-
公开(公告)号：CN110674928B
公开(公告)日：2023-10-27
申请号：CN201910880288.9
申请日：2019-09-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种融合人工神经网络和神经形态计算的在线学习方法，属于机器学习领域，特别是涉及神经网络的学习领域。解决神经网络面对特征变化或者未知数据时正确率下降的问题，需要对神经网络进行在线学习。脉冲神经网络通常采用无监督学习，比起有监督学习，准确率较低，容易在学习错误之后一直向着错误的方向前进。人工神经网络通常采用有监督学习，准确率较高，但是推理和学习功耗较大。因此本专利中提出一种新的方案，使用人工神经网络辅助脉冲神经网络进行在线学习，由于大多数时间采用脉冲神经网络推理和无监督学习，因此功耗较低，同时隔一段时间通过人工神经网络和有监督学习对权值进行修正，因此可以保证较高的准确率。
-
公开(公告)号：CN114504326B
公开(公告)日：2023-07-18
申请号：CN202210048598.6
申请日：2022-01-17
Applicant: 电子科技大学
IPC: A61B5/352 , A61B5/00 , G06F18/213 , G06F18/24
Abstract: 本发明涉及心电信号处理领域，具体为一种心电信号二进制幅度编码方法。该方法先根据实际心电数据设定幅度间隔，并基于设定的幅度间隔选择≥幅度间隔的心电数据进行采样，减少噪声干扰的同时缩短了数据长度。再针对心电信号中体现心脏运动重要特征的心拍幅度、心拍R峰值、相邻两个心拍之间的RR间隔以及相邻两个心拍RR间隔的长度变化进行编码，使其执行相同任务时，与直接导入心电信号不存在任何差异。心电信号编码成二进制0、1比特表示的数据后，将乘法运算简化为加法运算，降低了计算复杂度。由此可见，本发明解决了现有使用神经网络对心电信号进行分类时存在的网络规模和参数量大，致使神经网络学习和推理复杂度高、耗时长的问题。
-
公开(公告)号：CN112016680A
公开(公告)日：2020-12-01
申请号：CN202011135965.3
申请日：2020-10-22
Applicant: 电子科技大学
Abstract: 本发明提供一种可重构的自主学习脉冲神经网络处理器，包括由多个处理单元组成的处理单元阵列及东、南、西、北四个方向的通道；处理单元包括外部路由模块、排序模块、脉冲队列模块、控制器模块、搜索模块、存储器模块、客户端模块、服务器模块、内部路由模块、多个独占计算资源和多个可借用计算资源；处理器采用由脉冲产生时间和源神经元ID组成的脉冲包传输信号；计算资源执行计算的模式分为推理模式和学习模式，采用可重构的电路更新目的神经元膜电位、突触权值相关变量或突触权值；计算资源包括自适应的clock-driven与event-driven计算机制模块，根据更新时间间隔，自适应改变计算单元执行更新计算的计算方式。
-
公开(公告)号：CN116473570A
公开(公告)日：2023-07-25
申请号：CN202210048605.2
申请日：2022-01-17
Applicant: 电子科技大学
Abstract: 本发明属于心电信号采样及脉冲编码领域，具体为一种低功耗心电信号采样及编码装置。该装置利用心电信号各波段的波形特点，通过编码的方式实现心电信号的分类处理。通过串并转换采用的两种不同的转换方式提升了数据处理效率。通过编码模块的差分编码去除心电信号中的无效数据，解决了噪声干扰严重的问题；在进行R峰间距编码时，通过独热编码的方式，使R峰间距数据被压缩了5.5倍。结合幅度数据差分编码中对0数据的处理，实现了整个数据分类处理速度的大幅度提升，且整个处理过程所涉及运算极小。与现有技术相比，相较于传统模数转换器在基于时间均匀采样机制下，增加的大量幅度为0的数据点后带来的无效数据影响传输速度的问题。
-
Patent Agency Ranking
公开(公告)号：CN114504326A
公开(公告)日：2022-05-17
申请号：CN202210048598.6
申请日：2022-01-17
Applicant: 电子科技大学
