CN112434795A - 一种新型三维人工神经元装置及人工神经网络识别系统 - Google Patents

一种新型三维人工神经元装置及人工神经网络识别系统 Download PDF

Info

Publication number
CN112434795A
CN112434795A CN202011383107.0A CN202011383107A CN112434795A CN 112434795 A CN112434795 A CN 112434795A CN 202011383107 A CN202011383107 A CN 202011383107A CN 112434795 A CN112434795 A CN 112434795A
Authority
CN
China
Prior art keywords
neural network
module
artificial
identification
layer sub
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
Application number
CN202011383107.0A
Other languages
English (en)
Inventor
陈祖刚
李国庆
李静
张连翀
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute 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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202011383107.0A priority Critical patent/CN112434795A/zh
Publication of CN112434795A publication Critical patent/CN112434795A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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

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)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种新型三维人工神经元装置及人工神经网络识别系统，装置包括储存单元，所述储存单元储存有若干人工神经元；所述储存单元内设有预设三维空间模型，所述若干人工神经元处于所述预设三维空间模型内。本发明的新型人工神经元具有与任意其他位置的人工神经元相连接的能力，新型人工神经元可以较为容易的构建出具有多任务处理能力、信息存储能力的人工神经网络。本发明的方法能容易的为神经元添加或者删除神经连接终端，能把神经终端乃至神经元细胞体与任意位置的其他神经元相连接，从而完成复杂的人工神经网络的构建，使人工神经网络具有多任务处理功能，记忆功能，逻辑判断推理功能等等，极大的拓展了现有人工神经网络的功能。

