-
公开(公告)号：CN113642723B
公开(公告)日：2024-05-31
申请号：CN202110863399.6
申请日：2021-07-29
Applicant: 安徽大学
IPC: G06N3/0442 , G06N3/084 , G06N3/065
Abstract: 本发明公开了一种实现原‑异位训练的GRU神经网络电路，所述电路包括3个M+N+1行M列个忆阻器构成的阵列，以及多个模拟乘法器和加法器，其中每个忆阻器阵列的下方均连接有由电阻和运放构成的反向比例电路，每个阵列都形成下方的运算结构；对于左边的忆阻器阵列，每列输出电压经过反向比例电路后输出电压与前一时刻的输出电压经过模拟乘法器后得到结果，该结果再输入至右边忆阻器阵列的横向输入端；前一时刻电压与中间忆阻器阵列每列输出电压经过模拟乘法器运算后，结果输出至加法器；最终加法器输出的电压，用于下一时刻的输入。该电路能够解决GRU神经网络电路异位训练映射误差大，原位训练结构复杂且抗噪能力弱的问题。
-
公开(公告)号：CN113658493B
公开(公告)日：2023-05-02
申请号：CN202110962416.1
申请日：2021-08-20
Applicant: 安徽大学
IPC: G09B23/18
Abstract: 本发明公开一种用于模拟联想记忆的强化学习仿生电路架构，所述电路架构包括MUX，所述MUX上连接有突触模块、控制模块和输出模块，突触模块包括用于模拟输入神经元的方波电压信号，方波电压信号为2n个，其中，n为大于1的整数，控制模块包括控制信号，控制信号为可以为n个，n和控制信号可强化形成2n种不同类型的强化控制信号代表学习方法强化的人群刺激进入2n个突触模块。本发明强化学习仿生电路架构是基于巴甫洛夫联想记忆以及非联想记忆的，它更真实地模拟了人类记忆的特点，这与我们人类的记忆是一致的；通过输入模拟输入神经元的方波电压信号，通过设置控制信号模拟学习方法强化的人群，能够更加全面的模拟人的学习过程。
-
公开(公告)号：CN113971749A
公开(公告)日：2022-01-25
申请号：CN202110960665.7
申请日：2021-08-20
Applicant: 安徽大学
IPC: G06V10/774 , G06N3/063 , G06N3/08
Abstract: 本发明涉及芯片应用领域，公开了一种基于忆阻器的全硬件神经网络实现图像识别装置，所述装置包括：输入模块一、输入模块二和权重模块，所述输入权重模块包括忆阻器和两个反向放大电路，且忆阻器与两个反向放大电路依次电性连接，所述输入模块二输出端连接有减法器，本发明使用忆阻器做为权重，实现存内运算，摆脱了冯诺依曼的存储墙限制，且本发明将忆阻器和两个模拟8选1选择器结合，实现无主机学习，且读写方便。
-
公开(公告)号：CN113469348A
公开(公告)日：2021-10-01
申请号：CN202110684264.3
申请日：2021-06-21
Applicant: 安徽大学
IPC: G06N3/063
Abstract: 本发明公开了一种联想记忆中多次泛化和分化的神经形态电路，包括三个输入信号端IN1、IN2、IN3，一个总输出信号OUT，输入信号端IN1、IN2、IN3定义为三个前神经元，前神经元IN1对应巴甫洛夫联想记忆中的非条件反射信号，前神经元IN2和IN3对应条件反射信号；输入信号经处理后得到对应的三个输出信号OUT1、OUT2、OUT3，再经或门U12后得到总输出信号OUT；其中，或门U12定义为后神经元，总输出信号OUT为后神经元接受刺激后发出的信号。上述电路能仿生巴甫洛夫联想记忆中的多次泛化和彻底分化现象，也能仿生传统巴甫洛夫联想记忆中的学习和遗忘现象，具有广阔的应用前景。
-
公开(公告)号：CN117437481A
公开(公告)日：2024-01-23
申请号：CN202311495995.9
申请日：2023-11-10
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/80 , G06V10/44 , G06N3/049 , G06N10/20
Abstract: 本发明公开了一种脉冲神经网络与量子电路协同图像分类方法及系统，涉及计算机视觉和量子机器学习技术领域，通过将脉冲神经网络和量子电路各自生成的特征向量合并，实现了更全面和准确的特征信息提取，从而显著提高了图像分类的准确性。此方法的另一个关键优势在于其能够更好地捕捉图像中的动态特征，从而提高了对复杂图像的分类能力。此外，结合脉冲神经网络和量子电路的优势，一方面使得特征数据更接近生物大脑的信息处理方式，同时也获得了更高维度的特征信息。这种综合方法还增强了对噪声和变形等干扰的抵抗能力，提高了在复杂环境下的图像分类性能。
-
Patent Agency Ranking
公开(公告)号：CN113642723A
公开(公告)日：2021-11-12
申请号：CN202110863399.6
申请日：2021-07-29
Applicant: 安徽大学
