RU2604331C2 - Artificial neuron (versions) - Google Patents
Artificial neuron (versions) Download PDFInfo
- Publication number
- RU2604331C2 RU2604331C2 RU2014144600/08A RU2014144600A RU2604331C2 RU 2604331 C2 RU2604331 C2 RU 2604331C2 RU 2014144600/08 A RU2014144600/08 A RU 2014144600/08A RU 2014144600 A RU2014144600 A RU 2014144600A RU 2604331 C2 RU2604331 C2 RU 2604331C2
- Authority
- RU
- Russia
- Prior art keywords
- artificial neuron
- information
- inputs
- memory
- volatile
- Prior art date
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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Memory System (AREA)
- Image Analysis (AREA)
Abstract
Description
Изобретение относится к бионике и вычислительной технике и может быть использовано в качестве структурно-функционального элемента искусственных нейронных сетей для моделирования биологических нейронных сетей, а также для построения параллельных нейрокомпьютеров и других вычислительных систем, предназначенных для решения различных прикладных задач, в том числе задач распознавания образов, классификации данных, обработки изображений, математических операций и создания искусственного интеллекта.The invention relates to bionics and computer engineering and can be used as a structural and functional element of artificial neural networks for modeling biological neural networks, as well as for building parallel neurocomputers and other computing systems designed to solve various applied problems, including image recognition problems , data classification, image processing, mathematical operations and the creation of artificial intelligence.
Известен искусственный нейрон и способ его использования (патент ЕР 0629969, опубликован 21.12.1994), где искусственный нейрон в качестве центрального элемента содержит умножитель, который производит умножение входящих сигналов, синаптического веса и генерирует выходной сигнал.Known artificial neuron and method of its use (patent EP 0629969, published 21.12.1994), where the artificial neuron as a central element contains a multiplier that multiplies the incoming signals, synaptic weight and generates an output signal.
Недостатком данного искусственного нейрона является то, что он представляет собой процессорное устройство с аппаратно реализованным алгоритмом функционирования, неспособное к реализации адаптивного поведения, которое, в свою очередь, характеризуется определением типа входящих сигналов, способностью запоминания весов синапса и кратковременного сохранения поступающих информационных сигналов с последующим затуханием. Таким образом, данное устройство имеет большие ограничения в плане полного эмулирования функционирования биологического нейрона. Жестко заложенный алгоритм также делает данное устройство узкоспециализированным, не имеющим возможности модернизации алгоритма функционирования без изменения электронной схемы устройства.The disadvantage of this artificial neuron is that it is a processor device with a hardware-implemented algorithm of operation, incapable of implementing adaptive behavior, which, in turn, is characterized by determining the type of incoming signals, the ability to memorize the synapse weights and briefly store incoming information signals with subsequent attenuation . Thus, this device has great limitations in terms of the complete emulation of the functioning of a biological neuron. The rigidly embedded algorithm also makes this device highly specialized, not having the ability to modernize the functioning algorithm without changing the electronic circuitry of the device.
Известен искусственный нейрон (US 7672918 от 02.03.2010), представляющий собой процессорное устройство, имеющее несколько сигнальных входов, вход значения порога и один выход.Known artificial neuron (US 7672918 from 02.03.2010), which is a processor device having several signal inputs, a threshold value input and one output.
Недостатком данного искусственного нейрона также является то, что он представляет собой узкоспециализированное процессорное устройство с аппаратно реализованным алгоритмом функционирования, неспособное к реализации адаптивного поведения и полного эмулирования функционирования биологического нейрона.The disadvantage of this artificial neuron is that it is a highly specialized processor device with a hardware-implemented functioning algorithm, incapable of implementing adaptive behavior and fully emulating the functioning of a biological neuron.
Наиболее близким аналогом изобретения является искусственный нейрон (патент US 7080054 от 18.07.2006), предназначенный для моделирования биологического нейрона. Устройство оснащено информационными входами, которые подразделены на возбуждающие и тормозящие типы, модулирующим входом и одним выходом потенциала действия. Устройство реализовано на КМОП-транзисторах.The closest analogue of the invention is an artificial neuron (patent US 7080054 from 07/18/2006), designed to simulate a biological neuron. The device is equipped with information inputs, which are divided into exciting and inhibitory types, a modulating input and one output of the action potential. The device is implemented on CMOS transistors.
