Patent grant
GR01 Patent grant