可变神经元兴奋度的神经网络电路结构制造技术

本发明专利技术公开了可变神经元兴奋度的神经网络电路结构，包括神经网络结构和参数接口模块，神经网络结构与参数接口模块相连接。本发明专利技术可以充分逼近人们在学习时神经元兴奋度的非线性状态；具有自学习能力，能够学习不知道或不确定的系统；所有定量或定性的信息都等势分布贮存于情感神经网络内的各神经元，故有很强的鲁棒性和容错性；采用并行分布处理方法，具有高速寻找优化解的能力，能够发挥计算机的高速运算能力，使得快速进行大量运算成为可能，极大地提高学习效率。

Neural Network Circuit Structure with Variable Neuron Excitability

The invention discloses a neural network circuit structure of variable neuron excitability, including a neural network structure and a parameter interface module, and the neural network structure is connected with a parameter interface module. The present invention can fully approximate the non-linear state of excitability of neurons in learning; has self-learning ability and can learn unknown or uncertain systems; all quantitative or qualitative information is equipotentially distributed in the neurons stored in the emotional neural network, so it has strong robustness and fault-tolerance; and adopts parallel distribution processing method to find the optimal solution at high speed. Ability, can give full play to the computer's high-speed computing ability, make it possible to quickly carry out a large number of operations, greatly improve learning efficiency.

【技术实现步骤摘要】
可变神经元兴奋度的神经网络电路结构
本专利技术主要涉及人工神经网络的应用，更具体地，本专利技术主要涉及可变神经元兴奋度的神经网络电路结构，此电路结构通过不断的学习，可以提高学习效率，主要适应于学生等具有学习任务的人群。
技术介绍
人工神经网络(ArtificialNeuralNetwork，即ANN)是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依据网络的连接方式、权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。人工神经网络具有四个基本特征：1.非线性。非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。2.非局限性。一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。如联想记忆。3.非凸性。一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。4.非常定性。人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。人工神经网络的特点和优越性，主要表现在三个方面：第一，具有自学习功能。例如实现图像识别时，只需要先把许多不同的图像样板和对应的应该识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。正因为这些优势，人工智能的研究现在很火爆。基于在平时学习中的切实体会，学习者面对一个未知的学习任务时，激动、紧张心情是不可避免的，激动、紧张等因素可以促使大脑活性增强，进而可以快速集中精力和对任务的认知与学习(如一个操作员在面对未知的调控任务时)。最终可以提高学习的效率。
技术实现思路
本专利技术的目的在于提出一种可变神经元兴奋度的神经网络电路结构设计思路。此电路结构主要包括神经网络结构模块和参数接口模块。为实现上述目的，本专利技术采用的技术方案为可变神经元兴奋度的神经网络电路结构，包括神经网络结构和参数接口模块，神经网络结构与参数接口模块相连接。该参数接口模块用来产生一些参数用来包括但不限于的改变某几个输入层神经元到各隐含层神经元之间和隐含层神经元到各输出层神经元之间的权重，但不改变隐含层神经元和输出层神经元的阈值。神经网络结构模块中的神经网络指的是一种包括但不限于用VLSI实现的用于模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。一个经典的神经网络是一个包含三个层次的，即输入层、隐含层和输出层。设计一个神经网络时，输入层与输出层的节点数往往是固定的，中间层则可以自由指定；神经网络结构图中的拓扑与箭头代表着预测过程时数据的流向，跟训练时的数据流有一定的区别；结构图里的关键不是圆圈(代表“神经元”)，而是连接线(代表“神经元”之间的连接)。每个连接线对应一个不同的权重(其值称为权值)，这是需要训练得到的。神经网络模块用于神经网络的实现，以及对训练集的处理。参数接口模块内部由主控单元、参数产生部分、时钟模块、COG段码液晶显示部分、按键控制部分及电源模块组成，参数产生部分、时钟模块、COG段码液晶显示部分、按键控制部分及电源模块均与主控单元连接。参数接口模块直接与神经网络模块的网络权重部分直接相连。人工神经网络中，神经元处理单元表示不同的对象，神经网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。参数接口模块主要是产生一些参数用来包括但不限于的改变某几个输入层神经元到各隐含层神经元之间和隐含层神经元到各输出层神经元之间的权重，但不改变隐含层神经元和输出层神经元的阈值。通过激活函数(Sigmoid函数)常见的S型函数是y＝1/(1+e^(-x))处理后产生神经元的输出。当参数数值较小时，引起权重变小，体现为神经元兴奋度较弱，导致大脑活性弱；当参数数值较大时，引起权重变大，体现为神经元兴奋度较强，导致大脑活性强。本电路结构的具体步骤如下：S1.通过训练集对神经网络芯片进行训练，得到训练好的同步神经网络样本；S2.启动神经网络的参数接口模块，对神经网络中的某几个可变神经元的权值进行改变。通过参数接口模块控制的参数更新得到神经网络可变神经元的传输结果。S3.把正常的训练集以及经过参数接口改变神经网络可变神经元后的训练集进行比对，得出结果。此电路结构通过不断的权值更新，能找到一个最佳的权值范围使神经元兴奋度达到最强，而当可变神经元的兴奋度增强时，导致大脑的活性增强，进而使学习速度加快，最终可以提高学习效率。本专利技术具有的优势：1.可以充分逼近人们在学习时神经元兴奋度的非线性状态；2.具有自学习能力，能够学习不知道或不确定的系统；3.所有定量或定性的信息都等势分布贮存于情感神经网络内的各神经元，故有很强的鲁棒性和容错性；4.采用并行分布处理方法，具有高速寻找优化解的能力，能够发挥计算机的高速运算能力，使得快速进行大量运算成为可能；5.能够同时处理定量、定性知识，极大地提高学习效率。附图说明图1为人工神经网络示意图。图2参数接口模块示意图图3为电路结构图。具体实施方式下面结合附图和具体实施方式对于本专利技术作进一步的说明：如图1所示为人工神经网络示意图，输出层与输入层之间的一层神经元，被称为隐层或隐含层(hiddenlayer)。每层神经元与下一层神经元全互连，神经元之间不存在同层连接，也不存在跨层连接。其中输入层神经元接收外界输入，隐层与输出层神经元对信号进行加工，最终结果由输出层神经元输出；换言之，输入层神经元仅是接受输入，不进行函数处理，隐含层和输出层神经元都是拥有激活函数的功能神经元。如图2所示为参数接口模块示意图，主控单本文档来自技高网...