Description

一种新型三维人工神经元装置及人工神经网络识别系统
技术领域
本申请涉及神经网络算法识别应用技术领域，具体而言，涉及一种新型三维人工神经元装置及人工神经网络识别系统。
背景技术
人工神经网络是对生物神经系统结构和功能的抽象和模拟，人工神经网络的基础单元同生物的神经网络的基础单元一致，都是人工神经元，如附图1所示，为现有技术中的人工神经元。
现有技术中，人工神经元有多个输入，每个输入都有一个可调节的权重，所有的输入经过加权求和以后作为神经元的输入，经过激活函数处理以后，变为神经元的输出，通过输出端传输到下一个神经元。其输入可以和上一层人工神经元的输出相连接，其输出可以和下一层的人工神经元的输入相连接。如附图2所示的现有人工神经网络。
现有人工神经网络在图像分类、语音识别等领域取得了巨大的成就，但是依然在逻辑推理，判断决策，记忆存储，多任务处理等方面能力有限，无法取得理想的效果。
现有人工神经网络存在缺陷的根本原因在于：
一是现有人工神经元种类单一，功能简单，与生物大脑中的神经元类型、功能多样有很大区别；
二是，人类尚未掌握人脑神经元之间的连接结构；
三是，现有人工神经元只能上下层之间建立二维平面连接，受限于现有人工神经元结构的限制，现有人工神经元无法与距离较远的其他神经元建立连接。
以上诸多原因造成了现有人工神经网络在实现人工智能方面的缺点和不足，迫切需要结合生物神经元的特点构建新型人工神经元，从而构建新型人工神经网络，提升人工神经网络的能力，促进人工智能技术的进步。
发明内容
本申请的主要目的在于提供一种新型三维人工神经元装置及人工神经网络识别系统，针对现有人工神经元的缺点，提出一种新型的人工神经元，新型的人工神经元具有与任意其他位置的人工神经元相连接的能力。有了新型的人工神经元，可以构建新型的人工神经网络，新型人工神经元可以较为容易的构建出具有多任务处理能力、信息存储能力的人工神经网络。
为了实现上述目的，本申请提供了如下技术：
本发明第一方面在于提出一种新型三维人工神经元装置，包括储存单元，所述储存单元储存有若干人工神经元；所述储存单元内设有预设三维空间模型，所述若干人工神经元处于所述预设三维空间模型内。
优选地，所述人工神经元包括输入端、细胞核和输出端，所述输入端、细胞核和输出端位于所述预设三维空间模型内，且所述人工神经元的输入端、细胞核和输出端皆具有预设的三维空间位置坐标。
本发明第二方面在于一种基于所述的一种新型三维人工神经元装置的人工神经网络识别系统，包括输入层子神经网络模块、识别层子神经网络模块和决策层子神经网络模块，其中，
所述输入层子神经网络模块：用于输入人工神经网络需要处理的原始信号值；
所述识别层子神经网络模块：用于处理人工神经元的输入端接收的信号值；
所述决策层子神经网络模块：用于调取存储的识别内容，并对识别内容进行异同性判断。
优选地，所述人工神经网络识别系统还包括：
存储层子神经网络模块：用于存储所述识别层子神经网络模块的识别内容。
优选地，所述存储层子神经网络模块还用于：
预存待识别概念，所述待识别概念为一个一维向量，所述一维向量作为所述识别层子神经网络模块的目标输出值。
优选地，所述识别层子神经网络模块包括第一特征神经网络识别模块和第二特征神经网络识别模块，
所述第一特征神经网络识别模块：用于根据卷积神经网络识别输入的第一特征值，通过前馈方式输出第一向量；
所述第二特征神经网络识别模块：用于根据卷积神经网络识别输入的第二特征值，并通过前馈方式输出第二向量。
优选的，识别层子神经网络模块还包括映射识别模块：
所述映射识别模块：用于通过第一特征神经网络识别模块和第二特征神经网络识别模块中的卷积神经网络，通过映射识别算法分别映射所述第一向量和第二向量，并比较所述第一向量和第二向量的映射结果与所述目标输出值之间的差值。
优选地，所述的存储层子神经网络模块包括短时记忆存储模块：短时记忆存储模块：通过神经元之间的连接，把识别层子神经网络模块的识别内容，存储到短时记忆存储模块，供决策层子神经网络调取处理分析。
优选地，所述决策层子神经网络模块包括识别输出模块：
所述识别输出模块：通过调取存储层子神经网络短时记忆存储模块存储的值，通过映射识别算法，比较输入数据的异同，给出相同或者不同的判断并输出识别结果。
优选地，所述映射识别算法为前馈-后馈算法。
与现有技术相比较，本申请能够带来如下技术效果：
1、本发明针对现有人工神经元的缺点，提出一种新型的人工神经元，新型的人工神经元具有与任意其他位置的人工神经元相连接的能力。有了新型的人工神经元，可以构建新型的人工神经网络，新型人工神经元可以较为容易的构建出具有多任务处理能力、信息存储能力的人工神经网络。
2、本发明的方法能容易的为神经元添加或者删除神经连接终端，能把神经终端乃至神经元细胞体与任意位置的其他神经元相连接，从而完成复杂的人工神经网络的构建，使人工神经网络具有多任务处理功能，记忆功能，逻辑判断推理功能等等。极大的拓展了现有人工神经网络的功能，为更高级别的人工智能的实现提供了基础的结构保障。