Недостатком данного устройства также является узкоспециализированность под конкретный алгоритм функционирования, отсутствие адаптивного поведения, позволяющего регулировать и запоминать синаптические веса на короткое или длительное время, которое является основой организации кратковременной или долговременной памяти нейронной сети, приближенной к биологическому прототипу. Также существенным недостатком с точки зрения эмулирования биологического нейрона является то, что логика реализована аппаратно, что препятствует ее модификации, что, в свою очередь, исключает возможность организации гетерогенных нейронных сетей и изменения алгоритма функционирования.The disadvantage of this device is also the highly specialized for a specific functioning algorithm, the lack of adaptive behavior that allows you to adjust and memorize synaptic weights for a short or long time, which is the basis for organizing short-term or long-term memory of a neural network close to a biological prototype. Also, a significant drawback in terms of emulating a biological neuron is that the logic is implemented in hardware, which prevents its modification, which, in turn, excludes the possibility of organizing heterogeneous neural networks and changing the functioning algorithm.
Задачей заявляемого изобретения является создание универсального программируемого искусственного нейрона с возможностью индивидуальной настройки параметров (количество, типы и веса синапсов; временные параметры входящих и выходящих сигналов, пороги и т.д.) и многократного изменения алгоритма функционирования путем перепрограммирования.The objective of the invention is the creation of a universal programmable artificial neuron with the ability to individually configure parameters (number, types and weights of synapses; time parameters of incoming and outgoing signals, thresholds, etc.) and repeatedly change the functioning algorithm by reprogramming.
Технический результат заявляемого изобретения заключается в возможности программирования и перепрограммирования каждого элементарного искусственного нейрона, входящего в состав искусственной нейронной сети, на выполнение того или иного определенного алгоритма функционирования, что в свою очередь расширяет функциональные возможности в плане реализации различных типов и моделей нейронных сетей, а также обеспечивает широкую независимость алгоритма функционирования от аппаратной архитектуры искусственного нейрона и дает возможность без изменения электронной схемы или структуры нейронной сети создавать функционально как гомогенные нейронные сети, где все нейроны обладают одинаковыми алгоритмами функционирования, так и гетерогенные нейронные сети, где все или несколько нейронов обладают различными алгоритмами функционирования.The technical result of the claimed invention consists in the possibility of programming and reprogramming each elementary artificial neuron that is part of an artificial neural network to perform a particular functioning algorithm, which in turn expands the functionality in terms of implementing various types and models of neural networks, as well as provides wide independence of the functioning algorithm from the hardware architecture of the artificial neuron and makes it possible without changing the electronic circuit or structure of the neural network, create functionally both homogeneous neural networks where all neurons have the same functioning algorithms and heterogeneous neural networks where all or several neurons have different functioning algorithms.
Поставленная задача и технический результат достигаются за счет того, что заявляемый искусственный нейрон является электронной вычислительной машиной, содержащей кроме информационных и модулирующих входов, информационных выходов, вычислительное ядро, состоящее из процессорного устройства, энергонезависимой памяти программы, оперативной памяти и энергонезависимой памяти данных, взаимодействующих между собой через системную шину.The task and technical result are achieved due to the fact that the claimed artificial neuron is an electronic computer, containing, in addition to information and modulating inputs, information outputs, a computing core consisting of a processor device, non-volatile program memory, random access memory and non-volatile data memory interacting between by itself through the system bus.
Предлагаемый искусственный нейрон универсален, т.е. позволяет создавать искусственную нейронную сеть любого типа, в том числе персептроны, когнитроны, реккурентные сети, сверточные сети, сети Хопфилда, сети Кохонена, спайковые сети и т.д.The proposed artificial neuron is universal, i.e. allows you to create an artificial neural network of any type, including perceptrons, cognitrons, recurrence networks, convolutional networks, Hopfield networks, Kohonen networks, spike networks, etc.
