CN116663631B - 一种任务执行的方法、装置、存储介质及电子设备 - Google Patents
一种任务执行的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116663631B CN116663631B CN202310941250.4A CN202310941250A CN116663631B CN 116663631 B CN116663631 B CN 116663631B CN 202310941250 A CN202310941250 A CN 202310941250A CN 116663631 B CN116663631 B CN 116663631B
- Authority
- CN
- China
- Prior art keywords
- neuron
- neurons
- task
- pulse
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 210000002569 neuron Anatomy 0.000 claims abstract description 370
- 238000003062 neural network model Methods 0.000 claims abstract description 97
- 230000004044 response Effects 0.000 claims description 52
- 210000000225 synapse Anatomy 0.000 claims description 48
- 230000002401 inhibitory effect Effects 0.000 claims description 25
- 239000012528 membrane Substances 0.000 claims description 20
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 18
- 230000005764 inhibitory process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000002964 excitative effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000002829 reductive effect Effects 0.000 abstract description 4
- 235000021251 pulses Nutrition 0.000 description 78
- 230000005540 biological transmission Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000005284 excitation Effects 0.000 description 13
- 244000000383 Allium odorum Species 0.000 description 12
- 235000018645 Allium odorum Nutrition 0.000 description 12
- 235000005338 Allium tuberosum Nutrition 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 12
- 235000013311 vegetables Nutrition 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 240000006108 Allium ampeloprasum Species 0.000 description 7
- 208000035240 Disease Resistance Diseases 0.000 description 7
- 240000004713 Pisum sativum Species 0.000 description 7
- 235000010582 Pisum sativum Nutrition 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 235000005254 Allium ampeloprasum Nutrition 0.000 description 6
- 240000002234 Allium sativum Species 0.000 description 6
- 235000004611 garlic Nutrition 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009036 growth inhibition Effects 0.000 description 4
- 230000002269 spontaneous effect Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 244000038559 crop plants Species 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N3/06—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
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Feedback Control In General (AREA)
Abstract
本说明书公开了一种任务执行的方法、装置、存储介质及电子设备，可以根据待执行任务中包含的各变量参数、各变量参数的值域、各变量参数之间的约束关系确定用于进行任务执行的脉冲神经网络模型所需的各神经元以及各神经元之间的连接关系，从而可以通过构建出的脉冲神经网络模型进行任务执行，进而可以降低执行待执行任务所需的计算资源。
Description
技术领域
本说明书涉及脉冲神经网络技术领域，尤其涉及一种任务执行的方法、装置、存储介质及电子设备。
背景技术
