神经网络模型中的多普勒效应处理的制作方法
【专利说明】神经网络模型中的多普勒效应处理
[000。 背景 [000^ 领域
[0003] 本公开的某些方面一般设及神经系统工程，并且尤其设及在神经网络模型中使用 多普勒效应的系统和方法。
【背景技术】
[0004] 可包括一群互连的人工神经元（即，神经元模型）的人工神经网络是一种计算设备 或者表示将由计算设备执行的方法。人工神经网络可具有生物学神经网络中的对应的结构 和/或功能。然而，人工神经网络可为其中传统计算技术是麻烦的、不切实际的、或不胜任的 某些应用提供创新且有用的计算技术。由于人工神经网络能从观察中推断出功能，因此运 样的网络在因任务或数据的复杂度使得通过常规技术来设计该功能较为麻烦的应用中是 特别有用的。由此，期望提供用于基于频率随时间的增大或减小来计算对象的速度和/或速 率的神经元形态接收机。
[0005] 概述
[0006] 在本公开的一个方面，公开了一种无线通信方法。该方法包括将第一信号映射到 第一组频槽W及将第二信号映射到第二组频槽。第一信号对应于第一时间，且第二信号对 应于第二时间。第一组神经元(至少部分地)基于第一组频槽的内容被激发。第二组神经元 (至少部分地)基于第二组频槽的内容被激发。第一组神经元对应于第一组频槽，且第二组 神经元对应于第二组频槽。另外，第一组神经元和第二组神经元对应于尖峰发放网络的第 一层神经元。第一组神经元和第二组神经元的激发基于对象的相对速度。
[0007] 另一方面公开了具有存储器W及禪合至该存储器的至少一个处理器的无线通信。 该处理器被配置成将第一信号映射到第一组频槽W及将第二信号映射到第二组频槽。第一 信号对应于第一时间，且第二信号对应于第二时间。该处理器被进一步配置成基于第一组 频槽的内容来激发第一组神经元，W及基于第二组频槽的内容来激发第二组神经元。第一 组神经元对应于第一组频槽，且第二组神经元对应于第二组频槽。另外，第一组神经元和第 二组神经元对应于尖峰发放网络的第一层神经元。此外，第一组神经元和第二组神经元的 激发基于对象的相对速度。
[000引在另一方面，公开了一种装备，其包括用于将第一信号映射到第一组频槽的装置。 该装备还包括用于将第二信号映射到第二组频槽的装置。第一信号对应于第一时间，且第 二信号对应于第二时间。该装备还包括用于基于第一组频槽的内容来激发第一组神经元的 装置、W及用于至少部分地基于第二组频槽的内容来激发第二组神经元的装置。第一组神 经元对应于第一组频槽，且第二组神经元对应于第二组频槽。另外，第一组神经元和第二组 神经元对应于尖峰发放网络的第一层神经元。此外，第一组神经元和第二组神经元的激发 基于对象的相对速度。
[0009]另一方面公开了一种具有非瞬态计算机可读介质的用于无线网络中的无线通信 的计算机程序产品。该计算机可读介质上记录有非瞬态程序代码，运些程序代码在由处理 器执行时使该处理器执行W下操作:将第一信号映射到第一组频槽W及将第二信号映射到 第二组频槽。第一信号对应于第一时间，且第二信号对应于第二时间。该程序代码进一步使 该处理器基于第一组频槽的内容来激发第一组神经元，W及至少部分地基于第二组频槽的 内容来激发第二组神经元。第一组神经元对应于第一组频槽，且第二组神经元对应于第二 组频槽。另外，第一组神经元和第二组神经元对应于尖峰发放网络的第一层神经元。第一组 神经元和第二组神经元的激发基于对象的相对速度。
[0010] 附图简述
[0011] 在结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加 明显，在附图中，相同附图标记始终作相应标识。
[0012] 图1解说了根据本公开的某些方面的示例神经元网络。
[0013] 图2解说了根据本公开的某些方面的计算网络(神经系统或神经网络）的处理单元 (神经元)的示例。
[0014] 图3解说了根据本公开的某些方面的尖峰定时依赖可塑性(STDP)曲线的示例。
[0015] 图4解说了根据本公开的某些方面的用于定义神经元模型的行为的正态相和负态 相的示例。
[0016] 图5解说了根据本公开的一方面的音调拓扑图的示例。
[0017] 图6-8解说了根据本公开的各方面的尖峰发放神经元和输出神经元的示例。
[0018] 图9解说了根据本公开的某些方面的使用通用处理器来设计神经网络的示例实 现。
[0019] 图10解说了根据本公开的某些方面的设计其中存储器可W与个体分布式处理单 元对接的神经网络的示例实现。
[0020] 图11解说了根据本公开的某些方面的基于分布式存储器和分布式处理单元来设 计神经网络的示例实现。
[0021] 图12解说了根据本公开的某些方面的神经网络的示例实现。
[0022] 图13是解说根据本公开的一方面的用于处理多普勒效应的方法的框图。
[0023] 图14是解说示例性设备中的不同模块/装置/组件之间的数据流的概念性数据流 图。
[0024] 详细描述
[0025] W下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践本文 中所描述的概念的仅有的配置。本详细描述包括具体细节W便提供对各种概念的透彻理 解。然而，对于本领域技术人员将显而易见的是，没有运些具体细节也可实践运些概念。在 一些实例中，W框图形式示出众所周知的结构和组件W避免煙没此类概念。
[0026] 基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面， 不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可W使用所阐述的 任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的 本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的 此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素 来头施。
[0027] 措辞"示例性"在本文中用于表示"用作示例、实例或解说"。本文中描述为"示例 性"的任何方面不必被解释为优于或胜过其他方面。
[0028] 尽管本文描述了特定方面，但运些方面的众多变体和置换落在本公开的范围之 内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、 用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协 议，其中一些作为示例在附图W及W下对优选方面的描述中解说。详细描述和附图仅仅解 说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。
[0029] 示例神经系统、训练及操作
[0030] 图1解说了根据本公开的某些方面的具有多级神经元的示例人工神经系统100。神 经系统100可具有神经元级102,该神经元级102通过突触连接网络104(即，前馈连接)来连 接到另一神经元级106。为简单起见，图1中仅解说了两级神经元，尽管神经系统中可存在更 少或更多级神经元。应注意，一些神经元可通过侧向连接来连接至同层中的其他神经元。此 夕h-些神经元可通过反馈连接来后向连接至先前层中的神经元。
[0031 ]如图1所解说的，级102中的每一个神经元可W接收可由前级的神经元巧在图1中 示出）生成的输入信号108。信号108可表示级102的神经元的输入电流。该电流可在神经元 膜上累积W对膜电位进行充电。当膜电位达到其阔值时，该神经元可激发并生成输出尖峰， 该输出尖峰将被传递到下一级神经元(例如，级106)。此类行为可在硬件和/或软件(包括模 拟和数字实现，诸如W下所述那些实现）中进行仿真或模拟。
[0032] 在生物学神经元中，在神经元激发时生成的输出尖峰被称为动作电位。该电信号 是相对迅速、瞬态的神经脉冲，其具有约为IOOmV的振幅和约为Ims的历时。在具有一系列连 通的神经元(例如，尖峰从图1中的一级神经元传递至另一级神经元）的神经系统的特定实 施例中，每个动作电位都具有基本上相同的振幅和历时，并且因此该信号中的信息可仅由 尖峰的频率和数目、或尖峰的时间来表示，而不由振幅来表示。动作电位所携带的信息可由 尖峰、发放了尖峰的神经元、W及该尖峰相对于一个或数个其他尖峰的时间来确定。尖峰的 重要性可由向各神经元之间的连接所应用的权重来确定，如W下所解释的。
[0033] 尖峰从一级神经元向另一级神经元的传递可通过突触连接(或简称"突触"）网络 104来达成，如图1中所解说的。关于突触104,级102的神经元可被视为突触前神经元，而级 106的神经元可被视为突触后神经元。突触104可接收来自级102的神经元的输出信号（即， 尖峰），并根据可调节突触权重>^^+1^> 蛛{^^1^来按比例缩放那些信号，其中？是级102 的神经元与级106的神经元之间的突触连接的总数，并且i是神经元级的指示符。例如，在图 1的示例中，i表示神经元级102并且i+1表示神经元级106。此外，经按比例缩放的信号可被 组合W作为级106中每个神经元的输入信号。级106中的每个神经元可基于对应的组合输入 信号来生成输出尖峰110。可使用另一突触连接网络（图1中未示出）将运些输出尖峰110传 递到另一级神经元。
[0034] 生物学突触可被分类为电的或化学的。电突触主要用于发送兴奋性信号，而化学 突触可调停突触后神经元中的兴奋性或抑制性(超极化)动作，并且还可用于放大神经元信 号。兴奋性信号使膜电位去极化(即，相对于静息电位增大膜电位）。如果在某个时间段内接 收到足够的兴奋性信号W使膜电位去极化到高于阔值，则在突触后神经元中发生动作电 位。相反，抑制性信号一般使膜电位超极化（即，降低膜电位）。抑制性信号如果足够强则可 抵消掉兴奋性信号之和并阻止膜电位到达阔值。除了抵消掉突触兴奋W外，突触抑制还可 对自发活跃神经元施加强力的控制。自发活跃神经元是指在没有进一步输入的情况下（例 如，由于其动态或反馈而)发放尖峰的神经元。通过压制运些神经元中的动作电位的自发生 成，突触抑制可对神经元中的激发模式进行定形，运一般被称为雕刻。取决于期望的行为， 各种突触104可充当兴奋性或抑制性突触的任何组合。
[0035] 神经系统100可由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场 可编程口阵列(FP