检索结果-内蒙古大学图书馆

电子与信息学报 2023年第1期45卷 116-124页

作者：顾晓峰刘彦航虞致国钟啸宇陈轩孙一潘红兵江南大学物联网技术应用教育部工程研究中心电子工程系无锡214122 南京大学电子科学与工程学院南京210023

该文面向基于闪存(Flash)的脉冲卷积神经网络(SCNN)提出一种积分发放(IF)型模拟神经元电路,该电路实现了位线电压箝位、电流读出减法和积分发放功能。为解决低电流读出速度较慢的问题,该文设计一种通过增加旁路电流大幅提高电流读出范... 详细信息

该文面向基于闪存(Flash)的脉冲卷积神经网络(SCNN)提出一种积分发放(IF)型模拟神经元电路,该电路实现了位线电压箝位、电流读出减法和积分发放功能。为解决低电流读出速度较慢的问题,该文设计一种通过增加旁路电流大幅提高电流读出范围和读出速度的方法;针对传统模拟神经元复位方案造成的阵列信息丢失问题,提出一种固定泄放阈值电压的脉冲神经元复位方案,提高了阵列电流信息的完整性和神经网络的精度。基于55 nm互补金属氧化物半导体(CMOS)工艺对电路进行设计并流片。后仿结果表明,在20 μA电流输出时,读出速度提高了100%,在0 μA电流输出时,读出速度提升了263.6%,神经元电路工作状态良好。测试结果表明,在0~20 μA电流输出范围内,箝位电压误差小于0.2 mV,波动范围小于0.4 mV,电流读出减法线性度可达到99.9%。为了研究所提模拟神经元电路的性能,分别通过LeNet和AlexNet对MNIST和CIFAR-10数据集进行识别准确率测试,结果表明,神经网络识别准确率分别提升了1.4%和38.8%。

关键词：闪存脉冲卷积神经网络模拟神经元电路位线箝位高速读出固定泄放阈值电压

来源：评论

学校读者我要写书评

暂无评论

基于脉冲卷积神经网络稀疏表征的高分辨率遥感图像场景分类方法

引用

控制与决策 2022年第9期37卷 2305-2313页

作者：张哲益曹卫华朱蕊胡文凯吴敏中国地质大学(武汉)自动化学院武汉430074 复杂系统先进控制与智能自动化湖北省重点实验室武汉430074 地球探测智能化技术教育部工程研究中心武汉430074

遥感图像场景分类对土地资源管理具有重要意义,然而高分辨率遥感图像中地物分布复杂,图像中存在着与当前场景无关的冗余信息,会对场景的精确分类造成影响.对此,提出一种基于脉冲卷积神经网络(SCNN)稀疏表征的场景分类方法.从稀疏表征出... 详细信息

遥感图像场景分类对土地资源管理具有重要意义,然而高分辨率遥感图像中地物分布复杂,图像中存在着与当前场景无关的冗余信息,会对场景的精确分类造成影响.对此,提出一种基于脉冲卷积神经网络(SCNN)稀疏表征的场景分类方法.从稀疏表征出发,利用脉冲神经元的稀疏脉冲输出特性,设计脉冲卷积神经网络,去除遥感图像中与场景无关的冗余信息,实现对图像的稀疏表征;提出基于脉冲输出交叉熵损失函数的反向传播算法,在该算法的基础上利用梯度下降训练脉冲卷积神经网络,优化网络参数,实现遥感图像场景分类;通过实验验证方法的有效性,将所提出方法应用于Google和UCM两个遥感图像数据集,并与传统的卷积神经网络(CNN)进行对比.实验结果表明,所提出方法可以对遥感图像进行稀疏表征,实现场景分类;相对于卷积神经网络,所提出方法在遥感图像场景分类任务上更具有优势.

