CN111340205B - 一种针对空间应用的神经网络芯片抗辐照系统及方法 - Google Patents

一种针对空间应用的神经网络芯片抗辐照系统及方法 Download PDF

Info

Publication number
CN111340205B
CN111340205B CN202010098399.7A CN202010098399A CN111340205B CN 111340205 B CN111340205 B CN 111340205B CN 202010098399 A CN202010098399 A CN 202010098399A CN 111340205 B CN111340205 B CN 111340205B
Authority
CN
China
Prior art keywords
neural network
weight
chip
parameter
parameter values
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
CN202010098399.7A
Other languages
English (en)
Other versions
CN111340205A (zh
Inventor
王慧玲
钱欢
谢卓辰
梁旭文
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.)
Shanghai Engineering Center for Microsatellites
Innovation Academy for Microsatellites of CAS
Original Assignee
Shanghai Engineering Center for Microsatellites
Innovation Academy for Microsatellites of CAS
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 Shanghai Engineering Center for Microsatellites, Innovation Academy for Microsatellites of CAS filed Critical Shanghai Engineering Center for Microsatellites
Priority to CN202010098399.7A priority Critical patent/CN111340205B/zh
Publication of CN111340205A publication Critical patent/CN111340205A/zh
Application granted granted Critical
Publication of CN111340205B publication Critical patent/CN111340205B/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
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种针对空间应用的神经网络芯片抗辐照系统及方法，包括神经网络芯片及FPGA芯片。针对神经网络芯片，采用退网的方法，在网络训练过程中以一定概率丢弃一些神经元，然后，在将神经网络配置到神经网络芯片中进行网络推断的过程中，通过对单粒子翻转造成的错误参数进行错误定位并将其置0，并重新写入神经网络芯片的权值存储区，实现神经网络芯片的权值参数刷新工作，减少错误参数对整个网络的准确率的影响，进而实现抗辐照功能。

