CN112767501B - 一种基于电控刺激下vcsel-sa的图像识别系统及方法 - Google Patents

一种基于电控刺激下vcsel-sa的图像识别系统及方法 Download PDF

Info

Publication number
CN112767501B
CN112767501B CN202110013197.2A CN202110013197A CN112767501B CN 112767501 B CN112767501 B CN 112767501B CN 202110013197 A CN202110013197 A CN 202110013197A CN 112767501 B CN112767501 B CN 112767501B
Authority
CN
China
Prior art keywords
vcsel
spike
image
module
signals
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
CN202110013197.2A
Other languages
English (en)
Other versions
CN112767501A (zh
Inventor
邓涛
倪敏
林晓东
吴正茂
夏光琼
高子叶
唐曦
田涛
肖路遥
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.)
Southwest University
Original Assignee
Southwest University
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 Southwest University filed Critical Southwest University
Priority to CN202110013197.2A priority Critical patent/CN112767501B/zh
Publication of CN112767501A publication Critical patent/CN112767501A/zh
Application granted granted Critical
Publication of CN112767501B publication Critical patent/CN112767501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural 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
    • G06N3/06—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
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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)
  • Neurology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于电控刺激下VCSEL‑SA的图像识别系统及方法，系统包括图像的Spike编码模块，用于将输入的原始图像信息转换为Spike信号。Spike信号传输模块，用于将图像的Spike编码模块编码的Spike信号同步传输至图像识别模块。基于STDP的突触权重调节模块，基于VCSOA神经突触的STDP响应特性用于实现权重依赖的突触权重调节。图像识别模块，用于响应Spike信号传输模块传输过来的Spike信号，并恢复发射端的原始图像信息。控制与分析测试模块，通过分析比较图像的Spike编码模块和图像识别模块之间的Spike响应信号的差异，调节系统的参量，以保证成功识别图像。本发明基于电控刺激下VCSEL‑SA神经元实现Gb/s二进制随机信号到Spike信号的转换，并通过VCSOA的STDP实现权重依赖的突触权重调节，最终实现图像识别。

