当前位置: 首页 > 专利查询>清华大学专利>正文

复合模式神经元信息处理方法和系统技术方案

技术编号:15691597 阅读:291 留言:0更新日期:2017-06-24 04:56
本发明专利技术涉及一种复合模式神经元信息处理方法和系统,所述方法包括:读取神经元工作模式配置参数,所述神经元工作模式配置参数包括人工神经元工作模式配置参数或脉冲神经元工作模式配置参数;根据所述神经元工作模式配置参数,配置当前神经元工作模式;接收前端神经元输出信息;读取当前神经元信息;根据所述前端神经元输出信息和所述当前神经元信息,计算当前神经元输出信息;输出所述当前人工神经元输出信息或所述当前脉冲神经元输出信息。本发明专利技术在同一架构下,同时支持人工神经网络和脉冲神经网络,丰富类脑计算平台的处理信息类型,降低了不同神经网络工作模式下多任务执行的成本,并提高了不同神经网络工作模式下的多任务的执行效率。

Composite mode neuron information processing method and system

The invention relates to a composite pattern of neuronal information processing method and system, the method includes: reading the configuration parameters of neurons, the neuronal configuration parameters include artificial neuron configuration parameters or neurons configuration parameters; according to the configuration parameters of neurons, neurons receiving configuration of the current working mode; the front end outputs information; read the current neuron information; according to the front end of the neuron output information and the information of the neurons, calculate the output information of the output neurons; the current neural output information or the information of the current pulse output neurons. The present invention in the same framework, while supporting the artificial neural network and impulsive neural network, rich class of brain information processing platform of the type of calculation, reduces the multi task execution different neural network mode of operation cost, and improve the multi task execution efficiency of different neural network mode.

