[go: up one dir, main page]

CN105210087B - 一种实现神经网络的新架构 - Google Patents

一种实现神经网络的新架构 Download PDF

Info

Publication number
CN105210087B
CN105210087B CN201480025207.2A CN201480025207A CN105210087B CN 105210087 B CN105210087 B CN 105210087B CN 201480025207 A CN201480025207 A CN 201480025207A CN 105210087 B CN105210087 B CN 105210087B
Authority
CN
China
Prior art keywords
neural network
network according
sensor
implementing
peer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201480025207.2A
Other languages
English (en)
Other versions
CN105210087A (zh
Inventor
朱晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhi Kun Jiangsu Semiconductor Co ltd
Original Assignee
Shanghai Zhikun Semiconductor Co Ltd
ZHI KUN (JIANGSU) SEMICONDUCTOR Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Zhikun Semiconductor Co Ltd, ZHI KUN (JIANGSU) SEMICONDUCTOR Co Ltd filed Critical Shanghai Zhikun Semiconductor Co Ltd
Publication of CN105210087A publication Critical patent/CN105210087A/zh
Application granted granted Critical
Publication of CN105210087B publication Critical patent/CN105210087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种实现神经网络的新架构，其中的人工神经网络使用的是物联网技术，其中有大量配置有RFID技术的普通物品作为神经网络中数量庞大的基础单元。

Description

一种实现神经网络的新架构
技术领域
本发明涉及一种实现神经网络的新架构，属于人工神经网络领域。
背景技术
本发明中的神经网络一词指的是人工神经网络，其由组成网络的神经元或节点组成。这个词既可以指用来求解人工智能问题的生物神经网络，也可以指人工神经网络。
神经网络是一种受生物神经系统处理数据方法启发的信息处理方式。生物神经网络通常由一组或多组由化学方式连接或功能上相关的神经元组成。许多神经网络的意图是要复制生物神经网络的功能。单个神经元与许多其它的神经元连接，一个网络中的神经元数量和神经元间的连接总数可能会非常大。
本发明将大大有利于人工神经网络的实现。人工神经网络有多种用途。例如，神经网络可以用于建模预测、自适应控制和许多其他类型的分析应用。
过去有许多人试图使用计算机技术来实现神经网络。然而，过去使用计算机方法的神经网络技术未能达到所需的性能，因为计算机的简单结构和灵巧度并不足以有效地复制生物神经网络。
因此，需要一种新的方法来实现人工神经网络，以便有效地复制复杂、灵巧的生物神经网络，提供有效的功能。
发明内容
发明目的：本发明提出一种实现神经网络的新架构，有效地复制复杂、灵巧的生物神经网络，提供有效的功能。
技术方案：本发明采用的技术方案为一种实现神经网络的新架构，本发明的人工神经网络使用的是物联网技术和连接方式，其中有大量的普通物品作为神经网络中数量庞大的基础单元。通过在普通物品上加配RFID标签进行识别，从而构成神经网络的一部分。配置有多个RFID标签和单个物联网设备的多个普通物品组成一个人工“物联网单元”，构成了一个基本的人工神经元。这些人工物联网单元与其他物联网单元形成连接，随着时间的推移，庞大的网络连接就会形成。
本发明的一些实施例由多个人工神经元构成的对等网络连接构成；所述人工神经元网络体系中至少有部分人工神经元含有一个控制装置和多个存储装置。控制装置包含有读出机构和至少一个传感器，而存储装置则包括内含有存储器的标签装置，而后者在控制装置的通信范围内。在一些实施例中，标签装置包含一个RFID标签。
在一些实施例中，对等网络包括点对点配对模式，而且可能是网状网络。在一些实施例中，不同的人工神经元可能有不同数目的网络配对。
在一些实施例中，每个神经元都能够与另一个在通信范围内的人工神经元进行配对，其中的配对是通过无线方式并使用无线通信协议来实现的。例如，可以在900MHz频段使用6lowpan协议。在一些实施例中，可能使用CDMA空中接口协议，例如在840MHz到845MHz的工作频率内使用TD-SCDMA接口协议实现配对。通信频段可分为多个不同的子频段，以对应于不同的神经网络。
人工神经网络中的神经元的可能拥有不同数目或类型的传感器。在一些实施例中，这些传感器可包含一个MEMS传感器。在一些实施例中，控制装置上至少有一个传感器可以执行下述探测功能中的至少一个功能：速度、加速度、温度、湿度、声、光/图像/视频捕获、化学检测或GPS定位。
在一些实施例中，人工神经元的控制装置内含有通信设施，其与标签装置的通信使用的是无线通信协议，如RFID接口协议。无线通信可在900MHz的频率执行。此外，人工神经元控制装置还可包含与一个或多个传感器系统通信的通信设施，后者采用的是无线通信协议，例如ZigBee协议。在一些实施例中，传感器系统是标签装置的一部分或集成在标签装置上，这样控制装置就能够使用RFID协议与传感器系统通信。
在一些实施例中，控制装置和内存装置集成到单个装置中，同时具有控制和存储功能。具有控制装置和存储装置的单一装置可通过单一的IC芯片来实现，后者具有读出机构和至少一个传感器。而在一些实施例中，读出机构和至少一个传感器都是内含在控制装置中的分立器件。
在一些实施例中，控制装置和标签装置作为分布式物联网体系结构中的对象存在。控制装置和标签装置可分布在多个消费类物品中。
在一些实施例中，神经网络匹配有决策工具、模式匹配算法、学习系统或控制系统。
一些实施例包含了实现神经网络的方法，其中包含分布式部署构成分布式设备的并含有短程通信技术的大量人工神经元，以及对人工神经元进行组网以构成自适应对等网络的一部分。在一些实施例中，至少有一些人工神经元由控制装置和多个存储装置构成；控制装置包括RFID读出机构和至少一个传感器，存储装置由内含存储器并在控制装置通信范围内的RFID标签构成。
人工神经元可形成对等网络以实现信息处理功能。在一些实施例中，对等网络包括一个网状网络。网络中不同的人工神经元可以有不同数目的网络配对。
在一些实施例中，人工神经元的配对是基于传感器的输入，而且可能有不同数目或类型的传感器。至少有一个传感器包括一个MEMS传感器。至少有一个传感器可以执行下述探测功能中的至少一个功能：速度、加速度、温度、湿度、声、光/图像/视频捕获、化学检测或GPS定位。
在一些实施例中，控制装置能发现在通信范围内的RFID标签，并使用RFID标签作为其关联的存储设备。
在一些实施例中，人工神经元作为分布式物联网体系结构中的对象存在。控制装置和标签装置可分布在多个消费类物品中。
在一些实施例中，神经网络配备有决策工具、模式匹配算法、学习系统或控制系统。
本发明的其他的和附加的对象、功能和优点将在下述详细说明、附图和专利要求中加以阐述。
有益效果：本发明提供了一个如何实现神经网络的解决方案，而那一直是折磨前人的幻想。本发明实现的神经网络，可提供强大的性能，具有处理灵活、复杂问题所需的能力，以及拥有足够多的人工神经元数目。
附图说明
本发明将通过所附图例中的例子——但不限于所列例子——来加以说明。在所附图例中引用的数字用以描述相似的元素，其中:
图1A和1B展示了基本的物联网单元；
图2A展示了一个人工神经网络的架构；
图2B展示了两个物联网单元的配对；
图2C-2E显示不同类型的神经网络体系结构；
图3展示了一个物联网设备的结构框图示例；
图4展示了构建一个神经网络的实施流程；
图5展示了用于物联网设备配对的频段分配方案。
具体实施方式
本发明将详细阐述不同的实施例，并配以相应的图例。应该指出的是，这些图例不是按实际比例画出的，而且在所有这些图例中，类似的结构或功能将用相同的数字来表示。应该指出的是，图例只为了更好地对实施例进行说明。这些图例并不是对本发明详尽无遗的描述，也不能对本发明的适用范围进行限制。此外，不需要对实施例的所有特点或优点进行展示。某个实施例中显示的某个特点或优点并不仅仅局限于作为该实施例的特点或优点而存在，这些特点或优点也能被任何其他实施例采用，即使在这些实施例中没有这样说明。此外，本说明中涉及到的"一些实施例"或"其它实施例"等术语，是指某个特定形状、结构、材料或特征描述已至少包括在一个实施例中。因此，本说明在不同位置所说的"在一些实施例中"或"在其他实施例中"这些术语，不一定是指同一个实施例或同一些实施例。此外，为了说明和解释，本发明所阐述的各种实施例都是移动应用场合，这必然会涉及额外的角色和环境信息。然而，本发明并不局限于此种类型的应用和额外信息；实际上，本发明同样可适用于其他类型的应用和信息。
本发明属于一种实现人工神经网络的新方法。本发明的目标基准是构成人工神经网络的元素足够多，以便可以提供高性能信息处理能力，进而可以有效地复制高灵活性和复杂度的生物神经网络。
首先，神经网络应该具有能提供具有数据存储能力的存储元件。神经网络智能行为的前提是能够执行某些操作，如分析或反应行为，而这往往取决于能够对内存进行访问。
第二，神经网络应该能够提供传感器输入，并/或能够访问传感器。这些传感输入类似于如输入到生物大脑的感觉。例如，这些传感输入可能涉及视觉、声觉、触觉、运动感觉等。
第三，神经网络系统应该具有在神经元之间形成网络的方法。网络应该具有足够的自适应性，这样神经元可以根据需要并在自适应模式下进行连接，以实现"学习"的过程。
第四，神经网络必须足够大，大量的神经元是构成智能的基础。一个生物神经网络(例如人类的大脑)有数十亿的生物神经元，形成数以万亿计的连接。而要人工复制和构建接近这种类型的神经网络，同样要有巨大数量的人工神经元，并有形成数以万亿计连接的能力。在优先实施例中，人工神经网络的神经元数目甚至超过了生物神经网络中的神经元数目。
根据本发明的实施例，通过使用物联网的实现方法来建立一种先进的神经网络：其中大量的普通物品构成神经网络的数量庞大的基础单元。普通物品配上RFID标签后，构成神经网络的一部分。这些RFID标签都拥有一定的存储器单元，可以满足上文对实现神经网络的第一要求----必要的存储功能。
根据本发明的实施例，通过RFID读写装置对多个RFID标签进行访问和组织，构成人工“物联网单元”，后者也即神经元在物理上的实现。该物联网单元可以通过传感器(如MEMS传感器)对环境数据进行监测，实现类似感觉的输入，从而满足上文对实现神经网络的第二个要求----感知输入。
在当前实施例中，物联网单元之间的连接是形式对等的网络连接。这符合上文对实现神经网络的第三要求----神经网络系统应该具有在神经元之间形成网络的方法。如上所述，可以根据意愿或需要在物联网单元之间形成的对等网络连接，从而在物联网单元之间实现自适应的连接能力。
最后，实现神经网络的第四个要求是必须建立数量足够多的神经元。RFID技术正在全球各处获得大量使用，并将通过大量RFID标签部署到几乎所有类型的货物和产品上；大量物联网项目的实施将形成本发明所需的足够数量的人工神经元，从而使本发明的神经网络结构规模大到可以复制(甚至超过)生物神经网络。
图1说明了一个基本的物联网单元实例102。该物联网单元102包括一个分布式处理单元(DPU)106(也可称之为物联网设备)，其具有的功能是对RFID标签104执行读写。106与附近的RFID标签104一起形成物联网单元102(这对应于一个神经网络基本单元——神经元的物理实现)。
RFID标签104可以包括存储器模块，如EEPROM存储器或SRAM存储器。RFID标签可以是有源或，也可以是无源的。在一些实施例中，RFID标签104包含一个拥有非易失性存储器的无源标签。在一些实施例中，RFID标签可包括SRAM内存组件。
每个物联网设备106具有一定的有效读写半径，在这个范围内它能够随时对RFID标签104进行读写。例如，在物联网设备106使用900MHz、ISO 180000-6协议访问RFID标签104时，读写半径约为10米。因此，在半径10米内的RDID标签104的存储单元构成了物联网单元102的存储能力。需要指出的是，任何合适的通信协议或频率均可用于物联网设备106和RFID标签104之间的读写，因此通信并不局限于900MHz的频率或上述特定协议。
物联网设备106可以对应一个或多个传感器设备。在一些实施例中，传感器设备包括多个MEMS传感器，用于探测速度、加速度、温度、湿度、声、光/图像/视频捕获、化学检测、GPS定位，以及(或)任何其他合适或适当的探测功能。
在一些实施例中，物联网设备106可通过不同类型的通信协议访问不同类型的标签和传感器。例如，图1B显示了能够与多个RFID标签104和多个外部传感器系统108进行通信的物联网设备106。传感器系统108可包含能够感应环境条件的任何类型的传感设备，如感知速度、加速度、温度、水分，声、光/图像/视频捕获、化学检测、GPS定位、电子信号等的设备。此外，在一些实施例中,传感器系统108可能包含一种输入设备，用户可以进行一个或多个输入操作。物联网设备106可以采用不同的协议分别与RFID标签104和传感器系统108进行通信。例如，在一些实施例中，物联网设备106与RFID标签104使用UHF(超高频)RFID协议进行通信，与传感器系统108使用ZigBee协议进行通信(例如，传感器系统108是ZigBee模块)。
在一些实施例中，传感器系统108可能位于RFID标签104内，或与之集成，这样物联网设备106就能使用RFID协议与它们通信。在一些实施例中，RFID标签104可能是被动式的，在没有与物联网设备106或其他RFID设备进行通信时消耗很少或不消耗电源。
需要注意的是，任何合适的通信协议或频率，或任何协议或频率组合，都能用于物联网设备106、RFID标签104以及传感器系统108之间的通信，而且这些通信并不局限于任何特定的协议(例如，超高频RFID协议和ZigBee协议)。
图2A说明了本发明某些实施例中人工神经网络202的构架。在这种体系结构中，每个物联网单元102都能够通过网络配对技术204与任何相邻的物联网单元102进行连接。在其网络范围内，每个物联网单元102都能够通过网络配对技术204与任一其他物联网单元102进行连接。
任何合适的网络协议或频率都可用于配对连接。在一些实施例中，采用网状网络连接方法进行配对。在一个实施例中，物联网使用了6LoWPAN的协议来实现一个物联网单元和另一个物联网单元之间的配对。
在一些实施例中，物联网单元102中不同物联网设备106之间可以通过空中接口协议进行通信，如CDMA(码分多址)接口协议。使用的特定接口可以根据人工神经网络202所在的地区进行选择(例如，在中国用TD-SCDMA、在美国用CDMA2000、在日本用WCDMA)。在一些实施例中，空中接口频段的选择标准是它不会干扰蜂窝通信。此外，频段可能分为多个子频段。允许为不同人工神经网络中的物联网设备给定不同的子频段。每个子频段的大小取决于网络的需要，较大的子频段可拥有更大的带宽和满足更高的数据吞吐量的需求。
以在中国为例，TD-SCDMA语音通讯运行的频段是2010MHz到2025MHz，以及1880MHz至1900MHz；而920MHz到925MHz以及840MHz至845MHz的频段则留给RFID通信。然而，典型的RFID通信频段是920MHz至925MHz的范围，而不是840MHz至845MHz的范围。因此，在一些实施例中，物联网设备之间的空中接口设置在840MHz至845MHz的频段。此外，这个5MHz频段可分为三个1.6MHz的子频段。如图5所示，每个1.6MHz的频段都允许足够的数据吞吐量。因此物联网设备可能会是最多三个不同的人工神经网络的一部分。
图2B以两个不同的物联网单元中的物联网设备106a和106b的配对来对一些实施例进行说明。物联网设备106a和106b通过超高频RFID协议与多个RFID标签104进行通信(例如，运行在920MHz至925MHz频段内)，使用ZigBee协议和多个传感器系统106进行通信。此外，物联网设备106a和106b能够通过TD-SCDMA空中接口协议互相通信(例如，运行在840MHz至845MHz频段)。
类似于生物神经元与邻近神经元的连接方式，物联网单元102可以以自适应学习的方式与其他物联网单元102通过网状网络204进行连接。可以根据一定的规则管理和跟踪配对，这些规则可以是预定和(或)可编程的。
物联网单元102的构形可以有不同的类型和(或)配置集。例如，物联网单元102可能有不同数目的标签和(或)不同类型(或数目)的传感器。不同物联网单元102拥有的配对数目也可能有不同。在这里，“配对”虽然是用来表示在两个物联网单元间的连接，但也有一些实施例表明可以通过一定的网络协议在不同数目的物联网单元间进行“配对”。
人工神经网络202的形状可按照一个或多个规则进行组织。在一些实施例中，物联网单元102可按"星形"配置，如图2C所述，多个“叶”物联网单元102a与中央物联网单元102b连接。在此配置中，人工神经网络202各物联网单元之间的所有通信都需通过中央物联网单元102b。其结果是，中央物联网单元102b需要把绝大部分资源投入到处理通信上，只有较少的资源用于计算和其他信息处理。在其他实施例中，物联网单元102可按"树"形配置，如图2D所示。其中人工神经网络排列成多个分支机构，由中央物联网单元102b连接；每个分支包含多个“枝”物联网单元102c和多个“叶”物联网单元102a。需要指出的是，虽然附图只显示有一个级别的“枝”物联网单元102c，但不排除“树”形配置人工神经网络202中，每个分支可能包含多级别的“枝”物联网单元102c。
在一些实施例中，人工神经网络202可能有一个平面状的或网状的结构，如图2E所示。在此组织形式中，只要处理能力和通信能力有保证，每个物联网单元102可以连接到任意数量的其他物联网单元102。在一些实施例中，网络中的物联网单元可能与网络中其他物联网单元直接通信，也可通过一个或多个中间物联网单元进行通信。
在一些实施例中，人工神经网络202中的物联网单元102可能拥有实质上相同的结构。但是，根据在网络内的位置、功能、与其他物联网单元配对数目上的不同，或上述因素任意组合上的不同，单个物联网单元102在网络内可能会表现出不同的信号处理特点。例如，靠近网络边缘的第一个物联网单元可能有更多的资源用于计算；相比而言，作为与其他多个物联网单元的中继或中介，在中间的第二个物联网单元可能会把更多的处理能力用于通信。在一些实施例中，网络中的物联网单元102可能自适应地调整它们各自处理参数，以响应物联网单元工作负载的变化(例如，在收到一定数量的通信任务时，物联网单元可能会开始把更多的资源用于通信)。
虽然图2A-E只显示少量连接在一起的物联网单元，但值得注意的是，本发明意在把大量的物联网单元通过网络连接在一起。事实上，对应于物联网的发展，这些物联网单元将最终拥有万亿计的数量(或更多)。事实上，任何设备都可能会被绑定到当前的物联网架构中，组成一个拥有巨大数量物联网单元的人工神经网络，并相应地扩展其性能。
图3是一个物联网设备结构框图300的实施例。结构300包括公共总线306或其他信息交流机制，用以连接子系统和设备，如处理器312，系统存储器313(例如，SRAM)，通信接口314，读/写控制子系统和传感器控制器302、308。
传感控制器308与一个或多个传感器310进行通信并对其进行控制。在一些实施例中，传感器310对应于一个或多个的MEMS传感器，用于感知速度、加速度、温度、湿度、声音、光/图像/视频捕获、化学检测、GPS定位及(或)任何其他合适或适当的传感信息。
通信接口314与天线316一起执行通信功能，以便一个物联网单元与其他物联网单元通过通信链路318(例如，无线网状网络链接)形式网络配对，并发送和接收信息、数据，对(或对)其他物联网单元发出指令。此外，还可以与RFID标签进行交互通信以形成物联网单元的记忆功能。
一些实施例中，框图300所示的组件是集成到一个单一的IC芯片中的。在另外的实施例中，该结构可能由分立器件组成，例如，使用外部传感器，其输入端与物联网单元IC芯片连接。
物联网设备结构框图300通过处理器312执行系统内存313中一个或一个以上的指令序列以实现特定操作。硬件电路可以用来代替软件指令，或与软件指令相结合来实施本发明。因此，本发明的实施例并不限于任何特定组合的硬件电路和(或)软件。在一个实施例中，"逻辑"一词系指采用任意组合的软件或硬件以实现发明的全部或部分。
此处术语"计算机可读介质"或"计算机可用介质"指的是任何计算设备(例如物联网设备)可读或可用的介质。这种介质可能采取多种形式，包括但不限于非易失性介质和易失性介质。非易失性介质包括光盘或磁盘，如磁盘驱动器1410。易失性介质包括动态存储器，如系统存储器313。计算机可读介质的常见形式包括：RAM、PROM、EPROM、FLASH-EPROM或其他内存芯片或模块，或计算机可读取的其他任何媒介。
图4是本发明一个实施流程图。在步骤402，分布式部署物联网设备。例如，这种分布可能作为物联网的一部分来安排。特别是现在RFID技术已被部署到各种类型的物品中，例如，在商店或商业中的消费品。因此在一些实施例中，物联网单元分布在多个不同的地点，在那里分布有RFID标签和(或)其他类型的传感器，或内存设备(例如，ZigBee模块)。
在步骤404，物联网设备与RFID标签相关联。如上所述，物联网设备的读写器可访问读写范围内的所有RFID标签。通过访问RFID标签，可以形成物联网单元的存储组件。在一些实施例中，物联网设备除了访问RFID标签，也可以访问一个或多个ZigBee模块或其他类型的无线模块。物联网设备和与其关联的标签/模块/装置一起形成物联网单元。
在步骤406，物联网单元接收传感器输入。传感数据的输入来自于任何与物联网单元相关的传感器设备。传感输入的例子包括速度、加速度、温度、湿度、声、光\图像\视频捕获、化学检测和(或)GPS位置。感知输入可能来自于物联网设备中的某个传感器，或来自于RFID标签、ZigBee模块中的传感器，或来自于其他物联网设备可进行无线访问的相关设备中的传感器。
在步骤408，形成与其他物联网单元的连接以处理输入的传感器数据。如果连接已经存在(以前形成的)，就可以跳过此步骤并重新使用现存的连接。
物联网单元之间的网络连接形成了人工神经网络的处理能力。这种处理能力可用于实现任何所需的功能。例如，基于神经网络的外部或内部信息流，神经网络可自适应地改变其系统结构，这样就就可以执行计算活动。例如，这些计算活动可以用来实现决策工具，模式匹配算法，学习系统和控制系统。利用神经网络可以执行的主要任务包括函数逼近法、回归分析、预测和建模、分类、模式和序列的识别、决策、数据处理、数据过滤、压缩。对神经网络的一些应用实例还可以包括系统辨识和控制、游戏和决策、模式识别、序列的识别、医学诊断、金融应用、数据挖掘、可视化和过滤。
因此，本发明介绍了如何采用一种新的方法来实现人工神经网络。本发明的人工神经网络使用的是物联网技术和连接方式，其中有大量的普通物品作为神经网络中数量庞大的基础单元。通过在普通的物品上加配RFID标签，从而构成神经网络的一部分。匹配有多个RFID标签和单个物联网设备的多个普通物品组成一个人工“物联网单元”，也即人工神经元。这些人工神经元与其他神经元形成连接，随着时间的推移，庞大的网络连接就会形成。
本发明提供了一个如何实现神经网络的解决方案，而那一直是折磨前人的幻想。本发明实现的神经网络，可提供强大的性能，具有处理灵活、复杂问题所需的能力，以及拥有足够多的人工神经元数目。
在上述描述中，本发明介绍了一些具体实施例。不过，很明显，可以进行各种修改和改变而不会脱离本发明的范围与内涵。例如，上文所述的实施流程图阐述了一个特定的操作步骤。然而，对上述操作步骤的顺序进行更改而会不影响本发明的范围和运作。因此，上述描述和附图应该视作是说明性的而不是限制性的。

Claims (36)

1.一种实现神经网络的装置，其特征包括:
多个人工神经元；
至少有部分人工神经元含有一个控制装置和多个存储装置， 控制装置包含有读出机构和至少一个传感器，所述传感器至少感应出速度、加速度、温度、湿度、声、光/图像/视频捕获、化学检测或GPS定位；
而存储装置包括内含有存储器的标签装置，而后者在控制装置的通信范围内；
至少部分人工神经元相互适配地联网组成星形网络或树型网络，所述星形网络包括中央物联网单元以及与中央物联网单元相连的叶物联网单元；
所述树型网络，树型网络包括中央物联网单元以及与中央物联网单元相连的枝物联网单元，还有与枝物联网单元连接的叶物联网单元；
这些神经元以对等网络形式组织在一起。
2.根据权利要求1所述的实现神经网络的装置，该装置的特征在于对等网络包括一个网状网络。
3.根据权利要求1所述的实现神经网络的装置，该装置的特征在于标签装置包含一个RFID标签。
4.根据权利要求1所述的实现神经网络的装置，该装置的特征在于对等网络包括两个人工神经元之间的配对。
5.根据权利要求1所述的实现神经网络的装置，该装置的特征在于每个神经元可与另一个人工神经元在通信范围内进行配对。
6.根据权利要求1所述的实现神经网络的装置，该装置的特征在于配对是采用无线通信协议的无线方式。
7.根据权利要求1所述的实现神经网络的装置，该装置的特征在于无线通信使用900MHz频段，使用6lowpan协议。
8.根据权利要求1所述的实现神经网络的装置，该装置的特征在于配对采用CDMA空中接口协议。
9.根据权利要求1所述的实现神经网络的装置，该装置的特征在于CDMA空中接口协议采用的是工作在840MHz到845MHz范围的TD-CDMA协议。
10.根据权利要求1所述的实现神经网络的装置，该装置的特征在于两个人工神经元可以有不同的网络配对的数目。
11.根据权利要求1所述的实现神经网络的装置，该装置的特征在于两个人工神经元可以有不同数目或类型的传感器。
12.根据权利要求1所述的实现神经网络的装置，该装置的特征在于至少有一个传感器包括MEMS传感器。
13.根据权利要求1所述的实现神经网络的装置，该装置的特征在于人工神经元控制装置包含有用无线通信接口协议与标签装置通信的设施。
14.根据权利要求1所述的实现神经网络的装置，该装置的特征在于无线通信体系工作在900MHz频率。
15.根据权利要求1所述的实现神经网络的装置，该装置的特征在于无线通信体系使用RFID协议。
16.根据权利要求1所述的实现神经网络的装置，该装置的特征在于中的人工神经元控制装置包含有用无线通信接口协议与一个或多个传感器系统通信的设施。
17.根据权利要求1所述的实现神经网络的装置，该装置的特征在于控制装置与一个或多个传感器系统通信使用的是ZigBee接口协议。
18.根据权利要求1所述的实现神经网络的装置，该装置的特征在于传感器系统是标签装置的一部分或集成在标签装置上，这样控制装置就能够使用RFID协议与传感器系统通信。
19.根据权利要求1所述的实现神经网络的装置，该装置的特征在于控制设备和内存装置被集成到单个装置中，同时具有控制和存储功能。
20.根据权利要求1所述的实现神经网络的装置，该装置的特征在于拥有控制装置和存储装置的单一装置可实现为单一的IC芯片，具有读出机构和至少一个传感器。
21.根据权利要求1所述的实现神经网络的装置，该装置的特征在于读出机构和至少一个传感器都是内含在在控制装置中的分立组件。
22.根据权利要求1所述的实现神经网络的装置，该装置的特征在于控制装置和标签装置作为分布式物联网体系结构中的对象存在。
23.根据权利要求1所述的实现神经网络的装置，该装置的特征在于控制装置和标签装置可分布在多个消费类物品中。
24.根据权利要求1所述的实现神经网络的装置，该装置的特征在于神经网络匹配有决策工具、模式匹配算法、学习系统或控制系统。
25.一种实现神经网络的新方法，其方法包括：
分布式部署含有短程通信技术的人工神经元以构成分布式设备；
以及对人工神经元进行组网以构成自适应对等网络的一部分。
26.根据权利要求25的方法，其特征在于至少有一些人工神经元由控制装置和多个存储装置构成；控制装置包括RFID读出机构和至少一个传感器，存储装置由内含存储器并在控制装置的通信范围内的RFID标签构成。
27.根据权利要求26的方法，其特征在于控制装置能发现在通信范围内的RFID标签，并使用RFID标签作为其关联的存储设备。
28.根据权利要求27的方法，其特征在于人工神经元可形成对等网络以实现处理功能。
29.根据权利要求28的方法，其特征在于对等网络包括一个网状网络。
30.根据权利要求25的方法，其特征在于网络中不同的人工神经元可以有不同数目的网络配对。
31.根据权利要求25的方法，其特征在于人工神经元的配对是基于传感器的输入。
32.根据权利要求31的方法，其特征在于人工神经元可以有不同数目或类型的传感器。
33.根据权利要求32的方法，其特征在于其中至少一个传感器包括一个MEMS传感器。
34.根据权利要求25的方法，其特征在于人工神经元作为分布式物联网体系结构中的对象存在。
35.根据权利要求25的方法，其特征在于包括控制装置和RFID标签的人工神经元分布在多个消费类物品中。
36.根据权利要求25的方法，其特征在于神经网络配备有决策工具、模式匹配算法、学习系统或控制系统。
CN201480025207.2A 2013-05-07 2014-05-06 一种实现神经网络的新架构 Active CN105210087B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201361820379P 2013-05-07 2013-05-07
US61/820379 2013-05-07
PCT/US2014/036997 WO2014182718A1 (en) 2013-05-07 2014-05-06 Architecture for implementing an improved neural network

Publications (2)

Publication Number Publication Date
CN105210087A CN105210087A (zh) 2015-12-30
CN105210087B true CN105210087B (zh) 2018-04-13

Family

ID=51865564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480025207.2A Active CN105210087B (zh) 2013-05-07 2014-05-06 一种实现神经网络的新架构

Country Status (3)

Country Link
US (1) US10235621B2 (zh)
CN (1) CN105210087B (zh)
WO (1) WO2014182718A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874477B2 (en) 2005-10-04 2014-10-28 Steven Mark Hoffberg Multifactorial optimization system and method
US10078671B2 (en) 2015-02-26 2018-09-18 Red Hat, Inc. Data hub architecture to provide actionable data from remote sensor feeds
US20170076195A1 (en) * 2015-09-10 2017-03-16 Intel Corporation Distributed neural networks for scalable real-time analytics
US11003989B2 (en) * 2017-04-27 2021-05-11 Futurewei Technologies, Inc. Non-convex optimization by gradient-accelerated simulated annealing
CN110892760B (zh) * 2017-08-21 2021-11-23 北京嘀嘀无限科技发展有限公司 基于深度学习定位终端设备
CN112906185B (zh) * 2021-01-15 2024-04-30 中国兵器工业集团第二一四研究所苏州研发中心 一种基于人工智能的mems惯性传感器异构阵列及其设计方法
CN113067785A (zh) * 2021-03-30 2021-07-02 太原理工大学 一种适用于反向散射通信网络的信道选择方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102473338A (zh) * 2009-07-23 2012-05-23 西门子公司 用于利用多个声学传感器监控环境的方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7904569B1 (en) * 1999-10-06 2011-03-08 Gelvin David C Method for remote access of vehicle components
US20030183697A1 (en) * 2000-05-11 2003-10-02 Porter Jeffrey Wayne System and method for automated, wireless short range reading and writing of data for interconnected mobile systems, such as reading/writing radio frequency identification (RFID) tags on trains
US20110213869A1 (en) * 2000-09-25 2011-09-01 Yevgeny Korsunsky Processing data flows with a data flow processor
US7463890B2 (en) * 2002-07-24 2008-12-09 Herz Frederick S M Method and apparatus for establishing ad hoc communications pathways between source and destination nodes in a communications network
US8364148B2 (en) * 2005-07-07 2013-01-29 Qualcomm Incorporated Methods and devices for interworking of wireless wide area networks and wireless local area networks or wireless personal area networks
US8874477B2 (en) * 2005-10-04 2014-10-28 Steven Mark Hoffberg Multifactorial optimization system and method
WO2007068002A2 (en) * 2005-12-09 2007-06-14 Tego Inc. Multiple radio frequency network node rfid tag
CN102255965A (zh) * 2011-07-06 2011-11-23 无锡泛太科技有限公司 一种基于粗糙集bp神经网络的多传感器融合物联网试验平台
CA2847360C (en) * 2011-08-30 2020-03-24 Allure Energy, Inc. Resource manager, system, and method for communicating resource management information for smart energy and media resources
CN202257228U (zh) * 2011-09-16 2012-05-30 河南天擎机电技术有限公司 自然光与人工光源综合智能控制的物联网应用系统
US8712939B2 (en) * 2011-09-21 2014-04-29 Brain Corporation Tag-based apparatus and methods for neural networks
US9508034B2 (en) * 2011-10-05 2016-11-29 Checkpoint Systems, Inc. Multi-frequency bulk RFID tag commissioning
CN102445933B (zh) * 2011-10-14 2013-06-12 兰泽华 基于物联网的农田大棚监测报警管理系统
US9186793B1 (en) * 2012-08-31 2015-11-17 Brain Corporation Apparatus and methods for controlling attention of a robot

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102473338A (zh) * 2009-07-23 2012-05-23 西门子公司 用于利用多个声学传感器监控环境的方法

Also Published As

Publication number Publication date
WO2014182718A1 (en) 2014-11-13
US20140337263A1 (en) 2014-11-13
US10235621B2 (en) 2019-03-19
CN105210087A (zh) 2015-12-30

Similar Documents

Publication Publication Date Title
CN105210087B (zh) 一种实现神经网络的新架构
US12307252B2 (en) Deep vision processor
US20250335741A1 (en) Multi-memory on-chip computational network
Murshed et al. Machine learning at the network edge: A survey
Himeur et al. Face mask detection in smart cities using deep and transfer learning: Lessons learned from the COVID-19 pandemic
CN112215332B (zh) 神经网络结构的搜索方法、图像处理方法和装置
CN113807399B (zh) 一种神经网络训练方法、检测方法以及装置
US20240046082A1 (en) Method and device with neural network implementation
US11586903B2 (en) Method and system of controlling computing operations based on early-stop in deep neural network
Cruz et al. Using convolutional neural networks in robots with limited computational resources: detecting NAO robots while playing soccer
CN117501278A (zh) 运算加速方法及运算加速器
CN109428887A (zh) 基于预定命令群的网络安全策略配置
CN116802646A (zh) 数据处理的方法和装置
Rosero-Montalvo et al. Intelligence in embedded systems: overview and applications
Beltrán-Escobar et al. A review on resource-constrained embedded vision systems-based tiny machine learning for robotic applications
CN117217262B (zh) 数据处理方法、装置、存储介质及电子设备
Yan et al. A machine learning auxiliary approach for the distributed dense RFID readers arrangement algorithm
Dosset et al. Cassava disease detection using a lightweight modified soft attention network
CN117764190A (zh) 一种数据处理方法及其装置
KR20190079188A (ko) 센서 데이터를 이용한 딥러닝 기반 제스처 인식 시스템 및 방법
US12400137B1 (en) Bidirectional network on a data-flow centric processor
Santos et al. Embedded Systems and Wireless Technology
Tiwari et al. Incorporation of Deep Learning (DL) Techniques to make Intelligent and Adaptable Wireless Communication Systems
CN112149836B (zh) 一种机器学习程序更新方法、装置及设备
Paci Electronic systems with high energy efficiency for embedded computer vision

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20160118

Address after: 211400, No. 9, Tai Tai Road, Yizheng Economic Development Zone, Yizheng, Jiangsu, Yangzhou

Applicant after: Zhi Kun (Jiangsu) Semiconductor Co., Ltd.

Applicant after: SHANGHAI ZHIKUN SEMICONDUCTOR CO., LTD.

Address before: California, USA

Applicant before: IOTELLIGENT TECHNOLOGY LTD. INC.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220622

Address after: No.9 Mintai Avenue, Yizheng Economic Development Zone, Yangzhou City, Jiangsu Province

Patentee after: ZHI KUN (JIANGSU) SEMICONDUCTOR Co.,Ltd.

Address before: 211400 No. 9, Mintai Avenue, Yizheng Economic Development Zone, Yizheng City, Yangzhou City, Jiangsu Province

Patentee before: ZHI KUN (JIANGSU) SEMICONDUCTOR Co.,Ltd.

Patentee before: Shanghai Zhikun Semiconductor Co., Ltd