CN113343814A - 一种基于单节点光子储备池计算的手写数字图像识别方法 - Google Patents
一种基于单节点光子储备池计算的手写数字图像识别方法 Download PDFInfo
- Publication number
- CN113343814A CN113343814A CN202110597543.6A CN202110597543A CN113343814A CN 113343814 A CN113343814 A CN 113343814A CN 202110597543 A CN202110597543 A CN 202110597543A CN 113343814 A CN113343814 A CN 113343814A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- photon
- node
- reserve pool
- image recognition
- 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
Links
Images
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于单节点光子储备池计算的手写数字图像识别方法,其单节点光子储备池计算仅有一个物理节点,结构被压缩到极限,而且仅输出连接权重需要被训练,为人工神经网络硬件实现和集成化提供理论基础;通过自延时反馈环,在不增加反馈环长度和不提高系统采样率的情况下大量扩展虚拟节点数,避免扩展虚拟节点数对单节点光子储备池计算结构的改变,提高系统在复杂任务中的适用性;本发明中使用高非线性光纤有效提高单节点光子储备池计算储备池层的非线性动力学响应丰富度,使储备池维度最大化,提高系统性能;本发明的单节点光子储备池计算在光域中处理和传输信号,不会受限于电子速率瓶颈,结合了光信息处理的高速大容量等特性。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种基于单节点光子储备池计算的手写数字图像识别方法。
背景技术
图像识别是一种非常重要的技术,在公共安全、生物、工业、农业、交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统;公共安全方面的人脸识别技术、指纹识别技术;农业方面的种子识别技术、食品品质检测技术;医学方面的心电图识别技术等。随着计算机技术的不断发展,图像识别技术也在不断地优化,其算法也在不断地改进。图像是人类获取和交换信息的重要来源,因此与图像相关的图像识别技术已然成为研究热点之一。
经过几十年的发展,图像识别方法大致可以分为三类:分别为基于统计模式的图像识别技术、基于句法模式的图像识别技术和基于模糊模式的图像识别技术。其中基于统计模式的图像识别技术主要是利用贝叶斯决策规则解决最优分类器问题,其基本思想是在不同的模式类中建立一个决策边界,利用决策函数把一个给定的模式归入相应的模式类中。然而随着被识别图像的模式复杂度的继续提升,基于统计模式的图像识别技术将面临特征提取的问题,由于其所要求的特征量巨大,使得其对复杂模式的准确分类非常困难。为了克服这些困难,基于句法模式的图像识别技术应用而生。其基本思路是把一个复杂模式分化为若干较简单子模式的组合,而子模式又分为若干基元,通过对基元的识别,进而识别子模式,最终识别该复杂模式。然而基于这两种方法的图像识别技术有一个共同的缺点,即它们的自适应性较差。根据人对事物识别的思维逻辑,结合了人类大脑识别事物的特点,人们提出一种基于模糊模式的图像识别技术,其理论基础是20世纪60年代诞生的模糊数学。该技术与前两种技术相比可以大幅度简化图像识别系统,而且具有高实用性、高可靠性等特点。其中,基于人工神经网络的图像识别技术是一种表现卓越的模糊模式的图像识别技术,由于其具有很强的自组织、自学习和自适应能力而成为图像识别中的研究热点。人工神经网络被认为是最接近人脑的信息处理方式的装置,所以在图像识别领域被给予厚望。
人工神经网络大致可以为两类,即前馈神经网络和递归神经网络。由于递归神经网络具有记忆特性,表现为递归神经网络的输出不仅和当前的输入有关,并且与之前的输入也有关,所以递归神经网络可以处理时间相关的任务,因而其擅长处理的问题更接近实际问题。基于这些优势,递归神经网络被广泛研究。然而,由于递归神经网络包含反馈,这会导致神经网络系统复杂度提升,训练计算量和时间成本较高,而且存在训练不收敛等问题。为了解决这些问题,学者们做了很多创新性探索,储备池计算被赋予极大的期望。