Abstract: 本发明涉及心电信号处理领域，具体为一种心电信号二进制幅度编码方法。该方法先根据实际心电数据设定幅度间隔，并基于设定的幅度间隔选择≥幅度间隔的心电数据进行采样，减少噪声干扰的同时缩短了数据长度。再针对心电信号中体现心脏运动重要特征的心拍幅度、心拍R峰值、相邻两个心拍之间的RR间隔以及相邻两个心拍RR间隔的长度变化进行编码，使其执行相同任务时，与直接导入心电信号不存在任何差异。心电信号编码成二进制0、1比特表示的数据后，将乘法运算简化为加法运算，降低了计算复杂度。由此可见，本发明解决了现有使用神经网络对心电信号进行分类时存在的网络规模和参数量大，致使神经网络学习和推理复杂度高、耗时长的问题。
-
公开(公告)号：CN112016680B
公开(公告)日：2021-02-05
申请号：CN202011135965.3
申请日：2020-10-22
Applicant: 电子科技大学
Abstract: 本发明提供一种可重构的自主学习脉冲神经网络处理器，包括由多个处理单元组成的处理单元阵列及东、南、西、北四个方向的通道；处理单元包括外部路由模块、排序模块、脉冲队列模块、控制器模块、搜索模块、存储器模块、客户端模块、服务器模块、内部路由模块、多个独占计算资源和多个可借用计算资源；处理器采用由脉冲产生时间和源神经元ID组成的脉冲包传输信号；计算资源执行计算的模式分为推理模式和学习模式，采用可重构的电路更新目的神经元膜电位、突触权值相关变量或突触权值；计算资源包括自适应的clock‑driven与event‑driven计算机制模块，根据更新时间间隔，自适应改变计算单元执行更新计算的计算方式。
-
公开(公告)号：CN114781633B
公开(公告)日：2022-10-14
申请号：CN202210683569.7
申请日：2022-06-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种融合人工神经网络与脉冲神经网络的处理器，属于人工智能硬件领域。本发明包括共享存储单元、主控制器、ANN学习控制电路、SNN推理控制电路以及共享计算单元；将ANN学习控制电路输出的权值作为SNN推理控制电路的权值来实现两个神经网络的融合，使该处理器具备高准确率场景下和低功耗环境下两种工作模式。使用时，根据实际场景需求，通过主控制器控制ANN学习控制电路或SNN推理控制电路进行推理，解决了现有的基于神经网络进行信号分类处理无法适用于复杂多变的处理场景的问题，同时提升了低功耗环境下输入监测的准确率。
-
公开(公告)号：CN114781633A
公开(公告)日：2022-07-22
申请号：CN202210683569.7
申请日：2022-06-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种融合人工神经网络与脉冲神经网络的处理器，属于人工智能硬件领域。本发明包括共享存储单元、主控制器、ANN学习控制电路、SNN推理控制电路以及共享计算单元；将ANN学习控制电路输出的权值作为SNN推理控制电路的权值来实现两个神经网络的融合，使该处理器具备高准确率场景下和低功耗环境下两种工作模式。使用时，根据实际场景需求，通过主控制器控制ANN学习控制电路或SNN推理控制电路进行推理，解决了现有的基于神经网络进行信号分类处理无法适用于复杂多变的处理场景的问题，同时提升了低功耗环境下输入监测的准确率。
-
公开(公告)号：CN110674928A
公开(公告)日：2020-01-10
申请号：CN201910880288.9
申请日：2019-09-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种融合人工神经网络和神经形态计算的在线学习方法，属于机器学习领域，特别是涉及神经网络的学习领域。解决神经网络面对特征变化或者未知数据时正确率下降的问题，需要对神经网络进行在线学习。脉冲神经网络通常采用无监督学习，比起有监督学习，准确率较低，容易在学习错误之后一直向着错误的方向前进。人工神经网络通常采用有监督学习，准确率较高，但是推理和学习功耗较大。因此本专利中提出一种新的方案，使用人工神经网络辅助脉冲神经网络进行在线学习，由于大多数时间采用脉冲神经网络推理和无监督学习，因此功耗较低，同时隔一段时间通过人工神经网络和有监督学习对权值进行修正，因此可以保证较高的准确率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
