JP2016538633A - 多次元範囲にわたって分離可能なサブシステムを含むシステムの評価 - Google Patents
多次元範囲にわたって分離可能なサブシステムを含むシステムの評価 Download PDFInfo
- Publication number
- JP2016538633A JP2016538633A JP2016526188A JP2016526188A JP2016538633A JP 2016538633 A JP2016538633 A JP 2016538633A JP 2016526188 A JP2016526188 A JP 2016526188A JP 2016526188 A JP2016526188 A JP 2016526188A JP 2016538633 A JP2016538633 A JP 2016538633A
- Authority
- JP
- Japan
- Prior art keywords
- subsystem
- subsystems
- parameter
- output
- neurons
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- 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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
- G06N3/105—Shells for specifying net layout
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
例示的なニューラルシステム、トレーニングおよび動作
[0026]図1は、本開示のいくつかの態様による、複数のレベルのニューロンをもつ例示的な人工ニューラルシステム100を示す。ニューラルシステム100は、シナプス結合のネットワーク104(すなわち、フィードフォワード結合)を介してニューロンの別のレベル106に結合されたニューロンのあるレベル102を有し得る。簡単のために、図1には2つのレベルのニューロンのみが示されているが、ニューラルシステムには、より少ないまたはより多くのレベルのニューロンが存在し得る。ニューロンのいくつかは、ラテラル結合を介して同じ層の他のニューロンに結合し得ることに留意されたい。さらに、ニューロンのいくつかは、フィードバック結合を介して前の層のニューロンに戻る形で結合し得る。
シナプスタイプ
[0038]ニューラルネットワークのハードウェアおよびソフトウェアモデルでは、シナプス関係機能の処理がシナプスタイプに基づき得る。シナプスタイプは、非塑性シナプス(non-plastic synapse)(重みおよび遅延の変化がない)と、可塑性シナプス(重みが変化し得る)と、構造遅延可塑性シナプス(重みおよび遅延が変化し得る)と、完全可塑性シナプス(重み、遅延および結合性が変化し得る)と、それの変形(たとえば、遅延は変化し得るが、重みまたは結合性の変化はない)とを含み得る。複数のタイプの利点は、処理が再分割され得ることである。たとえば、非塑性シナプスは、可塑性機能を実行すること(またはそのような機能が完了するのを待つこと)がない場合がある。同様に、遅延および重み可塑性は、一緒にまたは別々に、順にまたは並列に動作し得る動作に再分割され得る。異なるタイプのシナプスは、適用される異なる可塑性タイプの各々の異なるルックアップテーブルまたは式およびパラメータを有し得る。したがって、本方法は、シナプスのタイプについての関連する表、式、またはパラメータにアクセスする。様々なシナプスタイプの使用は、人工ニューラルネットワークに柔軟性と設定可能性を追加し得る。
シナプス可塑性の決定
[0040]神経可塑性(または単に「可塑性」)は、脳内のニューロンおよびニューラルネットワークがそれらのシナプス結合と挙動とを新しい情報、感覚上の刺激、発展、損傷または機能不全に応答して変える能力である。可塑性は、生物学における学習および記憶にとって、また計算論的神経科学およびニューラルネットワークにとって重要である。(たとえば、Hebb則理論による)シナプス可塑性、スパイクタイミング依存可塑性(STDP)、非シナプス可塑性、活性依存可塑性、構造可塑性および恒常的可塑性など、様々な形の可塑性が研究されている。
ニューロンモデルおよび演算
[0047]有用なスパイキングニューロンモデルを設計するための一般的原理がいくつかある。良いニューロンモデルは、2つの計算レジーム、すなわち、一致検出および関数計算の点で豊かな潜在的挙動を有し得る。その上、良いニューロンモデルは、時間コーディングを可能にするための2つの要素を有する必要がある。たとえば、入力の到着時間は出力時間に影響を与え、一致検出は狭い時間ウィンドウを有し得る。加えて、計算上魅力的であるために、良いニューロンモデルは、連続時間に閉形式解と、ニアアトラクター(near attractor)と鞍点とを含む安定した挙動とを有し得る。言い換えれば、有用なニューロンモデルは、実用的なニューロンモデルであり、豊かで、現実的で、生物学的に一貫した挙動をモデル化するために使用され得、神経回路のエンジニアリングとリバースエンジニアリングの両方を行うために使用され得るニューロンモデルである。
Hunzinger Coldモデル
[0051]Hunzinger Coldニューロンモデルは、豊かな様々な神経挙動を再生し得る最小二重レジームスパイキング線形動的モデルである。モデルの1次元または2次元の線形ダイナミクスは2つのレジームを有することができ、時間定数(および結合)はレジームに依存し得る。しきい値下レジームでは、時間定数は、慣例により負であり、一般に生物学的に一貫した線形方式で静止状態に細胞を戻す役目を果たすリーキーチャネルダイナミクスを表す。しきい値上レジームにおける時間定数は、慣例により正であり、一般にスパイク生成のレイテンシを生じさせる一方でスパイク状態に細胞を駆り立てる反リーキーチャネルダイナミクスを反映する。
