CN110659730A - 基于脉冲神经网络的端到端功能性脉冲模型的实现方法 - Google Patents
基于脉冲神经网络的端到端功能性脉冲模型的实现方法 Download PDFInfo
- Publication number
- CN110659730A CN110659730A CN201910957935.1A CN201910957935A CN110659730A CN 110659730 A CN110659730 A CN 110659730A CN 201910957935 A CN201910957935 A CN 201910957935A CN 110659730 A CN110659730 A CN 110659730A
- Authority
- CN
- China
- Prior art keywords
- functional
- pulse
- model
- impulse
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005316 response function Methods 0.000 claims abstract description 18
- 210000000225 synapse Anatomy 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims description 25
- 230000001242 postsynaptic effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 7
- 210000005215 presynaptic neuron Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 28
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012421 spiking Methods 0.000 description 3
- 230000000946 synaptic effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003977 synaptic function Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000008284 neuronal mechanism Effects 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法,涉及人工智能技术领域,本发明包括定义输入脉冲二元组Di和期望输出脉冲二元组Dd;基于功能性脉冲响应函数和动态突触函数构建功能性脉冲模型,初始化功能性脉冲模型参数,并设置训练轮数epochmax;构建功能性脉冲模型的损失函数,根据损失函数计算训练损失值L;当训练损失值L不等于零且当前训练轮数小于epochmax时,利用反向传播算法对功能性脉冲模型进行训练,更新参数,直至功能性脉冲模型收敛,完成训练;对训练完成的功能性脉冲模型进行测试,若符合要求,则输出该训练好的功能性脉冲模型,本发明在时间顺序学习任务上明显优于传统的脉冲神经网络,提高了模型的分类准确率和训练速度。
Description
技术领域
本发明涉及人工智能技术领域,更具体的是涉及一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法。
背景技术
脉冲神经网络(Spiking Neural Network,SNN)属于第三代神经网络模型,实现了更高级的生物神经模拟水平。除了神经元和突触状态之外,SNN还将时间概念纳入了操作之中。SNN旨在弥合神经科学和机器学习之间的差距,使用最拟合生物神经元机制的模型来进行计算。脉冲神经网络与目前流行的神经网络和机器学习方法有着根本上的不同。SNN使用脉冲——这是一种发生在时间点上的离散事件——而非常见的连续值。每个峰值用生物过程的微分方程表示出来,其中最重要的是神经元的膜电位。本质上,一旦神经元达到了某一电位,脉冲就会出现,随后达到电位的神经元会被重置。
脉冲神经网络采用精确定时的脉冲序列来编码神经信息。神经网络内部的信息传递是由脉冲序列完成的,脉冲序列是由离散的脉冲时间点组成的时间序列,因此,在进行脉冲神经网络的模拟与计算时,包含以下步骤:
(1)当输入数据或神经元受到外界刺激时,经过特定的脉冲序列编码方法,可将数据或外界刺激编码成特定的脉冲序列;
(2)脉冲序列在神经元之间传递并经过一定的处理,处理之后将输出的脉冲序列通过特定的解码方法进行解码并给出具体的响应。
对于神经信息的脉冲序列编码问题,借鉴生物神经元的信息编码机制,目前有许多脉冲神经网络的脉冲序列编码方法。例如,首脉冲触发编码方法、延迟相位编码方法、群体编码方法等。
