【技术实现步骤摘要】
【国外来华专利技术】脉冲神经网络
本公开一般涉及组成脉冲神经网络。本公开更具体地但非专门地涉及组成由脉冲神经元构建的模式识别器,以及一种用于使用独特的响应方法以组成方式构建脉冲神经网络的系统和方法。
技术介绍
自动信号识别(ASR)是指通过识别信号的构成特征来识别信号。ASR被用于一系列的应用中,例如在语音/话音识别系统中识别说话人语音和口语、在心电图(ECG)中识别心律失常、在运动控制系统中确定手势的形状,等等。ASR通常通过表征输入信号的短样本中存在的模式来执行,并因此准确的模式识别能力是有效ASR系统的基础。测量一些物理量以导出用于ASR系统的输入信号可能需要融合来自多种类型传感器的数据。例如,使用手持输入装置识别手势可能需要融合来自加速度计的数据以测量运动,以及融合来自陀螺仪的数据以测量取向。组合来自这两个传感器的数据使得能够在三维空间中检测手势。一般来说,数据融合是指整合从不同的并且可能是异质的来源收集的数据,以便降低对来自那些单独来源的数据的解释的不确定性。重要的是,在融合过程期间,不同输入信号中的基本特征在经融合的信号中得到充分表现。模式识别和融合通常使用微处理器和/或数字信号处理器执行,两者都实现了存储程序架构。这种架构对于分析流式数据来说是本质上是低效的。在单个处理器上,模式的提取和识别是顺序进行的。这是因为模式提取和识别是按照通用的简单指令集(例如RISC或CISC指令集)来实现的,从而导致针对信号样本中的每个模式的冗长的执行次序。输入信号中的复杂模式需要使用更复杂的信号处理算法,在需要来自模 ...
【技术保护点】
1.一种用于对输入模式信号进行分类的脉冲神经网络,包括以硬件或硬件和软件的组合实现的多个脉冲神经元,与将所述脉冲神经元互连以形成所述网络的多个突触元件,/n其中每个突触元件适于接收突触输入信号并向所述突触输入信号施加权重以生成突触输出信号,所述突触元件被配置为调整每个突触元件施加的所述权重,以及/n其中所述脉冲神经元中的每个适于从所述突触元件中的一个或多个接收所述突触输出信号中的一个或多个,并响应于所接收的一个或多个突触输出信号生成时空脉冲序列输出信号,/n其中所述脉冲神经网络包括第一子网络,所述第一子网络包括所述脉冲神经元的第一子集,所述脉冲神经元的第一子集被连接以从所述突触元件的第一子集接收突触输出信号,/n其中所述第一子网络适于响应于施加到所述突触元件的第一子集的子网络输入模式信号,从所述脉冲神经元的第一子集生成子网络输出模式信号,以及/n其中,通过在所述子网络输入模式信号的训练集上训练所述子网络来配置所述突触元件的第一子集的所述权重,使得所述子网络输出模式信号对于所述训练集的每个独特的子网络输入模式信号都是不同的。/n
【技术特征摘要】
【国外来华专利技术】20181118 US 62/768,9271.一种用于对输入模式信号进行分类的脉冲神经网络,包括以硬件或硬件和软件的组合实现的多个脉冲神经元,与将所述脉冲神经元互连以形成所述网络的多个突触元件,
其中每个突触元件适于接收突触输入信号并向所述突触输入信号施加权重以生成突触输出信号,所述突触元件被配置为调整每个突触元件施加的所述权重,以及
其中所述脉冲神经元中的每个适于从所述突触元件中的一个或多个接收所述突触输出信号中的一个或多个,并响应于所接收的一个或多个突触输出信号生成时空脉冲序列输出信号,
其中所述脉冲神经网络包括第一子网络,所述第一子网络包括所述脉冲神经元的第一子集,所述脉冲神经元的第一子集被连接以从所述突触元件的第一子集接收突触输出信号,
