欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202510066018X
申请人: 暨南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于脉冲神经网络的神经形态计算系统,其特征在于,该系统包括:

神经形态处理器,用于采用若干个物理神经元构建硬件化的脉冲神经网络,通过所述脉冲神经网络对实时输入图像进行脉冲编码和目标识别;所述物理神经元采用近似生物神经元模型构建;所述近似生物神经元模型预存有突触权重和激活阈值;

基于RISC-V指令架构实现的中央处理器,与所述神经形态处理器通信,用于执行构建所述脉冲神经网络所需的控制指令;

所述神经形态处理器,还用于在所述控制指令的控制下对所述脉冲神经网络进行在线学习,对所述脉冲神经网络的每个物理神经元所关联的突触权重和激活阈值进行更新;

存储器,用于存储所述中央处理器运行所需的程序指令,所述程序指令包括构建所述脉冲神经网络所需的控制指令;以及,用于存储所述中央处理器与所述神经形态处理器之间传输的数据;

所述近似生物神经元模型包括充电模型和放电模型,其中:

充电模型为:

基准衰减式充电模型:,或者,

增量衰减式充电模型:,

放电模型为:

硬重置放电模型:,或者,

软重置放电模型:,

其中,V(t)为物理神经元在当前时间步的膜电位,V(t-1)为物理神经元在上一时间步的膜电位,X(t)为在当前时间步输入的脉冲信号所形成的膜电位增量,为预设的膜电位衰减因子;为物理神经元的重置基准电位;V(t+)为物理神经元在当前时间步的重置后膜电位,V(t-)为物理神经元在当前时间步的重置前膜电位;Vth为当前物理神经元的激活阈值;

采用以上近似生物神经元模型组建的脉冲神经网络,可以支持多种类型的突触连接,能够模拟不同模型的神经元。

2.根据权利要求1所述的基于脉冲神经网络的神经形态计算系统,其特征在于,所述中央处理器为单发射乱序执行的RISC-V处理器;所述RISC-V处理器包括处理器前端、指令缓冲单元和处理器后端;

所述处理器前端包括程序译码器、取指单元和动态分支预测器;

所述程序译码器,用于将控制所述脉冲神经网络运行的计算机程序转换为RISC-V指令流,并将所述RISC-V指令流输送至所述存储器中进行存储;

所述取指单元,用于访问所述存储器,读取与当前时钟周期的程序计数值相对应的单条RISC-V指令并将其输送至所述指令缓冲单元;所述程序计数值用于作为访问所述存储器的读地址;

所述动态分支预测器,用于预测出下一时钟周期的程序计数值;

所述指令缓冲单元,用于对所述取指单元读取的RISC-V指令进行缓冲,将所述RISC-V处理器的前端计算线程与后端计算线程进行隔离;

所述处理器后端为由译码单元、发射单元、物理寄存器堆、执行单元和退休单元组成的五级流水线架构,用于读取所述指令缓冲单元的RISC-V指令并对其依次进行译码、发射、读写物理寄存器堆、乱序计算,以及,指令退休操作,实现所述RISC-V处理器与所述神经形态处理器的数据交互。

3.根据权利要求2所述的基于脉冲神经网络的神经形态计算系统,其特征在于,所述神经形态处理器包括:脉冲编码器、多个并行计算的脉冲神经计算核、至少一个脉冲神经决策核,以及,一级路由器;

每个所述脉冲神经计算核和所述脉冲神经决策核中均内置有突触计算模块、神经元计算模块和路由接口;所述神经元计算模块包括暂态数据存储器、神经元仲裁器,以及,采用流水线架构级联的多个物理神经元;所述突触计算模块预存有对各个物理神经元离线训练获得的初始突触权重;所述暂态数据存储器预存有各个物理神经元的初始激活阈值;

所述脉冲编码器,用于基于卷积神经网络对输入图像进行脉冲编码,在预设的时间窗口内每隔一个时间步生成一串脉冲信号,形成待输入至所述脉冲神经网络的脉冲序列;

所述多个并行计算的脉冲神经计算核,用于组建所述脉冲神经网络的隐藏层,将所述脉冲序列分批次接入至所述隐藏层中的各个物理神经元中,并按照所述近似生物神经元模型控制各个物理神经元的激活状态;

所述脉冲神经决策核,用于组建所述脉冲神经网络的输出层,并将所述隐藏层中被激活的各个物理神经元所产生的新脉冲信号,分配至所述输出层中的物理神经元进行目标预测;

所述一级路由器,用于构建所述脉冲编码器与所述脉冲神经计算核之间的通信路由,将所述脉冲序列分配至所述隐藏层的多个脉冲神经计算核中进行并行计算;还用于构建所述多个脉冲神经计算核与所述脉冲神经决策核之间的通信路由,将所述隐藏层的计算结果传递至所述输出层。

4.根据权利要求3所述的基于脉冲神经网络的神经形态计算系统,其特征在于,每个所述脉冲神经计算核和所述脉冲神经决策核中分别还包括在线学习单元;所述在线学习单元包括:遗忘失活器、冻结器、随机学习器和参数更新器;