Description

一种基于电控刺激下VCSEL-SA的图像识别系统及方法
技术领域
本发明属于图像识别技术领域，尤其涉及一种基于电控刺激下VCSEL-SA的图像识别系统及方法。
背景技术
传统的冯·诺依曼结构的电子计算机由于内存与功耗原因，无法满足人们日益增长的计算需求，因此，有利于解决复杂计算问题的脑机融合计算和神经拟态系统的深入研究受到了人们的广泛关注。神经拟态系统是模拟生物传感和信息处理神经系统的运作和结构的系统，使用非冯·诺依曼结构来实现仿神经计算，能大大提高系统的算力、降低系统的能耗，具有并行性、冗余性等优点，可以解决许多复杂的计算任务，例如决策、学习和优化、模式识别和感觉信息处理等。其中，光子神经拟态器件因能模拟生物神经的基本特性，且能提供比生物神经快达8个量级的超快脉冲动力学而在高速仿神经计算领域展现出了巨大的应用前景。
特别的是，基于垂直腔面半导体激光器(VCSEL)的光子神经元因具有体积小、成本低、可与现有光网络兼容、易于集成等诸多优点，目前主要聚焦于光学刺激VCSEL光子神经模型的研究，且大多为理论工作，对电控方式的刺激研究较少。此外，光控刺激方式需要额外的光源和调制器，这极大的增加了系统的成本。光信号传输中偏振态的控制也是光控方式真正实现的难点。与普通的光控刺激光子神经方式相比，电控刺激VCSEL光子神经的方式具有以下独特优势：
(1)电控刺激方式可控性更强，不易受外界光信号的干扰。
(2)无需大量的光学器件，可以使整个操控过程更加简单直接，实验平台相对简单。
(3)VCSELs本身具有低成本、低能耗、易于集成至二维/三维阵列、与光纤高的耦合效率、与现有光纤系统兼容等一些独特的优势。
(4)在VCSEL中引入饱和吸收体(SA)后可以构建一个集成的两段式激发激光器，其中增益介质可以作为累积器，而SA可用作判决载流子浓度的阈值探测器。与普通的神经元模型相比，这种集成的累积发放神经模型可产生更短的亚纳秒脉冲，且有利于系统的集成和拓展。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷，提供一种基于电控刺激下VCSEL-SA的图像识别系统及方法。
本发明采用如下技术方案：
一种基于电控刺激下VCSEL-SA的图像识别系统，包括：
图像的Spike编码模块；用于将输入的原始图像信息转换为Spike信号；
Spike信号传输模块；用于将图像的Spike编码模块编码的Spike信号同步传输至图像识别模块；
图像识别模块；用于响应Spike信号传输模块传输过来的Spike信号，并恢复Spike信号传输模块的原始图像信息；
基于STDP的突触权重调节模块；基于VCSOA神经突触的STDP响应特性用于实现权重依赖的突触权重调节；
控制与分析测试模块；通过分析比较图像的Spike编码模块和图像识别模块之间的Spike响应信号的差异，调节系统的参量，以保证成功识别图像。
进一步的是，图像的Spike编码模块，包括原始图像信息、图像编码器、两个biasTee、VCSEL-SA1、VCSEL-SA2及相应的温度控制器和电流控制器，利用图像编码器将图像信息进行二进制编码，将编码的二进制代码按一定的协议分成两组，每一组信息均通过各自的biasTee(biasTeeⅠ、biasTeeⅡ)与电流控制器(电流控制器Ⅰ、电流控制器Ⅱ)输出的信号耦合后分别注入到相应光子神经元VCSEL-SA1和VCSEL-SA2，实现二进制码与Spike信号的转换。温度控制器Ⅰ和温度控制器Ⅱ仅仅用来控制光子神经元VCSEL-SA1和VCSEL-SA2的温度。
优选的是，VCSEL-SA1和VCSEL-SA2均是1300nm VCSEL-SAs。
进一步的技术方案是，所述Spike信号传输模块包括两组传输光纤、掺铒光纤放大器、延迟线、光隔离器、可调衰减器，从VCSEL-SA1输出的Spike信号经传输光纤、掺铒光纤放大器、迟延线、偏振控制器、光隔离器、可调衰减器后注入到光电探测器；从VCSEL-SA2输出的Spike信号经另一路传输光纤、掺铒光纤放大器、迟延线、偏振控制器、光隔离器、可调衰减器后注入到光电探测器。
