人工神经网络和脉冲神经网络神经的混合通信方法技术

本发明专利技术提供一种人工神经网络和脉冲神经网络神经的混合通信方法，包括：判断进行通信的神经网络基本计算单元中发送方与接收方的数据类型是否一致，若一致则进行数据传输，若不一致，则执行数据格式转换，将发送方的数据类型转换为与接收方的数据类型，并进行数据传输。本发明专利技术提供的人工神经网络与脉冲神经网络神经的混合通信方法实现了人工神经网络与脉冲神经网络的直接通信。

【技术实现步骤摘要】

本专利技术涉及一种神经网络间的通信方法。
技术介绍
神经网络是一种模仿生物大脑突触-神经元结构进行数据处理的计算系统，由分为多层的计算节点和层间的连接组成。每个节点模拟一个神经元，执行某个特定运算，例如激活函数，节点之间的连接模拟神经突触，连接对于来自上一层节点输入的加权值代表了突触权重。神经网络具有强大的非线性、自适应信息处理能力。人工神经网络中的神经元将来自连接输入的累加值用激活函数处理后作为自身的输出。对应于不同的网络拓扑结构、神经元模型和学习规则，人工神经网络又包括感知器、Hopfield网络、波耳兹曼机等数十种网络模型，可以实现多种多样的功能，在模式识别、复杂控制、信号处理和最优化等方面都有应用。传统的人工神经网络数据可以认为是通过神经元脉冲的频率信息编码，各层神经元依次串行运行。人工神经网络模拟了生物的神经系统分层结构，但是未能完全匹配皮层的信息处理结构.例如时间序列对学习的影响，而作为真正的生物皮层在处理信息上来说，对信息数据的学习不是独立静态的，而是随着时间有着上下文的联系的。脉冲神经网络是近十几年来出现的新型神经网络，被称为是第三代神经网络。脉冲神经网络中的数据以神经元脉冲信号的时空信息编码，网络的输入输出以及神经元之间的信息传递表现为神经元发送的脉冲和发送脉冲的时间信息，神经元需要同时并行运行。与传统的人工神经网络相比，脉冲神经网络在信息处理方式、神经元模型、并行性等方面有较大不同，运行方式更接近于真实的生物系统。脉冲神经网络应用精确定时的脉冲序列对神经信息进行编码和处理，这种包含时间计算元素的计算模型更具生物解释性，是进行复杂时空信息处理的有效工具，可以处理多模态的信息并且信息处理更加实时。但脉冲神经网络的神经元模型的不连续性、时空编码的复杂性、网络结构的不确定性导致很难在数学上完成对网络整体的描述，因此难以构建有效且通用的有监督学习算法，限制了其的计算规模和精确度。
技术实现思路
有鉴于此，确有必要提供一种人工神经网络和脉冲神经网络神经的混合通信方法。一种人工神经网络和脉冲神经网络神经的混合通信方法，包括：判断进行通信的神经网络基本计算单元中发送方与接收方的数据类型是否一致，若一致则进行数据传输，若不一致，则执行数据格式转换，将发送方的数据类型转换为与接收方的数据类型，并进行数据传输与现有技术相比，本专利技术提供的人工神经网络和脉冲神经网络的混合通信方法实现了人工神经网络与脉冲神经网络的直接通信，可以在此基础上实现上述两种神经网络的混合运算。附图说明图1为本专利技术第一实施例提供的人工神经网络和脉冲神经网络的混合计算系统中基本计算单元结构图。图2为本专利技术的串联结构示意图。图3为本专利技术的并联结构示意图。图4为本专利技术的并行结构示意图。图5为本专利技术的学习结构示意图。图6为本专利技术的反馈结构示意图。图7为本专利技术提供的混合计算系统中计算单元层级结构示意图。图8为本专利技术提供的人工神经网络和脉冲神经网络的混合计算系统。图9为本专利技术第二实施例中将人工神经网络输出的数值量转换为脉冲序列的示意图。图10为本专利技术第二实施例中将脉冲神经网络输出的频率编码脉冲序列转换为数值量示意图。图11为本专利技术第二实施例中将脉冲神经网络输出的群体编码脉冲序列转换为数值量示意图。图12为本专利技术第二实施例中将脉冲神经网络输出的时间编码脉冲序列转换为数值量示意图。图13为本专利技术第二实施例中将脉冲神经网络输出的二值编码脉冲序列转换为数值量示意图。图14为本专利技术第三实施例提供的多模态神经形态网络核结构框图。图15为本专利技术第三实施例提供的多模态神经形态网络核运行在人工神经网络时的结构框图。图16为人工神经网络模式下多模态神经形态网络核一个时间步的运行流程图。图17为本专利技术第三实施例提供的多模态神经形态网络核运行在脉冲神经网络时的结构框图。图18为脉冲神经网络模式下多模态神经形态网络核一个时间步的运行流程图。图19为本专利技术第四实施例提供的人工神经网络和脉冲神经网络的混合系统。图20为本专利技术第四实施例中路由节点结构框图。图21为本专利技术第四实施例中路由数据包结构图。图22为本专利技术第四实施例中路由节点工作流程图。主要元件符号说明混合计算系统100模式寄存器211基本计算单元110轴突输入单元212第一基本计算单元110a突触权重存储单元213第二基本计算单元110b树突单元214学习单元111树突乘加单元214a神经元115树突累加单元214b突触116神经元计算单元215复合计算单元120第一计算单元215a串联复合单元120a第二计算单元215b并联复合单元120b树突拓展存储单元2151并行复合单元120c参数存储单元2152学习复合单元120d积分泄漏计算单元2153反馈复合单元120e触发信号计数器216混合系统200控制器217神经形态网络核210路由节点220多模态神经形态网络核210a如下具体实施方式将结合上述附图进一步说明本专利技术。具体实施方式下面将结合附图及具体实施例对本专利技术提供的人工神经网络和脉冲神经网络神经的混合通信方法作进一步的详细说明。本专利技术第一实施例提供一种人工神经网络和脉冲神经网络的混合计算系统100，包括至少两个基本计算单元110，该至少两个基本计算单元110中，至少一个为人工神经网络计算单元，承担人工神经网络计算，至少一个为脉冲神经网络计算单元，承担脉冲神经网络计算，该至少两个基本计算单元110按照拓扑结构相互连接，共同实现神经网络计算功能。请参见图1，所述至少一人工神经网络计算单元与所述至少一脉冲神经网络计算单元分别可以看作一个独立的神经网络，该神经网络中包括多个神经元115，该多个神经元115之间通过突触116连接，组成单层或多层结构。突触权重代表突触后神经元接收突触前神经元输出的加权值。所述至少一脉冲神经网络计算单元用于对本文档来自技高网...

