SE2250397A1 - A data processing system comprising a network, a method, and a computer program product - Google Patents
A data processing system comprising a network, a method, and a computer program productInfo
- Publication number
- SE2250397A1 SE2250397A1 SE2250397A SE2250397A SE2250397A1 SE 2250397 A1 SE2250397 A1 SE 2250397A1 SE 2250397 A SE2250397 A SE 2250397A SE 2250397 A SE2250397 A SE 2250397A SE 2250397 A1 SE2250397 A1 SE 2250397A1
- Authority
- SE
- Sweden
- Prior art keywords
- nodes
- weights
- node
- inputs
- input
- Prior art date
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Multi Processors (AREA)
- Devices For Executing Special Programs (AREA)
Claims (21)
1. System (100) för detektering av en eller flera mätbara egenskaper hos en enhet utifrån sensordata, varvid systemet har förmåga att bearbeta sensordata som innefattar olika modaliteter för att extrahera mätbara egenskaper, varvid systemet (100) är konfigurerat att ha en eller flera systeminmatningar (110a, 110b, 110z) som innefattar en eller flera modaliteter av sensordata som ska bearbetas och en systemutmatning (120) som utifrån de en eller flera modaliteterna av inmatad sensordata identifierar en eller flera mätbara egenskaper, varvid systemet (100) innefattar: ett nätverk, NW, (130) som innefattar ett flertal noder (130a, 130b, , 130x), där varje nod antingen är en excitatorisk nod (130a, 130b) som tillhör en excitatorisk grupp (160) av excitatoriska noder, eller är en inhibitorisk nod (130x) som tillhör en inhibitorisk grupp (162) av inhibitoriska noder, varvid nätverket (130) är konfigurerat att ha en eller flera systeminmatningar (110a, 110b, 110z) som innefattar sensordata som ska behandlas och en systemutmatning (120), varvid varje nod bland flertalet noder (130a, 130b, , 130x) är konfigurerad att: ha ett flertal inmatningar (132a, 132b, 132y), tillämpa ett antal vikter på varje inmatning bland flertalet inmatningar (132a, 132c), varvid varje nod (130a, 130b, 130x) innefattar en vikt (Wa, Wy) för varje inmatning (132a, 132b, 132y), och generera en motsvarande utmatning (134a, 134b, 134x) baserat på åtminstone dess viktade inmatningar; och, varvid varje nod (130a, ...) innefattar en eller flera uppdateringsenheter (150) som är konfigurerade för att uppdatera nodens vikter (Wa, Wy), varvid den ena eller de flera uppdateringsenheterna för varje nod konfigureras under ett inlärningsläge för drift av databehandlingssystemet baserat på en korrelation av varje respektive inmatning (132a, 132c) till den noden (130a) med motsvarande utmatning (134a) från den noden (130a) under inlärningsläget; en eller flera bearbetningsenheter (140x) som är konfigurerade att ta emot en bearbetningsenhetsinmatning och konfigurerade att producera en bearbetningsenhetsutmatning genom att ändra tecknet på den mottagna bearbetningsenhetsinmatningen; varvid systemutmatningen (120) innefattar motsvarande utmatning (134a, 134b, 134x) från varje nod (130a, 130b, 130x) och identifierar utifrån inmatade sensordata, när databehandlingssystemet arbetar i ett driftläge, en eller flera mätbara egenskaper som kan identifiera åtminstone en enhet, varvid varje excitatorisk nod (130a, 130b) bland flertalet noder är konfigurerad att excitera en eller flera ytterligare noder (..., 130x) bland flertalet noder (130a, 130b, 130x) genom att tillhandahålla motsvarande utmatning (134a, 134b) som inmatning (132d, 132y) till den ena eller de flera andra noderna (..., 130x) i nätverket (130), och varvid varje inhibitorisk nod (130x) är konfigurerad att inhibera en eller flera andra noder (130a, 130b, ...) bland flertalet noder (130a, 130b, , 130x) i nätverket (130) genom att tillhandahålla en motsvarande utmatning (134x) som en bearbetningsenhetsinmatning till åtminstone en bearbetningsenhet (140x), varvid varje bearbetningsenhet (140x) är konfigurerad att tillhandahålla bearbetningsenhetsutmatningen som inmatning (132b, 132e, ...) till den ena eller de flera andra noderna (130a, 130b, ...) i nätverket (130); och varvid varje nod bland flertalet noder (130a, 130b, 130x) i nätverket tillhör en av de excitatoriska och inhibitoriska nodgrupperna (160, 162), varvid uppdateringsenheten (150a) i varje excitatorisk nod (130a, ...) är konfigurerad att tillämpa en första excitatorisk inlärningsfunktion på korrelationen av inmatningar (132a, 132b, 132c) till den respektive excitatoriska noden (130a, ...) med motsvarande utmatning från den respektive excitatoriska noden (130a) under inlärningsläget i databehandlingssystemet för att uppdatera vikterna (Wv, Wx, Wy) under inlärningsläget, och varvid uppdateringsenheten (150) i varje inhibitorisk nod (130x) är konfigurerad att tillämpa en andra inhibitorisk inlärningsfunktion, som skiljer sig från den första excitatoriska inlärningsfunktionen, på korrelationen av indata (132x) som tas emot av den inhibitoriska noden (130x) för att uppdatera vikterna (Wv, Wx, Wy) under inlärningsläget.