关键词：高分辨率遥感图像场景分类稀疏表征脉冲卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

脉冲卷积神经网络VLSI架构设计

脉冲卷积神经网络VLSI架构设计

引用

作者：薛天志中国科学技术大学

学位级别：硕士

近些年来,人工神经网络正成为人工智能领域的一个热门问题。其中卷积神经网络是目前发展最快的神经网络,卷积神经网络对算力要求高,运算量大,导致硬件能耗大。脉冲神经网络作为神经网络的另一个分支,使用脉冲信号传递信息,降低网络运算... 详细信息

近些年来,人工神经网络正成为人工智能领域的一个热门问题。其中卷积神经网络是目前发展最快的神经网络,卷积神经网络对算力要求高,运算量大,导致硬件能耗大。脉冲神经网络作为神经网络的另一个分支,使用脉冲信号传递信息,降低网络运算量,大幅提升能效,但是网络的精度较低。脉冲卷积神经网络综合了卷积神经网络的高精度和脉冲神经网络的高能效特性,最近开始发展起来。忆阻器是一种近年来出现的新型器件,其中阻变存储器(ReRAM)以其非易失性、高频率读写等性质被大量学者用来进行神经形态电路设计,是一种很有未来前景的器件。本文在这种背景下,主要研究内容是设计了一种基于ReRAM/CMOS的脉冲卷积神经网络的硬件加速器。文章主要包括以下几个方面:脉冲卷积神经网络模型构建:一种思路是将CNN的权重转换成脉冲卷积网络中脉冲神经元的权重。本文提出基于蒙特卡洛投点法的归一化算法,相比于传统归一化算法,对LeNet-5网络,当优化目标为时延时,可以在SCNN精度为98.04%的情况下,将时延降低42.3%。当优化目标为精度时,精度最高可以达到98.39%。专用脉冲卷积神经网络加速器架构:根据LeNet-5的结构,设计数据流通路和控制流通路,搭建一种处理对应SCNN的流水线数字电路。数据通路中包括专用神经元处理电路和各层之间的数据缓存电路。专用神经元处理电路由分布式存储的权重模块、加法树、脉冲发射和膜电位复位部分组成。在处理MNIST数据集时,比作为参照的同样拓扑结构的CNN消耗的能量减少约50%。可配置脉动处理阵列VLSI架构:本文提出了一种可配置的脉动处理阵列,在阵列中,一列处理单元可以协作实现任意数目突触的神经元,通过配置阵列中处理单元和连线,整个脉动阵列对一幅输入特征图可以实现列并行和核间并行计算。阵列由输入输出模块、调度器模块和处理单元阵列组成。其中处理单元是基于ReRAM/CMOS的混合电路,CMOS电路部分进行神经元膜电位运算和脉冲发射运算,ReRAM电路部分则负责存储神经元突触权重。使用MNIST数据集进行功耗测试,与传统的CPU、GPU等通用处理器相比,本文提出的处理阵列消耗的能量可以降低两个数量级以上,相比于目前较先进的基于ReRAM的CNN处理架构,消耗的能量相差一个数量级以上。

关键词：脉冲卷积神经网络 ReRAM/CMOS 混合电路 SCNN转换算法

来源：评论

学校读者我要写书评

暂无评论

脉冲卷积神经网络实现技术研究

脉冲卷积神经网络实现技术研究

引用

作者：朱邢秋诺西安电子科技大学

学位级别：硕士

人工神经网络技术是人工智能领域一个重要的研究方向。随着人类对大脑认知的不断加深,人工神经网络需要在保证较高准确率的同时能更好地模拟生物大脑工作机制,而现有的两代人工神经网络无法同时满足这些特性,在此背景下提出一种新型的... 详细信息