储备池计算(reservoir computing, RC)是在传统递归神经网络基础上的一种改进,储备池计算创新性的使用随机生成且固定的输入连接权重和内部连接权重,仅训练隐藏层与输出层之间的输出连接权重,而且往往简单的线性回归算法如岭回归即可训练该网络,这使得网络的训练被极大的简化,训练的计算量和时间成本均大幅度降低。该网络已经在很多任务中表现出优越的性能,如时间序列预测、语音识别以及非线性信道均衡等。然而传统的储备池计算的隐藏层包含大量的物理节点,这对于储备池计算的硬件实现和集成化都提出了挑战。单节点储备池计算对传统储备池计算的隐藏层进一步简化,其隐藏层由一个物理节点和该节点在时间尺度上的拓扑构成,这样便可以将人工神经网络的结构压缩到极限,对于人工神经网络的硬件实现和高度集成化具有重要的意义,本发明将单节点光子储备池计算引入图像识别领域,提出一种具有很好的自适应、自组织和自学习的简单的图像识别方法。
发明内容
本发明为了解决上述提到的问题,提供了一种基于单节点光子储备池计算的手写数字图像识别方法。
本发明解决其技术问题所采用的技术方案是:构造一种基于单节点光子储备池计算的手写数字图像识别方法,包括:
基于MNIST数据库获取标记好的0~9手写数字图像,并将标记好的0~9手写数字图像划分为训练集和测试集;
构建基于单节点光子储备池计算的图像识别网络模型,所述图像识别网络模型包括输入层、储备池层和输出层;通过所述输入层对输入的图像数据进行预处理,储备池层为带有高非线性光纤的自延迟反馈环的响应激光器,以对经过输入的图像数据进行高维非线性映射;输出层用于输出识别结果;
将作为训练集的0~9手写数字图像输入图像识别网络模型进行参数调整,至输出的结果为准确识别结果为止,训练完成后将作为测试集的0~9手写数字图像输入图像识别网络模型,验证图像识别网络模型的识别准确性;
将实时获取的0~9手写数字图像输入至训练好的图像识别网络模型,输出结果即为识别结果。
其中,输入层对标记好的0~9手写数字图像进行预处理的步骤包括:
对标记好的0~9手写数字图像进行方向梯度直方图(HOG)特征提取,将28×28像素的原始灰度图像提取为324×1的一维特征描述子;
特征描述子经历一个采样保持过程,经过采样保持后的序列和一个指定序列长度的掩模信号相乘;其中,所述掩模信号是N×324维,其元素为随机产生,N为虚拟节点数量;
将得到的N×1维向量输入至光子储备池层中。
其中,混沌掩模信号的元素采集于经过差分处理的白混沌信号。
其中,储备池层的结构包括:驱动激光器、马赫曾德尔调制器、第一光纤耦合器、高非线性光纤、光环形器、响应激光器和第二光纤耦合器;
其中,输入层输出的数据信号输入至马赫增德尔调制器的数据信号输入端,马赫增德尔调制器的激光信号输入端连接驱动激光器,以接收激光信号,马赫增德尔调制器的输出端连接至第一光纤耦合器的第一端口a;第一光纤耦合器的第二端口b连接高非线性光纤的一端,第一光纤耦合器的第三端口c连接光环形器的第一端口d;第二光纤耦合器的第一端口g连接至高非线性光纤的另一端,第二光纤耦合器的第二端口h连接至输出层,第二光纤耦合器的第三端口i连接至光环形器的第二端口e,光环形器的第三端口f连接响应激光器;由第一光纤耦合器、高非线性光纤、第二光纤耦合器及光环形器形成自延时反馈环。
其中,在将实时获取的0~9手写数字图像输入至训练好的图像识别网络模型进行结果识别的步骤中,采用赢者通吃的决策策略,将输出向量与对应的手写数字类别匹配。
区别于现有技术,本发明提出一种基于单节点光子储备池计算的手写数字图像识别方法,其单节点光子储备池计算仅有一个物理节点,结构被压缩到极限,而且仅输出连接权重需要被训练,为人工神经网络硬件实现和集成化提供理论基础;通过自延时反馈环,在不增加反馈环长度和不提高系统采样率的情况下大量扩展虚拟节点数,避免扩展虚拟节点数对单节点光子储备池计算结构的改变,提高系统在复杂任务中的适用性;本发明中使用高非线性光纤有效提高单节点光子储备池计算储备池层的非线性动力学响应丰富度,使储备池维度最大化,提高系统性能;本发明的单节点光子储备池计算在光域中处理和传输信号,不会受限于电子速率瓶颈,结合了光信息处理的高速大容量等特性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种基于单节点光子储备池计算的手写数字图像识别方法的流程示意图。
图2是本发明提供的一种基于单节点光子储备池计算的手写数字图像识别方法中图像识别网络模型的结构示意图。
图3是本发明提供的一种基于单节点光子储备池计算的手写数字图像识别方法中MNIST手写数字数据库的典型识别结果示意图。