2. System (100) enligt krav 1, varvid åtminstone en av den ena eller de flera modaliteterna innefattar åtminstone en av: bildsensordata, ljudsensordata eller känselsensordata.
3. System enligt krav 1, varvid den första excitatoriska inlärningsfunktionen exponentiellt ökar ett viktändringsvärde om korrelationen av inmatningen ökar och exponentiellt minskar ett viktändringsvärde om korrelationen av inmatningen minskar och den andra inhibitoriska inlärningsfunktionen exponentiellt minskar ett viktändringsvärde om korrelationen av inmatningen ökar och exponentiellt ökar ett viktändringsvärde om korrelationen av inmatningen minskar.
4. System enligt krav 1, varvid vikterna (Wa, Wb, Wc) för varje nod (130a, ...) uppdateras baserat på en jämförelse av olika korrelationsserier av värden för respektive inmatning (132a, 132c) och motsvarande utmatning (134a) från den noden (130a).
5. System enligt krav 1, varvid, för varje nod, (130a, ...), uppdateringen av vikterna (Wa, Wb, Wc) för varje inmatning (132a, 132c) till noden (130a ) baserat på korrelationen mellan respektive inmatning (132a, 132c) till noden (130a ) och respektive utmatning (134a) från noden baseras på en poängfunktion som ger en indikation på hur spatialt användbar varje inmatning (132a, ...) till noden är för motsvarande utmatning (134a), jämfört med de övriga inmatningarna (132b, 132c) till noden och/eller tidsmässigt under den tid som databehandlingssystemet (100) behandlar inmatningen (132a).
6. System enligt krav 1, varvid systeminmatningarna innefattar sensordata från ett flertal kontexter/uppgifter.
7. System enligt något av krav 1 till 6, varvid uppdateringsenheten (150) innefattar, för varje vikt (Wa, Wy), ett sannolikhetsvärde (Pa, Py) för att öka vikten och varvid, databehandlingssystemet är konfigurerat att under inlärningsläget begränsa en nods (130a) förmåga att inhibera eller excitera den ena eller de flera övriga noderna (130b, 130x) genom att tillhandahålla en första börvärdesinställning för summan av alla vikter (Wd, Wy) som är kopplade till inmatningarna (132d, 132y) för den ena eller de flera övriga noderna (130b, 130x), jämföra det första börvärdet med summan av alla vikter (Wd, Wy) som är kopplade till inmatningarna (132d, 132y) till den ena eller de flera noderna (130b, 130x), om det första börvärdet är mindre än summan av alla vikter (Wd, Wy) som är kopplade till inmatningarna (132d, 132y) till den ena eller de flera noderna (130b, 130x) minska sannolikhetsvärdena (Pd, Py) som är kopplade till vikterna (Wd, Wy) som är kopplade till inmatningarna (132d, 132y) till den ena eller de flera noderna (130b, 130x) och om det första riktvärdet är större än summan av alla vikter (Wd, Wy) som är kopplade till inmatningarna (132d, 132y) till den ena eller de flera noderna (130b, 130x) öka sannolikhetsvärdena (Pd, Py) som är kopplade till vikterna (Wd, Wy) som är kopplade till inmatningarna (132d, 132y) till den ena eller de flera noderna (130b, 130x)