进一步的是，基于STDP的突触权重调节模块；包括两个电路控制单元和两个垂直腔半导体光放大器(VCSOAs)；从VCSEL-SA3输出的Spike信号经两个耦合器后分成三路，第一路进入基于STDP的突触权重调节模块，利用突触权重依赖的STDP算法实现神经突触权重的实时调节。进一步的技术方案是，所述图像识别模块包括光电探测器、biasTee、VCSEL-SA3及相应的温度控制器、电流控制器、图像解码器，从光电探测器输出的信号经biasTeeⅢ与电流控制器Ⅲ输出的信号耦合后注入到神经元VCSEL-SA3，从VCSEL-SA3输出的Spike信号经两个耦合器分成三路，VCSEL-SA3输出的第三路Spike信号输入图像解码器恢复传输的图像，从而实现基于电控VCSEL-SA神经元的Gb/s图像信息的传输和识别。温度控制器Ⅲ仅仅用来控制光子神经元VCSEL-SA3的温度。
优选的是，VCSEL-SA3为1300nmVCSEL-SA3。
进一步的技术方案是，控制与分析测试模块，包括光谱仪、频谱分析仪、实时示波器、功率计测试分析设备及与激光器和各测试分析设备相连的数据采集卡和电脑，进入控制与分析测试模块一路信号通过将神经元输出的Spike信号与两个神经元VCSEL-SA1和VCSEL-SA2输出的Spike信号相比较，评估二者的均方误差，并根据比较的结果精确调控光子神经元的偏置电流、延迟时间、注入光的强度、失谐频率、偏振态。
本发明还提出一种基于电控刺激下VCSEL-SA的图像识别方法，包括如下步骤：
步骤1.利用图像编码器将图像信息进行二进制编码，然后将编码的二进制代码按一定的协议分成两组，两组信息通过biasTee(biasTeeⅠ、biasTeeⅡ)与电流控制器(电流控制器Ⅰ、电流控制器Ⅱ)输出的信号耦合后分别注入到相应光子神经元VCSEL-SA1和VCSEL-SA2，从而实现二进制码与Spike信号的转换。温度控制器Ⅰ和温度控制器Ⅱ仅仅用来控制光子神经元VCSEL-SA1和VCSEL-SA2的温度。
步骤2.从VCSEL-SA1输出的Spike信号经传输光纤、掺铒光纤放大器、迟延线、光隔离器、可调衰减器后注入到光电探测器；同样，从VCSEL-SA2输出的Spike信号经另一路传输光纤、掺铒光纤放大器、迟延线、光隔离器、可调衰减器后注入到光电探测器。
步骤3.从光电探测器输出的信号经biasTeeⅢ与电流控制器Ⅲ输出的信号耦合后注入到神经元VCSEL-SA3，从VCSEL-SA3输出的Spike信号经两个耦合器后分成三路，第一路进入基于STDP的突触权重调节模块，利用突触权重依赖的STDP算法实现神经突触权重的实时调节，第二路进入控制与分析测试模块，第三路进入图像解码器进行图像解码恢复。温度控制器Ⅲ仅仅用来控制光子神经元VCSEL-SA3的温度。
步骤4.进入控制与分析测试模块的信号通过将神经元输出的Spike信号与两个神经元VCSEL-SA1和VCSEL-SA2输出的Spike信号相比较，评估二者的均方误差，并根据比较的结果精确调控光子神经元的偏置电流、延迟时间、注入光的强度、失谐频率、偏振态。
步骤5.将VCSEL-SA3输出的第三路Spike信号输入图像解码器恢复传输的图像，从而实现基于电控VCSEL-SA神经元的Gb/s图像信息的传输和识别。
本发明的有益效果：
本发明涉及的核心器件为VCSEL-SA光子神经元和VCSOA神经突触，二者本质上均为VCSEL，这为系统向集成化推广提供了可能。该系统基于STDP算法应用了权重依赖的突触权重调节机制，这将更加真实的反应生物神经的工作场景。此外，该系统兼具了电控方式的便捷和易控性，以及光子神经网络本身的高速性。显然，该发明可极大推动光子神经网络在未来高速图像识别领域的应用。
附图说明
图1为本发明的模块示意图；
图2(a)、图2(b)均为基于VCSOA突触的权重依赖的权重调节。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作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所示，本发明提出一种基于电控刺激下VCSEL-SA的图像识别系统及方法，以实现图像信息的传输和识别。
其中，一种基于电控刺激下VCSEL-SA的图像识别系统，可分为五大模块：