【技术保护点】
1.可变神经元兴奋度的神经网络电路结构，其特征在于：包括神经网络结构和参数接口模块，神经网络结构与参数接口模块相连接；该参数接口模块用来产生一些参数用来包括但不限于的改变某几个输入层神经元到各隐含层神经元之间和隐含层神经元到各输出层神经元之间的权重，但不改变隐含层神经元和输出层神经元的阈值。

【技术特征摘要】
1.可变神经元兴奋度的神经网络电路结构，其特征在于：包括神经网络结构和参数接口模块，神经网络结构与参数接口模块相连接；该参数接口模块用来产生一些参数用来包括但不限于的改变某几个输入层神经元到各隐含层神经元之间和隐含层神经元到各输出层神经元之间的权重，但不改变隐含层神经元和输出层神经元的阈值。2.根据权利要求1所述的可变神经元兴奋度的神经网络电路结构，其特征在于：神经网络结构模块中的神经网络指的是一种包括用VLSI实现的用于模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型；一个经典的神经网络是一个包含三个层次的，即输入层、隐含层和输出层；设计一个神经网络时，输入层与输出层的节点数往往是固定的，中间层则可以自由指定；神经网络结构图中的拓扑与箭头代表着预测过程时数据的流向，跟训练时的数据流有一定的区别；结构图里的关键不是圆圈，而是连接线；每个连接线对应一个不同的权重，这是需要训练得到的；神经网络模块用于神经网络的实现，以及对训练集的处理。3.根据权利要求1所述的可变神经元兴奋度的神经网络电路结构，其特征在于：参数接口模块内部由主控单元、参数产生部分、时钟模块、COG段码液晶显示部分、按键控制部分及电源模块组成，参数产生部分、时钟模块、COG段码液晶显示部分、按键控制部分及电源模块均与主控单元连接；参数接口模块直接与神经网络模块的网络权重部分直接相连。4.根据权利要求1所述的可变神经元兴奋度的神经网络电路结构，其特征在于：人工神经网络中，神经元处理单元表示...

【专利技术属性】
技术研发人员：侯立刚，闫帅旗，汪子锋，彭晓宏，耿淑琴，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11