3、本发明能实现这些功能的根本在于本发明赋予了神经元更加强大的连接功能。我们知道，人的大脑虽然有功能分区，但是各个功能分区并不是独立工作的，各个功能分区的神经元之间有着丰富的连接，从而实现复杂丰富的信息传输、处理，从而使得人的智能能处理现实世界各种各样的事情。本发明提出的三维人工神经元更加接近生物大脑中神经元，能与不同功能模块的神经元连接，把一个功能模块处理的信息传输到另外一个功能模块，从而被存储或者进一步加工，从而实现了了人工神经网络的多任务处理和信息存储等功能。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本发明现有技术人工神经元的结构示意图；
图2是本发明现有技术人工神经网络的结构示意图；
图3是本发明新型三维人工神经元装置的组成结构示意图；
图4是本发明处于预设三维空间模型内的人工神经元结构示意图；
图5是本发明人工神经网络识别系统的模块组成结构示意图；
图6是本发明人工神经网络识别系统的人工神经网络结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
另外，术语“多个”的含义应为两个以及两个以上。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
本发明针对现有人工神经元的缺点，提出一种新型的人工神经元，新型的人工神经元具有与任意其他位置的人工神经元相连接的能力。有了新型的人工神经元，可以构建新型的人工神经网络，新型人工神经元可以较为容易的构建出具有多任务处理能力、信息存储能力的人工神经网络。
如附图2所示，本发明第一方面在于提出一种新型三维人工神经元装置，包括储存单元，所述储存单元储存有若干人工神经元；所述储存单元内设有预设三维空间模型，所述若干人工神经元处于所述预设三维空间模型内。
人工神经元接受多路输入刺激，按加权求和超过一定阈值时产生“兴奋”输出的部件来模仿动物神经元的工作方式，并通过这些神经元部件相互联接的结构和反映关联强度的权系数使其“集体行为”具有各种复杂的信息处理功能。
本申请提供的人工神经元，采用模型结构，可以采用储存单元进行储存。储存单元可以在特定的处理器或者处理终端进行执行运算，以此实现人工神经元的数据运算功能。
本发明提出的新的人工神经元具有如下的特点：神经元处在一个三维空间中，其输入端(动物神经元中叫做树突)、细胞核和输出端(动物神经元中叫做轴突)用三维空间位置坐标用(x,y,z)表示，具体如附图4所示，这与动物大脑中的突触都在动物大脑中有一个明确的位置是一致的。
优选地，所述人工神经元包括输入端、细胞核和输出端，所述输入端、细胞核和输出端位于所述预设三维空间模型内，且所述人工神经元的输入端、细胞核和输出端皆具有预设的三维空间位置坐标。
本发明通过给人工神经元的输入端、细胞核和输入端赋予一个三维的空间位置坐标后，可以实现任意一个神经元的输出端与另外一个神经元的输入终端相连接；任意一个神经元的输出端与其自身以及其他神经元的细胞体连接；任意一个神经元的输出端与其他神经元的输出端相连接，只需使得相连接的终端有着相同的坐标即可，这些新的连接方式与哺乳动物大脑中神经元的实际连接情况也是保持一致的。
实施例2
作为本发明提出的一种新型人工神经元使用装置，可以将本研究基于提出的新型人工神经元，构建出一种新的人工神经网络，新型的人工神经网络除了具有学习和分类能力之外，还能实现多任务处理和记忆存储功能，能识别同一对象的不同表达形式。
如附图5所示，
本发明第二方面在于一种基于所述的一种新型三维人工神经元装置的人工神经网络识别系统，包括输入层子神经网络模块、识别层子神经网络模块和决策层子神经网络模块，其中，
所述输入层子神经网络模块：用于输入人工神经网络需要处理的原始信号值；
所述识别层子神经网络模块：用于处理人工神经元的输入端接收的信号值；
所述决策层子神经网络模块：用于调取存储的识别内容，并对识别内容进行异同性判断。
结合附图6所示，本实施例提出的人工神经网络识别系统包括输入层子神经网络模块、识别层子神经网络模块、存储层子神经网络模块和决策层子神经网络模块，分别对应附图6中的输入层、识别层、存储层和决策层。
所述输入层子神经网络模块：用于输入人工神经网络需要处理的原始信号值；
所述识别层子神经网络模块：用于处理人工神经元的输入端接收的信号值；
识别层子神经网络模块，具有2个子网络，分别用于识别图像或者声音等，识别的内容被存储于短时记忆网络，识别层左侧的神经网络其实是一个卷积神经网络(卷积层被省略)，其卷积层的输出结果为向量{X1,X2}，我们需要通过识别层左侧的神经网络把向量{X1,X2}映射为Out＝{Out1}。
所述决策层子神经网络模块：用于调取存储的识别内容，并对识别内容进行异同性判断。
在决策层的神经网络中，可以从短时记忆网络中调取识别结果，并对识别的内容进行异同性判断。
优选地，所述人工神经网络识别系统还包括：
存储层子神经网络模块：用于存储所述识别层子神经网络模块的识别内容。
优选地，所述存储层子神经网络模块还用于：
预存待识别概念，所述待识别概念为一个一维向量，所述一维向量作为所述识别层子神经网络模块的目标输出值。
待识别概念为需要识别的具体对象、事务等。
存储层子神经网络模块，作为短时记忆存储网络，储存识别结果。存储了预设概念或者待识别概念，用一个一维的向量Out＝{Out1}表示，这个一维的向量可以作为识别层子神经网络模块的目标输出值。
优选地，所述识别层子神经网络模块包括第一特征神经网络识别模块和第二特征神经网络识别模块，
所述第一特征神经网络识别模块：用于根据卷积神经网络识别输入的第一特征值，通过前馈方式输出第一向量；
所述第二特征神经网络识别模块：用于根据卷积神经网络识别输入的第二特征值，并通过前馈方式输出第二向量。
识别层子神经网络模块包括第一特征神经网络识别模块和第二特征神经网络识别模块，
第一特征神经网络识别模块：识别层左侧(图示位置)的神经网络其实是一个卷积神经网络(卷积层被省略)，其卷积层的输出结果为向量{X1,X2}，需要通过识别层左侧的神经网络把向量{X1,X2}映射为Out＝{Out1}，这里采用的是前馈-后馈算法实现；
第二特征神经网络识别模块：用同样的方法训练识别层右侧的神经网络，训练完毕后两个网络分别具有图像和声音的识别能力。
优选地，所述识别层子神经网络模块还包括映射识别模块：
所述映射识别模块：用于通过第一特征神经网络识别模块和第二特征神经网络识别模块中的卷积神经网络，通过映射识别算法分别映射所述第一向量和第二向量，并比较所述第一向量和第二向量的映射结果与所述目标输出值之间的差值。
在存储层子神经网络模块的短时记忆网络中存储了目标内容，用一个一维的向量Out＝{Out1}表示，这个一维的向量可以作为识别层子神经网络模块的目标输出值。
识别层左侧的神经网络其实是一个卷积神经网络(卷积层被省略)，其卷积层的输出结果为向量{X1,X2}，需要通过识别层左侧的神经网络把向量{X1,X2}映射为Out＝{Out1}。
优选地，所述的存储层子神经网络模块包括短时记忆存储模块：短时记忆存储模块：通过神经元之间的连接，把识别层子神经网络模块的识别内容，存储到短时记忆存储模块，供决策层子神经网络调取处理分析。
优选地，所述决策层子神经网络模块包括识别输出模块：
所述识别输出模块：通过调取存储层子神经网络短时记忆存储模块存储的值，通过映射识别算法，比较输入数据的异同，给出相同或者不同的判断并输出识别结果。
优选地，所述映射识别算法为前馈-后馈算法。
首先对神经网络进行训练：
本实施例以一张狗的图片和一段狗的叫声为例，讲解算法的实现。
在存储层子神经网络模块的短时记忆网络中存储了叫做“狗”的概念，用一个一维的向量表示，这个一维的向量可以作为识别层子神经网络模块的目标输出值。
其次，训练完毕后。两个网络分别具有图像和声音的识别能力，假设两个网络分别具有识别狗的照片和狗的叫声的能力。
步骤一，前馈，即公式1：
fin＝W1*X1+W2*X2
Figure BDA0002808990190000131
gin＝W3*X1+W4*X2
Figure BDA0002808990190000132
hin＝W5*X1+W6*X2
Figure BDA0002808990190000133
din＝W13*fout+W14*gout+W15*hout
Figure BDA0002808990190000134
(由于神经元f,g,h的输出端的坐标和d神经元的输入端3个坐标的值相等，说明他们它们是相连接的)
步骤二，计算输入输出误差，即公式2：
Figure BDA0002808990190000135
步骤三，如果E小于某个阈值，训练完成，如果E大于某个阈值，执行后馈公式3：(其中δ为学习率，是一个常数)
Figure BDA0002808990190000136
Figure BDA0002808990190000137
Figure BDA0002808990190000138
Figure BDA0002808990190000141
Figure BDA0002808990190000142
Figure BDA0002808990190000143
Figure BDA0002808990190000144
Figure BDA0002808990190000145
Figure BDA0002808990190000146
再执行步骤一、二、三直至输出值与预期值的误差小于指定的阈值。用同样的方法训练识别层右侧的神经网络，训练完毕后两个网络分别具有图像和声音的识别能力，假设两个网络分别具有识别狗的照片和狗的叫声的能力，当拿出一张狗的照片，通过左侧(即第一特征神经网络识别模块)的神经网络进行识别图片中是什么动物，然后再播放一段狗叫的声音通过右侧(即第二特征神经网络识别模块)的神经网络进行识别是什么动物发出的声音，然后可以用决策层的神经网络判断这两个动物是不是同一种动物。
本研究提出的人工神经网络的图像和声音识别模块识别的结果会存储在短时记忆网络中，然后由决策层的神经网络从记忆网络中取出结果进行分析，这里这种新型的神经网络实现的基础就是本研究提出的三维人工神经网络。
决策层神经网络能判别两个输入信号是否是代表同一个内容，其训练的过程如下：
步骤四，前馈，即公式4：
bin＝W18·y1+W19·y2
Figure BDA0002808990190000151
cin＝W20·y1+W21·y2
Figure BDA0002808990190000152
ain＝W22·bout+W23·cout
Figure BDA0002808990190000153
(由于人工神经元b,c的输出端与a的两个输入端的坐标相同，因而他们是相连接的)；
步骤五，计算误差，即公式5：
Figure BDA0002808990190000154
步骤六，如果E1小于某个阈值，训练完成，如果E1大于某个阈值，执行后馈公式6：(其中δ为学习率，是一个常数)
Figure BDA0002808990190000155
Figure BDA0002808990190000156
Figure BDA0002808990190000157
Figure BDA0002808990190000158
Figure BDA0002808990190000159
Figure BDA00028089901900001510
再执行步骤四、五、六直至输出值与预期值的误差小于指定的阈值。
经过以上步骤，完成了这个能识别狗的图像，狗的声音，并判别图片和声音代表的是否是同一种动物的神经网络的训练。
接下来，再输入一张照片，首先能判断这张照片的内容，结果保存在短时记忆网络中，然后能识别一段声音，结果也保存在短时记忆网络中，当这两个输入要素都齐备以后，决策层的神经网络能对识别层的两个结果给出相同或者不同的判断，并输出。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种新型三维人工神经元装置，其特征在于，包括储存单元，所述储存单元储存有若干人工神经元；所述储存单元内设有预设三维空间模型，所述若干人工神经元处于所述预设三维空间模型内。
2.如权利要求1所述的一种新型三维人工神经元装置，其特征在于，所述人工神经元包括输入端、细胞核和输出端，所述输入端、细胞核和输出端位于所述预设三维空间模型内，且所述人工神经元的输入端、细胞核和输出端皆具有预设的三维空间位置坐标。
3.一种基于权利要求1或2任一所述的一种新型三维人工神经元装置的人工神经网络识别系统，其特征在于，包括输入层子神经网络模块、识别层子神经网络模块和决策层子神经网络模块，其中，
所述输入层子神经网络模块：用于输入人工神经网络需要处理的原始信号值；
所述识别层子神经网络模块：用于处理人工神经元的输入端接收的信号值；
所述决策层子神经网络模块：用于调取存储的识别内容，并对识别内容进行异同性判断。
4.如权利要求3所述的一种人工神经网络识别系统，其特征在于，所述人工神经网络识别系统还包括：
存储层子神经网络模块：用于存储所述识别层子神经网络模块的识别内容。
5.如权利要求4所述的一种人工神经网络识别系统，其特征在于，所述存储层子神经网络模块还用于：
预存待识别概念，所述待识别概念为一个一维向量，所述一维向量作为所述识别层子神经网络模块的目标输出值。
6.如权利要求5所述的一种人工神经网络识别系统，其特征在于，所述识别层子神经网络模块包括第一特征神经网络识别模块和第二特征神经网络识别模块，
所述第一特征神经网络识别模块：用于根据卷积神经网络识别输入的第一特征值，通过前馈方式输出第一向量；
所述第二特征神经网络识别模块：用于根据卷积神经网络识别输入的第二特征值，并通过前馈方式输出第二向量。
7.如权利要求6所述的一种人工神经网络识别系统，其特征在于，所述识别层子神经网络模块还包括映射识别模块：
所述映射识别模块：用于通过第一特征神经网络识别模块和第二特征神经网络识别模块中的卷积神经网络，通过映射识别算法分别映射所述第一向量和第二向量，并比较所述第一向量和第二向量的映射结果与所述目标输出值之间的差值。
8.如权利要求7所述的一种人工神经网络识别系统，其特征在于，所述的存储层子神经网络模块包括短时记忆存储模块：
短时记忆存储模块：通过神经元之间的连接，把识别层子神经网络模块的识别内容，存储到短时记忆存储模块，供决策层子神经网络调取处理分析。
9.如权利要求8所述的一种人工神经网络识别系统，其特征在于，所述决策层子神经网络模块包括识别输出模块：
所述识别输出模块：通过调取存储层子神经网络短时记忆存储模块存储的值，通过映射识别算法，比较输入数据的异同，给出相同或者不同的判断并输出识别结果。
10.如权利要求7或9所述的一种人工神经网络识别系统，其特征在于，所述映射识别算法为前馈-后馈算法。
CN202011383107.0A 2020-12-01 2020-12-01 一种新型三维人工神经元装置及人工神经网络识别系统 Pending CN112434795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011383107.0A CN112434795A (zh) 2020-12-01 2020-12-01 一种新型三维人工神经元装置及人工神经网络识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011383107.0A CN112434795A (zh) 2020-12-01 2020-12-01 一种新型三维人工神经元装置及人工神经网络识别系统

Publications (1)

Publication Number Publication Date
CN112434795A true CN112434795A (zh) 2021-03-02

Family

ID=74698160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011383107.0A Pending CN112434795A (zh) 2020-12-01 2020-12-01 一种新型三维人工神经元装置及人工神经网络识别系统

Country Status (1)

Country Link
CN (1) CN112434795A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107995982A (zh) * 2017-09-15 2018-05-04 达闼科技（北京）有限公司 一种目标识别方法、装置和智能终端
CN108510052A (zh) * 2017-02-27 2018-09-07 顾泽苍 一种人工智能新型神经网络的构建方法
CN109871944A (zh) * 2018-11-12 2019-06-11 中国科学院自动化研究所 受大脑抑制反馈机制启发的人工神经网络构建方法及系统
CN110097035A (zh) * 2019-05-15 2019-08-06 成都电科智达科技有限公司 一种基于3d人脸重建的人脸特征点检测方法
CN110991513A (zh) * 2019-11-27 2020-04-10 佛山科学技术学院 一种具有类人连续学习能力的图像目标识别系统及方法
CN111898581A (zh) * 2020-08-12 2020-11-06 成都佳华物链云科技有限公司 动物检测方法、装置、电子设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510052A (zh) * 2017-02-27 2018-09-07 顾泽苍 一种人工智能新型神经网络的构建方法
CN107995982A (zh) * 2017-09-15 2018-05-04 达闼科技（北京）有限公司 一种目标识别方法、装置和智能终端
CN109871944A (zh) * 2018-11-12 2019-06-11 中国科学院自动化研究所 受大脑抑制反馈机制启发的人工神经网络构建方法及系统
CN110097035A (zh) * 2019-05-15 2019-08-06 成都电科智达科技有限公司 一种基于3d人脸重建的人脸特征点检测方法
CN110991513A (zh) * 2019-11-27 2020-04-10 佛山科学技术学院 一种具有类人连续学习能力的图像目标识别系统及方法
CN111898581A (zh) * 2020-08-12 2020-11-06 成都佳华物链云科技有限公司 动物检测方法、装置、电子设备及可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONG LIU等: "Two-Stream 3D convolutional neural network for human skeleton based action recognition", 《JOURNAL OF LATEX CLASS FILES》 *
王玉哲等: "仿生物型人工神经网络的探索与实现", 《计算机工程与设计》 *
谢启伟等: "基于深度学习的脑微观结构重建", 《系统工程理论与实践》 *

Similar Documents

Publication Publication Date Title
CN109583322B (zh) 一种人脸识别深度网络训练方法和系统
CN108764050B (zh) 基于角度无关性的骨架行为识别方法、系统及设备
JP5819522B2 (ja) スパース結合性をもたらす局所競合学習則のための方法および装置
CN106951923B (zh) 一种基于多视角信息融合的机器人三维形状识别方法
CN111368972B (zh) 一种卷积层量化方法及其装置
CN108780523A (zh) 使用本地设备提供的传感器数据和标签的基于云的处理
CN108121995A (zh) 用于识别对象的方法和设备
KR20180004898A (ko) 딥러닝 기반의 이미지 처리 기술 및 그 방법
KR20180054407A (ko) 로봇 시스템
Chetyrbok Preliminary systemic decomposition of big data for their classification using vector criteria dynamic management model of innovations generations
CN114998525A (zh) 基于动态局部-全局图卷积神经网络的动作识别方法
CN113343974B (zh) 考虑模态间语义距离度量的多模态融合分类优化方法
KR20160134019A (ko) 인공 신경망의 하향식 선택적 주의집중 트레이닝 방법
CN115018039A (zh) 一种神经网络蒸馏方法、目标检测方法以及装置
Weng et al. Brain-inspired concept networks: Learning concepts from cluttered scenes
Hoang et al. Grasp configuration synthesis from 3D point clouds with attention mechanism
CN114492634A (zh) 一种细粒度装备图片分类识别方法及系统
CN111401527B (zh) 基于ga-bp网络的机器人行为校验识别方法
CN112434795A (zh) 一种新型三维人工神经元装置及人工神经网络识别系统
EP0357212B1 (en) Artificial neural device and corresponding method
CN117172285A (zh) 一种感知网络及数据处理方法
Rebrová et al. Towards a robotic model of the mirror neuron system
CN116883961A (zh) 一种目标感知方法以及装置
CN109919005A (zh) 牲畜身份识别方法、电子装置及可读存储介质
Yellapantula Synthesizing realistic data for vision based drone-to-drone detection

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: 20210302

RJ01 Rejection of invention patent application after publication