Предлагаемый искусственный нейрон имеет один или более информационных входов, один или более модулирующих входов и один или более информационных выходов. Через информационные и модулирующие входы и информационные выходы искусственный нейрон соединяется с другими искусственными нейронами или иными устройствами для обмена данными, образуя искусственную нейронную сеть.The proposed artificial neuron has one or more information inputs, one or more modulating inputs and one or more information outputs. Through informational and modulating inputs and informational outputs, an artificial neuron is connected to other artificial neurons or other devices for data exchange, forming an artificial neural network.
Вычислительное ядро предлагаемого искусственного нейрона может иметь в своем составе аналого-цифровые преобразователи на информационных и модулирующих входах и цифро-аналоговые преобразователи на информационных выходах, что позволяет заявляемому устройству работать с аналоговыми сигналами. Также информационные входы и модулирующие входы могут принимать сигналы через оптические приемники, а информационные выходы могут передавать сигналы через оптические передатчики. Это обеспечивает искусственному нейрону возможность приема и передачи данных через оптические каналы связи, например через оптоволоконные линии.The computing core of the proposed artificial neuron may include analog-to-digital converters on information and modulating inputs and digital-to-analog converters on information outputs, which allows the claimed device to work with analog signals. Also, information inputs and modulating inputs can receive signals through optical receivers, and information outputs can transmit signals through optical transmitters. This provides the artificial neuron with the ability to receive and transmit data through optical communication channels, for example via fiber optic lines.
Процессорное устройство выполняет машинные инструкции, записанные в виде кода программы, и может иметь любую возможную архитектуру, в том числе CISC, RISC, MISC, URISC.The processor device executes machine instructions written in the form of program code, and can have any possible architecture, including CISC, RISC, MISC, URISC.
Энергонезависимая память программы хранит машинный код программы, реализующий алгоритм функционирования искусственного нейрона.Non-volatile program memory stores machine program code that implements an artificial neuron functioning algorithm.
Оперативная память позволяет хранить выполняемый машинный код программы, а также входные, выходные и промежуточные данные, обрабатываемые процессорным устройством, в том числе кратковременное значение уровня выходного сигнала.RAM allows you to store the executable machine code of the program, as well as input, output and intermediate data processed by the processor device, including a short-term value of the output signal level.
Энергонезависимая память данных обеспечивает долговременное хранение данных, в том числе долговременное значение уровня выходного сигнала.Non-volatile data memory provides long-term storage of data, including long-term value of the output signal level.
В свою очередь, структуры энергонезависимой памяти программы, энергонезависимой памяти данных и оперативной памяти могут быть организованы по любой возможной архитектуре, в том числе по фон-неймановской и гарвардской.In turn, the structure of non-volatile program memory, non-volatile data memory and RAM can be organized according to any possible architecture, including von Neumann and Harvard.
Системная шина обеспечивает обмен данными между информационными и модулирующими входами, информационными выходами, процессорным устройством, энергонезависимой памятью программы, оперативной памятью и энергонезависимой памятью данных.The system bus provides data exchange between information and modulating inputs, information outputs, a processor device, non-volatile program memory, random access memory and non-volatile data memory.
Алгоритм функционирования искусственного нейрона может целиком задаваться в загружаемой программе или частично задаваться в загружаемой программе и частично - в виде логической структуры вычислительного ядра.The artificial neuron functioning algorithm can be set entirely in a loaded program or partially set in a loaded program and partially in the form of a logical structure of a computing core.
Заявляемое изобретение поясняется на схеме 1 и схеме 2.The invention is illustrated in
На схеме 1 дана структурная схема заявляемого устройства.In diagram 1 is a structural diagram of the inventive device.
Схема содержит следующие блоки:The circuit contains the following blocks:
Информационные входы - 1;Information inputs - 1;
Модулирующие входы - 2;Modulating inputs - 2;
Информационные выходы - 3;Information outputs - 3;
Вычислительное ядро - 4;Computing core - 4;
Процессорное устройство - 5;Processor device - 5;
Энергонезависимая память программы - 6;Non-volatile program memory - 6;
Оперативная память - 7;RAM - 7;
Энергонезависимая память данных - 8;Non-volatile data memory - 8;
Системная шина - 9.System bus - 9.
