CN112101535B - 脉冲神经元的信号处理方法及相关装置 - Google Patents
脉冲神经元的信号处理方法及相关装置 Download PDFInfo
- Publication number
- CN112101535B CN112101535B CN202010851902.1A CN202010851902A CN112101535B CN 112101535 B CN112101535 B CN 112101535B CN 202010851902 A CN202010851902 A CN 202010851902A CN 112101535 B CN112101535 B CN 112101535B
- Authority
- CN
- China
- Prior art keywords
- pulse
- module
- dendrite
- time data
- neuron
- 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
- 210000002569 neuron Anatomy 0.000 title claims abstract description 144
- 238000003672 processing method Methods 0.000 title abstract description 13
- 210000001787 dendrite Anatomy 0.000 claims abstract description 130
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 50
- 210000004027 cell Anatomy 0.000 claims abstract description 45
- 210000005056 cell body Anatomy 0.000 claims abstract description 43
- 230000000638 stimulation Effects 0.000 claims description 64
- 210000003050 axon Anatomy 0.000 claims description 48
- 239000012528 membrane Substances 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 28
- 210000000225 synapse Anatomy 0.000 claims description 24
- 239000000758 substrate Substances 0.000 claims 4
- 239000000523 sample Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000010365 information processing Effects 0.000 abstract description 5
- 230000036982 action potential Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000001242 postsynaptic effect Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 210000005215 presynaptic neuron Anatomy 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- QUTYKIXIUDQOLK-PRJMDXOYSA-N 5-O-(1-carboxyvinyl)-3-phosphoshikimic acid Chemical compound O[C@H]1[C@H](OC(=C)C(O)=O)CC(C(O)=O)=C[C@H]1OP(O)(O)=O QUTYKIXIUDQOLK-PRJMDXOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 210000000170 cell membrane Anatomy 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000002964 excitative effect Effects 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000002336 repolarization Effects 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 230000004936 stimulating effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000036749 excitatory postsynaptic potential Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002102 hyperpolarization Effects 0.000 description 2
- 230000036734 inhibitory postsynaptic potential Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 101100477360 Arabidopsis thaliana IPSP gene Proteins 0.000 description 1