【技术保护点】
一种人工神经网络和脉冲神经网络神经的混合通信方法，其特征在于，包括：判断进行通信的神经网络基本计算单元中发送方与接收方的数据类型是否一致，若一致则进行数据传输，若不一致，则执行数据格式转换，将发送方的数据类型转换为与接收方的数据类型，并进行数据传输。

【技术特征摘要】
1.一种人工神经网络和脉冲神经网络神经的混合通信方法，其特征在于，包
括：判断进行通信的神经网络基本计算单元中发送方与接收方的数据类型是
否一致，若一致则进行数据传输，若不一致，则执行数据格式转换，将发送
方的数据类型转换为与接收方的数据类型，并进行数据传输。
2.如权利要求1所述的人工神经网络和脉冲神经网络神经的混合通信方法，
其特征在于，所述发送方为人工神经网络计算单元，所述接收方为脉冲神经
网络计算单元，所述数据格式转换的方法为：将所述人工神经网络计算单元
输出的数值量转换为对应频率的脉冲序列，并将该脉冲序列作为所述脉冲神
经网络计算单元的输入，所述对应频率是指转换后的脉冲序列的频率与数值
量的大小成正比。
3.如权利要求1所述的人工神经网络和脉冲神经网络神经的混合通信方法，
其特征在于，所述发送方为脉冲神经网络计算单元，所述接收方为人工神经
网络计算单元，所述数据格式转换的方法为：将所述脉冲神经网络的脉冲序
列格式输出转换为对应大小的数值量，并将该数值量作为作为人工神经网络
的输入。
4.如权利要求3所述的人工神经网络和脉冲神经网络神经的混合通信方法，
其特征在于，所述脉冲神经网络计算单元输出的脉冲序列采用频率编码，网
络输出有效信息只...

【专利技术属性】
技术研发人员：裴京，施路平，王栋，邓磊，马骋，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11