课程文献中心 更多>>

关键词： 神经网络   脉冲神经网络   神经形态计算   边缘智能  

摘要： 受生物神经系统启发,神经形态计算的概念于20世纪80年代被提出,旨在模拟生物大脑的结构和功能,实现更高效、更具生物合理性的计算方式.作为神经形态计算的代表模型,脉冲神经网络(SNN)因其脉冲稀疏性,事件驱动性、生物可解释性以及硬件契合性等优势,在资源严格受限的边缘智能任务中得到了广泛应用.针对脉冲神经网络的边缘部署情况进行梳理和汇总,首先从脉冲神经网络模型自身的原理出发,论述脉冲神经网络的高能效计算方式以及巨大的边缘部署潜力.然后介绍当下常见的脉冲神经网络硬件实现工具链,并重点对脉冲神经网络在各类神经形态硬件平台的部署情况做详细的整理与分析.最后,考虑到硬件故障行为已发展为当下研究中不可避免的问题,对脉冲神经网络边缘部署时的故障与容错研究进行概述.从软件模型原理到硬件平台实现,全面系统地介绍神经形态计算的最新进展,分析脉冲神经网络边缘部署时遇到的困难与挑战,并针对这些挑战给出未来可能的解决方向.

关键词： 脉冲神经网络   中枢模式发生器   四足机器人   脉冲强化学习   分层控制   运动控制  

摘要： 随着四足机器人控制技术的逐渐发展,四足机器人已经广泛被应用于救援、军事、探险等领域.在四足机器人的应用中,如何在不牺牲控制性能的前提下有效降低能耗是一个重要的瓶颈问题.为此,本文提出了一种基于脉冲强化学习算法(Spiking Reinforcement learning, SRL)和中枢模式发生器(Central Pattern Generator, CPG)的分层控制算法(SRL-CPG)用于四足机器人的运动控制.首先,考虑到脉冲神经元相比传统的人工神经元具有更低的能耗,本文基于脉冲神经网络(Spiking Neural Network, SNN)构建脉冲强化学习算法,将其作为控制中枢.其次,在控制任务动作空间过大的情况下, SRL难以取得良好的控制效果,因此本文将CPG作为低级控制器,利用SRL接受状态信息并对CPG参数进行调整进而控制四足机器人运动.最后, SRL-CPG控制算法在本文于Webots环境中搭建的四足机器人模型Gbot上进行了实验验证,结果表明SRL-CPG控制算法能够有效应用于四足机器人的运动控制,并大大降低了能耗.

关键词： 类脑计算   长短时记忆   忆阻器   网络性能优化   神经网络   仿真框架   长时程抑制   处理性能  

摘要： 本文聚焦忆阻器(memristor)动态特性建模方法及其在神经形态计算中的应用。忆阻器具备类突触的长短时记忆特性,能够有效满足神经形态系统的构建需求,展现显著的应用优势。基于这一特性,本文利用“DNN+NeuroSim”这一先进仿真框架,通过其内置的忆阻器数学模型,分析了在不同脉冲条件下的长时程增强(LTP)与长时程抑制(LTD)行为,并探讨了该模型在神经网络中的潜在应用。本文对短时程可塑性(STP)进行了建模分析,探究其在储层计算中处理动态任务的能力。结果表明,忆阻器能够有效模拟突触行为,并在静态与动态任务中展现优异的处理性能。忆阻器的特性为类脑计算提供了新的应用前景,并推动了神经网络性能优化的进展。

关键词： 轮对踏面   缺陷识别   脉冲神经网络   特征融合   注意力机制  

摘要： 列车轮对踏面缺陷识别是保障列车轮轨系统安全服役的关键步骤。然而,轮对踏面缺陷类型多样复杂、类别不平衡,现有卷积神经网络算法难以对其进行准确识别。为此,提出基于改进脉冲神经网络(SNN)的列车轮对不平衡踏面缺陷识别方法。采用混合卷积编码模块,通过提高特征多样性稀疏表达,减少编码细节信息丢失;提出脉冲金字塔拆分注意网络,考虑多尺度空间信息跨通道交互能力,以提取缺陷的多尺度特征;提出一种新的交叉注意力模块,提取不同层级特征的空间全局信息,通过交叉校准以增强输入特征,抑制噪声等无用特征;通过不平衡比例达10∶1的踏面缺陷数据集对该识别方法进行试验验证。验证结果表明,该方法能够有效提高模型的识别精度,并且对少数类别缺陷也有较高的识别率。

关键词： 通识课程   脑科学   教学改革   “科学-技术-社会”三融合   学科交叉  

摘要： 推动通识课程高质量建设是培养高素质创新型人才的重要途径。基于传统通识课程存在课程设计理念守旧、教学方法相对单一、课程认知误解等一般问题,该文以前沿交叉学科脑科学与类脑智能课程为例,以学生为中心,以全面发展为导向,围绕“知识-能力-素质”三位一体的教育目标,融合“科学-技术-社会”三维度设计创新教学模式,建立一种促进学生素质教育和提升个性化发展的通识课培养策略,并探讨其落实“通专融合”的教学实践效果,可为其他交叉学科通识课程建设提供参考。