- KOTOUBGHZHWCCJ-UHFFFAOYSA-N IPSP Chemical compound CCS(=O)CSP(=S)(OC(C)C)OC(C)C KOTOUBGHZHWCCJ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (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)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及类脑计算技术领域，公开了脉冲神经元的信号处理方法及相关装置，该脉冲神经元包括胞体模块和树突模块，该方法包括：利用树突模块接收第一脉冲时空数据；利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据；利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。通过上述方式，能够提升脉冲神经元信息处理过程的生物可解释性。
Description
技术领域
本申请涉及类脑计算技术领域，特别是涉及一种脉冲神经元的信号处理方法及相关装置。
背景技术
深度学习的兴起引发了新一轮人工智能的研究热潮，然而由于深度学习的自身在学习机制上类脑程度比较低的局限性，对不同计算任务的泛化能力较生物大脑弱，难以实现强人工智能。而脉冲神经网络被认为是第三代神经网络，是更具有生物意义、运行机制最类似大脑的神经网络模型。在类脑科学研究中，脉冲神经网络因为其低功耗、高性能的特点而占据核心地位，是更可能实现强人工智能的技术方法。
相关技术的脉冲神经元模型虽然有多种，但是都只关注模拟实现生物神经元胞体的计算特性，生物可解释性不足。
发明内容
本申请主要解决的技术问题是提供脉冲神经元的信号处理方法及相关装置，能够提升脉冲神经元信息处理过程的生物可解释性。
本申请采用的一种技术方案是提供一种脉冲神经元的信号处理方法，该脉冲神经元包括胞体模块和树突模块，该方法包括：利用树突模块接收第一脉冲时空数据；利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据；利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。
其中，第一脉冲时空数据包括至少一个第一电流信号；利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据，包括：获取经过树突模块中目标树突传导的第一电流信号；利用树突模块中目标树突的延迟系数对第一电流信号进行处理，得到延时处理后的第一电流信号；将延时处理后的第一电流信号确定为第二脉冲时空数据。
其中，第一电流信号为第一刺激电流；该方法还包括：获取第一刺激电流到达树突模块中目标树突的第一时刻；利用树突模块中目标树突的延迟系数计算出树突模块中目标树突对第一刺激电流的第一延时时间；利用第一时刻和第一延时时间计算得到第一刺激电流到达胞体模块的第二时刻。
其中，该方法还包括：获取脉冲神经元的电生理性质信息；基于电生理性质信息确定目标预设模型；利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据，包括：在胞体模块接收树突模块传导的第二脉冲时空数据时，将第二脉冲时空数据输入至目标预设模型，以得到脉冲神经元的膜电势和脉冲信号。
其中，将第二脉冲时空数据输入至目标预设模型，以得到脉冲神经元的膜电势和脉冲信号，包括：将第二脉冲时空数据输入至目标预设模型，得到脉冲神经元的膜电势；若膜电势大于设定阈值，则生成第一脉冲信号；若膜电势小于或等于设定阈值，则生成第二脉冲信号。
其中，脉冲神经元还包括轴突模块；
利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据之后，包括：利用轴突模块对第三脉冲时空数据进行延时处理，得到第四脉冲时空数据，并将第四脉冲时空数据发送至下一脉冲神经元。
其中，利用轴突模块对第三脉冲时空数据进行延时处理，得到第四脉冲时空数据，并将第四脉冲时空数据发送至下一脉冲神经元，包括：根据第三脉冲时空数据计算出第二电流信号；利用轴突模块中目标轴突的延迟系数对第二电流信号进行处理，得到延时处理后的第二电流信号；将延时处理后的第二电流信号确定为第四脉冲时空数据，并将第四脉冲时空数据发送至下一脉冲神经元。
其中，第二电流信号为第二刺激电流；该方法还包括：获取第二刺激电流从胞体模块出发的第三时刻；利用轴突模块中目标轴突的延迟系数计算出目标轴突对第二刺激电流的第二延时时间；利用第三时刻和第二延时时间计算得到第二刺激电流到达突触的第四时刻。
本申请采用的另一种技术方案是提供一种电子设备，该电子设备包括处理器以及与处理器耦接的存储器；其中，存储器用于存储程序数据，处理器用于执行程序数据，以实现上述技术方案提供的方法。
本申请采用的另一种技术方案是提供一种计算机可读存储介质，该计算机可读存储介质用于存储程序数据，程序数据在被处理器执行时，用于实现上述技术方案提供的方法。
本申请的有益效果是：区别于现有技术的情况，本申请的一种脉冲神经元的信号处理方法，该脉冲神经元包括胞体模块和树突模块，该方法包括：利用树突模块接收第一脉冲时空数据；利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据；利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。通过上述方式，在树突模块对第一脉冲数据进行延时处理，能够使脉冲神经元的模拟更加接近生物神经元，进而脉冲神经元得到的第三脉冲时空数据更加接近生物神经元的胞体输出的数据，能够提升脉冲神经元信息处理过程的生物可解释性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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获得其他的附图。其中：
图1是本申请提供的脉冲神经元的信号处理方法第一实施例的流程示意图；
图2是本申请提供的膜电势变化曲线的一对比示意图；
图3是本申请提供的刺激电流变化曲线的一对比示意图；
图4是本申请提供的脉冲神经元的信号处理方法第二实施例的流程示意图；
图5是本申请提供的膜电势变化曲线的又一对比示意图；
图6是本申请提供的刺激电流变化曲线的又一对比示意图；
图7是本申请提供的脉冲神经元的信号处理方法第三实施例的流程示意图；
图8是本申请提供的图7中步骤74的具体流程示意图；