パラメータ評価
[0066]ニューラルネットワークモデルの開発は、パラメータの様々な組合せを評価するための仕様を含み得る。たとえば、ニューラルネットワークは、設計プロセスの間に、ニューラルネットワークの設計を改善するために様々なパラメータを用いて検査され得る。パラメータは、シナプスの重み、遅延、ニューロンモデルパラメータ、スパイクしきい値および/または最大コンダクタンスなどの要素を記述するパラメータ、使用される画像および/またはオーディオファイルの数などの入力を記述するパラメータ、学習パラメータ、ならびに/あるいはニューラルネットワークの他の変数を含み得る。パラメータを異なる値に設定して、それらの異なる値で検査を実行することによって、ニューラルネットワークは、ニューラルネットワークの効率などの様々な基準に基づいて評価され得る。
第1の並列化されたクラスタ(S11)610は、パラメータAの関数になるためだけに刈り込まれ得、したがって、第1の並列化されたクラスタ610はS11(A)と等しい。さらに、第2の並列化されたクラスタ(S12)612は、パラメータBおよびDの関数になるためだけに刈り込まれ得る。したがって、第2の並列化されたクラスタ612はS12(B,D)と等しい。さらに、入力はパラメータCおよびDだけであるように、第2の直列化されたレイヤ608が刈り込まれる。
[00102]図13は、一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行するための方法1300を示している。一構成では、ブロック1302で、ニューロンモデルが、サブシステム間の一方向の依存関係を決定することによって、システムのサブシステムを直列化する。さらに、ブロック1302の直列化に加えて、またはその代わりに、ブロック1304で、ニューロンモデルが、各サブシステム内の独立性を決定することによって、サブシステムを並列化する。すなわち、一構成では、ニューロンモデルがブロック1302の直列化またはブロック1304の並列化のいずれかを実行し得る。別の構成では、ニューロンモデルは、ブロック1302の直列化およびブロック1304の並列化の両方を実行し得る。最後に、ブロック1306で、ニューロンモデルが、各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込む。
以下に本願の出願当初の特許請求の範囲に記載された発明を付記する。
[C1] 一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行する方法であって、
前記サブシステム間の前記一方向の依存関係を決定することによって前記システムのサブシステムを直列化することと、各サブシステム内の独立性を決定することによって前記サブシステムを並列化することとのうちの少なくとも1つを実行することと、
各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込むことと、を備える、方法。
[C2] 並列化すること、直列化すること、および/または刈り込むことが、メモリストレージ要件、メモリアクセス時間、および/または計算時間に少なくとも部分的に依存する、C1に記載の方法。
[C3] ネットワークの接続性、および/または前記パラメータスイープの活動レベルを監視することに基づいてサブシステムを定義すること、をさらに備える、C1に記載の方法。
[C4] 前記スイープのすべてのステップについて、各サブシステムの出力を記憶することをさらに備える、C3に記載の方法。
[C5] パラメータ値の所望のセットを決定するために、前記システムの出力を評価することをさらに備える、C1に記載の方法。
[C6] 一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行するための装置であって、
メモリモジュールと、
前記メモリモジュールに結合された少なくとも1つのプロセッサと、を備え、前記少なくとも1つのプロセッサが、
前記サブシステム間の前記一方向の依存関係を決定することによって前記システムのサブシステムを直列化することと、各サブシステム内の独立性を決定することによって前記サブシステムを並列化することとのうちの少なくとも1つを実行し、
各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込む、ように構成される、装置。
[C7] 前記少なくとも1つのプロセッサが、メモリストレージ要件、メモリアクセス時間、および/または計算時間に少なくとも部分的に基づいて、並列化する、直列化する、および/または刈り込むようにさらに構成される、C6に記載の装置。
[C8] 前記少なくとも1つのプロセッサが、ネットワークの接続性、および/または前記パラメータスイープの活動レベルを監視することに少なくとも部分的に基づいてサブシステムを定義するようにさらに構成される、C6に記載の装置。
[C9] 前記少なくとも1つのプロセッサが、前記スイープのすべてのステップについて、各サブシステムの出力を記憶するようにさらに構成される、C8に記載の装置。
[C10] 前記少なくとも1つのプロセッサが、パラメータ値の所望のセットを決定するために、前記システムの出力を評価するようにさらに構成される、C6に記載の装置。
[C11] 一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行するための装置であって、
前記サブシステム間の前記一方向の依存関係を決定することによって前記システムのサブシステムを直列化するための手段と各サブシステム内の独立性を決定することによって前記サブシステムを並列化するための手段とのうちの少なくとも1つと、
