CN111753975B - 一种面向物联网的自然模拟信号的类脑处理方法 - Google Patents
一种面向物联网的自然模拟信号的类脑处理方法 Download PDFInfo
- Publication number
- CN111753975B CN111753975B CN202010625510.3A CN202010625510A CN111753975B CN 111753975 B CN111753975 B CN 111753975B CN 202010625510 A CN202010625510 A CN 202010625510A CN 111753975 B CN111753975 B CN 111753975B
- Authority
- CN
- China
- Prior art keywords
- pulse
- brain
- signal
- processing method
- internet
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013139 quantization Methods 0.000 claims abstract description 14
- 210000002364 input neuron Anatomy 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000012528 membrane Substances 0.000 claims description 5
- 238000007493 shaping process Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 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
- G06N3/06—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
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)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种面向物联网的自然模拟信号的类脑处理方法，涉及类脑人工智能技术领域，包括：将自然模拟信号经由多个传感器转化为多个电路可处理的模拟电信号；将所述模拟电信号通过多个电‑脉冲转换器转换成多个在时域上的离散脉冲序列；将所述离散脉冲序列经过脉冲序列‑SUN接口处理后进入到脉冲神经网络中的输入神经元，并在网络中进行处理与计算，得处理后结果并输出。本发明中直接由LC‑ADC产生脉冲序列，即以表示信号变化的事件驱动脉冲神经网络，和传统的传感器接口相比，不使用量化直接作用于脉冲神经网络处理单元，以实现在物联网中低功耗处理信号的优点。
Description
技术领域
本发明涉及类脑人工智能技术领域，尤其是一种面向物联网的自然模拟信号的类脑处理方法。
背景技术
近年来，神经网络的研究取得了飞速发展，并且在生产生活中得到了广泛应用，甚至在很多领域都取得了令人瞩目的突破。但目前的神经网络，包括现在应用最为广泛的卷积神经网络(CNN)，其实在生物学上是不精确的，并不能模仿生物大脑神经元的运作机制。而下一代神经网络——脉冲神经网络(SNN)，用最拟合生物神经元机制的模型来搭建网络并进行计算，和现有的神经网络在结构和原理上有着根本的不同。脉冲神经网络使用脉冲来作为传递信息的载体，但相比于传统神经网络，这种在时间上离散的脉冲序列却恰恰携带了时间维度上的信息，增强了处理时空信息的能力，更接近于真实世界中的感观数据的处理。
在脉冲神经网络中，每个神经元都是一个处理单元，处于网络入口处的输入神经元接收的输入信号形式是时域上的脉冲序列，网络包括多个输入神经元，同时接收多个脉冲序列的输入，每个脉冲仅表示在此时间点有脉冲信号，脉冲并无幅值大小之分。
电平交叉模数转换器(LC-ADC)是一种非均匀采样方式进行无时钟采样的ADC。传统ADC是基于奈奎斯特采样定律，依赖固定时钟信号在时间上等间隔采样并量化，而LC-ADC是在输入信号的电平越过预先定义的量化阈值时，产生脉冲，根据脉冲序列的排列便可以还原出原始信号的波形，而当输入处于静息期，变化幅度很小，不超过预定的电压范围时，就不发生采样行为。LC-ADC的采样是一种基于事件驱动的非均匀采样，会根据输入信号的活跃程度来确定采样速率，仅在信号变化剧烈时进行密集采样，根据信号情况实时调整采样率，从而避免了在信号静息阶段的冗余采样，从而降低系统整体的功耗，并减少了数据处理与传输过程中的压力，非常适用于对具有稀疏性质的信号的采集。
在物联网的诸多应用中，包括智能家居、智能医疗、智慧交通、智慧农业等，均需要用到声音检测、运动检测等技术，其信号常常具有突发性的特点，可长时间维持在变化微弱的静息状态，只在短时间内变化剧烈，具有强烈的稀疏性，物联网设备通常是基于事件驱动开始工作的，这种突发性与稀疏性的特征与LC-ADC的工作原理十分契合。
现有人工智能应用主要依赖于云端计算，而对于能量受限的无人设备和物联网终端等领域，大量计算所需的功耗是主要的限制因素。深度神经网络处理器如何满足物联网终端的能效需求，已经成为一个亟待突破的关键技术。
发明内容