Description

一种针对空间应用的神经网络芯片抗辐照系统及方法
技术领域
本发明涉及航空航天技术领域，特别涉及针对空间应用的神经网络芯片抗辐照技术。
背景技术
近些年，随着人工智能技术的快速发展，其在深度学习、自然语言处理与计算机视觉等领域都取得了巨大成就。同时，人工智能也开始从智能化工具逐渐向智能机器进军，这就使得原有的微控制单元(MCU)早已无法满足深度学习的海量数据运算和高速运算的要求,因此，人工智能(AI)芯片应运而生。搭载神经网络的人工智能芯片随着网络复杂度的提高，其功能也越来越强大，同时，随着芯片工艺的发展，现有神经网络芯片大都为专用集成芯片，其尺寸越来越小，电路集成度逐步提高。其中，比较有代表性的包括：IBM仿人脑TrueNorth芯片、英伟达的GPU芯片系列、以寒武纪的DianNao芯片以及地平线机器人的BPU芯片。
由于人工智能芯片可以大幅提升卫星大数据的快速提取、智能处理与分析等效率,因此，其在卫星应用领域也取得了广泛的应用。但是，由于空间环境相对复杂，空间粒子造成的辐射和冲击会对集成芯片的正常稳定运行产生诸多的影响。为了较大程度的减少这些辐照效应的影响，目前通常采用一些加固技术，如增加冗余存储节点或SOI工艺。其中，增加冗余存储节点的电路级加固技术需要额外的面积开销，这与神经网络芯片集成度的提高趋势相违背，而SOI结构虽然可以通过其埋氧化层使器件之间完全隔离，从根本上消除了单粒子闩锁(SEL)效应。但是SOI工艺成本较高，同时该结构相对较厚的衬底和埋氧层依然无法阻止质子的穿透，从底部入射的质子同样可以在耗尽区产生能量沉积从而产生单粒子翻转效应(SEU)，另外纳米器件的直径可能小于重离子入射径迹的直径，导致的SEU效应通常会对邻近的几个器件同时造成影响，进而发生多点同时翻转。因此当神经网络芯片的尺寸达到纳米级后，电荷共享引起的单粒子翻转概率不容忽略，这将导致原本存储在芯片存储器的部分权重参数随机发生比特位翻转，进而神经元的权重参数值就会发生变化，这就会直接影响神经网络输出结果的准确度。
发明内容
为了减小空间辐照引起的单粒子翻转对于神经网络输出结果准确率的影响，本发明一方面提供一种针对空间应用的神经网络芯片抗辐照系统，包括：
神经网络芯片，用于存储经训练的神经网络，其中所述神经网络芯片包括权值存储区，所述权值存储区用于存储神经网络的权值参数的参数值；以及
FPGA芯片，所述FPGA芯片用于在所定义的时间段内两次读取所述神经网络芯片的权值存储区的权值参数的参数值，并将两次读取的权值参数的参数值进行比较，其中如果两次读取的权值参数的参数值不同，则将读取的数值不同的权值参数的所述参数值置为0，并且如果两次读取的权值参数的参数值一致，则不做操作。
进一步的，所述系统还包括计算机，用于对神经网络的神经元进行退网，并进行神经网络训练；以及将经训练的神经网络配置到神经网络芯片中。
本发明另一方面提供一种针对空间应用的神经网络芯片抗辐照方法，包括：
神经网络训练；
配置神经网络芯片，将训练好的神经网络配置到神经网络芯片中；以及
当所述神经网络芯片稳定工作后，每隔一定时间连续两次读取所述神经网络芯片的权值存储区的权值参数，并比较：
若前后读取的权值参数的数值不同，则判定有单粒子翻转错误的发生，此时，将前后读取不同的权值参数的参数值置为0；以及
若前后读取的权值参数的数值一致，则不更改。
进一步地，所述神经网络训练包括，对神经网络的神经元进行退网(dropout)，舍弃部分神经元。
进一步地，所述退网(dropout)采用伯努利分布选择舍弃的神经元。
进一步地，在轨网络推断通过神经网络芯片实现。
本发明提供的针对空间应用的神经网络芯片抗辐照系统及方法，在现有的一些抗辐照干扰方法基础上，针对神经网络芯片，应用退网方法，在网络训练过程中以一定概率丢弃一些神经元，预先进行网络容错学习，寻找最优网络和容错网络之间的平衡，以提高整个系统输出的准确度。然后，在将神经网络配置到神经网络芯片中进行网络推断的过程中，通过对单粒子翻转造成的错误参数进行错误定位并将其置0，并重新写入神经网络芯片的权值存储区，实现神经网络芯片的权值参数刷新工作，减少错误参数对整个网络的准确率的影响，进而实现抗辐照功能。
附图说明
为进一步阐明本发明的各实施例的以上和其它优点和特征，将参考附图来呈现本发明的各实施例的更具体的描述。可以理解，这些附图只描绘本发明的典型实施例，因此将不被认为是对其范围的限制。在附图中，为了清楚明了，相同或相应的部件将用相同或类似的标记表示。
图1示出本发明的一个实施例的一种针对空间应用的神经网络芯片抗辐照系统示意图；
图2示出本发明的一个实施例的一种针对空间应用的神经网络芯片抗辐照方法流程示意图；
图3示出现有技术中的标准神经网络示意图；
图4示出本发明的一个实施例的退网后的神经网络示意图；
图5示出现有技术中的标准神经网络的神经元示意图；
图6示出本发明的一个实施例的退网后的神经网络的神经元示意图；以及
图7示出本发明的一个实施例的更新神经网络参数的流程示意图。
具体实施方式
以下的描述中，参考各实施例对本发明进行描述。然而，本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法、材料或组件一起实施各实施例。在其它情形中，未示出或未详细描述公知的结构、材料或操作以免模糊本发明的发明点。类似地，为了解释的目的，阐述了特定数量、材料和配置，以便提供对本发明的实施例的全面理解。然而，本发明并不限于这些特定细节。此外，应理解附图中示出的各实施例是说明性表示且不一定按正确比例绘制。
在本说明书中，对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。
需要说明的是，本发明的实施例以特定顺序对工艺步骤进行描述，然而这只是为了阐述该具体实施例，而不是限定各步骤的先后顺序。相反，在本发明的不同实施例中，可根据工艺的调节来调整各步骤的先后顺序。