图像的Spike编码模块；其中，所述图像的Spike编码模块包括原始图像信息、图像编码器、两个biasTee、两个1300nm-VCSEL-SAs(VCSEL-SA1和VCSEL-SA2)及相应的温度控制器和电流控制器。
Spike信号传输模块；所述Spike信号传输模块包括两组传输光纤、掺铒光纤放大器、延迟线、偏振控制器、光隔离器、可调衰减器。
基于STDP的突触权重调节模块；包括两个电路控制单元和两个垂直腔半导体光放大器(VCSOAs)；
图像识别模块；所述图像识别模块包括光电探测器、biasTee、1300nm VCSEL-SA3及相应的温度控制器、电流控制器、图像解码器。
控制与分析测试模块，包括光谱仪、频谱分析仪、实时示波器、功率计测试分析设备及与激光器和各测试分析设备相连的数据采集卡和电脑。
上述一种基于电控刺激下VCSEL-SA的图像识别方法，基本原理是：
首先，利用图像编码器将图像信息进行二进制编码，然后将编码的二进制代码按一定的协议分成两组，每一组信息均通过各自的biasTee与电流控制器输出的信号耦合后注入到相应光子神经元VCSEL-SAL1和VCSEL-SAL2，从而实现二进制码与Spike信号的转换。
随后，从VCSEL-SA1输出的Spike信号经传输光纤、掺铒光纤放大器、迟延线、偏振控制器、光隔离器、可调衰减器后注入到光电探测器；同样，从VCSEL-SA2输出的Spike信号经另一路传输光纤、掺铒光纤放大器、迟延线、偏振控制器、光隔离器、可调衰减器后注入到光电探测器。
从光电探测器输出的信号经又一个biasTee与又一个电流控制器输出的信号耦合后，一起后注入到神经元VCSEL-SA3。
接着，从VCSEL-SA3输出的Spike信号经两个耦合器分成三路，第一路进入基于STDP的突触权重调节模块，利用突触权重依赖的STDP算法实现神经突触权重的实时调节；
第二路进入控制与分析测试模块。进入控制与分析测试模块的信号通过将神经元VCSEL-SA3输出的Spike信号与两个神经元VCSEL-SA1和VCSEL-SA2输出的Spike信号相比较，评估二者的均方误差，并根据比较的结果精确调控光子神经元的偏置电流、延迟时间、注入光的强度、失谐频率、偏振态。其中，光谱仪用于观察神经元输出的光谱；频谱仪用于在频域对测试信号进行观察分析；实时示波器用于对测试信号进行时域的观察分析；功率计用于监控输出信号的强度。
然后，将VCSEL-SA3输出的第三路Spike信号输入图像解码器恢复传输的图像，从而实现基于电控VCSEL-SA神经元的Gb/s图像信息的传输和识别。
特别的，图2(a)、图2(b)给出了基于VCSOA突触的权重依赖的神经突触权重调节效果。其中，图2(a)为权重加强的调节过程，图2(b)为权重抑制的过程。VCSOA突触的偏置电流由突触的权重和权重变量决定，根据突触现有权重及分析测试模块比较的结果，基于STDP的突触权重调节模块会给出一个正的或负的反馈用于控制VCSOA的偏置电流，从而实现权重依赖的突触权重调节。从图2(a)、图2(b)中可以看出，引入的权重依赖的突触权重调节效果与生物神经的突触权重调节过程非常接近，神经突触的Spike激发和抑制过程均可以通过提出的方法实现，使得本系统能更加有效的用于仿生工程领域。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种基于电控刺激下VCSEL-SA的图像识别系统，其特征在于,包括：
图像的Spike编码模块，用于将输入的原始图像信息转换为Spike信号；
Spike信号传输模块；用于将图像的Spike编码模块编码的Spike信号同步传输至图像识别模块；
图像识别模块，用于响应Spike信号传输模块传输过来的Spike信号，并恢复Spike信号传输模块的原始图像信息；
基于STDP的突触权重调节模块；基于VCSOA神经突触的STDP响应特性用于实现权重依赖的突触权重调节；
控制与分析测试模块，通过分析比较图像的Spike编码模块和图像识别模块之间的Spike响应信号的差异，调节系统的参量；
图像的Spike编码模块，包括原始图像信息、图像编码器、biasTee、VCSEL-SA1、 VCSEL-SA2及相应的温度控制器和电流控制器，图像编码器将图像信息进行二进制编码，将编码的二进制代码按一定的协议分成两组，其中一组信息通过biasTeeⅠ与电流控制器Ⅰ输出的信号耦合在一起，另一组信息通过和biasTeeⅡ与电流控制器Ⅱ输出的信号耦合在一起，分别注入到相应光子神经元VCSEL-SA1和VCSEL-SA2，实现二进制码与Spike信号的转换；
