CN115378814A - 一种储备池计算网络优化方法及相关装置 - Google Patents
一种储备池计算网络优化方法及相关装置 Download PDFInfo
- Publication number
- CN115378814A CN115378814A CN202211009477.7A CN202211009477A CN115378814A CN 115378814 A CN115378814 A CN 115378814A CN 202211009477 A CN202211009477 A CN 202211009477A CN 115378814 A CN115378814 A CN 115378814A
- Authority
- CN
- China
- Prior art keywords
- signal
- quantization
- different
- sampling
- reserve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013139 quantization Methods 0.000 claims abstract description 112
- 238000005070 sampling Methods 0.000 claims abstract description 81
- 238000003860 storage Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
- H04L43/02—Capturing of monitoring data
- H04L43/022—Capturing of monitoring data by sampling
- H04L43/024—Capturing of monitoring data by sampling by adaptive sampling
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Analogue/Digital Conversion (AREA)
Abstract
本申请公开了一种储备池计算网络优化方法及相关装置,该方法包括:对输入信号进行采样,得到采样信号;通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;将所述不同的数字信号中元素对应的电压脉冲输入到由不同数量虚拟节点构建的储备池中,以便不同储备池提取所述输入信号在不同量化方式下的信号特征。通过对信号进行不同方式的量化,并将其输入到由不同数量虚拟节点构建的储备池中,可提高储备池的内部状态丰富性,进一步提高储备池系统对信号识别的准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种储备池计算网络优化方法及相关装置。
背景技术
随着人工智能技术的高速发展,旨在通过模仿构成人脑的神经元和突触的机制来实现人工智能的神经形态计算成为研究重点。其中,衍生于传统的循环神经网络(Recurrent Neural Network,RNN)的储备池计算(Reservoir Computing,RC),由于其具备较低的训练代价及简单的硬件实现,已经在动态系统识别、时间序列检测等领域得到广泛应用。
储备池系统对信号识别的准确性与储备池内部状态的丰富性息息相关。现有基于忆阻器的储备池计算的相关技术中,可依靠忆阻器之间固有的差异性来提高储备池内部状态的丰富性,但当器件的工艺条件和参数确定时,储备池的丰富性随之确定,不能根据特定任务类型进行调整,若每次根据不同任务类型重新设计器件,硬件开销太大。
发明内容
基于上述问题,本申请提供了一种储备池计算网络优化方法及相关装置,提高储备池系统识别信号的准确性。
本申请实施例公开了如下技术方案:
第一方面,本申请提供了一种储备池计算网络优化方法,所述方法包括:
对输入信号进行采样,得到采样信号;
通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;
将所述不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池提取所述输入信号在不同量化方式下的信号特征。
可选地,所述至少两种数字信号至少包括:第一数字信号和第二数字信号,所述将所述不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,包括:
依次将所述第一数字信号中第一数量个元素对应的电压脉冲信号,输入到由第一数量个虚拟节点构建的第一储备池中;以及,
依次将所述第二数字信号中第二数量个元素对应的电压脉冲信号,输入到由第二数量个虚拟节点构建的第二储备池中。
可选地,所述至少两种量化方式至少包括第一量化方式和第二量化方式,所述第一量化方式对应第一比特数,所述第二量化方式对应第二比特数,所述通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,包括:
根据所述采样信号的最大取值、最小取值和第一比特数,确定第一取值区间;
根据所述采样信号的幅值与所述第一取值区间的对应关系,得到第一数字信号;
根据所述采样信号的最大取值、最小取值和第二比特数,确定第二取值区间;
根据所述采样信号的幅值与所述第二取值区间的对应关系,得到第二数字信号。
可选地,所述量化方式所采用的比特数与忆阻器的性能相关。
可选地,所述数字信号为二进制编码表示的数字信号。
第二方面,本申请实施例提供了一种储备池计算网络优化装置,所述装置包括:
采样模块、量化模块以及输入模块;
所述采样模块,对输入信号进行采样,得到采样信号;
所述量化模块,用于通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;
所述输入模块,用于将所述不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池提取所述输入信号在不同量化方式下的信号特征。
可选地,所述至少两种数字信号包括:第一数字信号和第二数字信号,所述输入模块,具体用于:
依次将所述第一数字信号中第一数量个元素对应的电压脉冲信号,输入到由第一数量个虚拟节点构建的第一储备池中;以及,
依次将所述第二数字信号中第二数量个元素对应的电压脉冲信号,输入到由第二数量个虚拟节点构建的第二储备池中。
可选地,所述至少两种量化方式至少包括第一量化方式和第二量化方式,所述第一量化方式对应第一比特数,所述第二量化方式对应第二比特数,所述通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,所述量化模块,具体用于:
根据所述采样信号的最大取值、最小取值和第一比特数,确定第一取值区间;
根据所述采样信号的幅值与所述第一取值区间的对应关系,得到第一数字信号;
根据所述采样信号的最大取值、最小取值和第二比特数,确定第二取值区间;
根据所述采样信号的幅值与所述第二取值区间的对应关系,得到第二数字信号。
第三方面,本申请实施例提供了一种储备池计算网络优化设备,所述设备包括:
存储器、处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序时实现第一方面任一项所述的储备池计算网络优化方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,
所述计算机可读存储介质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第一方面任一项所述的储备池计算网络优化方法的步骤。
相较于现有技术,本申请具有以下有益效果:
本申请提供的信号处理方法,即对输入信号进行采样,得到采样信号;通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;将所述不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池提取所述输入信号在不同量化方式下的信号特征。
本申请主要通过不同数量的虚拟节点构建不同的储备池,通过采用不同的量化方式对采样信号进行不同的量化处理得到不同的数字信号,将不同的数字信号输入到不同数量虚拟节点构建的不同储备池中,可提高储备池的丰富性,进而提升储备池系统识别信号的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种储备池计算网络优化方法的流程图;
图2为本申请实施例提供的一种数字信号量化示意图;
图3为本申请实施例提供的常规储备池和虚拟节点构建储备池的示意图;
图4为本申请实施例提供的在不同量化方式以及不同虚拟节点构建的储备池条件下识别输入信号的结果示意图;
图5为本申请实施例提供的一种虚拟节点构建的储备池计算网络优化方法的流程图;
图6为本申请实施例提供的一种虚拟节点构建的储备池计算网络优化方法的示意图;
图7为本申请实施例提供的一种虚拟节点构建的储备池计算网络优化装置的结构示意图。
具体实施方式
正如前文描述,储备池计算是一种适用于处理时序信号的高效人工神经网络,其衍生于传统的递归神经网络RNN,但具有更低的训练代价和更简易的硬件实现,已经在动态系统识别、时间序列预测等领域得到广泛应用。储备池系统的计算能力与储备池内部状态的丰富性密切相关。
发明人经过研究,发现目前的储备池系统可利用忆阻器之间的差异来提升储备池内部状态的丰富性,但器件的工艺条件一经确定,储备池内部状态的丰富性随之确定,不能根据具体的任务进行调整,若每次都根据具体的任务调整工艺条件,硬件开销太大且性价比低。
有鉴于此,本申请提供了一种储备池计算网络优化方法,可通过在软件上的设计提高器件与器件之间的差异性,从而构建不同的储备池,丰富储备池内部丰富性,优化方法包括:对输入信号进行采样,得到采样信号;通过至少两种量化方式对采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;将不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池提取输入信号在不同量化方式下的信号特征。