8. System enligt något av krav 1-7, varvid, under inlärningsläget, databehandlingssystemet är konfigurerat att begränsa förmågan hos en systeminmatning (110z) att inhibera eller excitera en eller flera noder (130a, 130x) genom att tillhandahålla det första börvärdet för en summa av alla vikter (Wg, Wx) kopplade till inmatningarna (132g, 132x) till den ena eller de flera noderna (130a, 130x), jämföra det första börvärdet med summan av alla vikter (W9, Wx) som är kopplade till inmatnin9arna (1329, 132x) till den ena eller de flera noderna (130a, 130x), om det första börvärdet är lä9re än summan av alla vikter (W9, Wx) som är kopplade till inmatnin9arna (1329, 132x) till den ena eller de flera noderna (130a, 130x) minska sannolikhetsvärdena (P9, Px) som är kopplade till vikterna (W9, Wx) som är kopplade till inmatnin9arna (1329, 132x) till den ena eller de flera noderna (130a, ...130x) och om det första börvärdet är större än summan av alla vikter (W9, Wx) som är kopplade till inmatnin9arna (1329, 132x) till den ena eller de flera noderna (130a, 130x) öka sannolikhetsvärdena (P9, Px) som är kopplade till vikterna (W9, Wx) som är kopplade till inmatnin9arna (1329, 132x) till den ena eller de flera noderna (130a, ...130x).
9. System enli9t krav 7 eller 8, varvid varje inmatnin9 (132d, 132y) till den ena eller de flera noderna (130b, 130x) har en koordinat i en nätverksrymd, varvid en viss öknin9/minsknin9 av vikterna (Wd, Wy) för inmatnin9arna (132d, 132y) till den ena eller de flera noderna (130b, 130x) baseras på ett avstånd mellan koordinaterna för inmatnin9arna (132d, 132y) som är kopplade till vikterna (Wd, Wy) i nätverksrymden.
10. System enli9t nå9ot av krav 7-9, varvid systemet är konfi9urerat att ställa in en vikt (Wa, Wy) till noll om vikten (Wa, Wy) inte ökar under en förutbestämd tidsperiod, och/eller varvid systemet vidare är konfi9urerat att öka sannolikhetsvärdet (Pa, Py) för en vikt (Wa, Wy) som har ett nollvärde om summan av alla vikter (Wd, Wy) som är kopplade till inmatnin9arna (132d, 132y) till den ena eller de flera noderna (130b, 130x) inte överskrider det första börvärdet under en förutbestämd tidsperiod.
11. System enli9t nå9ot av krav 1-6, varvid under inlärnin9slä9et, databehandlin9ssystemet är konfi9urerat att öka relevansen av motsvarande utmatnin9 (134a) från en nod (130a) i förhållande till den ena eller de flera övri9a noderna (130b, 130x) 9enom att tillhandahålla ett första börvärde för en summa av alla vikter (Wd, Wy) som är kopplade till inmatnin9arna (132d, 132y) till den ena eller de flera andra noderna (130b, 130x), jämföra det första börvärdet med summan av alla vikter (Wd, Wy) som är kopplade till inmatnin9arna (132d, 132y) till den ena eller de flera andra noderna (130b, 130x) under en första tidsperiod, om det första börvärdet är mindre än summan av alla vikter (Wd, Wy) som är kopplade till inmatnin9arna (132d, 132y) till den ena eller de flera noderna (130b, 130x) under hela den första tidsperiodens län9d, öka sannolikheten att ändra vikterna (Wa, Wb, Wc) för inmatnin9arna (132a, 132b, 132c) till noden (130a) och om det första börvärdet är större än summan av alla vikter (Wd, Wy) som är kopplade till inmatnin9arna (132d, 132y) till den ena eller de flera noderna (130b, 130x) under hela den första tidsperiodens längd, minska sannolikheten att ändra vikterna (Wa, Wb, W0) för inmatningarna (132a, 132b, 1320) till noden (130a).
