[发明专利]神经元权重信息处理方法和系统有效
| 申请号： | 201710042087.2 | 申请日： | 2017-01-20 |
| 公开（公告）号： | CN106875010B | 公开（公告）日： | 2019-11-22 |
| 发明（设计）人： | 裴京;施路平;田雷;吴臻志;邓磊 | 申请（专利权）人： | 清华大学 |
| 主分类号： | G06N3/06 | 分类号： | G06N3/06 |
| 代理公司： | 11606 北京华进京联知识产权代理有限公司 | 代理人： | 王程<国际申请>=<国际公布>=<进入国 |
| 地址： | 100084*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种神经元权重信息处理方法和系统，所述方法包括：接收前端神经元的神经元输出信息，以及与所述神经元输出信息对应的权重索引；根据所述权重索引，读取权重索引信息对应关系，获取权重信息，所述权重索引信息对应关系为权重索引和权重信息之间的对应关系；根据所述权重信息和所述神经元输出信息，获取所述前端神经元的输入信息。神经元之间不再将权重信息直接传递，而是将权重信息的索引进行传递，不但节省了网络之间的传递信息量，并且可以更加灵活的改变权重信息的设置。提高了神经元网络的信息处理能力。 | ||
| 搜索关键词： | 神经元 权重 信息处理 方法 系统 | ||
【主权项】：
1.一种神经元权重信息处理方法，其特征在于，所述方法包括：/n接收前端神经元的神经元输出信息，以及与所述神经元输出信息对应的权重索引，其中，所述权重索引用于当前神经元检索到与所述神经元输出信息对应的权重信息的索引信息，且所述权重索引能够在所述前端神经元和所述当前神经元之间进行直接传递；/n根据所述权重索引，读取权重索引信息对应关系，获取权重信息，所述权重索引信息对应关系为权重索引和权重信息之间的对应关系；/n根据所述权重信息和所述神经元输出信息，获取所述前端神经元的输入信息。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学，未经清华大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710042087.2/，转载请声明来源钻瓜专利网。
- 同类专利
- 用于执行人工神经网络正向运算的装置和方法-201910126275.2
- 刘少礼;郭崎;陈云霁;陈天石 - 中科寒武纪科技股份有限公司
- 2016-01-20 - 2020-02-07 - G06N3/06
- 本申请涉及一种用于执行人工神经网络正向运算的装置，所述装置包括控制器单元、主运算模块、数据通路模块以及从运算模块，使用该装置可以实现多层人工神经网络的正向运算。对于每一层来说，首先对输入神经元数据进行加权求和计算出本层的中间结果向量，再对该中间结果向量加偏置并激活得到输出神经元数据，并将该输出神经元数据作为下一层的输入神经元数据。
- 一种神经元及突触模拟组件-201810808142.9
- 徐志强 - 徐志强
- 2018-07-22 - 2020-02-04 - G06N3/06
- 本发明涉及神经科学领域的一种组合式的神经元及突触模拟组件，包括独立的神经元模拟装置和突触模拟装置，神经元模拟装置和突触模拟装置可通过结构连接件和电气连接件，构建出各种复杂的立体模拟神经网络。本发明可供完全没有电子电路基础的使用者以机械接插的方法，通过简单的连接方式方便灵活的构建各种模拟神经环路，用于演示或研究大脑中枢神经的工作机制。其创新性的电路设计也使所构建的神经网络能够模拟多种神经元以不同神经递质进行工作的复杂神经环路。
- 一种基于随机投影哈希的神经网络压缩方法及系统-201910892214.7
- 沈明珠;徐毅;刘祥龙 - 北京航空航天大学
- 2019-09-20 - 2020-02-04 - G06N3/06
- 本发明公开了一种基于随机投影哈希的神经网络压缩方法及系统。该方法包括如下步骤：在前向传播中，将每个神经网络层的输入特征图和权重矩阵通过投影矩阵进行压缩，计算输出特征图；在后向传播中，根据输出特征图计算神经网络的损失函数，并通过损失函数计算每层的输入特征图和权重矩阵的梯度值；根据第一层的权重矩阵的梯度值更新权重矩阵。该方法能够根据准确率和压缩率的需要，个性化定制压缩因子，具有很高的灵活性。
- 神经网络运算模块和方法-201810042283.4
- 不公告发明人 - 中科寒武纪科技股份有限公司
- 2017-12-11 - 2020-01-17 - G06N3/06