神经网络芯片主要是用来实现神经网络推断部分的工作，所述神经网络的学习训练通常在大型计算机上完成，然后将学习之后获得的最优网络结构和网络参数配置到芯片中。本发明提供一种针对间应用的神经网络芯片抗辐照系统和方法，以降低太空辐照对网络最终的识别结果的影响。下面结合实施例附图进一步阐述本发明。
图1示出本发明的一个实施例的一种针对空间应用的神经网络芯片抗辐照系统示意图，如图1所示，一种针对空间应用的神经网络芯片抗辐照系统包括神经网络芯片101，FPGA芯片102以及计算机(图中未示出)。
所述神经网络芯片101为专用集成芯片，用于存储经训练的神经网络，包括权值存储区DRAM 111，所述权值存储区111用于存储所述神经网络的权值参数的参数值。
所述FPGA芯片102包括可编程存储单元121，所述FPGA芯片102用于：
读取所述权值存储区111存储的网络权值参数的参数值；
在所定义的时间段期满以后再次读取所述权值存储区111存储的网络权值参数的参数值；以及
将两次读取的权值参数的参数值进行比较，其中若两次读取的网络权值参数的参数值不同，则将读取的数值不同的权值参数的所述参数值置为0，重新写入所述权值存储区111，并且若两次读取的权值参数的参数值一致，则不做操作。
所述计算机用于对神经网络的神经元进行退网，并进行神经网络训练；以及将经训练的神经网络配置到神经网络芯片101中。
图2示出本发明的一个实施例的一种针对空间应用的神经网络芯片抗辐照方法流程示意图，如图2所示，一种针对空间应用的神经网络芯片抗辐照方法包括：
步骤201，训练神经网络。通常，一个完整的标准的神经网络如图3所示，图5示出了标准神经网络的神经元示意图，如图5所示，对于一个具有L个隐藏层的神经网络，正常的训练流程是首先把输入数据通过神经网络前向传播，然后再把误差值反向传递回去以此来决定神经网络如何不断更新参数让网络进行优化学习，一个标准神经网络的前馈操作可表示为：
zi (l+1)=wi (l+1)y(l)+bi (l+1)，
yi (l+1)=f(zi (l+1))，
其中，l∈{1,…l,…L},表示隐藏层的第l层，z(l)为第l层的输入，y(l)为第l层的输出，w(l)和b(l)为第l层的权值和偏差。
在本发明提供的实施例中，在计算机上进行神经网络训练，并在网络训练中进行退网(dropout)，图4示出了退网后的神经网络示意图。退网的核心思想就是给训练的网络的神经元增加一个概率流程，图6示出本发明的一个实施例的退网后的神经网络的神经元示意图，如图6所示，将神经网络的参数乘以一个伯努利分布：
Figure BDA0002386029790000051
其中，ri (l)～Bernoulli
Figure BDA0002386029790000052
其中
Figure BDA0002386029790000053
X～N(0,1)，ri (l)的值会以概率P置为0或1，从而使得第l层的第j个权重值会置为0或者保留原来的值，进而达到将神经元随机删除的效果，以减少隐藏层节点间的相互作用，从而提升神经网络对数据的归纳能力。所述隐藏层节点间的相互作用是指某些隐藏层节点依赖其他隐藏层节点才能发挥作用。进行退网后，对每个输入点和每个层中的每个网络单元进行二进制变量采样：
Figure BDA0002386029790000054
yi (l+1)＝f(zi (l+1))，
其中，l∈{1,…l,…L},表示隐藏层的第l层，z(l)为第l层的输入，y(l)为第l层的输出，w(l)和b(l)为第l层的权值和偏差。对于第i层给定的输入，如果对应的二进制变量的值为0，则该神经元将被丢弃，此时，网络模型损失函数记为L：
Figure BDA0002386029790000061
步骤202，配置神经网络芯片。将训练所得的神经网络参数的参数值保存至神经网络芯片的权值存储区，从而将训练所得的神经网络配置到神经网络芯片中；在本发明的一个实施例中，所述参数保存于神经网络芯片片外的一个容量较大的DRAM中，神经网络芯片在数据处理过程中需要用到的相关参数从所述DRAM中读取；以及
步骤203，更新神经网络参数。当所述神经网络芯片稳定工作后，读取所述神经网络芯片的权值存储区的权值参数的参数值，然后在所定义的时间段1期满以后再次读取所述权值参数的参数值，最后将两次读取的权值参数的参数值进行比较，其中如果两次读取的权值参数的参数值不同，则表示存在单粒子翻转错误的发生，此时，将读取的数值不同的权值参数的参数值置为0，以达到错误屏蔽的效果，如果两次读取的权值参数的参数值一致，则表示无错误发生，不做操作。
在芯片工作期间，每间隔定义的时间段2，就重复一次步骤203，以确保芯片工作时系统输出的准确度。在本发明的一个实施例中，所述定义的时间段1小于读取一次权值参数的参数值所需的时间。在本发明的又一个实施例中，错误定位及错误屏蔽的实现，通过神经网络芯片所配置的FPGA芯片实现，FPGA芯片为可编程器件，可以在其内部划分出一部分可编程存储的区域，用来读取神经网络芯片中网络权值存储区的参数值，所述FPGA芯片与神经网络芯片的工作状态基本一致。图7示出本发明的一个实施例的更新神经网络参数的流程示意图。如图7所示，更新神经网络参数的流程包括：
步骤701，读取参数值。所述FPGA芯片在芯片上电，并判断芯片稳定工作后，读取所述神经网络芯片的权值存储区的权值参数的参数值，并在所定义的时间段期满以后再次读取所述权值参数的参数值；
步骤702，参数值比较。将两次读取的参数值进行比较：
若前后两次读取的参数值不同，即可判定为有单粒子翻转错误的发生，进入步骤703；以及
若前后读取的权值参数的数值一致，则不做任何处理；以及
步骤703，更新参数值。将读取的数值不同的权值参数的参数值置为0，重新写入神经网络芯片的权值存储区。
尽管上文描述了本发明的各实施例，但是，应该理解，它们只是作为示例来呈现的，而不作为限制。对于相关领域的技术人员显而易见的是，可以对其做出各种组合、变型和改变而不背离本发明的精神和范围。因此，此处所公开的本发明的宽度和范围不应被上述所公开的示例性实施例所限制，而应当仅根据所附权利要求书及其等同替换来定义。