目前，约束满足问题（Constraint satisfaction problem，CSP）任务是人工智能应用领域中所经常遇到的一种任务，其中，约束满足问题任务即为针对一组变量，根据这组变量的每个变量的约束条件，以及每个变量的值域，确定这组变量中的每个变量的值的任务。例如：地图自动着色任务中，需要根据相邻区域的着色不能相同的约束条件，为地图中包含的每个区域进行着色，再例如：导航任务中，需要根据不同交通工具的运营路线、运营时间、速度等约束条件，为用户进行路线规划。
通常情况下，在执行约束满足问题任务时，可以通过回溯搜索算法进行任务执行，而当需要执行的约束满足问题任务的规模较大时，通过回溯搜索算法进行任务执行需要消耗大量的计算资源。
发明内容
本说明书提供一种任务执行的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种任务执行的方法，包括：
可选地，获取用户发送的任务执行请求；
根据所述任务执行请求，确定待执行任务对应的任务参数，所述任务参数包括：所述待执行任务中包含的各变量参数、每个变量参数的值域、各变量参数之间的约束关系；
根据所述任务参数，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，以及所述各神经元之间的连接关系；
根据所述各神经元的数量以及所述各神经元之间的连接关系，构建所述脉冲神经网络模型；
通过所述脉冲神经网络模型，执行所述待执行任务。
可选地，根据所述任务参数，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，具体包括：
根据所述待执行任务中包含的各变量参数、每个变量参数的值域，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，其中，每个神经元产生输出脉冲信号的频率用于表征一个变量参数的值域中包含的一个值为满足约束条件的值的概率值。
可选地，根据所述任务参数，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元之间的连接关系，具体包括：
根据所述待执行任务中包含的各变量参数之间的约束关系，判断构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元中的每两个神经元之间是否存在抑制性约束；
若是，则确定该两个神经元之间需要通过两条单向抑制突触连接。
可选地，所述脉冲神经网络模型包括：自发送脉冲神经元层、响应脉冲神经元层、输出解码层；
通过所述脉冲神经网络模型，执行所述待执行任务，具体包括：
根据所述任务执行请求，确定所述脉冲神经网络模型的各输入参数；
根据所述各输入参数，从所述自发送脉冲神经元层中包含的各神经元中确定出至少部分神经元，作为目标神经元；
通过所述目标神经元发送脉冲序列到所述响应脉冲神经元层，以使所述响应脉冲神经元层根据所述目标神经元发送的脉冲序列，产生输出脉冲信号，并将所述输出脉冲信号传输给所述输出解码层；
通过所述输出解码层根据所述输出脉冲信号，得到所述脉冲神经网络模型的输出结果，并根据所述脉冲神经网络模型的输出结果进行任务执行。
可选地，所述自发送脉冲神经元层中包含的每个神经元与所述响应脉冲神经元层中包含的各神经元中对应的神经元通过单向兴奋突触相连接；
所述响应脉冲神经元层根据所述目标神经元发送的脉冲序列，产生输出脉冲信号，具体包括：
针对所述脉冲序列中的每个脉冲信号，将所述响应脉冲神经元层中包含的与所述目标神经元相连接的神经元，作为所述目标神经元对应的第一神经元；
所述第一神经元在接收到该脉冲信号后，在该脉冲信号的作用下，所述第一神经元的膜电位升高第一指定值；
若所述第一神经元的所述膜电位达到预设阈值，则所述第一神经元产生输出脉冲信号，并向通过抑制突触与所述第一神经元相连接的其它神经元发送脉冲信号，以使所述其它神经元的膜电位在接收到通过所述抑制突触传输的脉冲信号后下降第二指定值。
可选地，通过所述输出解码层根据所述输出脉冲信号，得到所述脉冲神经网络模型的输出结果，具体包括：
通过所述输出解码层根据所述响应脉冲神经元层中包含的每个神经元产生所述输出脉冲信号的频率，得到所述脉冲神经网络模型的输出结果。
可选地，通过所述输出解码层根据所述输出脉冲信号，得到所述脉冲神经网络模型的输出结果，具体包括：
通过所述输出解码层根据所述响应脉冲神经元层中包含的每个神经元产生所述输出脉冲信号的频率，得到所述脉冲神经网络模型的候选输出结果；
判断所述候选输出结果中的至少部分结果与所述至少部分结果对应的实际结果是否一致；
若是，则确定所述候选输出结果为所述脉冲神经网络模型的输出结果。
本说明书提供了一种任务执行的装置，包括：
获取模块，用于获取用户发送的任务执行请求；
第一确定模块，用于根据所述任务执行请求，确定待执行任务对应的任务参数，所述任务参数包括：所述待执行任务中包含的各变量参数、每个变量参数的值域、各变量参数之间的约束关系；
第二确定模块，用于根据所述任务参数，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，以及所述各神经元之间的连接关系；
构建模块，用于根据所述各神经元的数量以及所述各神经元之间的连接关系，构建所述脉冲神经网络模型；
执行模块，用于通过所述脉冲神经网络模型，执行所述待执行任务。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任务执行的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任务执行的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的任务执行的方法中，
从上述方法可以看出，可以根据待执行任务中包含的各变量参数、各变量参数的值域、各变量参数之间的约束关系确定用于进行任务执行的脉冲神经网络模型所需的各神经元以及各神经元之间的连接关系，从而可以通过构建出的脉冲神经网络模型进行任务执行，进而可以降低执行待执行任务所需的计算资源。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种任务执行的方法的流程示意图；
图2为本说明书中提供的脉冲神经网络模型的示意图；
图3为本说明书中提供的神经元之间的连接关系的示意图；
图4为本说明书提供的一种任务执行的装置的示意图；
图5为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
