期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
多种连接模型的忆阻神经网络学习
1
作者
李传东
田园
+1 位作者
陈玲
葛均辉
《重庆大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2014年第6期10-16,24,共8页
忆阻器以其独特的非易失性、天然的记忆功能以及纳米级尺寸,在人工神经网络、信号处理和模式识别等方面展现了巨大的应用前景。采用了基于STDP学习规则的忆阻神经网络,运用了网络自适应突变以及网络拓扑结构变化的基因算法,其中包括隐...
忆阻器以其独特的非易失性、天然的记忆功能以及纳米级尺寸,在人工神经网络、信号处理和模式识别等方面展现了巨大的应用前景。采用了基于STDP学习规则的忆阻神经网络,运用了网络自适应突变以及网络拓扑结构变化的基因算法,其中包括隐藏层神经元个数,连接权重以及神经网络突触模型的变化。比较了基于HP线性忆阻器模型,非线性忆阻器模型以及阈值模型这3种不同忆阻器模型的忆阻神经网络,并提出了学习效果更好的混合型忆阻神经网络。
展开更多
关键词
忆阻器
突触可塑性
基因算法
拓扑变异
混合型忆阻神经网络
在线阅读
下载PDF
职称材料
基于多层忆阻脉冲神经网络的强化学习及应用
被引量：
11
2
作者
张耀中
胡小方
+1 位作者
周跃
段书凯
《自动化学报》
EI
CSCD
北大核心
2019年第8期1536-1547,共12页
人工神经网络(Artificial neural networks, ANNs)与强化学习算法的结合显著增强了智能体的学习能力和效率.然而,这些算法需要消耗大量的计算资源,且难以硬件实现.而脉冲神经网络(Spiking neural networks, SNNs)使用脉冲信号来传递信息...
人工神经网络(Artificial neural networks, ANNs)与强化学习算法的结合显著增强了智能体的学习能力和效率.然而,这些算法需要消耗大量的计算资源,且难以硬件实现.而脉冲神经网络(Spiking neural networks, SNNs)使用脉冲信号来传递信息,具有能量效率高、仿生特性强等特点,且有利于进一步实现强化学习的硬件加速,增强嵌入式智能体的自主学习能力.不过,目前脉冲神经网络的学习和训练过程较为复杂,网络设计和实现方面存在较大挑战.本文通过引入人工突触的理想实现元件-忆阻器,提出了一种硬件友好的基于多层忆阻脉冲神经网络的强化学习算法.特别地,设计了用于数据–脉冲转换的脉冲神经元;通过改进脉冲时间依赖可塑性(Spiking-timing dependent plasticity, STDP)规则,使脉冲神经网络与强化学习算法有机结合,并设计了对应的忆阻神经突触;构建了可动态调整的网络结构,以提高网络的学习效率;最后,以Open AI Gym中的CartPole-v0 (倒立摆)和MountainCar-v0 (小车爬坡)为例,通过实验仿真和对比分析,验证了方案的有效性和相对于传统强化学习方法的优势.
展开更多
关键词
强化学习
脉冲神经网络
脉冲时间依赖可塑性规则
忆阻器
在线阅读
下载PDF
职称材料
基于ZYNQ集群的神经形态计算加速研究与实现
被引量：
4
3
作者
张新伟
李康
+3 位作者
郁龚健
刘家航
李佩琦
柴志雷
《计算机工程与应用》
CSCD
北大核心
2020年第21期65-71,共7页
基于脉冲神经网络(SNN)的神经形态计算由于工作机理更接近于生物大脑,被认为有望克服深度学习的不足而成为解决人工智能问题的更佳途径。但是如何满足高性能、低功耗和适应规模伸缩需求是神经形态计算系统需要解决的挑战性问题。基于FPG...
基于脉冲神经网络(SNN)的神经形态计算由于工作机理更接近于生物大脑,被认为有望克服深度学习的不足而成为解决人工智能问题的更佳途径。但是如何满足高性能、低功耗和适应规模伸缩需求是神经形态计算系统需要解决的挑战性问题。基于FPGA异构计算平台ZYNQ集群,在NEST类脑仿真器上,重点解决了具有脉冲时间依赖可塑性(STDP)突触计算复杂度高、并行度低、硬件资源占用大的问题。实验结果表明,设计的方法在8节点ZYNQ 7030集群上,性能是Xeon E5-2620 CPU的14.7倍。能效比方面,是Xeon E5-2620 CPU的51.6倍,是8节点ARM Cortex-A9的20.6倍。
展开更多
关键词
神经形态计算
脉冲神经网络(SNN)
脉冲时间依赖可塑性(
stdp
)
FPGA集群
NEST仿真器
在线阅读
下载PDF
职称材料
题名
多种连接模型的忆阻神经网络学习
1
作者
李传东
田园
陈玲
葛均辉
机构
重庆大学计算机学院
出处
《重庆大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2014年第6期10-16,24,共8页
基金
国家自然科学基金资助项目(61374078)
文摘
忆阻器以其独特的非易失性、天然的记忆功能以及纳米级尺寸,在人工神经网络、信号处理和模式识别等方面展现了巨大的应用前景。采用了基于STDP学习规则的忆阻神经网络,运用了网络自适应突变以及网络拓扑结构变化的基因算法,其中包括隐藏层神经元个数,连接权重以及神经网络突触模型的变化。比较了基于HP线性忆阻器模型,非线性忆阻器模型以及阈值模型这3种不同忆阻器模型的忆阻神经网络,并提出了学习效果更好的混合型忆阻神经网络。
关键词
忆阻器
突触可塑性
基因算法
拓扑变异
混合型忆阻神经网络
Keywords
memristors
spiking timing
dependent
plasticity
（
stdp
）
genetic algorithms （GA）
variableitopologies
hybrid memrisitive neural network
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于多层忆阻脉冲神经网络的强化学习及应用
被引量：
11
2
作者
张耀中
胡小方
周跃
段书凯
机构
西南大学计算机与信息科学学院
西南大学人工智能学院
类脑计算与智能控制重庆市重点实验室
西南大学电子信息工程学院
出处
《自动化学报》
EI
CSCD
北大核心
2019年第8期1536-1547,共12页
基金
国家自然科学基金(61601376,61672436)
中央高校基本科研业务费(XDJK2019C034)
+3 种基金
重庆市基础与前沿技术研究专项(cstc2016jcyjA0547)
中国博士后科学基金(2018T110937)
重庆市博士后科学基金(Xm2017039)
国家级大学生创新创业训练计划项目(201810635017)资助~~
文摘
人工神经网络(Artificial neural networks, ANNs)与强化学习算法的结合显著增强了智能体的学习能力和效率.然而,这些算法需要消耗大量的计算资源,且难以硬件实现.而脉冲神经网络(Spiking neural networks, SNNs)使用脉冲信号来传递信息,具有能量效率高、仿生特性强等特点,且有利于进一步实现强化学习的硬件加速,增强嵌入式智能体的自主学习能力.不过,目前脉冲神经网络的学习和训练过程较为复杂,网络设计和实现方面存在较大挑战.本文通过引入人工突触的理想实现元件-忆阻器,提出了一种硬件友好的基于多层忆阻脉冲神经网络的强化学习算法.特别地,设计了用于数据–脉冲转换的脉冲神经元;通过改进脉冲时间依赖可塑性(Spiking-timing dependent plasticity, STDP)规则,使脉冲神经网络与强化学习算法有机结合,并设计了对应的忆阻神经突触;构建了可动态调整的网络结构,以提高网络的学习效率;最后,以Open AI Gym中的CartPole-v0 (倒立摆)和MountainCar-v0 (小车爬坡)为例,通过实验仿真和对比分析,验证了方案的有效性和相对于传统强化学习方法的优势.
关键词
强化学习
脉冲神经网络
脉冲时间依赖可塑性规则
忆阻器
Keywords
Reinforcement learning
spiking neural network (SNN)
spike-timing
-
dependent
plasticity
(
stdp
)
memristor
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于ZYNQ集群的神经形态计算加速研究与实现
被引量：
4
3
作者
张新伟
李康
郁龚健
刘家航
李佩琦
柴志雷
机构
江南大学物联网工程学院物联网技术应用教育部工程研究中心
数学工程与先进计算国家重点实验室
出处
《计算机工程与应用》
CSCD
北大核心
2020年第21期65-71,共7页
基金
国家自然科学基金(No.61972180)
数学工程与先进计算国家重点实验室开放基金(No.2018A04)。
文摘
基于脉冲神经网络(SNN)的神经形态计算由于工作机理更接近于生物大脑,被认为有望克服深度学习的不足而成为解决人工智能问题的更佳途径。但是如何满足高性能、低功耗和适应规模伸缩需求是神经形态计算系统需要解决的挑战性问题。基于FPGA异构计算平台ZYNQ集群,在NEST类脑仿真器上,重点解决了具有脉冲时间依赖可塑性(STDP)突触计算复杂度高、并行度低、硬件资源占用大的问题。实验结果表明,设计的方法在8节点ZYNQ 7030集群上,性能是Xeon E5-2620 CPU的14.7倍。能效比方面,是Xeon E5-2620 CPU的51.6倍,是8节点ARM Cortex-A9的20.6倍。
关键词
神经形态计算
脉冲神经网络(SNN)
脉冲时间依赖可塑性(
stdp
)
FPGA集群
NEST仿真器
Keywords
neuromorphic computing
Spiking Neuron Networks(SNN)
spike-timing
dependent
plasticity
(
stdp
)
FPGA cluster
NEST simulator
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
TN791 [电子电信—电路与系统]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
多种连接模型的忆阻神经网络学习
李传东
田园
陈玲
葛均辉
《重庆大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2014
0
在线阅读
下载PDF
职称材料
2
基于多层忆阻脉冲神经网络的强化学习及应用
张耀中
胡小方
周跃
段书凯
《自动化学报》
EI
CSCD
北大核心
2019
11
在线阅读
下载PDF
职称材料
3
基于ZYNQ集群的神经形态计算加速研究与实现
张新伟
李康
郁龚健
刘家航
李佩琦
柴志雷
《计算机工程与应用》
CSCD
北大核心
2020
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