本发明针对现有技术的不足，提出一种面向物联网的自然模拟信号的类脑处理方法，针对自然模拟信号在时域上具有稀疏特性的特点，设计提出的一种基于自然模拟信号的类脑处理方法，采用一种基于事件驱动的非均匀采样LC-ADC，将模拟信号转换为脉冲序列，并在电路中对脉冲序列进行时间精度调整与序列切割、分段、处理，最终输入一种使用离散的脉冲序列来传递信息的脉冲神经网络，实现以低功耗代价产生特定输出，用于生产生活的后续处理与应用。
为了实现上述发明目的，本发明提供以下技术方案：
一种面向物联网的自然模拟信号的类脑处理方法，其特征在于：包括如下步骤：
步骤(1)将自然模拟信号经由多个传感器转化为多个电路可处理的模拟电信号；
步骤(2)将所述模拟电信号通过多个电-脉冲转换器转换成多个在时域上的离散脉冲序列；
步骤(3)将所述离散脉冲序列经过脉冲序列-SNN接口处理后进入到脉冲神经网络中的输入神经元，并在网络中进行处理与计算，得处理后结果并输出。
优选的，步骤(1)中所述自然模拟信号为在时域上具有突发性与稀疏性的自然模拟信号。
优选的，步骤(2)中所述电-脉冲转换器的工作具体为：通过信号放大电路将所述模拟电信号进行放大处理，并通过滤波器将信号中的噪声和干扰尽可能去除，得到的高信噪比的模拟信号，再通过LC-ADC模块进行数字量化并完成脉冲转换。
优选的，所述LC-ADC模块的工作具体为：在输入信号的变化范围内均匀划分出2N个量化电平，当信号通过预设的量化电平时进行采样，产生一次脉冲，并根据穿越量化电平的方向定义极性，将极性输出的同时，依据极性按照信号变化方向更新参考电平VL和VH，为下一次采样做准备。
优选的，步骤(3)中所述脉冲序列-SNN接口的工作具体为：通过时间精度调整电路，对所述离散脉冲序列整形，使其与脉冲神经网络的时间精度相匹配，得匹配后离散脉冲序列；通过时间窗切割电路，将所述匹配后离散脉冲序列按照预先定义的时间窗切割成多段脉冲序列，再根据脉冲的极性在极性切割电路中切割成代表正负极性的两种序列,每段序列最终都单独输出，分时进入所述脉冲神经网络中得不同的输入神经元，并在网络中进行处理与计算。
优选的，步骤(3)中所述脉冲神经网络是一种使用时域上离散的脉冲序列来传递信息的脉冲神经网络，采用基于膜电位产生脉冲的神经元模型，包括但不限于IF模型、LIF模型、SRM模型、HH模型、Izhikevich模型等，采用多层或不分层的网络结构。
有益效果
本发明所提供的一种面向物联网的自然模拟信号的类脑处理方法，采用基于事件驱动的非均匀采样LC-ADC模块，以实现从模拟信号到脉冲序列的转化；采用对脉冲序列进行时间精度调整的方法，以对脉冲序列进行整形，使其与脉冲神经网络的的迭代步长相匹配；采用对脉冲序列进行切割、分段、处理的方法，以将脉冲序列输入脉冲神经网络的多个输入神经元；使用时域上离散的脉冲序列来传递信息的脉冲神经网络，采用基于膜电位产生脉冲的神经元模型，包括但不限于IF模型、LIF模型、SRM模型、HH模型、Izhikevich模型等，采用多层或不分层的网络结构。以实现在物联网中低功耗处理信号的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明所述一种面向物联网的自然模拟信号的类脑处理方法的架构示意框图；
图2为本发明所述一种面向物联网的自然模拟信号的类脑处理方法的处理流程图；
图3为本发明所述一种面向物联网的自然模拟信号的类脑处理方法的LC-ADC模块工作原理图；
图4为本发明所述一种面向物联网的自然模拟信号的类脑处理方法的电-脉冲转换器结构示意图；
图5为本发明所述一种面向物联网的自然模拟信号的类脑处理方法的脉冲序列-SNN接口结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
如图1和2所示，一种面向物联网的自然模拟信号的类脑处理方法，包括如下步骤：
步骤(1)将自然模拟信号经由多个传感器转化为多个电路可处理的模拟电信号；
步骤(2)将所述模拟电信号通过多个电-脉冲转换器转换成多个在时域上的离散脉冲序列；
步骤(3)将所述离散脉冲序列经过脉冲序列-SNN接口处理后进入到脉冲神经网络中的输入神经元，并在网络中进行处理与计算，得处理后结果并输出。
本实施例中，步骤(1)中所述自然模拟信号为在时域上具有突发性与稀疏性的自然模拟信号。
如图4所示，步骤(2)中所述电-脉冲转换器的工作具体为：通过信号放大电路将所述模拟电信号进行放大处理，并通过滤波器将信号中的噪声和干扰尽可能去除，得到的高信噪比的模拟信号，再通过LC-ADC模块进行数字量化并完成脉冲转换。具体的，直接采集的模拟电信号通常幅度很小，且伴随着大量的干扰与噪声，因此在电-脉冲转换器中通过模拟放大器组成的信号放大电路将信号幅度放大至所需的合适范围，然后通过一种或多种滤波电路，将信号中的噪声和干扰尽可能去除，以提高信号的信噪比(SNR)。得到的高信噪比的模拟信号通过LC-ADC模块进行数字量化并完成脉冲转换。
如图3所示，所述LC-ADC模块的工作具体为：在输入信号的变化范围内均匀划分出2N个量化电平，当信号通过预设的量化电平时进行采样，产生一次脉冲，并根据穿越量化电平的方向定义极性，将极性输出的同时，依据极性按照信号变化方向更新参考电平VL和VH，为下一次采样做准备。具体的，在输入信号的变化范围内均匀划分出2N个量化电平，当信号通过预设的量化电平时进行采样，产生一次脉冲，并根据穿越量化电平的方向定义极性，将极性输出的同时，依据极性按照信号变化方向更新参考电平VL和VH，为下一次采样做准备。该采样方式无需固定时钟采样，基于事件驱动，采样率和信号的活跃程度成正相关，因此减少了不必要的采样，提高能量效率，降低了ADC的功耗，对具有稀疏性的信号性能更好。