人工神经网络技术是人工智能领域一个重要的研究方向。随着人类对大脑认知的不断加深,人工神经网络需要在保证较高准确率的同时能更好地模拟生物大脑工作机制,而现有的两代人工神经网络无法同时满足这些特性,在此背景下提出一种新型的人工神经网络——脉冲卷积神经网络(SCNN)。脉冲卷积神经网络同时具有卷积神经网络的高准确率和脉冲神经网络的高能效性与高计算效率,由于同时具有两代人工神经网络的优点,脉冲卷积神经网络正逐渐得到世界各地的重视。现阶段对于脉冲卷积神经网络的研究刚刚起步,大多数是用计算机程序对其进行模拟仿真。单纯的算法模拟仿真对计算资源要求极高,无法体现出脉冲卷积神经网络的高能效性和高计算效率。而现有的神经网络处理器,大部分只针对卷积神经网络或者脉冲神经网络进行硬件加速,尚无一款专门的神经网络处理器可以对脉冲卷积神经网络进行硬件加速。为了解决上述问题,本文主要研究一种对脉冲卷积神经网络进行硬件加速的可配置神经网络处理器。处理器将神经元按照阵列的方式进行排布,形成神经元阵列,通过对神经元阵列的分时复用和配置,使得处理器可以适应各种不同结构的脉冲卷积神经网络算法,提高了处理器的通用性。通过对控制程序的编写,处理器可以对脉冲卷积神经网络的各种参数进行配置,提高了处理器的灵活性和扩展性。同时,处理器还有多个神经元阵列进行并行运算,大大提高了处理器的运算速度。总体来说,本文提出的处理器具有灵活度高、通用性强、运算速度高等优点。处理器已经在赛灵思公司的Kintex7系列FPGA上实现。处理器采用12位定点数格式进行数据存储与运算,与算法模拟仿真的浮点数制相比,有效减少了存储资源的消耗。本文使用两种测试方式对处理器进行测试,第一种采用MNIST数据集对处理器的性能进行评估,其测试准确率与算法模拟仿真结果相比相差不到2%,并且处理器系统的总功耗仅为0.681w。第二种将摄像头与处理器相结合,构建应用演示系统,通过脉冲卷积神经网络处理器对目标图像进行实时分类,识别准确率达到设计要求。

关键词：脉冲卷积神经网络可配置现场可编程门阵列处理器

来源：评论

学校读者我要写书评

暂无评论

脉冲卷积神经网络加速器的设计与实现

脉冲卷积神经网络加速器的设计与实现

引用

作者：王树泉国防科学技术大学

学位级别：硕士

类脑计算是对人脑进行算法、结构、器件上进行模仿的一种人工智能计算模式。类脑计算理论基于异步神经元脉冲事件，在并行化计算、能效、存算一体等方面具有明显的优势。类脑计算中研究的重点是脉冲神经网络（SpikingNeuralNetwork，SN... 详细信息

