“输入层神经元”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果4173884个，建议您升级VIP下载更多相关专利

[发明专利]基于SDSP和WTA算法的神经网络电路及霍尔条突触-CN202110861499.5在审
发明人：吴琪;周铁军;李海;董坤宇 -专利权人：杭州电子科技大学
申请日： 2021-07-29 - 公布日： 2021-10-26 - 主分类号： G06N3/04 文献下载
摘要：本发明公开一种基于SDSP和WTA算法的神经网络电路及霍尔条突触；所述的神经网络包括输入层神经元、隐藏层神经元、抑制型神经元、输出层神经元和霍尔条突触；所述的输入层神经元、隐藏层神经元和输出层神经元为激活型神经元；所述输入层神经元通过第一霍尔条突触与所述隐藏层神经元连接，所述隐藏层神经元通过第二霍尔条突触与所述抑制型神经元连接，所述抑制型神经元与输出层神经元连接；本发明基于霍尔条突触构造一种更契合生物学的神经网络模拟电路
基于 sdsp wta 算法神经网络电路霍尔突触

[发明专利]一种乘法神经网络模型及隐私计算方法-CN202111255567.X在审
发明人：张金琳;高航 -专利权人：浙江数秦科技有限公司
申请日： 2021-10-27 - 公布日： 2022-02-11 - 主分类号： G06F21/71 文献下载
摘要：本发明涉及信息技术领域，具体涉及一种乘法神经网络模型及隐私计算方法，乘法神经网络包括输入层、若干个隐藏层和输出层，输入层包括若干个输入神经元，输入神经元与输入数对应，隐藏层包括若干个隐藏层神经元，输出层包括若干个输出神经元，隐藏层神经元及输出神经元为加法神经元或乘法神经元，加法神经元的输入数为连接的神经元按连接权系数的加权和，加法神经元的输出为输入数与偏移值的和代入激活函数获得的值，乘法神经元的输入数为连接的输入神经元以连接权系数为指数求幂后再相乘的乘积，乘法神经元的输出为输入数与偏移值的乘积代入激活函数获得的值。
一种乘法神经网络模型隐私计算方法

[发明专利]适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型-CN201410122688.0有效
发明人：高林;薛建中;高海东;王春利;曾卫东;肖勇 -专利权人：西安西热控制技术有限公司;西安热工研究院有限公司
申请日： 2014-03-28 - 公布日： 2014-06-25 - 主分类号： G06N3/02 文献下载
摘要：适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，包括模型输入、模型输出和神经网络，模型输入分为全局影响性输入和燃烧器局部影响性输入两类，神经网络包括输入层神经元、隐含层神经元和输出层神经元，输入层神经元燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；将电站锅炉结构转化为对应的神经网络特殊结构，可天然适应不同磨煤机组合条件，不仅具有更加优异的性能，且大幅降低模型对样本的依赖，显著提高神经网络模型的建模、训练、学习效率及模型应用成功率。
适合不同机组电站锅炉燃烧性能神经网络模型

[发明专利]用模拟神经元的单个物理层实现多层神经网络-CN201980084186.4在审
发明人： E.哈塞尔斯泰纳;P.扬舍尔;F.梅尔;B.米尼克霍夫;B.普钦格;G.普罗米策 -专利权人： AMS有限公司
申请日： 2019-12-10 - 公布日： 2021-07-30 - 主分类号： G06F9/38 文献下载
摘要：本发明描述了一种包括多层模拟神经网络和系统控制器的系统。多层模拟神经网络具有单层物理模拟神经元，其可重复使用以实现多层模拟神经网络。每个物理模拟神经元被配置为接收神经元输入并处理该神经元输入以生成神经元输出，该神经元输出作为输入被馈送到单层的所有物理模拟神经元，并且每个物理模拟神经元包括相应的权重存储器。系统控制器可操作用于：针对每个物理模拟神经元获得相应的神经元权重向量集，其中每个神经元权重向量对应于多层模拟神经网络的多个层中的相应层；针对每个物理模拟神经元，在物理模拟神经元的相应权重存储器中存储相应的神经元权重集；接收多层模拟神经网络的网络输入；以及通过重复使用单层物理模拟神经元来通过多个层处理网络输入以生成网络输出，其中对于多个层的每一层，每个物理模拟神经元使用对应于当前层的相应神经元权重向量集中的神经元权重向量来处理物理模拟神经元的神经元输入
模拟神经元单个物理层实现多层神经网络

