CN110309905A - 人工神经网络 - Google Patents
人工神经网络 Download PDFInfo
- Publication number
- CN110309905A CN110309905A CN201810255689.0A CN201810255689A CN110309905A CN 110309905 A CN110309905 A CN 110309905A CN 201810255689 A CN201810255689 A CN 201810255689A CN 110309905 A CN110309905 A CN 110309905A
- Authority
- CN
- China
- Prior art keywords
- node
- plane
- layer
- nodes
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000004891 communication Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 52
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种人工神经网络，包括：一输入层，包括多个第一节点；一隐藏层，包括多个第二节点；一输出层，包括多个第三节点，所述隐藏层位于所述输入层以及所述输出层之间；其中，所述隐藏层为三维立体结构，分为沿所述输入层至所述输出层的方向间隔设置的多个平面，所述第二节点分别位于所述平面，所述第一节点与位于最邻近所述输入层的其中一平面的多个第二节点连接，所述第三节点与位于最邻近所述输出层的其中一平面的多个第二节点连接，位于每一平面的所述第二节点相互连接，位于每两个相邻的平面的所述第二节点沿所述平面的排列方向连接，使得至少一第二节点朝位于同一平面的其它第二节点以及所述平面的排列方向具有六个数据传输方向。
Description
技术领域
本发明涉及神经网络模型，特别涉及一种人工神经网络。
背景技术
神经网络是一种模仿生物大脑突触-神经元结构进行数据处理的计算系统，由分为多层的计算节点和层间的连接组成。每个节点模拟一个神经元，执行某个特定运算，例如激活函数，节点之间的连接模拟神经突触，连接对于来自上一层节点输入的加权值代表了突触权重。神经网络具有强大的非线性、自适应信息处理能力。
人工神经网络中的神经元将来自连接输入的累加值用激活函数处理后作为自身的输出。对应于不同的网络拓扑结构、神经元模型和学习规则，人工神经网络又包括感知器、Hopfield网络、波耳兹曼机等数十种网络模型，可以实现多种多样的功能，在模式识别、复杂控制、信号处理和最优化等方面都有应用。
然而，传统的人工神经网络所需的计算量较大，计算效率低。而且，每一节点接收输入后，会向下一层节点提供输出，由于是单方向的信号传递，导致学习效果不强。
发明内容
有鉴于此，有必要提出一种人工神经网络，以解决上述问题。
本发明提供一种人工神经网络，包括：
一输入层，包括多个第一节点；
一隐藏层，包括多个第二节点；以及
一输出层，包括多个第三节点，所述隐藏层位于所述输入层以及所述输出层之间；
其中，所述隐藏层呈现为三维立体结构，分为沿所述输入层至所述输出层的方向间隔设置的多个平面，所述第二节点分别位于所述平面，所述第一节点与位于最邻近所述输入层的其中一平面的多个第二节点连接，所述第三节点与位于最邻近所述输出层的其中一平面的多个第二节点连接，位于每一平面的所述第二节点之间相互连接，位于每两个相邻的平面的所述第二节点沿所述平面的排列方向连接，使得所述隐藏层中的至少一第二节点朝位于同一平面的其它第二节点以及所述平面的排列方向具有至少六个不同的数据传输方向。
对比于传统的人工神经网络，本发明所述人工神经网络的所述隐藏层的节点总连接数远小于传统的人工神经网络的隐藏层的节点总连接数，有利于减少计算量，提高计算效率；再者，由于所述隐藏层中的至少一第二节点可将变换后的数据向至少六个不同的方向传递，从而增强学习效果。
附图说明
图1为本发明一实施方式中的人工神经网络的立体结构示意图。
图2为图1所示的人工神经网络省略输入层和输出层后的立体结构示意。
图3为图1所示的人工神经网络的俯视图。
图4为图1所示的人工神经网络的侧视图。
符号说明
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
请参阅图1至图4，为本发明一实施方式中的人工神经网络1的结构示意图。所述人工神经网络1包括一输入层10、一输出层30以及位于所述输入层10以及所述输出层30之间的一隐藏层20。
所述输入层10包括多个第一节点11。所述隐藏层20包括多个第二节点21。所述输出层30包括多个第三节点31。
所述第一节点11通过第一通信信道100与所述第二节点21连接。所述第一节点11接收来自一数据库(图未示)输入的数据，将所述数据进行求和以及非线性函数变换，并将变换后的数据输出至所述第二节点21。所述第二节点21之间通过第二通信信道200相互连接，且通过第三通信信道300与所述第三节点31连接。所述第二节点21接收所述第一节点11输出的数据，将所述的数据进行求和以及非线性函数变换，并将变换后的数据输出至其它第二节点21、所述第三节点31以及所述第一节点11。
