-
公开(公告)号：CN114330681B
公开(公告)日：2025-01-14
申请号：CN202111443379.X
申请日：2021-11-30
Applicant: 安徽大学
IPC: G06N3/063 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种实现步态预测的ST‑GRU忆阻神经网络电路及训练方法，该电路包括在用于处理时间序列的GRU单元电路对时间序列中一个时刻的时间特征脉冲电压信号进行处理后，获取用于处理时间序列的GRU单元电路的输出结果作为空间特征脉冲电压信号，并将该空间特征脉冲电压信号输入到用于处理空间序列的GRU单元电路用于对该时刻对应的空间序列的特征脉冲电压信号进行处理；用于处理空间序列的GRU单元电路的输出结果输入到全连接层电路。本发明解决了现有GRU硬件电路无法在多层动态时序预测对目标进行训练的问题，实现了多个维度的序列预测并将其用于时序的步长预测问题，具有较高的准确率和较好的计算效率，无需耗费大量的软件算力资源。
-
公开(公告)号：CN115128954A
公开(公告)日：2022-09-30
申请号：CN202210815996.6
申请日：2022-07-12
Applicant: 安徽大学
IPC: G05B13/04
Abstract: 本发明属于忆阻神经网络以及保密通信领域，具体涉及一种基于开环控制的四元值忆阻神经网络的全局投影同步方法及其应用。该方法并不同于传统的将系统分离成一个实数系统和三个复数系统，而是将系统看作一个整体进行研究。同时利用离散多时滞忆阻神经网络建立相应的驱动系统和响应系统，设计开环控制器，使得加密的明文信号在信道中传输可以达到更好的保密效果。本发明较传统的混沌神经网络有更好的保密效果，网络能耗更低，为加密通信提供了一种更好的解决方案。
-
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：CN114021712A
公开(公告)日：2022-02-08
申请号：CN202111367056.7
申请日：2021-11-18
Applicant: 安徽大学
Abstract: 本发明公开了一种实现彩色图像识别的ConvGRU神经网络电路及训练方法，该电路包括卷积神经网络模块、GRUCell电路模块和全连接层电路模块；所述卷积神经网络模块的输出与所述GRUCell电路模块的输入连接，并且所述GRUCell电路模块的输出与所述全连接层电路模块连接。本发明解决了现有GRU硬件电路无法对图像进行有效特征提取的问题，大幅提升了GRU电路在图像识别方面的准确率，以软件3层卷积神经网络和1层硬件GRUCell电路模块可以达到18层卷积神经网络的水平，而且避免了硬件18层卷积神经网络占用硬件空间过大的问题，具有极高的可实用性。
-
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。
-
Patent Agency Ranking
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：CN115456193A
公开(公告)日：2022-12-09
申请号：CN202211004818.1
申请日：2022-08-22
Applicant: 安徽大学
Abstract: 本发明公开了一种基于忆阻器的强化学习硬件加速方法，涉及忆阻器技术领域，首先按批次，即每个batch生成32条回合路径，推理映射到TiO2忆阻器阵列形成策略图谱，将策略图谱信息按列导入32×32忆阻器阵列，利用阵列并行的矩阵乘加运算得到每一列对应回合的价值，经过WTA电路进行比较，输出32个路径中最大的回合价值，最后与之前batch得到的最大价值进行比较，保留最大的那个价值，反复迭代直到收敛，此方法能够使用忆阻器阵列乘加的方式将强化学习算法迭代过程硬件化，能够减少强化学习任务的迭代次数，减少计算机吞吐量。
-
公开(公告)号：CN114048846A
公开(公告)日：2022-02-15
申请号：CN202111298080.X
申请日：2021-11-04
Applicant: 安徽大学
IPC: G06N3/063 , G06N3/08 , G06F40/284
Abstract: 本发明公开了一种实现文本分析的BI‑GRU神经网络电路及训练方法和使用方法，该电路包括两个方向相反且时间维度相同的GRUCell，分别记为正向GRUCell和反向GRUCell；所述正向GRUCell的输出与所述反向GRUCell的输出进行叠加，然后输出到所述全连接层电路模块。本发明解决了现有GRU电路无法在正反两个方向对目标进行训练的问题，能够实现两个相反方向的时间维度的序列预测，而且在将其用于文本预测时展现出较高的准确率和较好的计算效率。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.031 seconds)