12. System enligt något av krav 1-6, varvid uppdateringsenheten (150) innefattar, för varje vikt (Wa, Wy), ett sannolikhetsvärde (Pa, Py) för att öka vikten, och varvid, under inlärningsläget, databehandlingssystemet är konfigurerat att tillhandahålla ett andra börvärde för en summa av alla vikter (Wa, Wb, W0) som är kopplade till inmatningarna (132a, 132b, 1320) till en nod (130a), konfigurerad att jämföra den beräknade summan av det andra börvärdet och om den beräknade summan är högre än det andra börvärdet, konfigurerad att minska sannolikhetsvärdena (Pa, Pb, PC) som är kopplade till vikterna (Wa, Wb, W0) som är kopplade till inmatningarna (132a, 132b, 1320) till noden (130a) och om den beräknade summan är mindre än det andra börvärdet, konfigurerad att öka sannolikhetsvärdena (Pa, Pb, P0) som är kopplade till vikterna (Wa, Wb, W0) som är kopplade till inmatningarna (132a, 132b, 1320) till noden (130a).
13. System enligt nägot av krav 1-6, varvid varje nod (130a, 130b, 130x) innefattar ett flertal fa0k (900) o0h varvid varje fa0k är konfigurerat att ha ett flertal fa0kinmatningar (910a, 910b, 910x), varvid varje fa0k (900) innefattar en fa0kvikt (920a, 920b, 920x) för varje fa0kinmatning (910a, 910b, 910x), o0h varje fa0k är konfigurerat att generera en fa0kutmatning (940) o0h varvid varje fa0k (900) innefattar en uppdateringsenhet (995) som är konfigurerad att uppdatera fa0kvikterna (920a, 920b, 920x) baserat pä en korrelation under inlärningsläget o0h varvid varje fa0kutmatning (940) för varje fa0k används för att justera motsvarande utmatning (134a, 134b, 134x) från den nod (130a, 130b, 139x) som innefattar fa0ket baserat pä en överföringsfunktion.
14. System enligt krav 13, varvid uppdateringsenheten (995) för varje fa0k (900) innefattar, för varje fa0kvikt (920a, 920b, 920x), ett sannolikhetsvärde (PCa, PCy) för att öka vikten, o0h varvid, under inlärningsläget, databehandlingssystemet är konfigurerat att tillhandahålla ett tredje börvärde för en summa av alla fa0kvikter (920a, 920b,... 920x) som är kopplat till fa0kinmatningarna (910a, 910b, 910x) till ett fa0k (900), konfigurerad att beräkna summan av alla fa0kvikter (920a, 920b, 920x) som är kopplade till fa0kinmatningarna (910a, 910b, 910x) till fa0ket (900), konfigurerad attjämföra den beräknade summan av det tredje börvärdet o0h om den beräknade summan är högre än det tredje börvärdet, konfigurerad att minska sannolikhetsvärdena (PCa, PCy) som är kopplade till fa0kvikterna (920a, 920b, 920x) som är kopplade till fa0kinmatningarna (910a, 910b, 910x) till fa0ket (900) o0h om den beräknade summan är lägre än det tredje börvärdet, konfigurerad att öka sannolikhetsvärdena (PCa, PCy) som är kopplade till vikterna (920a, 920b, 920x) som är kopplade till fa0kinmatningarna (910a, 910b, 910x) till facket (900) och varvid det tredje börvärdet är baserat på en inmatningstyp, till exempel en systeminmatning, en inmatning frän en nod frän den första gruppen (160) av flertalet noder eller en inmatning frän en nod frän den andra gruppen (162) av flertalet noder.
15. System enligt något av krav 1-6, varvid under inlärningsläget databehandlingssystemet är konfigurerat att: detektera om nätverket (130) är glest sammanhängande genom att jämföra en ackumulerad viktändring för systeminmatningarna (110a, 110b, 1102) under en andra tidsperiod med ett tröskelvärde; och om databehandlingssystemet upptäcker att nätverket (130) är glest sammanhängande, öka motsvarande utmatning (134a, 134b, 134x) frän en eller flera bland flertalet noder (130a, 130b, 130x) genom att lägga till en förutbestämd vägform till motsvarande utmatning (134a, 134b, 134x) frän en eller flera bland flertalet noder (130a, 130b, 130x) under en tredje tidsperiods varaktighet.
16. System enligt nägot av krav 1-15, varvid databehandlingssystemet är konfigurerat att, efter uppdatering av vikterna (Wa, Wy) har utförts, beräkna en populationsvarians av motsvarande utmatningar (134a, 134b, 134x) av noderna (130a, 130b, 130x) i nätverket, jämföra den beräknade populationsvariansen med en potenslag och minimera ett fel eller en medelkvadratfel mellan populationen och potenslagen genom justering av nätverksparametrar.
