【技术实现步骤摘要】
本专利技术涉及人工神经网络，尤其是指一种基于类卷积编码的强化前馈神经网络系统。
技术介绍
1、人工智能的迅速发展，大大改变了传统信息处理方式，在图像识别、无人驾驶、极端天气预测等方面展现巨大的优越性。基于传统冯•诺依曼架构的计算系统，因受限于摩尔定律而使得现有算力面临无法避免的挑战。光学平台由于其超快的信息处理速率、超低功耗等显著优势，逐渐成为人工神经网络硬件实施强有力的候选者。但是，光子元件稳定的困难性或是网络固有的复杂性都增加了人工神经网络基于光子器件硬件实施的难度。传统时延型储备池计算是一种典型的简化后的循环神经网络，该结构只有输出层需要进行训练，使其成为一种硬件友好型网络架构。该结构中的反馈环使这种循环神经网络拥有记忆能力以处理时间相关或是序列预测方面的任务，这是传统无反馈的前馈神经网络无法做到的。但是，时延型储备池的反馈结构，也在一定程度上限制了硬件实现和结构扩展，例如，采样周期和反馈时延在这种时延结构中需满足特定的关系。
2、传统的前馈神经网络能在离散数据处理中表现出等效的性能，例如数据恢复或图像分类，但在与时间...
【技术保护点】
1.一种基于类卷积编码的强化前馈神经网络系统，其特征在于：
2.根据权利要求1所述的基于类卷积编码的强化前馈神经网络系统，其特征在于：所述输入层还包括驱动激光器、可变光衰减器和输入层偏振控制器，
3.根据权利要求1所述的基于类卷积编码的强化前馈神经网络系统，其特征在于：所述原始信号经掩码设置，所述掩码设置为二值掩码信号、多值掩码信号或混沌掩码信号。
4.根据权利要求1所述的基于类卷积编码的强化前馈神经网络系统，其特征在于：所述输出层还包括输出层偏振控制器和可编程门阵列，所述隐藏层的输出光通过所述输出层偏振控制器调控所述垂直腔面发射激...
【技术特征摘要】
1.一种基于类卷积编码的强化前馈神经网络系统，其特征在于：
2.根据权利要求1所述的基于类卷积编码的强化前馈神经网络系统，其特征在于：所述输入层还包括驱动激光器、可变光衰减器和输入层偏振控制器，
3.根据权利要求1所述的基于类卷积编码的强化前馈神经网络系统，其特征在于：所述原始信号经掩码设置，所述掩码设置为二值掩码信号、多值掩码信号或混沌掩码信号。
4.根据权利要求1所述的基于类卷积编码的强化前馈神经网络系统，其特征在于：所述输出层还包括输出层偏振控制器和可编程门阵列，所述隐藏层的输出光通过所述输出层偏振控制器调控所述垂直腔面发射激光器的输出光的偏振态；所述光电探测器接收光信号并将光信号转化为电信号，所述可编程门阵列和所述光电探测器的一端连接；所述可编程门阵列接收和训练所述电信号，产生所述隐藏层的输出权重。
5.根据权利要求4所述的基于类卷积编码的强化前馈神经网络系统，其特征在于：所述可编程门阵列基于岭回归算法或线性回归算法训练所述电信号。
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。