CN116056285A - 一种基于神经元电路的信号灯控制系统及电子设备 - Google Patents
一种基于神经元电路的信号灯控制系统及电子设备 Download PDFInfo
- Publication number
- CN116056285A CN116056285A CN202310291131.9A CN202310291131A CN116056285A CN 116056285 A CN116056285 A CN 116056285A CN 202310291131 A CN202310291131 A CN 202310291131A CN 116056285 A CN116056285 A CN 116056285A
- Authority
- CN
- China
- Prior art keywords
- switch
- circuit
- control signal
- neuron
- 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.)
- Granted
Links
- 210000002569 neuron Anatomy 0.000 title claims abstract description 119
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000003860 storage Methods 0.000 claims description 89
- 239000003990 capacitor Substances 0.000 claims description 65
- 238000006243 chemical reaction Methods 0.000 claims description 49
- 230000004913 activation Effects 0.000 claims description 25
- 238000004146 energy storage Methods 0.000 claims description 22
- 238000007599 discharging Methods 0.000 claims description 17
- 239000012528 membrane Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 31
- 230000010354 integration Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000003956 synaptic plasticity Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
-
- 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
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
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)
- Control Of Indicators Other Than Cathode Ray Tubes (AREA)
Abstract
本申请实施例提供了一种基于神经元电路的信号灯控制系统及电子设备,应用于交通信号灯自动控制技术领域。本申请采用神经元电路构成脉冲神经网络,以脉冲神经网络进行交通灯控制模式的模型训练。城市的交通网络四通八达且日新月异,需要进行调整的交通路段数量非常大。传统的BP神经网络对算力开销的要求又非常大,难以实现大范围低成本推广应用。相比于采用传统的BP神经网络,采用基于神经元电路构成的脉冲神经网络进行交通信号灯的控制,算力开销更小,功耗低廉,易于应用和推广。
Description
技术领域
本申请涉及脉冲神经网络应用技术领域,尤其涉及一种基于神经元电路的信号灯控制系统及电子设备。
背景技术
交通信号灯控制常常采用固定时间和固定模式的方式进行控制。但随着经济的发展,道路交通趋向于复杂化。而道路的交通量也呈现区域化和时间段区别化。即不同的区域有着不同的交通变化特色,如在办公楼较多的区域,在上下班的高峰时段道路拥堵程度高于工作时间的道路拥堵程度。而在娱乐化的场所则表现为节假日道路拥堵程度高于工作日等。且根据道路规划不同,交通信号灯的控制可选模式也不尽相同。这使得传统的固定时长固定模式的控制方式难以在各个地区进行合理地普适性应用。
一种改进方式为,基于BP神经网络构建训练人工神经网络训练模型,基于人工神经网络训练模型对各个区域进行交通信号灯的控制模式的适应性调整。但城市的交通网络四通八达且日新月异,需要进行调整的交通路段数量非常大。传统的BP神经网络对算力开销的要求又非常大,难以实现大范围低成本推广应用。
发明内容
本申请实施例提供一种基于神经元电路的信号灯控制系统及电子设备,实现了以低成本实现对交通灯控制信号的神经网络模型应用。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种基于神经元电路的信号灯控制系统,该信号灯控制系统包括脉冲神经网络、存储单元和控制器;脉冲神经网络包括级联的多个网络层;多个网络层包括依次连接的输入层、至少一个隐藏层和输出层;多个网络层中的每个网络层都包括多个神经元电路;前级网络层的神经元电路的脉冲输出端与后级网络层的神经元电路的脉冲输入端耦合;控制器分别与存储单元和每个网络层的神经元电路耦合;
输入层和至少一个隐藏层的神经元电路为IF神经元电路;输出层的神经元电路为LIF神经元电路;
