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 ...
【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
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。