可见,该方法对输入信号进行不同的处理,将不同量化方式下生成的数字信号转化成输入脉冲序列输入到储备池中,使相同的忆阻器也能由于虚拟节点的个数或取值不同而构建不同的储备池,从而对信号的不同特征进行记忆,提高了储备池系统的内部丰富性,进而提高对输入信号的识别的准确性。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
参见图1,该图为本申请实施例提供的一种储备池计算网络优化方法的流程图。
如图1所示,该储备池计算网络优化方法包括:
S101:对输入信号进行采样,得到采样信号。
输入信号可以是生产生活中的各种模拟信号,模拟信号是指用连续变化的物理量表示的信息,其信号的幅度,或频率,或相位随时间作连续变化,或在一段连续的时间间隔内,其代表信息的特征量可以在任意瞬间呈现为任意数值的信号,如:摄相机中的图像、录音机录下的任何声音、照相机中的任何照片、以及车间控制室所记录的压力、转速等。
除此之外,输入信号还可以是任意的数字信号,需要注意的是,本申请实施例不对输入信号的形式及内容进行任何限定。
采样是连续信号在时间上的离散化,即按照一定时间间隔在模拟信号上逐点采取其瞬时值,当然采样也可以是在数字信号进行。一般而言,采样频率越高,采样点数就越密,所得离散信号就越逼近于原信号。但过高的采样频率并不可取,对固定长度(T)的信号,采集到过大的数据量(N=T/△t),给计算机增加不必要的计算工作量和存储空间;若数据量(N)限定,则采样时间过短,会导致一些数据信息被排斥在外。采样频率过低,采样点间隔过远,则离散信号不足以反映原有信号波形特征,无法使信号复原,造成信号混淆。直观地说信号混迭是把本该是高频的信号误认为低频信号。根据采样定理可以得到,当采样频率大于原信号中最大组成频率的两倍时,可以比较好的还原信号,若小于最大组成频率的两倍则为欠采样,会出现信号混叠现象。
当输入信号为模拟信号时,采样信号可以是一组时间上离散、幅值连续的样本点的集合,采样信号实则还是一种模拟信号。
采样可以通过专业数据采集设备或配有数据采集卡的电脑系统的设备完成。
S102:通过至少两种量化方式对采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同。
量化可以是通过四舍五入的方法将采样后的模拟信号转换成一种数字信号的过程。从S101中的采样可知,当输入信号是模拟信号时,输入信号采样后的信号是一种阶梯信号,它虽然在时间轴上已经离散,但是这种阶梯信号的幅值仍然是连续的,若对这种信号用二进制数码进行精确表示,需要无穷多位的二进制码,所以要采用四舍五入的方法将每一个采样值归并到某一个临近的整数,这样就可以用一定字长的二进制码来表示采样值,这种取有限个数值近似地表示某一连续变化信号的过程称为量化。量化可以分为均匀量化与非均匀量化,其中均匀量化是将输入信号动态范围被均匀地划分;非均匀量化是输入信号动态范围的划分不均匀,一般用类似指数的曲线进行量化。非均匀量化是针对均匀量化提出的,比如,一般的语音信号中,绝大部分是小幅度的信号,且人耳听觉遵循指数规律。为了保证信号能够被更精确的还原,应该将更多的比特用于表示小信号。
本申请实施例中的量化方式可根据忆阻器特性选择合适的bit数,其中bit数越高,量化后的结果越接近原始的输入信号,即失真度越低。量化方式和虚拟节点的个数共同决定了储备池内部状态的丰富度,具体关系为:当量化方式的选择为x bit,虚拟节点个数为n时,储备池内部状态有(2x)n种,即要求用于构建储备池的忆阻器有(2x)n个状态可区分,在忆阻器特性允许范围内,根据所要执行的特定任务,仿真确定最合适的x和n的值。
为方便理解采样信号量化的过程,现结合说明书附图2对量化进行说明,以1比特和2比特两种量化方式进行讲解,上图采用1比特,下图采用2比特。
当采用1比特的量化方式进行量化时,可以得到一组数字信号,该数字信号可以表示为{1,1,0,1,0,1,1,1};
当采用2比特的量化方式进行量化时,可以得到一组数字信号,该数字信号可以表示为{2,2,1,2,0,3,2,3}。
S103:将不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池提取输入信号在不同量化方式下的信号特征。
衍生于传统的循环神经网络RNN的储备池计算RC,由于其具备较低的训练代价及简单的硬件实现,已经在动态系统识别、时间序列检测等领域得到广泛应用。
储备池可以通过忆阻器提取输入信号在不同量化方式下的信号特征。
忆阻器,全称记忆电阻器(Memristor)。它是表示磁通与电荷关系的电路器件。忆阻器具有电阻的量纲,但和电阻不同的是,忆阻器的阻值是由流经它的电荷确定。因此,通过测定忆阻器的阻值,便可知道流经它的电荷量,从而有记忆电荷的作用。
