CN113874881A - 用于共享交叉流事件检测的方法及设备 - Google Patents
用于共享交叉流事件检测的方法及设备 Download PDFInfo
- Publication number
- CN113874881A CN113874881A CN202080036961.1A CN202080036961A CN113874881A CN 113874881 A CN113874881 A CN 113874881A CN 202080036961 A CN202080036961 A CN 202080036961A CN 113874881 A CN113874881 A CN 113874881A
- Authority
- CN
- China
- Prior art keywords
- spike
- threshold
- region
- stream
- hardware configuration
- 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
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
- G06N3/049—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/063—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
- G06N3/06—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
- G06N3/065—Analogue 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
- H04L43/087—Jitter
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Neurology (AREA)
- Environmental & Geological Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
跨越具有显著随机内容的尖峰神经网络数据流识别共享事件。所述数据流首先经受交叉相关。如果两个数据流是完全不相关的,那么交叉流尖峰对的出现速率跨越所有事件间时间是大约均匀的“r_ind”。任何共享事件形成梯度,其中针对任何TBE的辨别时间,r_ind增大到速率“r_shr”。可利用经推测TOD来完成对实际TOD的搜索。针对指数衰减测试TOD_c,其中所述指数衰减的速率设定为经推测r_ind。当r_ind_c=实际r_ind时,指数衰减的相等值范围表示相等概率。产生TOD_c及r_ind的值,直到发现其中概率上相等的区域接收统计上相等数目的交叉流事件的组合为止。接着知晓TOD_a.TOD_c。
Description
本专利主张以全文引用方式并入本文中的以下美国专利申请案的申请日期的权益:
发明人为大卫·卡尔·巴顿(David Carl Barton)且申请案号为62/856,142的2019年6月2日提出申请的“用于共享交叉流事件检测的方法及设备(Method andApparatus for Shared Cross-Stream Event Detection)”。
本专利以全文引用的方式并入以下专利申请案:
发明人为大卫·卡尔·巴顿且申请案号为62/819,590的2019年3月17日提出申请的美国专利申请案“用于交叉相关的方法及设备(Method and Apparatus for CrossCorrelation)”;及
发明人为大卫·卡尔·巴顿且申请案号为PCT/US2020/022869的2020年3月15日提出申请的PCT国际申请案“用于交叉相关的方法及设备”。
技术领域
本发明一般来说涉及检测跨越多个数据流出现的共享事件,且更特定来说,涉及跨越具有显著随机内容的数据流检测共享事件。
背景技术
实现信号(或数据)流之间的同步(或交叉相关)的重要性在许多技术领域中众所周知,包含(但不限于)信号处理及计算机网络。举例来说,在信号处理中,交叉相关通常用于在各种应用中找出信号流之间的相对延迟。在两个信号流经受交叉相关之后,具有其同步的程度度量可为有用的。
因此,存在对信号流之间的相关的较佳度量的需要。
附图说明
并入于此说明书中且构成此说明书的一部分的附图图解说明本发明的数个实施例且连同说明一起用于解释本发明的原理:
图1描绘多流交叉相关器在尖峰神经网络领域中的实例应用情境。
图2是针对图1的每一CCU的实例内部结构的功能框图。
图3描绘学习延迟的功能性实施方案,所述学习延迟使用存在于其F.O.R.d输入处的每一对尖峰作为参考系来分析出现在学习延迟的其它输入处的任何尖峰。
图4描绘基于Python编程语言的学习延迟的实例伪编码实施方案。
图5到7描绘学习延迟的实例电实施方案。
图8是图2的CCU的功能框图,惟将解决冲突块添加到产生延迟的无存储器版本除外。
图9描绘通过将指数衰减曲线与阈值检测相结合来实施产生延迟的实例。
图10呈现用于实施结合图8针对功能块0220所论述的产生延迟功能性的电路系统。
图11描绘与图8中所展示相同的CCU,惟添加“学习速率全部”(或LRA)功能块0223除外。
图12描绘在已知实际MEAALL的情况下尖峰的实例分布。
图13描绘在对MEAALL的值的猜测(称之为MEAguess)太高的情况下尖峰的实例分布。
图14描绘在对MEAALL的值的猜测(称之为MEAguess)太低的情况下尖峰的实例分布。
图15描绘找出MEA而非对方程式1产生其总范围的一半的点(例如,P=0.5)进行求解的相等测试方法。
图16呈现用于基于相等测试方式的学习速率全部的电路实施方案。
图17及18呈现分别在图6及7中展示的学习延迟的相同电路实施方案,惟添加用于rALL输入的硬件除外。
图19呈现图10中所展示的产生延迟的相同电路实施方案,惟添加用于rALL输入的硬件除外。
图20描绘将学习TOD单元与交叉相关单元(或CCU)的输出一起使用的框图。
图21呈现在相关之后可能显现的两个尖峰流的片段。
图22描绘与图21的相同尖峰流,惟突出显示两种类型的随意尖峰间延迟的实例除外。
图23出于强调本发明的中心问题(确定“辨别时间”或TOD)的目的而仅图解说明两个CSSP TBE。
图24描绘展示如何在并入到图20的设计中的情况下可对尖峰流执行的图26的学习TOD单元实施方案的两个实例的模拟。
图25A旨在图解说明仅具有随机内容的CS尖峰对流的行为。
图25B旨在图解说明针对TOD或更小的时间分隔,添加到r_ind的共享尖峰(如果共享尖峰存在)的额外速率。
图26呈现针对图20的学习TOD单元中的每一者的实施方案的实例分区,特定来说适合于硬件。
图27A-B呈现使用TOD_c及r_ind_c的实施方案的功能视图。
图28A-B呈现用于图20的学习TOD单元中的每一者的实例伪代码实施方案。
图29描绘根据图26的硬件分区的实例电路级实施方案。
图30A-B分别对应于图27A-B,惟图30A-B描绘将后TOD_c时间范围一分为四及一分为二的实例除外。
图31呈现图30A-B的多标度(四分之一及二分之一)及多样本(Q4/Q3及Q2/Q1)方法的实例电路级实施方案。
图32A-C呈现用于图20的学习TOD单元中的每一者的实例多标度、多样本伪代码实施方案。
具体实施方式
现在将详细参考本发明的各种实施例,在附图中图解说明本发明的实例。尽可能地,将贯穿图式使用相同参考编号来指相同或相似部件。
请参考定义下文所使用的选定术语的章节7(“选定术语表”)。
实施方式的目录
1 概述
2 实例实施例
3 分区实施例
3.1 概述
3.2 广泛化
3.3 电路实施方案
4 伪代码实施方案
5 多标度、多样本
5.1 概述
5.2 实例实施例
5.3 实例电实施方案
5.4 伪代码实施方案
6 其它变化形式
7 选定术语表
8 计算设备
9 附录
1概述
本专利直接基于以下美国临时申请案:发明人为大卫·卡尔·巴顿且申请案号为62/856,142的2019年6月2日提出申请的“用于共享交叉流事件检测的方法及设备”(下文中称为‘142申请案)。
‘142申请案本身基于以下美国临时申请案:
发明人为大卫·卡尔·巴顿且申请案号为62/819,590的2019年3月17日提出申请的“用于交叉相关的方法及设备”(下文中称为‘590申请案)。
‘590申请案的全文作为附录包含于‘142申请案中。基本上,‘590申请案的全文也作为附录包含于本文中。如上文所述,‘590申请案的全文以引用方式并入本文中。
‘590申请案呈现用于具有显著随机内容(例如可在尖峰神经网络中出现)的数据流之间的交叉相关的方法及设备。
由于‘590申请案包含编号为1到19的图,因此本专利的图1到19在本文中包含的附录(即,章节9)中进行了说明。
‘142申请案的图的编号及本专利的共享交叉流事件检测的论述在图20处开始。
本文中所呈现的说明聚焦于本发明对尖峰神经网络的应用。然而,如下文术语表中所解释,如本文中所使用的术语“尖峰”可指较宽广范围的信号不连续。为了强调术语“尖峰”的宽广范围,在本文中的各处,所述术语可以术语“事件”或“表现”来代替。
图21呈现两个尖峰流2001及2002的片段,因为其可能在通过‘590申请案的发明进行相关之后出现。如此,除了已确定相关的跨越两个流的某些尖峰对之外,可预期流2001及2002的尖峰是随意分布的(或可称为主要具有随意内容)。在个别考虑时,随意性既相对于每一尖峰流自身而发生,又在检验跨越两个或更多个流的尖峰时发生。
如可看出,出于论述的目的,流2001的每一尖峰已被指派从a1到j1的标号,且流2002的每一尖峰已被指派从a2到f2的标号。
图22描绘与图21相同的尖峰流,惟突出显示两种类型的随意尖峰间延迟的实例除外。
图22突出显示在流2001内的两个流内(IS)尖峰对:
·由尖峰a1及b1组成的IS尖峰对,及
·由尖峰b1及c1组成的IS尖峰对。
图22还突出显示流2001及2002的两个交叉流(CS)尖峰对:
·由尖峰a2及b1组成的CS尖峰对,及
·尖峰b2及d1的CS尖峰对。
其中在同一或单独流中出现尖峰的两个连续尖峰之间的时间间隔可称为尖峰对的事件间时间(TBE)。(在'590申请案中,IS尖峰对的TBE称为尖峰间间隙或ISG。)在本专利中,将主要论述CS尖峰对的TBE。CS尖峰对也可在本文中称为CSSP,且IS尖峰对也可在本文中称为ISSP。通过选择两个尖峰流产生的连续CSSP可称为CS尖峰对流(或CSSP流)。
图22突出显示IS尖峰对的以下两个TBE:
·尖峰a1与b1的TBE 2210,及
·尖峰b1与c1的TBE 2211。
图22还突出显示CSSP的以下两个TBE:
·尖峰a2与b1之间的TBE 2220,及
·尖峰b2与d1之间的TBE 2221。
除非另有限制,否则TBE的时间范围可为从任意接近于0到任意接近于无穷的基本上任何值。
如上文所论述,在ISSP或CSSP的每一流内,可预期时间间隔为随意的,惟已找出其相关性的那些CS尖峰对除外。ISSP或CSSP流的随意分布通常是泊松(Poisson)分布。虽然是随意的,但可预期ISSP或CSSP的每一流具有相对恒定的平均时间间隔。此平均时间间隔也可表达为尖峰对出现的平均速率或r_avg。
如所提及,除随机内容之外,CSSP的流还可具有非随意内容,且本发明针对于检测非随意CSSP。当非随意CSSP出现时,可预期形成其的尖峰具有固定时间关系(受到存在于任何现实信令系统中的限制,例如抖动)。
虽然具有固定时间关系,但可通常预期此些尖峰(出于除抖动外的原因,且对例如尖峰神经网络等系统的操作是固有的)在不同时间出现。另外,可能的情形是,作为非随意CSSP的部分的一个或两个尖峰将不能在其相应尖峰流中可靠地表现自身(尽管在其出现时,预期此些尖峰具有彼此固定的时间关系)。由于非随意CS尖峰对表示在某一基础事件的表现中共享多个尖峰,因此可将其称为“共享”CS尖峰对。共享CS尖峰对中的表现尖峰可称为“共享”CS尖峰(或简称为共享尖峰)。
与共享CS尖峰对相比来说,随意CS尖峰对表示其中一个尖峰的出现独立于另一尖峰的出现的尖峰对。因此可将随意CS尖峰对中的尖峰称为“独立”CS尖峰(或简称为独立尖峰)。这些独立尖峰的平均出现速率可表达为r_ind(而非r_avg)。
在应用‘590申请案的相关发明之后,可预期共享CS尖峰对具有接近于零的时间分隔(或TBE)。本发明寻求确定最大时间距离,本文中称为“辨别时间”(或TOD)。具有等于或小于TOD的TBE的CS尖峰对被分类为由共享尖峰组成,而具有大于TOD的TBE的CS尖峰对被视为独立的。
一旦找出相关性,TOD的确定基于对独立与共享尖峰如何相互作用的理解。这将借助于图25A-25B来说明。图25A-25B各自呈现描绘针对特定CS尖峰对流的速率(垂直轴)与时间分隔(水平轴,标记为“TBE”)之间的关系的一类型的图表。TBE轴的特定数字仅出于实例的目的。
图25A旨在图解说明仅具有随机内容的CS尖峰对流的行为。其描绘以下事实:跨越所有时间分隔,可预期CSSP展现大约均匀的平均出现速率,即r_ind(如上文所论述)。
然而,相比来说,图25B旨在图解说明针对TOD 2510或更小的时间分隔的添加到r_ind的共享尖峰(如果存在共享尖峰)的额外速率。将在图25B中标记为2530的此组合速率称为共享速率或r_shr。因此,可通过找出具有以下特性的时间分隔而确定例如2510等的TOD:
·针对所有较大TBE,CSSP的速率是较低的(例如,在图25B中,下降到r_ind2521);且
·针对所有相等或较小时间分隔(相对于TOD),TBE的速率是较高的(例如,增大到r_shr 2530)。
图25B还描绘以下事实,甚至在时间分隔<TOD的范围内,仍存在CSSP出现的背景随意速率(在图25B中指示为2520)。此背景速率被添加到共享CSSP的速率,而产生r_shr的经组合水平。r_ind的背景速率指示可预期某一数目个误报。
图23出于强调本发明的中心问题(确定“辨别时间”或TOD)的目的而仅图解说明两个CSSP TBE。出于实例的目的,将TBE 2221视为>TOD,且因此将尖峰b2与d1视为非共享的。将TBE 2222视为充分小的,使得c2及e1被视为共享尖峰。
2实例实施例
为了呈现实例实施例,引入额外的命名法将是有用的。特定来说,区分两种类型的TOD是有用的:
·TOD_a:实际TBE时间分隔,其后CSSP的速率从r_shr下降到r_ind。
·TOD_c:针对寻求确定TOD_a的实施例,TOD_c表示当前经推测值。
尽管本发明的实施例无法直接检测TOD_a,但其可检测分隔TOD_c与TOD_a的梯度,且借此搜索TOD_a的越来越准确的估计。
类似地,区分两种类型的r_ind是有用的:
·r_ind_a:针对大于TOD_a的时间分隔,CSSP的实际速率。
·r_ind_c:针对寻求确定r_ind_a的实施例,r_ind_c表示基于CSSP>TOD_c的当前经推测值。
同样地,尽管本发明的实施例无法直接检测r_ind_a,但其可检测分隔r_ind_c与r_ind_a的梯度,且借此搜索表示较准确估计的r_ind_c的值。
图27A-B呈现使用TOD_c及r_ind_c的实施方案的功能视图。具体来说,图27A-B中的每一者描绘两种关键操作模式中的一者:
·图27A:描绘其中TOD_a<TOD_c的情况,将其称为“第一模式”或“模式一”。针对所展示实例,TOD_a图示于0.05秒处且TOD_c处于0.10秒处。
·图27B:描绘其中TOD_a>TOD_c的情况,将其称为“第二模式”或“模式二”。针对所展示实例,TOD_a图示于0.51秒处且TOD_c处于0.10秒处。
如可看出,图27A由以下两个主要子部分组成:
·图表2700:描绘e-rt形式的指数衰减曲线2710。水平轴表示CSSP的第一与第二尖峰之间的时间距离(即,TBE)。假设指数衰减速率(“r”)等于独立(或随意间隔的)CSSP的实际平均速率(r_ind_a)。那么,沿着垂直TBE_P轴的每一值表示以下概率。具体来说,如果独立CSSP的第一尖峰刚刚出现,那么对于沿着水平TBE轴的每一时间,其TBE_P值表示第二尖峰出现的概率,无论是在时间TBE还是之后的任何时间。因此,举例来说,第一尖峰在TBE时间为0秒时,第二尖峰出现在0秒或之后的任何时间的概率为1或100%(根据TBE_P轴)。
·图表2701:描绘与先前针对图25B论述的基本上相同类型的图表,除了图27A的TOD_a展示在0.05秒处。
图表2700还基于使用两个阈值检测器:
·第一阈值检测器设定为阈值th_c,其中th_c在通过指数衰减2710投影到时间轴上(即,投影到TBE轴上)时,识别TOD_c。因此,此阈值检测器识别TOD_c到无穷的时间范围。在图27A中,实例值是th_c=0.74,且对应TOD_c=0.10秒。
·第二阈值检测器设定为th_c/2。在图27A中,出于实例的目的,th_c/2=0.37。第二阈值检测器在投影到时间轴上时确定中值预期到达(MEA)时间,时间范围为TOD_c到无穷。在图27A的实例中,MEA时间是0.33秒。因此,可如下使用th_c/2来将TOD_c到无穷的时间范围一分为二:
○前二分之一,称为H2,其中:TOD_c<H2≤MEA。对于图27A,实例范围为:0.10秒<H2≤0.33秒。
○后二分之一,称为H1,其中:MEA<H1≤∞。对于图27A,实例范围为:0.33秒<H2≤∞秒。
虽然使用一分为二的实例,但对于TOD_c到无穷的时间范围的划分的第一次引入,可使用其它划分单位(例如将范围一分为四)。因此,也可将每一划分单位称为“区域”。图27A展示使用两个区域,其中每一区域是时间范围的一半。
一分为二可用于将r_ind_c收敛到r_ind_a,如下:
·对于每一独立CS尖峰对,第二尖峰(称为spike_2)被视为r_ind_a的负代理。
·无论spike_2发生于哪一半内,调整r_ind_c使得将来在另一半内出现尖峰的可能性增大。举例来说,图27A描绘H1内在0.51秒的实例spike_2。因此,逐渐降低r_ind_c(根据所要学习速率),因为这将倾向于在未来使尖峰朝向H2转移。一般来说,r_ind_c调整的规则如下:
○如果CS尖峰对中的第二尖峰出现在H1内:
逐渐降低r_ind_c,使得后续尖峰将有更大的趋势在H2内出现。
○如果CS尖峰对中的第二尖峰出现在H2内:
逐渐增大r_ind_c,使得后续尖峰将有更大的趋势在H1内出现。
·暂时忽略TOD_a的影响(即,假设时间范围,在所述时间范围内寻找r_ind_a,确实具有均匀速率r_ind_a),可了解,从统计上看,此方法将如何产生r_ind_c向r_ind_a收敛:
○如果随着时间的推移,H1接收到比H2更多的CS尖峰对中的第二尖峰,那么已知r_ind_c太高(即,已知r_ind_c>r_ind_a)达到某个未知量。因此,搜索空间梯度指示r_ind_a在某种程度上低于r_ind_c,并且应该减小r_ind_c以便减小差异。
○如果随着时间的推移,H2接收到比H1更多的CS尖峰对中的第二尖峰,那么已知r_ind_c太低(即,已知r_ind_c<r_ind_a)达到某个未知量。因此,搜索空间梯度指示r_ind_a在某种程度上高于r_ind_c,并且应该增大r_ind_c以便减小差异。
·r_ind_c降低或升高的递增量确定学习速率,且将此量称为R_LR。
遵循这些规则,如果优化过程刚好以低于r_ind_a的r_ind_c开始,那么H2中会出现比H1多的尖峰,从而导致r_ind_c的净增大。增大r_ind_c将减小th_c的时间轴投影(即,将导致TOD_c减小)。出于解释的目的,将假设TOD_c的减小不足以使其退出模式一(即,不会导致TOD_c等于或小于TOD_a)。对于r_ind_c开始高于r_ind_a,r_ind_c的调整(即,其减小)不会导致退出模式一(因为其增大了TOD_c超过TOD_a的量)。
因此,对于此第一操作模式,在没有额外机制的情况下(并且将在下面论述额外机制),可以达到平衡状态,其中仅r_ind_c等于r_ind_a,并且TOD_a小于TOD_c。在所述情况下,H2与H1中仍然出现相等数目的尖峰,这意味着净动态平衡。
图27B描绘第二主要操作模式,其中TOD_a大于TOD_c。如同图27A,图27B由上子图及下子图组成。图27B的上子图与图27A的上子图相同(因此其均标记为2700)。图27B的下子图(标记为2702)与图27A的下子图(标记为2701)的差异仅在于TOD_a超过TOD_c。
在模式二的情况下,可观察到,因为r_shr总是延伸到H2区域中达至少某一量(假设TOD_a>TOD_c),且r_shr将始终向区域H1中延伸较少量(如果有的话),因此H2的净尖峰出现速率将总是高于H1的净尖峰出现速率。此观察可如下使用来将TOD_c朝向TOD_a调整:
·如果CS尖峰对中的第二尖峰出现在H2内:假设其是TOD_a延伸至少某一未知量超过TOD_c的结果。通过将TOD_c朝向TOD_a逐渐增大(通过逐渐减小th_c)来减小不平衡速率(在H2与H1之间)。虽然在处理个别尖峰对时,此假设不一定正确,但从统计上看,在大量尖峰对上,H2中的第二尖峰将必然比H1多(只要TOD_a至少延伸超过TOD_c的某一量)。
·如果CS尖峰对中的第二尖峰出现在H1内:假设其是H2及H1之间平衡速率的结果,且因此逐渐减小TOD_c(通过逐渐增大th_c)。虽然此减小将会减缓TOD_c朝向TOD_a的接近(如果TOD_c实际上小于TOD_a),但其对于TOD学习装置最终实现第一操作模式(即,实现TOD_c等于或大于TOD_a)是必要的。在所述第一模式中,一旦r_ind_c等于r_ind_a,不仅r_ind_c的改变将平衡,而且TOD_c的改变也将平衡,从而赋予TOD_c净动态平衡。
TOD_c降低或升高(通过th_c的调整)的递增量确定学习速率,且将此量称为TH_LR。
应注意,在模式二中,H2中比H1出现尖峰的趋势更大也将导致r_ind_c增大(因为如果TOD学习装置实际上处于模式一,那么增大是必要的,并且假设装置不知晓其实际上是处于模式一还是模式二)。如上文所提及,此速率增大往往会减小TOD_c,且因此作用于抵消TOD_c的递增。
然而,最终,r_ind_c将被升高到足够高的速率,使得速率的每一递增(通过R_LR)将减小TOD_c的量小于TOD_c的增大量(由单位TH_LR中的th_c减小引起)。此外,随着TOD_c接近TOD_a,速率增大的频率将变小(因为跨越H2的平均速率朝向跨越H1的平均速率减小)。最终,TOD_c将等于或超过TOD_a,这导致第一操作模式,其中相等数目个尖峰(平均地)出现在H2或H1中。因此,在第一操作模式中,th_c的递增改变达到平衡且对TOD_c的位置没有影响。
如上文已结合图27A提及,在第一模式中的平衡条件下,可了解,在没有进一步机制的情况下,TOD_c可以保持大于但不一定等于TOD_a。此问题可通过添加用于减小TOD_c的额外机制来解决。特定来说,在每次检测到尖峰对时,无论其是在H2还是H1半部分中,th_c总是可增大小的递增量。为了防止th_c的恒定(或独立于区域的)增大对结果(所述结果是TOD_c的值,所述值是TOD_a的准确估计)的准确性产生重大影响,所利用的值可为TH_LR的小分数。举例来说,可使用TH_LR/10或更小的值。
3分区实施例
3.1概述
图20对应于‘590申请案的图1。主要差异是以学习TOD单元2021及2022代替图1的“索玛(soma)”0121。每一学习TOD单元具有相同的内部结构,唯一的区别是其到尖峰流2001及2002的连接。每一学习TOD单元经设计以从CS尖峰对中学习TOD,其中所考虑的每一对中的第一尖峰出现在“其它”输入处,且第二尖峰出现在“Me”输入处。如可看出,这致使学习TOD单元2021及2022如下操作:
·学习TOD单元2021从CS尖峰对中学习TOD,其中第一尖峰来自流2002(通过CCU2012),且第二尖峰来自流2001(通过CCU 2010)。
·学习TOD单元2022从CS尖峰对中学习TOD,其中第一尖峰来自流2001(通过CCU2010),且第二尖峰来自流2002(通过CCU 2012)。
因此,组合地,学习TOD单元2021及2022可辨识跨越流2001及2002出现的交叉流尖峰对的任一方向,其中一个学习TOD单元或另一学习TOD单元的输出驱动“或”门2015的“共享事件”输出。
在学习辨识CS尖峰对方面,两个学习TOD单元的操作可以参考图24及26来理解。
3.2广泛化
图26呈现学习TOD单元2021及2022中的每一者的实施方案的实例分区,特别适用于硬件。虽然针对以硬件为中心的实施方案进行了分区,但关于所选择的特定技术实施方案,图26也被相对广泛化。
如可看出,针对每一学习TOD单元,其“Me”、“其它”及“其它共享”输入被引导到称作“对检测器”的状态机2610。
对检测器2610的目的是检测一对连续尖峰的每次出现,其中(在其它潜在要求当中)第一尖峰出现在其它输入处,且紧接着的连续尖峰出现在Me输入处。在通电信号或复位时,对检测器2610可设计为在状态#0中开始。
对检测器2610从状态#0到状态#1的有向边缘指示,当在其它输入处接收到尖峰时,其转变到状态#1,同时在其“启动或重新启动”(SR)输出处输出脉冲。SR脉冲触发指数衰减块2620。衰减块2620在其“P”(或“概率”)输出处产生指数衰减值。如上文关于图27A-27B所论述,指数衰减(如果其r_ind_c的速率是r_ind_a的良好近似)表示以1开始且朝向0衰减的概率值。如果指数衰减块2620已经在经历指数衰减,那么当另一SR触发脉冲到达时,衰减过程重新启动(在1处)。根据实施方案的一个实例方法,“P”输出处的值可由电压表示。
随着衰减过程继续,比较器2640及2641分别通过使用参考标准2630及2631评估“P”的值。具体来说,参考标准2630提供表示th_c的信号(通常是电压),而2631输出th_c除以2。当P下降到th_c以下时,比较器2640断言其输出线。因此,就时间来说,比较器2640仅在已经过TOD_c之后断言其输出。类似地,当P下降到th_c/2以下时,比较器2641断言其输出线。因此,就时间来说,比较器2641仅在已经过(时域TOD_c到无穷的)MEA时间之后断言其输出。
如果在已经处于状态#1时在“Me”输入处接收到尖峰,那么对检测器2610从状态#1转变到状态#2。向状态#2的此转变致使状态机2610在其事件对检测(EPD)输出处输出脉冲。EPD应用于对比较器的输出进行解码的“与”门2650-2652:
·如可看出,当P在EPD时间未下降到th_c以下时,“与”门2652断言其输出(成为学习TOD单元的共享事件输出)。
·“与”门2651通过确定P低于th_c但不低于th_c/2来识别P是否在(图27A-B的)H2内。
·“与”门2650通过确定P低于th_c/2来识别P是否在H1内。
如果从状态#1到状态#2的转变致使第一学习TOD单元断言其共享事件输出(根据图20),所述输出将在第二学习TOD单元处显示为“其它共享”(OS)输入。OS输入的断言迫使第二学习TOD单元的对检测器2610进入状态#0(如果其尚未处于状态#0)。返回到状态#0保证致使第一学习TOD单元辨识共享的CS尖峰对的相同尖峰不能在第二学习TOD单元处用作另一尖峰对的第一尖峰。
如先前所论述,关于图27A-B,独立CS尖峰对的经推测速率(r_ind_c)通过基于CS尖峰对中的第二尖峰是在区域H2还是H1内对速率进行调整而接近此些尖峰对的实际速率(r_ind_a)。此类调整的学习速率已由变量R_LR描述。如图26中可看出,指数衰减单元2620被展示为具有两个速率调整输入:一个标记为+R_LR(其中此输入处的脉冲使衰减速率增大R_LR),及另一个标记为-R_LR(其中脉冲使衰减速率减小R_LR)。如可看出,确定为在H2内(通过“与”2651)的尖峰导致+R_LR输入处的脉冲,而确定为在H1内(通过“与”2650)的尖峰导致输入-R_LR处的脉冲。
类似地,图27A-B已经关于基于CS尖峰对中的第二尖峰是在区域H2还是H1内而将th_c朝向th_a(或分别地,TOD_c朝向TOD_a)调整做出了论述。此类调整的学习速率已由变量TH_LR描述。如图26中可看出,参考标准2630被展示为具有两个电平调整输入:一个标记为+TH_LR(其中此输入处的脉冲通过增大th_c而减小TOD_c),及另一个标记为-TH_LR(其中此输入处的脉冲通过减下th_c而增大TOD_c)。如可看出,确定为在H1内的尖峰导致+TH_LR输入处的脉冲,而确定为在H2内的尖峰导致输入-TH_LR处的脉冲。调整2630的输出会自动导致2631的输出处的调整,这是因为2631作用于将2630的当前信号输出除以2。
图24描绘展示图26的学习TOD单元实施方案的两个实例(如果合并到图20的设计中)可如何对尖峰流2001及2002执行的模拟。所述模拟是针对流2001的尖峰a1-i1,以及流2002的尖峰a2-d2。在这些尖峰的过程中,总共识别出8个CS尖峰对,其中所有对均是独立的,除了尖峰c2与e1对(也可以表达为(c2,e1))。由于此独立尖峰对在流2001处结束(即,其第二元素在流2001中),因此其被学习TOD单元2021辨识。
为了减小图形空间,图24使用以下缩写:
·学习TOD单元2021是“LU1”且学习TOD单元2022是“LU2”。
·“pr”及“sp”分别是“对”(意指尖峰对)及“尖峰”。因此,举例来说,“pr1”意指在尖峰对流中辨识的第一对尖峰,且“sp1”意指已辨识出一对中的第一尖峰。
·“ipair”意指辨识出独立交叉流对,且“spair”意指已找出共享交叉流对。
·NOP意指因尖峰而执行“无操作”。
·SKIP意指跳过尖峰而不考虑其是否为尖峰对的部分。
LU1及LU2(两者均假设为在状态#0中启动)的操作的逐尖峰模拟可描述为如下:
·a1(另见注释框2410):
○LU1:应用于其Me输入,执行NOP,其中状态机2610简单地循环回到状态#0。
○LU2:应用于其它输入,致使其状态机2610从状态#0转变到状态#1,同时断言“SR”或者“启动或重新启动”信号。因此,LU2已辨识出待辨识的潜在第一尖峰对中的第一尖峰。SR的断言启动定时操作。
·a2(另见注释框2411):
○LU1:应用于其它输入,致使其状态机2610从状态#0转变到状态#1,同时断言“SR”或者“启动或重新启动”信号。因此,LU1已辨识出待辨识的潜在第一尖峰对中的第一尖峰。SR的断言启动定时操作。
○LU2:致使其状态机2610从状态#1转变到状态#2,同时断言“EPD”或“事件对检测”信号。出于实例的目的,假设尖峰a1与a2的时间分隔>TOD_c。因此,已通过LU2辨识出独立交叉流对(由注释框2430指示)。
·b1(另见注释框2412):
○LU1:致使其状态机2610从状态#1转变到状态#2,同时断言“EPD”或“事件对检测”信号。出于实例的目的,假设尖峰a2与b1时间分隔>TOD_c。因此,已通过LU1辨识出独立交叉流对(由注释框2431指示)。
○LU2:应用于其它输入,致使其状态机2610从状态#2转变到状态#1,同时断言“SR”或者“启动或重新启动”信号。因此,LU2已辨识出待辨识的潜在第二尖峰对中的第一尖峰。SR的断言启动定时操作。
·c1(另见注释框2413):
○LU1:致使其状态机2610执行NOP,其中其反射性地从状态#2转变回到状态#2,且断言无输出信号。
○LU2:当尖峰b1应用于其它输入时,导致上文所描述的操作的完全重复。唯一的区别是定时操作从尖峰c1而不是b1的时间启动。
·b2(另见注释框2414):
○LU1:应用于其它输入,致使其状态机2610从状态#2转变到状态#1,同时断言“SR”或者“启动或重新启动”信号。因此,LU1已辨识出待辨识的潜在第二尖峰对中的第一尖峰。SR的断言启动定时操作。
○LU2:致使其状态机2610从状态#1转变到状态#2,同时断言“EPD”或“事件对检测”信号。出于实例的目的,假设尖峰c1与b2的时间分隔>TOD_c。因此,已通过LU2辨识出另一独立交叉流对(由注释框2432指示)。
·d1(另见注释框2415):
○LU1:致使其状态机2610从状态#1转变到状态#2,同时断言“EPD”或“事件对检测”信号。出于实例的目的,假设尖峰b2与d1的时间分隔>TOD_c。因此,已通过LU1辨识出独立交叉流对(由注释框2433指示)。
○LU2:应用于其它输入,致使其状态机2610从状态#2转变到状态#1,同时断言“SR”或者“启动或重新启动”信号。因此,LU2已辨识出待辨识的潜在第三尖峰对中的第一尖峰。SR的断言启动定时操作。
·c2(另见注释框2416):
○LU1:应用于其它输入,致使其状态机2610从状态#2转变到状态#1,同时断言“SR”或者“启动或重新启动”信号。因此,LU1已辨识出待辨识的潜在第三尖峰对中的第一尖峰。SR的断言启动定时操作。
○LU2:致使其状态机2610从状态#1转变到状态#2,同时断言“EPD”或“事件对检测”信号。出于实例的目的,假设尖峰d1与c2的时间分隔>TOD_c。因此,已通过LU2辨识出另一独立交叉流对(由注释框2434指示)。
·e1(另见注释框2417):
○LU1:致使其状态机2610从状态#1转变到状态#2,同时断言“EPD”或“事件对检测”信号。出于实例的目的,假设尖峰c2与e1的时间分隔<TOD_c。因此,已通过LU1辨识出第一共享交叉流对(由注释框2435指示)。在断言EPD后不久,LU1的“共享事件”输出被异步断言,并应用于LU2的“其它共享”(OS)输入。
○LU2:替代从状态#2转变到状态#1且辨识出待辨识的潜在第四尖峰对中的第一尖峰,LU2的OS输入被断言。OS的断言致使LU2的状态机从状态#2转变到状态#0。这防止尖峰e1成为另一CS尖峰对的部分,因为e1已经是共享CS尖峰对的部分。因此,LU2跳过而不考虑尖峰e1。
·f1、g1及h1(另见注释框2418):
○LU1:应用于其Me输入,f1、f1及h1致使LU1执行NOP,其中其状态机2610简单地循环回到状态#2。(类似于LU1对尖峰a1的操作。)
○LU2:应用于其它输入,f1致使其状态机2610从状态#0转变到状态#1,同时断言“SR”或者“启动或重新启动”信号。在g1及h1中的每一者之后,即刻简单地循环回到状态#1,同时每次重新断言SR信号。因此,LU2三次辨识出待辨识的潜在第四尖峰对中的第一尖峰。SR的每一断言启动或重新启动定时操作,其中最后定时操作在h1时启动。
·d2(另见注释框2419):在接收到尖峰a2、b2或c2时,由LU1及LU2执行的操作与上文所描述的操作基本上相同。
·i1(另见注释框2420):在接收到尖峰b1、c1或d1时,由LU1及LU2执行的操作与上文所描述的操作基本上相同。
3.3电路实施方案
图29描绘根据图26的硬件分区的实例电路级实施方案。图26与29之间的对应性如下:
·图26的外部输入接口2600(在学习TOD单元外部)对应于图29的2900。
·图26的外部输出接口2601对应于图29的2901。
·图26的状态机2610对应于图29的轮廓2910。如同状态机2610,2910具有三个输入(Me、其它及其它共享)以及两个输出(SR及EPD)。下文提供状态机2910的详细解释。
·单元2920对应于指数衰减单元2620。如可看出,2920中的指数衰减由可变电阻器2924与电容器2923的RC组合实现。用以增大或减小2620的衰减速率的输入(分别是+R_LR及-R_LR)在2920中分别通过减小或增大2924的电阻而实施。2920的SR输入的断言致使开关2921以单位电压源2922将电容器2923再充电。
·参考标准2630对应于具有1伏的最大输出的可变电压源2930。用以增大或减小由2630产生的阈值的输入(分别是+TH_LR及-TH_LR)在2930中分别通过增大或减小2924的电压而实施。为确保TOD_c朝向TOD_a收敛,当TOD_c恰好>TOD_a时(意味着仅基于r_ind_c的适当值可以达到平衡),2910的EPD输出向2930提供区域独立信号信号。如上文所论述,关于广泛化硬件实施方案,可使通过每一EPD脉冲对th_c的调整比区域独立调整小得多(例如,一数量级或更小)。
·通过2631将th_c除以2在图29中非常简单地由分压器2931实施。2931简单地是连接在th_c与接地之间的两个等电阻的电阻器。
·图26的比较器2640及2641分别对应于图29的运算放大比较器2940及2941。
·图26的“与”门2650-2652分别对应于图29的“与”门2950-2952。
·对状态机2910的操作的详细解释如下:
○状态是由两个触发器保持:设定-复位触发器2911及负边沿触发式触发器2912。两个触发器在通电时复位(即,Q为低)。
○单发2913及2914各自分别在其触发输入处的正边沿时在其输出EPD及SR处产生简短脉冲。
○大多数情况下,可预期学习TOD单元将接收独立的CS尖峰对。在此情形中,状态机2910将其大部分时间花费在图26中表示为#1与#2的状态之间来回循环。这些状态由SR触发器2911保持。
○在触发器2912处于复位状态的情况下,启用“与”2915,使得其仅为外部接口2900的Me输入处的尖峰向设定-复位触发器2911的设定输入的传递件。类似地,2912的Q输出的低状态停用分别作为Me及其它外部输入处的信号的潜在传递件的“与”2917及2918。如下文将简短地解释,触发器2912仅在共享CS尖峰对出现时使用。
○当处理可能与流内(IS)尖峰对混杂的仅独立CS尖峰对的混合时,触发器2911可如下操作:
■其它输入处的每一尖峰简单地重新触发单发2914,从而通过断言2910的SR输出致使重新启动指数衰减。
■当Me尖峰出现时,设定s-r触发器2911,从而致使单发2913断言2910的EPD输出,且因此测量CS尖峰对的两个尖峰之间的时间延迟。在Me尖峰已经设定s-r触发器2911之后,进一步的Me尖峰是NOP:由于s-r触发器2911保持设定,因此单发2913不产生额外EPD脉冲。
○针对第一学习TOD单元,其状态机2910在其同伴(或第二)学习TOD单元检测到共享CS尖峰对时被影响。在以下解释中,将聚焦于第一学习TOD单元的状态机的角度:
■第一学习TOD单元的其它共享(OS)输入在存在对于第二学习TOD单元是Me尖峰且对于第一学习TOD单元是其它的尖峰时被断言。针对第一学习TOD单元,其它与OS输入的同时断言致使“与”门2919在触发器2912的触发输入处产生高电平(通过“或”2916)。
■触发器2912的逻辑1状态意指,如果第一学习TOD单元的下一尖峰是在Me输入处,其将不与刚好在前的其它尖峰配对-的逻辑0状态停用“与”门2915。因此,触发器2912的逻辑1状态防止第一学习TOD单元尝试对已经识别为共享CS尖峰对的部分的尖峰进行配对。
■触发器2912的逻辑1输出致使Q输出启用“与”门2917及2918。这些确保无论下一尖峰是在Me处还是其它输入处,当所述下一尖峰被撤销断言时,触发器2912将转变回到逻辑0状态。
4伪代码实施方案
作为章节3的以硬件为中心的方法的替代方案,学习TOD单元还可以软件(或通过软件与硬件的任何适当组合,由特定应用环境的约束确定)实施。
图28A-B呈现实例以软件为中心的方法的伪编码程序,称作Leam_TOD_H2H1。伪代码基于Python编程语言。
图28A-B的伪代码的每一执行实例对应于图20的学习TOD单元2021或2022。
图28A的行5-13介绍某些全局变量,而行15-26介绍对于Learn_TOD_H2H1的每一实例是局部的内部变量。
图28A的行28-34解决应用于学习TOD单元的其它输入的尖峰的情形。
如果(图28A的)行36的“elif”测试出肯定,那么知晓刚刚已识别出新CS尖峰对,其中当前尖峰应用于Me输入,且刚好在前的尖峰应用于学习TOD单元的其它输入。所有其余伪代码解决其中行36测试出肯定的情形。
行38确定当前CS尖峰对的尖峰之间的时间间隔。
行39通过以下方式将此转换成概率:将指数衰减应用于单位值(且假设r_ind_c是r_ind_a的准确估计)。
行43为Learn_TOD_H2H1的此实例的下一调用设定前一事件被应用于其Me输入的指示符。
虽然已找出CS尖峰对,但由于当前尖峰应用于Me输入,因此仍需要确保未发现当前CS尖峰的较早尖峰是共享CS尖峰对的部分。这是因为,在共享事件的模型下,其自身最多表现为每流单一尖峰。这通过在图28B的行1处测试“lastEventWasShared”变量来确保。如果测试出此变量为真,那么处理直接跳转到图28B的行50。由于仅发现前一尖峰是先前经识别共享CS尖峰对的部分,因此行50设定lastEventWasShared的值,使得在后续调用时当前尖峰可能被配对。然而,如果lastEventWasShared测试出假(测试更可能出现的结果),那么行4-46变成潜在执行主题。行4-46是Learn_TOD_H2H1的其余解释的主题。
行4介绍对于其中TOD_c恰好>TOD_a的情况,朝向减小TOD_c的区域独立趋势,且基于区域的调整可通过仅将r_ind_c调整为充分接近于r_ind_a来稳定。
行8测试此最新的CS尖峰对可实际上反映共享基础事件的可能性。在所述情形中,执行行10及14:
·行10表示与图26相关的外部接口2601的“共享事件”输出的断言。
·由于已发现当前尖峰是共享CS尖峰对的部分,因此行14确保当前尖峰不会被发现是后续尖峰对的部分。
如果行8评估出否定,那么知晓已发现独立CS尖峰对。任务接着变成(图28B的行17-44)基于当前TBE适当地调整th_c及r_ind_c的任务,其中当前TBE被用作TOD_a的负代理。具体来说,当前TBE被用作TOD_a并不是的值的负代理。
由于未发现当前尖峰是共享CS尖峰对的部分,因此行20准许当前尖峰可能是后续尖峰对的部分。
行23执行图26的2631的功能:在MEA时间对TOD_c到无穷的时间范围进行划分。具体来说,将TOD_c到无穷的时间范围一分为二,其中H2是前二分之一(即,在MEA时间之前),且H1是后二分之一。
对H2还是H1适用的测试由行30执行,其中:
·如果发现当前CS尖峰对的TBE在H2中,那么执行行33-36。作为TOD_a的负代理,执行对th_c及r_ind_c的调整,使得未来CS尖峰对更可能在H1的时间范围内。
·如果发现当前CS尖峰对的TBE在H1中,那么执行行41-44。作为TOD_a的负代理,执行对th_c及r_ind_c的调整,使得未来CS尖峰对更可能在H2的时间范围内。
无论刚刚处理的CS尖峰对是共享还是独立的,行46确保th_c始终保持在适当概率范围内。
5多标度、多样本
5.1概述
由TOD_c及r_ind_c形成的搜索空间是凸的,没有局部最小值,因此本文中呈现的程序将向解收敛(即,TOD_c=TOD_a,且r_ind_c=r_ind_a)。然而,如上文关于模式二所提及,可能发生其中一种变量的优化对另一变量的优化不利的暂时情况。举例来说,如上文关于模式二所论述,主要目标是将TOD_c增大到接近TOD_a(即,使TOD_c=TOD_a,其中当前状态是TOD_a>TOD_c)。然而,精确地,由于TOD_a>TOD_c,因此区域H2将具有比H1高的尖峰速率,这导致r_ind_c增大。对于th_c的给定值,增大r_ind_c将往往使TOD_c更小(即,增大TOD_c与TOD_a之间的差)。
并且,r_ind_c、TOD_c或两者的所选择不良初始值可增大收敛时间。
因此,考虑到实际效率(取决于现实应用及其约束),本章节的多标度及多样本技术可能很有用。
5.2实例实施例
除了将TOD_c到无穷的时间范围除以2的其它时间标度是可能的。举例来说,图30A-B描绘将后TOD_c的时间范围一分为四的实例。
图30A在以下意义上对应于图27A:图30A也描绘称作模式一(或第一模式)的模式,其中TOD_c>TOD_a。类似地,图30B在以下意义上对应于图27B:图30B也描绘称作模式二(或第二模式)的模式,其中TOD_a>TOD_c。
沿着概率轴(TBE_P),识别两个额外划分点(图27A-B额外的)(在图30A-B中的每一者中):
·th_c/2到th_c范围的中点:(3/4)th_c,在投影到时间轴上时,定位此上半部的MEA。可将MEA的此值区分为MEA_H2,因为其划分H2的时间范围。在图30A-B的实例中,(3/4)th_c=0.555且MEA_H2=0.20秒。
·0到th_c/2范围的中点:(1/4)th_c,在投影到时间轴上时,定位此下半部的MEA。可将MEA的此值区分为MEA_H1,因为其划分H1的时间范围。在图30A-B的实例中,(1/4)th_c=0.185且MEA_H2=0.565秒。
利用H2及H1来将th_c朝向th_a及将r_ind_c朝向r_ind_a调整的上文所描述的基本上相同的逻辑可用于四分之一的以下两对中的一者或两者:Q4及Q3(也称作Q4/Q3),或Q2及Q1(也称作Q2/Q1)。如H1及H2的括号内所指示,在图30A-B中的每一者的顶部,基本逻辑是H2内的独立CS尖峰对导致增大(因此是“+”号)。所述增大是针对速率及TOD_c。相反地,H1内的独立CS尖峰对导致减小(因此是“-”号)。所述减小是针对速率及TOD_c。
如Q4及Q3的括号内所指示,在图30A-B中的每一者的顶部,Q4内的独立CS尖峰对导致增大(因此是“+”号),而Q3内的独立CS尖峰对导致减小(因此是“-”号)。相同注释适用于Q2及Q1的括号,在图30A-B中的每一者的顶部:Q2内的独立CS尖峰对导致增大,而Q1内的独立CS尖峰对导致减小。
如果同时利用Q4/Q3及Q2/Q1两者,那么这可称为多样本方法的实例。这是因为后TOD_c时间范围实际上是在两个不同位置处取样。
如果同时利用Q4/Q3及Q2/Q1两者且另外还同时利用H2/H1,那么这可称为多标度方法的实例(且其出于上文刚刚解释的原因仍是多样本的)。这是因为后TOD_c时间范围实际上是以两个不同时间标度来利用:基于四分之一的时间标度,及基于二分之一的第二时间标度。有趣的是,注意到此特定多标度及多样本方法简化为仅利用Q4及Q1。这可通过检查图30A-B中的每一者的顶部的括号中的正负号来容易地了解:
·在H2与Q3重叠的情况下,H2与Q3彼此抵消,实际上仅留下Q4。
·在H1与Q2重叠的情况下,H1与Q2彼此抵消,实际上仅留下Q1。
5.3实例电实施方案
图31呈现上文所论述的多标度(四分之一及二分之一)及多样本(Q4/Q3及Q2/Q1)方法的实例电路级实施方案。图31的电路遵循与上文已关于图26及29所论述类似的硬件分区。图29与31之间的对应性如下:
·图29的外部输入接口2900及2901在图31中保持不变。
·图29的状态机2910在图31中保持不变(尽管其在图31中仅以轮廓形式展示)。
·图29的指数衰减单元2920在图31中保持不变。
·图29的可变电压源2930在图31中保持不变。
·图29的运算放大比较器2940及2941在图31中保持不变。为了测试(3/4)th_c及(1/4)th_c,图31分别新增了运算放大比较器3120及3121。
·图29的“与”门2950-2952在图31中保持不变。图31新增了分别用于针对Q1-Q4进行解码的“与”门3130-3133。
“或”门3140及3141实施上文所论述的多标度及多样本方法。3140针对(r_ind_c、TOD_c或两者)的增大进行解码,而3141针对(r_ind_c、TOD_c或两者)的减小进行解码。还描绘此多标度及多样本方法简化为仅Q4意指增大及Q1意指减小的事实。
5.4伪代码实施方案
图32A-C描绘对用于学习TOD单元的多标度、多样本方法的章节5.3的以硬件为中心的方法的替代方案。
图32A-C呈现称作Learn_TOD_MSMS的伪编码程序。伪代码是基于Python编程语言。
图32A-C的伪代码的每一执行实例对应于图20的学习TOD单元2021或2022。
学习TOD单元还可通过软件与硬件的任何适当组合来实施,如由特定应用环境的约束确定。折衷类似于上文章节4(“伪代码实施方案”)中与伪编码程序Learn_TOD_H2H1相关的论述。
图28A-B中呈现Learn_TOD_H2H1。Learn_TOD_H2H1的所有伪代码包含于Learn_TOD_MSMS中。Learn_TOD_H2H1与Learn_TOD_MSMS之间的唯一功能区别如下:图28B行30-43的代码被扩展。图28B行30-43的相同功能性被保留,但添加了额外功能性。因此,图28B的行30-43对应于图32的以下部分:图32B行26到图32C行20。以下是图28A-B与图32A-C的更详细比较。
图28B行30-35解决其中TBE在H2内的情形。当CS尖峰对中的第二尖峰在此区域内时的逻辑是增大H2的下限(即,参见行32)及速率r_ind_c(即,参见行34)两者。图32B行26-32实施与图28B行30-35相同的逻辑。
类似地,图28B行37-43解决其中TBE在H1内的情形。当CS尖峰对中的第二尖峰在此区域内时的逻辑是减小H2的下限(即,参见行39)及速率r_ind_c(即,参见行42)两者。图32C行1-8实施与图28B行37-43相同的逻辑。
然而,为了实施四分之一的额外标度,图32B的行34-44添加了在测试出TBE在H2内时处置四分之一Q4/Q3的能力。行36测试CS尖峰对中的第二尖峰是在Q4还是Q3内。如果所述尖峰在Q4内,那么执行与上文针对H2所描述(图32B,行28-30)相同的增大逻辑(图32B的行38-39)。类似地,如果所述尖峰在Q3内,那么执行与上文针对H1所描述(图32C,行3-6)相同的减小逻辑(图32B的行42-43)。
为了处置四分之一Q2/Q1,当测试出TBE在H1内时,添加图32C的行10-20。行12测试CS尖峰对中的第二尖峰是在Q2还是Q1内。如果所述尖峰在Q2内,那么执行与上文针对H2所描述(图32B,行28-30)相同的增大逻辑(图32C的行14-15)。类似地,如果所述尖峰在Q1内,那么执行与上文针对H1所描述(图32C,行3-6)相同的减小逻辑(图32C的行18-19)。
如上文在章节5.3(实例电实施方案)中所论述,有趣的是,注意到所有多标度、多样本逻辑(图32B行23到图32C行20)的组合导致了简化,其中仅需要以下逻辑:
·如果TBE在Q4内(通过图32B的行26及36测试),那么执行上文针对Q4所描述的增大逻辑(图32B,行38-39)。
·如果TBE在Q1内(通过图32C的行1及16测试),那么执行上文针对Q1所描述的减小逻辑(图32C,行18-19)。
6其它变化形式
上文章节5.2(“实例实施例”)论述利用Q4/Q3及Q2/Q1作为实例多样本方法(以范围的四分之一的标度)。虽然章节5.2论述同时利用Q4/Q3及Q2/Q1,但值得注意的是,此在个别尖峰(或“逐尖峰”)基础上是不必要的。举例来说,针对个别尖峰n,情形可能为仅Q4/Q3是有效的。对于在尖峰n之后出现i个尖峰的尖峰(即,对于较晚的尖峰n+i),情形可能为仅Q2/Q1是有效的。
此外,对于相同数目个尖峰,Q4/Q3及Q2/Q1没有必要各自是有效的。举例来说,作为取样过程的部分,情形可能为Q4/Q3对一组x尖峰是有效的,且Q2/Q1对一组y尖峰是有效的,其中组x的成员数目不等于组y的成员数目(象征性地,|x|≠|y|)。
对于图30A-B,每一标度(范围的二分之一或范围的四分之一)展示为具有以下两个性质:
1.区域占据TBE_P轴的整个范围,从0到th_c。
2.区域是以规则间隔放置,使得整数数目个区域可占据TBE_P轴的整个范围,从0到th_c。
这两个性质中的任一者均不是必需的。
举例来说,针对上文列出的第一性质,情形可能为以范围的四分之一的标度仅使用(或“覆盖”)Q4/Q3。就其中Q4/Q3被描述为对一组x尖峰有效且Q2/Q1被描述为对一组y尖峰有效的上文刚刚的论述来说,这可被视为等效于其中y={}且x≠{}(即,仅Q4/Q3有效,且其是对其组x尖峰有效)的情况。
以特定标度仅覆盖TBE_P轴的部分(也称作“部分覆盖”)的缺点是可能存在无法收敛(至少在不具有以其它标度的额外梯度检测的情况下无法收敛)的(TOD_a、r_ind_a或两者)的值。并且,至少对于学习TOD单元的设计(例如图20的2021及2022),所添加的每一范围均会导致一些额外的复杂性,且其还可能添加实施方案(或物理实现方案)的复杂性。
部分覆盖的优点包含以下各项:在其操作范围内,其可用于提高收敛速度,增大接近收敛的稳定性,或实现两者。在其操作范围之外,部分覆盖不太可能显著减缓收敛,并且不会减小收敛的稳定性。
作为上文列出的第二性质的实例,将Q1-Q4中的每一者描绘为(在图30A-B中)覆盖TBE_P轴的四分之一,从0到th_c。对于部分覆盖,情形不必如此。如果Q4/Q3用作部分覆盖,那么各自可相对于TBE_P轴按如下方式放置(举例来说):
·Q4:替代将其定位在(0.75)th_c到(1.00)th_c的范围内,将其定位在(0.59)th_c到(0.84)th_c的范围内
·Q3:替代将其定位在(0.50)th_c到(0.75)th_c的范围内,将其定位在(0.34)th_c到(0.59)th_c的范围内
请注意,实例中范围的四分之一的标度的使用是任意的。在不失一般性的情况下,相同的技术可应用于任何其它分数量。此外,使用0.59作为Q4与Q3之间的划分点也是任意的。在不失一般性的情况下,相同的技术可应用于在范围的四分之一或其它分数量之间定位其它划分点。
作为对TOD_a及r_ind_a的搜索的部分,所利用的区域也不必是连续的。举例来说,参考图30A-B,值得注意的是,可仅利用Q4及Q1实现完全功能实施例。(章节5.2指出,当使用以下多标度及多样本方法时,仅利用Q4及Q1是简化的净结果:H2/H1,以及Q4/Q3及Q2/Q1。)不利用Q3或Q2的潜在缺点是其时域内的尖峰不会作用于朝向TOD_a及r_ind_a收敛。不利用Q3或Q2的潜在优点是在此收敛进行的过程中具有更大的稳定性。
另外,作为对TOD_a及r_ind_a的搜索的部分,没有必要利用偶数个区域。举例来说,参考图30A-B,可利用以下三个区域来实现完全功能实施例:Q4、Q3及H1。关键要求是概率对称。针对此实例,将Q4、Q3及H1中的每一者的TBE_P轴部分表示为(分别)如下:P(Q4)、P(Q3)及P(H1)。关键要求是递增(或“+”)区域的净概率等于递减(或“-”区域)的净概率。(如上文在章节5.2“实例实施例”中所论述,递增区域在其范围内的每一尖峰之后即刻增大r_ind_c及TOD_c,而递减区域在其范围内的每一尖峰之后即刻减小r_ind_c及TOD_c。)在此实例中,知晓P(Q4)+P(Q3)=P(H1)。因此,依据图30A-B中所描绘的内容,这三个区域当中的唯一必要改变是将Q3改变为像Q4一样的递增区域。
学习TOD单元可产生除是否检测到共享事件之外的有用输出。举例来说,经推测辨别阈值(即,th_c)可为有用信号。对于图29及31的实例硬件实施方案,这反映在可变电压源(2930)的设定(以模拟或数字形式)中。类似地,独立交叉流尖峰对(独立CSSP)的平均出现速率也可为有用输出。对于图29及31的实例硬件实施方案,这反映在可变电阻器(2924)的设定中。
7选定术语表
加法放大器:在任一时刻,输出为存在于其输入处的电压的和的电压。
事件:在考虑信号的时域行为时,任何种类的离散不连续性。
单发:具有输入触发及一个输出。在接收到触发信号之后,即刻在其输出处产生脉冲。
区域:沿着概率(即,TBE_P)或时间(即,TBE)轴的值范围。举例来说,从0到th_c的概率范围或(分别)从无穷到TOD_c的时间范围可经划分使得每一区域占其总范围的二分之一或四分之一。
尖峰:如本文中所使用,尖峰可指信号中的任何事件,当在时域中考虑时,其可被视为两个不同电平之间的至少一个离散且不连续的转变。作为一实例,如本文中所使用,尖峰可指被理解为出现在尖峰神经网络的区中的尖峰。作为另一实例,在数字逻辑领域,尖峰可指信号从第一电平到第二电平的急剧转变(也称为“边缘”)。
减法放大器:在任一时刻,输出由从存在于第一输入处的电压减去存在于第二输入处的电压得出的电压。
TBE:本文中有时用于指CS尖峰对中的第二尖峰(因为TBE是一对中的尖峰之间的时间距离)。
双发:具有输入触发及两个输出。在接收到触发信号之后,即刻在其两个输出中的每一者处顺序地产生脉冲。
8计算设备
根据所属领域的技术人员通常知晓的内容,可通过使用任何适合计算硬件、电子硬件或两者的组合来实施本文中所描述的发明性方法、程序或技术。适合计算硬件可包含使用一或多个通用计算机或处理器。硬件实施技术可包含使用各种类型的集成电路,包含数字、模拟或两者的组合(例如,混合式信号)。数字硬件可包含可编程存储器(易失性或非易失性)。
此类硬件(无论是集成电路形式还是其它形式)通常基于使用晶体管(场效、双极或两者),尽管可包含其它类型的组件(包含电容器、电阻器或电感器)。可使用各种组件技术,包含光学、微机电、磁性或前述各项的任何组合。
任一计算硬件具有将消耗能量、需要某一时间量来改变状态及占据某一物理空间量的性质。
可编程存储器通常以集成电路形式来实施,且受到上文针对计算硬件所描述的相同物理限制。可编程存储器旨在包含使用任一种类的基于物理的效应或性质的装置,以便至少以非暂时方式且在与应用相称的时间量内存储信息。用于实施此类存储的物理效应类型包含但不限于:通过反馈信号维持特定状态、电荷存储、材料的光学性质的改变、磁性改变或化学改变(可逆或不可逆)。
除非另有具体指示,否则术语计算硬件、可编程存储器、计算机可读媒体、系统及子系统不包含人或人可能采取的心理步骤。
对于上文所描述的任一方法、程序或技术,就其实施为对计算机或其它数据处理系统进行编程来说,其还可被描述为计算机程序产品。计算机程序产品可体现在任何适合计算机可读媒体或可编程存储器上。本文中所描述的信息种类(例如数据及/或指令)(其在计算机可读媒体及/或可编程存储器上)可存储于体现在本文中的计算机可读代码装置上。计算机可读代码装置可表示存储器的那部分,所定义信息单元(例如位)可存储于所述部分中,可从所述部分检索所定义信息单元,或两者。
9附录
此附录基本上是以下美国专利申请案的全文,所述美国专利申请案以全文引用的方式并入本文中:
发明人为大卫·卡尔·巴顿且申请案号为62/819,590的2019年3月17日提出申请的“用于交叉相关的方法及设备”。
第62/819,590号申请案还与以下PCT国际申请案基本上相同,所述PCT国际申请案也以全文引用的方式并入本文中:
发明人为大卫·卡尔·巴顿且申请案号为62/819,590的2020年3月15日提出申请的“用于交叉相关的方法及设备”。
9.1导论
已知交叉相关具有许多重要应用。在这些应用当中,预期交叉相关继续在尖峰神经网络领域中变得重要,其中相对尖峰定时对恰当操作可为关键的。
图1描绘在尖峰神经网络领域中的实例应用情境。左边的输入是三个尖峰流:S1、S2及S3。预期每一尖峰流含有显著随意(或随机)内容。
关于随机内容,尖峰间间隙(或ISG)的时间大小采取随意分布(通常为泊松),且每一ISGI在以下范围内:
0秒<i<∞秒
对于i的整个时间范围,我们将尖峰流的平均尖峰速率称为rALL(因为可能出现包含所有尖峰的速率)。
此内容既关于其中出现此内容的流又相对于其它流是随机的。然而,还预期发生跨越输入流中的两者或多于两者表现自身的非随意事件。(在以下解释中,我们通常会将非随意事件简称为“事件”。)
流S1、S2及S3中的每一者分别耦合到交叉相关单元(或CCU)的F.O.R.输入:0110、0112及0114。每一CCU具有被标记为“FORd”的输出。如可见,每一FORd输出连接到“索玛”0121的输入。在其最基本功能级处,索玛可经设计以充当一种重合检测器,每当尖峰同时出现在其输入中的每一者处时,所述重合检测器就会产生输出尖峰。
在以下论述中,出于解释方便的目的而选择三个输入流。将容易地了解,系统(例如图1的系统)可在操作原理没有任何改变的情况下应用于任意大数目个输入。需要最少两个输入流。总的来说,例如图1的系统可被视为神经元的生物学启发模型。虽然受生物学启发,但从工程设计(及非生物)视角来看,图1可被理解为表示多流交叉相关器或“MCC”。
当发生一事件时,在MCC的两个或多于两个输入流中,预期其在每一输入流中的表现相对于其在其它尖峰流中的表现具有固定时间关系。虽然预期事件的多流表现相对于彼此具有固定时间关系,但还预期将不会同时出现此类表现。
预期任一其它尖峰(即,任一非事件尖峰)在既在出现所述尖峰的输入流内又关于其它输入流考虑时相对于所有其它非事件尖峰具有随意关系。我们还将任一此类非事件尖峰称为“随意尖峰”。
CCU 0110、0112及0114中的每一者的工作是确定延迟或时间偏移,使得跨越多个流的尽可能多的事件表现同时出现在CCU的输出处(且因此同时出现在索玛0121的输入处)。
更具体来说,可观察到图01的每一CCU具有两个输入:
·FOR,及
·其它。
“FOR”(其可替代地书写为“F.O.R.”)意指“参考系”。(除非上下文另有指示,否则本文中对术语“FOR”或“F.O.R.”的任何使用是对“参考系(Frame Of Reference)”而非对介词“for”的提及。)呈现给CCU的FOR输入的尖峰流在某一修改之后出现在CCU的FORd输出处。CCU有可能通过插入延迟相对于出现在其FOR输入处的尖峰修改其FORd输出流。每一CCU的“其它”输入旨在成为出现在其它CCU的(即,连接到同一索玛的其它CCU的)FORd输出处的尖峰的联合。
如可见,如下确定每一CCU的其它输入。首先,所有CCU的输出尖峰通过“或”门0120连接在一起,以形成单个经组合尖峰流。此“或”门的输出被标记为“ANY”,因为预期尖峰出现在其输出处,只要其出现在任一CCU的FORd输出处即可。
CCU 0110、0112及0114中的每一者分别具备“与”门0111、0113及0115。如可见,每一“与”门过滤掉(即,移除)其CCU的其它输入所接收的尖峰流。具体来说,移除由所述“与”门的CCU促成的任何尖峰。
9.2交叉相关单元
9.2.1概论
与常规相关及交叉相关技术相比较,本发明的MCC依赖于大量(例如,数百或数千个)随意尖峰的存在。
MCC通过使每一CCU基本上独立于其它CCU而操作来操作。独立操作的例外是如下事实:每一CCU接收(在其其它输入处)其它CCU的FORd输出的联合(确切地,举例来说,呈现给其它CCU的FOR输入的尖峰流的联合)。
图2是针对图1的每一CCU的实例内部结构的功能框图。
如可见,CCU由两个主要单元组成:
·产生延迟(块0225),及
·学习延迟(块0226)。
产生延迟接受输入尖峰流(在其F.O.R.输入处),且在其输出(称作F.O.R.d)处产生此输入流的经延迟版本。产生延迟的F.O.R.输入耦合到CCU的F.O.R.输入(标记为0211),且产生延迟的F.O.R.d输出耦合到CCU的F.O.R.d输出(标记为0212)。
学习延迟接受CCU的其它尖峰流(来自CCU的其它输入0210),而且接受(在学习延迟的F.O.R.d输入处)产生延迟的F.O.R.d输出。学习延迟使用存在于其F.O.R.d输入处的每一对尖峰作为参考系来分析出现在学习延迟的其它输入处的任何尖峰。
如果产生延迟并入有充足存储器,那么其可重现(在其F.O.R.d输出处)除延迟可能性之外与在其F.O.R.输入处的尖峰流相同的尖峰流。我们可将此称为产生延迟的无损版本。
取决于应用,可借助模拟或数字设备实施产生延迟的存储器。对于数字实施方案,产生延迟可包括(举例来说)借助半导体随机存取存储器(RAM)实施的FIFO(先进先出)队列或缓冲器。对于模拟实施方案,产生延迟可包括任何适合信号或波导,例如电缆或自由空间波传播腔。
然而,一般来说,产生延迟的无损版本可需要无限(或不受限制)量的存储器。
本发明的另一重要方面是利用呈现给CCU的F.O.R.输入的尖峰流的随机性质来在产生延迟的输出处产生F.O.R.d的有损版本。事实上,仅一个尖峰(一次)的存储器通过产生延迟可足以在CCU的F.O.R.d输出处产生有用相关尖峰流。当使用仅一个尖峰的存储时,产生延迟可被视为一种“定时器”。当尖峰出现在其F.O.R.输入处时,可启动所述定时器。在延迟周期结束时,所述定时器为产生延迟的F.O.R.d输出产生一尖峰。下文在章节9.2.3(“产生延迟”)中论述单尖峰存储器的使用。
9.2.2学习延迟
9.2.2.1功能说明
如上文所介绍,学习延迟使用存在于其F.O.R.d输入处的每一对尖峰作为参考系来分析出现在学习延迟的其它输入处的任何尖峰。图3描绘此种实例情况。
如可见,图3含有两个轴:
·水平时间轴,其中:0.00秒≤t≤0.60秒。
·用于指派权重给每个其它尖峰(在下文进一步解释)的垂直轴,其中:0.00≤权重≤1.00。
让我们在学习延迟的F.O.R.d输入处调用一连续对尖峰,所述尖峰用作用于评估其它尖峰n及n+1的框架。在时间t=0.00处的垂直线(除了表示权重轴)描绘尖峰n(此尖峰还标记为0310)。相反地,在t=0.60处描画尖峰n+1(此尖峰还标记为0311)。n及n+1尖峰沿着垂直轴的量值不相关,且仅仅出于图形呈现目的而经选择。
权重轴与曲线0320及0321有关。如可见,0320是形式为e-rt的指数衰减曲线,其中r是速率,t是时间,且r(出于实例目的)等于3。相反地,0321是形式为e-r(m-t)的指数增大曲线,其中r及t与0320的情况相同,且m(为“最大”时间)等于0.60秒。出于将在下文解释的原因,曲线0320及0321还分别称为“Post”及“Pre”。
出现在F.O.R.d尖峰n与n+1之间的每个其它尖峰被指派Post及Pre值两者。其中其Post值大于其Pre值的其它尖峰表征为“后”(或后面)尖峰n比“前”(或前面)尖峰n+1更强烈。相反地,其中其Pre值大于其Post值的尖峰表征为“前”(或前面)尖峰n+1比“后”(或后面)尖峰n更强烈。
图3描绘具有以下值的两个实例其它尖峰:
·其它尖峰1:
○t=0.065秒。
○Post值=0.723
○Pre值=0.05
·其它尖峰2:
○t=0.44秒。
○Post值=0.112
○Pre值=0.446
如可见,给予每个其它尖峰两个权重,此取决于其与Post及Pre加权曲线相交的位置。
跨越可出现在一对F.O.R.d尖峰n与n+1之间的多个其它尖峰,可如下确定及校正趋于“后”或“前”的净趋势:
·累加得出所有Post值的和(我们还称为“postAcc”),及
·累加得出所有Pre值的和(我们还称为“preAcc”)。
·如果postAcc>preAcc,那么:
○其它尖峰流被视为总的来说出现在F.O.R.d的尖峰后面。这也意味着F.O.R.d流总的来说是提早的。
○学习延迟(例如,图2的学习延迟块0226)可力图通过在其“较多d”输出处发布命令(例如脉冲)来校正所述提前。
○响应于“较多d”命令,产生延迟(例如,参见产生延迟块0225)可使其F.O.R.输入与F.O.R.d输出之间的延迟增大特定递增量。
·如果preAcc>postAcc,那么:
○其它尖峰流被视为总的来说出现在F.O.R.d的尖峰前面。这也意味着F.O.R.d流总的来说是滞后的。
○学习延迟可力图通过在其“较少d”输出处发布命令(例如脉冲)来校正所述滞后。
○作为响应,产生延迟可使其F.O.R.输入与F.O.R.d输出之间的延迟减小特定递增量。
学习延迟的延迟所改变(响应于“较多d”或“较少d”命令)的递增量可基于特定应用以及其速度与准确度要求而选择。一般来说,较小增量(也称为较慢学习速率)增大CCU发现实现其事件与其其它流的最佳同步的延迟值的时间。然而,较小增量具有产生对必要延迟值的更准确确定的优点。
虽然已展示既递减又递增的指数曲线,但出于Post及Pre加权的目的,各种函数可为适合的。适合函数的主要准则包含:
·与Post函数对称相反的Pre函数。
·分别在尖峰n及n+1的时间处于最大值的Post函数及Pre函数。
·从其最大值单调地减小的Post函数及Pre函数。
9.2.2.2顺序操作及伪编码实施方案
以与在一个时间获得的以下尖峰一致的方式论述学习延迟的先前子章节所解释的操作:
·F.O.R.d输入的尖峰n及n+1,及
·在n与n+1F.O.R.d尖峰之间的时间间隔期间存在于学习延迟的其它输入处的任何尖峰。
在实际操作期间,预期CCU(及其所属的MCC)在逐尖峰基础上操作。举例来说,基于我们可称之为尖峰n的存在于学习延迟的F.O.R.d输入处的每一尖峰,可预期学习延迟执行两个主要操作:
·如果存在n-1尖峰,那么力图完成以尖峰n-1开始的交叉相关分析。换句话说,在尖峰n-1及n作为参考系的情况下完成交叉相关分析。
·在尖峰n+1到来后即刻开始将在未来完成的新交叉相关分析。换句话说,开始新交叉相关分析,其中尖峰n及n+1将用作参考系。
取决于特定应用,可预期将学习延迟实施为计算机程序、实施为电硬件或实施为两种方法的混合组合。
图4描绘基于Python编程语言的学习延迟的实例伪编码实施方案。粗体文本密切地对应于Python语法及语义。根据Python语法插入注释。已在左边添加行号来辅助解释。与Python语法及语义的主要偏差是赋值运算符的右手边,在行5到17上。而且,非正式地处置将参数或其它数据传入及传出所述程序。
图4的程序称为“Learn_Delay_PC”,其中“PC”后缀指示伪代码。行1。
每当出现尖峰时在F.O.R.d或其它输入处调用Learn_Delay_PC。
在行5到17上指派若干个重要值及变量,但将作为论述利用这些变量的伪代码的一部分而在行22到44上提出这些重要值及变量。
行22通过致使其内容相对于时间量(即,T-TLO)经历指数衰减而更新Pre累加器“preAcc”,因为最后一个其它尖峰引起对Learn_Delay_PC的调用(其中在图4的行8-9处定义T及TLO)。如下文将进一步解释,preAcc的此指数衰减与每当出现其它尖峰时将单位值添加到preAcc相结合。
在每一其它尖峰时将单位值添加到preAcc且致使preAcc经历指数衰减(直到下一F.O.R.d尖峰时)在数学上等效于上文关于图3所论述的preAcc累加方法:在出现每一其它尖峰后即刻将e-r(m-t)的值添加到preAcc(其中m是t的最大值),且具有不衰减的preAcc。
致使preAcc经历指数衰减可能似乎是一种累加Pre值的不必要地间接方法。然而,如将在下一子章节中论述,与e-rt进行比较,e-r(m-t)是借助电子硬件实施的相对复变函数。
继对preAcc的更新之后,执行当前尖峰是类型F.O.R.d还是其它的测试。行25。F.O.R.d尖峰被视为“属于”当前执行的学习延迟单元,因为其源自属于同一CCU的产生延迟单元。因此,IS_MINE变量为假指示接收到其它尖峰,从而致使执行行26到33。否则,当前尖峰是类型F.O.R.d,且执行行35到45。
假设IS_MINE为假,执行以下步骤:
·为了说明当前尖峰是为其它类型,将单位值添加到preAcc。行26。
·添加到postAcc的值仅仅是自最后一个F.O.R.d尖峰以来为单位值的指数衰减。行30。
·更新最后一个其它尖峰的时间,以准备Learn_Delay_PC的下一调用。行32。
假设IS_MINE为真,执行以下步骤:
·作为完成以先前F.O.R.d尖峰开始的当前执行的交叉相关分析的部分,首先执行测试以确定是否已出现任何其它尖峰。行35。
·假设已出现至少一个其它尖峰,将preAcc的值与postAcc的值进行比较。行38。
○如果preAcc>postAcc,那么总的来说,F.O.R.d尖峰被视为相对于其它尖峰是滞后的。减小由变量D表示的来自产生延迟的延迟。控制学习速率的减小量由行38的“-D_LR”表示。
○如果postAcc>preAcc,那么总的来说,F.O.R.d尖峰被视为相对于其它尖峰是提前的。增大由变量D表示的来自产生延迟的延迟。控制学习速率的增大量由行38的“D_LR”表示。
·可执行检查,以确保D保持在容许限值内。行40。
·作为开始新交叉相关分析的一部分,执行以下步骤:
○将preAcc及postAcc复位到零。行42。
○将最后一个F.O.R.d尖峰的时间更新到当前时间。行44。
9.2.2.3电实施方案
图5到7描绘学习延迟的实例电实施方案。
图5描绘学习延迟模块的顶级控制及接口。图6聚焦于与累加postAcc值有关的电路系统,而图7聚焦于与累加preAcc有关的电路系统。
图5的轮廓0510指示学习延迟的外部接口,其中每一连接对应于如先前结合图2所论述的学习延迟功能块0221的输入或输出。
轮廓0520指示学习延迟的与图6的postAcc电路系统及图7的preAcc电路系统的内部接口。
在下文论述外部接口0510。
呈现给F.O.R.d输入的每一尖峰触发“双发”0530。首先,双发的out1通过引起比较器放大器0540的读取而完成当前参考系。其次,out2将postAcc及preAcc电路系统复位,使得可开始跨越下一参考系的累加。
Out1通过启用“与”门0541及0542而引起比较器0540的读取。如果当启用“与”门时比较器0540的输出是逻辑0,那么“与”门0542将把触发信号呈现给单发0532。单发0532在经触发时在(接口0510的)“较少d”输出处产生脉冲。相反地,如果比较器0540的输出是逻辑1,那么“与”门0541将把触发信号呈现给单发0531。单发0531在经触发时在(接口0510的)“较多d”输出处产生脉冲。
比较器0540将两个信号进行比较:表示preAcc的信号(称为“preAcc”),及表示postAcc的信号(称为“postAcc”)。由图6的电路系统产生postAcc信号,同时由图7的电路系统累加preAcc信号。preAcc及postAcc信号中的每一者是模拟的,具有表示其累加值的电压电平。如果preAcc信号具有比postAcc高的电压,那么比较器0540输出表示逻辑0的信号。如上文所论述,逻辑0(当由双发0530的out1读取时)引起来自“较少d”输出的脉冲。相反地,如果postAcc>preAcc,那么比较器0540输出逻辑1。如上文所论述,逻辑1(在由双发0530的out1读取时)引起来自“较多d”输出的脉冲。
待针对外部接口0510论述的最后一个连接是其它输入。与F.O.R.d输入一样,其它处的尖峰也触发双发。在此情形中,其是双发0533。如下文将进一步论述,双发0533的out1致使对postAcc累加器及preAcc累加器中的每一者的当前电压电平进行取样(以及其它行动)。其次,out2致使postAcc及preAcc累加器各自被充电到新电压电平。
关于图6,电容器0650维持postAcc信号(或节点)的电压。关于如上文关于图3所论述的Post n函数0320,其由电容器0640与电阻器0641的组合确定。在图6中,可在衰减变量节点处获得Post n函数。
如上文所论述,作为启动新参考系的一部分,双发0530(在其out2输出处)断言“复位(F.O.R.)”信号。关于图6,可见,复位(F.O.R.)信号引起以下电容器的复位:
·由将postAcc节点耦合到接地的开关0660将postAcc值的累加复位到零。
·由开关单元0643的开关S1及S2将Post n函数0320复位到新指数衰减周期。具体来说,在复位(F.O.R.)脉冲的持续时间内:
○S1将电容器0640耦合到单位值电压源0642,且
○S2在电容器0640被再充电时确保衰减变量节点维持重新启动指数衰减的正确初始值。
·在适当时间,电容器0632用于将电压的样本保持在衰减变量节点处。其由将电容器0632耦合到接地的开关0662复位。
·在适当时间,电容器0622用于将电压的样本保持在postAcc节点处。其由将电容器0622耦合到接地的开关0661复位。
一旦复位(F.O.R.)信号结束,电容器0640与电阻器0641的组合便开始其指数衰减,其中可在衰减变量节点处获得Post n函数。
如果在将postAcc节点复位(通过F.O.R.d尖峰)之后出现其它尖峰,那么触发双发0533.关于图6,可见,“取样(其它)”信号的断言引起以下各项:
·通过闭合开关0631在衰减变量节点处对当前电压进行取样。
·通过闭合开关0621在postAcc节点处对当前电压进行取样。
在“取样(其它)”信号的断言之后,发生以下各项:
·开关0631断开,且衰减变量节点的经取样电压由电容器0632保持。
·开关0621断开,且postAcc节点的经取样电压由电容器0622保持。
·通过加法放大器0610对由电容器0632及0622保持的电压求和。
接下来,双发0533断言“充电Acc(其它)”信号,这闭合图6的开关0611。这致使比较器0612将postAcc节点处的电压与加法放大器0611的输出进行比较。来自加法放大器的电压将比postAcc节点的电压大在衰减变量节点处取样的量。因此,比较器0612将致使开关0613闭合,且保持闭合,直到postAcc节点已充电到基本上等于加法放大器的输出的电压为止。
如可了解,下文是“取样(其它)”及“充电Acc(其它)”信号的顺序断言的净效应。在每一其它尖峰时,postAcc节点的电压增大与衰减变量节点的彼时当前电压相等的量。
关于图7,电容器0720维持preAcc信号(或节点)的电压。然而,如上文关于图4的Learn_Delay_PC伪代码所论述,preAcc节点经设计以由于其与电阻器0721的组合而衰减。如上文所论述,衰减preAcc节点与针对每一其它尖峰添加单位电压的组合在数学上等效于确定(图3的)Pre n+1函数0321且将其值添加到非衰减Pre累加器。可在图7中了解衰减preAcc节点方法从电路实施视角来看的相对简单。
如上文所论述,作为启动新参考系的一部分,双发0530(在其out2输出处)断言“复位(F.O.R.)”信号。关于图7,可见,复位(F.O.R.)信号引起以下电容器的复位:
·由将preAcc节点耦合到接地的开关0741将preAcc值的累加复位到零。
·在适当时间,电容器0732用于将电压的样本保持在postAcc节点处。其由将电容器0732耦合到接地的开关0740复位。
如果在preAcc节点的复位(通过F.O.R.d尖峰)之后出现其它尖峰,那么触发双发0533.关于图7,可见,“取样(其它)”信号的断言引起通过闭合开关0731在preAcc节点处对当前电压进行取样。
在“取样(其它)”信号的断言之后,发生以下各项:
·开关0731断开,且preAcc节点的经取样电压由电容器0732保持。
·通过加法放大器0710对由电容器0732保持的电压与来自电压源0714的单位电压求和。
接下来,双发0533断言“充电Acc(其它)”信号,这闭合图7的开关0711。这致使比较器0712将preAcc节点处的电压与加法放大器0710的输出进行比较。来自加法放大器的电压将比preAcc节点的电压大由单位电压源0714提供的量。因此,比较器0712将致使0713闭合,且保持闭合,直到preAcc节点已充电到基本上等于加法放大器的输出的电压。
如可了解,下文是“取样(其它)”及“充电Acc(其它)”信号的顺序断言的净效应。在每一其它尖峰时,使preAcc节点的电压增大等于电压源0714的单位电压的量。在所述增大之后,preAcc节点将继续其指数衰减直到发生以下各项中的任一者为止:
·在出现F.O.R.d尖峰的情况下当前参考系结束。
·出现另一其它尖峰。
9.2.3产生延迟-有损版本
9.2.3.1冲突解决方案
如上文所论述,在章节9.2.1(“概论”)中,本发明的另一重要方面是利用呈现给每一CCU的F.O.R.输入的尖峰流的随机性质来在产生延迟的输出处产生F.O.R.d的有损版本的选项。
仅一个尖峰(一次)的存储器通过产生延迟(例如,通过图2的功能块0225)可足以在CCU的F.O.R.d输出处产生有用相关尖峰流。在此情形中,产生延迟可被视为一种“定时器”。当尖峰出现在产生延迟的F.O.R.输入处时,可启动所述定时器。在延迟周期结束时,所述定时器为产生延迟的F.O.R.d输出产生一尖峰。在下文论述单尖峰存储器的使用。
由于产生延迟的有损版本需要比无损版本(其存储器需要是可能无限的)少得多的存储器(仅一个尖峰),因此我们将所述有损版本称为“无存储器的”。
当实施无存储器方法时的关键问题是我们称之为“冲突解决方案”的问题。每当产生延迟的延迟大于0秒时都可能产生冲突解决方案问题。由于输入到每一CCU的尖峰流的随机性质,每当产生延迟由于F.O.R.尖峰x而在对延迟周期d进行定时中时,下一F.O.R.尖峰x+1始终可能到达。接着存在两个选择:
·忽略尖峰x+1,且继续尖峰x的定时直到完成其延迟周期d为止。我们将这称为“保持最旧”选择。
·重新启动定时器,使得延迟周期d以尖峰x+1开始。我们将这称为“保持最新”选择。
这两个策略中的任一者在一致应用的情况下有可能顺序地应用无限数目次。举例来说:
·保持最旧:虽然对尖峰x的延迟d进行定时,但可能无限数目个后续F.O.R.d尖峰可能到达。所有这些都将被忽略。
·保持最新:如果由于尖峰x+1而重新启动尖峰x的延迟d,那么尖峰x+2有可能重新启动尖峰x+1的时间周期,且尖峰x+3进一步有可能重新启动尖峰x+2的时间周期。延迟周期的重新启动可继续可能无限数目次地发生。
这两个选择中的任一者在排他地应用为冲突解决方案的策略的情况下具有将时间偏差引入到学习延迟的F.O.R.d与其它尖峰流的比较中的问题。具体来说:
·保持最旧:具有使F.O.R.d尖峰流相对于其它尖峰流出现得比实际情况更早的效应。结果是由产生延迟产生的延迟太大。依据保持最旧策略致使稍后尖峰(即,尖峰x之后的尖峰)下降的事实可了解此效应。
·保持最新:具有使F.O.R.d尖峰流相对于其它尖峰流出现得比实际情况更晚的效应。结果是由产生延迟产生的延迟太小。依据保持最新策略致使较早尖峰(例如,比尖峰x+1早的尖峰x)被忽略的事实可了解此效应。
可通过通常引起保持最旧及保持最新策略中的每一者的相等数目个选择的任何技术来解决时间偏差问题。图8与图2的主要差异是引入了解决冲突块0224,可在解决冲突块0224内看到所提议实施方案。图8的功能块0220(产生延迟)包含未存在于图2的功能块225中的额外“延迟完成”输出。延迟完成每当产生延迟对延迟周期进行定时时是逻辑0,否则是逻辑1。每当延迟完成是逻辑1时,“与”门0230将准许F.O.R.输入0211处的尖峰启动延迟操作。这是有道理的,因为在这些条件下与预先存在的延迟周期没有冲突。
相反地,我们知道当F.O.R.尖峰到达输入0211且延迟完成是逻辑0时存在冲突情景。由解决冲突块0224的“与”0233对此情景进行解码。产生逻辑1的“与”门0233取决于触发器0234的预先存在的状态而引起两个操作中的一者:
·如果触发器0234碰巧已经在其Q输出处产生逻辑1,那么所述Q输出以及来自“与”0233的逻辑1将致使“与”0232产生(通过“或”门0231)引起产生延迟的定时重新启动的信号。如可了解,这是“保持最新”策略的执行。
·相反地,如果触发器0234碰巧在其Q输出处产生逻辑0,那么所述逻辑0阻止“与”0232产生引起产生延迟的定时重新启动的信号。这是“保持最旧”策略的执行。
无论触发器0234是否碰巧已经产生逻辑1,“与”0233每次产生逻辑1都会触发触发器0234改变状态。净结果是在每次检测到冲突情景之后解决冲突块0224即刻基于触发器0234的当前状态而实施策略,且接着改变触发器0234的状态,使得下次执行相反策略。
9.2.3.2电实施方案
图9到10提出产生延迟的实例电实施方案。
图9描绘通过耦合指数衰减曲线(即,0910是e-rt)与阈值检测(水平线0911)而实施产生延迟的实例。在图9的实例中,衰减速率r等于3,且待检测阈值(称为thd)等于0.1。如可见,在这些条件下,所产生的延迟周期(称为“d”)是0.77秒。如可了解,可通过分别降低或增大阈值而增大或减小延迟。
图10呈现用于实施图8中针对功能块0220所展示的产生延迟功能性的电路系统。
图10的轮廓1010指示产生延迟的外部接口,其中每一连接对应于产生延迟功能块0220的输入或输出。
通过电容器1040与电阻器1041的组合形成指数衰减,所述指数衰减形成产生延迟的定时能力的基础。施加到比较器放大器1030的负输入的衰减发生在“衰减”节点处。施加到比较器的正输入的阈值(称为thd)由可调整电压源1031设定。由1031输出的电压可分别通过施加到接口1010的“较多d”或“较少d”输入的脉冲而递增地调整为更低或更高。在任何一个时间,电压源1031(即,其当前设定以输出的电压)的状态可由电容器(未展示)保持。
启动/重新启动输入处的每一尖峰触发单发1020。单发1020产生在经断言时使电容器1040准备通过开关单元1043的开关S1及S2产生新指数衰减周期的脉冲。具体来说,在单发的脉冲的持续时间内:
·S1将电容器1040耦合到单位值电压源1042,且
·S2在电容器1040被再充电时确保衰减节点维持用于重新启动指数衰减的正确初始值。
一旦单发1020的信号结束,电容器1040与电阻器1041的组合便开始其指数衰减。当衰减节点的电压降到由电压源1031输出的电压以下时,比较器1030的输出产生逻辑1。逻辑1引起以下两者:
·断言接口1010处的“延迟完成”输出。
·触发单发1021,其脉冲构成在接口1010的F.O.R.d输出处输出的尖峰。
9.2.4学习速率全部
如上文所呈现,产生延迟及学习延迟功能块(例如,图8的块0220及0226)两者都通过使用指数衰减曲线来工作。可基于特定应用的所预期尖峰频率而选择这些函数的衰减速率r。
然而,在CCU中包含可在其F.O.R.输入处发现平均尖峰速率(我们称之为rALL)的功能块可为有用的。一般来说,对于产生延迟及学习延迟的衰减函数,rALL是用作r的良值。
举例来说,关于如图3中所展示的学习延迟,rALL可用于Post及Pre函数。使用r的此值往往会确保其它尖峰位于其中每一函数相对迅速地改变且因此更容易测量的区域上。通过针对产生延迟测量延迟的衰减速率(例如,参见图9的函数0910)使用rALL实现类似优点。
图11描绘与图8相同的CCU,惟以下各项除外:
·添加“学习速率全部”(或LRA)功能块0223。如可见,LRA 0223接受F.O.R.尖峰作为输入,且输出rALL。
·将rALL输入添加到产生延迟及学习延迟中的每一者(因此将其标号从图8的0220及0226改变为图11的0227及0228)。这些rALL输入由LRA 0223的rALL输出驱动。
学习速率全部基于随机尖峰流s的以下性质:如果一个随机尖峰流具有rALL的正确值,那么以下表达提供在时间t或任一稍后时间出现下一尖峰的概率:
这还意味,如果一个随机尖峰流根据方程式1产生指数衰减,P=0.5的时间是流s的下一尖峰的中值预期到达(或MEA)时间。我们还称为MEAALL的此中值预期到达时间具有以下特殊性质:
特殊性质1:在大量出现的s的尖峰中,我们可预期出现在MEAALL前面的尖峰数目将等于出现在MEAALL后面的尖峰数目。
对于图12,假设实际MEAALL针对rALL=3为0.23秒。如可见(出于解释清晰的目的),已选择将尖峰a到d均匀地分布在MEAALL的两侧上。
特殊性质1具有以下含义:
·如果对MEAALL的值的猜测(称之为MEAguess)太高(即,实际上,MEAguess>MEAALL),那么在大量出现的s的尖峰中,在MEAguess前面出现的尖峰将比在MEAguess后面出现的尖峰多。图13展示此情况的极端实例,其中MEAguess是0.345秒(对于r=2),且尖峰a到d(相对于其对于r=2的位置被标记为a’到d’)全部在MEAguess前面。
·如果对MEAALL的值的猜测(称之为MEAguess)太低(即,实际上,MEAguess<MEAALL),那么在大量出现的s的尖峰中,在MEAguess后面出现的尖峰将比在MEAguess前面出现的尖峰多。图14展示此情况的实例,其中MEAguess是0.115秒(对于r=6),且相同尖峰a到d(现在相对于r=6被标记为a”到d”)全部出现在MEAguess后面。
特殊性质1连同其含义一起为可找到MEAALL的搜索程序提供基础。所述程序可被描述为含有以下两个主要步骤:
1.选择MEAguess的合理初始值:
○举例来说,MEAguess的初始值的选择可基于特定系统设计及其既定应用而限于在可能值的范围内。还可通过猜测r的初始值(称之为rguess)来确定MEAguess的值,可依据rguess来确定MEAguess。接着可依据方程式1来确定MEAguess的对应时间。特定来说,在P=0.5且r=rguess的情况下,方程式1成为:
2.对于流s的每一对尖峰n及n+1,将尖峰之间的时间(tn+1-tn)与MEAguess进行比较:
○如果(tn+1-tn)<MEAguess,假设(仅基于此最新数据点)MEAguess的所猜测值太高,那么:
■出于尖峰对之间的后续比较的目的而减小MEAguess的值。
■通过使rguess递增标准量(称之为Δr)且接着重新确定方程式2来确定MEAguess的经减小值。
○如果(tn+1-tn)>MEAguess,假设(仅基于此最新数据点)MEAguess的所猜测值太低,那么:
■在比较后续尖峰对时增大MEAguess的值。
■通过使rguess递减标准量(称之为Δr)且接着重新确定方程式2来确定MEAguess的经增大值。
在对于其上述假设中的每一者针对MEAguess太高还是太低的上文所列出的搜索程序中,存在以下可能性:
·如果在大量尖峰中MEAguess实际上太高,那么此事实是由所出现的指示MEAguess太高而非太低的更多比较来确定的,且MEAguess的值经历净减小(借助于rguess的净增大)。
·如果在大量尖峰中MEAguess实际上太低,那么此事实是由所出现的指示MEAguess太低而非太高的更多比较来确定的,且MEAguess的值经历净增大(借助于rguess的净减小)。
·MEAguess仅在其事实上正确时(即,在MEAguess=MEAALL且rguess=rALL时)实现净动态稳定性。
因此,在充足数目个尖峰中,将确定rALL,其中Δr经选择以提供收敛到rALL的速度(还称为“学习速率”)与所确定的rALL值的准确度之间的适合折衷:
·Δr的较大值增大学习速率,但降低结果的准确度。
·Δr的较小值减小学习速率,但增大结果的准确度。
除对方程式1产生其总范围的一半的点(例如,P=0.5)求解以外,图15还描绘找出MEA的替代方式。替代方法是对方程式1与以下方程式3相等(其中方程式3定义累积概率分布)的时间求解:
如图15中可见,通过寻找相等点来找到先前关于图12到14所论述的MEA中的每一者。
此相等测试方法是图16的硬件实施方案的基础,可如下描述所述硬件实施方案。
图16的轮廓1610指示LRA的外部接口,其中每一连接对应于图11的LRA功能块0223的输入或输出。
在图16中,通过电容器1630与可变电阻器1631的组合执行方程式1的指数衰减。可在“衰减”节点1641处获得衰减值。由减法放大器1621如下执行方程式3(指数增大):
·将单位电压施加到放大器的“A”输入。
·将衰减节点1641(即,方程式1)施加到“B”输入。
·可在节点1640处获得的减法放大器1621的输出因此是方程式3的电压电平表示。
由比较器放大器1622执行方程式1与方程式3之间的相等测试,其中可在节点1642处获得结果(对应于以上解释的MEAguess)。
每当存在尖峰n时,在接口1610的F.O.R.输入处,触发双发1620。由双发的out1激活的第一步骤是完成以最后一个F.O.R.尖峰n-1开始的MEA测量。Out1通过启用“与”门1623及1624来操作此步骤以读出比较器1622的输出。
可如下解释比较器1622的输出:
·如果比较指示尖峰n-1与n之间的时间周期小于当前MEAguess,那么比较器1622输出逻辑1。这是因为指数衰减节点1641驱动比较器的+输入。
·如果比较指示尖峰n-1与n之间的持续时间大于当前MEAguess,那么比较器1622输出逻辑0。这是因为指数增大节点1640驱动比较器的-输入。
如果比较器1622的当前测量指示MEAguess太高,那么节点1642上的逻辑1致使“与”门1623被启用,且out1脉冲施加到可变电阻器1631的R-输入。如可了解,减小电阻引起“衰减”节点1641处的较快衰减速率及对MEAguess的向下调整。
相反地,如果比较器1622的当前测量指示MEAguess太低,那么节点1642上的逻辑0致使“与”门1624被启用,且out1脉冲施加到可变电阻器1631的R+输入。如可了解,增大电阻引起“衰减”节点1641处的较慢衰减速率及对MEAguess的向上调整。
例如out1脉冲的持续时间及可变电阻器1631的特定构造的因素确定rguess的改变增量,其中每一此改变增量的量值在以上论述中被称为Δr“学习速率”。
可变电阻器1631的状态(即,其当前电阻水平)可由内部状态电容器(未展示)保持。举例来说,此电容器的电压可随去往R-输入的每一脉冲而增大,且随去往R+的每一脉冲而减小。此外,可通过驱动LRA的外部接口1610的rALL输出的电压跟随放大器(也未展示)获得内部状态电容器的电压。
如上文关于图11所论述,LRA 0223可将其rALL输出提供到产生延迟0227及学习延迟0228中的每一者的rALL输入。
图6及7是通过添加rALL输入而改变的学习延迟0226的电路实施方案的部分。对于学习延迟0228的电路实施方案,图6及7分别替换为图17及18。图17及18与图6及7的不同之处如下:
·用接受rALL输入0601的可变电阻器0644(图17)替换固定电阻器0641(图6)。
·用接受rALL输入0701的可变电阻器0722(图18)替换固定电阻器0721(图7)。
对于产生延迟0227的电路实施方案,图10替换为图19。图19与图10的不同之处如下:用接受作为其外部接口1011的一部分的rALL输入的可变电阻器1044(图19)替换固定电阻器1041(图10)。
为了使LRA的rALL输出处的电压产生指数衰减曲线(针对产生延迟0227及学习延迟0228),其中r等于由LRA 0223发现的rALL,可完成以下各项:
·可使电容器0640(参见图17的postAcc的实施方案)、0720(参见图18的preAcc的实施方案)及1040(参见图19的产生延迟的实施方案)具有与LRA的电容器1630(参见图16)相同的电容。
·可使可变电阻器0644(参见图17的postAcc的实施方案)、0722(参见图18的preAcc的实施方案)及1044(参见图19的产生延迟的实施方案)与LRA的可变电阻器1631(参见图16)相同,惟下文除外:0644、0722及1044中的每一者使用由其外部接口rALL输入驱动的电压跟随器,而不是保持内部状态。
9.3总结
本发明涉及一种用于尖峰神经网络的多流交叉相关器,其中每一流含有显著随机内容。在跨越至少两个流具有固定时间关系的情况下发生至少一个事件。每一流被视为参考系(FOR),且基于与其它流的比较而经受可调整延迟。对于所述FOR的每一尖峰,通过将Post累加器与Pre累加器进行比较来完成相对于最后一个及当前FOR尖峰的定时分析。而且,通过重新启动Post及Pre加权函数的产生而以所述当前FOR尖峰开始新定时分析,在出现每一其它尖峰后即刻累加所述Post及Pre加权函数的值,直到下一FOR尖峰为止。如果使用时间中立冲突解决方案,那么可使用单尖峰延迟单元。可确定所述FOR的平均尖峰速率且将其用于所述Post及Pre加权函数。
虽然已结合具体实施例描述了本发明,但显而易见,鉴于前文说明将明了许多替代方案、修改形式及变化形式。因此,本发明旨在囊括属于所附权利要求书及等效内容的精神及范围内的所有此类替代方案、修改形式及变化形式。
Claims (30)
1.一种用于识别共享基础事件的一对尖峰的方法,其包括:
至少部分地利用电子硬件配置执行,接收除第一尖峰子组之外主要含有随机内容的第一尖峰流,其中所述第一子组中的每一尖峰与第二尖峰流的第二尖峰子组中的尖峰共享基础事件;
至少部分地利用电子硬件配置执行,接收除所述第二子组之外主要含有随机内容的所述第二尖峰流;
至少部分地利用电子硬件配置执行,识别包括来自所述第一尖峰流的第一尖峰及来自所述第二尖峰流的第二尖峰的第一交叉流尖峰对;
至少部分地利用电子硬件配置执行,在接收到所述第一尖峰后,即刻以第一衰减输出启动第一指数衰减单元;
至少部分地利用电子硬件配置执行,在接收到所述第二尖峰后,即刻停止所述第一指数衰减单元;
至少部分地利用电子硬件配置执行,如果在所述停止所述第一指数衰减单元时,所述第一衰减输出不小于第一阈值,那么输出将所述第一尖峰及所述第二尖峰两者指示为均由共享基础事件导致的第一信号;
至少部分地利用电子硬件配置执行,将第二阈值设定为所述第一阈值的第一分数;
至少部分地利用电子硬件配置执行,如果在所述停止所述第一指数衰减单元时,所述第一衰减输出小于所述第一阈值且不小于所述第二阈值,那么增大所述第一指数衰减单元的第一衰减速率且减小所述第一阈值;及
至少部分地利用电子硬件配置执行,如果在所述停止所述第一指数衰减单元时,所述第一衰减输出小于所述第一阈值且小于所述第二阈值,那么减小所述第一指数衰减单元的第一衰减速率且增大所述第一阈值。
2.一种用于识别共享基础事件的一对尖峰的方法,其包括:
至少部分地利用电子硬件配置执行,接收除第一尖峰子组之外主要含有随机内容的第一尖峰流,其中所述第一子组中的每一尖峰与第二尖峰流的第二尖峰子组中的尖峰共享基础事件;
至少部分地利用电子硬件配置执行,接收除所述第二子组之外主要含有随机内容的所述第二尖峰流;
至少部分地利用电子硬件配置执行,识别包括来自所述第一尖峰流的第一尖峰及来自所述第二尖峰流的第二尖峰的第一交叉流尖峰对;
至少部分地利用电子硬件配置执行,在接收到所述第一尖峰后,即刻以第一衰减输出启动第一指数衰减单元;
至少部分地利用电子硬件配置执行,在接收到所述第二尖峰后,即刻将所述第一衰减输出与辨别阈值、第一区域的第一阈值及所述第一区域的第二阈值进行比较,其中所述辨别阈值至少等于所述第一区域的所述第一阈值且所述第一区域的所述第一阈值大于所述第一区域的所述第二阈值;
至少部分地利用电子硬件配置执行,如果在进行所述比较时,所述第一衰减输出不小于所述辨别阈值,那么输出将所述第一尖峰及所述第二尖峰两者指示为均由共享基础事件导致的第一信号;
至少部分地利用电子硬件配置执行,如果在进行所述比较时,所述第一衰减输出小于所述第一区域的所述第一阈值且不小于所述第一区域的所述第二阈值,那么增大所述第一指数衰减单元的第一衰减速率且减小所述辨别阈值;
至少部分地利用电子硬件配置执行,识别包括来自所述第一尖峰流的第三尖峰及来自所述第二尖峰流的第四尖峰的第二交叉流尖峰对;
至少部分地利用电子硬件配置执行,在接收到所述第三尖峰后,即刻以所述第一衰减输出启动所述第一指数衰减单元;
至少部分地利用电子硬件配置执行,在接收到所述第四尖峰后,即刻将所述第一衰减输出与辨别阈值、第二区域的第一阈值及所述第二区域的第二阈值进行比较,其中所述第一区域的所述第二阈值至少等于所述第二区域的所述第一阈值,且所述第二区域的所述第一阈值大于所述第二区域的所述第二阈值;
至少部分地利用电子硬件配置执行,如果在进行所述比较时,所述第一衰减输出不小于所述辨别阈值,那么输出将所述第三尖峰及所述第四尖峰两者指示为均由共享基础事件导致的第二信号;及
至少部分地利用电子硬件配置执行,如果在进行所述比较时,所述第一衰减输出小于所述第二区域的所述第一阈值且不小于所述第二区域的所述第二阈值,那么减小所述第一指数衰减单元的第一衰减速率且增大所述辨别阈值。
3.根据权利要求2所述的方法,其中所述第一交叉流尖峰对的所述第一尖峰与所述第二交叉流尖峰对的所述第三尖峰相同,且所述第一交叉流尖峰对的所述第二尖峰与所述第二交叉流尖峰对的所述第四尖峰相同。
4.根据权利要求2所述的方法,其中所述第一交叉流尖峰对的所述第一尖峰及所述第二尖峰不同于所述第二交叉流尖峰对的所述第三尖峰及所述第四尖峰。
5.根据权利要求2所述的方法,其中所述第一区域的所述第二阈值与所述第二区域的所述第一阈值相同。
6.根据权利要求2所述的方法,其中所述辨别阈值与所述第一区域的所述第一阈值相同。
7.根据权利要求6所述的方法,其中所述第二区域的所述第二阈值为零。
8.根据权利要求7所述的方法,其中所述第一区域的所述第一阈值与所述第一区域的所述第二阈值之间的第一差大约等于所述第二区域的所述第一阈值与所述第二区域的所述第二阈值之间的第二差。
9.根据权利要求8所述的方法,其中所述第一区域的所述第二阈值等于所述第二区域的所述第一阈值。
10.根据权利要求2所述的方法,其中所述第一区域的所述第一阈值与所述第一区域的所述第二阈值之间的第一差大约等于所述第二区域的所述第一阈值与所述第二区域的所述第二阈值之间的第二差。
11.根据权利要求10所述的方法,其中所述第一差及所述第二差各自是辨别阈值与零之间的差的大约相同且大约恒定的分数。
12.根据权利要求2所述的方法,其进一步包括以下步骤:
使所述第一与第二尖峰流相关。
13.根据权利要求12所述的方法,其进一步包括以下步骤:
接收除第一未经延迟尖峰子组之外主要含有随机内容的第一未经延迟尖峰流,其中所述第一未经延迟尖峰子组中的每一尖峰与第二未经延迟尖峰流的第二未经延迟尖峰子组中的尖峰共享基础事件;
将所述第一未经延迟尖峰流输入到第一延迟单元中且产生具有第一延迟的所述第一尖峰流,其中所述第一延迟具有零秒的下限;
将所述第二未经延迟尖峰流输入到第一延迟单元中且产生具有第二延迟的所述第二尖峰流,其中所述第二延迟具有零秒的下限;
在接收到来自所述第一尖峰流的第一经延迟尖峰后,即刻将第一累加值与第二累加值进行比较以产生第一比较结果;
如果所述第一比较结果指示所述第一累加值大于所述第二累加值,那么增大所述第一延迟;
如果所述第一比较结果指示所述第一累加值小于所述第二累加值,那么减小所述第一延迟;
在产生所述第一比较结果之后将所述第一累加值及所述第二累加值复位;
在产生所述第一比较结果之后重新启动用于产生第一加权函数及第二加权函数的第一过程,其中所述第一加权函数单调地减小且所述第二加权函数既单调地增大又与所述第一加权函数对称相反;
在接收到来自所述第二尖峰流的第二经延迟尖峰后,即刻根据所述第一加权函数将第一加权值累加到第一累加器中;及
在接收到来自所述第二尖峰流的所述相同第二经延迟尖峰后,即刻根据所述第二加权函数将第二加权值累加到第二累加器中。
14.一种用于识别共享基础事件的一对尖峰的方法,其包括:
至少部分地利用电子硬件配置执行,接收除第一尖峰子组之外主要含有随机内容的第一尖峰流,其中所述第一子组中的每一尖峰与第二尖峰流的第二尖峰子组中的尖峰共享基础事件;
至少部分地利用电子硬件配置执行,接收除所述第二子组之外主要含有随机内容的所述第二尖峰流;
至少部分地利用电子硬件配置执行,识别包括来自所述第一尖峰流的第一尖峰及来自所述第二尖峰流的第二尖峰的第一交叉流尖峰对;
至少部分地利用电子硬件配置执行,在接收到所述第一尖峰后,即刻以第一衰减输出启动第一指数衰减单元;
至少部分地利用电子硬件配置执行,在接收到所述第二尖峰后,即刻将所述第一衰减输出与辨别阈值、第一递增区域的第一阈值及所述第一递增区域的第二阈值进行比较,其中所述辨别阈值至少等于所述第一递增区域的所述第一阈值,且所述第一递增区域的所述第一阈值大于所述第一递增区域的所述第二阈值;
至少部分地利用电子硬件配置执行,如果在进行所述比较时,所述第一衰减输出不小于所述辨别阈值,那么输出将所述第一尖峰及所述第二尖峰两者指示为均由共享基础事件导致的第一信号;
至少部分地利用电子硬件配置执行,如果在进行所述比较时,所述第一衰减输出小于所述第一递增区域的所述第一阈值且不小于所述第一递增区域的所述第二阈值,那么增大所述第一指数衰减单元的第一衰减速率且减小所述辨别阈值;
至少部分地利用电子硬件配置执行,识别包括来自所述第一尖峰流的第三尖峰及来自所述第二尖峰流的第四尖峰的第二交叉流尖峰对;
至少部分地利用电子硬件配置执行,在接收到所述第三尖峰后,即刻以第二衰减输出启动第二指数衰减单元;
至少部分地利用电子硬件配置执行,在接收到所述第四尖峰后,即刻将所述第二衰减输出与辨别阈值、第一递减区域的第一阈值及所述第一递减区域的第二阈值进行比较,其中所述第一递减区域的所述第一阈值大于所述第一递减区域的所述第二阈值;
至少部分地利用电子硬件配置执行,如果在进行所述比较时,所述第二衰减输出不小于所述辨别阈值,那么输出将所述第三尖峰及所述第四尖峰两者指示为均由共享基础事件导致的第二信号;及
至少部分地利用电子硬件配置执行,如果在进行所述比较时,所述第二衰减输出小于所述第一递减区域的所述第一阈值且不小于所述第一递减区域的所述第二阈值,那么减小所述第二指数衰减单元的第一衰减速率且增大所述辨别阈值。
15.根据权利要求14所述的方法,其中所述第一递增区域的所述第二阈值至少等于所述第一递减区域的所述第一阈值。
16.根据权利要求14所述的方法,其中同一指数衰减单元用作所述第一指数衰减单元及所述第二指数衰减单元两者。
17.根据权利要求14所述的方法,其中所述第一递增区域与所述第一递减区域具有概率对称性。
18.根据权利要求14所述的方法,其进一步包括以下步骤:
以相同标度操作所述第一递增区域及所述第一递减区域。
19.根据权利要求18所述的方法,其进一步包括以下步骤:
在不同样本上操作所述第一递增区域及所述第一递减区域。
20.根据权利要求14所述的方法,其进一步包括以下步骤:
以第一标度操作所述第一递增区域,且以第二标度操作所述第一递减区域,其中所述第一标度不同于所述第二标度。
21.根据权利要求20所述的方法,其进一步包括以下步骤:
在不同样本上操作所述第一递增区域及所述第一递减区域。
22.根据权利要求14所述的方法,其进一步包括以下步骤:
根据不同于所述第一递增区域的所述第一阈值及所述第二阈值的至少一个阈值,操作第一组一或多个额外递增区域;
根据不同于所述第一递减区域的所述第一阈值及所述第二阈值的至少一个阈值,操作第二组一或多个额外递减区域;
根据与所述第一递增区域相同的程序,操作所述第一组额外递增区域;
根据与所述第一递减区域相同的程序,操作所述第二组额外递减区域;及
以相对于所述第一递减区域及所述第二组额外递减区域的概率对称性,操作所述第一递增区域及所述第一组额外递增区域。
23.根据权利要求14所述的方法,其中所述第一交叉流尖峰对的所述第一尖峰与所述第二交叉流尖峰对的所述第三尖峰相同,且所述第一交叉流尖峰对的所述第二尖峰与所述第二交叉流尖峰对的所述第四尖峰相同。
24.根据权利要求14所述的方法,其中所述第一交叉流尖峰对的所述第一尖峰及所述第二尖峰不同于所述第二交叉流尖峰对的所述第三尖峰及所述第四尖峰。
25.一种用于识别共享基础事件的一对尖峰的系统,其包括:
第一子系统,其至少部分地利用电子硬件配置,接收除第一尖峰子组之外主要含有随机内容的第一尖峰流,其中所述第一子组中的每一尖峰与第二尖峰流的第二尖峰子组中的尖峰共享基础事件;
第二子系统,其至少部分地利用电子硬件配置,接收除所述第二子组之外主要含有随机内容的所述第二尖峰流;
第三子系统,其至少部分地利用电子硬件配置,识别包括来自所述第一尖峰流的第一尖峰及来自所述第二尖峰流的第二尖峰的第一交叉流尖峰对;
第四子系统,其至少部分地利用电子硬件配置,在接收到所述第一尖峰后,即刻以第一衰减输出启动第一指数衰减单元;
第五子系统,其至少部分地利用电子硬件配置,在接收到所述第二尖峰后,即刻将所述第一衰减输出与辨别阈值、第一递增区域的第一阈值及所述第一递增区域的第二阈值进行比较,其中所述辨别阈值至少等于所述第一递增区域的所述第一阈值,且所述第一递增区域的所述第一阈值大于所述第一递增区域的所述第二阈值;
第六子系统,其至少部分地利用电子硬件配置,如果在通过所述第五子系统进行所述比较时,所述第一衰减输出不小于所述辨别阈值,那么输出将所述第一尖峰及所述第二尖峰两者指示为均由共享基础事件导致的第一信号;
第七子系统,其至少部分地利用电子硬件配置,如果在通过所述第五子系统进行所述比较时,所述第一衰减输出小于所述第一递增区域的所述第一阈值且不小于所述第一递增区域的所述第二阈值,那么增大所述第一指数衰减单元的第一衰减速率且减小所述辨别阈值;
第八子系统,其至少部分地利用电子硬件配置,识别包括来自所述第一尖峰流的第三尖峰及来自所述第二尖峰流的第四尖峰的第二交叉流尖峰对;
第九子系统,其至少部分地利用电子硬件配置,在接收到所述第三尖峰后,即刻以第二衰减输出启动第二指数衰减单元;
第十子系统,其至少部分地利用电子硬件配置,在接收到所述第四尖峰后,即刻将所述第二衰减输出与辨别阈值、第一递减区域的第一阈值及所述第一递减区域的第二阈值进行比较,其中所述第一递减区域的所述第一阈值大于所述第一递减区域的所述第二阈值;
第十一子系统,其至少部分地利用电子硬件配置,如果在通过所述第十子系统进行所述比较时,所述第二衰减输出不小于所述辨别阈值,那么输出将所述第三尖峰及所述第四尖峰两者指示为均由共享基础事件导致的第二信号;以及
第十二子系统,其至少部分地利用电子硬件配置,如果在通过所述第十子系统进行所述比较时,所述第二衰减输出小于所述第一递减区域的所述第一阈值且不小于所述第一递减区域的所述第二阈值,那么减小所述第二指数衰减单元的第一衰减速率且增大所述辨别阈值。
26.根据权利要求13所述的方法,其进一步包括:
通过增大包括所述第一延迟单元的第一队列的长度来增大所述第一延迟;及
通过减小第一队列的所述长度来减小所述第一延迟。
27.根据权利要求13所述的方法,其进一步包括:
如果尚未启动所述第一延迟单元的定时,那么在将来自所述第一尖峰流的第一未经延迟尖峰输入到所述第一延迟单元后即刻对等于所述第一延迟的持续时间进行定时;
在所述第一延迟的任何定时完成后,即刻输出尖峰;
基于第一决策变量的第一状态及在先前未经延迟尖峰的持续时间期间接收到第二未经延迟尖峰而决定继续所述先前未经延迟尖峰的所述持续时间;
基于所述第一决策变量的第二状态及在所述先前未经延迟尖峰的所述持续时间期间接收到所述第二未经延迟尖峰而决定重新启动由所述第一延迟单元进行的所述第一延迟的定时;
在于所述先前未经延迟尖峰的所述持续时间期间接收到所述第二未经延迟尖峰的多个实例中针对所述第一决策变量确保所述第一状态与所述第二状态的大约相等发生率。
28.根据权利要求13所述的方法,其进一步包括:
如果在接收到来自所述第一尖峰流的第一未经延迟尖峰时第一指数减小函数大于第一指数增大函数,那么增大第一平均尖峰速率以用于产生所述第一指数减小函数及所述第一指数增大函数两者;
如果在接收到来自所述第一尖峰流的所述第一未经延迟尖峰时第一指数减小函数小于第一指数增大函数,那么减小第一平均尖峰速率以用于产生所述第一指数减小函数及所述第一指数增大函数两者;及
使用所述第一平均尖峰速率来产生所述第一加权函数及所述第二加权函数。
29.根据权利要求27所述的方法,其进一步包括:
如果在接收到来自所述第一尖峰流的第一未经延迟尖峰时第一指数减小函数大于第一指数增大函数,那么增大第一平均尖峰速率以用于产生所述第一指数减小函数及所述第一指数增大函数两者;
如果在接收到来自所述第一尖峰流的所述第一未经延迟尖峰时第一指数减小函数小于第一指数增大函数,那么减小第一平均尖峰速率以用于产生所述第一指数减小函数及所述第一指数增大函数两者;及
使用所述第一平均尖峰速率来对所述第一延迟进行定时。
30.根据权利要求25所述的系统,其进一步包括:
第十三子系统,其接收除第一未经延迟尖峰子组之外主要含有随机内容的第一未经延迟尖峰流,其中所述第一未经延迟尖峰子组中的每一尖峰与第二未经延迟尖峰流的第二未经延迟尖峰子组中的尖峰共享基础事件;
第十四子系统,其将所述第一未经延迟尖峰流输入到第一延迟单元中,且以第一延迟产生所述第一尖峰流,其中所述第一延迟具有零秒的下限;
第十五子系统,其将所述第二未经延迟尖峰流输入到第一延迟单元中,且以第二延迟产生所述第二尖峰流,其中所述第二延迟具有零秒的下限;
第十六子系统,其在接收到来自所述第一尖峰流的第一经延迟尖峰后,即刻将第一累加值与第二累加值进行比较以产生第一比较结果;
第十七子系统,其进行:如果所述第一比较结果指示所述第一累加值大于所述第二累加值,那么增大所述第一延迟;
第十八子系统,其进行:如果所述第一比较结果指示所述第一累加值小于所述第二累加值,那么减小所述第一延迟;
第十九子系统,其在产生所述第一比较结果之后将所述第一累加值及所述第二累加值复位;
第二十子系统,其在产生所述第一比较结果之后重新启动用于产生第一加权函数及第二加权函数的第一过程,其中所述第一加权函数单调地减小且所述第二加权函数既单调地增大又与所述第一加权函数对称相反;
第二十一子系统,其在接收到来自所述第二尖峰流的第二经延迟尖峰后,即刻根据所述第一加权函数将第一加权值累加到第一累加器中;及
第二十二子系统,其在接收到来自所述第二尖峰流的所述相同第二经延迟尖峰后,即刻根据所述第二加权函数将第二加权值累加到第二累加器中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962856142P | 2019-06-02 | 2019-06-02 | |
US62/856,142 | 2019-06-02 | ||
PCT/US2020/035547 WO2020247309A1 (en) | 2019-06-02 | 2020-06-01 | Method and apparatus for shared cross-stream event detection |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113874881A true CN113874881A (zh) | 2021-12-31 |
Family
ID=73653319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080036961.1A Pending CN113874881A (zh) | 2019-06-02 | 2020-06-01 | 用于共享交叉流事件检测的方法及设备 |
Country Status (6)
Country | Link |
---|---|
US (2) | US10949739B1 (zh) |
EP (1) | EP3977305A4 (zh) |
JP (1) | JP2022535201A (zh) |
KR (1) | KR20220016185A (zh) |
CN (1) | CN113874881A (zh) |
WO (1) | WO2020247309A1 (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3469511B2 (ja) | 1999-08-09 | 2003-11-25 | 日本電信電話株式会社 | 光パルスタイミング検出回路及び光時分割多重装置 |
WO2004005954A2 (en) | 2002-07-10 | 2004-01-15 | Qualcomm, Incorporated | Cross-correlation mitigation method and apparatus for use in a global positioning system receiver |
US7430546B1 (en) * | 2003-06-07 | 2008-09-30 | Roland Erwin Suri | Applications of an algorithm that mimics cortical processing |
US8346692B2 (en) | 2005-12-23 | 2013-01-01 | Societe De Commercialisation Des Produits De La Recherche Appliquee-Socpra-Sciences Et Genie S.E.C. | Spatio-temporal pattern recognition using a spiking neural network and processing thereof on a portable and/or distributed computer |
US9460387B2 (en) * | 2011-09-21 | 2016-10-04 | Qualcomm Technologies Inc. | Apparatus and methods for implementing event-based updates in neuron networks |
US8909576B2 (en) * | 2011-09-16 | 2014-12-09 | International Business Machines Corporation | Neuromorphic event-driven neural computing architecture in a scalable neural network |
US10095718B2 (en) * | 2013-10-16 | 2018-10-09 | University Of Tennessee Research Foundation | Method and apparatus for constructing a dynamic adaptive neural network array (DANNA) |
US9652711B2 (en) * | 2014-03-12 | 2017-05-16 | Qualcomm Incorporated | Analog signal reconstruction and recognition via sub-threshold modulation |
US9858304B2 (en) | 2014-04-15 | 2018-01-02 | Raytheon Company | Computing cross-correlations for sparse data |
US10885425B2 (en) * | 2016-12-20 | 2021-01-05 | Intel Corporation | Network traversal using neuromorphic instantiations of spike-time-dependent plasticity |
US10824937B2 (en) | 2016-12-20 | 2020-11-03 | Intel Corporation | Scalable neuromorphic core with shared synaptic memory and variable precision synaptic memory |
US10878313B2 (en) * | 2017-05-02 | 2020-12-29 | Intel Corporation | Post synaptic potential-based learning rule |
US11403515B2 (en) * | 2018-04-09 | 2022-08-02 | Electronics And Telecommunications Research Institute | Spike neural network circuit including radiation source |
-
2020
- 2020-06-01 EP EP20819419.1A patent/EP3977305A4/en active Pending
- 2020-06-01 KR KR1020217043036A patent/KR20220016185A/ko unknown
- 2020-06-01 CN CN202080036961.1A patent/CN113874881A/zh active Pending
- 2020-06-01 WO PCT/US2020/035547 patent/WO2020247309A1/en unknown
- 2020-06-01 JP JP2021570191A patent/JP2022535201A/ja active Pending
- 2020-11-16 US US17/099,764 patent/US10949739B1/en active Active
-
2021
- 2021-03-15 US US17/202,332 patent/US20210319292A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210319292A1 (en) | 2021-10-14 |
WO2020247309A1 (en) | 2020-12-10 |
EP3977305A1 (en) | 2022-04-06 |
EP3977305A4 (en) | 2023-01-25 |
US10949739B1 (en) | 2021-03-16 |
KR20220016185A (ko) | 2022-02-08 |
US20210075709A1 (en) | 2021-03-11 |
JP2022535201A (ja) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8060847B2 (en) | Clock model for formal verification of a digital circuit description | |
JP2016529840A (ja) | オフセット較正および適応チャネルデータサンプル位置決め | |
US10380310B2 (en) | Method and apparatus for emulation and prototyping with variable cycle speed | |
Boucheneb et al. | On multi-enabledness in time Petri nets | |
US7149903B1 (en) | System and method for signal delay in an adaptive voltage scaling slack detector | |
Bhardwaj et al. | Sequential simulation-based inference for gravitational wave signals | |
US20220027541A1 (en) | Coverage based microelectronic circuit, and method for providing a design of a microelectronic circuit | |
CN113874881A (zh) | 用于共享交叉流事件检测的方法及设备 | |
US11614487B2 (en) | Multi-capture at-speed scan test based on a slow clock signal | |
US7984351B2 (en) | Data transfer device and method thereof | |
US7191417B1 (en) | Method and apparatus for optimization of digital integrated circuits using detection of bottlenecks | |
US20220004845A1 (en) | Method and Apparatus for Cross Correlation | |
Polzer et al. | Metastability characterization for Muller C-elements | |
CN104636509B (zh) | 门级仿真中验证时序问题的系统及方法 | |
US7870518B2 (en) | Predictive event scheduling in an iterative resolution network | |
Cassandras et al. | Concurrent sample path analysis of discrete event systems | |
EP4332837A1 (en) | Training method for artificial intelligence model, and related device | |
US4133037A (en) | System and method of performing a decisive phase coherence test | |
US8054119B2 (en) | System and method for on/off-chip characterization of pulse-width limiter outputs | |
US20230384372A1 (en) | Method and device for evaluating performance of sequential logic element | |
Chatterjee et al. | FIFO Topology Aware Stalling for Accelerating Coverage Convergence of Stalling Regressions | |
JP2011199743A (ja) | クロック異常検出回路 | |
Beggs et al. | Comparing complexity classes relative to physical oracles | |
CN117172164A (zh) | 时序逻辑元件性能评估方法及设备 | |
Adhikari et al. | Simulation of a distributed target recognition system with variable operating conditions |
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 |