Cohen-Grossberg神经网络

摘要： 本文研究了一类具有反应扩散项的时滞Cohen-Grossberg神经网络有限/固定时间同步问题。通过设计一种新颖的状态反馈控制器,并构造合适的Lyapunov泛函,利用不等式技巧,建立了所研究模型的有限/固定时间同步的新判据,所获结果推广并改进了已有文献的结论。最后通过数值仿真验证所得结果的有效性。

摘要： 研究一类具有混合时滞的中立型Cohen-Grossberg神经网络.通过建立线性辅助方程,得到该神经网络存在唯一的概周期解的新结果,同时也给出此概周期解的存在范围.

摘要： 通过建立一种新的增强的李雅普诺夫函数,利用伊藤公式等随机分析工具并结合含有交叉项的Halanay不等式,得到了网络p-阶矩指数稳定的充分条件,最后给出数值例子证明结论的正确性.

摘要： 研究了具有Markov跳的脉冲时滞随机Cohen-Grossberg神经网络的有限时间稳定性问题。在Cohen-Gross-berg神经网络模型中,分别考虑了不稳定型脉冲和稳定型脉冲,通过随机分析和平均脉冲间隔方法,分别给出了随机Co-hen-Grossberg神经网络在两种脉冲情形下的有限时间稳定的判定依据。

摘要： 研究了具有Markov跳的脉冲时滞随机Cohen-Grossberg神经网络的有限时间稳定性问题.在Cohen-Gross-berg神经网络模型中,分别考虑了不稳定型脉冲和稳定型脉冲,通过随机分析和平均脉冲间隔方法,分别给出了随机Co-hen-Grossberg神经网络在两种脉冲情形下的有限时间稳定的判定依据.

摘要： 研究具有Markov切换和非线性扰动的Cohen-Grossberg神经网络的依概率稳定性问题,基于Lyapunov稳定性理论,利用Markov切换转移概率的性质和线性矩阵不等式(LMI)工具,得到系统基于矩阵不等式的依概率渐近稳定性充分条件.

摘要： To analyse the effect of impulsive disturbances on neural networks, the dynamical behaviour of these disturbances was examined at the module of the equilibrium point of a class of complex-valued Cohen-Grossberg neural networks with time-varying delays. It was assumed that amplification,self-feedback,and activation functions were defined in a complex number domain. First,the existence and uniqueness of the equilibrium point of the system were analysed by utilising the corresponding property of the M matrix and the theorem of homeomorphism mapping. Second,the globally exponential stability of the module of the equilibrium point of the system was studied by applying the vector Lyapunov function and mathematical induction methods. The corresponding stability criteria were then established. Finally,two numerical examples from simulations were given to illustrate the practicability and correctness of the obtained results. The simulation results revealed that the states of the addressed system can reach equilibrium within 0. 5 s. Other results showed that the greater the delay and impulsive strength and the smaller the amplification,the slower was the state convergence rate.%为了分析脉冲干扰因素对复数域神经网络的影响,研究了一类具有脉冲干扰的变时滞复数域Cohen-Grossberg神经网络的平衡点的动态行为. 在假定放大函数、自反馈函数以及激活函数定义在复数域的情况下,首先,利用M矩阵和同胚映射的相关原理,分析了该系统平衡点的存在性和唯一性;其次,利用向量Lyapunov函数法以及数学归纳法,研究了该系统平衡点的全局模指数稳定性,并建立的稳定性判据;最后,通过两个数值仿真算例验证了所得结论的实用性和正确性. 仿真结果显示系统状态在0. 5 s便可收敛到平衡状态. 研究结果表明:时滞和脉冲干扰强度越大、放大函数越小,则神经元状态的指数收敛速度越慢.

摘要： 研究了随机混合时滞的Cohen-Grossberg神经网络的均方指数稳定性,运用了常数变易公式、随机比较原理的方法,得到其均方指数稳定的充分条件,并给出了数值例子来验证结论的有效性和正确性.