Claims (7)

1.一种针对空间应用的神经网络芯片抗辐照系统，其特征在于，包括：
神经网络芯片，其被配置为存储经训练的神经网络，其中所述神经网络芯片包括权值存储区，所述权值存储区被配置为存储神经网络的权值参数的参数值；
计算机，其被配置为执行下列动作：
对神经网络的神经元进行退网，并进行神经网络训练；以及
将经训练的神经网络配置到所述神经网络芯片中；以及
FPGA芯片，其被配置为执行下列动作：
读取所述神经网络芯片的权值存储区的权值参数的参数值；
在所定义的时间段期满以后再次读取所述权值参数的参数值；以及
将两次读取的权值参数的参数值进行比较，其中如果两次读取的权值参数的参数值不同，则将读取的数值不同的权值参数的所述参数值置为0，并且如果两次读取的权值参数的参数值一致，则不做操作。
2.如权利要求1所述的系统，其特征在于，所述定义的时间段小于所述FPGA芯片读取权值参数的参数值所需的时间。
3.一种针对空间应用的神经网络芯片抗辐照方法，其特征在于，包括步骤：
在计算机上对神经网络的神经元进行退网，并进行神经网络训练；
将训练所得的神经网络配置到神经网络芯片中；
当所述神经网络芯片稳定工作后，读取所述神经网络芯片的权值存储区的权值参数的参数值；
在所定义的时间段期满以后再次读取所述权值参数的参数值；以及
将两次读取的权值参数的参数值进行比较，其中如果两次读取的权值参数的参数值不同，则将读取的数值不同的权值参数的参数值置为0，并且如果两次读取的权值参数的参数值一致，则不做操作。
4.如权利要求3所述的方法，其特征在于，所述神经网络训练的过程表达式如下：
Figure FDA0004095988420000021
Figure FDA0004095988420000022
yi (l+1)＝f(zi (l+1))，
其中，r(l)伪概率分布函数，l∈{1，...l，...L}，表示隐藏层的第l层，z(l)为第l层的输入，y(l)为第l层的输出，w(l)和b(l)为第l层的权值和偏差。
5.如权利要求4所述的方法，其特征在于，所述概率分布函数为伯努利分布：
Figure FDA0004095988420000023
其中，
Figure FDA0004095988420000024
6.如权利要求3所述的方法，其特征在于，通过FPGA芯片的可编程存储区读取所述神经网络芯片的权值存储区的参数，并进行比较。
7.如权利要求3所述的方法，其特征在于，当所述神经网络芯片稳定工作后，重复进行如下步骤：
读取所述神经网络芯片的权值存储区的权值参数的参数值；
在所定义的时间段期满以后再次读取所述权值参数的参数值；以及
将两次读取的权值参数的参数值进行比较，其中如果两次读取的权值参数的参数值不同，则将读取的数值不同的权值参数的参数值置为0，并且如果两次读取的权值参数的参数值一致，则不做操作。
CN202010098399.7A 2020-02-18 2020-02-18 一种针对空间应用的神经网络芯片抗辐照系统及方法 Active CN111340205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010098399.7A CN111340205B (zh) 2020-02-18 2020-02-18 一种针对空间应用的神经网络芯片抗辐照系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098399.7A CN111340205B (zh) 2020-02-18 2020-02-18 一种针对空间应用的神经网络芯片抗辐照系统及方法