脉冲神经网络模型(Spiking Neural Network, SNN) 是一种新型的神经网络架构，它将传统的神经网络模型中包含的连续型神经元替换为脉冲型神经元，并使用脉冲形式的信号来传递信息（即脉冲神经网络模型的输入输出以及各神经元之间均以脉冲信号的形式进行信息传递），相比于传统的神经网络模型，脉冲神经网络模型具有能耗更低，计算量更少，计算更快等优点。
基于此，本说明书中提供了根据用户发送的任务执行请求，构建脉冲神经网络模型并通过构建出的脉冲神经网络模型进行任务执行的方法。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种任务执行的方法的流程示意图，包括以下步骤：
S101：获取用户发送的任务执行请求。
在本说明书中，用户在需要执行待执行任务时，可以通过业务平台提供的客户端向业务平台发送任务执行请求，以使业务平台在获取到任务执行请求后，可以响应获取到的任务执行请求，执行待执行任务，并得到待执行任务执行后的输出结果。
在本说明书中，用于实现任务执行的方法的执行主体，可以是指由服务器等设置于计算集群系统的主机节点中的指定设备，也可以是指诸如台式电脑、笔记本电脑等终端设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的任务执行的方法进行说明。
S102：根据所述任务执行请求，确定待执行任务对应的任务参数，所述任务参数包括：所述待执行任务中包含的各变量参数、每个变量参数的值域、各变量参数之间的约束关系。
服务器在获取到任务执行请求后，可以根据获取到的任务执行请求，确定待执行任务对应的任务参数，其中，待执行任务的任务参数包括：待执行任务中包含的各变量参数、每个变量参数的值域、各变量参数之间的约束关系。
例如：假设用户拥有四块田地a、b、c、d，并且用户还有水稻、小麦、豌豆、大蒜等农作物的种子，当用户需要确定在未来的一年内每块地在什么时段种植什么农作物最合适时，可以发送农作物种植推荐请求给服务器，以使服务器根据接收到的农作物种植推荐请求，构建脉冲神经网络模型，其中，待执行任务为农作物种植推荐任务，待执行任务中包含的各变量参数为a、b、c、d四块田地在一年的不同时段中所种植的农作物，每个变量参数的值域为每块田地在一年的不同时段中可以种植的农作物的种类，即：水稻、小麦、豌豆、大蒜，各变量参数之间的约束关系可以为同一块田地不能连续种植生长所需的营养元素相同的农作物（当同一块田地在第一次种植的农作物收获后再次种植与第一次种植的农作物生长所需的营养元素相同的农作物时，可能会导致土地营养失衡，从而影响农作物产量），各变量参数之间的约束关系还可以为同一块田地不能连续种植抗病类型相同的农作物（农作物的病虫害在抗病基因不同的农作物上的生长也不同，如：在一种抗病基因的农作物上可以很好的生长，在另一种抗病基因的农作物的就不能生长，因此，若在一块田地上连续种植抗病类型相同的农作物，会导致农作物的病虫害可以在这块田地上稳定繁殖，进而导致农药的效果降低，存在农作物大量死亡的可能）等，各变量参数之间的约束关系还可以为相邻的田地不能种植生长存在抑制关系的农作物（部分农作物在生长的过程中所产生的物质可能会对其它农作物的生长造成抑制，因此，这种生长存在抑制关系的农作物不能种植在相邻的田地，例如：大蒜在生长过程中会散发出一种特殊物质，这种特殊物质会使豌豆的生长受到限制，从而导致豌豆开花少、结荚少）。
需要说明的是，服务器根据获取到的任务执行请求，确定待执行任务对应的任务参数的方法可以是，从获取到的任务执行请求包含的指定字段中，确定用户输入的至少部分任务参数。当然，服务器根据获取到的任务执行请求，确定待执行任务对应的任务参数的方法也可以是，根据获取到的任务执行请求，确定待执行任务的任务类型，从数据库中，确定出预设的与该任务类型相匹配的至少部分任务参数。
S103：根据所述任务参数，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，以及所述各神经元之间的连接关系。
进一步地，服务器可以根据获取到的任务参数确定构建用于执行待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，以及各神经元之间的连接关系，具体如图2所示。
图2为本说明书中提供的脉冲神经网络模型的示意图。
结合图2可以看出，脉冲神经网络模型包括：自发送脉冲神经元层、响应脉冲神经元层、输出解码层，其中，服务器可以根据待执行任务中包含的各变量参数、每个变量参数的值域，确定构建用于执行待执行任务的脉冲神经网络模型中自发送脉冲神经元层、响应脉冲神经元层中所需要包含的各神经元的数量，其中，每个神经元产生输出脉冲信号的频率用于表征一个变量参数的值域中包含的一个值为满足约束条件的值的概率值，换句话说，每个神经元与待执行任务中包含的一个变量参数的值域中的一个值相对应，这个神经元输出的脉冲信号的频率则可以表征这个变量参数的值域中的对应的值为满足约束条件的结果的概率值。
例如：用户拥有四块田地a、b、c、d，并且用户还有韭菜、青菜、豌豆、大蒜四种农作物的种子，用户在未来的一年内有第一个时段、第二个时段、第三时段、第四时段四个种植季，则此时可以确定用于执行待执行任务的脉冲神经网络模型中自发送脉冲神经元层中包含有4*4*4=64个神经元，用于执行待执行任务的脉冲神经网络模型中响应脉冲神经元层中包含有4*4*4=64个神经元。
需要说明的是，从图2中可以看出，自发性脉冲神经元层包含的各神经元与响应脉冲神经元层包含的各神经元一一对应，如：自发性脉冲神经元层包含的各神经元中第一层的第一行第一列的神经元与响应脉冲神经元层包含的各神经元中第一层的第一行第一列的神经元相对应，并且针对自发性脉冲神经元层包含的每个神经元，该神经元与响应脉冲神经元层中包含的与该神经元对应的神经元之间通过单向兴奋突触相连接。
值得说明的是，上述的神经元是指在神经网络模型中的一个基本单元（在算法中的存在形式可以为一系列可学习的参数），神经网络模型可以通过神经元接收不同大小的输入参数，并可以针对输入参数进行数据处理，得到输出结果直接输出或者传输给下一个神经元，上述的神经元之间可以通过单向兴奋突触或单向抑制突触相连接，其中，这里的突触是指两个神经元之间的脉冲信号传输的作用关系，若两个神经元之间通过单向兴奋突触相连接，如，从神经元一指向神经元二，则神经元一即可通过该单向兴奋突触向神经元二发送脉冲信号，神经元二在接收到该脉冲信号后，神经元二中的膜电位就会上升，而若两个神经元之间通过单向抑制突触相连接，如，从神经元一指向神经元二，则神经元一即可通过该单向抑制突触向神经元二发送脉冲信号，神经元二在接收到该脉冲信号后，神经元二中的膜电位就会下降。