摘要： Cohen-Grossberg神经网络模型在信号处理、最优化问题中有重要应用,对其周期解的研究非常重要.本文利用集值版本的Mawhin重合度定理、M-矩阵理论和微分不等式技巧,研究了一类具有混合时滞和不连续激励函数的Cohen-Grossberg神经网络模型,建立了所研究模型周期解存在的充分条件,改进并推广了有关文献结果.

摘要： 研究了一类 S-分布时滞Cohen-Grossberg神经网络的全局指数稳定性,利用Gronwall不等式证明系统的有界性,利用拓扑度理论.研究了系统平衡点的存在唯一性,应用Halanay不等式给出了系统的全局指数稳定的充分条件.

摘要： 研究了一类 S-分布时滞Cohen-Grossberg神经网络的全局指数稳定性,利用Gronwall不等式证明系统的有界性,利用拓扑度理论.研究了系统平衡点的存在唯一性,应用Halanay不等式给出了系统的全局指数稳定的充分条件.

摘要： 研究了一类 S-分布时滞Cohen-Grossberg神经网络的全局指数稳定性,利用Gronwall不等式证明系统的有界性,利用拓扑度理论.研究了系统平衡点的存在唯一性,应用Halanay不等式给出了系统的全局指数稳定的充分条件.

摘要： 研究了一类 S-分布时滞Cohen-Grossberg神经网络的全局指数稳定性,利用Gronwall不等式证明系统的有界性,利用拓扑度理论.研究了系统平衡点的存在唯一性,应用Halanay不等式给出了系统的全局指数稳定的充分条件.

摘要： 研究了一类 S-分布时滞Cohen-Grossberg神经网络的全局指数稳定性,利用Gronwall不等式证明系统的有界性,利用拓扑度理论.研究了系统平衡点的存在唯一性,应用Halanay不等式给出了系统的全局指数稳定的充分条件.

摘要： 本文对具有无穷时滞的Cohen-Grossberg神经网络平衡点的存在性、唯一性和全局渐近稳定性进行了分析。在放弃了激活函数的有界性、单调性和可微性假设的情况下，得到了系统的平衡点的存在性条件。利用向量Liapunov函数法的思想，构造适当的含有变时滞和无穷时的滞微分-积分不等式，通过对微分-积分不等式的稳定性分析，得到了神经网络系统的全局渐近稳定的充分条件。

摘要： 本文对具有无穷时滞的Cohen-Grossberg神经网络平衡点的存在性、唯一性和全局渐近稳定性进行了分析。在放弃了激活函数的有界性、单调性和可微性假设的情况下，得到了系统的平衡点的存在性条件。利用向量Liapunov函数法的思想，构造适当的含有变时滞和无穷时的滞微分-积分不等式，通过对微分-积分不等式的稳定性分析，得到了神经网络系统的全局渐近稳定的充分条件。

摘要： 本文对具有无穷时滞的Cohen-Grossberg神经网络平衡点的存在性、唯一性和全局渐近稳定性进行了分析。在放弃了激活函数的有界性、单调性和可微性假设的情况下，得到了系统的平衡点的存在性条件。利用向量Liapunov函数法的思想，构造适当的含有变时滞和无穷时的滞微分-积分不等式，通过对微分-积分不等式的稳定性分析，得到了神经网络系统的全局渐近稳定的充分条件。

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。

摘要： 一种对根据来自旧任务的数据训练的人工神经网络进行再训练的方法，包括：利用来自不同于旧任务的新任务的数据对人工神经网络进行训练，在利用新任务对人工神经网络进行训练期间，利用S l i ced Wasserste i nD i stance计算一系列隐藏层节点的激活分布中的漂移，基于激活分布中的漂移计算要添加到至少一个隐藏层的附加节点的数量，将输入层节点、隐藏层节点和输出层节点之间的连接权重重置为在利用来自新任务的数据对人工神经网络进行训练之前的值，将附加节点添加到至少一个隐藏层，以及利用来自新任务的数据对人工神经网络进行训练。