为方便理解,下面将对储备池的构建进行详细介绍,本申请实施例中不对构建储备池的虚拟节点个数以及储备池的数量进行任何限定。
传统的储备池计算可以由三层组成:输入层、储层以及输出层。其中,输入层通过固定的随机权重连接将输入信号输入到储层。储层通常由大量随机连通的非线性节点组成,构成一个循环网络,即具有内部反馈回路的网络。在输入信号的影响下,网络呈现瞬态响应,这些瞬态响应在输出层通过单个节点状态的线性加权和读出。RC的目标是实现输入信号的特定非线性变换或对输入信号进行分类。分类涉及一组输入数据之间的区别,例如识别图像、声音、时间序列等特征。
非线性地将输入信号转换成一个高维状态空间,在这个空间中信号被表示出来。这是通过使用大量的储层节点来实现的,这些节点通过储层的周期性非线性动力学相互连接。在实践中,传统的RC结构采用数百/数千个非线性储层节点来获得良好的性能。
本申请实施例中,实现一个储层计算机,其中多连接节点的结构被一个动态系统取代,其中包含一个受延迟反馈的非线性节点。在数学上,连续时滞系统的一个关键特征是其状态空间变为无限维。这是因为它们在t时刻的状态依赖于非线性节点在连续时间区间[t-τ,t],τ为延迟时间。在实践中,延迟系统的动力学仍然是有限维的,但表现出高维和短时记忆的特性。因此,延迟系统能够满足储层正常运行的要求。
结合说明书附图3中展示本申请实施例构建储备池基本原理。在长度τ的一个延迟区间内,我们用θ=τ/N定义了时间上的N个等距点。我们将这N个等距点称为“虚拟节点”,因为它们的作用类似于传统储层中的节点之一。在每N个点上延迟变量的值定义了虚拟节点的状态。这些状态表征了储层在给定时间对某一输入的瞬态响应。虚拟节点间的分离时间θ具有重要作用,可用于优化储层动态。我们选择θ<T,T为非线性节点的特征时间尺度。通过这种选择,虚拟节点的状态变得依赖于邻近节点的状态。通过这种方式连接起来,虚拟节点模拟了一个充当储存器的网络。
通常,储备池内部状态的丰富性通过储备池中虚拟节点的个数以及储备池计算的输入信号进行体现。如果储备池系统由三个储备池所组成,其中,储备池甲、丙均由2个虚拟节点构建而成,储备池乙由3个虚拟节点所构成。将1比特量化后的数字信号对应的电压脉冲信号输入到储备池甲中,则储备池甲的内部状态有22种;将1比特量化后的数字信号对应的电压脉冲信号输入到储备池乙中,则储备池乙的内部状态有23种;将2比特量化后的数字信号输入到储备池丙中,则储备池丙的内部状态有(22)2种。
通过将不同的数字信号对应的电压脉冲输入到不同虚拟节点个数所构建的储备池中,可以提取同一时间点更准确的特征,比如,分别将1比特量化后的数字信号{1,1,0,1,0,1,1,1}与2比特量化后的数字信号{2,2,1,2,0,3,2,3}分别输入到2个虚拟节点构建的储备池甲和储备池丙中,显而易见,2比特量化后的数字信号比1比特量化后的数字信号更加准确。除此之外,储备池乙的内部状态有22,储备池丙的内部状态有(22)2,储备池丙的内部状态较储备池乙的内部状态不一样,所以对于储备池系统而言,可以实现对同一信号的不同特征进行提取。
首先,输入信号进行采样,得到采样信号;然后,通过至少两种量化方式对采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;最后,将不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池中的忆阻器记录输入信号在不同量化方式下的信号特征。
本申请主要通过不同的虚拟节点个数组件不同的储备池,通过采用不同的量化方式对采样信号进行不同的量化处理得到不同的数字信号,将不同的数字信号输入到不同虚拟节点个数构建的不同储备池中,使得储备池的丰富性得到提升,进而提升储备池系统识别输入信号的准确性。
结合说明书附图4针对有益效果进行说明,其中,“F1”为采用1bit的量化方式,2个虚拟节点构建储备池;“F2”为采用1bit的量化方式,3个虚拟节点构建储备池;“F3”为采用2bit的量化方式,2个虚拟节点构建储备池。按照上述的预处理方式与储备池网络构建,选择手机的动态手势识别任务进行验证,最终系统识别准确率表明,只采用“F3”进行任务验证时,准确率为82%,当采用“F2”和“F3”两种模式共同进行任务验证时,准确率提高了5%,达到了87%;当采用“F1”、“F2”和“F3”三种模式共同进行任务验证时,准确率达到了90%。
参见图5,该图为本申请实施例提供的一种虚拟节点构建的储备池计算网络优化方法的流程图。
如图5所示,该储备池计算网络优化方法包括:
S501:根据奈奎斯特定理对输入信号进行采样,得到采样信号。
奈奎斯特抽样定理,即要从抽样信号中无失真地恢复原信号,抽样频率应大于2倍信号最高频率。抽样频率小于2倍频谱最高频率时,信号的频谱有混叠。抽样频率大于2倍频谱最高频率时,信号的频谱无混叠。
S502:通过至少两种量化方式对采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同。