[发明专利]输入层结构和BP神经网络-CN202011515463.3在审
发明人：张军欢;徐朋 -专利权人：北京航空航天大学
申请日： 2020-12-21 - 公布日： 2021-05-07 - 主分类号： G06N3/08 文献下载
摘要：本申请提供一种神经网络模型的输入层结构以及具有该输入层结构的BP神经网络。输入层结构包括业务变量神经元、相关业务变量神经元、与业务变量相关的情绪指数神经元、与业务相关的搜索引擎指数神经元，还可以包括与重大国际和/或国内社会事件相关的数据神经元。BP神经网络具有与输入神经元数量相关数量的隐藏层神经元以及具有业务逻辑输出神经元的输出层。经过训练后的该BP神经网络与输入层结构仅包含业务变量神经元的BP神经网络相比具有更准确的业务逻辑输出。
输入结构 bp 神经网络

[发明专利]一种应用于脉冲神经网络的输入脉冲编码方法-CN202010032068.3在审
发明人：马德;段会康;戴书画;徐浩然;潘纲 -专利权人：浙江大学
申请日： 2020-01-13 - 公布日： 2020-06-16 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种应用于脉冲神经网络的输入脉冲编码方法。所述输入脉冲编码方法包括：在输入层和第一神经元层添加转发层，其神经元数量与输入层的神经元数量相等，且转发层的神经元与输入层的神经元一对一连接，输入层与转发层之间的权重为输入层权重，转发层与第一神经元层的连接和权重与原脉冲神经网络的输入层和第一神经元层的连接和权重相等；对输入数据标准化后，根据标准化结果将输入数据都转化成1并更新输入层权重，并根据阈值电压更新转发层的神经元参数；对输入数值1编码成脉冲序列，并设置所有输入脉冲均为对对输入数值1编码成的脉冲序列。
一种应用于脉冲神经网络输入编码方法

[发明专利]应用神经网络的综合性智能深度学习方法-CN202010407041.8在审
发明人：戚意强;李博;张淞源 -专利权人：青岛翰林汇力科技有限公司
申请日： 2020-05-14 - 公布日： 2020-09-01 - 主分类号： G06K9/00 文献下载
摘要：本发明提供了一种应用神经网络的综合性智能深度学习方法,神经网络包括输入神经网络层和输出神经网络层，输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层，输入神经网络层包含若干输入神经元，隐含神经网络层包含若干隐含神经元，输出神经网络层包含若干输出神经元，每个输入神经元为一个单元神经网络经过深度学习后得出的单元结果值，单元神经网络包括单元输入层和单元输出层，单元输入层与单元输出层之间存在呈递进排列的多层单元隐含层，由单元输出层推断出单元结果值，单元输入层包含若干单元输入神经元，单元隐含层包含若干单元隐含神经元，单元输出层包含若干单元输出神经元。
应用神经网络综合性智能深度学习方法

[发明专利]一种基于浅层神经网络的舵机非线性特性角度控制系统-CN202210090882.X在审
发明人：柏龙;杜相龙;陈晓红;孙园喜 -专利权人：重庆大学
申请日： 2022-01-26 - 公布日： 2022-05-31 - 主分类号： G05B13/04 文献下载
摘要：本发明公开了一种基于浅层神经网络的舵机非线性特性角度控制系统，包括五层神经网络，所述神经网络的输入层由四个神经元输入构成，第二层由20个神经元构成，第三层由50个神经元构成，第四层由20个神经元构成，输出层由5个神经元构成；每层神经元之间的连接均为全联接构成；其中，所述输入层的前两个神经元用于输入当前舵机的角度值，输入层另外两个神经元用于输入预设的舵机角度值；所述输出层的5个神经元输出数据的平均值作为电机的实际控制转数值；本发明基于浅层神经网络的控制算法设计，通过预训练的神经网络权重关系，通过电机转数的控制，从而实现对舵机输出角度的精确控制。
一种基于神经网络舵机非线性特性角度控制系统