输入层的神经元电路用于,分别输入对应的多个特征维度脉冲信号;整合输入的特征维度脉冲信号,并向至少一个隐藏层中的神经元电路输出第一整合脉冲信号;
至少一个隐藏层的神经元电路用于,输入对应的一个或多个第一整合脉冲信号,并基于RELU激活函数对输入的第一整合脉冲信号进行处理,得到激活脉冲信号;
输出层的神经元电路用于,输入对应的一个或多个激活脉冲信号,并基于归一化权重分类对输入的激活脉冲信号进行处理,得到分类时长脉冲信号;分类时长脉冲信号用于指示对应的交通分类相位的持续时长。
在一种可能的实施方式中,IF神经元电路包括第一开关转换电路、存储电容和阈值比较器;第一开关转换电路的多个第一开关位共同作为第一开关转换电路的输出端与阈值比较器的第一输入端耦合;存储电容与阈值比较器的第一输入端耦合;其中,
存储单元用于,向第一开关转换电路的多个第一开关位对应输出多比特位的存储权重电平;
控制器用于,依次向第一开关转换电路的多个第一开关位中的一个第一开关位输出开关控制信号,且高位的第一开关位的开关控制信号的持续通时间长于低位的第一开关位的开关控制信号的持续时间;当开关控制信号为高电平时,控制对应的第一开关位导通;
阈值比较器的第二输入端用于输入参考电压;当存储电容的电压大于参考电压时,阈值比较器输入高电平脉冲信号;
存储电容的电压值用于指示IF神经元电路的膜电位。
在一种可能的实施方式中,LIF神经元电路包括第一开关转换电路、存储电容、阈值比较器和放电电路;第一开关转换电路的多个第一开关位共同作为第一开关转换电路的输出端与阈值比较器的第一输入端耦合;存储电容与阈值比较器的第一输入端耦合;放电电路的输入端与第一开关转换电路的输出端耦合;其中,
存储单元用于,向第一开关转换电路的多个第一开关位对应输出多比特位的存储权重电平;
控制器用于,依次向第一开关转换电路的多个第一开关位中的一个第一开关位输出开关控制信号,且高位的第一开关位的开关控制信号的持续通时间长于低位的第一开关位的开关控制信号的持续时间;当开关控制信号为高电平时,控制对应的第一开关位导通;
放电电路用于,对第一开关转换电路的输出端和存储单元之间的电荷进行放电;
阈值比较器的第二输入端用于输入参考电压;当存储电容的电压大于参考电压时,阈值比较器输入高电平脉冲信号;
存储电容的电压值用于指示LIF神经元电路的膜电位。
在一种可能的实施方式中,放电电路包括第二开关转换电路、与逻辑门和放电电容电路;第二开关转换电路的多个第二开关位共同作为第二开关转换电路的输出端与与逻辑门的第一输入端耦合;与逻辑门的第二输入端用于输入时钟信号;与逻辑门的输出端与放电电容电路的受控端耦合;放电电容电路的输入端耦合在第一开关转换电路的输出端和存储单元之间;其中,
存储单元还用于,向第二开关转换电路的多个第二开关位对应输出多比特位的时间常数电平;
控制器还用于,依次向第二开关转换电路的多个第二开关位中的一个第二开关位输出开关控制信号,且高位的第二开关位的开关控制信号的持续通时间长于低位的第二开关位的开关控制信号的持续时间;当开关控制信号为低电平时,控制对应的第二开关位导通;
与逻辑门用于,向放电电容电路输出放电控制信号;当放电控制信号为高电平时,控制放电电容电路从存储电容处存储电荷,以对存储电容进行放电;当放电控制信号为低电平时,控制放电电容电路释放存储的电荷。
在一种可能的实施方式中,放电电容电路包括第一控制开关、储能电容和第二控制开关;储能电容的第一端通过第一控制开关耦合在第一开关转换电路的输出端和存储单元之间;储能电容的第二端通过第二控制开关接地;其中,
第一控制开关和第二控制开关用于输入放电控制信号;当放电控制信号为高电平时,第一控制开关导通;当放电控制信号为低电平时,第二控制开关导通。
在一种可能的实施方式中,放电电容电路还包括并联的至少一个储能电容组件;每个储能电容组件包括组合开关和从储能电容;从储能电容通过组合开关耦合至第一控制开关和储能电容的第一端之间;
控制器还用于,控制组合开关导通或关断。
在一种可能的实施方式中,信号灯控制系统还包括时钟单元;时钟单元与与逻辑门的第二输入端耦合;其中,
时钟单元用于,向与逻辑门的第二输入端输出时钟信号。
在一种可能的实施方式中,信号灯控制系统还包括计数器;计数器与控制器耦合;其中,
计数器用于,向控制器输出计数信号;
控制器用于,根据计数信号确定开关控制信号的持续时间。
在一种可能的实施方式中,多个特征维度脉冲信号指示的多个特征维度包括道路编号、道路空间占用率、行驶速度、支路数量、车辆类别、车辆体积。
本申请实施例还提供了一种电子设备,该电子设备包括如上述实施例所记载的一种基于神经元电路的信号灯控制系统。
附图说明
图1为本申请实施例提供的一种BP神经网络的网络结构示意图;
图2为本申请实施例提供的一种电子设备的结构示意图;
图3为本申请实施例提供的一种基于脉冲神经网络的信号灯控制系统的结构示意图;
图4为本申请实施例提供的一种脉冲神经网络的结构示意图;
图5为本申请实施例提供的一种IF神经元电路的结构示意图;
图6为本申请实施例提供的一种LIF神经元电路的结构示意图;
图7为本申请实施例提供的又一种LIF神经元电路的结构示意图;
图8为本申请实施例提供的又一种LIF神经元电路的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一。BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力,解决了简单感知器不能解决的异或(exclusive OR,XOR)和一些其他问题。从结构上讲,BP网络具有输入层、隐藏层和输出层;从本质上讲,BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