量化可以是通过四舍五入的方法将采样后的模拟信号转换成一种数字信号的过程。从S501中的采样可知,输入信号采样后的信号是一种阶梯信号,它虽然在时间轴上已经离散,但是这种阶梯信号的幅值仍然是连续的,若对这种信号用二进制数码进行精确表示,需要无穷多位的二进制码,所以要采用四舍五入的方法将每一个采样值归并到某一个临近的整数,这样就可以用一定字长的二进制码来表示采样值,这种取有限个数值近似地表示某一连续变化信号的过程称为量化。
量化可以分为均匀量化与非均匀量化,其中均匀量化是将输入信号动态范围被均匀地划分;非均匀量化是输入信号动态范围的划分不均匀,一般用类似指数的曲线进行量化。非均匀量化是针对均匀量化提出的,比如,一般的语音信号中,绝大部分是小幅度的信号,且人耳听觉遵循指数规律。为了保证信号能够被更精确的还原,应该将更多的比特用于表示小信号。
为方便理解,现结合说明书附图2对量化进行说明,以1比特和2比特两种量化方式进行讲解,上图采用1比特,下图采用2比特。
当采用1比特的量化方式进行量化时,可以得到一组数字信号,该数字信号可以表示为{1,1,0,1,0,1,1,1};
当采用2比特的量化方式进行量化时,可以得到一组数字信号,该数字信号可以表示为{2,2,1,2,0,3,2,3}。
S503:若数字信号包括第一数字信号和第二数字信号,根据数字信号对应的储备池,将第一数字信号和第二数字信号按照对应储备池中虚拟节点个数进行切割。
为方便理解,以举例的形式对切分的过程进行描述。
假设第一数字信号为{1,1,0,1,0,1,1,1},输入到由2个虚拟节点所构建的储备池甲中和3个虚拟节点构建的储备池乙中,第二数字信号为{2,2,1,2,0,3,2,3},输入到由2个虚拟节点构建的储备池乙中。
根据储备池甲、丙中虚拟节点个数对第一数字信号进行切割,切割后数字信号分别为{[1,1],[0,1],[0,1],[1,1]},{[1,1,0],[1,0,1],[1,1.]};根据储备池乙中的虚拟节点个数对第一数字信号进行切割,切割后的数字信号为{[2,2],[1,2],[0,3],[2,3]}。
S504:将切割后的数字信号转化为对应的电压脉冲信号,并将对应的电压脉冲信号输入到对应储备池中。
由于最终是要将信号输出给忆阻器,所以在这之前需要将数字信号转化为对应的电压脉冲信号。
储备池甲的内部状态有22种;储备池乙的内部状态有23种;储备池丙的内部状态有(22)2种。
通过将切割后的数字信号对应的电压脉冲信号输入到对应的储备池中,其作用主要有两点:其一,将同一组数字信号对应的电压脉冲输入到不同虚拟节点构建的储备池中,不同的储备池中的忆阻器可以对信号在不同时间维度上的特征进行记忆(比如,第一数字信号对应的电压脉冲分别输入到2个虚拟节点构建的储备池甲以及3个虚拟节点构建的储备池乙);其二,将不同数字信号输入到相同虚拟节点构建的储备池中,可以针对信号在同一时间点上所呈现出的不同的特征(比如,将第一数字信号对应的电压脉冲输入到2个虚拟节点构建的储备池甲中,将第二数字信号对应的电压脉冲输入到2个虚拟节点构建的储备池丙中)。
通过上述两个实施例可知,本申请采用的方式是可以根据输入信号(识别任务)对量化方式以及构建储备池的虚拟个数进行调整,不会增加硬件开销,是一种灵活度比较大的方法。
参见图7,该图为本申请实施例提供的一种虚拟节点构建的储备池计算网络优化装置的结构示意图。
如图7所示,该储备池计算网络优化装置包括:采样模块701、量化模块702以及输入模块703;
采样模块701,对输入信号进行采样,得到采样信号;
量化模块702,用于通过至少两种量化方式对采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;
输入模块703,用于将不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池中的忆阻器记录输入信号在不同量化方式下的信号特征。
至少两种数字信号包括:第一数字信号和第二数字信号,输入模块703,具体用于:
依次将第一数字信号中第一数量个元素对应的电压脉冲信号,输入到由第一数量个虚拟节点构建的第一储备池中;以及,
依次将第二数字信号中第二数量个元素对应的电压脉冲信号,输入到由第二数量个虚拟节点构建的第二储备池中。
至少两组量化方式至少包括第一量化方式和第二量化方式,第一量化方式对应第一比特数,第二量化方式对应第二比特数,通过至少两种量化方式对采样信号进行量化处理,得到至少两种数字信号,量化模块702,具体用于:
根据采样信号的最大取值、最小取值和第一比特数,确定第一取值区间;
根据采样信号的幅值与第一取值区间的对应关系,得到第一数字信号;
根据采样信号的最大取值、最小取值和第二比特数,确定第二取值区间;
根据采样信号的幅值与第二取值区间的对应关系,得到第二数字信号。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元提示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种储备池计算网络优化方法,其特征在于,所述方法包括:
对输入信号进行采样,得到采样信号;
通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;
将所述不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池提取所述输入信号在不同量化方式下的信号特征。
2.如权利要求1所述的方法,其特征在于,所述至少两种数字信号至少包括:第一数字信号和第二数字信号,所述将所述不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,包括:
依次将所述第一数字信号中第一数量个元素对应的电压脉冲信号,输入到由第一数量个虚拟节点构建的第一储备池中;以及,
依次将所述第二数字信号中第二数量个元素对应的电压脉冲信号,输入到由第二数量个虚拟节点构建的第二储备池中。
3.如权利要求1所述的方法,其特征在于,所述至少两种量化方式至少包括第一量化方式和第二量化方式,所述第一量化方式对应第一比特数,所述第二量化方式对应第二比特数,所述通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,包括:
根据所述采样信号的最大取值、最小取值和第一比特数,确定第一取值区间;
根据所述采样信号的幅值与所述第一取值区间的对应关系,得到第一数字信号;
根据所述采样信号的最大取值、最小取值和第二比特数,确定第二取值区间;
根据所述采样信号的幅值与所述第二取值区间的对应关系,得到第二数字信号。
4.如权利要求1所述的方法,其特征在于,所述量化方式所采用的比特数与忆阻器的性能相关。
5.如权利要求1所述的方法,其特征在于,所述数字信号为二进制编码表示的数字信号。
6.一种储备池计算网络优化装置,其特征在于,所述装置包括:采样模块、量化模块以及输入模块;
所述采样模块,对输入信号进行采样,得到采样信号;
所述量化模块,用于通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,不同的数字信号中元素的取值不同;
所述输入模块,用于将所述不同的数字信号中元素对应的电压脉冲信号输入到由不同数量虚拟节点构建的储备池中,以便不同储备池提取所述输入信号在不同量化方式下的信号特征。
7.如权利要求6所述的装置,其特征在于,所述至少两种数字信号包括:第一数字信号和第二数字信号,所述输入模块,具体用于:
依次将所述第一数字信号中第一数量个元素对应的电压脉冲信号,输入到由第一数量个虚拟节点构建的第一储备池中;以及,
依次将所述第二数字信号中第二数量个元素对应的电压脉冲信号,输入到由第二数量个虚拟节点构建的第二储备池中。
8.如权利要求6所述的装置,其特征在于,所述至少两种量化方式至少包括第一量化方式和第二量化方式,所述第一量化方式对应第一比特数,所述第二量化方式对应第二比特数,所述通过至少两种量化方式对所述采样信号进行量化处理,得到至少两种数字信号,所述量化模块,具体用于:
根据所述采样信号的最大取值、最小取值和第一比特数,确定第一取值区间;
根据所述采样信号的幅值与所述第一取值区间的对应关系,得到第一数字信号;
根据所述采样信号的最大取值、最小取值和第二比特数,确定第二取值区间;
根据所述采样信号的幅值与所述第二取值区间的对应关系,得到第二数字信号。
9.一种储备池计算网络优化设备,其特征在于,所述设备包括:存储器、处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的储备池计算网络优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至5任一项所述的储备池计算网络优化方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009477.7A CN115378814A (zh) | 2022-08-22 | 2022-08-22 | 一种储备池计算网络优化方法及相关装置 |
PCT/CN2022/124762 WO2024040714A1 (zh) | 2022-08-22 | 2022-10-12 | 一种储备池计算网络优化方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009477.7A CN115378814A (zh) | 2022-08-22 | 2022-08-22 | 一种储备池计算网络优化方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115378814A true CN115378814A (zh) | 2022-11-22 |
Family
ID=84068573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009477.7A Pending CN115378814A (zh) | 2022-08-22 | 2022-08-22 | 一种储备池计算网络优化方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115378814A (zh) |
WO (1) | WO2024040714A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460817B (zh) * | 2018-09-11 | 2021-08-03 | 华中科技大学 | 一种基于非易失存储器的卷积神经网络片上学习系统 |
US10735231B2 (en) * | 2018-12-19 | 2020-08-04 | International Business Machines Corporation | Demodulating modulated signals with artificial neural networks |
CN112488308A (zh) * | 2020-12-18 | 2021-03-12 | 清华大学 | 基于动态忆阻器的储备池计算系统 |
CN114420721A (zh) * | 2022-01-18 | 2022-04-29 | 中国科学院微电子研究所 | 一种基于易失性三维忆阻器的三维储备池及其制作方法 |
-
2022
- 2022-08-22 CN CN202211009477.7A patent/CN115378814A/zh active Pending
- 2022-10-12 WO PCT/CN2022/124762 patent/WO2024040714A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024040714A1 (zh) | 2024-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070172B (zh) | 基于双向独立循环神经网络的序列预测模型的建立方法 | |
Liu et al. | Deep neural network architectures for modulation classification | |
CN112561148B (zh) | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
CN110991633B (zh) | 一种基于忆阻网络的残差神经网络模型及其应用方法 | |
KR20170041724A (ko) | 비동기 펄스 변조를 이용한 인공 뉴런들 및 스파이킹 뉴런들 | |
CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
CN114595874B (zh) | 一种基于动态神经网络的超短期电力负荷预测方法 | |
CN113313240B (zh) | 计算设备及电子设备 | |
CN107424647B (zh) | 一种基于忆阻器的语音存储与分类系统 | |
CN107145943A (zh) | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 | |
CN113205820B (zh) | 一种用于声音事件检测的声音编码器的生成方法 | |
CN111563589A (zh) | 一种神经网络模型的量化方法及装置 | |
KR102344678B1 (ko) | 스파이킹 신경망의 학습 장치 | |
CN111755024A (zh) | 一种基于迁移学习的暴恐音频检测方法 | |
CN117973201A (zh) | 基于深度学习的大地电磁各向异性识别方法、设备和介质 | |
CN115378814A (zh) | 一种储备池计算网络优化方法及相关装置 | |
CN110633741B (zh) | 一种基于改进脉冲神经网络的时间序列分类方法 | |
Kalade et al. | Using sequence to sequence learning for digital bpsk and qpsk demodulation | |
CN111695678A (zh) | 一种基于忆阻模块阵列的图像标题生成方法 | |
CN116660756A (zh) | 基于条件生成对抗网络的电池容量衰减曲线生成方法 | |
CN114692694B (zh) | 一种基于特征融合和集成聚类的设备故障诊断方法 | |
CN115994221A (zh) | 一种基于忆阻器的文本情感检测系统及方法 | |
CN114186667B (zh) | 一种循环神经网络权重矩阵向忆阻阵列的映射方法 | |
CN111602145A (zh) | 卷积神经网络的优化方法及相关产品 |
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 |