所述输入层10以及所述输出层30可均呈现为二维结构，所述第一节点11以及所述第三节点31分别用于组建所述二维结构。
所述隐藏层20呈现为三维立体结构，所述第二节点21用于组建所述三维立体结构。所述隐藏层20分为沿所述输入层10至所述输出层30的方向间隔设置的多个平面201，所述第二节点21分别位于所述平面201。所述第一节点11与位于最邻近所述输入层10的其中一平面201的每一第二节点21均连接，所述第三节点31与位于最邻近所述输出层30的其中一平面201的每一第二节点21均连接。位于每一平面201的所述第二节点21之间相互连接，位于每两个相邻的平面201的所述第二节点21之间沿所述平面201的排列方向连接，使得所述隐藏层20中的至少一第二节点21朝位于同一平面201的其它第二节点21以及所述平面201的排列方向具有至少六个不同的数据传输方向。
在本实施方式中，所述隐藏层20大致为长方体结构，所述第二节点21分别位于沿所述输入层10至所述输出层30的方向间隔设置的N个平面201上(图中示出三个平面201，即：N＝3)。每一平面201为正方形，包括P×P＝M个第二节点21(图中示出每一平面201包括9个第二节点21，即：M＝9，P＝3)，因此，每一平面201的所述第二节点21之间的连接数为2P(P-1)。每两个相邻的平面201的所述第二节点21之间的连接数为M。因此，所述隐藏层20的所述第二节点21之间的总连接数为[2P(P-1)+M](N-1)。其中，位于所述隐藏层20边角处的所述第二节点21具有三个数据传输方向，位于所述隐藏层20边缘的所述第二节点21具有五个数据传输方向，而位于所述隐藏层20中心的第二节点21具有六个数据传输方向。
对比于传统的与所述隐藏层20具有相同节点数的人工神经网络(例如，具有N个隐藏层且每一隐藏层包括M个节点的人工神经网络，隐藏层的节点之间的总连接数为MN)，所述人工神经网络1的所述隐藏层20的节点总连接数远小于传统的人工神经网络的隐藏层的节点总连接数。因此，所述人工神经网络1有利于减少计算量，提高计算效率。再者，由于所述隐藏层20中的至少一第二节点21朝位于同一平面201的其它第二节点21以及所述平面201的排列方向具有至少六个不同的数据传输方向，即，所述第二节点21可将变换后的数据向至少六个不同的方向传递，从而增强学习效果。
当然，在其它实施方式中，所述隐藏层20的形状、所述平面201的形状和数量、每一平面201所包括的第二节点21的数量等均可根据实际需求进行变更，从而改变所述隐藏层20的所述第二节点21之间的总连接数。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。此外，显然“包括”一词不排除其他单元或，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (6)
1.一种人工神经网络，包括：
一输入层，包括多个第一节点；
一隐藏层，包括多个第二节点；以及
一输出层，包括多个第三节点，所述隐藏层位于所述输入层以及所述输出层之间；
其中，所述隐藏层呈现为三维立体结构，分为沿所述输入层至所述输出层的方向间隔设置的多个平面，所述第二节点分别位于所述平面，所述第一节点与位于最邻近所述输入层的其中一平面的多个第二节点连接，所述第三节点与位于最邻近所述输出层的其中一平面的多个第二节点连接，位于每一平面的所述第二节点之间相互连接，位于每两个相邻的平面的所述第二节点沿所述平面的排列方向连接，使得所述隐藏层中的至少一第二节点在朝位于同一平面的其它第二节点以及所述平面的排列方向具有至少六个不同的数据传输方向。
2.如权利要求1所述的人工神经网络，其特征在于，所述第一节点与位于最邻近所述输入层的其中一平面的每一第二节点均连接，所述第三节点与位于最邻近所述输出层的其中一平面的每一第二节点均连接。
3.如权利要求1所述的人工神经网络，其特征在于，所述第一节点通过第一通信信道与所述第二节点连接，所述第二节点之间通过第二通信信道相互连接，且通过第三通信信道与所述第三节点连接。
4.如权利要求1所述的人工神经网络，其特征在于，所述输入层以及所述输出层均呈现为二维结构。
5.如权利要求1所述的人工神经网络，其特征在于，所述隐藏层为长方体结构，所述第二节点分别位于沿所述输入层至所述输出层的方向间隔设置的N个平面上，每一平面为正方形且包括M个第二节点，所述平面的每一边长包括P个节点，其中，M＝P×P，每两个相邻的平面的所述第二节点之间的连接数为M，所述隐藏层的所述第二节点之间的总连接数为[2P(P-1)+M](N-1)。
