课程文献中心 更多>>

关键词： 脉冲神经网络   神经形态计算   替代梯度   脉冲编码  

摘要： 脉冲神经网络（SNN）与传统人工神经网络（ANN）相比具有更好的生物可解释性和更低的能耗，并被认为是扩展神经网络应用领域的一种极有前景的解决方案.但由于不能直接使用梯度下降算法来训练SNN，因此SNN在模型性能上仍与ANN存有一定的差距，这限制了SNN的实际应用.为此提出一种新型自适应替代梯度方法（ASG）以更好地将梯度下降算法应用在SNN的训练上；还提出一种阈值脉冲池化结构（TSPooling）以提升模型表达能力，从而使训练后的SNN模型在保持低能耗特性的同时拥有更好的推理性能.使用所提出的方法训练改进ResNet-18网络模型，在CIFAR-100数据集和CIFAR10-DVS数据集上进行实验，识别结果较基准网络模型有明显提升，改进的模型在CIFAR-100数据集上的准确率达到了76.41%，优于其他6个主流模型，验证了其有效性.

关键词： 类淋巴系统   沿血管周围间隙扩散张量成像分析   磁共振成像   神经系统   认知障碍  

摘要： 类淋巴系统(glymphatic system,GS)是大脑中废物清除的途径,其功能受损可以通过沿血管周围间隙扩散张量成像分析(diffusion tensor imaging analysis along the perivascular space,DTI-ALPS)进行评估。目前,DTI-ALPS作为一种非侵入性方法已被广泛用于评估神经系统疾病中的GS功能改变,它在评估神经系统疾病的病程进展、认知障碍及预测预后等方面发挥了举足轻重的作用。本文就GS、DTI-ALPS方法与应用优势及其在神经系统疾病中的应用进行综述,旨在为神经系统疾病的病程进展、预测影响预后因素以及临床治疗疗效方面提供一定的参考。

关键词： 剪切波变换   脉冲耦合神经网络   图像融合  

摘要： 图像融合的目的是将多个来源的图像合并,从而产生1个包含所有原始图像信息的新图像。传统的图像融合方法可能损失一些重要信息或导致图像失真,因此研究新的图像融合方法具有重要意义。作为新兴技术,剪切波变换和脉冲耦合神经网络在图像融合中的应用潜力尚未被充分发掘。文章致力于研究这2种技术在图像融合中的效果,并提出结合两者的新方法。

关键词： 神经科学   脑成像   脑功能神经网络图谱   脑机接口   类脑智能   类脑计算   脉冲神经网络芯片   类脑处理器(BPU)  

摘要： 以智能科技为核心技术、智能算力为生产力的智能时代再次把脑科学推向世界科学与技术前沿。脑科学是研究人、动物和机器的认知与智能的本质和规律的科学。对神经系统结构和功能联结规律进行全面解析将最终绘制成脑功能联结图谱,近10多年来神经科学研究致力于系统性地解析神经系统的神经元类型和神经结构连接,在单细胞转录组分析、神经网络结构示踪等技术推动下取得了阶段性进展。解析人类大脑这一最为复杂的信息和智能系统,会启迪类脑智能理论和类脑智能技术,即脑科学/神经科学启发的智能理论和技术。在智能时代,脑科学研究的多学科交叉研究范式促使脑机接口、类脑智能计算等类脑智能研究领域加入脑科学。脑机接口的神经解码和编码技术为绘制人脑功能神经网络图谱提供了重要的功能研究技术和方法,并且可探索在脑疾病临床诊治上的应用。类脑计算正成为脑科学研究的一种新范式,借鉴脑处理信息和学习的基本原理发展高能效、高速和智能的新型类脑计算系统,利用发展的类脑计算系统可以加速发展脑模拟和数字大脑,促进理解大脑运行机制和治疗脑疾病,发展数字脑科学和脑医学。新近出现的脉冲神经网络智能处理器为构建大规模类脑智能计算系统奠定了基础,未来类脑超级算力极可能超过人类大脑算力,影响智能科技变革和人类社会发展。

关键词： 无人驾驶清洁车   垃圾识别   类脑智能   大数据技术  

摘要： 园区无人驾驶清洁车垃圾识别技术是一项基于人工智能和机器视觉的创新技术,旨在提高园区清洁效率和垃圾分类的准确性。文章研究并实现了一种基于类脑智能和大数据技术融合的、可适应不同距离的垃圾图形数据去噪和精简处理技术。该技术利用先进的图像识别算法和深度学习模型,能自动识别和分类不同类型的垃圾。通过搭载高分辨率摄像头和传感器,该技术能实时捕捉园区内的垃圾图像,并将其传输到云端进行分析和处理。