脉冲神经网络(spiking neuron networks,SNN)包含具有时序动力学特性的神经元节点、稳态-可塑性平衡的突触结构、功能特异性的网络环路等,高度借鉴了生物启发的局部非监督(如脉冲时序依赖可塑性、短时突触可塑性、局部稳态调节等)、全局弱监督(如多巴胺奖赏学习、基于能量的函数优化等)的生物优化方法,因此具有强大的时空信息表征、异步事件信息处理、网络自组织学习等能力。脉冲神经网络,其模拟神经元更加接近实际,除此之外,把时间信息的影响也考虑其中。思路是这样的,动态神经网络中的神经元不是在每一次迭代传播中都被激活(而在典型的多层感知机网络中却是),而是在它的膜电位达到某一个特定值才被激活。当一个神经元被激活,它会产生一个信号传递给其他神经元,提高或降低其膜电位。在脉冲神经网络中,神经元的当前激活水平(被建模成某种微分方程)通常被认为是当前状态,一个输入脉冲会使当前这个值升高,持续一段时间,然后逐渐衰退。出现了很多编码方式把这些输出脉冲序列解释为一个实际的数字,这些编码方式会同时考虑到脉冲频率和脉冲间隔时间。借助于神经科学的研究,人们可以精确的建立基于脉冲产生时间神经网络模型。这种新型的神经网络采用脉冲编码(spike coding),通过获得脉冲发生的精确时间,这种新型的神经网络可以进行获得更多的信息和更强的计算能力。
一种基于BP神经网络进行交通信号灯模型训练的方式为:构建BP神经网络训练模型,该BP神经网络训练模型包括BP输入层、至少一个BP隐藏层和BP输出层。其中,BP输入层、至少一个BP隐藏层和BP输出层均包括多个神经元单元。
示例性地,现有的一种BP神经网络训练模型如图1所示,该BP神经网络训练模型包括BP输入层S1、第一BP隐藏层S21、第二BP隐藏层S22、第三BP隐藏层S23和BP输出层S3。其中,BP输入层S1包括6个神经元,第一BP隐藏层S21包括1500个神经元,第二BP隐藏层S22包括1000个神经元,第三BP隐藏层S23包括500个神经元,BP输出层S3包括7个神经元。其中,BP输入层S1中的每个神经元对应整合输入一个交通特征维度,六个交通特征维度分别为:道路编号、道路空间占用率、行驶速度、支路数量、车辆类别、车辆体积。BP输入层S1的输出端分别与第一BP隐藏层S21的输入端连接。第一BP隐藏层S21、第二BP隐藏层S22、第三BP隐藏层S23的神经元采用RELU激活函数作为目标函数,且三个隐藏层的神经元数量依次递减以实现采用梯度下降法来计算目标函数的最小值。BP输出层S3的7个神经元用于代表7个不同的相位分类结果所对应的控制时长。其中7个相位分类结果包括:东西自行(不放右转)、东西直行、东西左转、南北自行且东西右转、南北直行、南北左转且东西右转,以及南北左转。其中BP输出层S3的神经元采用softmax激活函数作为目标函数。基于BP神经网络实现对交通信号灯的控制模式的自适应训练需要的算力开销较大。而城市的交通网络四通八达且日新月异,需要进行调整的交通路段数量非常大。传统的BP神经网络对算力开销的要求又非常大,难以实现大范围低成本推广应用。
为此,本申请实施例还提供了一种电子设备,如图2所示,该电子设备1000包括一种基于神经元电路的信号灯控制系统100。如图3所示,该信号灯控制系统100包括脉冲神经网络10、存储单元20和控制器30。如图4所示,脉冲神经网络10包括级联的多个网络层;多个网络层包括依次连接的输入层11、至少一个隐藏层12和输出层13;多个网络层中的每个网络层都包括多个神经元电路A;前级网络层的神经元电路A的脉冲输出端与后级网络层的神经元电路A的脉冲输入端耦合;如图5所示,控制器30分别与存储单元20和每个网络层的神经元电路A耦合。其中,
输入层11和至少一个隐藏层12的神经元电路A为IF神经元电路;输出层13的神经元电路A为LIF神经元电路;
输入层11的神经元电路A用于,分别输入对应的多个特征维度脉冲信号;整合输入的特征维度脉冲信号,并向至少一个隐藏层12中的神经元电路A输出第一整合脉冲信号;
至少一个隐藏层12的神经元电路A用于,输入对应的一个或多个第一整合脉冲信号,并基于RELU激活函数对第一整合脉冲信号进行处理,得到激活脉冲信号;
输出层13的神经元电路A用于,输入对应的一个或多个激活脉冲信号,并基于归一化权重分类对输入的激活脉冲信号进行处理,得到分类时长脉冲信号;分类时长脉冲信号用于指示对应的交通分类相位的持续时长。
在本申请实施例中,采用脉冲神经网络来替换BP神经网络。脉冲神经网络的神经元电路采用脉冲信号的形式来模拟人类的神经元的活动,其比BP神经网络更加接近于真实的神经元。同时,脉冲神经网络的功耗实质上为脉冲信号的生成和消耗,相对于BP神经网络而言,脉冲神经网络的功耗可以更低。且脉冲神经网络为硬件设备,可以通过半导体集成工艺制作为一个芯片产品。在芯片产品内集成庞大数量的神经元电路。只需要将神经元电路的训练参数和权重等以数字信号的形式存储至存储单元中即可。而且,相同类型的神经元电路A之间可以共用训练参数和权重,则只需要较小的存储空间,即可实现对大量的神经元电路A的参数设置。而采用脉冲神经网络,其主要功耗来自于脉冲信号的生成和处理,脉冲信号靠微弱的电平即可进行相应的取值指示。整体训练模型的功耗一般可以控制在12W-24W的功率消耗内。可以满足实际道路的推广和应用。
将输入的代表多个特征维度的多个特征维度脉冲信号分别对应输入输入层11的神经元电路A中,然后每个神经元电路A整合得到对应特征的第一整合脉冲信号。隐藏层12的作用就是拟合非线性函数。因交通的变化为非线性的,故各个特征维度之间也是非线性的变化关系,需要非线性函数以进行拟合训练。设置一层隐藏层12,可以拟合任何“包含从一个有限空间到另一个有限空间的连续映射”的函数。设置两层隐藏层12,可以搭配适当的激活函数可以表示任意精度的任意决策边界,并且可以拟合任何精度的任何平滑映射。设置大于两层的隐藏层12,多于两层以外的隐藏层12,可以学习复杂的描述(某种自动特征工程)。因交通变量的变化较为复杂,需要考虑的因素越多,训练结果越可靠,理论上设置越多数量的隐藏层12拟合效果越好,但也可能随着隐藏层12的数量的提升导致过度拟合的问题,故结合实际情形分析后,考虑设置三层隐藏层12。但在一些特殊的场景下,也可以使得减少隐藏层12的数量而增加单层隐藏层12中包含的神经元电路A的数量以进行适应。
