BAM神经网络

摘要： 对带有时滞的模糊随机BAM神经网络进行了固定时间同步分析.在传统BAM神经网络的框架下,引入了随机扰动、模糊性、离散时滞的影响,使得网络模型更符合实际系统,拓展了模型的应用范围.在此基础上,通过设计合适的反馈控制器,利用Lyapunov方法,得到了系统达到固定时间同步的判定准则.最后进行了数值模拟验证理论结果的有效性.

摘要： 本文解决了分数阶BAM模糊神经网络的全局Mittag-Leffler (M-L)镇定问题。首先回顾了与分数阶微积分相关的基础知识,并建立了网络模型。其次,基于一种新的压缩映射和二范数分析方法严格证明了模型平衡点的存在唯一性。最后,通过设计一种简洁有效的线性控制器导出了分数阶BAM模糊神经网络实现全局M-L镇定的充分性判据。

摘要： 本文考虑一类时滞BAM神经网络系统的全局渐近同步问题。利用Lyapunov泛函和分析方法,给出了两个能够保证所考虑系统的全局渐近同步的充分判据,所得结果一定程度上比本文的主要参考文献有较为广泛的适应性。

摘要： 讨论一类具有连续分布时滞和脉冲影响的双向联想记忆(bidirectional associative memory,BAM)神经网络,通过M-矩阵、 谱理论以及建立脉冲时滞微分不等式,得到系统平衡点的存在唯一性及全局指数稳定性的充分判别条件.最后,给出一个实例,说明结论的可行性和有效性.

摘要： 文章通过构造Lyapunov函数,利用周期解的存在性,讨论了变时滞二阶Cohen-Grossberg BAM神经网络周期解的全局指数稳定性。并举出一个例子来验证我们的结论是有效的。

摘要： 利用M-矩阵理论以及Halanay不等式技巧,给出了一类含有变时滞的非自治BAM(bi-direc-tional associative memory)神经网络周期解的全局指数稳定性的充分条件,这些条件去掉了对激活函数的有界性、单调性和可微性的要求,且在某些情况下更易验证.最后通过一个例子验证了所给结果的有效性.

摘要： This paper studies the unique existence and global asymptotic stability of the equilibrium point of fractional-order BAM neural networks,obtains the sufficient condition for the unique existence of the systematic equilibrium point by using contraction mapping principle,receives the sufficient condition of the global asymptotic stability of the equilibrium point of the studied model by constructing Lyapunov function and by using Lyapunov function theory,matrix inequality method and Laplace integral transform method,gives more strict and easier verification condition by the form of matrix inequalities and verifies the correctness of the conclusion by numerical simulation.%研究了分数阶BAM神经网络平衡点的唯一存在性和全局渐近稳定性，利用压缩映像原理得到了系统平衡点唯一存在的充分条件；通过构造 Lyapunov 函数，运用 Lyapunov 函数理论、矩阵不等式法和Laplace积分变换法，得到了所研究模型平衡点的全局渐进稳定的充分条件，以矩阵不等式的形式给出了更为严格和更易验证的条件，并通过数值仿真验证了结论的正确性。

摘要： 本文研究了一类带有时滞的忆阻脉冲BAM (Bidirectional Associative Memory)神经网络的Lagrange稳定性.利用Lyapunov函数和不等式方法,得到时滞忆阻脉冲BAM神经网络的La-grange稳定性的充分条件,根据系统自身参数给出了其全局指数吸引集的估计.最后,通过数值实例验证了理论的正确性.

摘要： 利用M矩阵理论以及Halanay不等式技巧,给出了一类含有变时滞的非自治BAM神经网络周期解的全局指数稳定的充分条件,这些条件去掉了对激活函数的有界性、单调性和可微性的要求.