На схеме 2 дана структурная схема заявляемого устройства с наличием аналого-цифровых преобразователей и цифро-аналоговых преобразователей:Figure 2 shows a structural diagram of the inventive device with the presence of analog-to-digital converters and digital-to-analog converters:
Аналого-цифровой преобразователь - 10;Analog-to-digital converter - 10;
Цифро-аналоговый преобразователь -11.Digital-to-analog converter -11.
На схеме 3 дана структурная схема заявляемого устройства с наличием оптических приемников и оптических передатчиков:Figure 3 gives a structural diagram of the inventive device with the presence of optical receivers and optical transmitters:
Оптические приемники - 12;Optical receivers - 12;
Оптические передатчики -13.Optical Transmitters -13.
Заявляемое устройство реализуется следующим образом. В вычислительное ядро (4) подается питание. В энергонезависимую память программы (6) загружается программа, описывающая алгоритм функционирования искусственного нейрона, который представляет собой последовательность машинных инструкций. Обмен данными между всеми узлами вычислительного ядра осуществляется через системную шину (9). Программа считывается процессорным устройством (5) для последующего исполнения.The inventive device is implemented as follows. The computing core (4) is powered. The program describing the functioning algorithm of an artificial neuron, which is a sequence of machine instructions, is loaded into the non-volatile memory of program (6). Data exchange between all nodes of the computing core is carried out through the system bus (9). The program is read by the processor device (5) for subsequent execution.
Согласно стандартному алгоритму функционирования нейрона поступивший на информационный вход (1) сигнал распознается процессорным устройством (5) на тип и, в зависимости от результата распознавания, классифицируется на возбуждающий или тормозящий тип данных, определяется его уровень.According to the standard algorithm for the functioning of a neuron, the signal received at the information input (1) is recognized by the processor device (5) as a type and, depending on the recognition result, classified into an exciting or inhibitory data type, its level is determined.
Таким же образом обрабатываются сигналы на других имеющихся информационных входах (1).In the same way, signals are processed at other available information inputs (1).
Уровни поступивших на информационные входы (1) тормозящих и возбуждающих сигналов, которые ниже порога генерации потенциала действия, сохраняются процессорным устройством (5) в ячейках оперативной памяти (7) с последующим затуханием. Чувствительность информационного входа (1), типология поступающих сигналов и темп затухания их уровней задается в программе в виде констант.The levels of the inhibitory and exciting signals received at the information inputs (1), which are lower than the action potential generation threshold, are stored by the processor device (5) in the memory cells (7) with subsequent attenuation. The sensitivity of the information input (1), the typology of the incoming signals and the attenuation rate of their levels are set in the program in the form of constants.
Если сигнал имеется лишь на одном информационном входе (1) и принятый сигнал является возбуждающим и имеет уровень, равный порогу генерации потенциала действия или выше этого порога, то процессорное устройство (5) приступает к генерации выходящего сигнала, называемого потенциалом действия.If the signal is available at only one information input (1) and the received signal is exciting and has a level equal to or higher than the threshold for generating an action potential, then processor device (5) proceeds to generate an output signal called an action potential.
Значение порога, при котором искусственный нейрон генерирует потенциал действия, задается в программе в виде константы.The threshold value at which an artificial neuron generates an action potential is specified in the program as a constant.
Если сигналы имеются на нескольких информационных входах (1) или последующие сигналы поступили до полного затухания первого поступившего сигнала, то процессорное устройство (5) производит алгебраическое суммирование входящих сигналов, суть которого заключается в вычислении разности сумм возбуждающих и тормозящих сигналов. Если результат суммирования сигналов равен порогу генерации потенциала действия или выше его, то процессорное устройство (5) приступает к генерации потенциала действия.If signals are available at several information inputs (1) or subsequent signals arrived before the first incoming signal is completely attenuated, then the processor device (5) performs an algebraic summation of the incoming signals, the essence of which is to calculate the difference between the sums of the exciting and inhibitory signals. If the result of the summation of the signals is equal to or higher than the threshold for generating the action potential, then the processor device (5) proceeds to generate the action potential.
Затем процессорным устройством (5) опрашиваются модулирующие входы (2). Каждый модулирующий вход (2) управляет своим конкретным информационным выходом (3). Если нет сигнала на модулирующем входе (2), то сигнал сгенерированного потенциала действия выводится на информационный выход (3) без изменений на основе текущих установок уровня данного информационного выхода (3).Then, the processor device (5) interrogates the modulating inputs (2). Each modulating input (2) controls its specific information output (3). If there is no signal at the modulating input (2), then the signal of the generated action potential is output to the information output (3) without changes based on the current level settings of this information output (3).
Если же сигнал на модулирующем входе (2) имеется, то сигнал распознается на тип, классифицируется, определяется его уровень и в зависимости от этого уровня процессорное устройство (5) модулирует уровень потенциала действия и выводит его через зависимый от данного модулирующего входа (2) информационный выход (3). Уровень модулирования для данного информационного выхода (3) сохраняется процессорным устройством (5) в оперативной памяти (7) на определенное короткое время, затем уровень приходит к начальным установкам. Если сигнал одного уровня периодически повторяется заданное число раз на одном модулирующем входе (2), то уровень модулирования зависимого информационного выхода (3) сохраняется процессорным устройством (5) в энергонезависимую память данных (8). Таким образом, эмулируется кратковременная и долговременная память биологического нейрона.If there is a signal at the modulating input (2), the signal is recognized by type, classified, its level is determined and, depending on this level, the processor device (5) modulates the level of the action potential and outputs it through the information signal dependent on this modulating input (2) output (3). The modulation level for this information output (3) is stored by the processor device (5) in the RAM (7) for a certain short time, then the level comes to the initial settings. If a signal of one level is periodically repeated a predetermined number of times on one modulating input (2), then the modulation level of the dependent information output (3) is stored by the processor device (5) in a non-volatile data memory (8). Thus, short-term and long-term memory of a biological neuron is emulated.
После завершения модуляции потенциал действия выводится через информационные выходы (3).After modulation is completed, the action potential is output through the information outputs (3).
При реализации заявляемого устройства, снабженного аналого-цифровыми (10) и цифро-аналоговыми преобразователями (11), искусственный нейрон принимает аналоговые сигналы через информационные входы (1) и модулирующие входы (2). После чего аналоговый сигнал поступает в аналого-цифровой преобразователь (10) и оцифровывается. Оцифрованный сигнал поступает в процессорное устройство (5) и обрабатывается по вышеописанной схеме, а выходящий сигнал сгенерированного потенциала действия поступает в цифро-аналоговый преобразователь (11) и преобразуется в аналоговый сигнал, который выводится через информационные выходы (3).When implementing the inventive device equipped with analog-to-digital (10) and digital-to-analog converters (11), an artificial neuron receives analog signals through information inputs (1) and modulating inputs (2). After that, the analog signal enters the analog-to-digital converter (10) and is digitized. The digitized signal enters the processor device (5) and is processed as described above, and the output signal of the generated action potential enters the digital-to-analog converter (11) and is converted into an analog signal, which is output through the information outputs (3).
При реализации искусственного нейрона, принимающего и передающего данные через оптические каналы связи, входящие сигналы поступают по оптическому каналу связи в виде света на входной оптический приемник (12), представляющий собой фотоэлемент, а выходящий сигнал сгенерированного потенциала действия поступает на оптический передатчик (13), представляющий собой светоизлучатель, который преобразует сигнал в свет.When implementing an artificial neuron that receives and transmits data via optical communication channels, incoming signals are transmitted through the optical communication channel in the form of light to the input optical receiver (12), which is a photocell, and the output signal of the generated action potential is fed to the optical transmitter (13), which is a light emitter that converts a signal into light.
Таким образом, заявляемое изобретение обеспечивает наиболее полное эмулирование функционирования биологического нейрона, а его универсальность и многократность применения дает существенную экономию аппаратных ресурсов.Thus, the claimed invention provides the most complete emulation of the functioning of a biological neuron, and its versatility and repeated use gives significant savings in hardware resources.