类脑计算是对人脑进行算法、结构、器件上进行模仿的一种人工智能计算模式。类脑计算理论基于异步神经元脉冲事件，在并行化计算、能效、存算一体等方面具有明显的优势。类脑计算中研究的重点是脉冲神经网络（SpikingNeuralNetwork，SNN）。由于该网络以脉冲为内部传输信号，能够更好的模拟生物神经元网络信息处理过程，所以被视为人工智能研究的未来，也被称为第三代人工神经网络。但是，经典的脉冲神经网络采用的学习算法为拟生物的无监督算法，该算法本身训练收敛较慢，在复杂数据集下训练得到的网络分类精度并不理想。因此，研究界提出神经网络脉冲化方法，即采用深度学习领域人工神经网络预训练的方式得到权值，而后对人工神经网络进行脉冲化得到脉冲卷积神经网络（SpikingConvolutionalNeuralNetwork，SCNN）。该方法能够有效提高脉冲神经网络的训练速度，提高其复杂数据集下分类精度。但是，由于脉冲卷积神经网络兼具脉冲神经网络与卷积神经网络的特点，硬件加速器在功能上必须既支持神经元膜电位更新和脉冲点火过程，又能够满足卷积操作时序要求。目前，深度学习和类脑计算硬件加速设计领域中大量加速器在设计之初没有考虑这个因素，无法胜任SCNN的硬件加速任务。　　本文主要针对脉冲卷积神经网络推理过程对硬件加速的需求，提出一种基于脉动阵列的加速器，并在FPGAXCVU440上对其进行了实现。具体研究如下：　　1）基于脉动阵列的脉冲卷积神经网络加速器结构、功能模块设计。针对脉冲卷积神经网络算法特点，在设计加速器过程中提出以脉动阵列计算脉冲序列与权值的点积，以便在有限输入带宽条件下提高片上数据利用效率。本课题在脉动阵列单个处理单元设计中以选择器和加法器完成了乘累加操作，有效减少了单个处理单元的硬件复杂度。同时，本课题还对内部数据流动路径、膜电位存储位置使用以及池化操作模块进行了设计优化，进一步提高了加速器内部计算的效率。　　2）脉动阵列数据准备过程的硬件加速设计。针对脉动阵列数据准备过程进行了分析，提出了两步重排解决方案，即先将单次卷积操作对应的像素点组织成块，再将组织好的像素点块按序排列。本课题重点针对将单次卷积操作对应的像素点组织成块过程，提出了基准重排算法，并对其进行了分析。而后，本课题主要采用像素点时空复用的方式对基准重排算法进行了优化，提出了三种重排算法。同时，本课题还对三种重排算法对应的硬件模块在FPGA上进行了实现。　　3）原型系统设计与实验评测。为加快脉冲卷积神经网络加速器功能验证效率，本课题设计提出采用串口作为数据传输通道，在上位机端脉冲卷积神经网络仿真程序中嵌入硬件加速器调用语句的原型系统设计方案。对串口数据通路上位机端数据传输程序进行了编写，在加速器端对传入数据接收模块进行了设计。通过实验对硬件加速器、脉动阵列数据准备硬件重排机制分别进行了性能评测。　　实验表明，本课题所提出的加速器在支持的神经元数目上可以达到4k，支持的突触数目可以达到512k，与同类平台相比密度适中。其工作频率达到200MHz，速度可达到1.5625TOPS，较上位机有670倍的加速。本课题提出的硬件重排机制能够以167MHz频率进行工作，重排操作速度最高达到64.03GOPS，可以至少减少73.39%片间通信量，数据重用率最少达到71%，而功耗不超过5.623W。

关键词：脉冲卷积神经网络类脑计算 FPGA 加速器

来源：评论

学校读者我要写书评

暂无评论

用于脉冲卷积神经网络的神经形态处理VLSI架构设计

引用

微电子学与计算机 2020年第12期37卷 1-5页

作者：汪晶王君鹏孙文昊陈松中国科学技术大学安徽合肥230026

传统的卷积神经网络在训练和识别阶段通常都需要用高能耗的GPU,无法应用到需要小型低功耗设备的移动应用场景中.本文设计了一种用于识别手写体的数字脉冲卷积神经网络神经形态硬件VLSI架构,根据脉冲神经网络设计的神经形态硬件系统只有... 详细信息

传统的卷积神经网络在训练和识别阶段通常都需要用高能耗的GPU,无法应用到需要小型低功耗设备的移动应用场景中.本文设计了一种用于识别手写体的数字脉冲卷积神经网络神经形态硬件VLSI架构,根据脉冲神经网络设计的神经形态硬件系统只有在有输入脉冲到来时硬件才会进行相应处理,从而能达到很低的能耗.在识别MNIST数据集时,卷积神经网络识别精度为99.0%,使用该神经形态硬件的识别精度能达到98.46%.相比于相同硬件结构的传统卷积神经网络,平均能耗大大降低.