各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込むための手段と、を備える、装置。
[C12] 並列化するための前記手段、直列化するための手段、および/または刈り込むための手段が、メモリストレージ要件、メモリアクセス時間、および/または計算時間に少なくとも部分的に基づく、C11に記載の装置。
[C13] ネットワークの接続性、および/または前記パラメータスイープの活動レベルを監視することに少なくとも部分的に基づいてサブシステムを定義するための手段をさらに備える、C11に記載の装置。
[C14] 前記スイープのすべてのステップについて、各サブシステムの出力を記憶するための手段をさらに備える、C13に記載の装置。
[C15] パラメータ値の所望のセットを決定するために、前記システムの出力を評価するための手段をさらに備える、C11に記載の装置。
[C16] 一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行するためのコンピュータプログラム製品であって、前記コンピュータプログラム製品が、
プログラムコードを記録した非一時的コンピュータ可読媒体を備え、前記プログラムコードが、
前記サブシステム間の前記一方向の依存関係を決定することによって前記システムのサブシステムを直列化することと、各サブシステム内の独立性を決定することによって前記サブシステムを並列化することとのうちの少なくとも1つを実行するためのプログラムコードと、
各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込むためのプログラムコードと、を備える、コンピュータプログラム製品。
[C17] 並列化して、直列化して、および/または刈り込むための前記プログラムコードが、メモリストレージ要件、メモリアクセス時間、および/または計算時間に少なくとも部分的に基づく、C16に記載のコンピュータプログラム製品。
[C18] 前記プログラムコードが、ネットワークの接続性、および/または前記パラメータスイープの活動レベルを監視することに少なくとも基づいてサブシステムを定義するためのプログラムコードをさらに備える、C16に記載のコンピュータプログラム製品。
[C19] 前記プログラムコードが、前記スイープのすべてのステップについて、各サブシステムの出力を記憶するためのプログラムコードをさらに備える、C18に記載のコンピュータプログラム製品。
[C20] 前記プログラムコードが、パラメータ値の所望のセットを決定するために、前記システムの出力を評価するためのプログラムコードをさらに備える、C16に記載のコンピュータプログラム製品。
Claims (20)
- 一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行する方法であって、
前記サブシステム間の前記一方向の依存関係を決定することによって前記システムのサブシステムを直列化することと、各サブシステム内の独立性を決定することによって前記サブシステムを並列化することとのうちの少なくとも1つを実行することと、
各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込むことと、
を備える、方法。 - 並列化すること、直列化すること、および/または刈り込むことが、メモリストレージ要件、メモリアクセス時間、および/または計算時間に少なくとも部分的に依存する、請求項1に記載の方法。
- ネットワークの接続性、および/または前記パラメータスイープの活動レベルを監視することに基づいてサブシステムを定義すること、をさらに備える、請求項1に記載の方法。
- 前記スイープのすべてのステップについて、各サブシステムの出力を記憶することをさらに備える、請求項3に記載の方法。
- パラメータ値の所望のセットを決定するために、前記システムの出力を評価することをさらに備える、請求項1に記載の方法。
- 一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行するための装置であって、
メモリモジュールと、
前記メモリモジュールに結合された少なくとも1つのプロセッサと、を備え、前記少なくとも1つのプロセッサが、
前記サブシステム間の前記一方向の依存関係を決定することによって前記システムのサブシステムを直列化することと、各サブシステム内の独立性を決定することによって前記サブシステムを並列化することとのうちの少なくとも1つを実行し、
各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込む、
ように構成される、装置。 - 前記少なくとも1つのプロセッサが、メモリストレージ要件、メモリアクセス時間、および/または計算時間に少なくとも部分的に基づいて、並列化する、直列化する、および/または刈り込むようにさらに構成される、請求項6に記載の装置。
- 前記少なくとも1つのプロセッサが、ネットワークの接続性、および/または前記パラメータスイープの活動レベルを監視することに少なくとも部分的に基づいてサブシステムを定義するようにさらに構成される、請求項6に記載の装置。
- 前記少なくとも1つのプロセッサが、前記スイープのすべてのステップについて、各サブシステムの出力を記憶するようにさらに構成される、請求項8に記載の装置。
- 前記少なくとも1つのプロセッサが、パラメータ値の所望のセットを決定するために、前記システムの出力を評価するようにさらに構成される、請求項6に記載の装置。
- 一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行するための装置であって、