所述Spike信号传输模块包括传输光纤、掺铒光纤放大器、延迟线、偏振控制器、光隔离器、可调衰减器，VCSEL-SA1输出的Spike信号经传输光纤、掺铒光纤放大器、迟延线、偏振控制器、光隔离器、可调衰减器后注入到光电探测器； VCSEL-SA2输出的Spike信号经另一路传输光纤、掺铒光纤放大器、迟延线、偏振控制器、光隔离器、可调衰减器后注入到光电探测器；
基于STDP的突触权重调节模块；包括两个电路控制单元和两个垂直腔半导体光放大器VCSOAs；从VCSEL-SA3输出的Spike信号经两个耦合器后分成三路，第一路进入基于STDP的突触权重调节模块，利用突触权重依赖的STDP算法实现神经突触权重的实时调节；
所述图像识别模块包括光电探测器、biasTee、VCSEL-SA3及相应的温度控制器、电流控制器、图像解码器，光电探测器输出的信号经biasTeeⅢ与电流控制器Ⅲ输出的信号耦合，注入到神经元VCSEL-SA3，从VCSEL-SA3输出的Spike信号经两个耦合器分成三路，VCSEL-SA3输出的第三路Spike信号输入图像解码器恢复传输的图像；
控制与分析测试模块，包括光谱仪、频谱分析仪、实时示波器、功率计测试分析设备及与激光器和各测试分析设备相连的数据采集卡和电脑，进入控制与分析测试模块一路信号通过将神经元输出的Spike信号与两个神经元VCSEL-SA1和VCSEL-SA2输出的Spike信号相比较，评估二者的均方误差，并根据比较的结果精确调控光子神经元的偏置电流、延迟时间、注入光的强度、失谐频率、偏振态。
2.一种基于电控刺激下VCSEL-SA的图像识别方法，其特征在于，包括如下步骤：
步骤1.利用图像编码器将图像信息进行二进制编码，然后将编码的二进制代码按一定的协议分成两组，一组信息通过biasTeeⅠ与电流控制器Ⅰ输出的信号耦合在一起，另一组信息通过biasTeeⅡ与电流控制器Ⅱ输出的信号耦合在一起，分别注入到相应光子神经元VCSEL-SA1和VCSEL-SA2，从而实现二进制码与Spike信号的转换；
步骤2.从VCSEL-SA1输出的Spike信号经传输光纤、掺铒光纤放大器、迟延线、光隔离器、可调衰减器后注入到光电探测器；同样，从VCSEL-SA2输出的Spike信号经另一路传输光纤、掺铒光纤放大器、迟延线、光隔离器、可调衰减器后注入到光电探测器；
步骤3.从光电探测器输出的信号经biasTeeⅢ与电流控制器输出的信号耦合后注入到神经元VCSEL-SA3，从VCSEL-SA3输出的Spike信号经两个耦合器分成三路，第一路进入基于STDP的突触权重调节模块，利用突触权重依赖的STDP算法实现神经突触权重的实时调节，第二路进入控制与分析测试模块，第三路用于图像的解码；
步骤4.进入控制与分析测试模块的信号通过将神经元输出的Spike信号与两个神经元VCSEL-SA1和VCSEL-SA2输出的Spike信号相比较，评估二者的均方误差，并根据比较的结果精确调控光子神经元的偏置电流、延迟时间、注入光的强度、失谐频率、偏振态；
步骤5.将VCSEL-SA3输出的第三路Spike信号输入图像解码器恢复传输的图像，从而实现基于电控VCSEL-SA神经元的Gb/s图像信息的传输和识别。
CN202110013197.2A 2021-01-06 2021-01-06 一种基于电控刺激下vcsel-sa的图像识别系统及方法 Active CN112767501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110013197.2A CN112767501B (zh) 2021-01-06 2021-01-06 一种基于电控刺激下vcsel-sa的图像识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110013197.2A CN112767501B (zh) 2021-01-06 2021-01-06 一种基于电控刺激下vcsel-sa的图像识别系统及方法

