CN113076827A - 一种传感器信号智能处理系统 - Google Patents

一种传感器信号智能处理系统 Download PDF

Info

Publication number
CN113076827A
CN113076827A CN202110300059.2A CN202110300059A CN113076827A CN 113076827 A CN113076827 A CN 113076827A CN 202110300059 A CN202110300059 A CN 202110300059A CN 113076827 A CN113076827 A CN 113076827A
Authority
CN
China
Prior art keywords
array
sensor signal
processing system
memristor
pulse
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.)
Granted
Application number
CN202110300059.2A
Other languages
English (en)
Other versions
CN113076827B (zh
Inventor
郭新
王童
黄鹤鸣
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110300059.2A priority Critical patent/CN113076827B/zh
Publication of CN113076827A publication Critical patent/CN113076827A/zh
Application granted granted Critical
Publication of CN113076827B publication Critical patent/CN113076827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种传感器信号智能处理系统，包括：串联的编码模块、特征提取模块和识别模块；编码模块用于根据相邻采样时刻传感器信号的变化程度，将传感器信号转换为脉冲信号；特征提取模块用于基于易失性忆阻器电导值随脉冲发生变化的特性，提取脉冲信号的特征并表征为易失性忆阻器电导值的形式输出到识别模块中；识别模块包括基于非易失性忆阻器阵列的神经网络；神经网络在识别特征之前，基于预设识别任务进行训练；识别模块用于基于预训练好的神经网络对特征进行识别。本发明采用模块化的方式完成传感器信号编码、特征提取及识别的任务，可以与用于环境感知的传感器阵列结合，有助于实现感知‑存储‑计算的一体化，实时性和计算效率较高。

Description

一种传感器信号智能处理系统
技术领域
本发明属于信号处理技术领域，更具体地，涉及一种传感器信号智能处理系统。
背景技术
随着物联网、大数据、云计算的快速发展，人类社会正由信息化向智能化发展。智能化社会的构建需要信息技术系统能够对外界环境信息进行实时获取、高效处理并及时做出决策。对被动获取外部数据的传统终端传感器的数据处理和传输提出了重大挑战。利用不同种类的传感器阵列可以完成生活中方方面面的任务，比如气体传感器阵列可以检测室内空气质量等；压力传感器阵列被制作为电子皮肤；视觉传感器阵列可以用于人脸识别，自动驾驶等；基于传感器阵列应用的重要性和广泛性，故研究一种传感器信号智能处理系统存在重要意义。
现有的传感器信号智能处理系统大多将传感器信号传输到CPU或GPU中。这种在CPU或GPU中采用机器学习算法对传感器信号进行识别与处理的方式，采用传统的存储与计算相互分离的架构，数据需要在存储器与处理器之间频繁传输，会产生巨大的功耗和延时，计算效率较低。另外，现有的传感器信号智能处理系统大多为计算机等终端系统，在实际使用过程中，传感器与传感器信号智能处理系统往往无法直接相连，大多是在传感器采集到传感器信号后，上传到传感器信号智能处理系统中进行处理，而数据传输过程会消耗大量的时间和能量，实时性较低。随着物联网的发展，传感器的规模逐渐增大，检测到的信息越来越多，而传统的系统架构已经不能满足人们对低功耗，低延迟，快速运算的需求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种传感器信号智能处理系统，用以解决现有技术计算效率较低的技术问题。