前記サブシステム間の前記一方向の依存関係を決定することによって前記システムのサブシステムを直列化するための手段と各サブシステム内の独立性を決定することによって前記サブシステムを並列化するための手段とのうちの少なくとも1つと、
各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込むための手段と、
を備える、装置。 - 並列化するための前記手段、直列化するための手段、および/または刈り込むための手段が、メモリストレージ要件、メモリアクセス時間、および/または計算時間に少なくとも部分的に基づく、請求項11に記載の装置。
- ネットワークの接続性、および/または前記パラメータスイープの活動レベルを監視することに少なくとも部分的に基づいてサブシステムを定義するための手段をさらに備える、請求項11に記載の装置。
- 前記スイープのすべてのステップについて、各サブシステムの出力を記憶するための手段をさらに備える、請求項13に記載の装置。
- パラメータ値の所望のセットを決定するために、前記システムの出力を評価するための手段をさらに備える、請求項11に記載の装置。
- 一方向の依存関係を有するサブシステムを有するシステム上でパラメータスイープを実行するためのコンピュータプログラム製品であって、前記コンピュータプログラム製品が、
プログラムコードを記録した非一時的コンピュータ可読媒体を備え、前記プログラムコードが、
前記サブシステム間の前記一方向の依存関係を決定することによって前記システムのサブシステムを直列化することと、各サブシステム内の独立性を決定することによって前記サブシステムを並列化することとのうちの少なくとも1つを実行するためのプログラムコードと、
各入力パラメータが各サブシステムに影響を与えるかどうかに基づいて、各サブシステムの入力パラメータを刈り込むためのプログラムコードと、
を備える、コンピュータプログラム製品。 - 並列化して、直列化して、および/または刈り込むための前記プログラムコードが、メモリストレージ要件、メモリアクセス時間、および/または計算時間に少なくとも部分的に基づく、請求項16に記載のコンピュータプログラム製品。
- 前記プログラムコードが、ネットワークの接続性、および/または前記パラメータスイープの活動レベルを監視することに少なくとも基づいてサブシステムを定義するためのプログラムコードをさらに備える、請求項16に記載のコンピュータプログラム製品。
- 前記プログラムコードが、前記スイープのすべてのステップについて、各サブシステムの出力を記憶するためのプログラムコードをさらに備える、請求項18に記載のコンピュータプログラム製品。
- 前記プログラムコードが、パラメータ値の所望のセットを決定するために、前記システムの出力を評価するためのプログラムコードをさらに備える、請求項16に記載のコンピュータプログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/065,388 US9721204B2 (en) | 2013-10-28 | 2013-10-28 | Evaluation of a system including separable sub-systems over a multidimensional range |
US14/065,388 | 2013-10-28 | ||
PCT/US2014/061220 WO2015065738A2 (en) | 2013-10-28 | 2014-10-17 | Evaluation of a system including separable sub-systems over a multidimensional range |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016538633A true JP2016538633A (ja) | 2016-12-08 |
JP2016538633A5 JP2016538633A5 (ja) | 2017-11-02 |
Family
ID=51897437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016526188A Pending JP2016538633A (ja) | 2013-10-28 | 2014-10-17 | 多次元範囲にわたって分離可能なサブシステムを含むシステムの評価 |
Country Status (8)
Country | Link |
---|---|
US (1) | US9721204B2 (ja) |
EP (1) | EP3063707A2 (ja) |
JP (1) | JP2016538633A (ja) |
KR (1) | KR20160076531A (ja) |
CN (1) | CN105580031B (ja) |
CA (1) | CA2926649A1 (ja) |
TW (1) | TW201525883A (ja) |
WO (1) | WO2015065738A2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10417554B2 (en) * | 2014-05-22 | 2019-09-17 | Lee J. Scheffler | Methods and systems for neural and cognitive processing |
US10515312B1 (en) * | 2015-12-30 | 2019-12-24 | Amazon Technologies, Inc. | Neural network model compaction using selective unit removal |
CN106203621B (zh) * | 2016-07-11 | 2019-04-30 | 北京深鉴智能科技有限公司 | 用于卷积神经网络计算的处理器 |