其中所述第一子网络适于响应于施加到所述突触元件的第一子集的子网络输入模式信号,从所述脉冲神经元的第一子集生成子网络输出模式信号,以及
其中,通过在所述子网络输入模式信号的训练集上训练所述子网络来配置所述突触元件的第一子集的所述权重,使得所述子网络输出模式信号对于所述训练集的每个独特的子网络输入模式信号都是不同的。
2.根据权利要求1所述的脉冲神经网络,其中每个不同的子网络输出模式信号之间的距离大于预定阈值,所述距离是通过输出模式度量进行测量的。
3.根据前述权利要求中任一项所述的脉冲神经网络,其中所述脉冲神经元和突触元件被配置为使得:通过输出模式度量进行测量的在所述子网络的两个输出模式信号之间的相应距离对于所述训练集的所有子网络输入模式信号被最大化,所述子网络的两个输出模式信号响应于两个相应的不同子网络输入模式信号而生成。
4.根据权利要求3所述的脉冲神经网络,其中每个相应距离被最大化,直到所述输出模式信号至少满足区分所述输入模式信号的特征所需的第一最小灵敏度阈值。
5.根据前述权利要求中任一项所述的脉冲神经网络,其中所述脉冲神经元中的每个被配置为调整所述神经元对所述所接收的一个或多个突触输出信号的响应。
6.根据前述权利要求中任一项所述的脉冲神经网络,其中脉冲由所述脉冲神经元在一个或多个激发时间生成,并且其中所述突触元件的子集和/或所述神经元的子集被配置为使得:为两个不同的子网络输入模式信号而激发的所述神经元的子集的两组激发时间的并集对于所述训练集的所有子网络输入模式信号被最小化。
7.根据权利要求6所述的脉冲神经网络,其中使每个并集最小化,直到所述输出模式信号至少满足区分所述输入模式信号的特征所需的第二最小灵敏度阈值。
8.根据前述权利要求中任一项所述的脉冲神经网络,其中所述网络包括第二子网络,所述第二子网络包括所述脉冲神经元的第二子集,所述脉冲神经元的第二子集被连接以从所述突触元件的第二子集接收突触输出,
其中所述第二子网络适于接收施加到所述突触元件的第二子集的第二子网络输入模式信号,并从所述神经元的第二子集生成对应的第二子网络输出模式信号,以及
其中调整所述突触元件的第二子集的配置,使得所述第二子网络输出模式信号对于所述第二子网络输入模式信号中的每个独特特征都是不同的,
其中所述网络包括第三子网络,所述第三子网络包括所述脉冲神经元的第三子集,所述脉冲神经元的第三子集连接以从所述突触元件的第三子集接收突触输出,
其中所述第一子网络输出模式信号和所述第二子网络输出模式信号是所述第三子网络的输入模式信号,以及
其中调整所述突触元件的第三子集的配置,使得所述第三子网络输出模式信号对于来自所述第一子网络和所述第二子网络两者的所述输入模式信号中的每个独特特征与它们的独特组合都是不同的,使得来自所述第一子网络和所述第二子网络两者的所述输入模式信号中存在的所述特征由所述第三子网络编码。
9.根据权利要求6所述的脉冲神经网络,其中所述第三子网络的突触元件被配置为使得:根据所述特定输入模式的重要性对来自所述第一子网络和所述第二子网络的所述输入模式信号进行加权。
10.根据前述权利要求中任一项所述的脉冲神经网络,其中所述网络包括突触元件和脉冲神经元的多个子网络,为此,所述子网络输出模式信号对于所述子网络输入模式信号中的每个独特特征都是不同的,
其中所述网络能够被划分为在所述网络中具有特定相继次序的多个层,以及
其中所述...
【专利技术属性】
技术研发人员:S·S·库马尔,A·齐亚约,
申请(专利权)人:因纳特拉纳米系统有限公司,
类型:发明
国别省市:荷兰;NL
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。