-
公开(公告)号：CN115115039B
公开(公告)日：2025-04-22
申请号：CN202210713374.2
申请日：2022-06-22
Applicant: 重庆大学
Abstract: 本发明公开了一种轻量级片上学习FPGA硬件架构及其设计方法，以脉冲神经网络结构为基础，结合压缩感知规则和Tempotron算法，构建轻量级脉冲神经网络，压缩感知层直接发射脉冲，并在传统的Tempotron算法中加入膜电位和Trace协同复位机制，并以事件驱动的方式进行，提高了计算效率，易于硬件实现。本发明提高了计算速度，降低了硬件资源消耗。
-
公开(公告)号：CN114943329B
公开(公告)日：2024-08-02
申请号：CN202210550195.1
申请日：2022-05-20
Applicant: 重庆大学
Abstract: 本发明公开了一种基于忆阻器的可片上强化学习脉冲GAN模型及设计方法，包括以下步骤：步骤1、选择忆阻器模型，并基于该忆阻器模型设计能实现R‑STDP学习规则的1M4T突触电路；步骤2、构建LIF神经元电路，其中，所述LIF神经元电路采用泄漏累积发射神经元；步骤3、基于1M4T突触电路和LIF神经元电路搭建完整的GAN网络电路，其中，GAN网络电路的生成器和鉴别器均为基于忆阻器crossbar的单层全连接网络，并通过奖惩信号反向传播方法对构建的GAN网络电路进行训练；步骤4、利用GAN网络电路执行图像生成任务进行功能验证。本发明所得的基于忆阻器的可片上强化学习脉冲GAN模型能够实现快速学习并节省存储资源消耗。
-
公开(公告)号：CN116629331A
公开(公告)日：2023-08-22
申请号：CN202310615882.1
申请日：2023-05-29
Applicant: 重庆大学
IPC: G06N3/063 , G06N3/0464 , G06N3/084 , G06N3/049 , G06V10/764 , G06V10/82
Abstract: 本发明涉及人工智能领域和类脑智能芯片领域，具体涉及事件驱动类型芯片中突触权重更新方法、芯片、电子设备，所述方法为：在事件驱动类型芯片的深度卷积神经网络的训练中，采用BP‑STDP学习规则对深度卷积神经网络的卷积层各突触的权重进行更新，采用DFA‑STDP学习规则对深度卷积神经网络的全连接层各突触的权重进行更新。其使得神经形态芯片能够实现最大化的并行计算，大幅度提高处理速度，提升芯片性能。
-
公开(公告)号：CN115115039A
公开(公告)日：2022-09-27
申请号：CN202210713374.2
申请日：2022-06-22
Applicant: 重庆大学
Abstract: 本发明公开了一种轻量级片上学习FPGA硬件架构及其设计方法，以脉冲神经网络结构为基础，结合压缩感知规则和Tempotron算法，构建轻量级脉冲神经网络，压缩感知层直接发射脉冲，并在传统的Tempotron算法中加入膜电位和Trace协同复位机制，并以事件驱动的方式进行，提高了计算效率，易于硬件实现。本发明提高了计算速度，降低了硬件资源消耗。
-
公开(公告)号：CN115018058A
公开(公告)日：2022-09-06
申请号：CN202210801510.3
申请日：2022-07-08
Applicant: 重庆大学
Abstract: 本发明属于微处理器技术领域，具体公开了一种基于简化SDSP算法的轻量级片上学习方法，用于脉冲神经网络的训练，包括:对输入图像进行速率编码，将静态帧图像转成脉冲形式，每个像素点看作突触前神经元；脉冲神经网络的输出层由泄露累积发射神经元组成，其中各神经元为突触后神经元，突触前神经元和突触后神经元采用全连接方式进行连接，其中突触前神经元发射的脉冲为突触前脉冲，突触后神经元发射的脉冲为突触后脉冲；在脉冲神经网络的训练中，依照基于突触后神经元的钙浓度Ca的简化脉冲驱动突触可塑性权重更新方法对各突触的权重进行更新。别发明还公开了基于该方法的系统和处理器。
-
Patent Agency Ranking
公开(公告)号：CN114091663A
公开(公告)日：2022-02-25