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,对本发明做进一步的详细说明。应当理解,此外所描述的具体实施例仅用以解释本发明,但并不用于限定本发明。基于本发明中的实施例,本领域普通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,都将属于本发明保护的范围。
参照附图1,本发明提供的一种基于单节点光子储备池计算的手写数字图像识别方法,包括:
基于MNIST数据库获取标记好的0~9手写数字图像,并将标记好的0~9手写数字图像划分为训练集和测试集;
构建基于单节点光子储备池计算的图像识别网络模型,所述图像识别网络模型包括输入层、储备池层和输出层;通过所述输入层对输入的图像数据进行预处理,储备池层为带有高非线性光纤的自延迟反馈环的响应激光器,以对经过输入的图像数据进行高维非线性映射;输出层用于输出识别结果;
将作为训练集的0~9手写数字图像输入图像识别网络模型进行参数调整,至输出的结果为准确识别结果为止,训练完成后将作为测试集的0~9手写数字图像输入图像识别网络模型,验证图像识别网络模型的识别准确性;
将实时获取的0~9手写数字图像输入至训练好的图像识别网络模型,输出结果即为识别结果。识别完成后,采用赢者通吃的决策策略,将输出向量与对应的手写数字类别匹配。
具体的,网络模型的整体结构如图2所示,输入层的结构包括乘法器2,将输入的手写数字图像预处理后,与掩模信号相乘,结果输入至储备池层。
MNIST数据库包含70000张0~9手写数字的灰度图像,它们的作者涵盖250人,其中包括125名高中生和125名人口普查局工作人员。首先将从MNIST数据库中获取的手写数字图像进行方向梯度直方图(HOG)特征提取,在图像处理领域,HOG技术被广泛使用,这归因于HOG对于图像特征提取不仅有效,而且可以摒弃图像赘余信息,降低系统输入数据量,从而在根本上降低处理图像的计算量和对硬件的要求。例如在本发明的光子储备计算系统中,原始图像是28×28像素的灰度图像,经过HOG特征提取后变成一个324×1的一维特征描述子u(t)。这样在源头上降低了光子储备计算的运算量和计算复杂度。
特征描述子u(t)经历一个采样保持过程,每个采样点保持时间θ,然后经过采样保持后的序列和一个序列长度为nτ的掩模信号相乘。这里所使用的N×324维的掩模的所有元素都是随机产生的,并且在系统运行过程中保持固定不变,这里N是虚拟节点的数量。实质上,这里的掩模信号承担着光子储备池计算中从输入层到储备池层之间的输入连接权重的角色。不同类型的掩模信号会产生不同的识别效果。在本发明中,使用了混沌掩模信号,混沌掩模信号的元素采集于经过差分处理的白混沌信号。已有相关研究表明,使用符合高斯分布的掩模信号可以使系统维度最大化,从而提高系统性能。最后,将得到的N×1维向量S(t) = mask×u(t)注入到光子储备池层中。
储备池层的结构包括:驱动激光器4、马赫曾德尔调制器5、第一光纤耦合器6、高非线性光纤7、光环形器8、响应激光器9和第二光纤耦合器13;
其中,输入层输出的数据信号输入至马赫增德尔调制器5的数据信号输入端A,马赫增德尔调制器5的激光信号输入端B连接驱动激光器4,以接收激光信号,马赫增德尔调制器5的输出端C连接至第一光纤耦合器6的第一端口a;第一光纤耦合器6的第二端口b连接高非线性光纤7的一端,第一光纤耦合器6的第三端口c连接光环形器8的第一端口d;第二光纤耦合器13的第一端口g连接至高非线性光纤7的另一端,第二光纤耦合器13的第二端口h连接至输出层,第二光纤耦合器13的第三端口i连接至光环形器8的第二端口e,光环形器8的第三端口f连接响应激光器9;由第一光纤耦合器6、高非线性光纤7、第二光纤耦合器13及光环形器8形成自延时反馈环。
光子储备池层包含多个延迟时间,多延迟时间反馈环上包含大量虚拟节点。高非线性光纤7的色散特性可以大幅度增强光子储备池层的非线性动力学响应特性,从而使得储备池层维度最大化,提高单节点光子储备池计算的高维映射能力。多延迟时间在不改变单节点光子储备池计算的结构的基础上可以大范围扩展虚拟节点数量,而不局限于实际使用的高非线性光纤延迟时间,虚拟节点数对单节点光子储备池计算的性能有决定性作用。
此外,单节点光子储备池计算工作于光域中,在光域中处理和传输信号,处理速率大幅度提高。高非线性光纤7反馈延迟时间在ns量级,反馈延时时间较短,系统的信号处理速率快。响应激光器9由于包含驱动激光器4光注入和自身自延迟光反馈,工作于非线性状态,为光子储备池层提供非线性动力学响应。本发明中,驱动激光器4和响应激光器9可以是半导体激光器,也可以是其它类型激光器。
响应激光器9作为单节点光子储备池计算的唯一物理节点。负载信号S(t)通过马赫曾德尔调制器5调制驱动激光器4输出光,然后被调制的输出光注入到带有高非线性光纤7自延迟反馈环的响应激光器9中。
N维向量S(t)表示在时间区间[t, t + nτ]内的输入序列,在长度为τ的延迟反馈环内,在n次反馈时间nτ内每间隔时间θ(θ= nτ/ N)定义一个‘虚拟节点’,共N个虚拟节点,n τ为多延迟时间,在不增加反馈环长度的基础上大量扩展虚拟节点数,具体为响应激光器9的输出在反馈环中多次反馈。反馈环中使用了具有高非线性系数的高非线性光纤7,当响应激光器9的输出光进入高非线性光纤,产生二次谐波及和频等一系列非线性效应,主要分为非线性折射即弹性效应和受激非弹性散射。在高非线性光纤中非线性折射主要是自相关调制和交叉相关调制等;而受激非弹性散射主要包括受激拉曼散射和受激布里渊散射等。高非线性光纤7的这些非线性效应可以进一步丰富储备池层的瞬态响应,使储备池层维度最大化,在高维状态空间有助于线性分类。
最后,在储备池层中得到一个N维向量x(t),表示N个虚拟节点在n次反馈周期nτ时间内的瞬态响应。在这个过程中,受光注入和光反馈同时扰动的响应激光器9为输入信号提供高维非线性映射,自延迟反馈表现为输入信号的衰落时间,这个时间表现为单节点光子储备池计算的短期记忆特性。高维非线性映射和短期记忆特性是构建一个有效的储备池计算的两条基本要求。表1给出了本发明中用于手写数字图像识别的单节点光子储备池计算的具体系统参数。
输出层包括光电探测器11,用于接收储备池层的输出结果,并对储备池层高维状态空间加权读出以及一些后处理,从而得到目标任务结果。N个虚拟节点的瞬态响应x(t)通过输出连接权重W out进行加权求和,形成一个10×1维输出向量y(t) = W out×x(t)。得到的10×1维输出向量还需要配合决策策略才能得到最终的结果,使用了赢者通吃的决策策略,得到数字图片对应的标签矩阵,即可得到被识别图片的类别。
表1基于手写数字图像识别的单节点光子储备池计算的关键参数
在本发明中,基于训练数据集使用了岭回归算法训练单节点储备池计算。岭回归算法是在最小二乘估计的基础上的改进,引入岭参数使设计矩阵列复共线时最小二乘估计量的均方误差得到改善,从而使估计趋于稳定。本质上岭回归是线性回归的一种,其优点是运算速度快,并且总是收敛的。能够使用简单的线性回归算法训练单节点储备池计算,与高维非线性映射有着不可分割的关系。
具体来说,训练单节点储备池计算的过程,即是将N个虚拟节点的瞬态响应的加权求和的值W out×x(t)尽可能接近目标标签矩阵Y(t)。这样,输出连接权值W out可以用如下公式表示:
其中Y(t)为目标标签矩阵,x(t)为储备池层中所有虚拟节点的瞬态响应,W out为光子储备池计算的输出连接权重,λ为岭回归算法中的岭参数。
采用赢者通吃的决策策略将输出向量与对应的手写数字类别匹配,具体来说,输出向量y(t)中的10个元素中的最大元素被设置为1,其余9个元素被设置为0。然后将得到的结果与标签矩阵Y(t)进行匹配比较,得到每个被识别的数字对应于10个由独热码编码的1维标签矩阵所标识的对应手写数字类。
利用公式(1)定义的识别错误率(ER)来评估搭建的单节点光子储备池计算的图像识别网络模型性能,公式(1)表示为:
其中,m为验证数据集的样本总数,d为识别错误的样本数。
最终在该数据库上识别正确率达到了99.8%,图3以混淆矩阵的形式给出了典型的识别结果。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (5)
1.一种基于单节点光子储备池计算的手写数字图像识别方法,其特征在于,包括:
基于MNIST数据库获取标记好的0~9手写数字图像,并将标记好的0~9手写数字图像划分为训练集和测试集;
构建基于单节点光子储备池计算的图像识别网络模型,所述图像识别网络模型包括输入层、储备池层和输出层;通过所述输入层对输入的图像数据进行预处理,储备池层为带有高非线性光纤的自延迟反馈环的响应激光器,以对经过输入的图像数据进行高维非线性映射;输出层用于输出识别结果;
将作为训练集的0~9手写数字图像输入图像识别网络模型进行参数调整,至输出的结果为准确识别结果为止,训练完成后将作为测试集的0~9手写数字图像输入图像识别网络模型,验证图像识别网络模型的识别准确性;
将实时获取的0~9手写数字图像输入至训练好的图像识别网络模型,输出结果即为识别结果。
2.根据权利要求1所述的基于单节点光子储备池计算的手写数字图像识别方法,其特征在于,输入层对标记好的0~9手写数字图像进行预处理的步骤包括:
对标记好的0~9手写数字图像进行方向梯度直方图(HOG)特征提取,将28×28像素的原始灰度图像提取为324×1的一维特征描述子;
特征描述子经历一个采样保持过程,经过采样保持后的序列和一个指定序列长度的掩模信号相乘;其中,所述掩模信号是N×324维,其元素为随机产生,N为虚拟节点数量;
将得到的N×1维向量输入至光子储备池层中。
3.根据权利要求2所述的基于单节点光子储备池计算的手写数字图像识别方法,其特征在于,混沌掩模信号的元素采集于经过差分处理的白混沌信号。
4.根据权利要求1所述的基于单节点光子储备池计算的手写数字图像识别方法,其特征在于,储备池层的结构包括:驱动激光器、马赫曾德尔调制器、第一光纤耦合器、高非线性光纤、光环形器、响应激光器和第二光纤耦合器;
其中,输入层输出的数据信号输入至马赫增德尔调制器的数据信号输入端,马赫增德尔调制器的激光信号输入端连接驱动激光器,以接收激光信号,马赫增德尔调制器的输出端连接至第一光纤耦合器的第一端口a;第一光纤耦合器的第二端口b连接高非线性光纤的一端,第一光纤耦合器的第三端口c连接光环形器的第一端口d;第二光纤耦合器的第一端口g连接至高非线性光纤的另一端,第二光纤耦合器的第二端口h连接至输出层,第二光纤耦合器的第三端口i连接至光环形器的第二端口e,光环形器的第三端口f连接响应激光器;由第一光纤耦合器、高非线性光纤、第二光纤耦合器及光环形器形成自延时反馈环。
5.根据权利要求1所述的基于单节点光子储备池计算的手写数字图像识别方法,其特征在于,在将实时获取的0~9手写数字图像输入至训练好的图像识别网络模型进行结果识别的步骤中,采用赢者通吃的决策策略,将输出向量与对应的手写数字类别匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110597543.6A CN113343814B (zh) | 2021-05-31 | 2021-05-31 | 一种基于单节点光子储备池计算的手写数字图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110597543.6A CN113343814B (zh) | 2021-05-31 | 2021-05-31 | 一种基于单节点光子储备池计算的手写数字图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343814A true CN113343814A (zh) | 2021-09-03 |
CN113343814B CN113343814B (zh) | 2022-06-14 |
Family
ID=77472609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110597543.6A Active CN113343814B (zh) | 2021-05-31 | 2021-05-31 | 一种基于单节点光子储备池计算的手写数字图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343814B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114460580A (zh) * | 2022-01-12 | 2022-05-10 | 苏州大学 | 基于半导体激光器的微波光子成像识别一体化雷达系统 |
CN114781636A (zh) * | 2022-06-21 | 2022-07-22 | 太原理工大学 | 一种集成型光子储备池计算装置 |
WO2023045202A1 (zh) * | 2021-09-23 | 2023-03-30 | 苏州浪潮智能科技有限公司 | 一种光学芯片设计方法、系统、设备及计算机存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
US20190164053A1 (en) * | 2017-11-30 | 2019-05-30 | Hitachi, Ltd. | Device and Computer Realizing Calculation of Reservoir Layer of Reservoir Computing |
CN110046615A (zh) * | 2019-04-12 | 2019-07-23 | 太原理工大学 | 一种矿用辅助运输车辆信息自动识别方法 |
WO2019232872A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写字模型训练方法、汉字识别方法、装置、设备及介质 |
WO2019232850A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写汉字图像识别方法、装置、计算机设备及存储介质 |
CN110709866A (zh) * | 2017-05-29 | 2020-01-17 | 根特大学 | 多模储层 |
CN112669193A (zh) * | 2019-09-30 | 2021-04-16 | 英特尔公司 | 使用本地和基于云的处理资源的实时图形处理设备和方法 |
-
2021
- 2021-05-31 CN CN202110597543.6A patent/CN113343814B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN110709866A (zh) * | 2017-05-29 | 2020-01-17 | 根特大学 | 多模储层 |
US20190164053A1 (en) * | 2017-11-30 | 2019-05-30 | Hitachi, Ltd. | Device and Computer Realizing Calculation of Reservoir Layer of Reservoir Computing |
WO2019232872A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写字模型训练方法、汉字识别方法、装置、设备及介质 |
WO2019232850A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写汉字图像识别方法、装置、计算机设备及存储介质 |
CN110046615A (zh) * | 2019-04-12 | 2019-07-23 | 太原理工大学 | 一种矿用辅助运输车辆信息自动识别方法 |
CN112669193A (zh) * | 2019-09-30 | 2021-04-16 | 英特尔公司 | 使用本地和基于云的处理资源的实时图形处理设备和方法 |
Non-Patent Citations (3)
Title |
---|
SILVIA ORTÍN 等: ""Information processing using an electro-optic oscillator subject to multiple delay lines"", 《2013 CONFERENCE ON LASERS & ELECTRO-OPTICS EUROPE & INTERNATIONAL QUANTUM ELECTRONICS CONFERENCE CLEO EUROPE/IQEC》 * |
胡春强: ""基于单节点光子储备池计算的图像与视频识别技术研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
靳雨: ""光电反馈混沌储备池计算及其识别应用的研究"", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045202A1 (zh) * | 2021-09-23 | 2023-03-30 | 苏州浪潮智能科技有限公司 | 一种光学芯片设计方法、系统、设备及计算机存储介质 |
CN114460580A (zh) * | 2022-01-12 | 2022-05-10 | 苏州大学 | 基于半导体激光器的微波光子成像识别一体化雷达系统 |
CN114781636A (zh) * | 2022-06-21 | 2022-07-22 | 太原理工大学 | 一种集成型光子储备池计算装置 |
CN114781636B (zh) * | 2022-06-21 | 2022-09-06 | 太原理工大学 | 一种集成型光子储备池计算装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113343814B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343814B (zh) | 一种基于单节点光子储备池计算的手写数字图像识别方法 | |
Khan et al. | Deep unified model for face recognition based on convolution neural network and edge computing | |
Wang et al. | MESNet: A convolutional neural network for spotting multi-scale micro-expression intervals in long videos | |
Dong et al. | Automatic age estimation based on deep learning algorithm | |
Hatami et al. | Classification of time-series images using deep convolutional neural networks | |
Asnani et al. | Reverse engineering of generative models: Inferring model hyperparameters from generated images | |
Shi et al. | Image manipulation detection and localization based on the dual-domain convolutional neural networks | |
CN106599797A (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
CN111582044A (zh) | 基于卷积神经网络和注意力模型的人脸识别方法 | |
Santra et al. | Deterministic dropout for deep neural networks using composite random forest | |
Razzaghi et al. | Learning spatial hierarchies of high-level features in deep neural network | |
Guermazi et al. | Facial micro-expression recognition based on accordion spatio-temporal representation and random forests | |
CN113343813B (zh) | 一种基于单节点光子储备池计算的动作视频识别方法 | |
CN111144500A (zh) | 基于解析高斯机制的差分隐私深度学习分类方法 | |
Liu et al. | Uncertainty-aware graph reasoning with global collaborative learning for remote sensing salient object detection | |
Hui et al. | FoolChecker: A platform to evaluate the robustness of images against adversarial attacks | |
CN111652021B (zh) | 一种基于bp神经网络的人脸识别方法及系统 | |
Chui et al. | Capsule networks and face recognition | |
CN114973226A (zh) | 自监督对比学习自然场景中文本识别系统训练方法 | |
Mohamed | A novel technique for human face recognition using fractal code and bi-dimensional subspace | |
Kothari et al. | Comparison of Age, Gender and Ethnicity Prediction Using Traditional CNN and Transfer Learning | |
Jaswanth et al. | Deep learning based intelligent system for robust face spoofing detection using texture feature measurement | |
Sankaran et al. | Deep Feature Fusion for Face Analytics | |
Dai et al. | Infinite-dimensional feature aggregation via a factorized bilinear model | |
CN111340111B (zh) | 基于小波核极限学习机识别人脸图像集方法 |
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 |