在采用脉冲神经网络替代BP神经网络的方面:首先,BP神经网络的输入层的神经元在本质上其到的就是整合的作用。其将对应的特征维度信息直接后向后级的隐藏层输出。其与脉冲神经元电路最基础的神经元发放和整合功能相契合。而多个隐藏层均采用RELU激活函数作为目标函数。RELU激活函数和softplus激活函数则是最接近于神经元的激活函数,RELU激活函数的本质就是取最大值。当目标参数为0时,函数取值为0,当目标参数为非0值时,函数取值为最大值。这个特性与神经元的阈值发放特性一致。而阈值发放特性也是IF神经元电路的基本特性之一。最后,BP神经网络的BP输出层S3原本使用的是softmax激活函数作为输出分类的目标函数,其为归一化分类,即所有分类的总和为1。softmax激活函数使用于多分类的激活函数场景中。LIF神经元电路相比于LF神经元电路多了漏电特性,通过LIF神经元电路的漏电特性和整合特性,可以为输入LIF神经元电路的脉冲信号赋予不同的权重,从而模拟出归一化特性。而对于权重的模拟,可以通过存储单元为每个LIF神经元电路提供的数字信号的取值设定和调整。
在一些可能的实施方式中,本申请实施例还提供了一种IF神经元电路A1。如图5所示,该IF神经元电路A1包括第一开关转换电路K1、存储电容C1和阈值比较器B1;第一开关转换电路K1的多个第一开关位共同作为第一开关转换电路K1的输出端与阈值比较器B1的第一输入端耦合;存储电容C1与阈值比较器B1的第一输入端耦合;其中,
存储单元20用于,向第一开关转换电路K1的多个第一开关位对应输出多比特位的存储权重电平;
控制器30用于,依次向第一开关转换电路K1的多个第一开关位中的一个第一开关位输出开关控制信号,且高位的第一开关位的开关控制信号的持续通时间长于低位的第一开关位的开关控制信号的持续时间;当开关控制信号为高电平时,控制对应的第一开关位导通;
阈值比较器B1的第二输入端用于输入参考电压;当存储电容C1的电压大于参考电压时,阈值比较器B1输入高电平脉冲信号;
存储电容C1的电压值用于指示IF神经元电路A1的膜电位。
在本申请实施例中,通过存储单元20向第一开关转换电路K1输出存储权重数字信号,该存储权重数字信号包括多个比特位,每个比特位的取值为1代表高电平,每个比特位的取值为0代表低电平。存储权重数字信号的每个比特位都可以看做一个存储权重电平,且每个存储权重电平对应输出至第一开关转换电路K1的一个比特位的第一开关位上。通过控制器30输出开关控制信号。在同一时间内,开关控制信号依次只输出至一个第一开关位处。开关控制信号为高电平时,控制该第一开关位导通,以输出对应的存储权重电平。同时,为每个第一开关位设置不同的开关控制信号持续时间。使得高位的第一开关位的导通时长大于低位的第一开关位的导通时长,从而为存储权重数字信号的更高比特位赋予更大的权重,即更高位的第一开关位可以输出更长时间的高电平。而每个第一开关位输出的高电平和低电平既可以构成脉冲信号,该脉冲信号会传输至存储电容C1处,使得存储电容C1处的电荷增加,即存储电容C1的电位也会随之高电平而增加。通过存储电容C1的电位来作为IF神经元电路A1的膜电位。则存储电容C1的电位随输入的脉冲信号增加的过程则是神经元电路的整合过程。通过这一整合特性即可模拟出输入层的神经元电路A的功能。而为阈值比较器B1设置参考电压,当存储电容C1的电位低于参考电压时,阈值比较器B1输出低电平或0,当存储电容C1的电位高于参考电压时,阈值比较器B1方才输出高电平。这一阈值比较的过程即为神经元电路A的阈值发放特性。通过阈值发放特性即可模拟出隐藏层12中的神经元电路A的RELU激活函数。同时,阈值比较器B1输出的高电平和低电平又构成了该神经元电路A所对应输出的脉冲信号,以传达于后级的网络层。
在一些可能的实施方式中,本申请实施例还提供了一种LIF神经元电路A2。如图6所示,LIF神经元电路A2包括第一开关转换电路K1、存储电容C1、阈值比较器B1和放电电路F1;第一开关钻换电路的多个第一开关位共同作为第一开关转换电路K1的输出端与阈值比较器B1的第一输入端耦合;存储电容C1与阈值比较器B1的第一输入端耦合;放电电路F1的输入端与第一开关转换电路K1的输出端耦合;其中,
存储单元20用于,向第一开关转换电路K1的多个第一开关位对应输出多比特位的存储权重电平;
控制器30用于,依次向第一开关转换电路K1的多个第一开关位中的一个第一开关位输出开关控制信号,且高位的第一开关位的开关控制信号的持续通时间长于低位的第一开关位的开关控制信号的持续时间;当开关控制信号为高电平时,控制对应的第一开关位导通;
放电电路F1用于,对第一开关转换电路K1的输出端和存储单元20之间的电荷进行放电;
阈值比较器B1的第二输入端用于输入参考电压;当存储电容C1的电压大于参考电压时,阈值比较器B1输入高电平脉冲信号;
存储电容C1的电压值用于指示LIF神经元电路A2的膜电位。
在本申请实施例中,LIF神经元电路A2的阈值方法和整合特性与上述IF神经元电路A1一致。而在该电路中增加了放电电路F1。通过放电电路F1对存储电容C1中的电荷进行放电,从而可以模拟出LIF神经元电路A2的漏电特性。
在一些可能的实施方式中,如图7所示,放电电路F1包括第二开关转换电路K2、与逻辑门Y1和放电电容电路FC1;第二开关转换电路K2的多个第二开关位共同作为第二开关钻换电路的输出端与与逻辑门Y1的第一输入端耦合;与逻辑门Y1的第二输入端用于输入时钟信号;与逻辑门Y1的输出端与放电电容电路FC1的受控端耦合;放电电容电路FC1的输入端耦合在第一开关转换电路K1的输出端和存储单元20之间;其中,