US11315018B2 (en) | 2016-10-21 | 2022-04-26 | Nvidia Corporation | Systems and methods for pruning neural networks for resource efficient inference |
EP3340129B1 (en) * | 2016-12-21 | 2019-01-30 | Axis AB | Artificial neural network class-based pruning |
US11188820B2 (en) * | 2017-09-08 | 2021-11-30 | International Business Machines Corporation | Deep neural network performance analysis on shared memory accelerator systems |
EP3740893A1 (en) * | 2018-01-17 | 2020-11-25 | Signify Holding B.V. | System and method for object recognition using neural networks |
CN110570616B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于物联网的多点火灾预警系统 |
KR102624947B1 (ko) * | 2023-11-28 | 2024-01-15 | 주식회사 티알씨일렉트릭 | 전동기 역설계 장치 및 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10301981A (ja) * | 1997-04-28 | 1998-11-13 | Tokyo Electric Power Co Inc:The | 建物外観の色彩決定支援システム |
JP2004094437A (ja) * | 2002-08-30 | 2004-03-25 | Fuji Electric Holdings Co Ltd | データ予測方法及びデータ予測システム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0480654B1 (en) | 1990-10-10 | 1998-03-04 | Honeywell Inc. | Process system identification |
CA2060554A1 (en) | 1991-04-18 | 1992-10-19 | Shawn Michael Austvold | Apparatus and method for facilitating use of a neural network |
US7496546B2 (en) * | 2003-03-24 | 2009-02-24 | Riken | Interconnecting neural network system, interconnecting neural network structure construction method, self-organizing neural network structure construction method, and construction programs therefor |
US20060224533A1 (en) | 2005-03-14 | 2006-10-05 | Thaler Stephen L | Neural network development and data analysis tool |
US7502763B2 (en) | 2005-07-29 | 2009-03-10 | The Florida International University Board Of Trustees | Artificial neural network design and evaluation tool |
WO2008067676A1 (en) * | 2006-12-08 | 2008-06-12 | Medhat Moussa | Architecture, system and method for artificial neural network implementation |
US8065244B2 (en) | 2007-03-14 | 2011-11-22 | Halliburton Energy Services, Inc. | Neural-network based surrogate model construction methods and applications thereof |
CN101893541A (zh) * | 2010-06-09 | 2010-11-24 | 哈尔滨工业大学 | 建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法 |
-
2013
- 2013-10-28 US US14/065,388 patent/US9721204B2/en active Active
-
2014
- 2014-10-17 WO PCT/US2014/061220 patent/WO2015065738A2/en active Application Filing
- 2014-10-17 JP JP2016526188A patent/JP2016538633A/ja active Pending
- 2014-10-17 EP EP14796943.0A patent/EP3063707A2/en not_active Withdrawn