摘要： 通过对带有时滞的双向联想记忆(BAM)神经网络进行研究，通过矩阵不等式的技巧，得出系统平衡点的唯一性判据。通过构造适当的Lyapunov函数和线性矩阵不等式的技巧，得到了渐近稳定的新判据，最后的数值算例说明的判据的有效性。

摘要： 通过对带有时滞的双向联想记忆(BAM)神经网络进行研究，通过矩阵不等式的技巧，得出系统平衡点的唯一性判据。通过构造适当的Lyapunov函数和线性矩阵不等式的技巧，得到了渐近稳定的新判据，最后的数值算例说明的判据的有效性。

摘要： 通过对带有时滞的双向联想记忆(BAM)神经网络进行研究，通过矩阵不等式的技巧，得出系统平衡点的唯一性判据。通过构造适当的Lyapunov函数和线性矩阵不等式的技巧，得到了渐近稳定的新判据，最后的数值算例说明的判据的有效性。

摘要： 本发明公开了一种基于FPGA的离散BAM神经网络系统，包括封装于FPGA的地址选择模块AddSel、权值矩阵存储与读取模块SRAM、HADAMARD预处理模块hdm以及联想回忆诊断模块Matrix；权值矩阵存储与读取模块SRAM串行存储、读取BAM神经网络系统得到的权值矩阵；地址选择模块AddSel选择权值读、写过程中的地址；HADAMARD预处理模块hdm用于对输入向量的HADAMARD预处理；联想回忆诊断模块Matrix规范化处理BAM神经网络在线联想回忆诊断过程以及结果。相比较传统利用软件程序进行BAM神经网络计算，采用本方法不需要占用CPU，并且获得比软件计算更快的速度，抗干扰性更强。

摘要： 本发明提供一种不需要偏置的神经网络电路装置、神经网络、神经网络处理方法和神经网络的执行程序。二值化神经网络电路(100)具有：输入输入值x1～xn(xi)(二值)的输入节点和输入权重w1～wn(wi)(二值)的输入部(101)；XNOR门电路(102)，其接收输入值x1～xn和权重w1～wn，且进行XNOR逻辑运算；求和电路(103)，其求出各XNOR逻辑值的总和；批归一化电路(41)，其通过扩大归一化范围且使中心位移的处理来修正由二值化导致的分布不平衡；和激活函数电路(35)，其使用激活函数fsgn(B)对信号B进行转换，其中所述信号B是对求出总和之后的信号Y进行批归一化得到的信号。

摘要： 本发明提供一种无需批归一化电路的神经网络电路装置、神经网络、神经网络处理方法及神经网络的执行程序。二值化神经网络电路(100)具备：输入输入值x1～xn(xi)(二值)的输入节点及输入加权w1～wn(wi)的输入部(101)、接收输入值x1～xn及加权w1～wn并采用XNOR逻辑的XNOR门电路(102)、输入多位偏置W'的多位偏置W'输入部(110)、取各XNOR逻辑值和多位偏置W'的总和的求和电路(103)及对于取总和后的信号Y仅输出符号位的激活电路(120)。

摘要： 本发明提高数据并行型分散学习的吞吐量。神经网络系统具有存储器和访问存储器的多个处理器，多个处理器中的每一个处理器在多次学习中的每一次学习中，基于训练数据的输入和神经网络内的参数执行神经网络的运算来计算神经网络的输出，计算计算出的输出与训练数据的教师数据的差分相对于参数的梯度或者基于梯度的更新量，(1)在梯度或者更新量的累积不小于阈值的第一情况下，执行多个处理器将分别计算出的多个梯度或者更新量的累积发送到多个处理器内的其它的处理器来汇集多个梯度或者更新量的累积，接收汇集后的梯度或者更新量的累积，用汇集后的梯度或者更新量的累积更新参数的第一更新处理，(2)在梯度或者更新量的累积小于阈值的第二情况下，执行多个处理器不进行基于发送的多个梯度或者更新量的累积的汇集，用多个处理器分别计算出的梯度或者更新量更新各自的参数的第二更新处理。