关键词： 类脑智能   工业控制系统安全   信息安全挑战   智能决策算法   异常检测  

摘要： 随着工业控制系统(ICS)信息化和智能化的推进,信息安全问题日益凸显。本文全面分析了类脑智能技术在ICS信息安全领域的应用现状,并深入探讨了其在智能机器人定位、决策算法优化、异常检测等关键领域的实际应用,同时讨论了该技术在隐私保护、数据安全和系统稳定性方面所面临的挑战。本文旨在为ICS信息安全领域提供新的视角和解决方案,推动类脑智能技术的实际应用和产业发展。

关键词： 四象限脉冲整流器   格拉姆角差场(GADF)   卷积神经网络(CNN)   故障诊断  

摘要： 为充分发挥卷积神经网络(CNN)在图像识别分类中的优势,提出一种基于卷积神经网络和格拉姆角差场(GADF)的四象限脉冲整流器故障诊断方法。首先利用格拉姆角差场将整流器网侧电流一维时间序列转换为二维特征图,保留数据对时间的依赖性,识别出信号在不同时间间隔内的时间相关性;然后利用卷积神经网络对生成的特征图进行整流器开路故障特征提取与分类,并与其他常见故障诊断方法比较。仿真分析结果表明,相较于其他故障诊断方法,所提方法具有更高的诊断准确率。

关键词： 认知地图   网格细胞   位置细胞   海马体  

摘要： 认知地图不仅可以映射物理空间,还可以支持认知空间映射,形成包括感知空间、情景记忆空间、概念空间和社会空间等在内的跨不同信息领域的地图式表征。认知空间映射的神经机制包括海马体对潜在结构的抽象和概括、支持分布式位置地图的生成、将信息与背景结构捆绑,以及海马体与其它脑区的协同。未来研究应关注预测性的认知空间地图、海马体对不同精度和层级信息的表征、认知空间映射微观和介观层面的研究空缺以及物理空间和认知空间映射的共同机制和特异性机制等问题。

关键词： 多尺度特征   深层特征   高效提取   脉冲解耦检测头  

摘要： 由于出色类脑机制和自身节能性,脉冲神经网络(SNN)受到广泛研究,且在目标分类任务中取得显著进展,但其在目标检测领域的研究尚处于初步阶段。针对现有SNN目标检测算法在复杂场景下检测精度低的问题,本文构建了一种深层特征高效、轻量提取的脉冲神经网络目标检测架构——ES-YOLO。该架构提出了高效特征提取模块(SDF-Module),并结合多尺度特征提取的空间金字塔设计,显著提升了模型在复杂目标检测任务中的性能。此外,通过引入脉冲解耦检测头,进一步优化了模型的检测精度和实时性。实验结果表明,在VOC2012数据集上,ES-YOLO模型获得了60.5%的mAP@0.5和37.1%的mAP@0.5:0.95的性能指标,相比EMS-YOLO分别提升了4%和3.7%。该模型不仅缩小了与同等架构ANN模型的性能差距,而且整体能耗为同等架构ANN的1/5。为后续SNN在目标检测任务中的广泛应用提供支持。Due to the outstanding brain-inspired mechanisms and energy efficiency, Spiking Neural Networks (SNN) have garnered widespread attention and achieved significant progress in object classification tasks. However, research on SNNs in the field of object detection remains in its early stages. To address the issue of low detection accuracy of existing SNN-based object detection algorithms in complex scenarios, this paper proposes a novel, deep-feature-efficient and lightweight SNN-based object detection architecture—ES-YOLO. The architecture introduces an efficient feature extraction module (SDF-Module) and incorporates a spatial pyramid design for multi-scale feature extraction, significantly improving the model’s performance in complex object detection tasks. Furthermore, by integrating a spiking decoupled detection head, the model’s accuracy and real-time performance are further optimized. Experimental results on the VOC2012 dataset demonstrate that the ES-YOLO model achieves 60.5% mAP@0.5 and 37.1% mAP@0.5:0.95, representing improvements of 4% and 3.7% respectively compared to EMS-YOLO. The model not only reduces the performance gap between SNNs and equivalent ANN models but also achieves overall energy consumption that is only 1/5 that of the equivalent ANN architecture. This work provides support for the broader application of SNNs in object detection tasks in the future.

关键词： 轴承故障诊断   脉冲神经网络   软阈值去噪  

摘要： 本文聚焦于传统轴承故障诊断方法存在的不足,对基于改进脉冲神经网络的轴承故障诊断方法展开了深入探究。详细剖析了传统方法的局限性以及常用神经网络在轴承故障诊断领域的应用情况,并提出一种将基于软阈值降噪的脉冲卷积神经网络与优化算法相结合的方法。通过对所提方法在不同工况及不同噪声水平下的应用效果展开深入分析,有效验证了该方法的有效性与稳定性,为其在实际工程中的可靠应用提供了有力支撑。