- 本发明公开了一种神经网络运算模块，其映射单元接收到第一输入数据的连接关系数据后，根据该第一输入数据的连接关系数据获取处理后的第一输入数据，运算单元获取处理后的第一输入数据和处理后的第二输入数据后，根据指令控制单元对神经网络运算指令进行译码得到的微指令对处理后的第一输入数据和处理后的第二输入数据进行人工神经网络运算；其中，第一输入数据为输入神经元或者权值，第二输入数据为权值或者输入神经元，且第一输入数据和第二输入数据不一致。采用本发明实施例减小了在进行人工神经网络运算之前译码的工作量，进而减小了额外的开销，并且提高了运算速率。
- 一种面向昆虫机器人的环路控制神经性实验系统-201910917120.0
- 洪慧;冀士宇 - 杭州电子科技大学
- 2019-09-26 - 2020-01-14 - G06N3/06
- 本发明公开了一种面向昆虫机器人的环路控制神经性实验系统。本发明包括刺激和采集背包、昆虫机器人神经信号刺激和采集平台以及昆虫机器人行为记录平台，适用于动物电刺激、神经信号采集和行为分析。对于时钟同步问题，采用IEEE1588设置主从时钟，根据同步消息中的时间戳和主从时钟之间的线路延迟，计算主从时钟的偏差，然后调整相应的时钟；对于数据异构问题，采用XML模型，提取数据属性，根据这些属性和特征对不同信号的数据分类，将来自不同设备的异构数据以统一格式集成到数据模型中。本发明可提高动物行为和神经信号的同步性和昆虫的实时控制能力，能够完成昆虫机器人的精确遥控遥测和环路控制以及神经信号和行为信号的数据采集。
- 高密度神经网络阵列-201780085578.3
- 许富菖;许凯文 - 许富菖;许凯文
- 2017-11-22 - 2019-12-13 - G06N3/06
- 高密度神经网络阵列。在示例性实施例中，一种装置包括具有形成神经网络的多个层的三维(3D)结构。每一层包括形成神经元的一个或多个导体，每个神经元具有神经元输入和神经元输出。该装置还包括突触元件，该突触元件耦合在相邻层中的神经元的神经元输出和神经元输入之间。每个突触元件包括将选择的权重施加到在连接到该突触元件的神经元之间传递的信号的材料。
- 一种可灵活时分复用的脉冲神经元实现架构-201710134085.6
- 马德;沈阳靖 - 杭州领芯电子有限公司
- 2017-03-08 - 2019-12-06 - G06N3/06
- 本发明公开了一种可灵活时分复用的脉冲神经元实现架构。该架构由神经元计算单元、神经元状态存储器和环形存储器构成。神经元计算单元通过时分复用技术由多个神经元共享，在不同时刻实现不同神经元的状态更新，提供硬件资源的利用率；每一个神经元均包含一个状态存储器，用于神经元当前时刻的状态存储；环形存储器用于实现神经元的突触，支持连接权重和延迟两维信息的表示，环形存储器的单元数目决定了神经元连接权重的进度。该架构支持神经元状态存储器与突触环形存储器之间的分享，当所需延迟种类较少时，突触存储器可以被重用为神经元状态存储器，在同样硬件资源条件下，显著扩大神经元规模。
- 一种数据处理系统、方法及介质-201910760143.5
- 董刚;赵雅倩;李仁刚;杨宏斌;刘海威 - 浪潮电子信息产业股份有限公司
- 2019-08-16 - 2019-11-29 - G06N3/06
- 本申请公开了一种数据处理系统、方法及介质，包括卷积运算模块，卷积运算模块包括第一寄存器组、第二寄存器组以及与第一寄存器组和第二寄存器组连接的运算器；第一寄存器组用于获取待处理数据中的本轮待卷积数据，将获取到的本轮待卷积数据传输至运算器，并且在运算器进行本轮卷积运算的过程中，如果待处理数据还未处理完毕，则获取待处理数据中的下一轮待卷积数据并传输至运算器；第二寄存器组用于获取卷积核数据，并将当前获取到的卷积核数据传输至运算器；运算器用于获取所述第一寄存器组传输的每轮待卷积数据，以及获取第二寄存器组传输的卷积核数据，并对获取到的每轮待卷积数据和卷积核数据分别进行卷积运算，以得到相应的卷积运算结果。
- 神经元权重信息处理方法和系统-201710042087.2
- 裴京;施路平;田雷;吴臻志;邓磊 - 清华大学
- 2017-01-20 - 2019-11-22 - G06N3/06
- 本发明涉及一种神经元权重信息处理方法和系统，所述方法包括：接收前端神经元的神经元输出信息，以及与所述神经元输出信息对应的权重索引；根据所述权重索引，读取权重索引信息对应关系，获取权重信息，所述权重索引信息对应关系为权重索引和权重信息之间的对应关系；根据所述权重信息和所述神经元输出信息，获取所述前端神经元的输入信息。神经元之间不再将权重信息直接传递，而是将权重信息的索引进行传递，不但节省了网络之间的传递信息量，并且可以更加灵活的改变权重信息的设置。提高了神经元网络的信息处理能力。
- 专利分类
