RU72084U1 - Доменная нейронная сеть - Google Patents
Доменная нейронная сеть Download PDFInfo
- Publication number
- RU72084U1 RU72084U1 RU2007144359/22U RU2007144359U RU72084U1 RU 72084 U1 RU72084 U1 RU 72084U1 RU 2007144359/22 U RU2007144359/22 U RU 2007144359/22U RU 2007144359 U RU2007144359 U RU 2007144359U RU 72084 U1 RU72084 U1 RU 72084U1
- Authority
- RU
- Russia
- Prior art keywords
- gateway
- inputs
- outputs
- neurons
- network
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 210000002569 neuron Anatomy 0.000 claims abstract description 58
- 239000012634 fragment Substances 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000010365 information processing Effects 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
1. Устройство доменной нейронной сети, в которой имеются нейроны и коммутаторы, причем нейроны имеют один вход и один выход и выполняют функции обработки информации и принятия решения, входы и выходы нейрона соединены с входами и выходами коммутаторов, коммутатор нейронной сети состоит из таблицы связей нейронов, составляющих фрагмент сети, и устройства, передающего информацию между нейронами на основе этой таблицы, входы и выходы коммутатора соединены с входами и выходами других коммутаторов и входами и выходами нейронов сети, в которой фрагменты сети, содержащие соединенные между собой нейроны и коммутаторы, объединены в домены, домены подключены к коммутаторам более высокого уровня, отличающееся тем, что в домен входит шлюз, домен имеет один вход и один выход, которые образованы соответственно внешним входом и внешним выходом шлюза, шлюз имеет один внешний вход и один внешний выход, а также много внутренних входов и внутренних выходов, шлюз содержит таблицу шлюзования, задающую соединение внешнего входа и внешнего выхода шлюза соответственно с внутренними входами и выходами шлюза, а также устройство, принимающее и передающее информацию на основе этой таблицы, внутренние входы и внутренние выходы шлюза подсоединены соответственно к входам и выходам внутренних коммутаторов, нейронов и доменов более низкого уровня, входящих в фрагмент сети, который образует домен.2. Устройство по п.1, отличающееся тем, что при обучении доменной нейронной сети проводят последовательное обучение доменов, входящих в эту сеть, при обучении домена формируется таблица шлюзования.
Description
Заявленное устройство доменной нейронной сети относится к вычислительной технике и может использоваться для создания систем с искусственным интеллектом, сопоставимым по своим возможностям с интеллектом человека, в том числе - автоматических систем управления сложными технологическими процессами, систем автоматического управления авиационной и космической техникой.
Известно устройство нейронных сетей, состоящих из нескольких десятков или сотен нейронов /Л.1-5/. В этих сетях нейрон имеет много входов и много выходов для связи с другими нейронами. Нейрон выполняет прием информации, ее обработку и передачу результата на выход нейрона, масштабирование с выхода нейрона на соответствующие входы других нейронов.
В известных нейронных сетях не решена проблема масштабирования в сети с большим количеством элементов (например, сеть содержит несколько миллионов нейронов). С ростом количества нейронов в сети увеличивается количество линий связи, усложняется работа нейрона и увеличиваются затраты на передачу информации между нейронами.
Наиболее близкой по технической сущности к заявляемой полезной модели является нейронная сеть /Л-6/. Она принята в качестве прототипа. В нейронной сети /Л-6/ имеются два типа элементов - нейроны и коммутаторы. Нейроны имеют один вход и один выход и выполняют функции обработки информации и принятия решения. Коммутаторы имеют много входов и много выходов и перераспределяют информацию между другими коммутаторами и нейронами сети. Коммутатор нейронной сети состоит из таблицы связей нейронов, составляющих фрагмент сети, и устройства, передающего информацию между нейронами на основе этой таблицы. Каждый нейрон имеет свой уникальный адрес в сети, который используется в таблице связей. Недостатком такой нейронной сети является то, что она позволяет объединить до 2n нейронов, где n - количество битов адреса нейрона в сети.
Техническим результатом заявляемой полезной модели является создание нейронных сетей с большим количеством нейронов, сокращение информационных связей между компонентами такой сети, уменьшение затрат на передачу информации между нейронами сети.