进一步地，服务器可以根据待执行任务中包含的各变量参数之间的约束关系，判断构建用于执行待执行任务的脉冲神经网络模型的响应脉冲神经元层中需要包含的各神经元中的每两个神经元之间是否存在抑制性约束，若是，则确定该两个神经元之间需要通过两条单向抑制突触连接，如图3所示。
图3为本说明书中提供的神经元之间的连接关系的示意图。
结合图3可以看出，若两个神经元之间存在抑制性约束，则服务器可以确定该两个神经元之间通过两条单向抑制突触连接。
例如：假设田地a在第一时段种植了豌豆，则与田地a相邻的田地b在第一时段就不可以种植大蒜，因此，可以确定田地a在第一时段种植豌豆对应的神经元与田地b在第一时段种植大蒜对应的神经元之间存在抑制性约束，此时，可以将田地a在第一时段种植豌豆对应的神经元与田地b在第一时段种植大蒜对应的神经元之间通过两条单向抑制突触连接。
再例如：假设韭菜与青菜生成都需要元素A，则田地a在第一时段种植了韭菜，则与田地a在第二时段就不可以种植韭菜和青菜，因此，可以确定田地a在第一时段种植韭菜对应的神经元与田地a在第二时段种植韭菜对应的神经元之间存在抑制性约束，以及田地a在第一时段种植韭菜对应的神经元与田地a在第二时段种植青菜对应的神经元之间存在抑制性约束，此时，可以将田地a在第一时段种植韭菜对应的神经元与田地a在第二时段种植韭菜对应的神经元之间通过两条单向抑制突触连接，以及在田地a在第一时段种植韭菜对应的神经元与田地a在第二时段种植青菜对应的神经元之间通过两条单向抑制突触连接。
需要说明的是，上述的两个神经元之间通过两条单向抑制突触连接是指一条单向抑制突触从一个神经指向另一个神经元，另一条单向抑制突触是从另一个神经元指向这个神经元。
S104：根据所述各神经元的数量以及所述各神经元之间的连接关系，构建所述脉冲神经网络模型。
S105：通过所述脉冲神经网络模型，执行所述待执行任务。
进一步地，服务器可以在确定脉冲神经网络中所需包含的各神经元的数量以及所述各神经元之间的连接关系后，可以根据确定出的脉冲神经网络中所需包含的各神经元的数量以及各神经元之间的连接关系，构建脉冲神经网络模型，并通过构建出的脉冲神经网络模型，执行待执行任务。
具体地，服务器可以根据用户发送任务执行请求，确定输入到脉冲神经网络模型中的各输入参数（这里的输入参数可以是指待执行任务中包含的各变量参数的初始值），并根据确定出的各输入参数，从自发送脉冲神经元层中包含的各神经元中确定出至少部分神经元，作为目标神经元，并确定响应脉冲神经元层中包含的与目标神经元相连接的神经元，作为目标神经元对应的第一神经元，通过目标神经元发送脉冲序列到目标神经元对应的第一神经元中，以使目标神经元对应的第一神经元根据目标神经元发送的脉冲序列（即由多个脉冲信号按照时间先后顺序组成的序列，其中，任意相邻的两个脉冲信号之间的时间间隔相同），产生输出脉冲信号，并将输出脉冲信号传输给输出解码层，通过输出解码层根据输出脉冲信号，得到脉冲神经网络模型的输出结果。
例如：在执行农作物种植推荐任务时，可以获取用户输入的各输入参数，例如：田地a在一年的第一个时段中种植韭菜，田地b在一年的第二个时段中种植青菜，则服务器可以根据输入参数，从自发送脉冲神经元层中包含的各神经元中确定出用于表征田地a在一年的第一个时段中种植韭菜的神经元，作为目标神经元，进而可以通过目标神经元向响应脉冲神经元层包含各神经元中与目标神经元对应的神经元发送脉冲序列。
需要说明的是，服务器在通过目标神经元向目标神经元对应的第一神经元发送的脉冲序列的同时，还通过自发送脉冲神经元层中除目标神经元之外的其它神经元向响应神经元层持续发送脉冲信号，但通过自发送脉冲神经元层中除目标神经元之外的其它神经元向响应神经元层持续发送脉冲信号的频率为目标神经元持续发送脉冲信号的频率的。
进一步地，针对响应脉冲神经元层中包含的每个神经元，该神经元在每次接收到一个脉冲信号后，在这个脉冲信号的作用下，该神经元的膜电位会升高第一指定值，若该神经元的膜电位达到预设阈值，则该神经元产生输出脉冲信号，并向通过抑制突触与该神经元相连接的其它神经元发送脉冲信号，以使其它神经元的膜电位在接收到通过抑制突触传输的脉冲信号后下降第二指定值。
从上述内容中可以看出，服务器可以通过自发性脉冲神经元层中包含的各神经元，持续性的向响应脉冲神经元层中的各神经元输入脉冲信号，进而可以使响应脉冲神经元层中包含的各神经元的膜电位不断升高，针对响应脉冲神经元层中包含的每个神经元，当该神经元的膜电位达到预设阈值后，该神经元可以产生一个输出脉冲信号，并且该神经元在产生上述输出脉冲信号后，该神经元的膜电位会恢复至初始电位。
但是，由于自发送脉冲神经元层中包含的目标神经元发送脉冲信号的频率为自发送脉冲神经元层中包含的其它神经元发送脉冲信号的频率的两倍，因此，与目标神经元连接第一神经元会更快的产生输出脉冲信号，并对通过抑制突触与该第一神经元相连接的其它神经元发送脉冲信号，以使其它神经元的膜电位在接收到通过抑制突触传输的脉冲信号后下降第二指定值，从而使得通过抑制突触与该第一神经元相连接的其它神经元产生输出脉冲信号所需的时间更长，以导致自发送脉冲神经元层中包含的各神经元之间发送输出脉冲信号的频率不同，进而可以通过输出解码层根据响应脉冲神经元层中包含的各神经元发送输出脉冲信号的频率，得到脉冲神经网络模型的输出结果。
例如：田地a在第一时段种植韭菜对应的神经元的输出频率为2F，田地a在第一时段种植青菜对应的神经元的输出频率为F，田地a在第一时段种植豌豆对应的神经元的输出频率为F，田地a在第一时段种植打算对应的神经元的输出频率为F，则可以确定脉冲神经网络模型的输出结果为田地a在第一时段种植韭菜。
另外，从上述内容中可以看出，脉冲神经网络模型的输出解码层可以根据脉冲神经网络模型的响应脉冲神经元层中包含的各神经元产生输出脉冲信号的频率，得到脉冲神经网络的输出结果，而脉冲神经网络模型的响应脉冲神经元层中包含的各神经元产生输出脉冲信号的频率需要在自发送脉冲神经元层中的各神经元持续输出一段时间的脉冲信号后，才会稳定呈现。而在实际应用场景中，还可能存在由于脉冲神经网络模型的运行时间较短，而导致脉冲神经网络模型的输出解码层得到的脉冲神经网络模型的输出结果与真实结果之间存在偏差。