关键词：脉冲神经网络脉冲卷积神经网络神经形态硬件手写体数字识别

来源：评论

学校读者我要写书评

暂无评论

基于脉冲卷积神经网络的fMRI数据分类方法研究

基于脉冲卷积神经网络的fMRI数据分类方法研究

引用

作者：白志洋西北师范大学

学位级别：硕士

随着神经成像技术的不断进步,功能性磁共振成像(functional Magnetic Resonance Imaging,fMRI)技术逐渐成为一种主流的成像技术,其具有安全、无创伤性的特点,为人们研究人脑的工作机理和医疗诊断提供了便利。近些年,脑神经科学与机器学... 详细信息

随着神经成像技术的不断进步,功能性磁共振成像(functional Magnetic Resonance Imaging,fMRI)技术逐渐成为一种主流的成像技术,其具有安全、无创伤性的特点,为人们研究人脑的工作机理和医疗诊断提供了便利。近些年,脑神经科学与机器学习的结合日益增多,人们开始探究如何对fMRI数据进行有效处理和分析。然而,由于fMRI数据的高维度特性、时间特性和空间特性,使得研究工作面临极大挑战。fMRI数据的高维度特性使传统的机器学习方法难以对数据特征充分提取。目前的一些深度学习模型,如卷积神经网络,其较高的建模能力使其可以处理一些fMRI的分类问题。但是,由于未充分利用fMRI的时序特性而无法得到较好的分类结果。针对现有存在的问题,本文通过对脉冲响应函数的线性近似,提出基于脉冲序列的脉冲卷积神经网络监督学习算法,并将其应用于fMRI数据分类及神经疾病辅助诊断系统,以准确地识别神经疾病,为病人提供更好的治疗方案,提高诊断和治疗效率。本文的主要研究内容如下:(1)针对传统脉冲神经网络学习过程中可能存在的脉冲函数不可微和梯度爆炸的问题,在脉冲响应模型的基础上提出了两种新的脉冲响应函数:三角线性化突触后电位(Triangle Linear-PSP,TL-PSP)函数和去极线性化突触后电位(Depolarization Linear-PSP,DL-PSP)函数。同时,在新的脉冲响应函数的基础上分别提出了三角线性化脉冲卷积神经网络(Triangle Linear-Spiking Convolutional Neural Network,TL-SCNN)监督学习算法和去极线性化(Depolarization LinearSpiking Convolutional Neural Network,DL-SCNN)监督学习算法。最后,应用脉冲卷积神经网络在CIFAR-10数据集来验证算法性能。实验表明,与传统的脉冲响应模型的监督学习算法相比较,本文提出的两种算法具有较高的识别精度。此外,与其他脉冲卷积神经网络学习算法相比,本文算法仍然有较好表现。(2)针对fMRI数据高维度特性、时间特性和空间特性,提出了一种基于脉冲序列的脉冲卷积神经网络fMRI分类模型,并在ADHD-200数据集上进行了验证。首先,对fMRI数据进行预处理,使用常见的预处理技术提取fMRI图像中的感兴趣脑区。其次,使用前向编码将fMRI图像编码成脉冲序列,结合提出的TLSCNN、DL-SCNN监督学习算法进行训练。所提出的两种模型分别获得了80.2%和78.7%的准确率,同时,还分析了模型参数对分类效果的影响。(3)面向神经疾病的智能化诊断,应用所提的脉冲卷积神经网络fMRI数据分类模型,构建了神经疾病辅助诊断系统。系统中不同用户拥有不同职责,技术人员采集fMRI图像、上传fMRI图像,训练并上传fMRI训练的结果。主治医生通过自己的临床经验判断系统结果是否正确,并对结果进行修正,该系统具有较好的应用价值。

关键词： fMRI分类深度学习脉冲卷积神经网络监督学习神经疾病诊断系统

来源：评论

学校读者我要写书评

暂无评论

基于脉冲卷积神经网络的脑电情绪识别研究

基于脉冲卷积神经网络的脑电情绪识别研究

引用

作者：李晓雪中国石油大学(北京)