Abstract: 本发明公开了一种实现原‑异位训练的GRU神经网络电路，所述电路包括3个M+N+1行M列个忆阻器构成的阵列，以及多个模拟乘法器和加法器，其中每个忆阻器阵列的下方均连接有由电阻和运放构成的反向比例电路，每个阵列都形成下方的运算结构；对于左边的忆阻器阵列，每列输出电压经过反向比例电路后输出电压与前一时刻的输出电压经过模拟乘法器后得到结果，该结果再输入至右边忆阻器阵列的横向输入端；前一时刻电压与中间忆阻器阵列每列输出电压经过模拟乘法器运算后，结果输出至加法器；最终加法器输出的电压，用于下一时刻的输入。该电路能够解决GRU神经网络电路异位训练映射误差大，原位训练结构复杂且抗噪能力弱的问题。
-
公开(公告)号：CN113658493A
公开(公告)日：2021-11-16
申请号：CN202110962416.1
申请日：2021-08-20
Applicant: 安徽大学
IPC: G09B23/18
Abstract: 本发明公开一种用于模拟联想记忆的强化学习仿生电路架构，所述电路架构包括MUX，所述MUX上连接有突触模块、控制模块和输出模块，突触模块包括用于模拟输入神经元的方波电压信号，方波电压信号为2n个，其中，n为大于1的整数，控制模块包括控制信号，控制信号为可以为n个，n和控制信号可强化形成2n种不同类型的强化控制信号代表学习方法强化的人群刺激进入2n个突触模块。本发明强化学习仿生电路架构是基于巴甫洛夫联想记忆以及非联想记忆的，它更真实地模拟了人类记忆的特点，这与我们人类的记忆是一致的；通过输入模拟输入神经元的方波电压信号，通过设置控制信号模拟学习方法强化的人群，能够更加全面的模拟人的学习过程。
-
公开(公告)号：CN117273155B
公开(公告)日：2025-05-06
申请号：CN202311252233.6
申请日：2023-09-26
Applicant: 安徽大学
IPC: G06N10/20 , G06N10/60 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F30/18 , G06F30/13 , G06F30/27
Abstract: 本发明公开一种基于量子近似优化算法的图最大分割方法及系统，方法包括将路网的每个路口作为一个节点，并利用边概率表示路口之间的连通关系，构建图；根据图生成p层QAOA电路；S在p＝1时，使用第一神经网络预测QAOA电路第一层的初始变分参数；在p＝2时，基于第一层的初始变分参数，采用第二神经网络预测QAOA电路第一层和第二层的初始变分参数；在p≥3时，利用电路第一层和第二层的初始变分参数，并从第三层开始采用线性差值算法，在当前层前一层的初始变分参数的基础上加上其前两层之间参数的差值，作为当前层的初始变分参数；基于电路各层的初始变分参数运行QAOA电路，得到路网划分近似解；本发明在处理路网图最大分割问题上获得了良好的近似比。
-
公开(公告)号：CN113469348B
公开(公告)日：2024-02-20
申请号：CN202110684264.3
申请日：2021-06-21
Applicant: 安徽大学
IPC: G06N3/063
Abstract: 本发明公开了一种联想记忆中多次泛化和分化的神经形态电路，包括三个输入信号端IN1、IN2、IN3，一个总输出信号OUT，输入信号端IN1、IN2、IN3定义为三个前神经元，前神经元IN1对应巴甫洛夫联想记忆中的非条件反射信号，前神经元IN2和IN3对应条件反射信号；输入信号经处理后得到对应的三个输出信号OUT1、OUT2、OUT3，再经或门U12后得到总输出信号OUT；其中，或门U12定义为后神经元，总输出信号OUT为后神经元接受刺激后发出的信号。上述电路能仿生巴甫洛夫联想记忆中的多次泛化和彻底分化现象，也能仿生传统巴甫洛夫联想记忆中的学习和遗忘现象，具有广阔的应用前景。
-
公开(公告)号：CN117273155A
公开(公告)日：2023-12-22
申请号：CN202311252233.6
申请日：2023-09-26
Applicant: 安徽大学
IPC: G06N10/20 , G06N10/60 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F30/18 , G06F30/13 , G06F30/27
Abstract: 本发明公开一种基于量子近似优化算法的图最大分割方法及系统，方法包括将路网的每个路口作为一个节点，并利用边概率表示路口之间的连通关系，构建图；根据图生成p层QAOA电路；S在p＝1时，使用第一神经网络预测QAOA电路第一层的初始变分参数；在p＝2时，基于第一层的初始变分参数，采用第二神经网络预测QAOA电路第一层和第二层的初始变分参数；在p≥3时，利用电路第一层和第二层的初始变分参数，并从第三层开始采用线性差值算法，在当前层前一层的初始变分参数的基础上加上其前两层之间参数的差值，作为当前层的初始变分参数；基于电路各层的初始变分参数运行QAOA电路，得到路网划分近似解；本发明在处理路网图最大分割问题上获得了良好的近似比。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