存储单元20还用于,向第二开关转换电路K2的多个第二开关位对应输出多比特位的时间常数电平;
控制器30还用于,依次向第二开关转换电路K2的多个第二开关位中的一个第二开关位输出开关控制信号,且高位的第二开关位的开关控制信号的持续通时间长于低位的第二开关位的开关控制信号的持续时间;当开关控制信号为低电平时,控制对应的第二开关位导通;
与逻辑门Y1用于,向放电电容电路FC1输出放电控制信号;当放电控制信号为高电平时,控制放电电容电路FC1从存储电容C1处存储电荷,以对存储电容C1进行放电;当放电控制信号为低电平时,控制放电电容电路FC1释放存储的电荷。
在本申请实施例中,存储单元20向第二开关转换电路K2输出的时间常数数字信号,该时间常数数字信号包括多个比特位,每个比特位的取值为1代表高电平,每个比特位的取值为0代表低电平,从而得到多个比特位的时间常数电平。通过开关控制信号来控制第二开关转换电路K2是否输出对应第二开关位的时间常数电平。具体的控制依据为,开关控制信号为低电平时,代表存储电容C1没有执行整合特性,此时可以进行放电特性。通过时间常数电平和时钟信号输入与逻辑门Y1中后可以得到为频率信号的开关控制信号。当时间常数电平为高电平时,开关控制信号对应的电平为频率高电平。当时间常数电平对应的电平为低电平时,开关控制信号对应的电平为频率低电平。当开关控制信号为高电平时,控制放电电容电路FC1吸收存储电容C1中的电荷,以对存储电容C1进行放电。当开关控制信号为低电平时,代表在进行整合特性,或者,代表不需要进行放电特性。此时,开关控制信号控制放电电容电路FC1释放自身存储的电荷到地端。通过这种方式可以实现以有限的电容存储量,尽可能大的实现放电特性和整合特性。通过设置放电特性的放电时间常数和整合特性的权重常数,可以使得存储电容C1的电位模拟出对应的权重,以使得输出层实现类似softmax的归一化权重分类。最后LIF神经元电路A2的阈值比较器B1输出的脉冲信号既可以对应上不同相位控制模式。
在一些可能的实施方式中,如图8所示,放电电容电路FC1包括第一控制开关K11、储能电容C21和第二控制开关K12;储能电容C21的第一端通过第一控制开关K11耦合在第一开关转换电路K1的输出端和存储单元20之间;储能电容C21的第二端通过第二控制开关K12接地;其中,第一控制开关K11和第二控制开关K12用于输入放电控制信号;当放电控制信号为高电平时,第一控制开关K11导通;当放电控制信号为低电平时,第二控制开关K12导通。
在本申请实施例中,通过第一控制开关K11导通以实现漏电。通过第二控制开关K12导通以实现对放电电容电路FC1中的储能电容C21中存储的电荷的释放。
在一些可能的实施方式中,如图8所示,放电电容电路FC1还包括并联的至少一个储能电容组件;每个储能电容组件包括组合开关K13和从储能电容C22;从储能电容C22通过组合开关K13耦合至第一控制开关和储能电容C21的第一端之间;
控制器30还用于,控制组合开关K13导通或关断。
在本申请实施例中,单个储能电容C21的电容值固定,可以通过一个制造工艺完成所有LIF神经元电路A2的制造,而当LIF神经元电路A2的用途和权重不同时,需要的储能电容C21的电容值也不同。故可以在制造所有LIF神经元电路A2时,一并制造并联的从储能电容C22。通过控制组合开关K13导通或关断实现从储能电容C22是否与储能电容C21并联,以调整放电电容电路FC1的储能量来适应不同的需求。
在一些可能的实施方式中,信号灯控制系统100还包括计数器;计数器与控制器30耦合;其中,计数器用于,向控制器30输出计数信号;控制器30用于,根据计数信号确定开关控制信号的持续时间。
在一些可能的实施方式中,信号灯控制系统100还包括时钟单元;时钟单元与与逻辑门Y1的第二输入端耦合;其中,时钟单元用于,向与逻辑门Y1的第二输入端输出时钟信号。
在一些可能的实施方式中,信号灯控制系统100还包括传感器组件和模数转换器。其中,传感器组件用于获取对应的交通特征维度,例如道路编号、道路空间占用率、行驶速度、支路数量、车辆类别、车辆体积等信息。传感器组件获取到的交通特征维度信息可以直接以模拟信号的形式作为脉冲信号输入至输入层11的神经元电路A中。也可以通过模数转换器转换为数字信号存储至存储单元20中,并由存储单元20转换为对应的多比特位的数字信号,以高低电平的形式输入输入层11的神经元电路A中。
以上,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种基于神经元电路的信号灯控制系统,其特征在于,所述信号灯控制系统包括脉冲神经网络、存储单元和控制器;所述脉冲神经网络包括级联的多个网络层;所述多个网络层包括依次连接的输入层、至少一个隐藏层和输出层;多个网络层中的每个网络层都包括多个神经元电路;前级网络层的所述神经元电路的脉冲输出端与后级网络层的所述神经元电路的脉冲输入端耦合;所述控制器分别与所述存储单元和每个网络层的神经元电路耦合;
所述输入层和所述至少一个隐藏层的神经元电路为IF神经元电路;所述输出层的神经元电路为LIF神经元电路;
所述输入层的神经元电路用于,分别输入对应的多个特征维度脉冲信号;整合输入的所述特征维度脉冲信号,并向所述至少一个隐藏层中的神经元电路输出第一整合脉冲信号;
所述至少一个隐藏层的神经元电路用于,输入对应的一个或多个所述第一整合脉冲信号,并基于RELU激活函数对输入的所述第一整合脉冲信号进行处理,得到激活脉冲信号;
所述输出层的神经元电路用于,输入对应的一个或多个所述激活脉冲信号,并基于归一化权重分类对输入的所述激活脉冲信号进行处理,得到分类时长脉冲信号;所述分类时长脉冲信号用于指示对应的交通分类相位的持续时长。
