-
公开(公告)号：CN119692382A
公开(公告)日：2025-03-25
申请号：CN202411764861.7
申请日：2024-12-03
Applicant: 上海交通大学
Abstract: 本发明公开了一种自主机器人的类脑行为决策计算模型，涉及机器人领域，模型描述为一个八元组 ，其中STM存储和处理短期信息，LTM则对应不同功能模块进行信息处理，模拟多脑区的分工；Up Tree和Down Tree为上下行树信息传递网络；Links为LTM间以关联学习的形式建立起的用于直接通信的暗通道；Chunk为STM及各个LTM间通信传输的信息块，其中的核心通信信息被统称为“脑语”；Input和Output为系统的输入输出。工作状态下，各个LTM根据输入信息进行反馈，将反馈信息经上行树上传至STM，通过竞争实现STM上信息的动态迁移，构成意识流，STM再经下行树广播STM上的信息至LTM，构成环路。本发明能够自主进行协同学习，实现更高的自主性和智能化水平。
-
公开(公告)号：CN118474210A
公开(公告)日：2024-08-09
申请号：CN202310100063.3
申请日：2023-02-09
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于SNN分层GALS架构的数据捆绑通信协议实现系统，包括：四相异步脉冲事件通信协议电路、二相异步脉冲事件通信协议电路、四相转二相异步脉冲事件通信协议电路和二相转四相异步脉冲事件通信协议电路；所述四相异步脉冲事件通信协议电路、二相异步脉冲事件通信协议电路、四相转二相异步脉冲事件通信协议电路和二相转四相异步脉冲事件通信协议电路均采用单轨数据捆绑的异步数字电路实现；所述单轨数据捆绑的异步数字电路是基于异步流水级结构实现的，通过前后级直接发送握手信号保证数据传输的正确性。
-
公开(公告)号：CN119476369A
公开(公告)日：2025-02-18
申请号：CN202411477096.0
申请日：2024-10-22
Applicant: 上海交通大学
IPC: G06N3/0464 , G06N3/0495 , G06N3/084 , G06N3/063 , G06F15/78
Abstract: 本发明提供了一种事件型并行的在线学习神经形态计算方法及系统，其中方法包括构建框架步骤、样本学习步骤、稀疏计算步骤以及并行计算步骤；系统包括计算核心、Mesh‑Tree混合的片上路由通信网络、配置与监控模块、全局控制模块以及Argmax决策模块。本发明的稀疏计算步骤(事件驱动型)、并行计算步骤，解决了大规模神经形态硬件实现在线学习时存在的低效率问题，同时本发明的基于神经调制的在线学习框架和样本学习步骤，缓解了当前定制在线学习处理器的兼容问题和大量内存消耗问题；本发明的计算系统高效实现了本发明的计算方法，同时基于可配置数据路径的计算引擎架构和灵活NoC通信，提升了支持在线学习的神经形态处理器的兼容性、可扩展性以及学习性能。
-
公开(公告)号：CN117035026A
公开(公告)日：2023-11-10
申请号：CN202310872072.4
申请日：2023-07-17
Applicant: 上海交通大学
Abstract: 本发明涉及计算科学和神经网络技术领域，尤其涉及一种用于边缘设备的SNN映射方法及系统，包括，构建SNN模型并进行训练，获得训练后的SNN；提取训练后的SNN中的神经元的连接信息进行分析，确定当前神经元之间的连接方式和权重分布后转化为SNN拓扑连接图；使用流式图分割算法将SNN拓扑连接图划分为大小不同的神经元簇；确定在SNN的映射过程中需要优化的多目标，建立对应的多目标函数来计算多目标对应的值，使用多目标优化算法对映射过程进行迭代优化，将神经元簇映射到边缘设备的所述计算资源上；本发明通过高效的网络划分、多目标优化等特点，能够得到高效且可行的SNN映射方案，提升在边缘计算环境中的性能和适应性，具有重要的应用价值和商业潜力。
-
公开(公告)号：CN119484385A
公开(公告)日：2025-02-18
申请号：CN202411655505.1
申请日：2024-11-19
Applicant: 上海交通大学
Abstract: 本发明提供了一种非规则拓扑下NoC单多播转发及死锁避免方法及系统，所述方法包括：采用路由表的形式来进行非规则拓扑下的通信数据路由转发；采用定期内固定转发释放的方法进行死锁避免，破坏导致死锁产生的环状数据流；根据非规则拓扑信息、路由表和释放路径表构建NoC互联系统并配置好各路由参数；配置完毕后输入特定任务的单多播数据流量，进行数据流量转发并总结评估性能。本发明通过高效的路径搜索和定期数据释放，在保证路径短低延时的情况下，确保NoC系统不会因为环境复杂、流量增大而带来的潜在死锁影响性能，解决了非规则拓扑下路由的困难，具有重要的应用价值和商业潜力。
-
Patent Agency Ranking
公开(公告)号：CN117217093A
公开(公告)日：2023-12-12
申请号：CN202311259431.5