简化的脉冲响应模型(Simplifiedspike Response Model,SRM0),是脉冲神经网络中最常用的模型之一。在SRM0模型中,每个神经元整合来自所有突触前神经元脉冲的潜在贡献,并在其电位达到阈值θ时发出脉冲。让tj表示第j个脉冲的输入时间,εj表示第j个输入脉冲的响应函数,那么突触后神经元在时间t的电位是:
尽管目前脉冲神经网络在学术界取得了很多成就,但是由于复杂的脉冲时间编码需要很多的专业知识或经验,导致现有的脉冲神经网络模型并不易于使用。
现有的脉冲神经网络在应用上存在以下问题:
1、一般脉冲神经网络中对输入数据编码困难;
2、传统的种群编码不考虑顺序和顺序信息,难以从种群编码的脉冲序列中获取时间信息;
3、现有的脉冲神经网络为所有的神经元的所有输入设置了相同的脉冲响应,这与目前生物学所研究得到的生物系统中存在不同类型的神经元相互配合这一知识相违背;
此外,脉冲神经网络模型中的时间编码方法将每个模拟数据转换为特定时间段,而当输入具有高维度时,时间序列具有自己的时间特征,大多数编码在这种情况下都不够有效。因此,如何高效、准确的处理输入数据并提供给模型成了脉冲神经网络中的一大难点。
发明内容
本发明的目的在于:为了解决现有的脉冲神经网络模型中的时间编码方法将每个模拟数据转换为特定时间段,而当输入具有高维度时,时间序列具有自己的时间特征,大多数编码在这种情况下都不够有效的问题,本发明提供一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法。
本发明为了实现上述目的具体采用以下技术方案:
基于脉冲神经网络的端到端功能性脉冲模型的实现方法,包括如下步骤:
S1:定义输入脉冲二元组Di和期望输出脉冲二元组Dd;
S2:基于功能性脉冲响应函数和动态突触函数构建用于计算突触后神经元的电位Pt的功能性脉冲模型,初始化功能性脉冲模型参数,并设置训练轮数epochmax;
S3:构建功能性脉冲模型的损失函数,根据损失函数计算训练损失值L;
S4:当训练损失值L不等于零且当前训练轮数小于epochmax时,利用反向传播算法对功能性脉冲模型进行训练,更新参数,直至功能性脉冲模型收敛,完成训练;
S5:对训练完成的功能性脉冲模型进行测试,若符合要求,则输出该训练好的功能性脉冲模型。
进一步的,所述S1中,为了实现端到端学习,采用新型的输入信息存储方式,即利用二元组D=(t,I)来表示脉冲信息,其中t是脉冲发射时间,I是脉冲强度;
其中,M为输入脉冲个数,N为期望输出脉冲个数,Ii表示输入脉冲强度,Id表示输入端期望输出的脉冲强度。
进一步的,所述S2中,功能性脉冲响应函数使用简单的STDP响应exp(-Sj/τ)来代替传统脉冲神经网络中的响应指数函数,并且引入可训练功能参数U,使得不同脉冲对应的神经元特殊化,功能性脉冲响应函数定义为:
其中,U表示每个时间点当前神经元脉冲幅度的可训练功能参数,τ是常数参数。
进一步的,所述S2中,动态突触函数中引入信息传输系数,相同神经元发射的所有输入脉冲具有相同的信息传输系数,不同神经元发射的脉冲具有不同的传输系数,使得每个神经元特殊化,可通过动态突触函数来控制不同输入信号的信息传输,则动态突触函数f(W,I)定义为:
f(W,I)=tanh(WI+b)
其中,tanh()为双曲函数,I为信息传输系数,W和b分别为信息传输系数I的权重矩阵和偏置。
进一步的,一个输入信息对突触后神经元电位的贡献可表示为它的功能性脉冲响应函数和对应动态突触效率的乘积,则时间t时突触后神经元的电位Pt表示为所有突触前神经元发出脉冲对应的功能性脉冲响应函数与动态突触函数的乘积之和,因此功能性脉冲模型定义为:
若电位Pt高于阈值θ,则神经元的输出为二元组(t,Pt),否则保持沉默,计算得到的电位Pt解决了电压函数的非微分问题,使得训练更加简单。
进一步的,所述S3中,损失函数定义为:
进一步的,所述S4中,对功能性脉冲模型参数进行更新,具体的是对信息传输系数I的权重矩阵W、信息传输系数I的偏置b以及每个时间点当前神经元脉冲幅度的可训练功能参数U进行更新。
进一步的,所述S4中,功能性脉冲模型收敛的判断条件为:训练损失L低于损失期望值且维持稳定。
进一步的,所述S5中,利用测试集对训练完成的功能性脉冲模型进行精度测试。
本发明的有益效果如下:
1、本发明的功能性脉冲模型使用简单的二元组来表述输入信息而不是传统的时间编码,能够实现端到端学习,并且通过功能性脉冲响应函数和动态突触函数使得每个神经元特殊化,以及使每个输入信号的传输可控,使得本发明在时间顺序学习任务上明显优于传统的脉冲神经网络,减少了因编码和解码导致的时间和技术成本,提高了模型的分类准确率和训练速度。
2、本发明利用电压累计策略,功能性脉冲模型受梯度扩散的影响,相较于传统的时序方法LSTM更有效。
3、本发明在高维时序任务中具有良好的性能,且还可以应用于各种静态数据应用。
附图说明
图1是本发明具体实施方式的方法流程示意图。
图2是本发明具体实施方式的反向传播算法训练功能性脉冲模型的流程示意图。
具体实施方式
为了本技术领域的人员更好的理解本发明,下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示,本实施例提供一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法,包括如下步骤:
S1:定义输入脉冲二元组Di和期望输出脉冲二元组Dd,为了实现端到端学习,本实施例采用新型的输入信息存储方式,即利用二元组D=(t,I)来表示脉冲信息,其中t是脉冲发射时间,I是脉冲强度;
其中,M为输入脉冲个数,N为期望输出脉冲个数,Ii表示输入脉冲强度,Id表示输入端期望输出的脉冲强度;
S2:基于功能性脉冲响应函数和动态突触函数构建用于计算突触后神经元的电位Pt的功能性脉冲模型,初始化功能性脉冲模型参数,并设置训练轮数epochmax;
其中,U表示每个时间点当前神经元脉冲幅度的可训练功能参数,τ是常数参数;
动态突触函数中引入信息传输系数,相同神经元发射的所有输入脉冲具有相同的信息传输系数,不同神经元发射的脉冲具有不同的传输系数,使得每个神经元特殊化,可通过动态突触函数来控制不同输入信号的信息传输,则动态突触函数f(W,I)定义为:
f(W,I)=tanh(WI+b)
其中,tanh()为双曲函数,I为信息传输系数,W和b分别为信息传输系数I的权重矩阵和偏置;
一个输入信息对突触后神经元电位的贡献可表示为它的功能性脉冲响应函数和对应动态突触效率的乘积,则时间t时突触后神经元的电位Pt表示为所有突触前神经元发出脉冲对应的功能性脉冲响应函数与动态突触函数的乘积之和,因此功能性脉冲模型定义为:
初始化信息传输系数I的权重矩阵W、信息传输系数I的偏置b以及每个时间点当前神经元脉冲幅度的可训练功能参数U,设置训练轮数epochmax,初始化epoch=1;
利用初始化后的功能性脉冲模型计算突触后神经元的电位Pt,并根据阈值判断功能性脉冲模型的输出,若电位Pt高于阈值θ,则神经元的输出为二元组(t,Pt),否则保持沉默;
S3:构建功能性脉冲模型的损失函数,根据损失函数计算训练损失值L,损失函数定义为:
S4:当训练损失值L≠0且当前训练轮数小于epochmax时,利用反向传播算法对功能性脉冲模型进行训练,更新参数,然后令epoch=epoch+1,再利用参数更新后的功能性脉冲模型计算突触后神经元的电位Pt,计算训练损失L,循环迭代,直至功能性脉冲模型收敛,完成训练;
功能性脉冲模型收敛的判断条件为:训练损失值L低于预先设置的损失期望值且训练损失值L在一个范围内维持稳定;
S5:利用测试集对训练完成的功能性脉冲模型进行精度测试,若符合要求,则输出该训练好的功能性脉冲模型。
实施例2
如图2所示,本实施例在实施例1的基础之上进一步优化,具体是:
所述S4中,利用反向传播算法对功能性脉冲模型进行训练,具体为:
S4.1:将训练次数变量step初始化为0;
S4.2:在源域数据集中选取一部分训练数据,即一个批处理;
S4.3:通过前向传播算法获得输出的预测期望值;
S4.4:计算训练损失值,通过反向传播算法更新功能性脉冲模型中信息传输系数I的权重矩阵W、信息传输系数I的偏置b以及每个时间点当前神经元脉冲幅度的可训练功能参数U等参数;
S4.5:判断是否低于损失期望值,如果是则训练结束,否则,则执行S4.6;
S4.6:判断是否达到设定的训练次数,如果达到,则训练结束,否则训练次数加1后,执行S4.2;
本实施例采用BP反向传播算法,能够在训练中更新神经网络参数,实现了自适应的神经网络模型参数更新,基于功能性脉冲模型的自适应化更新,最终将模型损失度控制在期望范围以内,从而提升网络模型针对目标域的分类准确率和训练速度。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (9)
1.基于脉冲神经网络的端到端功能性脉冲模型的实现方法,其特征在于,包括如下步骤:
S1:定义输入脉冲二元组Di和期望输出脉冲二元组Dd;
S2:基于功能性脉冲响应函数和动态突触函数构建用于计算突触后神经元的电位Pt的功能性脉冲模型,初始化功能性脉冲模型参数,并设置训练轮数epochmax;
S3:构建功能性脉冲模型的损失函数,根据损失函数计算训练损失值L;
S4:当训练损失值L不等于0且当前训练轮数小于epochmax时,利用反向传播算法对功能性脉冲模型进行训练,更新参数,直至功能性脉冲模型收敛,完成训练;
S5:对训练完成的功能性脉冲模型进行测试,若符合要求,则输出该训练好的功能性脉冲模型。
4.根据权利要求3所述的一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法,其特征在于,所述S2中,动态突触函数f(W,I)定义为:
f(W,I)=tanh(WI+b)
其中,tanh()为双曲函数,I为信息传输系数,W和b分别为信息传输系数I的权重矩阵和偏置。
7.根据权利要求5所述的一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法,其特征在于,所述S4中,对功能性脉冲模型参数进行更新,具体的是对信息传输系数I的权重矩阵W、信息传输系数I的偏置b以及每个时间点当前神经元脉冲幅度的可训练功能参数U进行更新。