- 2014-10-17 CA CA2926649A patent/CA2926649A1/en not_active Abandoned
- 2014-10-17 CN CN201480052142.0A patent/CN105580031B/zh not_active Expired - Fee Related
- 2014-10-17 KR KR1020167013660A patent/KR20160076531A/ko not_active Application Discontinuation
- 2014-10-23 TW TW103136675A patent/TW201525883A/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10301981A (ja) * | 1997-04-28 | 1998-11-13 | Tokyo Electric Power Co Inc:The | 建物外観の色彩決定支援システム |
JP2004094437A (ja) * | 2002-08-30 | 2004-03-25 | Fuji Electric Holdings Co Ltd | データ予測方法及びデータ予測システム |
Also Published As
Publication number | Publication date |
---|---|
WO2015065738A3 (en) | 2015-07-09 |
WO2015065738A2 (en) | 2015-05-07 |
TW201525883A (zh) | 2015-07-01 |
US9721204B2 (en) | 2017-08-01 |
EP3063707A2 (en) | 2016-09-07 |
CA2926649A1 (en) | 2015-05-07 |
KR20160076531A (ko) | 2016-06-30 |
US20150120632A1 (en) | 2015-04-30 |
CN105580031A (zh) | 2016-05-11 |
CN105580031B (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6275868B2 (ja) | ニューラルウォッチドッグ | |
JP2016538633A (ja) | 多次元範囲にわたって分離可能なサブシステムを含むシステムの評価 | |
US9886663B2 (en) | Compiling network descriptions to multiple platforms | |
US9558442B2 (en) | Monitoring neural networks with shadow networks | |
JP2017509982A (ja) | 原位置ニューラルネットワークコプロセッシング | |
JP2017516192A (ja) | ニューラルネットワークにおける差分符号化 | |
JP2017513127A (ja) | スパイキング深層信念ネットワーク(dbn)におけるトレーニング、認識、および生成 | |
US20150242745A1 (en) | Event-based inference and learning for stochastic spiking bayesian networks | |
JP2016536679A (ja) | ニューラルシミュレータ用の共有メモリアーキテクチャ | |
JP2017515205A (ja) | Coldニューロンスパイクタイミングバックプロバゲーション | |
JP2017519268A (ja) | スパイキングニューラルネットワークにおけるグローバルスカラ値によって可塑性を調節すること | |
JP2016539414A (ja) | スパイキングニューラルネットワークにおいてリプレーを使用するシナプス学習を実装すること | |
JP2017513108A (ja) | サブしきい値変調を介するアナログ信号再構築および認識 | |
JP6193509B2 (ja) | 可塑性シナプス管理 | |
JP6219509B2 (ja) | シナプス遅延を動的に割り当てることおおよび検査すること | |
JP2016537711A (ja) | スパイキングニューロンのネットワークにおける輻輳回避 | |
JP6096388B2 (ja) | ニューラルネットワークモデルにおけるドップラー効果処理 | |
JP6133517B2 (ja) | 座標変換のための位相コーディング | |
JP2017511896A (ja) | スパイキングニューラルネットワークにおける聴覚ソース分離 | |
JP2017513110A (ja) | ニューロモーフィックモデル開発のためのコンテキストリアルタイムフィードバック | |
JP2016536676A (ja) | ニューラルモデル実行をリモートで制御および監視するための方法および装置 | |
US20150242742A1 (en) | Imbalanced cross-inhibitory mechanism for spatial target selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170920 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170920 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180914 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180925 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190507 |