2.根据权利要求1所述的系统,其特征在于,所述IF神经元电路包括第一开关转换电路、存储电容和阈值比较器;所述第一开关转换电路的多个第一开关位共同作为所述第一开关转换电路的输出端与所述阈值比较器的第一输入端耦合;所述存储电容与所述阈值比较器的第一输入端耦合;其中,
所述存储单元用于,向所述第一开关转换电路的多个第一开关位对应输出多比特位的存储权重电平;
所述控制器用于,依次向所述第一开关转换电路的多个第一开关位中的一个第一开关位输出开关控制信号,且高位的第一开关位的所述开关控制信号的持续通时间长于低位的第一开关位的所述开关控制信号的持续时间;当所述开关控制信号为高电平时,控制对应的所述第一开关位导通;
所述阈值比较器的第二输入端用于输入参考电压;当所述存储电容的电压大于所述参考电压时,所述阈值比较器输入高电平脉冲信号;
所述存储电容的电压值用于指示所述IF神经元电路的膜电位。
3.根据权利要求1所述的系统,其特征在于,所述LIF神经元电路包括第一开关转换电路、存储电容、阈值比较器和放电电路;所述第一开关转换电路的多个第一开关位共同作为所述第一开关转换电路的输出端与所述阈值比较器的第一输入端耦合;所述存储电容与所述阈值比较器的第一输入端耦合;所述放电电路的输入端与所述第一开关转换电路的输出端耦合;其中,
所述存储单元用于,向所述第一开关转换电路的多个第一开关位对应输出多比特位的存储权重电平;
所述控制器用于,依次向所述第一开关转换电路的多个第一开关位中的一个第一开关位输出开关控制信号,且高位的第一开关位的所述开关控制信号的持续通时间长于低位的第一开关位的所述开关控制信号的持续时间;当所述开关控制信号为高电平时,控制对应的所述第一开关位导通;
所述放电电路用于,对所述第一开关转换电路的输出端和所述存储单元之间的电荷进行放电;
所述阈值比较器的第二输入端用于输入参考电压;当所述存储电容的电压大于所述参考电压时,所述阈值比较器输入高电平脉冲信号;
所述存储电容的电压值用于指示所述LIF神经元电路的膜电位。
4.根据权利要求3所述的系统,其特征在于,所述放电电路包括第二开关转换电路、与逻辑门和放电电容电路;所述第二开关转换电路的多个第二开关位共同作为所述第二开关转换电路的输出端与所述与逻辑门的第一输入端耦合;所述与逻辑门的第二输入端用于输入时钟信号;所述与逻辑门的输出端与所述放电电容电路的受控端耦合;所述放电电容电路的输入端耦合在所述第一开关转换电路的输出端和所述存储单元之间;其中,
所述存储单元还用于,向所述第二开关转换电路的多个第二开关位对应输出多比特位的时间常数电平;
所述控制器还用于,依次向所述第二开关转换电路的多个第二开关位中的一个第二开关位输出所述开关控制信号,且高位的第二开关位的所述开关控制信号的持续通时间长于低位的第二开关位的所述开关控制信号的持续时间;当所述开关控制信号为低电平时,控制对应的所述第二开关位导通;
所述与逻辑门用于,向所述放电电容电路输出放电控制信号;当所述放电控制信号为高电平时,控制所述放电电容电路从所述存储电容处存储电荷,以对所述存储电容进行放电;当所述放电控制信号为低电平时,控制所述放电电容电路释放存储的电荷。
5.根据权利要求4所述的系统,其特征在于,所述放电电容电路包括第一控制开关、储能电容和第二控制开关;所述储能电容的第一端通过所述第一控制开关耦合在所述第一开关转换电路的输出端和所述存储单元之间;所述储能电容的第二端通过所述第二控制开关接地;其中,
所述第一控制开关和所述第二控制开关用于输入所述放电控制信号;当所述放电控制信号为高电平时,所述第一控制开关导通;当所述放电控制信号为低电平时,所述第二控制开关导通。
6.根据权利要求5所述的系统,其特征在于,所述放电电容电路还包括并联的至少一个储能电容组件;每个所述储能电容组件包括组合开关和从储能电容;所述从储能电容通过所述组合开关耦合至所述第一控制开关和所述储能电容的第一端之间;
所述控制器还用于,控制所述组合开关导通或关断。
7.根据权利要求4-6任一项所述的系统,其特征在于,所述信号灯控制系统还包括时钟单元;所述时钟单元与所述与逻辑门的第二输入端耦合;其中,
所述时钟单元用于,向所述与逻辑门的第二输入端输出所述时钟信号。
8.根据权利要求1-6任一项所述的系统,其特征在于,所述信号灯控制系统还包括计数器;所述计数器与所述控制器耦合;其中,
所述计数器用于,向所述控制器输出计数信号;
所述控制器用于,根据所述计数信号确定所述开关控制信号的持续时间。
9.根据权利要求1-6任一项所述的系统,其特征在于,所述多个特征维度脉冲信号指示的多个特征维度包括道路编号、道路空间占用率、行驶速度、支路数量、车辆类别、车辆体积。
10.一种电子设备,其特征在于,包括如权利要求1-9任一项所述的一种基于神经元电路的信号灯控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291131.9A CN116056285B (zh) | 2023-03-23 | 2023-03-23 | 一种基于神经元电路的信号灯控制系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291131.9A CN116056285B (zh) | 2023-03-23 | 2023-03-23 | 一种基于神经元电路的信号灯控制系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116056285A true CN116056285A (zh) | 2023-05-02 |
CN116056285B CN116056285B (zh) | 2023-06-23 |
Family