8.根据权利要求1所述的一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法,其特征在于,所述S4中,功能性脉冲模型收敛的判断条件为:训练损失L低于损失期望值且维持稳定。
9.根据权利要求1所述的一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法,其特征在于,所述S5中,利用测试集对训练完成的功能性脉冲模型进行精度测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957935.1A CN110659730A (zh) | 2019-10-10 | 2019-10-10 | 基于脉冲神经网络的端到端功能性脉冲模型的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957935.1A CN110659730A (zh) | 2019-10-10 | 2019-10-10 | 基于脉冲神经网络的端到端功能性脉冲模型的实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110659730A true CN110659730A (zh) | 2020-01-07 |
Family
ID=69040299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910957935.1A Pending CN110659730A (zh) | 2019-10-10 | 2019-10-10 | 基于脉冲神经网络的端到端功能性脉冲模型的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659730A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460906A (zh) * | 2020-03-05 | 2020-07-28 | 重庆大学 | 一种基于集成学习的脉冲神经网络模式识别方法及系统 |
CN112685900A (zh) * | 2020-12-31 | 2021-04-20 | 国网浙江省电力有限公司营销服务中心 | 一种表征冲击负荷功率特性的电力负荷模拟方法 |
CN112906828A (zh) * | 2021-04-08 | 2021-06-04 | 周士博 | 一种基于时域编码和脉冲神经网络的图像分类方法 |
CN113205048A (zh) * | 2021-05-06 | 2021-08-03 | 浙江大学 | 一种手势识别方法及识别系统 |
CN113255905A (zh) * | 2021-07-16 | 2021-08-13 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
CN113792857A (zh) * | 2021-09-10 | 2021-12-14 | 中国人民解放军军事科学院战争研究院 | 一种基于膜电位自增机制的脉冲神经网络训练方法 |
WO2022206193A1 (zh) * | 2021-04-02 | 2022-10-06 | 华为技术有限公司 | 脉冲神经网络电路和基于脉冲神经网络的计算方法 |
-
2019
- 2019-10-10 CN CN201910957935.1A patent/CN110659730A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460906A (zh) * | 2020-03-05 | 2020-07-28 | 重庆大学 | 一种基于集成学习的脉冲神经网络模式识别方法及系统 |
CN111460906B (zh) * | 2020-03-05 | 2023-05-26 | 重庆大学 | 一种基于集成学习的脉冲神经网络模式识别方法及系统 |
CN112685900A (zh) * | 2020-12-31 | 2021-04-20 | 国网浙江省电力有限公司营销服务中心 | 一种表征冲击负荷功率特性的电力负荷模拟方法 |
CN112685900B (zh) * | 2020-12-31 | 2023-09-26 | 国网浙江省电力有限公司营销服务中心 | 一种表征冲击负荷功率特性的电力负荷模拟方法 |
WO2022206193A1 (zh) * | 2021-04-02 | 2022-10-06 | 华为技术有限公司 | 脉冲神经网络电路和基于脉冲神经网络的计算方法 |
CN112906828A (zh) * | 2021-04-08 | 2021-06-04 | 周士博 | 一种基于时域编码和脉冲神经网络的图像分类方法 |
CN113205048A (zh) * | 2021-05-06 | 2021-08-03 | 浙江大学 | 一种手势识别方法及识别系统 |
CN113255905A (zh) * | 2021-07-16 | 2021-08-13 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
CN113255905B (zh) * | 2021-07-16 | 2021-11-02 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
CN113792857A (zh) * | 2021-09-10 | 2021-12-14 | 中国人民解放军军事科学院战争研究院 | 一种基于膜电位自增机制的脉冲神经网络训练方法 |
CN113792857B (zh) * | 2021-09-10 | 2023-10-20 | 中国人民解放军军事科学院战争研究院 | 一种基于膜电位自增机制的脉冲神经网络训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659730A (zh) | 基于脉冲神经网络的端到端功能性脉冲模型的实现方法 | |
Javed et al. | Meta-learning representations for continual learning | |
CN104094293B (zh) | 用于尖峰神经计算的方法和装置 | |
Saadat et al. | Training echo state neural network using harmony search algorithm | |
Fernando et al. | Meta-learning by the baldwin effect | |
CN108898213B (zh) | 一种面向深度神经网络的自适应激活函数参数调节方法 | |
Gopal et al. | Learning in Single Hidden‐Layer Feedforward Network Models: Backpropagation in a Spatial Interaction Modeling Context | |
CN109635938B (zh) | 一种自主学习脉冲神经网络权值量化方法 | |
CN108416460B (zh) | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 | |
CN112906828A (zh) | 一种基于时域编码和脉冲神经网络的图像分类方法 | |
CN111382840B (zh) | 一种面向自然语言处理的基于循环学习单元的htm设计方法 | |
CN114266351A (zh) | 基于无监督学习时间编码的脉冲神经网络训练方法及系统 | |
CN115936070A (zh) | 一种低延时低功耗脉冲神经网络转换方法 | |
CN112085198A (zh) | 基于全局反馈以及局部突触可塑的脉冲神经网络优化方法 | |
Wang et al. | Online versus offline learning for spiking neural networks: A review and new strategies | |
CN107798384B (zh) | 一种基于可进化脉冲神经网络的鸢尾花卉分类方法和装置 | |
CN113298231A (zh) | 用于脉冲神经网络的图表示时空反向传播算法 | |
Li et al. | Multi-objective reinforcement learning for fed-batch fermentation process control | |
CN113902092A (zh) | 一种脉冲神经网络间接监督训练方法 | |
Stromatias | Developing a supervised training algorithm for limited precision feed-forward spiking neural networks | |
Lucas et al. | Methodology based on spiking neural networks for univariate time-series forecasting | |
CN110796195B (zh) | 一种包含在线小样本激励的图像分类方法 | |
Vlasov et al. | Reinforcement learning in a spiking neural network with memristive plasticity | |
CN112288078B (zh) | 一种基于脉冲神经网络的自学习、小样本学习和迁移学习的方法与系统 | |
Taylor et al. | Accelerating spiking neural network training using the $ d $-block model |
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: 20200107 |
|
RJ01 | Rejection of invention patent application after publication |