【技术实现步骤摘要】
本专利技术涉及神经形态计算，更具体的说是涉及基于多智能体强化学习的振荡神经网络数字图像识别方法。
技术介绍
1、近年来，数字图像识别技术得到了迅速发展，并在诸如自动驾驶、医疗影像分析、工业检测等多个领域得到了广泛应用。传统的图像识别方法多依赖于卷积神经网络(cnn)等深度学习模型，这些模型虽然性能卓越，但在计算资源和能耗方面存在较大需求，限制了其在资源受限环境中的应用。
2、神经形态计算是受人脑结构和功能启发而发展的
，旨在模拟人脑的神经网络来解决复杂的计算问题。在这一领域中，振荡神经网络(onn)作为一种重要的实现方式，通过模拟人脑神经元的振荡同步行为，为高效的数据处理和模式识别提供了新的可能性。onn利用相位同步来编码信息，有望在降低能耗和提高计算效率方面展现出巨大潜力，特别是在边缘计算领域。
3、onn由于其低能耗和高效计算的特性，被认为是一种有潜力的替代方案。研究者们对onn在数字图像识别中的应用表现出了浓厚兴趣，试图通过onn的独特优势来提升图像识别的效率和准确性。例如，onn已被应用于图像边缘检...
【技术保护点】
1.基于多智能体强化学习的振荡神经网络突触参数优化方法，其特征在于，包括：
2.根据权利要求1所述的基于多智能体强化学习的振荡神经网络突触参数优化方法，其特征在于，确定数字图像对应的存储模式，具体包括：将振荡神经网络需要存储的数字图像转换为二值模式矩阵，-1代表黑色，1代表白色，二值模式矩阵的集合作为最终学习任务。
3.根据权利要求1所述的基于多智能体强化学习的振荡神经网络突触参数优化方法，其特征在于，基于拆分的数字图像识别任务集合，建立多智能体强化学习仿真环境具体包括：
4.根据权利要求3所述的基于多智能体强化学习的振荡神经网络突...
【技术特征摘要】
1.基于多智能体强化学习的振荡神经网络突触参数优化方法，其特征在于，包括：
2.根据权利要求1所述的基于多智能体强化学习的振荡神经网络突触参数优化方法，其特征在于，确定数字图像对应的存储模式，具体包括：将振荡神经网络需要存储的数字图像转换为二值模式矩阵，-1代表黑色，1代表白色，二值模式矩阵的集合作为最终学习任务。
3.根据权利要求1所述的基于多智能体强化学习的振荡神经网络突触参数优化方法，其特征在于，基于拆分的数字图像识别任务集合，建立多智能体强化学习仿真环境具体包括：
4.根据权利要求3所述的基于多智能体强化学习的振荡神经网络突触参数优化方法，其特征在于，对多智能体强化学习进行...
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。