ID=86133498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310291131.9A Active CN116056285B (zh) | 2023-03-23 | 2023-03-23 | 一种基于神经元电路的信号灯控制系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116056285B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211160A1 (en) * | 2017-01-20 | 2018-07-26 | International Business Machines Corporation | Monitoring potential of neuron circuits |
US20190102669A1 (en) * | 2017-09-29 | 2019-04-04 | Intel Corporation | Global and local time-step determination schemes for neural networks |
DE102020121214A1 (de) * | 2019-11-15 | 2021-05-20 | Samsung Electronics Co., Ltd. | Neuromorphe Vorrichtung basierend auf einem Speicher |
CN113449864A (zh) * | 2021-07-21 | 2021-09-28 | 北京大学 | 用于图像数据分类的反馈型脉冲神经网络模型训练方法 |
CN113673674A (zh) * | 2021-08-09 | 2021-11-19 | 江南大学 | 一种基于cmos的模拟脉冲神经元电路 |
CN114186676A (zh) * | 2020-09-15 | 2022-03-15 | 深圳市九天睿芯科技有限公司 | 一种基于电流积分的存内脉冲神经网络 |
WO2022123781A1 (ja) * | 2020-12-11 | 2022-06-16 | 日本電気株式会社 | ニューラルネットワーク装置、生成装置、情報処理方法、生成方法および記録媒体 |
CN115273502A (zh) * | 2022-07-28 | 2022-11-01 | 西安电子科技大学 | 一种交通信号协同控制方法 |
CN115392445A (zh) * | 2022-02-20 | 2022-11-25 | 杭州未名信科科技有限公司 | 脉冲神经网络芯片架构、芯片及系统 |
CN115547042A (zh) * | 2022-09-20 | 2022-12-30 | 中科南京智能技术研究院 | 一种大规模城市道路交通灯智能控制系统及方法 |
WO2023284142A1 (zh) * | 2021-07-16 | 2023-01-19 | 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 |
-
2023
- 2023-03-23 CN CN202310291131.9A patent/CN116056285B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211160A1 (en) * | 2017-01-20 | 2018-07-26 | International Business Machines Corporation | Monitoring potential of neuron circuits |
US20190102669A1 (en) * | 2017-09-29 | 2019-04-04 | Intel Corporation | Global and local time-step determination schemes for neural networks |
DE102020121214A1 (de) * | 2019-11-15 | 2021-05-20 | Samsung Electronics Co., Ltd. | Neuromorphe Vorrichtung basierend auf einem Speicher |
CN114186676A (zh) * | 2020-09-15 | 2022-03-15 | 深圳市九天睿芯科技有限公司 | 一种基于电流积分的存内脉冲神经网络 |
WO2022123781A1 (ja) * | 2020-12-11 | 2022-06-16 | 日本電気株式会社 | ニューラルネットワーク装置、生成装置、情報処理方法、生成方法および記録媒体 |
WO2023284142A1 (zh) * | 2021-07-16 | 2023-01-19 | 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 |
CN113449864A (zh) * | 2021-07-21 | 2021-09-28 | 北京大学 | 用于图像数据分类的反馈型脉冲神经网络模型训练方法 |
CN113673674A (zh) * | 2021-08-09 | 2021-11-19 | 江南大学 | 一种基于cmos的模拟脉冲神经元电路 |
CN115392445A (zh) * | 2022-02-20 | 2022-11-25 | 杭州未名信科科技有限公司 | 脉冲神经网络芯片架构、芯片及系统 |
CN115273502A (zh) * | 2022-07-28 | 2022-11-01 | 西安电子科技大学 | 一种交通信号协同控制方法 |
CN115547042A (zh) * | 2022-09-20 | 2022-12-30 | 中科南京智能技术研究院 | 一种大规模城市道路交通灯智能控制系统及方法 |
Non-Patent Citations (3)
Title |
---|