基于此，服务器还可以通过输出解码层根据响应脉冲神经元层中包含的每个神经元产生输出脉冲信号的频率，得到脉冲神经网络模型的候选输出结果，判断候选输出结果中的至少部分结果与至少部分结果对应的实际结果是否一致，若是，则确定候选输出结果为脉冲神经网络模型的输出结果。
其中，上述的至少部分结果可以为用户发送的任务执行请求中包含的各输入参数对应的结果，例如：假设用户设置田地a在一年的第一个时段中种植韭菜，田地b在一年的第二个时段中种植青菜作为输入参数，则在通过脉冲神经网络确定出每个田地在每个时段种植的农作物之后，可以判断通过脉冲神经网络确定出的田地a在一年的第一个时段中种植的农作物是否为韭菜，以及，判断田地b在一年的第二个时段中种植的农作物是否为青菜，若田地a在一年的第一个时段中种植的农作物不为韭菜和/或田地b在一年的第二个时段中种植的农作物不为青菜，则认为候选输出结果中的至少部分结果与至少部分结果对应的实际结果不一致。
进一步地，服务器可以在得到脉冲神经网络模型的输出结果后，可以根据脉冲神经网络的输出结果进行任务执行。其中，这里的任务执行可以根据实际需求确定，例如：根据脉冲神经网络的输出结果进行农作物种植推荐等。
除此之外，服务器还可以根据用户发送的任务执行请求，确定出脉冲神经网络模型的自发送脉冲神经元层中包含的神经元与响应脉冲神经元层中包含的神经元之间的单向兴奋突触对应的权重，以及，确定出响应脉冲神经元层中包含的每两个神经元之间的单向抑制突触对应的权重，例如：若田地a中包含的元素A较少，而韭菜的生长需要元素A，因此，用户可以确定田地a并不适宜种植韭菜，所以，用户可以在任务执行请求中为田地a种植韭菜对应的神经元与该神经元在自发送脉冲神经元层中对应的神经元之间的单向兴奋突触设置较低的权重。
其中，针对脉冲神经网络模型中包含的每个单向兴奋突触，若该单向兴奋突触对应的权重越低，则该单向兴奋突触所连接的响应脉冲神经元层的神经元在每次接收到自发送脉冲神经元层中的神经元发送的脉冲信号时，该神经元的膜电位所升高的第一指定值越低。
针对脉冲神经网络模型中包含的每个单向抑制突触，若该单向抑制突触对应的权重越低，则该单向抑制突触所连接的响应脉冲神经元层的神经元在每次接收到响应脉冲神经元层中的其它神经元通过该单向抑制突触发送的脉冲信号时，该神经元的膜电位所降低的第二指定值越高。
当然，上述的脉冲神经网络模型的自发送脉冲神经元层中包含的神经元与响应脉冲神经元层中包含的神经元之间的单向兴奋突触对应的权重，以及，响应脉冲神经元层中包含的两个神经元之间的单向抑制突触对应的权重可以是由用户在任务执行请求中包含的用于配置权重的字段中配置，进而可以根据用户发送的任务执行请求确定。也可以获取预设的权重，作为脉冲神经网络模型的自发送脉冲神经元层中包含的神经元与响应脉冲神经元层中包含的神经元之间的单向兴奋突触对应的权重，以及，响应脉冲神经元层中包含的两个神经元之间的单向抑制突触对应的权重。
从上述方法可以看出，可以根据待执行任务中包含的各变量参数、各变量参数的值域、各变量参数之间的约束关系确定用于进行任务执行的脉冲神经网络模型所需的各神经元以及各神经元之间的连接关系，从而可以通过构建出的脉冲神经网络模型进行任务执行，进而可以降低执行待执行任务所需的计算资源。
以上为本说明书的一个或多个实施任务执行的方法，基于同样的思路，本说明书还提供了相应的任务执行的装置，如图4所示。
图4为本说明书提供的一种任务执行的装置的示意图，包括：
获取模块401，用于获取用户发送的任务执行请求；
第一确定模块402，用于根据所述任务执行请求，确定待执行任务对应的任务参数，所述任务参数包括：所述待执行任务中包含的各变量参数、每个变量参数的值域、各变量参数之间的约束关系；
第二确定模块403，用于根据所述任务参数，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，以及所述各神经元之间的连接关系；
构建模块404，用于根据所述各神经元的数量以及所述各神经元之间的连接关系，构建所述脉冲神经网络模型；
执行模块405，用于通过所述脉冲神经网络模型，执行所述待执行任务。
可选地，所述第二确定模块403具体用于，根据所述待执行任务中包含的各变量参数、每个变量参数的值域，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，其中，每个神经元产生输出脉冲信号的频率用于表征一个变量参数的值域中包含的一个值为满足约束条件的值的概率值。
可选地，所述第二确定模块403具体用于，根据所述待执行任务中包含的各变量参数之间的约束关系，判断构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元中的每两个神经元之间是否存在抑制性约束；若是，则确定该两个神经元之间需要通过两条单向抑制突触连接。
可选地，所述脉冲神经网络模型包括：自发送脉冲神经元层、响应脉冲神经元层、输出解码层；
所述执行模块405具体用于，根据所述任务执行请求，确定所述脉冲神经网络模型的各输入参数；根据所述各输入参数，从所述自发送脉冲神经元层中包含的各神经元中确定出至少部分神经元，作为目标神经元；通过所述目标神经元发送脉冲序列到所述响应脉冲神经元层，以使所述响应脉冲神经元层根据所述目标神经元发送的脉冲序列，产生输出脉冲信号，并将所述输出脉冲信号传输给所述输出解码层；通过所述输出解码层根据所述输出脉冲信号，得到所述脉冲神经网络模型的输出结果，并根据所述脉冲神经网络模型的输出结果进行任务执行。
可选地，所述自发送脉冲神经元层中包含的每个神经元与所述响应脉冲神经元层中包含的各神经元中对应的神经元通过单向兴奋突触相连接；
所述执行模块405具体用于，针对所述脉冲序列中的每个脉冲信号，将所述响应脉冲神经元层中包含的与所述目标神经元相连接的神经元，作为所述目标神经元对应的第一神经元；所述第一神经元在接收到该脉冲信号后，在该脉冲信号的作用下，所述第一神经元的膜电位升高第一指定值；若所述第一神经元的所述膜电位达到预设阈值，则所述第一神经元产生输出脉冲信号，并向通过抑制突触与所述第一神经元相连接的其它神经元发送脉冲信号，以使所述其它神经元的膜电位在接收到通过所述抑制突触传输的脉冲信号后下降第二指定值。
可选地，所述执行模块405具体用于，通过所述输出解码层根据所述响应脉冲神经元层中包含的每个神经元产生所述输出脉冲信号的频率，得到所述脉冲神经网络模型的输出结果。