图9是本申请提供的电子设备一实施例的结构示意图；
图10是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，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，都属于本申请保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
首先对生物神经元进行介绍：
生物神经系统中的信号是以细胞膜的电位变化来传导的。神经元细胞膜内外的电位有差别，外正内负。周围环境和内部变化可以引起膜电位的高低变化。但是这类变化当幅度不大时只是局部的，随着变化幅度的增加，达到一定阈值时，膜电位才会发生突然的变化，产生沿轴突传导的动作电位，也称为脉冲。这种神经元传递的脉冲持续时间为1-2ms，它可以跨越较远的距离进行传递而不致衰减。电位变化的幅度和传导速度都因神经轴突纤维的种类不同而不同。但对一种纤维来说，动作电位和传导速度是一定的，在全范围内，动作电位的产生与否取决于刺激强度是否大于阈值，这种现象称为“全或无”(all or none)定律。
神经元未受刺激时，细胞膜内外两侧存在电位差，称为静息电位(restingpotential)，一般在-80～-40mv。当神经元受到外界刺激时，突触后电位的总和超过某一阈值时，神经元产生一个不衰减的“全或无”式的沿神经纤维的神经活动，即动作电位或脉冲。动作电位的动态变化过程包括一个迅速的去极化正向电位变化和缓慢的复极化负向电位变化。动作电位的另一特征是电位的极性在峰电位顶端倒转，细胞内由静息时的负电位变为正电位，这一过程叫做超射。神经元动作电位的产生会导致局部的兴奋性发生一系列的变化。大致在动作电位的复极化阶段(repolarization phase)，无论用任何强的刺激都不能再引起动作电位，这个阶段称为绝对不应期(absolute refraction period)；在随后的短时间内，动作电位进入超极化阶段(hyperpolarization phase)，用比原来强的刺激方能引起动作电位，而且反应幅度还会小一些，这个阶段称为相对不应期(relativerefraction period)，神经元对信号的传递方式在很大程度上与神经元的电学特性有关。
生物神经系统在内外刺激作用下，使得神经元按照一定时间间隔产生一系列的动作电位，称为脉冲序列(spike train)。神经元发放的单个动作电位或者脉冲是信号传递的基本单元，因为所有脉冲的波形都是相似的，所以动作电位的形状不会携带任何信息，而传递有用神经信息的是脉冲的发放时间和频率。一个神经元就是一个整合器，随时都在接受成百上千的信息，随时都在对外接受的信息进行加工，使相同的信息加在一起，相反的信息互相抵消，然后决定是兴奋还是保持抑制，这就是神经元的整合(integration)作用。如，一个生物神经元通过其大量的树突接受其他突触前神经元发放的各不相同的脉冲序列作为输入，通过突触的作用和神经元胞体的信息整合，神经元发放一定时间间隔的脉冲序列，又通过轴突成为其他神经元的输入。
从突触前神经元传入的脉冲信号引起突触后神经元膜电位发生的变化成为突触后电位(postsynaptic potential)，具有局部电位的性质。一个神经元通常有许多突触，其中有些是兴奋性的，有些是抑制性的。对于从突触前神经元传来的多个脉冲，由于突触类型的不同，突触后电位可分为兴奋性和抑制性两类。兴奋性突触使得突触后神经元的膜去极化，产生正的突触后电位，成为兴奋性突触后电位(excitatory postsynaptic potential，EPSP)。EPSP在传入脉冲到达突触后神经元0.3-0.5ms之后产生，它有一个较快的上升过程和缓慢的指数衰减过程，电位总共持续10-20ms。抑制性突触使突触后神经元的膜超极化，产生负的突触后电位，称为抑制性突触后电位(inhibitory postsynaptic potential，IPSP)，IPSP到达峰值时间和EPSP相似。
脉冲神经元是对生物神经元的抽象模拟，根据生物大脑依靠脉冲的时序进行数据计算和信息传输的特性，依靠脉冲神经元模型来模拟出脉冲神经元。脉冲神经网络由脉冲神经元互联形成，所以脉冲神经元模型在对生物神经元的抽象水平和自身的计算能力等方面影响脉冲神经网络的实际性能。
在相关技术中，只关注模拟实现生物神经元胞体的计算特性，但是真实的神经元除了胞体还包含轴突、树突和突触等结构，生物神经元对数据的计算同样离不开这些结构。
为了解决上述问题，本申请利用树突模块接收第一脉冲时空数据；利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据；利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。能够更加真实的模拟出与生物神经元相似度脉冲神经元。具体实施方式请详见下述实施例。
参阅图1，图1是本申请提供的脉冲神经元的信号处理方法第一实施例的流程示意图。脉冲神经元包括胞体模块和树突模块，其中，树突模块包括至少一个树突，每个树突连接胞体模块。该方法包括：
步骤11：利用树突模块接收第一脉冲时空数据。
在一些实施例中，每个脉冲神经元在进行信号处理之前均需要对脉冲神经元中的胞体模块和树突模块进行初始化设置。如，确定脉冲神经元中树突模块中树突的数量、树突与前一脉冲神经元的连接关系、初始化树突向量、确定脉冲神经元的电生理性质、确定胞体模块对应的脉冲神经元模型以及初始化该模型的参数。
在一些实施例中，在对脉冲神经元初始化完成后，利用树突模块接收第一脉冲时空数据。其中，第一脉冲时空数据可以是通过人为设置产生的，也可以是与当前脉冲神经元连接的其余脉冲神经元发送的。脉冲时空数据可以用于表征神经元在某个时间点某个部位的表达。具体的，脉冲时空数据为按照时间排序的矩阵序列，矩阵中的元素表示在对应结构部位和对应时间点上的刺激电流信号。可以理解，脉冲神经元是对生物神经元的模拟，而生物神经元位于大脑的不同脑区，则可以模拟出对应脑区的生物神经元的脉冲神经元。
在一些实施例中，因树突模块中包括至少一个树突，第一脉冲时空数据的数量可以有多个，可供每个树突得到第一脉冲时空数据。具体地，多个第一脉冲时空数据的内容可以是相同的，也可以是不同，根据实际需求进行设置。