如图5所示，步骤(3)中所述脉冲序列-SNN接口的工作具体为：通过时间精度调整电路，对所述离散脉冲序列整形，使其与脉冲神经网络的时间精度相匹配，得匹配后离散脉冲序列；通过时间窗切割电路，将所述匹配后离散脉冲序列按照预先定义的时间窗切割成多段脉冲序列，再根据脉冲的极性在极性切割电路中切割成代表正负极性的两种序列,每段序列最终都单独输出，分时进入所述脉冲神经网络中得不同的输入神经元，并在网络中进行处理与计算。具体的，脉冲序列及其极性特征从LC-ADC输出，进入时间精度调整电路，由于LC-ADC是事件驱动，并无固定时钟，可达到极高的时间精度，而在脉冲神经网络中，由于神经元模型的定义，通常膜电位的时间迭代步长是有精度限制的，为避免无意义的冗余输入以及脉冲神经网络性能损失，时间精度调整电路的作用便是根据脉冲神经网络的时间迭代步长，将脉冲序列整形，使其与脉冲神经网络的时间精度相匹配。为使脉冲神经网络具有更完备的网络结构，每个LC-ADC产生的脉冲序列都会被分成两段或多段更短的脉冲序列，输入脉冲神经网络中不同的输入神经元。完整脉冲序列会在时间窗切割电路中，按照预先定义的时间窗切割成多段脉冲序列，再根据脉冲的极性在极性切割电路中切割成代表正负极性的两种序列，每段序列最终都单独输出，分时进入脉冲神经网络中不同的输入神经元，在网络中进行处理与计算。
本实施例中，所述脉冲神经网络是一种使用时域上离散的脉冲序列来传递信息的脉冲神经网络，采用基于膜电位产生脉冲的神经元模型，包括但不限于IF模型、LIF模型、SRM模型、HH模型、Izhikevich模型等，采用多层或不分层的网络结构。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种面向物联网的自然模拟信号的类脑处理方法，其特征在于：包括如下步骤：
步骤(1)将自然模拟信号经由多个传感器转化为多个电路可处理的模拟电信号；
步骤(2)将所述模拟电信号通过多个电-脉冲转换器转换成多个在时域上的离散脉冲序列；
步骤(3)将所述离散脉冲序列经过脉冲序列-SNN接口处理后进入到脉冲神经网络中的输入神经元，并在网络中进行处理与计算，得处理后结果并输出；
步骤(3)中所述脉冲序列-SNN接口的工作具体为：通过时间精度调整电路，对所述离散脉冲序列整形，使其与脉冲神经网络的时间精度相匹配，得匹配后离散脉冲序列；通过时间窗切割电路，将所述匹配后离散脉冲序列按照预先定义的时间窗切割成多段脉冲序列，再根据脉冲的极性在极性切割电路中切割成代表正负极性的两种序列,每段序列最终都单独输出，分时进入所述脉冲神经网络中得不同的输入神经元，并在网络中进行处理与计算。
2.根据权利要求1所述一种面向物联网的自然模拟信号的类脑处理方法，其特征在于：步骤(1)中所述自然模拟信号为在时域上具有突发性与稀疏性的自然模拟信号。
3.根据权利要求1所述一种面向物联网的自然模拟信号的类脑处理方法，其特征在于：步骤(2)中所述电-脉冲转换器的工作具体为：通过信号放大电路将所述模拟电信号进行放大处理，并通过滤波器将信号中的噪声和干扰尽可能去除，得到的高信噪比的模拟信号，再通过LC-ADC模块进行数字量化并完成脉冲转换。
4.根据权利要求3所述一种面向物联网的自然模拟信号的类脑处理方法，其特征在于：所述LC-ADC模块的工作具体为：在输入信号的变化范围内均匀划分出2N个量化电平，当信号通过预设的量化电平时进行采样，产生一次脉冲，并根据穿越量化电平的方向定义极性，将极性输出的同时，依据极性按照信号变化方向更新参考电平VL和VH，为下一次采样做准备。
5.根据权利要求1所述一种面向物联网的自然模拟信号的类脑处理方法，其特征在于：步骤(3)中所述脉冲神经网络是一种使用时域上离散的脉冲序列来传递信息的脉冲神经网络，采用基于膜电位产生脉冲的神经元模型，包括但不限于IF模型、LIF模型、SRM模型、HH模型、Izhikevich模型，采用多层或不分层的网络结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010625510.3A CN111753975B (zh) | 2020-07-01 | 2020-07-01 | 一种面向物联网的自然模拟信号的类脑处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010625510.3A CN111753975B (zh) | 2020-07-01 | 2020-07-01 | 一种面向物联网的自然模拟信号的类脑处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111753975A CN111753975A (zh) | 2020-10-09 |
| CN111753975B true CN111753975B (zh) | 2024-03-05 |
Family
ID=72680382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010625510.3A Active CN111753975B (zh) | 2020-07-01 | 2020-07-01 | 一种面向物联网的自然模拟信号的类脑处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111753975B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1988010474A1 (en) * | 1987-06-18 | 1988-12-29 | University Of West Virginia | State analog neural network and method of implementing same |