所述遗忘失活器,用于基于随机遗忘学习法对隐藏层所涉及的物理神经元进行随机失活;

所述冻结器,用于对输出层所涉及的物理神经元的突触权重和激活阈值进行冻结;

所述随机学习器,用于对隐藏层中未失活的物理神经元进行训练,以及,用于对输出层中被解冻的物理神经元进行训练;

参数更新器,用于对所述随机学习器训练后的物理神经元的突触权重和激活阈值进行更新,具体为:若物理神经元的当前时间步的膜电位与当前时间步的激活阈值的差值大于预设的伪随机数,则采用以下方程分别更新当前物理神经元的突触权重和激活阈值:其中,表示下一时间步的突触权重,表示当前时间步的突触权重,表示下一时间步的神经元激活阈值,表示当前时间步的神经元激活阈值,表示前神经元与后神经元发放脉冲的时间差,a和b表示两种不同的突触权重更新幅度,且00;

否则,物理神经元在下一时间步的突触权重和神经元激活阈值保持不变。

5.根据权利要求3所述的基于脉冲神经网络的神经形态计算系统,其特征在于,每个所述物理神经元包括:PE近似计算阵列、近似加法树和脉冲发放决策单元;

所述PE近似计算阵列由多个PE单元采用并行流水计算架构组成,用于将所述脉冲序列进行分批次接入,并将每批次接入的各个脉冲信号并行发放至对应的PE单元中进行流水计算;

每个PE单元包括累加控制逻辑和至少一个第一近似加法器;

每个所述PE单元,用于在所述累加控制逻辑的控制下,利用所述第一近似加法器对各批次接入的局部脉冲序列进行累计,获得在预设的时间窗口内的局部膜电位增量;并根据所述充电模型,利用所述局部膜电位增量计算出物理神经元在当前PE单元的局部膜电位;

所述近似加法树由多个第二近似加法器采用二叉树结构分级构成,用于将每个PE单元输出的局部膜电位进行叠加,获得所述脉冲序列在当前物理神经元上累积的完整膜电位;

所述脉冲发放决策单元,用于将所述的完整膜电位与当前物理神经元的激活阈值进行比较,判断当前物理神经元是否被激活;若当前物理神经元没有被激活,则接入新的脉冲信号并根据所述充电模型对当前物理神经元的膜电位进行充电;若当前物理神经元被激活,则发放新脉冲,并在发放新脉冲之后根据所述放电模型对当前物理神经元的膜电位进行重置。

6.根据权利要求5所述的基于脉冲神经网络的神经形态计算系统,其特征在于,所述神经形态处理器,还包括:脉冲密度判别器;

所述脉冲密度判别器,用于根据所述脉冲序列的脉冲密度,将所述脉冲序列判别为稠密脉冲序列或稀疏脉冲序列;

所述PE近似计算阵列,还用于当所述脉冲序列为稠密脉冲序列时,采用所述近似加法树计算出所述脉冲序列在当前物理神经元上的完整膜电位;当所述脉冲序列为稀疏脉冲序列时,采用逻辑或门电路计算出所述脉冲序列在当前物理神经元上的完整膜电位。

7.根据权利要求3所述的基于脉冲神经网络的神经形态计算系统,其特征在于,所述脉冲编码器包括多个卷积滤波器,池化器,以及,时空编码器;

所述多个卷积滤波器依次连接,用于通过可训练的卷积核对输入图像进行多次卷积操作,提取不同层次的图像特征融合成图像特征图;

所述池化器,用于对所述图像特征图进行数据降维,减少所述图像特征图的空间信息;

所述时空编码器,用于对降维后的图像特征图划分为多个局部空间区域,并按照预设的时间间隔对各个所述局部空间区域进行依次编码,将所述局部空间区域中的像素的强度值量化为以频率发放的脉冲序列。

8.根据权利要求5所述的基于脉冲神经网络的神经形态计算系统,其特征在于,所述第一近似加法器和所述第二近似加法器均为带纠错机制的推测进位加法器;

所述推测进位加法器包括m个k位的子加法器,用于对应接入m段k位的输入子信号进行分别累加,其中,所述m段k位的输入子信号由总位宽为n=m·k的输入信号划分而成;

每个所述子加法器包括一个推测进位生成器;所述推测进位生成器,用于根据以下方程推测出相应的子加法器的近似进位信号为:其中,i 表示子加法器的编号,代表第i个子加法器的近似进位信号;第1个子加法器的近似进位信号为=0;k表示每个子加法器的位宽,代表第i个子加法器生成的第k-1位的进位标识信号,代表第i-1个子加法器生成的第k-1位的进位标识信号,代表第i个子加法器输出的第j位的进位传播信号;

各个所述子加法器之间还设有多路选择器,用于根据当前子加法器的进位传播信号的状态值,将前一个子加法器的进位标识信号或前一个子加法器的近似进位信号选中为当前子加法器的进位输入信号。

9.一种基于脉冲神经网络的神经形态计算方法,其特征在于,包括:

编写计算机程序;

将所述计算机程序输入至如权利要求1至8任一项所述的基于脉冲神经网络的神经形态计算系统中执行,实现对输入图像的实时目标识别。