为了实现上述目的，本发明提供了一种传感器信号智能处理系统，包括：串联的编码模块、特征提取模块和识别模块；
编码模块用于根据相邻采样时刻传感器信号的变化程度，将传感器信号转换为脉冲信号，并输出到特征提取模块中；
特征提取模块包括易失性忆阻器；特征提取模块用于基于易失性忆阻器电导值随脉冲发生变化的特性，提取脉冲信号并表征为易失性忆阻器电导值的形式输出到识别模块中；
识别模块包括基于非易失性忆阻器阵列的神经网络；神经网络在识别特征之前，基于预设识别任务进行训练；识别模块用于基于预训练好的神经网络对特征进行识别，并输出识别结果。
进一步优选地，上述易失性忆阻器电导值随脉冲发生变化的特性为：当有脉冲输入时，易失性忆阻器的电导值逐渐升高；当没有脉冲输入时，易失性忆阻器的电导值自发地降低。
进一步优选地，编码模块包括：n个相互并行的编码单元；此时，易失性忆阻器的个数为n个；每个编码单元的输出端与每个易失性忆阻器的输入端一一对应相连；其中，n为正整数。
进一步优选地，上述传感器信号智能处理系统与传感器阵列相连，传感器阵列中的各传感器分别与传感器信号智能处理系统中一个对应的编码单元相连；此时，n大于或等于传感器阵列中传感器的个数。
进一步优选地，编码单元包括：滤波器、存储器、减法器、比较器和脉冲发生器；
滤波器用于对t采样时刻的传感器信号进行滤波降噪后，得到t采样时刻的响应信号S(t)，并分别输出到减法器和存储器中；
存储器用于存储t采样时刻的响应信号S(t)，并将t-Δt采样时刻的响应信号S(t-Δt)输入到减法器中；其中，Δt为采样时间间隔；
减法器用于计算t-Δt采样时刻的响应信号S(t-Δt)与t采样时刻的响应信号S(t)差值的绝对值，并输出到比较器中；
比较器用于将差值的绝对值与预设阈值进行比较，若超过预设阈值，则控制脉冲发生器发出高电平脉冲；否则，控制脉冲发生器发出低电平脉冲。
进一步优选地，特征提取模块还包括：第一模数转换器；各易失性忆阻器的输出端分别与第一模数转换器的输入端相连；
第一模数转换器用于读取易失性忆阻器的电导值，并将易失性忆阻器的电导值转换成数字信号，得到脉冲信号的时空特征，输出到识别模块中。
进一步优选地，每隔预设时间，上述第一模数转换器读取一个易失性忆阻器电导值来表示脉冲信号该段时间内的特征；重复上述过程，得到一组电导值序列，即脉冲信号的时空特征。
进一步优选地，识别模块包括：微控制单元、非易失性忆阻器阵列、数模转换器和第二模数转换器；微控制单元通过数模转换器与非易失性忆阻器阵列的各行相连，微控制单元通过第二模数转换器与非易失性忆阻器阵列的各列相连，从而形成基于非易失性忆阻器阵列的神经网络；
微控制单元对特征提取模块输入的特征进行编码后通过数模转换器转换成对应的电压，并输入到非易失性忆阻器阵列中进行矢量矩阵乘法运算，并将运算结果表征为电流，经第二模数转换器转换成数字信号，输入至微控制单元中进行识别，并输出识别结果。
进一步优选地，非易失性忆阻器阵列被划分为k个子阵列，分别记为第i子阵列，i＝1,2,...,k；每一个子阵列分别对应一个突触层，以形成k层神经网络；
微控制单元选中第一子阵列，并对特征提取模块输入的特征进行编码后经过数模转换器输入到第一子阵列中，实现矢量矩阵乘法运算，并将运算结果表征为电流，经第二模数转换器转换成数字信号后输出至微控制单元；
微控制单元选中第j子阵列，并对第j-1子阵列输出的经第二模数转换器转换后的结果进行编码后经过数模转换器输入到第j子阵列中；j＝2,3,...,k；
微控制单元对第k子阵列输出的经第二模数转换器转换后的结果进行识别，得到识别结果。
进一步优选地，上述传感器信号智能处理系统在识别传感器信号之前，根据预设识别任务采集训练样本，并将训练样本输入至上述传感器信号智能处理系统中进行训练，在训练过程中基于反向传播算法不断更新非易失性忆阻器阵列中对应忆阻器的电导值。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
1、本发明提供了一种传感器信号智能处理系统，首先将传感器信号实时编码为脉冲序列，然后采用易失性忆阻器提取脉冲信号的特征，并采用非易失性忆阻器阵列对特征进行识别，从而采用模块化的方式完成传感器信号编码、特征提取及识别的任务，可以与用于环境感知的传感器或传感器阵列结合，有助于实现感知-存储-计算的一体化，实时性和计算效率较高。