| US5157399A (en) * | 1991-08-15 | 1992-10-20 | Sony Corporation | Neural network quantizer |
| US5343555A (en) * | 1992-07-06 | 1994-08-30 | The Regents Of The University Of California | Artificial neuron with switched-capacitor synapses using analog storage of synaptic weights |
| CN101986358A (zh) * | 2010-08-31 | 2011-03-16 | 彭浩明 | 一种融合神经网络和模糊控制的电气火灾智能报警方法 |
| US8566265B1 (en) * | 2011-03-10 | 2013-10-22 | Hrl Laboratories, Llc | Combined spike domain and pulse domain signal processing |
| CN108009640A (zh) * | 2017-12-25 | 2018-05-08 | 清华大学 | 基于忆阻器的神经网络的训练装置及其训练方法 |
| CN108846408A (zh) * | 2018-04-25 | 2018-11-20 | 中国人民解放军军事科学院军事医学研究院 | 基于脉冲神经网络的图像分类方法及装置 |
| CN109800870A (zh) * | 2019-01-10 | 2019-05-24 | 华中科技大学 | 一种基于忆阻器的神经网络在线学习系统 |
| CN110311676A (zh) * | 2019-06-24 | 2019-10-08 | 清华大学 | 一种采用开关电流技术的物联网视觉系统和数据处理方法 |
| CN110427823A (zh) * | 2019-06-28 | 2019-11-08 | 北京大学 | 基于视频帧与脉冲阵列信号的联合目标检测方法与装置 |
| CN110659666A (zh) * | 2019-08-06 | 2020-01-07 | 广东工业大学 | 一种基于相互作用的多层脉冲神经网络的图像分类方法 |
| CN111340181A (zh) * | 2020-02-11 | 2020-06-26 | 天津大学 | 基于增强脉冲的深层双阈值脉冲神经网络转换训练方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9213937B2 (en) * | 2011-09-21 | 2015-12-15 | Brain Corporation | Apparatus and methods for gating analog and spiking signals in artificial neural networks |
| US20130151449A1 (en) * | 2011-12-07 | 2013-06-13 | Filip Ponulak | Apparatus and methods for implementing learning for analog and spiking signals in artificial neural networks |
-
2020
- 2020-07-01 CN CN202010625510.3A patent/CN111753975B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1988010474A1 (en) * | 1987-06-18 | 1988-12-29 | University Of West Virginia | State analog neural network and method of implementing same |
| US5157399A (en) * | 1991-08-15 | 1992-10-20 | Sony Corporation | Neural network quantizer |
| US5343555A (en) * | 1992-07-06 | 1994-08-30 | The Regents Of The University Of California | Artificial neuron with switched-capacitor synapses using analog storage of synaptic weights |
| CN101986358A (zh) * | 2010-08-31 | 2011-03-16 | 彭浩明 | 一种融合神经网络和模糊控制的电气火灾智能报警方法 |
| US8566265B1 (en) * | 2011-03-10 | 2013-10-22 | Hrl Laboratories, Llc | Combined spike domain and pulse domain signal processing |
| CN108009640A (zh) * | 2017-12-25 | 2018-05-08 | 清华大学 | 基于忆阻器的神经网络的训练装置及其训练方法 |