[发明专利]一种多层感知机深度神经网络层间流水的硬件加速器-CN201911120040.9有效
发明人：陈胜刚;鲁中海;扈啸;宋睿强;孙书为;刘胜;雷元武;陈小文;陈海燕;鲁建壮 -专利权人：中国人民解放军国防科技大学
申请日： 2019-11-15 - 公布日： 2023-04-18 - 主分类号： G06N3/063 文献下载
摘要：一种多层感知机深度神经网络层间流水的硬件加速器，包括：输入寄存器，用于向奇层神经元计算部件提供输入；奇层神经元计算部件，包括一个以上的硬件人工神经元计算部件；交叉开关，用于将奇层神经元计算部件产生的每一个输出广播到偶层神经元计算部件；偶层神经元计算部件，包括多个并行的人工神经元计算单元，用来进行多次乘累加计算并行生成多个输出神经元部分和，并最终完成多个输出神经元；输出寄存器，将偶层神经元计算单元的计算结果输出到存储器中，或者输出到快速通道；快速通道，用于将偶层神经元计算单元的结果直接旁路传输给输入寄存器，作为输入。本发明具备层间调度能力、能够开发层间数据重用、提高MLP加速效率等优点。
一种多层感知深度神经网络流水硬件加速器

[发明专利]用于对象识别的稀疏联想记忆-CN201980008481.1在审
发明人： H·霍夫曼 -专利权人：赫尔实验室有限公司
申请日： 2019-03-08 - 公布日： 2020-09-01 - 主分类号： G06K9/62 文献下载
摘要：在操作中，该系统将关于对象的签名数据转换成表示输入神经元层中的激活的二进制信号的集合。基于输入神经元层中的激活，将输入神经元连接到隐藏神经元，这允许从隐藏神经元回到输入神经元的循环连接。然后，在输入神经元层中的输入神经元稳定时，识别输入神经元的激活图案。激活图案是恢复图案，其允许系统通过将恢复图案与关系数据库中存储的图案进行比较来识别对象。
用于对象识别稀疏联想记忆

[发明专利]一种汉语发展性阅读障碍预测系统及其预测方法-CN202011265363.X在审
发明人：毕鸿燕;王润洲 -专利权人：中国科学院心理研究所
申请日： 2020-11-13 - 公布日： 2021-02-19 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种汉语发展性阅读障碍预测系统及其预测方法，包括计算机和内嵌于计算机中运行的经训练完毕的神经网络模型，神经网络模型包括输入层神经元模块、隐含层神经元模块和输出层神经元模块，输入层神经元模块和输出层神经元模块分别与计算机主界面上所设置的输入模块和预测模块进行数据传输，输入层神经元模块中包括用于输入被试的人口统计学信息、参加语音意识测验的类型和阅读相关认知测验信息的若干个神经元节点，隐含层神经元模块中包含若干个隐含层神经元节点，输出层神经元模块用于输出是否患有发展性阅读障碍的预测结果本发明使用机器学习能够拟合任意复杂、模糊数据关系的误差反向传递神经网络技术，能够高效、准确预测汉语发展性阅读障碍。
一种汉语发展性阅读障碍预测系统及其方法

[发明专利]一种主方向神经网络系统-CN200810102802.8无效
发明人：殷维栋;王守觉 -专利权人：中国科学院半导体研究所
申请日： 2008-03-26 - 公布日： 2009-09-30 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种主方向神经网络系统，采用4层前馈式结构，包括输入层、第一隐层、第二隐层和输出层，输入层包含D个神经元，第一隐层包含K组神经元，每组神经元包含3个神经元，第二隐层包含K个神经元，输出层为一个神经元，D和K均为自然数；输入层用于接收D维向量，每个神经元对应接收D维向量中的一个分量；第一隐层将接收自输入层的D维向量映射至第二隐层中的神经元，第一隐层中每组神经元对应第二隐层中的一个神经元；第二隐层将接收自第一隐层的3K维向量映射至输出层中的神经元；输出层将第二隐层的结果进行有偏置w₀的线性加权，然后输出。
一种方向神经网络系统