申请日：2023-09-27
Applicant: 上海交通大学
Abstract: 本发明公开了一种用于多核神经形态硬件上SNN的通用仿真器设计方法，可以支持不同规模SNN的快速仿真，包括步骤一：训练针对具体任务的SNN模型，获取包含连接结构和连接权重的模型文件；步骤二：使用模型信息提取模块从训练得到的SNN模型中提取神经元之间的连接结构和连接权重；步骤三：使用神经元分块模块将SNN神经元分配到神经元块中，每个神经元块可以由多核神经形态硬件的一个核心来执行；步骤四：使用神经元映射模块将划分后的神经元块映射到具体的物理核心上；步骤五：配置仿真后端并仿真，仿真后端加载仿真前端编译产生的模型、分块和映射信息，配置仿真器后执行仿真，仿真完成后导出模型以及NoC相关的统计信息。
-
公开(公告)号：CN119002264A
公开(公告)日：2024-11-22
申请号：CN202411060789.X
申请日：2024-08-02
Applicant: 上海交通大学
IPC: G05B13/04 , G06F18/25 , G06N3/0455 , G06N3/092 , G06N3/088 , G06N3/0895 , G06N3/09 , G06F18/10 , G06F18/23 , G06F18/24
Abstract: 本发明公开了一种机器人的多模块协同学习方法，涉及机器人领域。本发明模仿人类大脑整合多个功能分区输入和输出实现自我更新的过程，通过各功能分区自发数据交互和自我优化，实现知识结构的自我调整和优化，从而提高机器人的自主性和适应性。本发明不依赖于人工整理的数据，能够从更高层次上提取信息的关联性和因果性，为自主探索机器人提供了一种更为高效和灵活的学习机制。
-
公开(公告)号：CN118972387A
公开(公告)日：2024-11-15
申请号：CN202411108118.6
申请日：2024-08-13
Applicant: 上海交通大学
Abstract: 本发明提供了一种具有类脑意识的分布式计算和通信系统及其实现方法，包括：多个计算节点和意识状态管理模块；每个计算节点均包括计算单元、存储单元和通信单元；通信单元整体构成片上路由网络NoC；计算单元、存储单元与片上路由网络NoC的节点连接，通过高效的通信协议完成计算节点之间的协同和数据共享；并且每个计算节点上配置意识状态管理模块构成CTM的意识管理系统，即CTM类脑模型，进而使得每个节点间相互协作动态调整计算策略完成复杂的计算任务。本发明每个计算节点都配置一个意识状态管理模块，能够感知节点的实时状态，并接受来自其他节点的输入，通过分析这些数据，模块可以实时调整节点的计算策略，实现“意识”的形成和动态调整。
-
公开(公告)号：CN119621338A
公开(公告)日：2025-03-14
申请号：CN202411771142.8
申请日：2024-12-04
Applicant: 上海交通大学
IPC: G06F9/50 , G06F12/02 , G06F9/54 , G06F15/167
Abstract: 本发明提供了一种基于静态和动态内存配置的多核嵌入式系统内存管理方法和系统，利用静态配置文件定义各核的内存区域与地址信息，并通过Python脚本自动同步到系统链接脚本中，实现了静态内存分配的自动化；针对动态内存，配置API接口，支持应用程序灵活分配内存，确保应用不直接访问固定物理地址，并通过静态与动态内存区域的互斥校验避免地址冲突；通过在BRAM和DDR区域分别配置共享内存区，实现RPU与APU核之间、以及APU核之间的数据共享与指令传递，确保多核数据交互的实时性与独立性。本发明降低了嵌入式系统开发的复杂性，提高了内存管理的安全性与系统整体的通信效率。
-
公开(公告)号：CN119203930A
公开(公告)日：2024-12-27
申请号：CN202411122270.X
申请日：2024-08-15
Applicant: 上海交通大学
IPC: G06F40/16 , G06F40/30 , G06F40/126 , G06N3/098 , G06N3/09 , G06N3/088 , G06N3/0442
Abstract: 本发明提供了一种多模态信息对齐应用方法、系统、介质及设备，包括：在多个功能模块之间构建脑语特征信息编码；利用持续反馈学习以对齐统一多模块的脑语特征编码信息；调整长时记忆LTM模块间竞争成为短时记忆STM模块的权重信息；输出STM脑语特征信息至执行LTM单元实现决策可视化和学习性能评估。本发明在LTM模块脑语信息提取过程中，结合注意力机制，充分考虑LTM模块之间的相互影响，使得不同功能模块产生关联的决策评估，确保从不同模块提取的信息具有统一对齐的表达；结合分布式的类赫布学习算法优化信息块的权重，提升模型的预测评估能力，从而全面提升类脑行为决策架构的竞争决策和协同学习性能，使类脑行为决策系统更具适应性和智能性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.016 seconds)