6.如权利要求5所述的人工神经网络，其特征在于，其中，位于所述隐藏层边角处的所述第二节点具有三个数据传输方向，位于所述隐藏层边缘的所述第二节点具有五个数据传输方向，位于所述隐藏层中心的第二节点具有六个数据传输方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810255689.0A CN110309905A (zh) | 2018-03-27 | 2018-03-27 | 人工神经网络 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810255689.0A CN110309905A (zh) | 2018-03-27 | 2018-03-27 | 人工神经网络 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309905A true CN110309905A (zh) | 2019-10-08 |
Family
ID=68073926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810255689.0A Pending CN110309905A (zh) | 2018-03-27 | 2018-03-27 | 人工神经网络 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309905A (zh) |
-
2018
- 2018-03-27 CN CN201810255689.0A patent/CN110309905A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11423296B2 (en) | Device and method for distributing convolutional data of a convolutional neural network | |
| US10891544B2 (en) | Event-driven universal neural network circuit | |
| US8626684B2 (en) | Multi-modal neural network for universal, online learning | |
| US8924322B2 (en) | Multi-processor cortical simulations with reciprocal connections with shared weights | |
| US8874498B2 (en) | Unsupervised, supervised, and reinforced learning via spiking computation | |
| US9697461B2 (en) | Universal, online learning in multi-modal perception-action semilattices | |
| CN110175953A (zh) | 一种图像超分辨方法和系统 | |
| CN105095961A (zh) | 一种人工神经网络和脉冲神经网络的混合系统 | |
| CN104145281A (zh) | 神经网络计算装置和系统及其方法 | |
| CN111353591A (zh) | 一种计算装置及相关产品 | |
| TWI672644B (zh) | 人工神經網路 | |
| CN108280746A (zh) | 一种基于双向循环神经网络的产品设计方法 | |
| CN110399970A (zh) | 小波卷积小波神经网络及情报分析方法与系统 | |
| CN110309905A (zh) | 人工神经网络 | |
| Berger | Best response dynamics for role games | |
| CN112597802A (zh) | 一种基于视觉感知网络深度学习的行人运动模拟方法 | |
| CN111612046A (zh) | 特征金字塔图卷积神经网络及其在3d点云分类中的应用 | |
| Liao et al. | Global attractivity of Cohen–Grossberg model with finite and infinite delays | |
| CN113870431A (zh) | 三维模型动作迁移方法 | |
| CN110175253A (zh) | 一种用户个性化服装搭配方法及装置 | |
| CN109740455A (zh) | 一种人群疏散仿真方法和装置 | |
| CN112925197A (zh) | 基于有限时间的多智能体系统二分一致跟踪方法 | |
| CN111382848A (zh) | 一种计算装置及相关产品 | |
| CN109919790A (zh) | 集群类型识别方法、装置、电子设备及存储介质 | |
| Ishida et al. | Asymmetric phenomena of segregation and integration in biological systems: a matching automaton |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191008 |