【技术实现步骤摘要】
复合模式神经元信息处理方法和系统
本专利技术涉及人工神经网络
,特别是涉及复合模式神经元信息处理方法和系统。
技术介绍
如今的人工神经网络研究绝大多数仍是在冯·诺依曼计算机软件并搭配高性能GPGPU(GeneralPurposeGraphicProcessingUnits通用图形处理单元)平台中实现的,整个过程的硬件开销、能耗和信息处理速度都不容乐观。为此,近几年神经形态计算领域迅猛发展,即采用硬件电路直接构建神经网络从而模拟大脑的功能,试图实现大规模并行、低能耗、可支撑复杂模式学习的计算平台。然而,传统的神经形态系统的神经元局限于支持单一的信息处理和传输模式:人工神经网络或脉冲神经网络,从而导致单个任务的神经网络构建成本高,多个任务的神经网络执行效率低。
技术实现思路
基于此,有必要针对需要为不同神经网络工作模式下的任务,构建不同工作模式的神经网络的问题,提供一种复合模式神经元信息处理方法和系统,所述方法包括:读取神经元工作模式配置参数,所述神经元工作模式配置参数包括人工神经元工作模式配置参数或脉冲神经元工作模式配置参数;根据所述神经元工作模式配置参数,配置当前神经元工作模式,所述当前神经元工作模式包括人工神经元工作模式或脉冲神经元工作模式;接收前端神经元输出信息,所述前端神经元输出信息包括前端人工神经元输出信息或前端脉冲神经元输出信息;读取当前神经元信息,所述当前神经元信息包括当前人工神经元信息或当前脉冲神经元信息;根据所述前端神经元输出信息和所述当前神经元信息,计算当前神经元输出信息,包括根据所述前端人工神经元输出信息和所述当前人工神经元信息,计算当前人工神经元输出信息,或根据所述前端脉冲神经元输出信息和所述当前脉冲神经元信息,计算当前脉冲神经元输出信息;输出所述当前人工神经元输出信息或所述当前脉冲神经元输出信息。在其中一个实施例中,所述前端人工神经元输出信息包括:前端人工神经元输出的膜电位信息、前端人工神经元与当前人工神经元的连接权重索引;所述当前人工神经元信息包括:当前人工神经元偏置信息;则所述根据所述前端人工神经元输出的膜电位信息和所述当前人工神经元信息,计算当前人工神经元输出信息,包括:根据所述前端人工神经元与当前人工神经元的连接权重索引,读取前端人工神经元与当前人工神经元的连接权重;根据所述前端人工神经元输出的膜电位信息、所述前端人工神经元与当前人工神经元的连接权重、所述当前人工神经元偏置信息,通过预设的人工神经元激活函数,计算当前人工神经元输出信息。在其中一个实施例中,在根据所述前端人工神经元输出的膜电位信息、所述前端人工神经元与当前人工神经元的连接权重、所述当前人工神经元偏置信息,通过预设的人工神经元激活函数,计算当前人工神经元输出信息的步骤之后,所述方法还包括:读取电位极值,以及与所述电位极值对应的极值神经元标识;将所述当前人工神经元输出信息和所述电位极值进行比较,若所述当前人工神经元输出信息大于或等于所述电位极值,则将所述电位极值更新为所述当前人工神经元输出信息,并将所述极值神经元标识更新为当前人工神经元的标识。在其中一个实施例中,所述输出所述当前人工神经元输出信息,包括:读取第一发放使能标识,所述第一发放使能标识包括允许发放数据或不允许发放数据;当所述第一发放使能标识为允许发放数据时,读取人工神经元发放数据类型参数,所述人工神经元发放数据类型包括:发放所述当前人工神经元输出信息、发放所述电位极值、发放所述电位极值对应的极值神经元标识其中的一种;根据所述人工神经元发放数据类型参数,确定所述当前人工神经元最终输出信息;输出所述当前人工神经元最终输出信息。在其中一个实施例中,所述前端脉冲神经元输出信息包括:前端脉冲神经元输出的脉冲尖端信息、前端脉冲神经元与当前脉冲神经元的连接权重索引;所述当前脉冲神经元信息包括:当前时间窗宽度、当前时间窗内脉冲尖端信息序列、历史膜电位信息和膜电位泄漏信息;则根据所述前端脉冲神经元输出信息和所述当前脉冲神经元信息,计算当前脉冲神经元输出信息,包括:根据所述前端脉冲神经元与当前脉冲神经元的连接权重索引,读取前端脉冲神经元与当前脉冲神经元的连接权重;根据所述前端脉冲神经元输出的脉冲尖端信息,和所述当前时间窗内脉冲尖端信息序列,更新所述当前时间窗内脉冲尖端信息序列,获取当前时间窗内脉冲尖端信息更新序列;根据所述当前时间窗宽度、所述当前时间窗内脉冲尖端信息更新序列,通过衰减函数计算前端脉冲神经元输入信息;根据所述前端脉冲神经元输入信息、所述前端脉冲神经元与当前脉冲神经元的连接权重、所述历史膜电位信息、所述膜电位泄露信息,通过脉冲神经元计算模型,计算当前脉冲神经元输出信息。在其中一个实施例中,在根据所述前端脉冲神经元输入信息、所述前端脉冲神经元与当前脉冲神经元的连接权重、所述历史膜电位信息、所述膜电位泄露信息,通过脉冲神经元计算模型,计算当前脉冲神经元输出信息的步骤之后,在输出所述当前脉冲神经元输出信息的步骤之前,所述方法还包括:获取阈值电位;将所述当前脉冲神经元输出信息和所述阈值电位进行比较,根据比较结果确定发放触发标志信息,所述发放触发标志信息包括:发放触发或发放不触发;当所述发放触发标志信息为发放触发时,复位不应期计时器,并更新所述历史膜电位信息为预设的复位膜电位信息。在其中一个实施例中,在将所述当前脉冲神经元输出信息和所述阈值电位进行比较,根据比较结果确定发放触发标志信息的步骤之后,所述方法还包括:当所述发放触发标志信息为发放不触发时,读取不应期宽度和不应期计时器的当前时间步;根据所述不应期宽度和所述不应期计时器的当前时间步,判断当前时间是否在不应期内,若当前时间在所述不应期内,将所述不应期计时器累加计时一个时间步,不更新所述历史膜电位信息;若当前时间不在所述不应期内,将所述不应期计时器累加计时一个时间步,并更新所述历史膜电位信息为所述当前脉冲神经元输出信息。在其中一个实施例中,所述获取阈值电位,包括:读取随机阈值掩模电位、阈值偏置和随机阈值;将所述随机阈值和所述随机阈值掩模电位进行按位与操作,获取阈值随机叠加量;根据所述阈值随机叠加量和所述阈值偏置,确定所述阈值电位。在其中一个实施例中,所述输出所述当前脉冲神经元输出信息,包括:读取第二发放使能标识,所述第二发放使能标识包括允许发放数据或不允许发放数据,当所述第二发放使能标识为允许发放数据时,读取所述发放触发标志信息,当所述发放触发标志信息为发放触发时;输出所述当前脉冲神经元输出信息。本专利技术提供的复合模式神经元信息处理方法,根据预设的神经元工作模式配置参数,配置相应的人工神经元工作模式,或脉冲神经元工作模式,并在相应的神经元工作模式下,通过接收前端神经元输出信息,和读取当前神经元信息,计算当前人工神经元输出信息或当前脉冲神经元输出信息,并进行输出。本专利技术所提供的复合模式神经元信息处理方法,可以根据任务的需求,配置相应的神经元工作模式,在针对不同的神经网络工作模式下的不同任务间切换时,只需要修改神经元工作模式配置参数即可,不同于仅仅支持人工神经网络模式的神经网络加速器方案,也不同于仅支持脉冲神经网络的神经形态方案,本专利技术可以在同一架构下,同时支持以人工神经网络模式为基础的机器学习应用和以脉冲本文档来自技高网...
复合模式神经元信息处理方法和系统

【技术保护点】
一种复合模式神经元信息处理方法,其特征在于,所述方法包括:读取神经元工作模式配置参数,所述神经元工作模式配置参数包括人工神经元工作模式配置参数或脉冲神经元工作模式配置参数;根据所述神经元工作模式配置参数,配置当前神经元工作模式,所述当前神经元工作模式包括人工神经元工作模式或脉冲神经元工作模式;接收前端神经元输出信息,所述前端神经元输出信息包括前端人工神经元输出信息或前端脉冲神经元输出信息;读取当前神经元信息,所述当前神经元信息包括当前人工神经元信息或当前脉冲神经元信息;根据所述前端神经元输出信息和所述当前神经元信息,计算当前神经元输出信息,包括根据所述前端人工神经元输出信息和所述当前人工神经元信息,计算当前人工神经元输出信息,或根据所述前端脉冲神经元输出信息和所述当前脉冲神经元信息,计算当前脉冲神经元输出信息;输出所述当前人工神经元输出信息或所述当前脉冲神经元输出信息。

【技术特征摘要】
1.一种复合模式神经元信息处理方法,其特征在于,所述方法包括:读取神经元工作模式配置参数,所述神经元工作模式配置参数包括人工神经元工作模式配置参数或脉冲神经元工作模式配置参数;根据所述神经元工作模式配置参数,配置当前神经元工作模式,所述当前神经元工作模式包括人工神经元工作模式或脉冲神经元工作模式;接收前端神经元输出信息,所述前端神经元输出信息包括前端人工神经元输出信息或前端脉冲神经元输出信息;读取当前神经元信息,所述当前神经元信息包括当前人工神经元信息或当前脉冲神经元信息;根据所述前端神经元输出信息和所述当前神经元信息,计算当前神经元输出信息,包括根据所述前端人工神经元输出信息和所述当前人工神经元信息,计算当前人工神经元输出信息,或根据所述前端脉冲神经元输出信息和所述当前脉冲神经元信息,计算当前脉冲神经元输出信息;输出所述当前人工神经元输出信息或所述当前脉冲神经元输出信息。2.根据权利要求1所述的复合模式神经元信息处理方法,其特征在于:所述前端人工神经元输出信息包括:前端人工神经元输出的膜电位信息、前端人工神经元与当前人工神经元的连接权重索引;所述当前人工神经元信息包括:当前人工神经元偏置信息;则所述根据所述前端人工神经元输出的膜电位信息和所述当前人工神经元信息,计算当前人工神经元输出信息,包括:根据所述前端人工神经元与当前人工神经元的连接权重索引,读取前端人工神经元与当前人工神经元的连接权重;根据所述前端人工神经元输出的膜电位信息、所述前端人工神经元与当前人工神经元的连接权重、所述当前人工神经元偏置信息,通过预设的人工神经元激活函数,计算当前人工神经元输出信息。3.根据权利要求2所述的复合模式神经元信息处理方法,其特征在于,在根据所述前端人工神经元输出的膜电位信息、所述前端人工神经元与当前人工神经元的连接权重、所述当前人工神经元偏置信息,通过预设的人工神经元激活函数,计算当前人工神经元输出信息的步骤之后,所述方法还包括:读取电位极值,以及与所述电位极值对应的极值神经元标识;将所述当前人工神经元输出信息和所述电位极值进行比较,若所述当前人工神经元输出信息大于或等于所述电位极值,则将所述电位极值更新为所述当前人工神经元输出信息,并将所述极值神经元标识更新为当前人工神经元的标识。4.根据权利要求3所述的复合模式神经元信息处理方法,其特征在于,所述输出所述当前人工神经元输出信息,包括:读取第一发放使能标识,所述第一发放使能标识包括允许发放数据或不允许发放数据;当所述第一发放使能标识为允许发放数据时,读取人工神经元发放数据类型参数,所述人工神经元发放数据类型包括:发放所述当前人工神经元输出信息、发放所述电位极值、发放所述电位极值对应的极值神经元标识其中的一种;根据所述人工神经元发放数据类型参数,确定所述当前人工神经元最终输出信息;输出所述当前人工神经元最终输出信息。5.根据权利要求1所述的复合模式神经元信息处理方法,其特征在于:所述前端脉冲神经元输出信息包括:前端脉冲神经元输出的脉冲尖端信息、前端脉冲神经元与当前脉冲神经元的连接权重索引;所述当前脉冲神经元信息包括:当前时间窗宽度、当前时间窗内脉冲尖端信息序列、历史膜电位信息和膜电位泄漏信息;则根据所述前端脉冲神经元输出信息和所述当前脉冲神经元信息,计算当前脉冲神经元输出信息,包括:根据所述前端脉冲神经元与当前脉冲神经元的连接权重索引,读取前端脉冲神经元与当前脉冲神经元的连接权重;根据所述前端脉冲神经元输出的脉冲尖端信息,和所述当前时间窗内脉冲尖端信息序列,更新所述当前时间窗内脉冲尖端信息序列,获取当前时间窗内脉冲尖端信息更新序列;根据所述当前时间窗宽度、所述当前时间窗内脉冲尖端信息更新序列,通过衰减函数计算前端脉冲神经元输入信息;根据所述前端脉冲神经元输入信息、所述前端脉冲神经元与当前脉冲神经元的连接权重、所述历史膜电位信息、所述膜电位泄露信息,通过脉冲神经元计算模型,计算当前脉冲神经元输出信息。6.根据权利要求5所述的复合模式神经元信息处理方法,其特征在于,在根据所述前端脉冲神经元输入信息、所述前端脉冲神经元与当前脉冲神经元的连接权重、所述历史膜电位信息、所述膜电位泄露信息,通过脉冲神经元计算模型,计算当前脉冲神经元输出信息的步骤之后,在输出所述当前脉冲神经元输出信息的步骤之前,所述方法还包括:获取阈值电位;将所述当前脉冲神经元输出信息和所述阈值电位进行比较,根据比较结果确定发放触发标志信息,所述发放触发标志信息包括:发放触发或发放不触发;当所述发放触发标志信息为发放触发时,复位不应期计时器,并更新所述历史膜电位信息为预设的复位膜电位信息。7.根据权利要求6所述的复合模式神经元信息处理方法,其特征在于,在将所述当前脉冲神经元输出信息和所述阈值电位进行比较,根据比较结果确定发放触发标志信息的步骤之后,所述方法还包括:当所述发放触发标志信息为发放不触发时,读取不应期宽度和不应期计时器的当前时间步;根据所述不应期宽度和所述不应期计时器的当前时间步,判断当前时间是否在不应期内,若当前时间在所述不应期内,将所述不应期计时器累加计时一个时间步,不更新所述历史膜电位信息;若当前时间不在所述不应期内,将所述不应期计时器累加计时一个时间步,并更新所述历史膜电位信息为所述当前脉冲神经元输出信息。8.根据权利要求6所述的复合模式神经元信息处理方法,其特征在于,所述获取阈值电位,包括:读取随机阈值掩模电位、阈值偏置和随机阈值;将所述随机阈值和所述随机阈值掩模电位进行按位与操作,获取阈值随机叠加量;根据所述阈值随机叠加量和所述阈值偏置,确定所述阈值电位。9.根据权利要求6所述的复合模式神经元信息处理方法,其特征在于,所述输出所述当前脉冲神经元输出信息,包括:读取第二发放使能标识,所述第二发放使能标识包括允许发放数据或不允许发放数据,当所述第二发放使能标识为允许发放数据时,读取所述发放触发标志信息,当所述发放触发标志信息为发放触发时;输出所述当前脉冲神经元输出信息。10.一种复合模式神经元信息处理系统,其特征在于,包括:神经元工作模式读取模块,用于读取神经元工作模式配置参数,所述神经元工作模式配置参数包括人工神经元工作模式配置参数或脉冲神经元工作模式配置参数;神经元工作模式配置模块,用于根据所述神经元工作模式配置参数,配置当前神经元工作模式,所述当前神经元工作模式包括人工神经元工作模式或脉冲神经元工作模式;前端神经元...

【专利技术属性】
技术研发人员:裴京邓磊施路平吴臻志李国齐
申请(专利权)人:清华大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1