-
Patent Agency Ranking
公开(公告)号：CN112288078A
公开(公告)日：2021-01-29
申请号：CN202011246987.7
申请日：2020-11-10
Applicant: 北京理工大学
Abstract: 一种基于脉冲神经网络的自学习、小样本学习和迁移学习的方法，构建记忆网络、认知网络和知识归纳与迁移网络三个模块，通过模块之间协同合作实现自学习、小样本学习和迁移学习。小样本输入数据经过认知网络模块处理之后由记忆网络模块实现记忆生成，随后知识归纳与迁移网络模块发起记忆提取请求，记忆网络模块收到记忆提取请求后，提取记忆、重组并回放到认知网络模块；认知网络模块完成自学习过程，并通过不断持续该过程最终实现小样本学习，知识归纳与迁移网络模块不断更新当前任务所需知识，实现迁移学习。本发明实现了自学习、小样本学习和迁移学习，突破了神经网络学习需要大量标注样本、鲁棒性和适应性差、可解释性不足、能效比低等局限。
-
公开(公告)号：CN112232440B
公开(公告)日：2022-11-11
申请号：CN202011247008.X
申请日：2020-11-10
Applicant: 北京理工大学
Abstract: 一种运用特异化神经元团实现脉冲神经网络信息记忆和区分的方法，包括信息预处理阶段、新突触形成记忆的阶段、重复与神经元团提取阶段、记忆提取阶段和实验结果评估阶段，使用包括输入层、隐藏层、输出层在内的三层基本脉冲神经网络架构，给出一种“累积式生长连接算法”完成网络的权值学习和结构学习。提出“神经元团”的概念作为“记忆”的载体，并采取了一系列有效的神经元团提取方案，以及脉冲序列解释逻辑策略等。本方法在小样本情况下达到网络对输入信息的特征提取形成“记忆”，并能有效地根据网络“记忆”做出信息的解释、区分等的输出效果。
-
公开(公告)号：CN112288078B
公开(公告)日：2023-05-26
申请号：CN202011246987.7
申请日：2020-11-10
Applicant: 北京理工大学
IPC: G06N3/049 , G06N3/096 , G06N3/0442
Abstract: 一种基于脉冲神经网络的自学习、小样本学习和迁移学习的方法，构建记忆网络、认知网络和知识归纳与迁移网络三个模块，通过模块之间协同合作实现自学习、小样本学习和迁移学习。小样本输入数据经过认知网络模块处理之后由记忆网络模块实现记忆生成，随后知识归纳与迁移网络模块发起记忆提取请求，记忆网络模块收到记忆提取请求后，提取记忆、重组并回放到认知网络模块；认知网络模块完成自学习过程，并通过不断持续该过程最终实现小样本学习，知识归纳与迁移网络模块不断更新当前任务所需知识，实现迁移学习。本发明实现了自学习、小样本学习和迁移学习，突破了神经网络学习需要大量标注样本、鲁棒性和适应性差、可解释性不足、能效比低等局限。
-
公开(公告)号：CN112232494A
公开(公告)日：2021-01-15
申请号：CN202011246943.4
申请日：2020-11-10
Applicant: 北京理工大学
Abstract: 一种基于频率诱导的构建用于特征提取的脉冲神经网络的方法，建立输入层，对输入数据进行初步处理，并转换成脉冲序列；建立特征提取层，在脉冲神经元上引入频率诱导的启发式机制，使用基于HEBB规则的累计式生长算法进行结构学习，使用STDP规则进行权值学习，学习结束后，输入需要提取特征的数据，特征提取层的最后一层的输出即为特征，对于每一条训练数据开启若干次仿真进行学习。本发明不仅可以有效地产生记忆，对特征进行高效的提取，通过小样本学习就可以有很好的鲁棒性，且基于频率诱导的启发式机制的引入使网络能力更强，学习更有效，运行效率更高，可让网络突触生长速度保持在合理范围，网络规模处于动态平衡状态，防止出现生长过度的情况。
-
公开(公告)号：CN112232440A
公开(公告)日：2021-01-15
申请号：CN202011247008.X
申请日：2020-11-10
Applicant: 北京理工大学
Abstract: 一种运用特异化神经元团实现脉冲神经网络信息记忆和区分的方法，包括信息预处理阶段、新突触形成记忆的阶段、重复与神经元团提取阶段、记忆提取阶段和实验结果评估阶段，使用包括输入层、隐藏层、输出层在内的三层基本脉冲神经网络架构，给出一种“累积式生长连接算法”完成网络的权值学习和结构学习。提出“神经元团”的概念作为“记忆”的载体，并采取了一系列有效的神经元团提取方案，以及脉冲序列解释逻辑策略等。本方法在小样本情况下达到网络对输入信息的特征提取形成“记忆”，并能有效地根据网络“记忆”做出信息的解释、区分等的输出效果。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