17. System enligt nägot av krav 6-16, varvid databehandlingssystemet är konfigurerat att utifrän sensordata, lära sig att identifiera en eller flera enheter under inlärningsläget och därefter är konfigurerat att identifiera en eller flera enheter under ett driftläge, varvid den identifierade enheten är en eller fler av en talare, en talad bokstav, stavelse, fonem, ord eller fras som inbegrips i sensordatan eller ett object eller en egenskap hos ett objekt som finns i sensordatan eller ett nytt kontaktevent, ett slut av ett kontaktevent, en gest eller ett tillämpat tryck som finns i sensordatan, och varvid enheten identifieras genom att utföra en sökning i ett minne, en uppslagstabell, eller databas som innehäller ett flertal fysiska enheter, varvid sökningen hittar den enhet i minnet, en uppslagstabellen, eller databasen som har den egenskap som ligger närmast den identifierade mätbara egenskapen och identifierar utifrän sökningen den faktiska enheten.
18. Datorimplementerat förfarande (300) för att detektera en eller fler mätbara egenskaper hos en enhet från sensordata som innefattar olika modaliteter, vilken metod innefattar, vid ett system (100): a) mottagande (310) av en eller fler systeminmatningar (1 10a, 110b, 110z) innefattande sensordata som ska behandlas; b) tillhandahållande (320) av ett flertal inmatningar (132a, 132b, 132y), bland vilka åtminstone en av flertalet inmatningar är en systeminmatning, till ett nätverk, NW, (130) som innefattar ett flertal första noder (130a, 130b, 130x); c) mottagande (330) av en motsvarande utmatning (134a, 134b, 134x) från varje första nod (130a, 130b, 130x); d) tillhandahållande (340) av en systemutmatning (120) som innefattar motsvarande utmatning (134a, 134b, 134x) från varje första nod (130a, 130b, 130x); e) exciterande (350), av excitatoriska noder (130a, 130b) i en excitatorisk grupp (160) bland flertalet noder, en eller flera andra noder (..., 130x) bland flertalet noder (130a, 130b, 130x) genom att tillhandahålla motsvarande utmatning (134a, 134b) från varje excitatorisk nod (130a, 130b) i den excitatoriska gruppen (160) med noder som en inmatning (132d, 132y) till den ena eller flera andra noderna (..., 130x); f) inhibiterande (360), av noder (130x) I en inhibitorisk grupp (162) bland flertalet noder, en eller flera andra noder (130a, 130b, ...) bland flertalet noder (130a, 130b, 130x) genom att tillhandahålla motsvarande utmatning (134x) från varje inhibitorisk nod (130x) i den inhibitoriska gruppen (162) som en behandlingsenhetsinmatning till en respektive behandlingsenhet (140x), varvid varje behandlingsenhet (140x) är konfigurerad att tillhandahålla behandlingsenhetsutmatningen som en inmatning (132b, 132e, ...) till den ena eller flera andra noderna (130a, 130b, ...); och g) valfritt uppdatera (370), av en eller flera uppdateringsenheter (150), vikter (Wa, Wy) baserat på korrelation; och h) valfritt upprepa (380) a) -g) tills ett inlårningskriterium har uppfyllts; i) upprepa (390) a) -f) tills ett stoppkritierium har uppfyllts, och varvid varje nod bland flertalet noder (130a, 130b, 130x) tillhör en av de första och andra nodgrupperna (160, 162), varvid varje nod innefattar en uppdateringsenhet (150), och g) valfritt uppdatera (370), av en eller flera uppdateringsenheter (150), vikter (Wa, Wy) baserat på korrelation, innefattar att respektive nods uppdateringsenhet (150) utför: uppdatering av vikterna (Wa, Wb, Wc) för respektive nod (130a) baserat pä en korrelation av varje inmatning (132a, 132c) till noden (130a) med motsvarande utmatning (134a) från respektive nod (130a); och tillämpning av en första excitatorisk inlärningsfunktion pä korrelationen om den kopplade noden tillhör den excitatoriska gruppen (160) bland flertalet noder för att uppdatera vikterna (Wv, Wx, Wy) under inlärningsläget; och tillämpning av en andra inhibitorisk inlärningsfunktion, vilken skiljer sig frän den första excitatoriska inlärningsfunktionen, pä korrelationen om den kopplade noden tillhör den andra gruppen (162) bland flertalet noder för att uppdatera vikterna (Wa, Wb, Wc) under inlärningsläget, varvid när databehandlingssystemet (100) arbetar i ett driftläge, systemutmatningen (120) identifierar från inmatad sensordata en eller flera mätbara egenskaper hos en detekterad enhet.