申请号：CN202111428757.7
申请日：2021-11-28
Applicant: 重庆大学
Abstract: 本发明属于微处理器技术领域，具体公开一种基于脉冲神经网络的轻量级片上学习方法，对输入图像进行速率编码，将静态帧图像转成脉冲形式，每个像素点看作突触前神经元，脉冲神经网络的输出层由LIF神经元组成，其中各神经元为突触后神经元，突触前神经元和突触后神经元采用全连接方式进行连接，在脉冲神经网络的训练中，依照STDP权重更新学习规则对各突触的权重进行更新；当突触后神经元发射脉冲时，该神经元为获胜神经元，以获胜神经元为中心，根据突触后神经元突触后神经元的棋盘距离，对其他突触后神经元的膜电位进行抑制，最终得到自组织脉冲神经网络。解决了浅层脉冲网路识别率较低的问题。
-
公开(公告)号：CN119416834A
公开(公告)日：2025-02-11
申请号：CN202411385489.9
申请日：2024-09-30
Applicant: 重庆大学
Abstract: 本发明涉及人工智能领域和类脑智能芯片领域，具体涉及一种基于逐层脉冲事件批处理的神经形态处理器，包括微处理核阵列、脉冲AER存储器、脉冲AER循环优先级仲裁器、输出误差AER循环优先级仲裁器和全局控制器；在前向处理阶段引入相对时间概念于脉冲神经元更新计算中；在反向阶段对逐层脉冲事件批处理神经形态处理器的脉冲神经网络进行训练时，采用EO‑DeepTempo学习规则对神经网络的全连接层各突触的权重进行更新。本发明提高了计算效率，减少了计算资源和存储资源。
-
公开(公告)号：CN114065922B
公开(公告)日：2024-10-29
申请号：CN202111428759.6
申请日：2021-11-28
Applicant: 重庆大学
Abstract: 本发明属于微处理器技术领域，具体公开了一种基于脉冲神经网络的实时深度学习方法，其特征在于，包括，在脉冲神经网络的训练中，利用与各隐藏层的权重矩阵对应的随机反传矩阵，将输出层的误差向量映射为各隐藏层的误差向量；所述误差向量基于Tempotron学习规则定义；输出层集各隐藏层利用各自的误差向量基于梯度下降原则更新权重矩阵。基于该方法，本发明还公开了相应的基于脉冲神经网络的实时深度学习方法级处理器，保证图像识别率的同时，满足边缘应用场景的高能效和实时性要求。
-
公开(公告)号：CN115082315A
公开(公告)日：2022-09-20
申请号：CN202210763316.0
申请日：2022-06-30
Applicant: 重庆大学
Abstract: 本发明提出一种低光照小像素CFA采样与边缘计算设备适用的去马赛克方法，包括步骤1：先对原始数据集添加高斯噪声、降低亮度后，通过具有75%透明元素的CFA将RGB图像处理成马赛克图像，并设置训练目标神经网络的参数。步骤2：搭建以UNet++网络作为主框架的神经网络模型。步骤3：根据所述神经网络模型，分两阶段以最小化各自损失函数为目标训练相应的网络模型。步骤4：利用训练好的所述神经网络模型，对待处理图像进行处理，得到去马赛克的图像。本发明在保证适用于小像素彩色滤波整列马赛克图像恢复效果的基础上，优化网络拓扑结构，尽量减小参数量，加速训练时长，同时可以适用于边缘计算设备上的网络部署。
-
公开(公告)号：CN114065922A
公开(公告)日：2022-02-18
申请号：CN202111428759.6
申请日：2021-11-28
Applicant: 重庆大学
Abstract: 本发明属于微处理器技术领域，具体公开了一种基于脉冲神经网络的实时深度学习方法，其特征在于，包括，在脉冲神经网络的训练中，利用与各隐藏层的权重矩阵对应的随机反传矩阵，将输出层的误差向量映射为各隐藏层的误差向量；所述误差向量基于Tempotron学习规则定义；输出层集各隐藏层利用各自的误差向量基于梯度下降原则更新权重矩阵。基于该方法，本发明还公开了相应的基于脉冲神经网络的实时深度学习方法级处理器，保证图像识别率的同时，满足边缘应用场景的高能效和实时性要求。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.02 seconds)