| CN108846408A (zh) * | 2018-04-25 | 2018-11-20 | 中国人民解放军军事科学院军事医学研究院 | 基于脉冲神经网络的图像分类方法及装置 |
| CN109800870A (zh) * | 2019-01-10 | 2019-05-24 | 华中科技大学 | 一种基于忆阻器的神经网络在线学习系统 |
| CN110311676A (zh) * | 2019-06-24 | 2019-10-08 | 清华大学 | 一种采用开关电流技术的物联网视觉系统和数据处理方法 |
| CN110427823A (zh) * | 2019-06-28 | 2019-11-08 | 北京大学 | 基于视频帧与脉冲阵列信号的联合目标检测方法与装置 |
| CN110659666A (zh) * | 2019-08-06 | 2020-01-07 | 广东工业大学 | 一种基于相互作用的多层脉冲神经网络的图像分类方法 |
| CN111340181A (zh) * | 2020-02-11 | 2020-06-26 | 天津大学 | 基于增强脉冲的深层双阈值脉冲神经网络转换训练方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于脉冲神经网络的红外目标提取;蔡荣太;吴庆祥;;计算机应用(12);全文 * |
| 脉冲神经网络:模型、学习算法与应用;程龙;刘洋;;控制与决策(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111753975A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816026B (zh) | 卷积神经网络和脉冲神经网络的融合装置及方法 | |
| DeWeese et al. | Information flow in sensory neurons | |
| CN113313240B (zh) | 计算设备及电子设备 | |
| Sun et al. | Efficient compressed sensing for wireless neural recording: A deep learning approach | |
| KR20170021258A (ko) | 임계-기반 신호 코딩을 위한 비동기식 펄스 변조 | |
| CN110619384A (zh) | 一种基于神经网络的pm2.5浓度值预测方法 | |
| CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
| CN113792857B (zh) | 一种基于膜电位自增机制的脉冲神经网络训练方法 | |
| CN105933006A (zh) | 一种基于时变门限的单比特压缩采样方法 | |
| CN111753975B (zh) | 一种面向物联网的自然模拟信号的类脑处理方法 | |
| Skatchkovsky et al. | End-to-end learning of neuromorphic wireless systems for low-power edge artificial intelligence | |
| CN113448245A (zh) | 一种基于深度学习的污水处理过程溶解氧控制方法及系统 | |
| CN113076827B (zh) | 一种传感器信号智能处理系统 | |
| Vitolo et al. | Quantized ID-CNN for a low-power PDM-to-PCM conversion in TinyML KWS applications | |
| CN109255430B (zh) | 一种神经元编码电路 | |
| CN114371474A (zh) | 基于卷积降噪自编码器的雷达信号智能分选方法及系统 | |
| US20230236623A1 (en) | Programmable drive sense unit | |
| CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
| CN114367710B (zh) | 一种基于深度学习和声发射信号的电火花加工控制方法 | |
| CN110706721A (zh) | 基于bp神经网络的电除尘火花放电识别方法 | |
| CN113098628A (zh) | 一种结构声场通信方法和系统 | |
| Alsakkal et al. | Application based Evaluation of an Efficient Spike-Encoder," Spiketrum" | |
| CN113935457A (zh) | 一种基于正态分布的脉冲神经网络输入信号编码方法 | |
| Liu et al. | Duffing oscillator weak signal detection method based on EMD signal processing | |
| Zamani et al. | Flexible energy-efficient implementation of adaptive spiking encoder for neuromorphic processors |
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 |