19. Förfarande enligt krav 18, innefattande: initierande (304) av vikter (Wa, Wy) genom att sätta vikterna (Wa, Wy) till noll; och adderande (308) av en förutbestämd vàgform till motsvarande utmatning (134a, 134b, 134x) från en av en eller flera bland flertalet noder (130a, 130b, 130x) under den tredje tidsperiodens varaktighet, varvid den tredje tidsperioden påbörjas vid samma tid då mottagande (310) påbörjas av en eller flera systeminmatningar (110a, 110b, 110z) innefattande data som ska behandlas.
20. Förfarande enligt krav 18, innefattande: initierande (306) av vikter (Wa, WY) genom slumpmässig tilldelning av värden mellan 0 och 1 till vikterna (Wa, Wy); och addering (308) av en förutbestämd vàgform till motsvarande utmatning (134a, 134b, 134x) från en eller flera av flertalet noder (130a, 130b, 130x) under den tredje tidsperiodens varaktighet.
21. Datorprogramprodukt innefattande ett icke-flyktigt datorläsbart medium (400), på vilket ett datorprogram är lagrat som omfattar programinstruktioner, vilket datorprogram är inläsbart i en databehandlingsenhet (420) och konfigurerat att orsaka utförande av förfarandet enligt något av kraven 18-20 när datorprogrammet körs av databehandlingsenheten (420).
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2024549659A JP2025508808A (ja) | 2022-02-23 | 2023-02-21 | ネットワークを備えるデータ処理システム、その方法、およびそのコンピュータプログラム製品 |
| PCT/SE2023/050153 WO2023163637A1 (en) | 2022-02-23 | 2023-02-21 | A data processing system comprising a network, a method, and a computer program product |
| KR1020247031252A KR20240154584A (ko) | 2022-02-23 | 2023-02-21 | 네트워크를 포함하는 데이터 처리 시스템, 방법 및 컴퓨터 프로그램 제품 |
| EP23760478.0A EP4483300A1 (en) | 2022-02-23 | 2023-02-21 | A data processing system comprising a network, a method, and a computer program product |
| US18/840,928 US20250165779A1 (en) | 2022-02-23 | 2023-02-21 | A data processing system comprising a network, a method, and a computer program product |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202263313076P | 2022-02-23 | 2022-02-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| SE2250397A1 true SE2250397A1 (en) | 2023-08-24 |
| SE547197C2 SE547197C2 (en) | 2025-05-27 |
Family
ID=88018604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| SE2250397A SE547197C2 (en) | 2022-02-23 | 2022-03-30 | A data processing system comprising a network, a method, and a computer program product |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN118871929A (sv) |
| SE (1) | SE547197C2 (sv) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080258767A1 (en) * | 2007-04-19 | 2008-10-23 | Snider Gregory S | Computational nodes and computational-node networks that include dynamical-nanodevice connections |
| US7814038B1 (en) * | 2007-12-06 | 2010-10-12 | Dominic John Repici | Feedback-tolerant method and device producing weight-adjustment factors for pre-synaptic neurons in artificial neural networks |
| US7904398B1 (en) * | 2005-10-26 | 2011-03-08 | Dominic John Repici | Artificial synapse component using multiple distinct learning means with distinct predetermined learning acquisition times |
| JP2011242932A (ja) * | 2010-05-17 | 2011-12-01 | Honda Motor Co Ltd | 電子回路 |
| US20150278680A1 (en) * | 2014-03-26 | 2015-10-01 | Qualcomm Incorporated | Training, recognition, and generation in a spiking deep belief network (dbn) |
| US20180189631A1 (en) * | 2016-12-30 | 2018-07-05 | Intel Corporation | Neural network with reconfigurable sparse connectivity and online learning |
-
2022
- 2022-03-30 SE SE2250397A patent/SE547197C2/en unknown
-
2023
- 2023-02-21 CN CN202380027102.XA patent/CN118871929A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7904398B1 (en) * | 2005-10-26 | 2011-03-08 | Dominic John Repici | Artificial synapse component using multiple distinct learning means with distinct predetermined learning acquisition times |