2、本发明所提供的传感器信号智能处理系统，可以将动态变化的传感器模拟信号(电流，电导等)实时的编码为脉冲信号，保留了信号的变化特征，方便后续信号处理及识别过程的实现，对识别模块的兼容性较高，仅用简单的模型就可以完成识别的任务。
3、本发明所提供的传感器信号智能处理系统，基于当有脉冲输入时，易失性忆阻器的电导值逐渐升高，当没有脉冲输入时，易失性忆阻器的电导值自发地降低的特性，直接将传感器信号的时空特征映射到忆阻器这种硬件中，在大大加快了处理速度的同时，也简化了电路结构；此外本发明传感器可以直接与传感器阵列相连，可以根据传感器阵列的输入传感器信号的维度的不同，选取对应的易失性忆阻器的数目来处理每个维度的信息，具备较高的拓展性。
4、本发明所提供的传感器信号智能处理系统，能够高效的完成信号处理及识别的任务，对具备多种浓度的传感器信号，可以达到95％的识别精读，可以跟现有在计算机中运行的人工神经网络所媲美。
附图说明
图1为本发明所提供的传感器信号智能处理系统的结构示意图；
图2为本发明所提供的传感器信号智能处理系统的详细结构示意图；
图3为本发明所提供的传感器信号在编码单元中的具体处理流程示意图；
图4为本发明实施例所提供的气体传感器对一氧化碳和甲烷的响应曲线；
图5为本发明实施例所提供的根据响应曲线计算得到的差值的绝对值ΔS的示意图；
图6为本发明实施例所提供的编码模块输出的脉冲时序图；
图7为本发明实施例所采用的传感器信号智能处理系统的结构示意图；
图8为采用本发明实施例所提供的传感器信号智能处理系统对气体识别的精度曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为了实现上面目的，本发明提供了一种传感器信号智能处理系统，如图1所示，包括：串联的编码模块1、特征提取模块2和识别模块3；
编码模块1用于根据相邻采样时刻传感器信号的变化程度，将传感器信号转换为脉冲信号，并输出到特征提取模块2中；
特征提取模块2包括易失性忆阻器；特征提取模块用于基于易失性忆阻器电导值随脉冲发生变化的特性，提取脉冲信号的特征，并表征为易失性忆阻器电导值输出到识别模块3中；具体的，易失性忆阻器可以为W/WO3/PEDOT:PSS/Pt；其中，钨(W)和铂(Pt)分别为上、下电极，氧化钨和PEDOT:PSS为中间阻变层。
识别模块3包括基于非易失性忆阻器阵列的神经网络；神经网络在识别特征之前，基于预设识别任务进行训练；例如，采用气体传感器采集气体信号后，该系统可以检测并识别大气中的有毒有害气体；采用视觉传感器感知光学信号后，该系统可以判断并识别物体的运动方向等。识别模块用于基于预训练好的神经网络对特征进行识别，并输出识别结果；具体的，易失性忆阻器可以为Pd/W/WO3/Pd；其中，钯(Pd)为上下电极，钨(W)及氧化钨(WO3)为阻变层。
优选地，如图2所示，编码模块1包括：n个相互并行的编码单元；此时，易失性忆阻器的个数为n个；每个编码单元的输出端与每个易失性忆阻器的输入端一一对应相连；其中，n为正整数。进一步地，上述传感器信号智能处理系统与传感器阵列相连，传感器阵列中的各传感器分别与传感器信号智能处理系统中一个对应的编码单元相连，以并行的处理传感器阵列中的各传感器信号；此时，n大于或等于传感器阵列中传感器的个数。
具体的，编码单元包括：滤波器、存储器、减法器、比较器和脉冲发生器；其中，传感器信号在编码单元中的具体处理流程如图3所示，具体的，滤波器用于对t采样时刻的传感器信号进行滤波降噪后，得到t采样时刻的响应信号S(t)，并分别输出到减法器和存储器中；存储器用于存储t采样时刻的响应信号S(t)，并将t-Δt采样时刻的响应信号S(t-Δt)输入到减法器中；其中，Δt为采样时间间隔；减法器用于计算t-Δt采样时刻的响应信号S(t-Δt)与t采样时刻的响应信号S(t)差值的绝对值，并输出到比较器中；比较器用于将差值的绝对值与预设阈值进行比较，若超过预设阈值，则控制脉冲发生器发出高电平脉冲；否则，控制脉冲发生器发出低电平脉冲。
优选地，如图2所示，上述特征提取模块2还包括：第一模数转换器ADC1；各易失性忆阻器(M1至Mn)的输出端分别与第一模数转换器ADC1的输入端相连；