摘要： 本公开涉及训练神经网络的方法、训练神经网络的系统以及神经网络。一种用于训练第一神经网络，以在图像输入到第一神经网络时，检测在该图像上可见并且属于给定对象类别的对象的视点的方法，包括：提供不同视点下的多对图像的数据集，提供被配置成能够得出对象的外观信息的第二神经网络，提供被配置成能够使用外观信息和视点，得出所述类别的对象的合成图像的第三神经网络，联合训练第一神经网络、第二神经网络和第三神经网络。

摘要： 根据本发明的分布式处理用人工神经网络运算加速装置可以具有：外部主存储器，存储针对输入神经元的输入数据和突触权重；内部缓冲存储器，存储构成所述人工神经网络运算的各个循环所需的突触权重和输入数据；DMA模块，用于与所述外部主存储器及内部缓冲存储器直接发送和接收数据；神经网络运算装置，针对构成人工神经网络运算的各个循环重复地处理以下一系列顺序过程：读取存储在所述内部缓冲存储器的突触权重和输入数据、执行人工神经网络运算、将运算结果存储在所述外部主存储器；CPU，用于控制在所述外部主存储器和内部缓冲存储器存储针对输入神经元的输入数据和突触权重的操作和所述神经网络运算装置的运行；及通用通信中介块，可以与无关集成电路的类型地以物理方式连接的其他加速装置发送和接收针对所述输入神经元的输入数据和突触权重以及在所述神经网络运算装置执行的运算结果。

摘要： 一种卷积神经网络(CNN)处理装置(1)，设置有：输入缓冲器(10)，用于存储要对CNN应用的输入信号A；权重缓冲器(11)，用于存储权重U；卷积运算单元(12)，执行包括输入信号A与权重U之间的乘积‑求和运算的卷积运算；存储单元16，存储表(160)，在该表中，转换‑量化处理的输入与输出彼此相关联，其中，转换‑量化处理接受卷积运算的运算结果作为所述输入，基于预定条件来转换输入值，通过降低转换后的数据的比特精度来进行量化，并且输出结果；以及处理单元(14)，参考表(160)以获取转换‑量化处理的与卷积运算的运算结果相对应的输出。

摘要： 本发明提供一种能够通过减少存储器数量而将其配置在芯片上的神经网络电路装置、神经网络处理方法和神经网络的执行程序。三状态神经网络电路(200)具有非零卷积运算电路(21)、求和电路(22)和激活函数电路(23)，其中，所述非零卷积运算电路(21)在中间层中接收用于进行卷积的输入值Xi和权重Wi来进行卷积运算；所述求和电路(22)求取通过卷积运算得到的各运算值和偏置W0的总和；所述激活函数电路(23)用激活函数f(u)对求取总和得到的信号Y进行转换。非零卷积运算电路(21)跳过权重Wi为零的权重，来根据非零权重和与该非零权重对应的输入值Xi进行卷积运算。

摘要： 本发明提供了一种生成训练神经网络的训练数据的方法、训练神经网络的方法和利用神经网络进行自主操作的方法，以及相关设备和系统。一方面，提供了一种训练用于环境中对象的自主操作的神经网络的方法，包括：基于样本数据集生成策略值；基于所述策略值生成近似动作值函数；通过所述近似动作值函数为所述样本数据集中的所有状态以及所有可能动作生成近似策略值集；基于近似策略值计算所述神经网络的训练目标；计算训练误差作为所述训练目标和所述样本数据集中对应的状态动作对的策略值之间的差值；更新所述神经网络的至少一些参数以最小化所述训练误差。

摘要： 一种用于处理包括运算处理图在内的神经网络模型的神经网络系统，该神经网络系统包括运算处理器，其中该运算处理图包括多个运算，该运算处理器包括存储第一模块输入特征图的内部存储器。该运算处理器被配置为：基于所存储的第一模块输入特征图，通过执行多个运算中的第一运算来获得第一分支输出特征图；以及基于所存储的第一模块输入特征图，通过执行多个运算中的第二运算来获得第二分支输出特征图。该内部存储器在执行第一运算时保持对第一模块输入特征图的存储。