Publications (2)

Publication Number Publication Date
CN111340205A CN111340205A (zh) 2020-06-26
CN111340205B true CN111340205B (zh) 2023-05-12

Family

ID=71185333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010098399.7A Active CN111340205B (zh) 2020-02-18 2020-02-18 一种针对空间应用的神经网络芯片抗辐照系统及方法

Country Status (1)

Country Link
CN (1) CN111340205B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956440A (zh) * 2023-08-24 2023-10-27 中国长江电力股份有限公司 一种复杂环境下混凝土性态监测点优化布置方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108770010A (zh) * 2018-06-26 2018-11-06 南京航空航天大学 一种面向服务的无线网络组网模式智能重构方法
CN109359722A (zh) * 2018-09-25 2019-02-19 北京工业大学 一种仿脑非常态工作状态的神经网络及电路设计方法
WO2019206776A1 (de) * 2018-04-24 2019-10-31 Robert Bosch Gmbh Verfahren und vorrichtung zum ermitteln einer netzkonfiguration eines neuronalen netzes
CN110782030A (zh) * 2019-09-16 2020-02-11 平安科技（深圳）有限公司 深度学习权值更新方法、系统、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019206776A1 (de) * 2018-04-24 2019-10-31 Robert Bosch Gmbh Verfahren und vorrichtung zum ermitteln einer netzkonfiguration eines neuronalen netzes
CN108770010A (zh) * 2018-06-26 2018-11-06 南京航空航天大学 一种面向服务的无线网络组网模式智能重构方法
CN109359722A (zh) * 2018-09-25 2019-02-19 北京工业大学 一种仿脑非常态工作状态的神经网络及电路设计方法
CN110782030A (zh) * 2019-09-16 2020-02-11 平安科技（深圳）有限公司 深度学习权值更新方法、系统、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
动态神经网络分类器主动学习算法及其智能控制应用;任红格等;《计算机应用与软件》(第07期);全文 *

Also Published As

Publication number Publication date
CN111340205A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
Perez et al. Learning visual reasoning without strong priors
Treadgold et al. Simulated annealing and weight decay in adaptive learning: The SARPROP algorithm
Song On the weight convergence of Elman networks
CN111340205B (zh) 一种针对空间应用的神经网络芯片抗辐照系统及方法
CN107121926A (zh) 一种基于深度学习的工业机器人可靠性建模方法
Shah et al. Problem solving chatbot for data structures
Ou et al. GPU-based global path planning using genetic algorithm with near corner initialization
CN112987665B (zh) 一种基于强化学习的流水车间调度方法
Xuan et al. High performance FPGA embedded system for machine learning based tracking and trigger in sPhenix and EIC
Pousa et al. Multitask optimization of laser-plasma accelerators using simulation codes with different fidelities
CN112016801A (zh) 带传输和切换时间的柔性作业车间调度方法及系统
Zhang et al. Convergence analysis of Zhang neural networks solving time-varying linear equations but without using time-derivative information
Li et al. Memory saving method for enhanced convolution of deep neural network
Wu et al. A cache-genetic-based modular fuzzy neural network for robot path planning
Chen et al. Static correlative filter based convolutional neural network for visual question answering
Cory et al. Continual correction of errors using smart memory replay
Li et al. An In-Situ Visual Analytics Framework for Deep Neural Networks
CN113917938B (zh) 小样本条件下的飞行器姿态控制数据增强和模型训练方法
Dolenko et al. Analysis of the Earth's magnetosphere states using the algorithm of adaptive construction of hierarchical neural network classifiers
WO2020141597A1 (ja) 機械学習デバイス、及びその制御方法
Zeng et al. Aware: Adaptive Distributed Training with Computation, Communication and Position Awareness for Deep Learning Model
Zhang Research on Optimized RBF Neural Network Algorithm Based on Deep Learning and Its Application
Grygoryev et al. THE FEATURES OF INTELLEGENT COMPUTER
CN113591557A (zh) 一种基于介观体系的神经网络三体模型
CN116644777A (zh) 一种基于神经架构搜索的抗单粒子翻转网络结构优化方法及系统

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