第一模数转换器ADC1用于读取易失性忆阻器的电导值，并将易失性忆阻器的电导值转换成数字信号，得到脉冲信号的时空特征，输出到识别模块3中。
需要说明的是，易失性忆阻器电导值随脉冲发生变化的特性为：当有脉冲输入时，易失性忆阻器的电导值逐渐升高；当没有脉冲输入时，易失性忆阻器的电导值自发地降低；通过该特性可以通过易失性忆阻器电导值来反应传感器信号的特征。对于脉冲信号，每一时刻均对应一个易失性忆阻器电导值；为了兼容系统的计算量和识别精度，优选地，每隔预设时间，上述第一模数转换器读取一个易失性忆阻器电导值来表示脉冲信号该段时间内的特征；重复上述过程，得到一组电导值序列，即脉冲信号的时空特征。
优选地，如图2所示，识别模块3包括：微控制单元MCU、非易失性忆阻器阵列、数模转换器DAC和第二模数转换器ADC2；微控制单元通过数模转换器与非易失性忆阻器阵列的各行相连，微控制单元通过第二模数转换器与非易失性忆阻器阵列的各列相连，从而形成基于非易失性忆阻器阵列的神经网络；其中，微控制单元对特征提取模块输入的特征进行编码后通过数模转换器转换成对应的电压，并输入到非易失性忆阻器阵列中进行矢量矩阵乘法运算，并将运算结果表征为电流，经第二模数转换器转换成数字信号，输入至微控制单元中进行识别，并输出识别结果。需要说明的是，微控制单元需要先将特征提取模块输出的电导值重新编码为脉冲序列再进行后续处理，电导值越高，编码后的脉冲序列中包含的脉冲数目越多。进一步地，微处理单元还可以根据识别结果执行下一步的命令；例如，当检测到有毒有害气体之后，控制气阀的开关，或者报警；只需要给微处理单元编写相关的执行命令即可。
优选地，上述基于非易失性忆阻器阵列的神经网络可以为多层神经网络；具体的，非易失性忆阻器阵列被划分为k个子阵列，分别记为第i子阵列，i＝1,2,...,k；每一个子阵列分别对应一个突触层，以形成k层神经网络；此时，识别模块3的具体识别过程如下：
微控制单元选中第一子阵列，并对特征提取模块输入的特征进行编码后经过数模转换器输入到第一子阵列中，实现矢量矩阵乘法运算，并将运算结果表征为电流，经第二模数转换器转换成数字信号后输出至微控制单元；微控制单元选中第j子阵列，并对第j-1子阵列输出的经第二模数转换器转换后的结果进行编码后经过数模转换器输入到第j子阵列中；j＝2,3,...,k；微控制单元对第k子阵列输出的经第二模数转换器转换后的结果进行识别，得到识别结果。
需要说明的是，上述传感器信号智能处理系统在识别传感器信号之前，根据预设识别任务采集训练样本，并将训练样本输入至上述传感器信号智能处理系统中进行训练，在训练过程中基于反向传播算法不断更新非易失性忆阻器阵列中对应忆阻器的电导值。
本发明所提出的传感器信号智能处理系统采用模块化的方式对传感器信号(即传感器在环境中表现出来的模拟信号，如电阻值、电流值、电压值、响应度等)进行处理并识别，可以与传感器阵列相结合，完成在终端的环境检测及处理。
为了进一步说明本发明所提供的传感器信号智能处理系统，下面结合实施例进行详述：
本实施例将传感器信号智能处理系统应用于气体识别场景中，此时传感器信号由气体传感器阵列采集，具体过程如下：
(1)传感器信号预处理：编码模块接收气体传感器阵列中各传感器采集的传感器信号后，各编码单元分析进行如下处理：
首先对传感器信号进行滤波处理；本实施例中采取平均滤波算法，即每20个采样点(采样时间间隔为10毫秒)取平均值作为滤波后的输出。在此选取50秒至70秒的传感器信号，滤波之后每个传感器对应输出100个响应信号。
然后将传感器信号编码为脉冲序列：滤波后的响应信号同时输入减法器和存储器中；减法器同时接收滤波器和存储器的输入，滤波器输入t采样时刻的响应信号S(t)，存储器输入t-Δt时刻的响应信号S(t-Δt)。减法器接收响应信号S(t)与S(t-Δt)，并计算差值的绝对值，然后将该差值的绝对值与预设阈值进行比较，若超过预设阈值，则控制脉冲发生器发出一个高电平脉冲；否则，控制脉冲发生器发出一个低电平脉冲。本实施例中，预设阈值取值为1％。
(2)特征提取：基于易失性忆阻器电导值随脉冲发生变化的特性，可以直接处理编码后的脉冲序列，并从其中提取出输入传感器信号的时空特征，特征通过易失性忆阻器的电导值表现。具体的，每隔预设时间(本实施例取值为2秒)，采用第一模数转换器读取一个易失性忆阻器电导值来表示脉冲信号该段时间内的特征；重复上述过程，得到一组电导值序列，即脉冲信号的时空特征；各易失性忆阻器并行完成上述特征提取过程，得到n组电导值序列；
