-
公开(公告)号：CN118095381B
公开(公告)日：2024-10-15
申请号：CN202410197981.7
申请日：2024-02-22
Applicant: 电子科技大学
Abstract: 本发明属于人工智能硬件领域，尤其涉及低延时低能耗脉冲神经网络处理器，包括存储单元、权重变换单元、脉冲解码单元、脉冲计算阵列、脉冲转换单元、脉冲编码压缩单元和主控制器。在权重变换单元将FS神经元模型和定点量化原理结合，将膜电位到脉冲的转换转变为特定位置上的数据位提取，并将脉冲到膜电位的更新转换为可并行处理的移位加法，使得SNN的时空稀疏特性在硬件上被更加充分的利用。整个计算过程只有移位和加法，可大幅减少计算复杂度。实现了批量神经元的并行处理，可大幅减少计算延迟。在算法对输入稀疏度无特殊要求的情况下，实现了低延时低能耗的脉冲神经网络处理器。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN118133121A
公开(公告)日：2024-06-04
申请号：CN202410279035.7
申请日：2024-03-12
Applicant: 电子科技大学
IPC: G06F18/241 , G06N3/049 , G06N3/084 , G06N3/0985 , G06N5/04
Abstract: 本发明属于人工智能领域，尤其涉及一种基于脉冲神经网络实现快速推理和有效学习的数据分类方法，该方法是在传统FS神经元脉冲神经网络模型的基础上，通过改进FS神经元，并配合FSBP反向传播算法更新权重训练模型，利用训练好的模型完成数据分类。通过在脉冲神经网络训练流程中引入准确度和脉冲数对时间窗K和a自适应调整，使最终得到的网络在推理时同时获得更少脉冲、更短时间窗以降低功耗缩短延时，具有更高准确率。
-
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：CN118095381A
公开(公告)日：2024-05-28
申请号：CN202410197981.7
申请日：2024-02-22
Applicant: 电子科技大学
Abstract: 本发明属于人工智能硬件领域，尤其涉及低延时低能耗脉冲神经网络处理器，包括存储单元、权重变换单元、脉冲解码单元、脉冲计算阵列、脉冲转换单元、脉冲编码压缩单元和主控制器。在权重变换单元将FS神经元模型和定点量化原理结合，将膜电位到脉冲的转换转变为特定位置上的数据位提取，并将脉冲到膜电位的更新转换为可并行处理的移位加法，使得SNN的时空稀疏特性在硬件上被更加充分的利用。整个计算过程只有移位和加法，可大幅减少计算复杂度。实现了批量神经元的并行处理，可大幅减少计算延迟。在算法对输入稀疏度无特殊要求的情况下，实现了低延时低能耗的脉冲神经网络处理器。
-
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。
-
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。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