AO YU等: "Traffic Scheduling based on Spiking Neural Network in Hybrid E/O Switching Intra-Datacenter Networks", 《ICC 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 * |
徐敏等: "脉冲神经网络及其在目标跟踪中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵晓华;石建军;李振龙;赵国勇;: "基于Q-learning和BP神经元网络的交叉口信号灯控制", 公路交通科技, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN116056285B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102230784B1 (ko) | Stdp 동작을 위한 시냅스 회로 및 시냅스 회로를 포함하는 뉴로모픽 시스템 | |
US9087302B2 (en) | Synapse for function cell of spike timing dependent plasticity (STDP), function cell of STDP, and neuromorphic circuit using function cell of STDP | |
CN107037373B (zh) | 基于神经网络的蓄电池剩余电量预测方法 | |
CN106779059A (zh) | 一种基于忆阻的巴普洛夫联想记忆的人工神经网络电路 | |
CN102622418B (zh) | 一种基于bp神经网络的预测装置及设备 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
KR20160076533A (ko) | 지도 학습을 이용하여 클래스들을 태깅하기 위한 방법들 및 장치 | |
JP2017509953A (ja) | 低スパイキングレートのためのニューラルネットワークを構成すること | |
KR20160136364A (ko) | 콜드 뉴런 스파이크 타이밍 역 전파 | |
CN106646253A (zh) | 一种在线辨识电池内部参数的方法 | |
KR20160125967A (ko) | 일반적인 뉴런 모델들의 효율적인 구현을 위한 방법 및 장치 | |
CN116056285B (zh) | 一种基于神经元电路的信号灯控制系统及电子设备 | |
Fang et al. | Neuromorphic algorithm-hardware codesign for temporal pattern learning | |
CN110232443A (zh) | 实现液体状态机的脉冲神经网络数模混合电路系统 | |
CN109800517A (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
Hussain et al. | DELTRON: Neuromorphic architectures for delay based learning | |
Li et al. | A modified hopfield neural network for solving TSP problem | |
KR20210088444A (ko) | 온칩 학습이 가능한 뉴로모픽 아키텍쳐 | |
EP3063709A2 (en) | Doppler effect processing in a neural network model | |
Lai et al. | Controlling traffic flow in multilane-isolated intersection using ANFIS approach techniques | |
CN113884936B (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
CN115879518A (zh) | 一种基于ai芯片的任务处理方法和装置 | |
CN111582461B (zh) | 神经网络训练方法、装置、终端设备和可读存储介质 | |
Rubino et al. | Neuromorphic analog circuits for robust on-chip always-on learning in spiking neural networks | |
El-Dahshan et al. | Artificial neural network and genetic algorithm hybrid technique for nucleus–nucleus collisions |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Signal Light Control System and Electronic Equipment Based on Neural Circuit Granted publication date: 20230623 Pledgee: Fuyang sub branch of Bank of Hangzhou Co.,Ltd. Pledgor: ZHEJIANG XINYUAN TRAFFIC ELECTRONIC Co.,Ltd. Registration number: Y2024980000709 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |