龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：复旦大学
摘要：本发明公开了一种针对迁移学习场景的SNN‑HDC混合神经形态计算架构，其中包括数据特征向量提取模块、超维向量编码模块与HDC分类器模块；所述数据特征向量提取模块包括但不限于FIFO、神经元膜电位更新模块、突触权重存储模块、输出脉冲累加模块；所述超维向量编码模块包括基向量生成模块、编码模块；所述HDC分类器模块包括类超维向量训练模块、相似性比较模块。该架构通过脉冲神经网络提取低维数据特征，将低维特征向量先编码为高维特征向量并送入到HDC分类层中，通过对HDC层的二值权值进行微调，该体系结构可以适应不同但相似的任务，而不会对之前的知识出现灾难性遗忘的现象。在保持高分类精度的同时，显著降低了超维向量的维度，从而降低了HDC分类模块的复杂度，优于其他带有HDC分类器的处理器，减少了硬件资源，在大多数边缘应用中表现出较高的能效。
主权项：1.一种针对迁移学习场景的SNN-HDC混合神经形态计算架构，其特征在于，利用超维计算HDC优势实现脉冲神经网络SNN迁移学习的框架，通过迁移不同但相关的源领域所包含的知识来提高神经网络在目标领域上的表现；包括数据特征向量提取模块、超维向量编码模块与HDC分类器模块；所述数据特征向量提取模块包括但不限于FIFO、神经元膜电位更新模块、突触权重存储模块、输出脉冲累加模块等用于接收目标域中AER事件的输入脉冲，通过利用源域预训练好的突触权重计算得到目标域数据特征向量并将其输出到后续处理模块中；所述超维向量编码模块用于把低维数据特征向量通过一定编码方式编码为几千到几万维的超维向量；所述HDC分类器模块根据编码后的超维向量对表示数据类别的类超维向量进行微调训练，对编码的超维向量和类超维向量进行相似性比较，得到分类结果。
全文数据：
权利要求：
百度查询： 复旦大学 一种针对迁移学习场景的SNN-HDC混合神经形态计算架构
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号