一种基于忆阻器的全域值感知神经元设计

基于忆阻器的阻值可变性和非易失性,提出了一种基于忆阻器的全域值感知神经元设计方案。该全域值感知神经元由全域值忆阻权重模块、输入加权模块、信息融合模块、映射输出模块和反馈控制模块构成。控制全域值忆阻权重模块中忆阻桥式结构的输入电压,权值电压信号线性变化或保持不变,进而能够满足感知神经元训练、测试等的要求。通过一个具体的基于忆阻器的全域值感知神经元,验证了感知神经元可以实现权值的全域值调节。通过逻辑"或"运算实验,进一步验证了基于忆阻器的全域值感知神经元的功能。

感知神经网络的信息传输及电路实现研究

为提高神经元网络信号的传输效率,改善人们对外界刺激的感知能力,本文采用平均互信息量的评价方法,研究了费茨休夫-南云感知神经元模型中信息传输的随机共振现象,探讨了并联单层神经元网络和双层神经元网络的信息处理功能,并用PSpice电路对神经元网络的信息传输进行了实验验证。数值模拟与电路仿真结果表明,FHN神经元并联模型和双层神经元网络具有随机共振现象,在一定的噪声强度范围内,双层神经元网络对输入信号的响应好于单层神经元网络,噪声能够提高神经元网络的输入输出互信息量,平均互信息量的最大值对应最优的传输性能,证明噪声对神经网络信息传输具有增强作用。该研究对感知神经元群体的信息传输具有重要的启示意义。

多个神经振子群网络的相位动力学编码

利用随机相变动力学理论研究运动认知的神经网络动力学模型.给出了感觉神经元集群、中间神经元集群和运动皮层神经元集群在耦合条件下相互作用、相位编码和数密度随时间的演化.探讨了神经网络在自发运动条件下以及在刺激条件下的神经网络动力学响应.通过数值模拟证实了(1)WalterJ.Freeman提出的皮层动力学响应不能够编码外刺激信息的猜想;(2)串行的神经网络系统的神经编码具有节律编码的性质;(3)在中枢神经系统的调控中,神经抑制有其重要的作用.

关于脑信号传输的神经动力学分析

运用随机相变动力学理论和方法建立了一个由感知神经元集群、中间神经元集群和运动皮层神经元集群组成的神经网络模型.依据所建立的模型,分别考察了串并耦合、串联耦合以及单向耦合3种情况下,神经网络所表现的神经信息处理的动力学特征.研究结果表明,由给出的中枢神经系统神经信息处理的基本结构,能够大致反映反射运动和随意运动情况下,神经信息处理的基本特征.数值地证明了随意运动所引发的各个局部神经网络的兴奋,特别是运动皮层神经元集群的兴奋比反射运动条件下的兴奋大得多.反映了随意运动条件下,有更多的神经元参与了神经信息处理和兴奋性同步运动.

一种用于多类模式识别的综合感知器网络和学习算法

提出一种由感知器神经元组合成的综合网络模型及相应的学习算法 .网络由 3层感知器神经元组成 ,中间层到输出层的权值相应地为 +1或 - 1.输入层到中间层的权值通过学习获得 ,且中间层每个神经元的权值单独学习完成 .该学习算法在有限次迭代步骤内终止 .当算法终止时 ,对于可线性划分的多类模式识别问题总是能找到正确的解 .如果还有模式不能识别 ,则说明这是一个不可线性划分的多类模式识别问题 。

混合CNN-HMM的人体动作识别方法

针对当前人体动作识别算法检测精度不佳和实验场景多样性的问题,提出了一种混合卷积神经网络−隐马尔可夫模型(CNN-HMM)的人体动作识别方法。建立了抬腿、深蹲和仰卧臀桥3组分别包含1个标准动作姿态和5个非标准动作姿态的人体康复训练动作模型库,结合可穿戴式惯性动作捕捉系统PN2.0获取实验数据。最后从准确率、灵敏度和特异性3个方面进行性能评估。实验结果表明,该方法能够以较高识别率将6种不同动作姿态区分开,其平均识别准确率为97.00%,相较于单一CNN方法提高了5.78%。

周期性语音信号传输的超阈值随机共振研究

为增强感知神经细胞的功能,对感知神经元中周期性语音信号传输中的超阈值随机共振现象进行研究。实验分析了感知神经元输出与周期性语音信号的互相关系数随噪声强度和神经元数目的增加而变化的非单调关系,证实了神经元中超阈值随机共振现象作为感觉神经信息编码策略的可能性,基于短时Fourier频谱分析表明噪声对于感知神经元输出信号中的基频成分具有增强作用。

FPGA implementation of bit-stream neuron and perceptron based on sigma delta modulation

To solve the excessive huge scale problem of the traditional multi-bit digital artificial neural network（ANN） hardware implementation methods,a bit-stream ANN hardware implementation method based on sigma delta（ΣΔ） modulation is presented.The bit-stream adder,multiplier,threshold function unit and fully digital ΣΔ modulator are implemented in a field programmable gate array（FPGA）,and these bit-stream arithmetical units are employed to build the bit-stream artificial neuron.The function of the bit-stream artificial neuron is verified through the realization of the logic function and a linear classifier.The bit-stream perceptron based on the bit-stream artificial neuron with the pre-processed structure is proved to have the ability of nonlinear classification.The FPGA resource utilization of the bit-stream artificial neuron shows that the bit-stream ANN hardware implementation method can significantly reduce the demand of the ANN hardware resources.

基于雾计算的煤矿全场景监测系统研究

目前煤矿全场景监测系统主要依赖于云计算实现数据处理、存储与决策,云计算需实时处理海量监测信息,严重影响系统决策层的时效性与精确度。针对该问题,提出一种基于雾计算的煤矿全场景监测系统,以神经元感知节点为单元设计雾计算神经网络,缓解云计算数据处理压力。针对基于粒子群优化算法(PSO)的节点部署方法存在过早收敛现象和局部最优解的问题,通过改进的PSO算法优化神经元感知节点部署,实现网络结构优化。仿真结果表明,与经典PSO算法相比,改进PSO算法能够更快寻得最优解,整体通信覆盖率的最优值、最差值和平均值分别提高了3.19%,3.31%,3.25%,具有收敛快速有效、适应性强、稳定性高等优势。