[发明专利]一种全连接神经网络优化方法和装置-CN201910933229.3在审
发明人：王海滨;刘智;褚嘉敏;罗成名;刘小峰 -专利权人：河海大学常州校区
申请日： 2019-09-29 - 公布日： 2019-12-31 - 主分类号： G06N3/08 文献下载
摘要：本发明公开一种全连接神经网络优化方法和装置，方法包括：计算各隐藏层与输出层中神经元的输入表达式；计算得到各隐藏层中神经元对输出层各神经元的影响程度表达式；计算各隐藏层神经元对输出层的总影响程度表达式；基于输入样本数据集中的样本数据，计算得到各隐藏层神经元对输出层的总影响程度值；对总影响程度值较小的神经元的输入进行近似处理，即得到优化后的神经网络。本发明通过考察隐藏层中每个神经元对输出信号的影响程度，对影响程度较小的神经元的输入信号进行近似，可在保证输出精度的基础上减少内存占比和功耗开销。
神经元隐藏层输出层神经网络优化方法和装置功耗开销近似处理神经网络输出信号输入样本数据集中样本数据近似内存输出考察优化保证

[发明专利]隐层神经元自适应激活方法、装置和终端设备-CN202010438305.6有效
发明人：李楠;李清江;刘森;李纪伟;徐晖;刁节涛;陈长林;宋兵;王义楠;刘海军;于红旗;李智炜;王伟;王玺;步凯 -专利权人：中国人民解放军国防科技大学
申请日： 2020-05-21 - 公布日： 2023-04-14 - 主分类号： G06N3/049 文献下载
摘要：本发明实施例公开了一种隐层神经元自适应激活方法、装置和终端设备，应用于忆阻器脉冲神经网络，所述忆阻器脉冲神经网络中每一突触仅包含一个忆阻器，该方法包括：根据同一层中各个隐层神经元的输入电流计算平均输入电流；将所述平均输入电流注入到所述各个隐层神经元；根据预设的放电顺序规则控制相应的输入电流大于所述平均输入电流的隐层神经元依次放电；根据各个放电的隐层神经元的放电次序，确定所述各个放电的隐层神经元的激活值；利用所述激活值对应激活所述各个放电的隐层神经元。本方案所提供的隐层神经元自适应激活技术，实现了隐层神经元之间的侧向抑制；并且每一突触可以仅包含一个忆阻器，避免构造复杂的硬件连接网络。
神经元自适应激活方法装置终端设备

[发明专利]神经网络的训练方法-CN200680042779.7无效
发明人：伯纳黛特·加纳 -专利权人：伯纳黛特·加纳
申请日： 2006-11-15 - 公布日： 2008-11-19 - 主分类号： G06N3/08 文献下载
摘要：该方法(30)包括以下步骤：通过选择待训练的NN的一个输出，并且为所选输出而将该NN的一个输出神经元连接到该NN输入层中的输入神经元，从而对NN进行初始化；准备该NN待学习的一个数据集；通过将所准备的数据集的一个输入向量应用到该NN的第一隐层，或者在该NN没有隐层时将其应用到该NN的输出层，并且确定该NN的每一层中所选输出的至少一个神经元是否可以学习产生该输入向量的相关输出，从而将所准备的数据集应用到该NN以进行学习。如果该NN的一层中没有一个神经元可以学习产生该输入向量的相关输出，那么将一新的神经元增加到那层中以学习那层中任何其他神经元无法学习的相关输出。这个新神经元将其输出连接到与受到训练的输出相关联的下一层中的所有神经元上。如果一输出神经元无法学习该输入向量，那么将另一神经元增加到同一层中作为当前输出神经元，将所有输入与其相连。该神经元学习旧输出无法学习的输入。将一附加神经元增加到下一层中。该神经元的输入是该NN的旧输出，而对那一层来说是新增加的神经元。
神经网络训练方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条