学位级别：硕士

在大数据时代,受大脑启发的传统机器学习和深度学习已经在图像、视频和语音识别等领域取得了许多进展,但是与理想的类脑智能还有很大差距。为了实现强人工智能,类脑计算提出一种新的思路,采用更接近生物神经元的脉冲神经元构建脉冲神经... 详细信息

在大数据时代,受大脑启发的传统机器学习和深度学习已经在图像、视频和语音识别等领域取得了许多进展,但是与理想的类脑智能还有很大差距。为了实现强人工智能,类脑计算提出一种新的思路,采用更接近生物神经元的脉冲神经元构建脉冲神经网络,使神经网络在生物可解释性、计算速度、能耗方面更具优势。情绪是人类对客观事物的主观感受,是一种常见的心理活动,情绪识别是人工智能技术的重要应用领域。利用脑电信号进行情绪识别,不易受主观因素的影响,可以更真实地体现人类的情绪状态。由于脑电数据人工判读费时且易出错,近年来众多学者搭建人工神经网络进行情绪识别,但是利用脉冲神经网络进行情绪识别的研究仍处于初期。因此本文研究目标为:构建基于脉冲卷积神经网络的情绪识别模型,并将脉冲卷积神经网络与卷积神经网络对比,证明脉冲神经网络的可行性。本文构建了用于情绪识别的脉冲卷积神经网络。文章使用上海交通大学的公开数据集SEED数据集。首先将原始数据进行预处理和特征提取,构建三维特征矩阵。然后构建脉冲卷积神经网络(SAlex Net),将三维特征输入网络实现分类。实验结果表明,基于脉冲卷积神经网络的SAlex Net模型分类准确率达到90.15%,证明了脉冲卷积神经网络用于情绪识别的可行性。

关键词：情绪识别脉冲卷积神经网络卷积神经网络脑电信号 AlexNet

来源：评论

学校读者我要写书评

暂无评论

类脑脉冲卷积神经网络构建方法研究与FPGA实现

类脑脉冲卷积神经网络构建方法研究与FPGA实现

引用

作者：杨晶重庆大学

学位级别：硕士

神经网络是模拟大脑工作机制的神经形态计算模型。以卷积神经网络为代表的人工神经网络在自动驾驶、医疗诊断等领域获得成功应用,极大地推动了人工智能技术的发展。然而对于功耗和成本受限的嵌入式设备而言,传统卷积神经网络因面向密集... 详细信息

神经网络是模拟大脑工作机制的神经形态计算模型。以卷积神经网络为代表的人工神经网络在自动驾驶、医疗诊断等领域获得成功应用,极大地推动了人工智能技术的发展。然而对于功耗和成本受限的嵌入式设备而言,传统卷积神经网络因面向密集数值计算仍旧无法满足嵌入式智能应用需求。脉冲神经网络利用神经元间稀疏的电脉冲进行信息编码、传输和处理,更逼真地模拟了生物大脑计算过程,具有更高的计算效率。但相比卷积神经网络,面向各种应用的脉冲神经网络研究尚不成熟。面向边缘终端和嵌入式系统,论文研究设计高速、低成本的脉冲卷积神经网络VLSI系统。论文从脉冲神经网络算法模型、VLSI架构和电路设计三个方面展开协同研究,调研了脉冲神经网络的脉冲神经元模型、脉冲神经网络的学习算法以及典型的脉冲神经网络模型,探索卷积神经网络模型脉冲化方法,并在此基础上提出了一种基于时间步的脉冲卷积神经网络算法模型,设计高速、可扩展、低成本脉冲卷积神经网络芯片架构与电路,实现了脉冲卷积神经网络VLSI系统的FPGA原型,并搭建测试平台完成了测试与分析,最后搭建了基于脉冲卷积神经网络IP核的So C系统,并展示其在手势识别的一个简单应用。论文的创新点有:(1)提出了一种基于时间步的二值脉冲的信息表示方法,并结合CNN转换SCNN的方法设计一种TS-SCNN模型,该算法模型具有计算简便的特点,适于硬件实现。(2)基于TS-SCNN计算模型,提出了一种可扩展、高速的脉冲卷积神经网络流式架构。(3)针对硬件计算效率低的问题,设计了多通道并行的细粒度流水的脉冲特征提取电路、移位缓存的行缓存电路,保证系统的实时性同时降低成本。论文设计的脉冲卷积神经网络芯片原型具有高速、低成本和扩展性强的特点。经测试,芯片原型验证系统在100MHz的系统时钟下,以经典的MNIST和FashionMNIST图像数据集作为输入,达到1233帧/秒的处理速度。在XC7Z045 FPGA芯片上综合测试了四种不同模型配置,其中模型配置为3C1F仅消耗74个DSP,功耗约为1.24W。基于脉冲卷积神经网络IP核所搭建的So C系统在手势识别的应用中,识别率达到98%。