Схема заявленного устройства доменной нейронной сети представлена на рис.1.
Доменная нейронная сеть состоит из коммутаторов 2 и доменов 4. Домен имеет один внешний вход и один внешний выход. Домены 4 являются более сложными компонентами сети, чем нейроны. Домен 4 представляет собой фрагмент большой нейронной сети, который реализует выполнение некоторой задачи. Домен 4 включает в себя шлюз 3, внутренние коммутаторы 2 и нейроны 1, а также домены более низкого уровня. Шлюз 3 имеет один внешний вход и один внешний выход, а также много внутренних входов и внутренних выходов. Внешний вход и внешний выход домена образованы соответственно внешним входом и внешним выходом шлюза.
Шлюз содержит таблицу шлюзования и устройство, которое выполняет прием, передачу и перераспределение информации на основе этой таблицы.
Таблица шлюзования задает соединение внешнего входа и внешнего выхода шлюза соответственно с внутренними входами и выходами шлюза.
Внутренние входы и внутренние выходы шлюза подсоединены, соответственно, к входам и выходам внутренних коммутаторов, нейронов и доменов более низкого уровня, входящих в фрагмент сети, который образует домен
Шлюз обеспечивает соединение одного внешнего входа домена с входами внутренних коммутаторов 2, нейронов 1 и доменов более низкого уровня, а также соединение выходов внутренних коммутаторов 2, нейронов 1 и доменов более низкого уровня с одним внешним выходом.
Нейроны сети 1 имеют один вход и один выход. Нейроны выполняют функции обработки информации и принятия решения. Входы и выходы нейрона соединены с входами и выходами внутреннего коммутатора 2.
Коммутаторы сети 2 имеют много входов и выходов. Коммутаторы 2 передают информацию между нейронами 1, а также и доменами более низкого уровня. Коммутатор нейронной сети состоит из таблицы связей нейронов, составляющих фрагмент сети, и устройства, передающего информацию между нейронами на основе этой таблицы. Входы и выходы коммутатора 2 соединены с входами и выходами других коммутаторов и входами и выходами нейронов и доменов более низкого уровня.
Шлюз нейронной сети 3 состоит из таблицы шлюзования и устройства, принимающего, передающего и распределяющего информацию на основе этой таблицы. В таблице шлюзования записаны адреса внутренних нейронов и доменов, входящих в состав этого домена
и масштабные коэффициенты, которые используются при приеме и передаче данных через шлюз между доменами сети.
Доменная нейронная сеть работает следующим образом.
Доменная нейронная сеть состоит из доменов, которые включают в себя фрагменты нейронной сети. В состав домена входят: шлюз, внутренние коммутаторы, нейроны и домены более низкого уровня. Домен имеет только один вход и один выход, которые образованы соответственно внешним входом и внешним выходом шлюза. Шлюзы принимают и передают информацию между доменами сети.
Нейроны получают, запоминают и обрабатывают информацию. Нейрон имеет только один вход и один выход, которые подключены, соответственно, к входам и выходам коммутаторов. Коммутаторы обеспечивают передачу и масштабирование информации между нейронами. Коммутатор может обслужить только некоторое ограниченное количество нейронов и доменов. Для интеграции доменов в единую нейронную сеть, используются шлюзы.
Шлюз имеет один внешний вход и один внешний выход, а также много внутренних входов и внутренних выходов. Число внутренних входов и внутренних выходов шлюза соответствует количеству входов и выходов фрагмента сети, который образует домен. Внутренние входы и выходы шлюзов подключены к внутренним коммутаторам, внутренним нейронам и доменам более низкого уровня.
Вход и выход домена образованы, соответственно, внешним входом и внешним выходом шлюза. Шлюз содержит таблицу шлюзования а также устройство, передающее и принимающее информацию на основе этой таблицы.
Таблица шлюзования задает соединение внешнего входа шлюза и входов внутренних коммутаторов, нейронов и доменов более низкого уровня, а также внешнего выхода шлюза и выходов внутренних коммутаторов, нейронов и доменов более низкого уровня.
При обучении доменной нейронной сети происходит последовательное обучение доменов, входящих в эту сеть. Обучение доменной нейронной сети может быть проведено в два этапа. На первом этапе, учитывая слабую связь доменов между собой, проводится автономное обучение домена, после которого домен способен выполнять задачу с заданным уровнем качества, но автономно, без учета работы других доменов. Это обучение формирует таблицу коммутации внутренних коммутаторов домена. На втором этапе домен обучается взаимодействию с другими доменами. При обучении домена формируется таблица шлюзования.
Такая структура доменной нейронной сети может быть реализована в форме компьютерной сети, содержащей различные (и разнородные) компоненты, в том числе - компьютерные
сети различной топологии, персональные компьютеры, программируемые логические контроллеры, микроконтроллеры, микропроцессоры, датчики, средства измерения и оценки контролируемых параметров, устройства ввода-вывода и хранения информации в цифровом и аналоговом виде и т.д.
Источники информации, принятые во внимание при составлении описания полезной модели:
1. Уоссермен Ф. Нейрокомпьютерная техника. - М.: Мир, 1992. - С.52-69. /Л.-1/
2. Розенблатт Ф. Принципы нейродинамики. - М.: Мир, 1965. - С.242-247. /Л.-2/
3. Хайкин Саймон, «Нейронные сети: полный курс», 2-е изд.: Пер. с англ. - М.: Издательский дом «Вильяме», 2006. - 1104 с. /Л.-3/.
4. Каллан Роберт, «Основные концепции нейронных сетей»: Пер. с англ. - М.: Издательский дом «Вильяме», 2001. - 288 с. /Л.-4/.
5. Эндрю А. Искусственный интеллект. - М.: Мир, 1985. - 246 с. /Л.-5/
6. Кабак И.С., Суханова Н.В. Нейронная сеть. Патент на полезную модель №66 831 опубл. 27.09.2007, Бюл. №27 /Л.-6/
Claims (2)
1. Устройство доменной нейронной сети, в которой имеются нейроны и коммутаторы, причем нейроны имеют один вход и один выход и выполняют функции обработки информации и принятия решения, входы и выходы нейрона соединены с входами и выходами коммутаторов, коммутатор нейронной сети состоит из таблицы связей нейронов, составляющих фрагмент сети, и устройства, передающего информацию между нейронами на основе этой таблицы, входы и выходы коммутатора соединены с входами и выходами других коммутаторов и входами и выходами нейронов сети, в которой фрагменты сети, содержащие соединенные между собой нейроны и коммутаторы, объединены в домены, домены подключены к коммутаторам более высокого уровня, отличающееся тем, что в домен входит шлюз, домен имеет один вход и один выход, которые образованы соответственно внешним входом и внешним выходом шлюза, шлюз имеет один внешний вход и один внешний выход, а также много внутренних входов и внутренних выходов, шлюз содержит таблицу шлюзования, задающую соединение внешнего входа и внешнего выхода шлюза соответственно с внутренними входами и выходами шлюза, а также устройство, принимающее и передающее информацию на основе этой таблицы, внутренние входы и внутренние выходы шлюза подсоединены соответственно к входам и выходам внутренних коммутаторов, нейронов и доменов более низкого уровня, входящих в фрагмент сети, который образует домен.
2. Устройство по п.1, отличающееся тем, что при обучении доменной нейронной сети проводят последовательное обучение доменов, входящих в эту сеть, при обучении домена формируется таблица шлюзования.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2007144359/22U RU72084U1 (ru) | 2007-12-03 | 2007-12-03 | Доменная нейронная сеть |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2007144359/22U RU72084U1 (ru) | 2007-12-03 | 2007-12-03 | Доменная нейронная сеть |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU72084U1 true RU72084U1 (ru) | 2008-03-27 |
Family
ID=48233241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2007144359/22U RU72084U1 (ru) | 2007-12-03 | 2007-12-03 | Доменная нейронная сеть |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU72084U1 (ru) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2398281C2 (ru) * | 2008-11-07 | 2010-08-27 | Учреждение Российской академии наук Институт конструкторско-технологической информатики РАН (ИКТИ РАН) | Многослойная модульная вычислительная система |
| RU2417442C2 (ru) * | 2008-12-19 | 2011-04-27 | Учреждение Российской академии наук Институт конструкторско-технологической информатики РАН (ИКТИ РАН) | Способ построения систем нечеткой логики и устройство для его реализации |
| RU2563161C2 (ru) * | 2013-07-18 | 2015-09-20 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей |
| RU2669527C2 (ru) * | 2013-03-15 | 2018-10-11 | Килур Интеллиджент Системз, Инк. | Сеть интеллектуальных машин |
| RU2777882C2 (ru) * | 2020-10-06 | 2022-08-11 | Общество с ограниченной ответственностью "Айкриэйт" | Система сбора, принятия решений и передачи данных |
-
2007
- 2007-12-03 RU RU2007144359/22U patent/RU72084U1/ru not_active IP Right Cessation
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2398281C2 (ru) * | 2008-11-07 | 2010-08-27 | Учреждение Российской академии наук Институт конструкторско-технологической информатики РАН (ИКТИ РАН) | Многослойная модульная вычислительная система |
| RU2417442C2 (ru) * | 2008-12-19 | 2011-04-27 | Учреждение Российской академии наук Институт конструкторско-технологической информатики РАН (ИКТИ РАН) | Способ построения систем нечеткой логики и устройство для его реализации |
| RU2669527C2 (ru) * | 2013-03-15 | 2018-10-11 | Килур Интеллиджент Системз, Инк. | Сеть интеллектуальных машин |
| US10534995B2 (en) | 2013-03-15 | 2020-01-14 | Qylur Intelligent Systems, Inc. | Network of intelligent machines |
| US11544533B2 (en) | 2013-03-15 | 2023-01-03 | Qylur Intelligent Systems, Inc. | Network of intelligent machines |
| RU2563161C2 (ru) * | 2013-07-18 | 2015-09-20 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей |
| RU2777882C2 (ru) * | 2020-10-06 | 2022-08-11 | Общество с ограниченной ответственностью "Айкриэйт" | Система сбора, принятия решений и передачи данных |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pei et al. | Towards artificial general intelligence with hybrid Tianjic chip architecture | |
| Amravati et al. | A 55nm time-domain mixed-signal neuromorphic accelerator with stochastic synapses and embedded reinforcement learning for autonomous micro-robots | |
| Chakma et al. | Memristive mixed-signal neuromorphic systems: Energy-efficient learning at the circuit-level | |
| Acharya et al. | Dendritic computing: branching deeper into machine learning | |
| CN108268938B (zh) | 神经网络及其信息处理方法、信息处理系统 | |
| Meier | A mixed-signal universal neuromorphic computing system | |
| RU72084U1 (ru) | Доменная нейронная сеть | |
| US20150254553A1 (en) | Learning artificial neural network using ternary content addressable memory (tcam) | |
| JP2016539407A (ja) | 因果顕著性時間推論 | |
| Popov et al. | Analysis of perspective models of artificial neural networks for control of robotic objects | |
| RU66831U1 (ru) | Нейронная сеть | |
| Davies et al. | Population-based routing in the SpiNNaker neuromorphic architecture | |
| RU2417442C2 (ru) | Способ построения систем нечеткой логики и устройство для его реализации | |
| Kull | Further considerations on semiosis in evolution: Arbitrarity plus semiotic fitting, and/or mutability plus natural selection | |
| Afifi et al. | CMOL implementation of spiking neurons and spike‐timing dependent plasticity | |
| Oniz et al. | Variable-structure-systems based approach for online learning of spiking neural networks and its experimental evaluation | |
| Risteski et al. | Single exponential smoothing method and neural network in one method for time series prediction | |
| Chaouiya et al. | Logical modelling of regulatory networks, methods and applications | |
| RU77483U1 (ru) | Ассоциативная память | |
| JPH05165987A (ja) | 信号処理装置 | |
| Ogawa et al. | Self-organizing digital spike maps for learning of spike-trains | |
| Sukhanova et al. | The design of the intellectual model of the quality management systems | |
| Ene et al. | A Java application for the failure rate prediction using feed forward neural networks | |
| RU2604331C2 (ru) | Искусственный нейрон (варианты) | |
| Akash | Artificial intelligence & neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM1K | Utility model has become invalid (non-payment of fees) |
Effective date: 20081204 |