| US20080258767A1 (en) * | 2007-04-19 | 2008-10-23 | Snider Gregory S | Computational nodes and computational-node networks that include dynamical-nanodevice connections |
| US7814038B1 (en) * | 2007-12-06 | 2010-10-12 | Dominic John Repici | Feedback-tolerant method and device producing weight-adjustment factors for pre-synaptic neurons in artificial neural networks |
| JP2011242932A (ja) * | 2010-05-17 | 2011-12-01 | Honda Motor Co Ltd | 電子回路 |
| US20150278680A1 (en) * | 2014-03-26 | 2015-10-01 | Qualcomm Incorporated | Training, recognition, and generation in a spiking deep belief network (dbn) |
| US20180189631A1 (en) * | 2016-12-30 | 2018-07-05 | Intel Corporation | Neural network with reconfigurable sparse connectivity and online learning |
Non-Patent Citations (2)
| Title |
|---|
| 2015 IEEE/ACM International Symposium on Low Power Electronics and Design (ISLPED), "A neuromorphic neural spike clustering processor for deep-brain sensing and stimulation systems", Zhang Beinuo; Jiang Zhewei; Wang Qi; Seo Jae-Sun; Seok Mingoo, 2015-09-21, p. 91 - 97, doi:10.1109/ISLPED.2015.7273496 * |
| IEEE Transactions on Circuits and Systems I: Regular Papers, "sBSNN: Stochastic-Bits Enabled Binary Spiking Neural Network With On-Chip Learning for Energy Efficient Neuromorphic Computing at the Edge", Koo Minsuk; Srinivasan Gopalakrishnan; Shim Yong; Roy Kaushik, 2020-03-16, p. 2546 - 2555, doi:10.1109/TCSI.2020.2979826 * |
Also Published As
| Publication number | Publication date |
|---|---|
| SE547197C2 (en) | 2025-05-27 |
| CN118871929A (zh) | 2024-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10671912B2 (en) | Spatio-temporal spiking neural networks in neuromorphic hardware systems | |
| CN110956256B (zh) | 利用忆阻器本征噪声实现贝叶斯神经网络的方法及装置 | |
| CN112784976A (zh) | 一种基于脉冲神经网络的图像识别系统及方法 | |
| JP2021528745A (ja) | アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出 | |
| CN113313240A (zh) | 计算设备及电子设备 | |
| US11080592B2 (en) | Neuromorphic architecture for feature learning using a spiking neural network | |
| CN116300796B (zh) | 无人设备故障诊断方法、装置、设备、存储介质和产品 | |
| CN110706817A (zh) | 血糖传感数据判别方法及装置 | |
| US20250165779A1 (en) | A data processing system comprising a network, a method, and a computer program product | |
| CN117150402B (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
| CN113269113A (zh) | 人体行为识别方法、电子设备和计算机可读介质 | |
| CN117668490A (zh) | 一种时序数据预测方法、装置及设备 | |
| SE2250397A1 (en) | A data processing system comprising a network, a method, and a computer program product | |
| US20240385987A1 (en) | A computer-implemented or hardware-implemented method, a computer program product, an apparatus, a transfer function unit and a system for identification or separation of entities | |
| CN115699018A (zh) | 计算机实现或硬件实现的实体识别方法、计算机程序产品以及用于实体识别的装置 | |
| CN120387483A (zh) | 基于可在线微调混合神经网络的水下机器人故障诊断方法 | |
| US20250148263A1 (en) | Computer-implemented or hardware-implemented method of entity identification, a computer program product and an apparatus for entity identification | |
| Fuchs et al. | Processing short-term and long-term information with a combination of polynomial approximation techniques and time-delay neural networks | |
| Gil et al. | Supervised SOM based architecture versus multilayer perceptron and RBF networks | |
| KR102838908B1 (ko) | 스파이킹 뉴럴 네트워크 기반 와이파이 프레임 탐지 장치 및 방법 | |
| Koçak et al. | A preliminary study for remote healthcare system: Activity classification for elder people with on body sensors | |
| US20250200346A1 (en) | Data processing device of spiking neural network and operating method thereof | |
| Lim | A new method of reducing network complexity in probabilistic neural network for target identification | |
| Amin et al. | Spike train learning algorithm, applications, and analysis | |
| CN120705747A (zh) | 一种异常时序检测方法以及相关设备 |