可选地，所述执行模块405具体用于，通过所述输出解码层根据所述响应脉冲神经元层中包含的每个神经元产生所述输出脉冲信号的频率，得到所述脉冲神经网络模型的候选输出结果；判断所述候选输出结果中的至少部分结果与所述至少部分结果对应的实际结果是否一致；若是，则确定所述候选输出结果为所述脉冲神经网络模型的输出结果。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种任务执行的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的任务执行的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（ProgrammableLogic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（AdvancedBoolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（JavaHardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby HardwareDescription Language）等，目前最普遍使用的是VHDL（Very-High-Speed IntegratedCircuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种任务执行的方法，其特征在于，包括：
获取用户发送的任务执行请求；
根据所述任务执行请求，确定待执行任务对应的任务参数，所述待执行任务为农作物种植推荐任务，所述任务参数包括：所述待执行任务中包含的各变量参数、每个变量参数的值域、各变量参数之间的约束关系，其中，所述待执行任务中包含的各变量参数用于表征为所述用户拥有的每块田地推荐种植的农作物、每个变量参数的值域用于表征每块田地可以种植的农作物的种类、各变量参数之间的约束关系用于表征不同种类的农作物之间的抑制关系；
根据所述待执行任务中包含的各变量参数之间的约束关系，判断构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元中的每两个神经元之间是否存在抑制性约束；
若是，则确定该两个神经元之间需要通过两条单向抑制突触连接；
根据所述各神经元的数量以及所述各神经元之间的连接关系，构建所述脉冲神经网络模型；
根据所述任务执行请求，确定所述脉冲神经网络模型的各输入参数；
根据所述各输入参数，从自发送脉冲神经元层中包含的各神经元中确定出至少部分神经元，作为目标神经元；
通过所述目标神经元发送脉冲序列到响应脉冲神经元层中包含的与所述目标神经元相连的神经元中，以及，通过所述自发送脉冲神经元层中包含的各神经元中除所述目标神经元之外的其他神经元发送频率低于所述目标神经元发送的脉冲序列的脉冲序列到所述响应脉冲神经元层中包含的与所述其他神经元相连的神经元中，以使所述响应脉冲神经元层根据所述目标神经元发送的脉冲序列，产生输出脉冲信号，并将所述输出脉冲信号传输给输出解码层；
通过所述输出解码层根据所述输出脉冲信号，得到所述脉冲神经网络模型的输出结果，并根据所述脉冲神经网络模型的输出结果进行任务执行，所述输出结果为为所述用户推荐的农作物种植方案。
2.如权利要求1所述的方法，其特征在于，根据所述任务参数，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，具体包括：
根据所述待执行任务中包含的各变量参数、每个变量参数的值域，确定构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元的数量，其中，每个神经元产生输出脉冲信号的频率用于表征一个变量参数的值域中包含的一个值为满足约束条件的值的概率值。
3.如权利要求1所述的方法，其特征在于，所述自发送脉冲神经元层中包含的每个神经元与所述响应脉冲神经元层中包含的各神经元中对应的神经元通过单向兴奋突触相连接；
所述响应脉冲神经元层根据所述目标神经元发送的脉冲序列，产生输出脉冲信号，具体包括：
针对所述脉冲序列中的每个脉冲信号，将所述响应脉冲神经元层中包含的与所述目标神经元相连接的神经元，作为所述目标神经元对应的第一神经元；
所述第一神经元在接收到该脉冲信号后，在该脉冲信号的作用下，所述第一神经元的膜电位升高第一指定值；
若所述第一神经元的所述膜电位达到预设阈值，则所述第一神经元产生输出脉冲信号，并向通过抑制突触与所述第一神经元相连接的其它神经元发送脉冲信号，以使所述其它神经元的膜电位在接收到通过所述抑制突触传输的脉冲信号后下降第二指定值。
4.如权利要求1所述的方法，其特征在于，通过所述输出解码层根据所述输出脉冲信号，得到所述脉冲神经网络模型的输出结果，具体包括：
通过所述输出解码层根据所述响应脉冲神经元层中包含的每个神经元产生所述输出脉冲信号的频率，得到所述脉冲神经网络模型的输出结果。
5.如权利要求1所述的方法，其特征在于，通过所述输出解码层根据所述输出脉冲信号，得到所述脉冲神经网络模型的输出结果，具体包括：
通过所述输出解码层根据所述响应脉冲神经元层中包含的每个神经元产生所述输出脉冲信号的频率，得到所述脉冲神经网络模型的候选输出结果；
判断所述候选输出结果中的至少部分结果与所述至少部分结果对应的实际结果是否一致；
若是，则确定所述候选输出结果为所述脉冲神经网络模型的输出结果。
6.一种任务执行的装置，其特征在于，包括：
获取模块，用于获取用户发送的任务执行请求；
第一确定模块，用于根据所述任务执行请求，确定待执行任务对应的任务参数，所述待执行任务为农作物种植推荐任务，所述任务参数包括：所述待执行任务中包含的各变量参数、每个变量参数的值域、各变量参数之间的约束关系，其中，所述待执行任务中包含的各变量参数用于表征为所述用户拥有的每块田地推荐种植的农作物、每个变量参数的值域用于表征每块田地可以种植的农作物的种类、各变量参数之间的约束关系用于表征不同种类的农作物之间的抑制关系；
第二确定模块，用于根据所述待执行任务中包含的各变量参数之间的约束关系，判断构建用于执行所述待执行任务的脉冲神经网络模型中需要包含的各神经元中的每两个神经元之间是否存在抑制性约束；
连接模块，用于若是，则确定该两个神经元之间需要通过两条单向抑制突触连接；
构建模块，用于根据所述各神经元的数量以及所述各神经元之间的连接关系，构建所述脉冲神经网络模型；