关键词： 脉冲神经网络   分层强化学习   指挥智能体   ANN-SNN  

摘要： 针对现有智能体技术应用于军事指挥控制领域中时存在计算资源需求高、奖励值稀疏、收敛速度慢、推理效果差的问题,提出了一种基于脉冲神经网络(spiking neural network,SNN)和分层强化学习的指挥智能体技术。基于分层强化学习思想对军事指挥智能体进行建模,利用SNN构建智能体决策模型;通过ANN-SNN转换的学习算法获得基于SNN的指挥智能体;基于“墨子”兵棋推演软件开展对比试验,与现有智能体技术相比,提出方法对计算资源的需求较低,且具有较高的博弈对抗胜率。

关键词： 脑机接口   功能近红外光谱成像   脉冲神经网络   脉冲神经元  

摘要： 脉冲神经网络(Spiking Neural Network,SNN)是研究脑机接口(Brain-Computer Interface,BCI)的新方向。与传统人工神经网络不同,SNN使用离散脉冲信号传递和处理信息,模拟神经元的生物电活动,目前主要应用在脑电图(Electroencephalogram,EEG)中,而近红外信号的分类大多数以传统机器学习和卷积神经网络(Convolutional Neural Network,CNN)为主。受SNN在EEG分类应用的启发,将SNN应用于功能近红外光谱(Functional Near-Infrared Spectroscopy,fNIRS)分类任务,并采用频谱图SNN适应fNIRS数据特性。与传统方法和CNN相比,频谱图SNN在三元分类任务中表现出卓越性能,传统方法和CNN的分类准确率分别为75.7%和72.8%,频谱图SNN模型在同一任务上取得了显著的成功,分类准确率达80.49%。这表明,SNN模型可显著提高fNIRS脑机接口性能,为神经科学研究和BCI的发展提供了新的可能性。

关键词： 脉冲神经网络   时间有效训练   空间随时间学习   空间注意力机制   人工智能  

摘要： 脉冲神经网络作为人工智能发展的重要方向之一,在神经形态工程和类脑计算领域得到了广泛的关注.为解决脉冲神经网络泛化性差、内存和时间消耗较大等问题,本文提出了一种基于脉冲神经网络的时空交互图像分类方法.首先引入时间有效训练算法弥补梯度下降过程中的动能损失;其次融合空间随时间学习算法,提高网络对信息的高效处理能力;最后添加空间注意力机制,增强网络对空间维度上重要特征的捕捉能力.实验结果表明,改进后的方法在CIFAR10、DVS Gesture、CIFAR10-DVS这3个数据集上的训练内存占用分别减少了46.68%、48.52%、10.46%,训练速度分别提升了2.80倍、1.31倍、2.76倍,在保证精度的情况下,网络性能得到有效提升.

关键词： 未来产业   战略性新兴产业   芯片产业   竞争领域   国际科技竞争   计算技术   人工智能   重点发展方向  

摘要： 浙江省已成功实现类脑芯片从“0—1”(原始创新)这一关键性的大跨越,下一步应把类脑芯片作为“十五五”期间优先发展的战略性新兴产业,打造浙江类脑芯片产业高地、创新高地类脑芯片是下一代计算技术和人工智能的重点发展方向,也是国际科技竞争的重点领域。“十四五”规划和2035远景目标纲要提出要超前布局类脑芯片等未来产业,加快建设未来产业先导区。2023年2月,浙江省政府办公厅印发《关于培育发展未来产业的指导意见》,明确将脑科学与类脑智能作为探索发展6个潜力巨大的未来产业之一。为力争在全球芯片市场和科技竞争领域处于优势地位,浙江省亟需积极开辟类脑芯片产业新赛道,打造类脑芯片产业创新高地。

关键词： 脉冲神经网络   ANN-SNN转化   速率编码  

摘要： 脉冲神经网络(Spiking Neural Network, SNN)具有强大的时空信息表征、异步事件处理能力,但由于脉冲发放过程不具有连续可微性,其训练是一个难题.人工神经网络(Artificial Neural Network, ANN)转SNN的方法,能够获得较高推理精度的深度SNN,但却存在SNN网络延迟和功耗过高的问题.为了降低网络延迟和功耗,本文从脉冲信息传递的异步特性入手,分析了极低延迟下SNN精度损失的主要原因,提出残余膜电位误差(Residual Membrane Potential Error, RMPE)的概念,并对其进行分析与推导,建立残余膜电位与初始膜电位和权重之间的关系模型.基于所建立的残余膜电位模型,提出一种初始膜电位和权重的分层校准算法,减少残余膜电位误差,从而解决脉冲输入序列均匀分布假设与真实分布不一致的问题.提出一种ANN-SNN的双阶段转化框架,在第一阶段,采用带有可训练分层阈值的量化截断激活函数对ANN进行二次训练,以实现量化误差与截断误差的最优化;在第二阶段,对SNN进行微调训练,以进一步缩小残余膜电位误差,使得在极低延迟下的ANN-SNN转化也能获得较高的精度.实验结果表明,本文方法推理延迟和功耗方面都优于现有的方法.