步骤12：利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据。
在一些实施例中，利用树突模块对第一脉冲时空数据进行延时处理，可以使脉冲神经元的模拟更加接近真实的生物神经元。可以理解，树突模块中包括至少一个树突，每个树突对第一脉冲数据进行对应的延时处理，得到第二脉冲时空数据。每个树突在初始化时均设置了相应的延迟系数，通过延迟系数对第一脉冲时空数据进行处理。
在一些实施例中，树突模块中的每个树突均与胞体模块连接，在每个树突对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据后，则将第二脉冲时空数据发送至胞体模块。可以理解，树突模块中的多个树突对第一脉冲时空数据进行延时处理，得到对应的多个第二脉冲时空数据后，由于每个第二脉冲时空数据发送至胞体模块的时间基于树突产生的，存在部分第二脉冲时空数据发送至胞体模块的时间是相同的。具体的，可以根据实际需要在初始化时对树突模块进行设置。
步骤13：利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。
在一些实施例中，胞体模块对应多个预设模型。在胞体模块接收到第二脉冲时空数据时，根据当前脉冲神经元的电生理性质从多个预设模型中确定目标预设模型，利用目标预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。如，预设模型可以是Hodgkin-Huxley模型、积分发放模型、脉冲响应模型、Izhikevich模型中的至少一种。
其中，脉冲神经元的电生理性质可以在初始化胞体模块时进行设置，电生理性质是根据真实的生物神经元而确定的。可以理解，由于生物神经元在脑部位置的不同，电生理性质也不相同，由此在形成脉冲神经元时，需要在胞体模块中对应采用匹配的模型。
在一些实施例中，由于胞体模块接收到的第二脉冲时空数据的时间存在不同，则胞体模块在接收到一次第二脉冲时空数据时，就采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。
其中，第三时空数据中包括胞体模块输出膜电势以及脉冲信号。在一些实施例中，脉冲信号基于膜电势产生。
在一些实施例中，结合图2和图3进行说明，图2是本申请提供的膜电势变化曲线的一对比示意图，用于展示本申请与相关技术中胞体模块处理刺激电流后的膜电势变化曲线的对比，图3是本申请提供的刺激电流变化曲线的一对比示意图，用于展示本申请与相关技术方案中刺激电流到达胞体模块的变化曲线对比图。如图3所示，假设当前刺激电流的总量2mA，相关技术中胞体模块一个接收2mA的刺激电流，则会形成如图3所示的相关技术的刺激电流变化曲线，进而经过胞体模块的处理，得到如图2所示的相关技术的膜电势变化曲线。本申请将这2mA的刺激电流按照树突模块中树突的数量进行均分，如8个树突，则每个树突上的刺激电流为0.25mA。因每个树突对其对应的刺激电流进行延时处理，则胞体模块会在不同的时刻接收到每个树突发送刺激电流，则会形成如图3所示的本申请的刺激电流变化曲线，进而经过胞体模块的处理，得到如图2所示的本申请的膜电势变化曲线。
通过图2和图3所示的膜电势变化曲线以及刺激电流变化曲线，能够得出本申请技术方案使脉冲神经元更具有生物可解释性，更加适用于神经形态计算的软硬件平台设计、开发和应用。
本实施例的一种脉冲神经元的信号处理方法，该脉冲神经元包括胞体模块和树突模块，该方法包括：利用树突模块接收第一脉冲时空数据；利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据；利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。通过上述方式，在树突模块对第一脉冲数据进行延时处理，能够使脉冲神经元的模拟更加接近生物神经元，进而脉冲神经元得到的第三脉冲时空数据更加接近生物神经元的胞体输出的数据，能够提升脉冲神经元信息处理过程的生物可解释性。
参阅图4，图4是本申请提供的脉冲神经元的信号处理方法第二实施例的流程示意图。该方法包括：
步骤41：利用树突模块接收第一脉冲时空数据。
其中，第一脉冲时空数据包括零个或至少一个第一电流信号。具体地，第一电流信号为第一刺激电流信号。
步骤42：接收经过树突模块中目标树突传导的第一电流信号。
在一些实施例中，树突模块中包括至少一个树突，每个树突的一端与胞体模块连接，另一端可以与至少一个其他神经元的突触连接，也可以不与其他神经元的突触连接。与至少一个其他神经元的突触连接的树突才可以传导第一电路信号。在一应用场景中可以设置部分树突与至少一个其他神经元的突触连接，剩余部分树突不与其他神经元的突触连接，以使脉冲神经元更加接近真实生物神经元。
步骤43：利用树突模块中目标树突的延迟系数对第一电流信号进行处理，得到延时处理后的第一电流信号。
在一些实施例中，将第一电流信号到达目标树突末梢的时刻td0加上目标树突对应的延时时间之后得到该第一电流信号到达胞体的时刻td1。可以理解，因生物神经元中树突具有不同的长度，因此刺激电流从树突到达胞体的时间也不相同，由此通过树突的长度来确定延迟系数，进而控制第一电流信号到达胞体模块的时间。
在一些实施例中，因为树突连接多个突触，则可能在同一时刻存在多个突触向树突发送刺激电流，此时则需要每个发送刺激电流的突触发送的刺激电流进行求和以及延时处理。
在一些实施例中，第一电流信号为第一刺激电流，则获取第一刺激电流到达树突模块中目标树突的第一时刻；其中，第一时刻用于表示第一刺激电流到达目标树突末梢的时刻。利用树突模块中目标树突的延迟系数计算出树突模块中目标树突对第一刺激电流的第一延时时间；利用第一时刻和第一延时时间计算得到第一刺激电流到达胞体模块的第二时刻。如第一时刻为t1，第一延时时间为Δt，则第二时刻为t1+Δt。当第二时刻时，第一刺激电流到达胞体模块。
步骤44：将延时处理后的第一电流信号确定为第二脉冲时空数据。
步骤45：利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。
在一些实施例中，第三脉冲时空数据可以是膜电势和脉冲信号。
在一些实施例中，胞体模块对应多个预设模型。在胞体模块接收到第二脉冲时空数据时，根据当前脉冲神经元的电生理性质从多个预设模型中确定目标预设模型，利用目标预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。
V(t)＝f(Iim(t))。
其中，V(t)为脉冲神经元的膜电势表示函数，f(Iim(t))表示多个预设模型中目标预设模型的数学模型。
目标预设模型为Izhikevich模型时，
f(I(t))＝∫(0.04V(t)2+5V(t)+140-u(t)+I(t))dt。
Izhikevich模型的数学模型为：
公式1：
公式2：
其中，I表示刺激电流，v为脉冲神经元的膜电势，u为脉冲神经元膜电势的恢复变量，a为恢复变量u的时间度量，b表示u对膜电势v波动的敏感程度，c表示发出脉冲后膜电势的重置值，d表示重置后u的增加程度。
目标预设模型为泄露积分发放模型时，
泄露积分发放模型的数学模型为：
其中，Vm表示脉冲神经元的膜电势，Cm为脉冲神经元的膜电容，I(t)为外界输入电流，即上述第二脉冲时空数据，Rm为漏电流项，Rm使脉冲神经元在无输入时膜电势可以恢复为静息电位。
将第二脉冲时空数据输入至目标预设模型，得到脉冲神经元的膜电势，若膜电势大于设定阈值，则生成第一脉冲信号。若膜电势小于或等于设定阈值，则生成第二脉冲信号。
具体的表达式如下：
其中，S(t)为脉冲神经元的脉冲发放函数，T为设定阈值。在膜电势大于设定阈值时，则生成第一脉冲信号，即S(t)＝1；若膜电势小于或等于设定阈值，则生成第二脉冲信号，即S(t)＝0。
可以理解，在第一时空数据为零个第一电流信号时，胞体模块不会接收到延迟的第一电流信号，则生成第二脉冲信号。
在一应用场景中，随着时间的推移，胞体模块能够生成基于第一脉冲信号和第二脉冲信号组合形成的脉冲信号，该脉冲信号能够反映出脉冲神经元的信息，为后续的工作提供基础。
在一些实施例中，结合图5和图6进行说明：图5是本申请提供的膜电势变化曲线的又一对比示意图，用于展示本申请与相关技术中胞体模块处理刺激电流后的膜电势变化曲线的对比，图6是本申请提供的刺激电流变化曲线的又一对比示意图，用于展示本申请与相关技术方案中刺激电流到达胞体模块的变化曲线对比图。如图6所示，假设当前刺激电流的总量20mA，相关技术中胞体模块接收20mA的刺激电流，则会形成如图6所示的相关技术的刺激电流变化曲线，进而经过胞体模块的处理，得到如图5所示的相关技术的膜电势变化曲线。本申请将这20mA的刺激电流按照树突模块中树突的数量进行均分，如32个树突，则每个树突上的刺激电流为0.625mA。因每个树突对其对应的刺激电流进行延时处理，则胞体模块会在不同的时刻接收到每个树突发送的电流值为0.625mA的刺激电流，则会形成如图6所示的本申请的刺激电流变化曲线，进而经过胞体模块的处理，得到如图5所示的本申请的膜电势变化曲线。
通过图5和图6所示的膜电势变化曲线以及刺激电流变化曲线，能够得出本实施例的技术方案使脉冲神经元更具有生物解释性，更加适用于神经形态计算的软硬件平台设计、开发和应用。
在本实施例中，在树突模块对第一脉冲数据进行延时处理，能够使脉冲神经元的模拟更加接近生物神经元，进而脉冲神经元得到的第三脉冲时空数据更加接近生物神经元的胞体输出的数据，能够提升脉冲神经元的生物解释性。且根据电生理性质的不同，在胞体模块选择对应的预设模型，可以利用不同预设模型的优点，提升脉冲神经元的生物解释性。
参阅图7，图7是本申请提供的脉冲神经元的信号处理方法第三实施例的流程示意图。本实施例中的脉冲神经元包括树突模块、胞体模块和轴突模块，树突模块连接胞体模块，胞体模块连接轴突模块。该方法包括：
步骤71：利用树突模块接收第一脉冲时空数据。
在一些实施例中，第一脉冲时空数据为带有时间序列的刺激电流。
步骤72：利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据。
在一些实施例中，树突对输入的脉冲时空数据进行处理，具体使用如下表达式：
其中，t表示刺激电流传入的时刻，Iin表示突触前神经元传导到当前神经元的电流，表示经过第i个树突传导的刺激电流，Ii,j表示从某突触前神经元与第i个树突相连的第j个突触。N表示和第i个树突相连的突触数量；Di表示第i个树突上的延迟系数，M表示当前神经元的树突模块中的树突数量。E为其它神经元与当前神经元的树突模块中的树突相连突触部分的存在矩阵，E为0、1矩阵，0表示突触不存在，1表示突触存在。其中，Ei,j为0时，表示第i个树突未与第j个突触连接，Ei,j为1时，表示第i个树突与第j个突触连接。
通过上述公式，可以得到刺激电流从第i个树突到达胞体模块的时刻。在刺激电流到达胞体模块时，执行步骤73。
步骤73：利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。
步骤73具有与上述实施例相同或相似的技术方案，这里不做赘述。
步骤74：利用轴突模块对第三脉冲时空数据进行延时处理，得到第四脉冲时空数据，并将第四脉冲时空数据发送至下一脉冲神经元。
其中，第四脉冲时空数据为延时的刺激电流。这里的刺激电流与上述树突模块出的刺激电流不是同一个。
在一些实施例中，利用轴突模块对第三脉冲时空数据进行延时处理，可以使脉冲神经元的模拟更加接近真实的生物神经元。可以理解，轴突模块中包括至少一个轴突，每个轴突对第三脉冲时空数据进行对应的延时处理，得到第四脉冲时空数据。具体的，第三脉冲时空数据和第四脉冲时空数据的区别在于对应的时刻不同。每个轴突在初始化时均设置了相应的延迟系数，通过延迟系数对第三脉冲时空数据进行处理。
在一些实施例中，轴突模块中的每个轴突均与胞体模块连接，在胞体模块得到第三脉冲时空数据后，基于第三脉冲时空信号中的脉冲信号来生成刺激电流，并将刺激电流传入每一个轴突。然后每一个轴突对刺激电流进行延时处理，刺激电流在对应的时刻输入与其连接的下一个脉冲神经元。
在一实施例中，参阅图8，步骤74的具体流程如下：
步骤741：根据第三脉冲时空数据计算出第二电流信号。
在一些实施例中，第三脉冲时空数据包括脉冲信号。若脉冲信号为1，则确定第二电流信号为设定阈值，若脉冲信号为0，则确定第二电流信号为0。
具体地表达式为其中，S(t)表示第三脉冲时空数据，/>为设定阈值。Iout(t)表示当前脉冲神经元脉冲发放后的动作电流，即第二电流信号。
步骤742：利用轴突模块中目标轴突的延迟系数对第二电流信号进行处理，得到延时处理后的第二电流信号。
在一些实施例中，确定第二电流信号从胞体模块出发的时刻ta0加上目标轴突对应的延时时间Δt，得到第二电流信号到达突触的时刻ta0+Δt。
在一些实施例中，第二电流信号为第二刺激电流；获取第二刺激电流从胞体模块出发的第三时刻；利用轴突模块中的目标轴突的延迟系数计算出目标轴突对第二刺激电流的第二延时时间；利用第三时刻和第二延时时间计算得到第二刺激电流到达突触的第四时刻。
具体的，用以下公式进行表达：
Iout(t+Ak)'k＝Iout(t)(k∈(0,K))。
其中，Ioutk表示经过第k个轴突传导到该轴突末端的电流值，即第二刺激电流。A表示电流在轴突上传导的过程中的动作电流从胞体到轴突末端的延迟系数向量矩阵。Ak表示第k个轴突上的延迟系数，K表示当前神经元的轴突数量。
可以理解，轴突模块包括多个轴突，每个轴突与胞体模块连接，每个轴突接收到的电流值是相同的。
步骤743：将延时处理后的第二电流信号确定为第四脉冲时空数据，并将第四脉冲时空数据发送至下一脉冲神经元。
可以理解，因每个轴突的延迟系数不同，则将第四脉冲时空数据发送至下一脉冲神经元的时刻也不尽相同。
通过上述方式，利用树突和轴突模块分别对其输入的刺激电流进行延时处理，使得脉冲神经元更加接近生物神经元，能够提升脉冲神经元信息处理过程的生物可解释性。
参阅图9，图9是本申请提供的电子设备一实施例的结构示意图。该电子设备90包括处理器91以及与处理器91耦接的存储器92；其中，存储器92用于存储程序数据，处理器91用于执行程序数据，以实现以下方法步骤：
利用树突模块接收第一脉冲时空数据；利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据；利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。
可以理解，处理器91用于执行程序数据，以实现上述实施例中任一方法。
参阅图10，图10是本申请提供的计算机可读存储介质一实施例的结构示意图。该计算机可读存储介质100用于存储程序数据101，程序数据101在被处理器执行时，用于实现以下方法步骤：
利用树突模块接收第一脉冲时空数据；利用树突模块对第一脉冲时空数据进行延时处理，得到第二脉冲时空数据；利用胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据。
可以理解，程序数据101在被处理器执行时，还用于实现上述实施例中任一方法。
在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种脉冲神经元的信号处理方法，其特征在于，所述脉冲神经元包括胞体模块和树突模块，所述方法包括：
利用所述树突模块接收第一脉冲时空数据；
利用所述树突模块对所述第一脉冲时空数据进行延时处理，得到第二脉冲时空数据；
利用所述胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据；
其中，所述第三脉冲时空数据包括所述胞体模块输出的膜电势以及脉冲信号，所述脉冲信号基于所述膜电势产生；
所述胞体模块输出的脉冲信号，通过如下方式获得：
将传输到所述胞体模块的刺激电流按照所述树突模块中树突的数量进行均分，以使每个所述树突获得均分后的刺激电流；
针对每个所述树突，将获得的所述均分后的刺激电流进行延时处理，获得刺激电流变化曲线；
基于所述胞体模块对所述刺激电流变化曲线进行处理，获得膜电势变化曲线；
根据所述膜电势变化曲线，产生所述脉冲信号。
2.根据权利要求1所述的方法，其特征在于，
所述第一脉冲时空数据包括零个或至少一个第一电流信号；
所述利用所述树突模块对所述第一脉冲时空数据进行延时处理，得到第二脉冲时空数据，包括：
接收经过所述树突模块中目标树突传导的第一电流信号；
利用所述树突模块中目标树突的延迟系数对所述第一电流信号进行处理，得到延时处理后的所述第一电流信号；
将延时处理后的所述第一电流信号确定为所述第二脉冲时空数据。
3.根据权利要求2所述的方法，其特征在于，
所述第一电流信号为第一刺激电流；
所述方法还包括：
获取所述第一刺激电流到达所述树突模块中目标树突的第一时刻；
利用所述树突模块中目标树突的延迟系数计算出所述树突模块中目标树突对所述第一刺激电流的第一延时时间；
利用所述第一时刻和所述第一延时时间计算得到所述第一刺激电流到达胞体模块的第二时刻。
4.根据权利要求1所述的方法，其特征在于，
所述方法还包括：
获取脉冲神经元的电生理性质信息；
基于所述电生理性质信息确定目标预设模型；
所述利用所述胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据，包括：
在所述胞体模块接收所述树突模块传导的第二脉冲时空数据时，将所述第二脉冲时空数据输入至目标预设模型，以得到所述脉冲神经元的膜电势和脉冲信号。
5.根据权利要求4所述方法，其特征在于，
所述将所述第二脉冲时空数据输入至目标预设模型，以得到所述脉冲神经元的膜电势和脉冲信号，包括：
将所述第二脉冲时空数据输入至所述目标预设模型，得到所述脉冲神经元的膜电势；
若所述膜电势大于设定阈值，则生成第一脉冲信号；
若所述膜电势小于或等于设定阈值，则生成第二脉冲信号。
6.根据权利要求1所述的方法，其特征在于，
所述脉冲神经元还包括轴突模块；
所述利用所述胞体模块采用预设模型对第二脉冲时空数据进行处理，得到第三脉冲时空数据之后，包括：
利用所述轴突模块对所述第三脉冲时空数据进行延时处理，得到第四脉冲时空数据，并将所述第四脉冲时空数据发送至下一脉冲神经元。
7.根据权利要求6所述的方法，其特征在于，
所述利用所述轴突模块对所述第三脉冲时空数据进行延时处理，得到第四脉冲时空数据，并将所述第四脉冲时空数据发送至下一脉冲神经元，包括：
根据所述第三脉冲时空数据计算出第二电流信号；
利用所述轴突模块中目标轴突的延迟系数对所述第二电流信号进行处理，得到延时处理后的所述第二电流信号；