关键词：神经形态计算脉冲卷积神经网络 VLSI架构脉冲神经元 FPGA

来源：评论

学校读者我要写书评

暂无评论

基于多注意力的脉冲卷积神经网络学习方法

基于多注意力的脉冲卷积神经网络学习方法

引用

作者：徐宇奇杭州电子科技大学

学位级别：硕士

随着卷积结构在脉冲神经网络中的引入,网络对局部特征的提取能力显著增强,脉冲卷积神经网络(Spiking Convolution Neural Network,SCNN)因此成为在神经形态视觉任务中的研究热点。但由于卷积核的局部视野特性与多核卷积带来的通道维度加... 详细信息

随着卷积结构在脉冲神经网络中的引入,网络对局部特征的提取能力显著增强,脉冲卷积神经网络(Spiking Convolution Neural Network,SCNN)因此成为在神经形态视觉任务中的研究热点。但由于卷积核的局部视野特性与多核卷积带来的通道维度加入,SCNN想要对分布复杂化的脉冲事件做出全局且精准的重要性判断还具有一定的挑战。针对上述问题,本文研究一种多注意力SCNN学习模型,包含由数据驱动的预注意力,以提供全局重要性感知能力;由任务驱动的多维度注意力,以缓解维度复杂化带来的学习压力。具体内容如下:(1)基于数据预处理的SCNN预注意力模型。该模型通过对输入到网络的脉冲数据进行预处理以获取预注意力。首先将获取脉冲事件流重要性的BOE方法改进后用于脉冲图片数据,通过计算脉冲在各样本内被激活的普遍性和在所有样本间被激活的特殊性,从全局视角综合衡量脉冲在空间位置上的不同重要性以获取到预注意力矩阵,然后将该矩阵作用于SCNN的各卷积层,进而解决由卷积局部视野所引起的全局重要性判断能力缺乏的问题。(2)基于任务学习的SCNN多维度注意力模型。该模型通过为SCNN添加注意力模块,帮助网络在任务学习时获取到多维度注意力。首先对脉冲神经网络的时间维度注意力TA-SNN方法加以优化并扩展至其他维度,然后设计多维度注意力模块并加入SCNN中,使网络通过任务学习获取并融合通道、时间与局部二维空间维度的注意力,形成适应SCNN的多维度注意力模型,缓解通道维度参与下的任务学习复杂化问题。(3)基于多注意力的SCNN学习模型。该模型将由数据驱动与任务驱动获得的注意力进行有机结合,从局部与全局、时间与空间各个方面设计注意力融合策略,形成多注意力SCNN学习模型,帮助神经元对散落在复杂维度内的脉冲事件做出全局且精准的重要性判断。最后,本文将上述研究成果应用在多个神经形态视觉任务中,实现了识别精度、收敛速度等方面的显著提升,这验证了本文方法的有效性和高效性。此外,本文通过大量实验深入分析了实现整体性能提升的内在原因。

关键词：脉冲卷积神经网络注意力数据驱动任务驱动全局视野

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：