(3)采用基于非易失性忆阻器阵列的神经网络(本实施例中神经网络的层数为2)进行特征识别：将上述n组电导值序列转换成一列矢量后分别进行编码得到对应的电压值，再经过数模转换器DAC将电压施加到非易失性忆阻器阵列的各选中行中；第二数模转换器ADC2将流经阵列中各列的电流转变为数字信号输入微控制单元MCU中，并在微控制单元MCU的控制下进行特征识别，并输出识别结果。
需要说明的是，上述传感器信号智能处理系统在识别传感器信号之前，根据预设识别任务采集训练样本，并将训练样本输入至上述传感器信号智能处理系统中进行训练，在训练过程中基于反向传播算法不断更新非易失性忆阻器阵列中对应忆阻器的电导值(即突触权重)，直到神经元可以正确的识别不同的输入。本实施例采用为8个传感器对四种气体(乙烯、甲烷、乙醇，一氧化碳，每种气体具备10种浓度)的响应度进行采集，得到训练样本集；每个训练样本包括响应度数据以及其对应的气体标签。本实施例中，训练后的系统对传感器信号的测试精度接近95％。
下面以一氧化碳和甲烷两种气体为例进行详述，如图4所示为本实施例中气体传感器对一氧化碳和甲烷的响应曲线示意图。由于50秒至70秒传感器的电阻值变化最快，因此选取此时间段内的数据进行处理。
如图5所示为本发明实施例编码模块中根据响应曲线计算得到的差值的绝对值ΔS的示意图。将ΔS与预设阈值(1％)进行比较后可以看出，一氧化碳响应曲线的差值更早的超过预设阈值，但持续时间较短，因此脉冲应更早地发出，但脉冲个数更少，编码模块输出的脉冲时序图如图6所示。
如图7所示为本发明实施例所采用的传感器信号智能处理系统的结构图，其中，识别模块由基于非易失性忆阻器阵列的神经网络构成，本实施例中用于对气体进行识别。
如图8所示为采用本发明所提供的传感器信号智能处理系统对气体识别的精度曲线示意图。从图8可以看出，采用上述传感器信号智能处理系统对四种气体(每种气体具备10种浓度)进行识别，整体的测试精度接近95％。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种传感器信号智能处理系统，其特征在于，包括：串联的编码模块、特征提取模块和识别模块；
所述编码模块用于根据相邻采样时刻传感器信号的变化程度，将传感器信号转换为脉冲信号，并输出到所述特征提取模块中；
所述特征提取模块包括易失性忆阻器；所述特征提取模块用于基于易失性忆阻器电导值随脉冲发生变化的特性，提取脉冲信号的特征并表征为易失性忆阻器电导值的形式输出到所述识别模块中；
所述识别模块包括基于非易失性忆阻器阵列的神经网络；所述神经网络在识别特征之前，基于预设识别任务进行训练；所述识别模块用于基于预训练好的神经网络对所述特征进行识别，并输出识别结果。
2.根据权利要求1所述的传感器信号智能处理系统，其特征在于，所述易失性忆阻器电导值随脉冲发生变化的特性为：当有脉冲输入时，所述易失性忆阻器的电导值逐渐升高；当没有脉冲输入时，所述易失性忆阻器的电导值自发地降低。
3.根据权利要求1所述的传感器信号智能处理系统，其特征在于，所述编码模块包括：n个相互并行的编码单元；此时，所述易失性忆阻器的个数为n个；每个编码单元的输出端与每个易失性忆阻器的输入端一一对应相连；其中，n为正整数。
4.根据权利要求3所述的传感器信号智能处理系统，其特征在于，所述传感器信号智能处理系统与传感器阵列相连，所述传感器阵列中的各传感器分别与所述传感器信号智能处理系统中一个对应的编码单元相连；此时，n大于或等于传感器阵列中传感器的个数。
5.根据权利要求3所述的传感器信号智能处理系统，其特征在于，所述编码单元包括：滤波器、存储器、减法器、比较器和脉冲发生器；
所述滤波器用于对t采样时刻的传感器信号进行滤波降噪后，得到t采样时刻的响应信号S(t)，并分别输出到所述减法器和所述存储器中；
所述存储器用于存储t采样时刻的响应信号S(t)，并将t-Δt采样时刻的响应信号S(t-Δt)输入到所述减法器中；其中，Δt为采样时间间隔；
所述减法器用于计算t-Δt采样时刻的响应信号S(t-Δt)与t采样时刻的响应信号S(t)差值的绝对值，并输出到所述比较器中；
所述比较器用于将差值的绝对值与预设阈值进行比较，若超过预设阈值，则控制所述脉冲发生器发出高电平脉冲；否则，控制所述脉冲发生器发出低电平脉冲。
6.根据权利要求1-5任意一项所述的传感器信号智能处理系统，其特征在于，所述特征提取模块还包括：第一模数转换器；各易失性忆阻器的输出端分别与第一模数转换器的输入端相连；
所述第一模数转换器用于读取所述易失性忆阻器的电导值，并将所述易失性忆阻器的电导值转换成数字信号，得到脉冲信号的时空特征，输出到所述识别模块中。
7.根据权利要求6所述的传感器信号智能处理系统，其特征在于，每隔预设时间，所述第一模数转换器读取一个易失性忆阻器电导值来表示脉冲信号该段时间内的特征；重复上述过程，得到一组电导值序列，即所述脉冲信号的时空特征。
8.根据权利要求1-5任意一项所述的传感器信号智能处理系统，其特征在于，所述识别模块包括：微控制单元、非易失性忆阻器阵列、数模转换器和第二模数转换器；所述微控制单元通过数模转换器与所述非易失性忆阻器阵列的各行相连，所述微控制单元通过所述第二模数转换器与所述非易失性忆阻器阵列的各列相连，从而形成所述基于非易失性忆阻器阵列的神经网络；
所述微控制单元对所述特征提取模块输入的特征进行编码后通过所述数模转换器转换成对应的电压，并输入到所述非易失性忆阻器阵列中进行矢量矩阵乘法运算，并将运算结果表征为电流，经所述第二模数转换器转换成数字信号，输入至所述微控制单元中进行识别，并输出识别结果。
9.根据权利要求8所述的传感器信号智能处理系统，其特征在于，所述非易失性忆阻器阵列被划分为k个子阵列，分别记为第i子阵列，i＝1,2,...,k；每一个子阵列分别对应一个突触层，以形成k层神经网络；
所述微控制单元选中第一子阵列，并对所述特征提取模块输入的特征进行编码后经过所述数模转换器输入到第一子阵列中，实现矢量矩阵乘法运算，并将运算结果表征为电流，经所述第二模数转换器转换成数字信号后输出至所述微控制单元；
所述微控制单元选中第j子阵列，并对第j-1子阵列输出的经所述第二模数转换器转换后的结果进行编码后经过所述数模转换器输入到第j子阵列中；j＝2,3,...,k；
所述微控制单元对第k子阵列输出的经所述第二模数转换器转换后的结果进行识别，得到识别结果。
10.根据权利要求1所述的传感器信号智能处理系统，其特征在于，所述传感器信号智能处理系统在识别传感器信号之前，根据预设识别任务采集训练样本，并将训练样本输入至所述传感器信号智能处理系统中进行训练，在训练过程中基于反向传播算法不断更新所述非易失性忆阻器阵列中对应忆阻器的电导值。
CN202110300059.2A 2021-03-22 2021-03-22 一种传感器信号智能处理系统 Active CN113076827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110300059.2A CN113076827B (zh) 2021-03-22 2021-03-22 一种传感器信号智能处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110300059.2A CN113076827B (zh) 2021-03-22 2021-03-22 一种传感器信号智能处理系统

Publications (2)

Publication Number Publication Date
CN113076827A true CN113076827A (zh) 2021-07-06
CN113076827B CN113076827B (zh) 2022-06-17

Family

ID=76613085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110300059.2A Active CN113076827B (zh) 2021-03-22 2021-03-22 一种传感器信号智能处理系统

Country Status (1)

Country Link
CN (1) CN113076827B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279491A (zh) * 2021-11-23 2022-04-05 电子科技大学 一种基于忆阻交叉阵列的传感器信号注意力权重分配方法
CN116663632A (zh) * 2023-08-02 2023-08-29 华中科技大学 感存算一体智能感知系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140156576A1 (en) * 2002-03-12 2014-06-05 Knowm Tech, Llc Memristive neural processor utilizing anti-hebbian and hebbian technology
CN109102071A (zh) * 2018-08-07 2018-12-28 中国科学院微电子研究所 一种神经元电路以及神经网络电路
CN109447250A (zh) * 2018-09-14 2019-03-08 华中科技大学 一种基于忆阻器中电池效应的人工神经元
CN109460817A (zh) * 2018-09-11 2019-03-12 华中科技大学 一种基于非易失存储器的卷积神经网络片上学习系统
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
CN110443168A (zh) * 2019-07-23 2019-11-12 华中科技大学 一种基于忆阻器的神经网络人脸识别系统
US20200192598A1 (en) * 2018-12-18 2020-06-18 Hewlett Packard Enterprise Development Lp Adiabatic Annealing Scheme and System for Edge Computing
CN111460365A (zh) * 2020-03-10 2020-07-28 华中科技大学 一种基于忆阻线性神经网络的方程组求解器及其操作方法
CN111507464A (zh) * 2020-04-19 2020-08-07 华中科技大学 一种基于忆阻器阵列的方程求解器及其操作方法
CN112289930A (zh) * 2020-10-29 2021-01-29 华中科技大学 一种兼具易失性与非易失性的CuxO忆阻器及其调控方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140156576A1 (en) * 2002-03-12 2014-06-05 Knowm Tech, Llc Memristive neural processor utilizing anti-hebbian and hebbian technology
CN109102071A (zh) * 2018-08-07 2018-12-28 中国科学院微电子研究所 一种神经元电路以及神经网络电路
CN109460817A (zh) * 2018-09-11 2019-03-12 华中科技大学 一种基于非易失存储器的卷积神经网络片上学习系统
CN109447250A (zh) * 2018-09-14 2019-03-08 华中科技大学 一种基于忆阻器中电池效应的人工神经元
US20200192598A1 (en) * 2018-12-18 2020-06-18 Hewlett Packard Enterprise Development Lp Adiabatic Annealing Scheme and System for Edge Computing
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
CN110443168A (zh) * 2019-07-23 2019-11-12 华中科技大学 一种基于忆阻器的神经网络人脸识别系统
CN111460365A (zh) * 2020-03-10 2020-07-28 华中科技大学 一种基于忆阻线性神经网络的方程组求解器及其操作方法
CN111507464A (zh) * 2020-04-19 2020-08-07 华中科技大学 一种基于忆阻器阵列的方程求解器及其操作方法
CN112289930A (zh) * 2020-10-29 2021-01-29 华中科技大学 一种兼具易失性与非易失性的CuxO忆阻器及其调控方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M. SHAHSAVARI等: "Combining a volatile and nonvolatile memristor in artificial synapse to improve learning in Spiking Neural Networks", 《ACM INTERNATIONAL SYMPOSIUM ON NANOSCALE ARCHITECTURES (NANOARCH)》 *
张培健: "亿阻神经形态系统在模式识别中的应用", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279491A (zh) * 2021-11-23 2022-04-05 电子科技大学 一种基于忆阻交叉阵列的传感器信号注意力权重分配方法
CN116663632A (zh) * 2023-08-02 2023-08-29 华中科技大学 感存算一体智能感知系统
CN116663632B (zh) * 2023-08-02 2023-10-10 华中科技大学 感存算一体智能感知系统

Also Published As

Publication number Publication date
CN113076827B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN113076827B (zh) 一种传感器信号智能处理系统
CN112183739B (zh) 基于忆阻器的低功耗脉冲卷积神经网络的硬件架构
CN108549841A (zh) 一种基于深度学习的老人跌倒行为的识别方法
CN111612136B (zh) 一种神经形态视觉目标分类方法及系统
CN113205048B (zh) 一种手势识别方法及识别系统
CN115146842B (zh) 基于深度学习的多元时间序列趋势预测方法和系统
CN115016276B (zh) 智能水分调节与环境参数物联网大数据系统
CN114722952B (zh) 一种基于表示学习的轴承故障检测和分类的一体化方法
CN210627259U (zh) 实现液体状态机的脉冲神经网络数模混合电路系统
WO2024021108A1 (en) Method and device for predicting service life of rolling bearing and computer readable storage medium
CN115054270B (zh) 基于gcn提取睡眠频谱图特征的睡眠分期方法及系统
CN113989933A (zh) 一种在线行为识别模型训练、检测方法及系统
CN113962371A (zh) 一种基于类脑计算平台的图像识别方法及系统
CN117828407B (zh) 双向跳跃存储的双阶段门控注意力时序分类方法及系统
CN116663632B (zh) 感存算一体智能感知系统
CN114282647A (zh) 基于脉冲神经网络的神经形态视觉传感器目标检测方法
CN115273853B (zh) 一种基于仿生神经网络的语音识别系统与方法
CN112949819B (zh) 基于忆阻器的自供能设备及其脉冲神经网络优化方法
Qin et al. Mamba-Spike: Enhancing the Mamba Architecture with a Spiking Front-End for Efficient Temporal Data Processing
CN116485015A (zh) 一种基于Conv-LSTM-RA网络的空气质量指数预测方法
CN115903746A (zh) 一种知识与孪生模型驱动的作动器关键故障注入与诊断方法
CN114385619A (zh) 一种多通道海洋观测时序标量数据缺失值预测方法及系统
Kang et al. Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN
CN117037287B (zh) 一种基于3d脉冲神经网络的行为识别方法、系统及装置
Hu et al. Voice keyword recognition based on spiking convolutional neural network for human-machine interface

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