执行模块，用于根据所述任务执行请求，确定所述脉冲神经网络模型的各输入参数；根据所述各输入参数，从自发送脉冲神经元层中包含的各神经元中确定出至少部分神经元，作为目标神经元；通过所述目标神经元发送脉冲序列到响应脉冲神经元层中包含的与所述目标神经元相连的神经元中，以及，通过所述自发送脉冲神经元层中包含的各神经元中除所述目标神经元之外的其他神经元发送频率低于所述目标神经元发送的脉冲序列的脉冲序列到所述响应脉冲神经元层中包含的与所述其他神经元相连的神经元中，以使所述响应脉冲神经元层根据所述目标神经元发送的脉冲序列，产生输出脉冲信号，并将所述输出脉冲信号传输给输出解码层；通过所述输出解码层根据所述输出脉冲信号，得到所述脉冲神经网络模型的输出结果，并根据所述脉冲神经网络模型的输出结果进行任务执行，所述输出结果为为所述用户推荐的农作物种植方案。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310941250.4A CN116663631B (zh) | 2023-07-28 | 2023-07-28 | 一种任务执行的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310941250.4A CN116663631B (zh) | 2023-07-28 | 2023-07-28 | 一种任务执行的方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663631A CN116663631A (zh) | 2023-08-29 |
| CN116663631B true CN116663631B (zh) | 2024-05-14 |
Family
ID=87710056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310941250.4A Active CN116663631B (zh) | 2023-07-28 | 2023-07-28 | 一种任务执行的方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663631B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018133570A1 (zh) * | 2017-01-20 | 2018-07-26 | 清华大学 | 自适应阈值神经元信息处理方法、自适应泄漏值神经元信息处理方法、系统、计算机设备及可读存储介质 |
| CN112328398A (zh) * | 2020-11-12 | 2021-02-05 | 清华大学 | 任务处理方法及装置、电子设备和存储介质 |
| WO2021143066A1 (zh) * | 2020-01-19 | 2021-07-22 | 北京大学 | 一种目标识别方法、装置、系统及计算机可读存储介质 |
| CN113791913A (zh) * | 2021-11-16 | 2021-12-14 | 浙江大学 | 一种类脑计算机操作系统的任务迁移方法 |
| CN114118378A (zh) * | 2021-12-02 | 2022-03-01 | 之江实验室 | 基于阈值自适应神经元的硬件友好stdp学习方法和系统 |
| 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 |
| CN114819064A (zh) * | 2022-04-06 | 2022-07-29 | 中山大学 | 脉冲神经网络输入信号编码方法、系统、装置及存储介质 |
| CN115879518A (zh) * | 2022-12-02 | 2023-03-31 | 中国电信股份有限公司 | 一种基于ai芯片的任务处理方法和装置 |
| CN116108898A (zh) * | 2021-11-09 | 2023-05-12 | 上海新氦类脑智能科技有限公司 | 吸引子神经网络的数字化脉冲神经网络转换方法和装置 |
-
2023
- 2023-07-28 CN CN202310941250.4A patent/CN116663631B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018133570A1 (zh) * | 2017-01-20 | 2018-07-26 | 清华大学 | 自适应阈值神经元信息处理方法、自适应泄漏值神经元信息处理方法、系统、计算机设备及可读存储介质 |
| WO2021143066A1 (zh) * | 2020-01-19 | 2021-07-22 | 北京大学 | 一种目标识别方法、装置、系统及计算机可读存储介质 |
| CN112328398A (zh) * | 2020-11-12 | 2021-02-05 | 清华大学 | 任务处理方法及装置、电子设备和存储介质 |
| CN116108898A (zh) * | 2021-11-09 | 2023-05-12 | 上海新氦类脑智能科技有限公司 | 吸引子神经网络的数字化脉冲神经网络转换方法和装置 |
| CN113791913A (zh) * | 2021-11-16 | 2021-12-14 | 浙江大学 | 一种类脑计算机操作系统的任务迁移方法 |
| CN114118378A (zh) * | 2021-12-02 | 2022-03-01 | 之江实验室 | 基于阈值自适应神经元的硬件友好stdp学习方法和系统 |
| 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 |
| CN114819064A (zh) * | 2022-04-06 | 2022-07-29 | 中山大学 | 脉冲神经网络输入信号编码方法、系统、装置及存储介质 |
| CN115879518A (zh) * | 2022-12-02 | 2023-03-31 | 中国电信股份有限公司 | 一种基于ai芯片的任务处理方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| Gabriel A. Fonseca Guerra等.Using Stochastic Spiking Neural Networks on SpiNNaker to Solve Constraint Satisfaction Problems.Frontiers in Neuroscience.2017,(第11期),第1-13页. * |