将延时处理后的所述第二电流信号确定为第四脉冲时空数据，并将所述第四脉冲时空数据发送至下一脉冲神经元。
8.根据权利要求7所述的方法，其特征在于，
所述第二电流信号为第二刺激电流；
所述方法还包括：
获取所述第二刺激电流从所述胞体模块出发的第三时刻；
利用所述轴突模块中目标轴突的延迟系数计算出所述目标轴突对所述第二刺激电流的第二延时时间；
利用所述第三时刻和所述第二延时时间计算得到所述第二刺激电流到达突触的第四时刻。
9.一种电子设备，其特征在于，所述电子设备包括处理器以及与处理器耦接的存储器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据，以实现如权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序数据，所述程序数据在被处理器执行时，用于实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010851902.1A CN112101535B (zh) | 2020-08-21 | 2020-08-21 | 脉冲神经元的信号处理方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010851902.1A CN112101535B (zh) | 2020-08-21 | 2020-08-21 | 脉冲神经元的信号处理方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101535A CN112101535A (zh) | 2020-12-18 |
| CN112101535B true CN112101535B (zh) | 2024-04-09 |
Family
ID=73753143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010851902.1A Active CN112101535B (zh) | 2020-08-21 | 2020-08-21 | 脉冲神经元的信号处理方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101535B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597980B (zh) * | 2021-03-04 | 2021-06-04 | 之江实验室 | 一种面向动态视觉传感器的类脑手势序列识别方法 |
| CN113627599B (zh) * | 2021-06-22 | 2023-11-24 | 深圳微灵医疗科技有限公司 | 神经元信号的处理方法、处理装置以及可读存储介质 |
| 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 |
| CN114897143A (zh) * | 2022-02-20 | 2022-08-12 | 北京大学 | 神经元单元电路、脉冲神经网络及智能物联网芯片 |
| CN116011563B (zh) * | 2023-03-28 | 2023-07-21 | 之江实验室 | 一种面向脉冲中继的高性能脉冲发送仿真方法和装置 |
| CN116205784B (zh) * | 2023-05-04 | 2023-08-01 | 北京科技大学 | 一种基于事件时间触发神经元的光流识别系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101770560A (zh) * | 2008-12-31 | 2010-07-07 | 南方医科大学 | 模拟生物神经元信息处理机制的信息处理方法及装置 |
| CN103679265A (zh) * | 2013-11-21 | 2014-03-26 | 大连海联自动控制有限公司 | 一种多特性仿生统一神经元模型 |
| CN104899640A (zh) * | 2014-07-21 | 2015-09-09 | 徐志强 | 神经网络的模拟装置及方法 |
| CN108334942A (zh) * | 2017-12-22 | 2018-07-27 | 清华大学 | 神经网络的数据处理方法、装置、芯片和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9092735B2 (en) * | 2011-09-21 | 2015-07-28 | Qualcomm Incorporated | Method and apparatus for structural delay plasticity in spiking neural networks |
| US20150046381A1 (en) * | 2013-08-06 | 2015-02-12 | Qualcomm Incorporated | Implementing delays between neurons in an artificial nervous system |
| US20150269479A1 (en) * | 2014-03-24 | 2015-09-24 | Qualcomm Incorporated | Conversion of neuron types to hardware |
-
2020
- 2020-08-21 CN CN202010851902.1A patent/CN112101535B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101770560A (zh) * | 2008-12-31 | 2010-07-07 | 南方医科大学 | 模拟生物神经元信息处理机制的信息处理方法及装置 |
| CN103679265A (zh) * | 2013-11-21 | 2014-03-26 | 大连海联自动控制有限公司 | 一种多特性仿生统一神经元模型 |
| CN104899640A (zh) * | 2014-07-21 | 2015-09-09 | 徐志强 | 神经网络的模拟装置及方法 |
| CN108334942A (zh) * | 2017-12-22 | 2018-07-27 | 清华大学 | 神经网络的数据处理方法、装置、芯片和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 脉冲神经网络:模型、学习算法与应用;程龙 等;《控制与决策》;第33卷(第5期);第923-937页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101535A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101535B (zh) | 脉冲神经元的信号处理方法及相关装置 | |
| KR101793011B1 (ko) | 스파이킹 네트워크들의 효율적인 하드웨어 구현 | |
| US9330355B2 (en) | Computed synapses for neuromorphic systems | |
| US9558442B2 (en) | Monitoring neural networks with shadow networks | |
| KR20170031695A (ko) | 신경망들에서의 콘볼루션 동작의 분해 | |
| JP2016538632A (ja) | 教師あり学習を使用してクラスにタグ付けするための方法および装置 | |
| EP3097519A1 (en) | Configuring sparse neuronal networks | |
| US20150212861A1 (en) | Value synchronization across neural processors | |
| US9361545B2 (en) | Methods and apparatus for estimating angular movement with a single two dimensional device | |
| KR20160125967A (ko) | 일반적인 뉴런 모델들의 효율적인 구현을 위한 방법 및 장치 | |
| CN114118383A (zh) | 基于多突触可塑性脉冲神经网络快速记忆编码方法和装置 | |
| US20140310216A1 (en) | Method for generating compact representations of spike timing-dependent plasticity curves | |
| JP2016532216A (ja) | 人工神経システムにおけるブレークポイント決定ユニットを実現するための方法および装置 | |
| KR101782760B1 (ko) | 시냅스 지연의 동적 할당 및 검사 | |
| 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 | |
| US9449272B2 (en) | Doppler effect processing in a neural network model | |
| US9342782B2 (en) | Stochastic delay plasticity | |
| US9418332B2 (en) | Post ghost plasticity | |
| CN117275568A (zh) | 一种初级听皮层神经元细胞发放率曲线仿真方法和装置 | |
| WO2015088689A1 (en) | Effecting modulation by global scalar values in a spiking neural network | |
| CN110874629A (zh) | 基于兴奋性与抑制性stdp的储备池网络的结构优化方法 | |
| Furuya et al. | Semi-supervised learning combining backpropagation and STDP: STDP enhances learning by backpropagation with a small amount of labeled data in a spiking neural network | |
| US20150213356A1 (en) | Method for converting values into spikes | |
| US20140365413A1 (en) | Efficient implementation of neural population diversity in neural system | |
| US11289175B1 (en) | Method of modeling functions of orientation and adaptation on visual cortex |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230731 Address after: 518000 c1902p, building 1, Shenzhen software industry base, No. 81, 83 and 85, Gaoxin South 10th Road, Binhai community, Yuehai street, Nanshan District, Shenzhen, Guangdong Applicant after: Shenzhen Weiling Medical Technology Co.,Ltd. Address before: 1068 No. 518055 Guangdong city of Shenzhen province Nanshan District Shenzhen University city academy Avenue Applicant before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |