CN114970829B - 脉冲信号处理方法、装置、设备及存储 - Google Patents
脉冲信号处理方法、装置、设备及存储 Download PDFInfo
- Publication number
- CN114970829B CN114970829B CN202210647982.8A CN202210647982A CN114970829B CN 114970829 B CN114970829 B CN 114970829B CN 202210647982 A CN202210647982 A CN 202210647982A CN 114970829 B CN114970829 B CN 114970829B
- Authority
- CN
- China
- Prior art keywords
- pulse
- different
- input signal
- transmitting moments
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 51
- 210000002569 neuron Anatomy 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000010606 normalization Methods 0.000 claims description 31
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 15
- 238000012886 linear function Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本公开提供了一种脉冲信号处理方法、装置、设备及存储，涉及信号处理技术领域。该方法包括，获取输入信号，其中，输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元。本公开根据脉冲不同的发射时刻，对相应的脉冲使用不同的权重，能够强化时间信息，增强网络表达能力。
Description
技术领域
本公开涉及信号处理技术领域，尤其涉及一种脉冲信号处理方法、装置、设备及存储。
背景技术
脉冲神经网络的各层神经元之间，通过离散的脉冲来进行信息的传递，只有当一个神经元产生或收到脉冲时，才会进行信息的传递和处理。这一事件驱动的特性，使得脉冲神经网络的功耗降低，有效的解决了传统人工神经网络计算功耗大的问题。因为脉冲神经网络中的神经元信息传递都依靠脉冲，所以，需要将输入网络的实数值也编码成脉冲。
现有技术中，脉冲神经网络的输入信号编码主要有频率编码和时序编码。其中，频率编码会产生较多的脉冲，占用较多的功率资源；时序编码是将信号编码到发射时间，在一个时间段内可以只发射一个脉冲，节省功率资源，但是神经元之间计算权值采用静态权重的方式，无法根据不同的脉冲发射时刻使用不同的权重、充分发挥时序编码的效果。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种脉冲信号处理方法、装置、设备及存储，至少在一定程度上克服相关技术中时序编码不能根据不同的脉冲发射时刻使用动态权重的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种脉冲信号处理方法，包括：获取输入信号，其中，所述输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元。
在本公开的一个实施例中，将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值，包括：使用线性函数编码或曲线编码的方式，将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值。
在本公开的一个实施例中，所述加权计算，包括：将静态权值与动态权值相乘进行加权计算，其中，静态权值通过神经网络学习获得；动态权值是以所述脉冲发射时刻为周期的周期函数。
在本公开的一个实施例中，将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元，包括：将加权计算后的脉冲信号输入至脉冲神经网络中第一层的神经元。
在本公开的一个实施例中，将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元，包括：将加权计算后的脉冲信号输入至脉冲神经网络中中间层的神经元。
在本公开的一个实施例中，在获取输入信号之后，所述方法还包括：对获取的输入信号进行归一化处理；所述将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，包括：将归一化处理后的输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号。
在本公开的一个实施例中，对获取的输入信号进行归一化处理，包括：对获取的输入信号通过离差标准化转化公式进行归一化处理，使结果值映射到0到1之间。
根据本公开的另一个方面，提供一种脉冲信号处理装置，包括：输入信号获取模块，用于获取输入信号，其中，所述输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；脉冲编码模块，用于将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；加权计算模块，用于根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元。
根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的脉冲信号处理方法。
根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的脉冲信号处理方法。
本公开的实施例所提供的脉冲信号处理方法、装置、设备及存储，获取输入信号，其中，输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元，本公开根据脉冲不同的发射时刻，对相应的脉冲使用不同的权重，能够强化时间信息，增强网络表达能力。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种脉冲信号处理系统结构的示意图；
图2示出本公开实施例中一种脉冲信号处理方法一具体实例的流程图；
图3示出本公开实施例中一种脉冲信号处理方法一具体实例的流程图；
图4示出本公开实施例中一种脉冲信号处理方法一具体实例的流程图；
图5示出本公开实施例中一种脉冲信号处理方法一具体实例的流程图；
图6示出本公开实施例中一种脉冲信号处理方法一具体实例的流程图；
图7示出本公开实施例中一种脉冲信号处理装置示意图；
图8示出本公开实施例中一种电子设备的结构框图；
图9示出本公开实施例中一种计算机可读存储介质的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先，本公开实施例中提供了一种脉冲信号处理方法，该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种脉冲信号处理方法流程图，如图1所示，本公开实施例中提供的脉冲信号处理方法包括如下步骤：
S102，获取输入信号，其中，输入信号为待输入至脉冲神经网络中任一层级的神经元的信号。
需要说明的是，上述输入信号可以是实数，实数是有理数和无理数的总称，实数定义为与数轴上点相对应的数。上述实数可以直观地看作有限小数与无限小数，实数和数轴上的点一一对应。
例如，获取0.5，0.6，0.7三个输入信号。
S104，将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值。
需要说明的是，上述脉冲信号可以是数字信号，数字信号指自变量是离散的、因变量也是离散的信号，在计算机中(神经网络脉冲)，数字信号的大小常用有限位的二进制数表示。上述映射是指指两个元素的集之间元素相互“对应”的关系，等同于函数。
S106，根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元。
需要说明的是，上述加权计算可以是对脉冲赋予不同的权重，根据脉冲不同的发射时刻，对相应的脉冲计算得到不同的权重，使得脉冲可以带有时间信息。
在实现中，对发射的时间进行离散化处理，比如t＝0，1，2，…，T-1；表示起始时刻，第1个单位时间步，第2个单位时间步，…，第T-1个单位时间步。一个时间步用Δt表示，具体数值不做限定，取决于硬件(芯片电路)能力和人为设定，比如Δt＝1ms。
在具体实施时，本公开能够根据脉冲不同的发射时刻，对相应的脉冲使用不同的权重，能够强化时间信息，增强网络表达能力。
在本公开的一个实施例中，如图2所示，本公开实施例中提供的脉冲信号处理方法可以通过如下步骤对输入信号进行编码，能够减少脉冲数量：
S202，使用线性函数编码或曲线编码的方式，将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值。
在一个实例中，可以使用线性函数编码。
例如，采用如下公式进行线性函数编码：
其中，tf表示本周期脉冲发射的时间，T表示一个周期的时刻，表示输入信号经过归一化计算后得到的值，/>表示取下整操作。
在一个实施例中，对于公式(1)中的T，对于可能出现的极大值T，将其更改为T-1，计算方式可以采用如下公式之一：
或，
其中ε是一个小于T、较小的数，例如0.1，0.01等。
在另一个实例中，可以使用曲线的平方余弦进行编码。
例如，采用如下公式进行曲线编码：
其中，tf表示本周期脉冲发射的时间，T表示一个周期的时刻，表示输入信号经过归一化计算后得到的值，/>表示取下整操作。
在一个实施例中，对于公式(2)中的T，对于可能出现的极大值T，将其更改为T-1，计算方式可以采用如下公式之一：
或，
其中，ε是一个小于T、较小的数，例如0.1，0.01等。
在具体实施时，本公开将输入信号映射到不同的脉冲发射时刻进行编码，输入刺激越大，发射时间越早，使用时序编码减少脉冲数量，根据脉冲时序编码的信息特点，构造了根据不同的脉冲发射时间使用不同的权重，使得在一个周期内一个实值信号使用输入脉冲为一个的情况下达到和频率编码多脉冲类似的效果，可用以代替频率编码，从而节省了功耗，降低类脑芯片能耗。
在本公开的一个实施例中，如图3所示，本公开实施例中提供的脉冲信号处理方法可以通过如下步骤进行加权计算，使得不同的脉冲发射时间有不同的权重：
S302，将静态权值与动态权值相乘进行加权计算，其中，静态权值通过神经网络学习获得；动态权值是以脉冲发射时刻为周期的周期函数。
需要说明的是，上述神经网络学习可以是一种特征的表示学习，把原始数据通过一些简单非线性的转换成为更高层次的、更加抽象的特征表达。神经网络学习的核心是，学习合适权重参数以对数据进行非线性转换，以提取关键特征或者决策，即模型参数控制着特征加工方法及决策。例如，线性回归、逻辑回归可以视为单层的神经网络，它们都是广义的线性模型，可以学习输入特征到目标值的线性映射规律。上述周期函数可以是对于函数y＝f(x)，如果存在一个不为零的常数T，使得当x取定义域内的每一个值时，f(x+T)＝f(x)都成立，那么就把函数y＝f(x)叫做周期函数，不为零的常数T叫做这个函数的周期。
在一个实施例中，动态权值通过如下公式计算得到：
w(d)(t)＝1-t/T， (3)
其中，w(d)(t)表示动态权值，t表示在一个周期内脉冲的发射时刻，T表示一个周期的时刻。
例如，周期T为10秒，脉冲发射时刻t为第5秒，通过上述公式w(d)(t)＝1-t/T计算得到该脉冲的动态权值为0.5。
在一个实施例中，动态权值通过如下公式计算得到：
其中，w(d)(t)表示动态权值，t表示在一个周期内脉冲的发射时刻，T表示一个周期的时刻，arccos表示反三角函数中的反余弦。
在具体实施时，本公开基于时序编码的动态权值(周期内非均匀分布的权值)，可以增加不同发射时刻脉冲的区分性，不同时刻脉冲对下级神经元的膜电压增量效果随时间变化，由时间携带的信息可以更好地传递到想神经元输出中。
在本公开的一个实施例中，如图4所示，本公开实施例中提供的脉冲信号处理方法，将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元中包括：
S402，将加权计算后的脉冲信号输入至脉冲神经网络中第一层的神经元。
在具体实施时，本公开结合脉冲时序编码，可以使得在一个周期内一个实值信号使用输入脉冲为一个的情况下达到和频率编码多脉冲类似的效果，可用以代替频率编码，从而节省了功耗，可以使得类脑芯片更节能。
在本公开的一个实施例中，如图5所示，本公开实施例中提供的脉冲信号处理方法，将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元中包括：
S502，将加权计算后的脉冲信号输入至脉冲神经网络中中间层的神经元。
例如，在一个实例中，脉冲神经网络中第n层的第i个神经元在t时刻(离散时间步)的输入为：
脉冲神经元为IF(Integrate And Fire，积分点火)神经元，此时瞬时膜电压发射脉冲/>以及膜电压/>分别为：
其中，j是第n-1层的第j个神经元，l是第n-1层的神经元总数，g(x)是阶跃函数，vth是阈值，vrest是脉冲发射后的重置电压，此处可以设置为0。通过上述公式(5)、公式(6)、公式(7)、公式(8)和公式(9)，可以发现：由于w(d)(t)的引入，会直接影响间接影响/>和/>
在具体实施时，本公开通过动态权值方法的引入，即使在没有泄露的积分点火神经元模型下，也可以实现时间信息的传递；使用时序编码减少了输入脉冲数量，基于时序编码的动态权值(周期内非均匀分布的权值)，引入动态权值，可以增加不同发射时刻脉冲的区分性。
在本公开的一个实施例中，如图6所示，本公开实施例中提供的脉冲信号处理方法在获取输入信号之后，还可以包括：
S602，对获取的输入信号进行归一化处理。
需要说明的是，上述输入数信号以是实数，实数是有理数和无理数的总称，实数定义为与数轴上点相对应的数。上述实数可以直观地看作有限小数与无限小数，实数和数轴上的点一一对应。上述归一化可以是一种计算方法，使物理系统数值的绝对值变成某种相对值关系。
S604，将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，包括：将归一化处理后的输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号。
在一个实施例中，对获取的输入信号进行归一化处理，包括：
将输入信号通过离差标准化转化公式进行归一化处理，使结果值映射到0到1之间。
需要说明的是，上述离差标准化可以是最大最小规范化，是对原始数据的线性变换，用于消除大单位和小单位的影响(消除量纲)变异大小的差异影响。
例如，所有可能的输入数据最小值是0，最大值是100，某次输入为[10，30，40，50]，进行归一化后转变为[0.1，0.3，0.4，0.5]。
在一个实施例中，可以通过如下公式进行归一化处理：
其中，表示经过归一化计算后得到的处理结果，x表示输入信号(输入数据)，xmin表示最小的输入信号(输入数据)，xmax表示最大的输入信号(输入数据)。
在一个实施例中，归一化处理中的xmin和xmax是指所有可能的输入中的最小和最大，而不是本批次输入的最小和最大。例如，对于图片RGB编码的任何一个通道上像素的灰度值取值为0-255，那么其最小值和最大值分别是0和255。例如，xmin和xmax是可以事先约定或通过预先处理确定。
更进一步，在一个实施例中，为了避免出现取值为1，可以对xmax进行约定修正，使得其值比可能的最大值还大一点，这样可以将输入信号归一化道[0，1)这样一个左闭右开的区间内，配合公式(1)，经过这个预处理，后面的公式就不需要微调去避免出现tf＝T的情况出现。
在具体实施时，本公开将原始的输入数据(包括正负的实数值，负的输入数据不便于编码成脉冲序列)进行归一化，使其数值都在0到1之间，便于编码成脉冲序列，保留了原始的输入数据中存在的关系，消除量纲和数据取值范围影响。
基于同一发明构思，本公开实施例中还提供了一种脉冲信号处理装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图7示出本公开实施例中一种脉冲信号处理装置示意图，如图7所示，该装置包括：输入信号获取模块701，脉冲编码模块702，动态加权输入模块703和信号归一化模块704。
其中，输入信号获取模块，用于获取输入信号，其中，输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；脉冲编码模块，用于将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；动态加权输入模块，用于根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元。
在本公开的一个实施例中，上述脉冲编码模块702还用于：使用线性函数编码或曲线编码的方式，将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值。
在本公开的一个实施例中，上述动态加权输入模块703用于：将静态权值与动态权值相乘进行加权计算，其中，静态权值通过神经网络学习获得；动态权值是以脉冲发射时刻为周期的周期函数。
在本公开的一个实施例中，上述动态加权输入模块703还用于：将加权计算后的脉冲信号输入至脉冲神经网络中第一层的神经元。
在本公开的一个实施例中，上述动态加权输入模块703还用于：将所述动态加权脉冲输入到中间层。
在本公开的一个实施例中，上述脉冲信号处理装置还包括信号归一化模块704：对获取的输入信号进行归一化处理。
在本公开的一个实施例中，上述信号归一化模块704具体用于：对获取的输入信号通过离差标准化转化公式进行归一化处理，使结果值映射到0到1之间。
在本公开的一个实施例中，上述动态加权输入模块703还可以使用上述公式(3)，实现动态权值的计算。
在本公开的一个实施例中，上述动态加权输入模块703还可以使用上述公式(4)，实现动态权值的计算。
在本公开的一个实施例中，上述信号归一化模块706还可以使用上述公式(10)，实现归一化处理。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如，所述处理单元810可以执行上述方法实施例的如下步骤：获取输入信号，其中，输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元。
例如，所述处理单元810可以执行上述方法实施例的如下步骤：使用线性函数编码或曲线编码的方式，将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值。
例如，所述处理单元810可以执行上述方法实施例的如下步骤：将静态权值与动态权值相乘进行加权计算，其中，静态权值通过神经网络学习获得；动态权值是以脉冲发射时刻为周期的周期函数。
例如，所述处理单元810可以执行上述方法实施例的如下步骤：将加权计算后的脉冲信号输入至脉冲神经网络中第一层的神经元。
例如，所述处理单元810可以执行上述方法实施例的如下步骤：将加权计算后的脉冲信号输入至脉冲神经网络中中间层的神经元。
例如，所述处理单元810可以执行上述方法实施例的如下步骤：对获取的输入信号进行归一化处理；将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，包括：将归一化处理后的输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号。
例如，所述处理单元810可以执行上述方法实施例的如下步骤：对获取的输入信号通过离差标准化转化公式进行归一化处理，使结果值映射到0到1之间。
例如，所述处理单元810可以执行上述方法实施例的公式(1)，实现线性函数编码。
例如，所述处理单元810可以执行上述方法实施例的公式(2)，实现曲线编码。
例如，所述处理单元810可以执行上述方法实施例的公式(3)，实现动态权值的计算。
例如，所述处理单元810可以执行上述方法实施例的公式(4)，实现动态权值的计算。
例如，所述处理单元810可以执行上述方法实施例的公式(10)，实现动态权值的计算。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备840(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。图9示出本公开实施例中一种计算机可读存储介质的示意图，如图9所示，该计算机可读存储介质900上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：获取输入信号，其中，输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：使用线性函数编码或曲线编码的方式，将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将静态权值与动态权值相乘进行加权计算，其中，静态权值通过神经网络学习获得；动态权值是以脉冲发射时刻为周期的周期函数。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将加权计算后的脉冲信号输入至脉冲神经网络中第一层的神经元。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将加权计算后的脉冲信号输入至脉冲神经网络中中间层的神经元。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：对获取的输入信号进行归一化处理；将输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，包括：将归一化处理后的输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：对获取的输入信号通过离差标准化转化公式进行归一化处理，使结果值映射到0到1之间。
例如，本公开实施例中的程序产品被处理器执行时实现上述方法实施例的公式(1)，实现线性函数编码。
例如，本公开实施例中的程序产品被处理器执行时实现上述方法实施例的公式(2)，实现曲线编码。
例如，本公开实施例中的程序产品被处理器执行时实现上述方法实施例的公式(3)，实现动态权值的计算。
例如，本公开实施例中的程序产品被处理器执行时实现上述方法实施例的公式(4)，实现动态权值的计算。
例如，本公开实施例中的程序产品被处理器执行实现上述方法实施例的公式(10)，实现动态权值的计算。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (9)
1.一种图片RGB编码的脉冲信号处理方法，其特征在于，包括：
获取输入信号，其中，所述输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；
将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；
根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元；
其中，所述输入信号为表示物理系统数值大小的信号；
所述加权计算，包括：将静态权值与动态权值相乘进行加权计算，其中，静态权值通过神经网络学习获得；动态权值是以所述脉冲发射时刻为周期的周期函数。
2.根据权利要求1所述的图片RGB编码的脉冲信号处理方法，其特征在于，将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值，包括：
使用线性函数编码或曲线编码的方式，将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值。
3.根据权利要求1所述的图片RGB编码的脉冲信号处理方法，其特征在于，将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元，包括：
将加权计算后的脉冲信号输入至脉冲神经网络中第一层的神经元。
4.根据权利要求1所述的图片RGB编码的脉冲信号处理方法，其特征在于，将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元，包括：
将加权计算后的脉冲信号输入至脉冲神经网络中中间层的神经元。
5.根据权利要求1所述的图片RGB编码的脉冲信号处理方法，其特征在于，在获取输入信号之后，所述方法还包括：
对获取的输入信号进行归一化处理；
所述将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，包括：将归一化处理后的输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号。
6.根据权利要求5所述的图片RGB编码的脉冲信号处理方法，其特征在于，对获取的输入信号进行归一化处理，包括：
对获取的输入信号通过离差标准化转化公式进行归一化处理，使结果值映射到0到1之间。
7.一种图片RGB编码的脉冲信号处理装置，其特征在于，包括：
输入信号获取模块，用于获取输入信号，其中，所述输入信号为待输入至脉冲神经网络中任一层级的神经元的信号；
脉冲编码模块，用于将所述输入信号映射到不同的脉冲发射时刻进行编码，得到不同脉冲发射时刻的脉冲信号，其中，不同的脉冲发射时刻对应不同的权值；
加权计算模块，用于根据不同脉冲发射时刻对应的权值，对不同脉冲发射时刻的脉冲信号进行加权计算，并将加权计算后的脉冲信号输入至脉冲神经网络中相应层级的神经元；
其中，所述输入信号为表示物理系统数值大小的信号；
所述加权计算，包括：将静态权值与动态权值相乘进行加权计算，其中，静态权值通过神经网络学习获得；动态权值是以所述脉冲发射时刻为周期的周期函数。
8.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～6中任意一项所述的图片RGB编码的脉冲信号处理方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6中任意一项所述的图片RGB编码的脉冲信号处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210647982.8A CN114970829B (zh) | 2022-06-08 | 2022-06-08 | 脉冲信号处理方法、装置、设备及存储 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210647982.8A CN114970829B (zh) | 2022-06-08 | 2022-06-08 | 脉冲信号处理方法、装置、设备及存储 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970829A CN114970829A (zh) | 2022-08-30 |
| CN114970829B true CN114970829B (zh) | 2023-11-17 |
Family
ID=82961551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210647982.8A Active CN114970829B (zh) | 2022-06-08 | 2022-06-08 | 脉冲信号处理方法、装置、设备及存储 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970829B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110680313A (zh) * | 2019-09-30 | 2020-01-14 | 北京工业大学 | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 |
| WO2021012752A1 (zh) * | 2019-07-23 | 2021-01-28 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
| CN112906828A (zh) * | 2021-04-08 | 2021-06-04 | 周士博 | 一种基于时域编码和脉冲神经网络的图像分类方法 |
| CN113255905A (zh) * | 2021-07-16 | 2021-08-13 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
| CN113935456A (zh) * | 2021-09-09 | 2022-01-14 | 上海新氦类脑智能科技有限公司 | 脉冲神经网络层内数据处理方法及设备、处理芯片 |
| CN114037050A (zh) * | 2021-10-21 | 2022-02-11 | 大连理工大学 | 一种基于脉冲神经网络内在可塑性的机器人退化环境避障方法 |
| CN114092763A (zh) * | 2021-11-22 | 2022-02-25 | 南京铁道职业技术学院 | 一种脉冲神经网络模型构建方法 |
| CN114266351A (zh) * | 2021-12-15 | 2022-04-01 | 南京大学 | 基于无监督学习时间编码的脉冲神经网络训练方法及系统 |
| CN114528984A (zh) * | 2022-01-14 | 2022-05-24 | 重庆邮电大学 | 一种用于脉冲神经网络的多输入神经元电路 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9147156B2 (en) * | 2011-09-21 | 2015-09-29 | Qualcomm Technologies Inc. | Apparatus and methods for synaptic update in a pulse-coded network |
| JP6750118B2 (ja) * | 2016-11-28 | 2020-09-02 | ホアウェイ・テクノロジーズ・カンパニー・リミテッド | スパイクニューラルネットワークに基づく信号処理方法及び信号処理装置 |
| US20210268289A1 (en) * | 2018-06-22 | 2021-09-02 | The Board Of Trustees Of The Leland Stanford Junior University | Effective invasive multichannel desynchronizing stimulation |
| US11367438B2 (en) * | 2019-05-16 | 2022-06-21 | Lg Electronics Inc. | Artificial intelligence apparatus for recognizing speech of user and method for the same |
-
2022
- 2022-06-08 CN CN202210647982.8A patent/CN114970829B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021012752A1 (zh) * | 2019-07-23 | 2021-01-28 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
| CN110680313A (zh) * | 2019-09-30 | 2020-01-14 | 北京工业大学 | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 |
| CN112906828A (zh) * | 2021-04-08 | 2021-06-04 | 周士博 | 一种基于时域编码和脉冲神经网络的图像分类方法 |
| CN113255905A (zh) * | 2021-07-16 | 2021-08-13 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
| CN113935456A (zh) * | 2021-09-09 | 2022-01-14 | 上海新氦类脑智能科技有限公司 | 脉冲神经网络层内数据处理方法及设备、处理芯片 |
| CN114037050A (zh) * | 2021-10-21 | 2022-02-11 | 大连理工大学 | 一种基于脉冲神经网络内在可塑性的机器人退化环境避障方法 |
| CN114092763A (zh) * | 2021-11-22 | 2022-02-25 | 南京铁道职业技术学院 | 一种脉冲神经网络模型构建方法 |
| CN114266351A (zh) * | 2021-12-15 | 2022-04-01 | 南京大学 | 基于无监督学习时间编码的脉冲神经网络训练方法及系统 |
| CN114528984A (zh) * | 2022-01-14 | 2022-05-24 | 重庆邮电大学 | 一种用于脉冲神经网络的多输入神经元电路 |
Non-Patent Citations (4)
| Title |
|---|
| "LogicSNN：A unified spiking neural networks logical operation paradigm";Mo L等;《Electronics》;第10卷(第17期);第2123-2132页 * |
| "Stochastic SOT device based SNN architecture for On-chip Unsupervised STDP Learning";Jang Y等;《IEEE Transactions on Computers》;第71卷(第9期);第2022-2035页 * |
| "基于神经元转换方法的混合卷积脉冲神经网络";李凌开等;《杭州电子科技大学学报(自然科学版)》;第41卷(第3期);第37-42页 * |
| "类脑脉冲神经网络及其神经形态芯片研究综述";张慧港等;《Journal of Biomedical Engineering》;第38卷(第5期);第986-994页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114970829A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106776578B (zh) | 用于提升对话系统对话性能的方法及装置 | |
| WO2019184823A1 (zh) | 基于卷积神经网络模型的图像处理方法和装置 | |
| CN105844330B (zh) | 神经网络处理器的数据处理方法及神经网络处理器 | |
| CN111652368A (zh) | 一种数据处理方法及相关产品 | |
| WO2020207174A1 (zh) | 用于生成量化神经网络的方法和装置 | |
| CN109961147B (zh) | 一种基于Q-Learning算法的自动化模型压缩方法 | |
| CN114970829B (zh) | 脉冲信号处理方法、装置、设备及存储 | |
| CN112101543A (zh) | 神经网络模型确定方法、装置、电子设备及可读存储介质 | |
| WO2022012233A1 (zh) | 一种量化校准方法、计算装置和计算机可读存储介质 | |
| US20240113519A1 (en) | Method and device for forecasting electric load, and electronic device | |
| WO2021073638A1 (zh) | 运行神经网络模型的方法、装置和计算机设备 | |
| CN111653261A (zh) | 语音合成方法、装置、可读存储介质及电子设备 | |
| CN112668714A (zh) | 一种卷积神经网络低比特量化方法、系统及介质 | |
| CN109308517B (zh) | 面向二值神经网络的二值化装置、方法及应用 | |
| WO2024092896A1 (zh) | 一种神经网络训练及推理方法、装置、终端及存储介质 | |
| CN116579407A (zh) | 神经网络模型的压缩方法、训练方法、处理方法和装置 | |
| CN115965062A (zh) | 一种bert中层归一化非线性函数的fpga加速方法 | |
| CN114998996A (zh) | 具有运动属性信息的信号处理方法、装置、设备及存储 | |
| CN111382854B (zh) | 一种卷积神经网络处理方法、装置、设备及存储介质 | |
| CN108574653A (zh) | 基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法 | |
| Dinčić et al. | Support region of μ-law logarithmic quantizers for Laplacian source applied in neural networks | |
| Qian et al. | Deep Image Semantic Communication Model for Artificial Intelligent Internet of Things | |
| KR20210082993A (ko) | 양자화 영상 생성 방법 및 양자화 영상 생성 방법을 수행하는 센서 장치 | |
| KR20190128885A (ko) | 전자 장치 및 그 제어 방법 | |
| CN114900033B (zh) | 一种基于深度学习的变流器输出频谱定制方法 |
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 |