Claims (5)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014144600/08A RU2604331C2 (en) | 2014-11-05 | 2014-11-05 | Artificial neuron (versions) |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014144600/08A RU2604331C2 (en) | 2014-11-05 | 2014-11-05 | Artificial neuron (versions) |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2014144600A RU2014144600A (en) | 2016-05-27 |
RU2604331C2 true RU2604331C2 (en) | 2016-12-10 |
Family
ID=56095751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014144600/08A RU2604331C2 (en) | 2014-11-05 | 2014-11-05 | Artificial neuron (versions) |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2604331C2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026627A1 (en) * | 2017-07-20 | 2019-01-24 | Samsung Electronics Co., Ltd. | Variable precision neuromorphic architecture |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1171773A1 (en) * | 1983-05-03 | 1985-08-07 | Предприятие П/Я Г-4659 | Model of neuron |
JPH0589266A (en) * | 1991-09-27 | 1993-04-09 | Olympus Optical Co Ltd | Neuron element and neural network circuit |
EP0629969A1 (en) * | 1993-06-14 | 1994-12-21 | Motorola, Inc. | Artificial neuron and method of using same |
RU2034332C1 (en) * | 1992-12-11 | 1995-04-30 | Вадим Владимирович Борисов | Neuron model |
US6754646B1 (en) * | 2001-09-25 | 2004-06-22 | Ruibo Wang | Optical pulse-coupled artificial neurons |
-
2014
- 2014-11-05 RU RU2014144600/08A patent/RU2604331C2/en not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1171773A1 (en) * | 1983-05-03 | 1985-08-07 | Предприятие П/Я Г-4659 | Model of neuron |
JPH0589266A (en) * | 1991-09-27 | 1993-04-09 | Olympus Optical Co Ltd | Neuron element and neural network circuit |
RU2034332C1 (en) * | 1992-12-11 | 1995-04-30 | Вадим Владимирович Борисов | Neuron model |
EP0629969A1 (en) * | 1993-06-14 | 1994-12-21 | Motorola, Inc. | Artificial neuron and method of using same |
US6754646B1 (en) * | 2001-09-25 | 2004-06-22 | Ruibo Wang | Optical pulse-coupled artificial neurons |
Also Published As
Publication number | Publication date |
---|---|
RU2014144600A (en) | 2016-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Popescu et al. | Multilayer perceptron and neural networks | |
CN109376855B (en) | Optical neuron structure and neural network processing system comprising same | |
CN109784486A (en) | A kind of optical neural network processor and its training method | |
KR101700145B1 (en) | Automated method for modifying neural dynamics | |
Ahn | Some new results on stability of Takagi–Sugeno fuzzy Hopfield neural networks | |
Bai et al. | Finite-time stability analysis of discrete-time fuzzy Hopfield neural network | |
EP3097517A1 (en) | Monitoring neural networks with shadow networks | |
Brink et al. | Computing with networks of spiking neurons on a biophysically motivated floating-gate based neuromorphic integrated circuit | |
CN109784485A (en) | A kind of optical neural network processor and its calculation method | |
Dominguez-Morales et al. | Multilayer spiking neural network for audio samples classification using SpiNNaker | |
Sharp et al. | Correctness and performance of the SpiNNaker architecture | |
JP2023543297A (en) | Adaptation of SNN with transient synchrony | |
Schuman et al. | Dynamic adaptive neural network arrays: a neuromorphic architecture | |
RU2604331C2 (en) | Artificial neuron (versions) | |
RU2579958C1 (en) | Artificial neuron | |
CN113222134B (en) | Brain-like computing system, method and computer readable storage medium | |
Банных et al. | An artificial neural network | |
Wu et al. | C-ELM: A curious extreme learning machine for classification problems | |
CN113887712A (en) | Bionic dynamic neural network and learning method and application thereof | |
Zins et al. | Reproducing Fear Conditioning of Rats with Unmanned Ground Vehicles and Neuromorphic Systems | |
CA2898216A1 (en) | Methods and systems for implementing deep spiking neural networks | |
Dmitriev et al. | Analysis of time-delay photonic reservoirs for neuromorphic computing | |
Zapata et al. | Synfire chain emulation by means of flexible SNN modeling on a SIMD multicore architecture | |
Khan et al. | Developmental plasticity in cartesian genetic programming based neural networks | |
Galán-Prado et al. | Smart hardware implementation of spiking neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20171106 |
|
NF4A | Reinstatement of patent |
Effective date: 20181210 |
|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20191106 |