Publications (2)

Publication Number Publication Date
CN112767501A CN112767501A (zh) 2021-05-07
CN112767501B true CN112767501B (zh) 2022-07-12

Family

ID=75700093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110013197.2A Active CN112767501B (zh) 2021-01-06 2021-01-06 一种基于电控刺激下vcsel-sa的图像识别系统及方法

Country Status (1)

Country Link
CN (1) CN112767501B (zh)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7388892B2 (en) * 2004-12-17 2008-06-17 Corning Incorporated System and method for optically powering a remote network component
US8792978B2 (en) * 2010-05-28 2014-07-29 Lockheed Martin Corporation Laser-based nerve stimulators for, E.G., hearing restoration in cochlear prostheses and method
CN101656575A (zh) * 2009-09-30 2010-02-24 朱万华 基于无源光网络的自由空间光通信装置
CN105006727B (zh) * 2015-07-30 2018-08-03 西南大学 一种基于光电反馈vcsel的双路微波频率梳发生器
EP3432783B1 (en) * 2016-03-25 2024-02-14 Thorlabs, Inc. Mems tunable vcsel powered swept source oct for 3d metrology applications
CN105655852A (zh) * 2016-04-05 2016-06-08 西南大学 利用长波长垂直腔激光器的低噪声光子微波源装置
CN107689862A (zh) * 2016-08-03 2018-02-13 西南大学 一种多路光注入的低关联长距离光混沌同步方法及装置
CN207650874U (zh) * 2017-11-28 2018-07-24 西南大学 抑制spiking信号的传输结构
CN107808192B (zh) * 2017-11-28 2024-04-26 西南大学 一种两个互耦VCSELs光子神经间可控的抑制spiking信号的传输结构
CN110794635B (zh) * 2018-08-01 2022-08-26 西安电子科技大学 一种基于垂直腔半导体光放大器的低功耗光学突触装置
CN109672533B (zh) * 2019-01-28 2021-07-06 西南大学 一种基于半导体激光器混沌同步的高速密钥分发装置
CN110210563B (zh) * 2019-06-04 2021-04-30 北京大学 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法
CN111291881B (zh) * 2020-03-05 2022-10-18 西南大学 一种基于级联VCSELs光子神经的模式识别装置及方法

Also Published As

Publication number Publication date
CN112767501A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
EP3465302B1 (en) Apparatus and methods for optical neural network
Robertson et al. Ultrafast neuromorphic photonic image processing with a VCSEL neuron
Toole et al. Photonic implementation of spike-timing-dependent plasticity and learning algorithms of biological neural systems
CN109376855A (zh) 一种光神经元结构和包含该结构的神经网络处理系统
CN109784485A (zh) 一种光学神经网络处理器及其计算方法
CN107808192A (zh) 一种两个互耦VCSELs光子神经间可控的抑制spiking信号的传输结构
Tang et al. Generative deep learning model for a multi-level nano-optic broadband power splitter
CN111582468B (zh) 光电混合智能数据生成计算系统及方法
CN112767501B (zh) 一种基于电控刺激下vcsel-sa的图像识别系统及方法
CN110794635A (zh) 一种基于垂直腔半导体光放大器的低功耗光学突触装置
Wu et al. Photonic bayesian neural network using programmed optical noises
Winston et al. Heterogeneity in neuronal dynamics is learned by gradient descent for temporal processing tasks
CN111291881B (zh) 一种基于级联VCSELs光子神经的模式识别装置及方法
Foderaro et al. Indirect training of a spiking neural network for flight control via spike-timing-dependent synaptic plasticity
CN114757344B (zh) 模拟生物神经元动力学以实现逻辑运算的系统及方法
Han et al. Pattern recognition in multi-synaptic photonic spiking neural networks based on a DFB-SA chip
Song et al. Experimental demonstration of photonic spike-timing-dependent plasticity based on a VCSOA
Zhang et al. A large-scale photonic CNN based on spike coding and temporal integration
Zhao et al. On-chip reconfigurable optical neural networks
Jacobson et al. Image classification using delay-based optoelectronic reservoir computing
Guo et al. End-to-end optical backpropagation for training neural networks
CN114004353A (zh) 减少光器件数量的光神经网络芯片构建方法及系统
Chen et al. Receptive Field-Based All-Optical Spiking Neural Network for Image Processing
Goodman et al. Effectively using recurrently-connected spiking neural networks
Wang et al. 1-Phototransistor-1-threshold switching optoelectronic neuron for in-sensor compression via spiking neuron network

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