| Using Stochastic Spiking Neural Networks on SpiNNaker to Solve Constraint Satisfaction Problems;Gabriel A. Fonseca Guerra等;Frontiers in Neuroscience(第11期);第1-13页 * |
| 异构融合类脑计算平台的计算模型与关键技术研究;邓磊;中国博士学位论文全文数据库信息科技辑(第02期);I140-13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663631A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pande et al. | Crop recommender system using machine learning approach | |
| Doshi et al. | AgroConsultant: intelligent crop recommendation system using machine learning algorithms | |
| Anitha et al. | Crop suitability prediction in Vellore District using rough set on fuzzy approximation space and neural network | |
| EP3816880B1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
| CN111563625A (zh) | 一种基于物联网对农作物喷洒药物的方法、装置及介质 | |
| Jayashree et al. | Application of fuzzy cognitive maps in precision agriculture: a case study on coconut yield management of southern India’s Malabar region | |
| Adebiyi et al. | Machine learning–based predictive farmland optimization and crop monitoring system | |
| Rao et al. | Brinjal Crop yield prediction using Shuffled shepherd optimization algorithm based ACNN-OBDLSTM model in Smart Agriculture | |
| Ranjani et al. | Crop yield prediction using machine learning algorithm | |
| Dhabal et al. | Crop recommendation system with cloud computing | |
| Dighe et al. | Survey of crop recommendation systems | |
| CN116663631B (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
| Rahman et al. | Optimizing Resource Allocation in Agriculture through IoT and AI | |
| Premasudha et al. | ML based methods XGBoost and random forest for crop and fertilizer prediction | |
| CN116306855B (zh) | 一种基于存算一体系统的数据处理方法及装置 | |
| Raju et al. | CropCast: Harvesting the future with interfused machine learning and advanced stacking ensemble for precise crop prediction | |
| CN111090707B (zh) | 数据处理方法及装置、电子设备及存储介质 | |
| Sikandar et al. | Automatic Crop Expert System Using Improved LSTM with Attention Block. | |
| Meenachi et al. | Multi class ensemble classification for crop recommendation | |
| Ugale et al. | Review of Machine Learning Techniques for Crop Recommendation System | |
| Sharma et al. | Real-Time Rainfall Prediction System Using IoT and Machine Learning | |
| Saranya et al. | Multi-model ensemble with deep neural network based crop yield prediction | |
| Jindal et al. | Analysis and Application of Regularized Neural Networks in Smart Agriculture | |
| Vindya et al. | Machine learning algorithm in smart farming for crop identification | |
| Bhat et al. | Crop Production Prediction odels in Indian Agriculture: M Possibilities and Challenges |
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 |