JP2017509980A - 動的な空間ターゲット選択 - Google Patents
動的な空間ターゲット選択 Download PDFInfo
- Publication number
- JP2017509980A JP2017509980A JP2016553346A JP2016553346A JP2017509980A JP 2017509980 A JP2017509980 A JP 2017509980A JP 2016553346 A JP2016553346 A JP 2016553346A JP 2016553346 A JP2016553346 A JP 2016553346A JP 2017509980 A JP2017509980 A JP 2017509980A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- input
- dynamically changing
- target
- neurons
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
Abstract
Description
例示的なニューラルシステム、トレーニングおよび動作
[0026]図1は、本開示のいくつかの態様による、複数のレベルのニューロンをもつ例示的な人工ニューラルシステム100を示す。ニューラルシステム100は、シナプス結合のネットワーク104(すなわち、フィードフォワード結合)を介してニューロンの別のレベル106に結合されたニューロンのあるレベル102を有し得る。簡単のために、図1には2つのレベルのニューロンのみが示されているが、ニューラルシステムには、より少ないまたはより多くのレベルのニューロンが存在し得る。ニューロンのいくつかは、ラテラル結合を介して同じレイヤの他のニューロンに結合し得ることに留意されたい。さらに、ニューロンのいくつかは、フィードバック結合を介して前のレイヤのニューロンに戻る形で結合し得る。
シナプスタイプ
シナプス可塑性の決定
ニューロンモデルおよび演算
Hunzinger Coldモデル
動的な空間ターゲット選択
データがある間、
新しいデータが、現在の勝者(currentWinner)よりもオブジェクトに近い場合、
現在の勝者を新しいデータと置換する
以下に、本願出願の当初の特許請求の範囲に記載された発明を付記する。
[C1]
ニューラルネットワークでターゲット選択を動的に変更する方法であって、
前記ニューラルネットワーク内の接続のアンバランスの量を制御することによって、選択関数を動的に変更することを備え、選択されたニューロンは、複数の候補ターゲットのうちの1つを表す、
方法。
[C2]
前記接続は、入力および出力ニューロンの各ペア間に結合された介在ニューロンを備え、動的に変更する前記ことは、前記介在ニューロンの興奮性を少なくとも動的に変更すること、前記介在ニューロンと前記入力および出力ニューロンとの間のシナプス重みの有効性を動的に変更すること、またはそれらの組合せを備える、
C1に記載の方法。
[C3]
前記動的に変更することは、外部入力で動的に変更することを備える、
C2に記載の方法。
[C4]
前記動的に変更することは、ニューロンの興奮性を少なくとも動的に変更すること、シナプス重みの有効性を動的に変更すること、またはそれらの組合せを備える、
C1に記載の方法。
[C5]
前記シナプス重みは、少なくとも入力シナプス、ニューロン間の接続、またはそれらの組合せのためのものである、
C4に記載の方法。
[C6]
前記選択関数は、リターン上の抑制、前記ターゲットを選択するオブジェクトの挙動状態、時間の期間、割り当てられたタスク、時間多重化機能、および複数のニューラルネットワークに対応する複数のタスクからタスクを選択するイベント、またはそれらの組合せに少なくとも部分的に基づく、
C1に記載の方法。
[C7]
各タスクは、前記複数のニューラルネットワークのうちの1つに対応し、各ニューラルネットワークは、静的ネットワークまたは動的ネットワークである、
C6に記載の方法。
[C8]
前記ニューラルネットワークへの入力、前記ニューラルネットワークからの出力、またはそれらの組合せに少なくとも部分的に基づいて、前記ニューラルネットワーク内の接続のアンバランスの前記量を制御することをさらに備える、
C1に記載の方法。
[C9]
ニューラルネットワークでターゲット選択を動的に変更するための装置であって、
メモリユニットと、
前記メモリユニットに結合された少なくとも1つのプロセッサと
を備え、前記少なくとも1つのプロセッサは、前記ニューラルネットワーク内の接続のアンバランスの量を制御することによって、選択関数を動的に変更するように構成されており、選択されたニューロンは、複数の候補ターゲットのうちの1つを表す、
装置。
[C10]
前記接続は、入力および出力ニューロンの各ペア間に結合された介在ニューロンを備え、前記少なくとも1つのプロセッサは、少なくとも前記介在ニューロンの興奮性、前記介在ニューロンと前記入力および出力ニューロンとの間のシナプス重みの有効性、またはそれらの組合せを動的に変更するようにさらに構成されている、
C9に記載の装置。
[C11]
前記少なくとも1つのプロセッサは、外部入力で動的に変更するようにさらに構成される、
装置C10。
[C12]
前記少なくとも1つのプロセッサは、少なくともニューロンの興奮性、シナプス重みの有効性、またはそれらの組合せを動的に変更するようにさらに構成される、C9に記載の装置。
[C13]
前記シナプス重みが、少なくとも入力シナプス、ニューロン間の接続、またはそれらの組合せのためのものである、装置C12。
[C14]
前記選択関数は、リターン上の抑制、前記ターゲットを選択するオブジェクトの挙動状態、時間の期間、割り当てられたタスク、時間多重化機能、および複数のニューラルネットワークに対応する複数のタスクからタスクを選択するイベント、またはそれらの組合せに少なくとも部分的に基づく、
C9に記載の装置。
[C15]
各タスクは、前記複数のニューラルネットワークのうちの1つに対応し、各ニューラルネットワークが静的ネットワークまたは動的ネットワークである、
C14に記載の装置。
[C16]
前記少なくとも1つのプロセッサは、前記ニューラルネットワークへの入力、前記ニューラルネットワークからの出力、またはそれらの組合せに少なくとも部分的に基づいて、前記ニューラルネットワーク内の接続のアンバランスの前記量を制御するようにさらに構成される、
C9に記載の装置。
[C17]
ニューラルネットワーク内の接続のアンバランスの量を決定するための手段と、
前記ニューラルネットワーク内の接続のアンバランスの前記量を制御することによって、選択関数を動的に変更するための手段と
を備え、選択されたニューロンは、複数の候補ターゲットのうちの1つを表す、
装置。
[C18]
前記接続は、入力および出力ニューロンの各ペア間に結合された介在ニューロンを備え、前記動的に変更するための手段は、少なくとも前記介在ニューロンの興奮性、前記介在ニューロンと前記入力および出力ニューロンとの間のシナプス重みの有効性、またはそれらの組合せを動的に変更するための手段を備える、
C17に記載の装置。
[C19]
前記動的に変更するための手段は、外部入力で動的に変更するための手段を備える、
装置C18。
[C20]
前記動的に変更するための手段は、少なくともニューロンの興奮性を動的に変更するための手段、シナプス重みの有効性を変更するための手段、またはそれらの組合せを備える、
C17に記載の装置。
[C21]
前記シナプス重みは、少なくとも入力シナプス、ニューロン間の接続、またはそれらの組合せのためのものである、
装置C20。
[C22]
前記選択関数は、リターン上の抑制、前記ターゲットを選択するオブジェクトの挙動状態、時間の期間、割り当てられたタスク、時間多重化機能、および複数のニューラルネットワークに対応する複数のタスクからタスクを選択するイベント、またはそれらの組合せに少なくとも部分的に基づく、
C17に記載の装置。
[C23]
各タスクが、前記複数のニューラルネットワークのうちの1つに対応し、各ニューラルネットワークが静的ネットワークまたは動的ネットワークである、
C22に記載の装置。
[C24]
前記ニューラルネットワークへの入力、前記ニューラルネットワークからの出力、またはそれらの組合せに少なくとも部分的に基づいて、前記ニューラルネットワーク内の接続のアンバランスの前記量を制御するための手段をさらに備える、
C17に記載の装置。
[C25]
ニューラルネットワークでターゲット選択を動的に変更するためのコンピュータプログラム製品であって、
非一時的プログラムコードを記録する非一時的コンピュータ可読媒体を備え、前記プログラムコードは、前記ニューラルネットワーク内の接続のアンバランスの量を制御することによって、選択関数を動的に変更するためのプログラムコードを備え、選択されたニューロンは、複数の候補ターゲットのうちの1つを表す、
コンピュータプログラム製品。
[C26]
前記接続は、入力および出力ニューロンの各ペア間に結合された介在ニューロンを備え、前記プログラムコードは、少なくとも前記介在ニューロンの興奮性、前記介在ニューロンと前記入力および出力ニューロンとの間のシナプス重みの有効性、またはそれらの組合せを動的に変更するためのプログラムコードをさらに備える、
C25に記載のコンピュータプログラム製品。
[C27]
前記プログラムコードは、外部入力で動的に変更するためのプログラムコードをさらに備える、
C26に記載のコンピュータプログラム製品。
[C28]
プログラムコードが、少なくともニューロンの興奮性、シナプス重みの有効性、またはそれらの組合せを動的に変更するためのプログラムコードをさらに備える、
C25に記載のコンピュータプログラム製品。
[C29]
前記シナプス重みは、少なくとも入力シナプス、ニューロン間の接続、またはそれらの組合せのためのものである、
C28に記載のコンピュータプログラム製品。
[C30]
前記選択関数は、リターン上の抑制、前記ターゲットを選択するオブジェクトの挙動状態、時間の期間、割り当てられたタスク、時間多重化機能、および複数のニューラルネットワークに対応する複数のタスクからタスクを選択するイベント、またはそれらの組合せに少なくとも部分的に基づく、
C25に記載のコンピュータプログラム製品。
Claims (30)
- ニューラルネットワークでターゲット選択を動的に変更する方法であって、
前記ニューラルネットワーク内の接続のアンバランスの量を制御することによって、選択関数を動的に変更することを備え、選択されたニューロンは、複数の候補ターゲットのうちの1つを表す、
方法。 - 前記接続は、入力および出力ニューロンの各ペア間に結合された介在ニューロンを備え、動的に変更する前記ことは、前記介在ニューロンの興奮性を少なくとも動的に変更すること、前記介在ニューロンと前記入力および出力ニューロンとの間のシナプス重みの有効性を動的に変更すること、またはそれらの組合せを備える、
請求項1に記載の方法。 - 前記動的に変更することは、外部入力で動的に変更することを備える、
請求項2に記載の方法。 - 前記動的に変更することは、ニューロンの興奮性を少なくとも動的に変更すること、シナプス重みの有効性を動的に変更すること、またはそれらの組合せを備える、
請求項1に記載の方法。 - 前記シナプス重みは、少なくとも入力シナプス、ニューロン間の接続、またはそれらの組合せのためのものである、
請求項4に記載の方法。 - 前記選択関数は、リターン上の抑制、前記ターゲットを選択するオブジェクトの挙動状態、時間の期間、割り当てられたタスク、時間多重化機能、および複数のニューラルネットワークに対応する複数のタスクからタスクを選択するイベント、またはそれらの組合せに少なくとも部分的に基づく、
請求項1に記載の方法。 - 各タスクは、前記複数のニューラルネットワークのうちの1つに対応し、各ニューラルネットワークは、静的ネットワークまたは動的ネットワークである、
請求項6に記載の方法。 - 前記ニューラルネットワークへの入力、前記ニューラルネットワークからの出力、またはそれらの組合せに少なくとも部分的に基づいて、前記ニューラルネットワーク内の接続のアンバランスの前記量を制御することをさらに備える、
請求項1に記載の方法。 - ニューラルネットワークでターゲット選択を動的に変更するための装置であって、
メモリユニットと、
前記メモリユニットに結合された少なくとも1つのプロセッサと
を備え、前記少なくとも1つのプロセッサは、前記ニューラルネットワーク内の接続のアンバランスの量を制御することによって、選択関数を動的に変更するように構成されており、選択されたニューロンは、複数の候補ターゲットのうちの1つを表す、
装置。 - 前記接続は、入力および出力ニューロンの各ペア間に結合された介在ニューロンを備え、前記少なくとも1つのプロセッサは、少なくとも前記介在ニューロンの興奮性、前記介在ニューロンと前記入力および出力ニューロンとの間のシナプス重みの有効性、またはそれらの組合せを動的に変更するようにさらに構成されている、
請求項9に記載の装置。 - 前記少なくとも1つのプロセッサは、外部入力で動的に変更するようにさらに構成される、
装置請求項10。 - 前記少なくとも1つのプロセッサは、少なくともニューロンの興奮性、シナプス重みの有効性、またはそれらの組合せを動的に変更するようにさらに構成される、請求項9に記載の装置。
- 前記シナプス重みが、少なくとも入力シナプス、ニューロン間の接続、またはそれらの組合せのためのものである、装置請求項12。
- 前記選択関数は、リターン上の抑制、前記ターゲットを選択するオブジェクトの挙動状態、時間の期間、割り当てられたタスク、時間多重化機能、および複数のニューラルネットワークに対応する複数のタスクからタスクを選択するイベント、またはそれらの組合せに少なくとも部分的に基づく、
請求項9に記載の装置。 - 各タスクは、前記複数のニューラルネットワークのうちの1つに対応し、各ニューラルネットワークが静的ネットワークまたは動的ネットワークである、
請求項14に記載の装置。 - 前記少なくとも1つのプロセッサは、前記ニューラルネットワークへの入力、前記ニューラルネットワークからの出力、またはそれらの組合せに少なくとも部分的に基づいて、前記ニューラルネットワーク内の接続のアンバランスの前記量を制御するようにさらに構成される、
請求項9に記載の装置。 - ニューラルネットワーク内の接続のアンバランスの量を決定するための手段と、
前記ニューラルネットワーク内の接続のアンバランスの前記量を制御することによって、選択関数を動的に変更するための手段と
を備え、選択されたニューロンは、複数の候補ターゲットのうちの1つを表す、
装置。 - 前記接続は、入力および出力ニューロンの各ペア間に結合された介在ニューロンを備え、前記動的に変更するための手段は、少なくとも前記介在ニューロンの興奮性、前記介在ニューロンと前記入力および出力ニューロンとの間のシナプス重みの有効性、またはそれらの組合せを動的に変更するための手段を備える、
請求項17に記載の装置。 - 前記動的に変更するための手段は、外部入力で動的に変更するための手段を備える、
装置請求項18。 - 前記動的に変更するための手段は、少なくともニューロンの興奮性を動的に変更するための手段、シナプス重みの有効性を変更するための手段、またはそれらの組合せを備える、
請求項17に記載の装置。 - 前記シナプス重みは、少なくとも入力シナプス、ニューロン間の接続、またはそれらの組合せのためのものである、
装置請求項20。 - 前記選択関数は、リターン上の抑制、前記ターゲットを選択するオブジェクトの挙動状態、時間の期間、割り当てられたタスク、時間多重化機能、および複数のニューラルネットワークに対応する複数のタスクからタスクを選択するイベント、またはそれらの組合せに少なくとも部分的に基づく、
請求項17に記載の装置。 - 各タスクが、前記複数のニューラルネットワークのうちの1つに対応し、各ニューラルネットワークが静的ネットワークまたは動的ネットワークである、
請求項22に記載の装置。 - 前記ニューラルネットワークへの入力、前記ニューラルネットワークからの出力、またはそれらの組合せに少なくとも部分的に基づいて、前記ニューラルネットワーク内の接続のアンバランスの前記量を制御するための手段をさらに備える、
請求項17に記載の装置。 - ニューラルネットワークでターゲット選択を動的に変更するためのコンピュータプログラム製品であって、
非一時的プログラムコードを記録する非一時的コンピュータ可読媒体を備え、前記プログラムコードは、前記ニューラルネットワーク内の接続のアンバランスの量を制御することによって、選択関数を動的に変更するためのプログラムコードを備え、選択されたニューロンは、複数の候補ターゲットのうちの1つを表す、
コンピュータプログラム製品。 - 前記接続は、入力および出力ニューロンの各ペア間に結合された介在ニューロンを備え、前記プログラムコードは、少なくとも前記介在ニューロンの興奮性、前記介在ニューロンと前記入力および出力ニューロンとの間のシナプス重みの有効性、またはそれらの組合せを動的に変更するためのプログラムコードをさらに備える、
請求項25に記載のコンピュータプログラム製品。 - 前記プログラムコードは、外部入力で動的に変更するためのプログラムコードをさらに備える、
請求項26に記載のコンピュータプログラム製品。 - プログラムコードが、少なくともニューロンの興奮性、シナプス重みの有効性、またはそれらの組合せを動的に変更するためのプログラムコードをさらに備える、
請求項25に記載のコンピュータプログラム製品。 - 前記シナプス重みは、少なくとも入力シナプス、ニューロン間の接続、またはそれらの組合せのためのものである、
請求項28に記載のコンピュータプログラム製品。 - 前記選択関数は、リターン上の抑制、前記ターゲットを選択するオブジェクトの挙動状態、時間の期間、割り当てられたタスク、時間多重化機能、および複数のニューラルネットワークに対応する複数のタスクからタスクを選択するイベント、またはそれらの組合せに少なくとも部分的に基づく、
請求項25に記載のコンピュータプログラム製品。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201461943231P | 2014-02-21 | 2014-02-21 | |
US201461943227P | 2014-02-21 | 2014-02-21 | |
US61/943,231 | 2014-02-21 | ||
US61/943,227 | 2014-02-21 | ||
US14/325,169 | 2014-07-07 | ||
US14/325,169 US10552734B2 (en) | 2014-02-21 | 2014-07-07 | Dynamic spatial target selection |
PCT/US2015/016693 WO2015127130A2 (en) | 2014-02-21 | 2015-02-19 | Dynamic spatial target selection |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017509980A true JP2017509980A (ja) | 2017-04-06 |
JP2017509980A5 JP2017509980A5 (ja) | 2018-03-08 |
Family
ID=53879236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016553346A Pending JP2017509980A (ja) | 2014-02-21 | 2015-02-19 | 動的な空間ターゲット選択 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10552734B2 (ja) |
EP (1) | EP3108413A2 (ja) |
JP (1) | JP2017509980A (ja) |
CN (1) | CN106796667B (ja) |
TW (1) | TW201539334A (ja) |
WO (1) | WO2015127130A2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9764468B2 (en) | 2013-03-15 | 2017-09-19 | Brain Corporation | Adaptive predictor apparatus and methods |
US9358685B2 (en) | 2014-02-03 | 2016-06-07 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
US9630318B2 (en) | 2014-10-02 | 2017-04-25 | Brain Corporation | Feature detection apparatus and methods for training of robotic navigation |
US11029836B2 (en) * | 2016-03-25 | 2021-06-08 | Microsoft Technology Licensing, Llc | Cross-platform interactivity architecture |
US10885425B2 (en) * | 2016-12-20 | 2021-01-05 | Intel Corporation | Network traversal using neuromorphic instantiations of spike-time-dependent plasticity |
US10846590B2 (en) * | 2016-12-20 | 2020-11-24 | Intel Corporation | Autonomous navigation using spiking neuromorphic computers |
US11373091B2 (en) | 2017-10-19 | 2022-06-28 | Syntiant | Systems and methods for customizing neural networks |
EP3764173A1 (en) | 2019-07-08 | 2021-01-13 | ABB Schweiz AG | Human-plausible automated control of an industrial process |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6941289B2 (en) | 2001-04-06 | 2005-09-06 | Sas Institute Inc. | Hybrid neural network generation system and method |
US6961719B1 (en) | 2002-01-07 | 2005-11-01 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hybrid neural network and support vector machine method for optimization |
US7483868B2 (en) | 2002-04-19 | 2009-01-27 | Computer Associates Think, Inc. | Automatic neural-net model generation and maintenance |
WO2004111931A2 (en) | 2003-06-10 | 2004-12-23 | California Institute Of Technology | A system and method for attentional selection |
US7324979B2 (en) | 2003-08-29 | 2008-01-29 | Bbn Technologies Corp. | Genetically adaptive neural network classification systems and methods |
US7519452B2 (en) * | 2004-04-15 | 2009-04-14 | Neurosciences Research Foundation, Inc. | Mobile brain-based device for use in a real world environment |
US20120271748A1 (en) | 2005-04-14 | 2012-10-25 | Disalvo Dean F | Engineering process for a real-time user-defined data collection, analysis, and optimization tool (dot) |
US7533071B2 (en) | 2005-06-28 | 2009-05-12 | Neurosciences Research Foundation, Inc. | Neural modeling and brain-based devices using special purpose processor |
US7765029B2 (en) | 2005-09-13 | 2010-07-27 | Neurosciences Research Foundation, Inc. | Hybrid control device |
JP4836592B2 (ja) | 2006-02-09 | 2011-12-14 | ソニー株式会社 | ロボット装置及びその制御方法 |
KR100820723B1 (ko) * | 2006-05-19 | 2008-04-10 | 인하대학교 산학협력단 | 은닉노드 목표값을 가진 2 개층 신경망을 이용한 분리 학습시스템 및 방법 |
TW200849436A (en) | 2007-06-01 | 2008-12-16 | King Yuan Electronics Co Ltd | Method for wafer analysis with artificial neural network and system thereof |
US20130331294A1 (en) | 2007-11-09 | 2013-12-12 | Fox Chase Cancer Center | Egfr/nedd9/tgf-beta interactome and methods of use thereof for the identification of agents having efficacy in the treatment of hyperproliferative disorders |
EP2216145B1 (en) | 2009-02-06 | 2011-06-08 | Honda Research Institute Europe GmbH | Learning and use of schemata in robotic devices |
EP2256667B1 (en) | 2009-05-28 | 2012-06-27 | Honda Research Institute Europe GmbH | Driver assistance system or robot with dynamic attention module |
US9665822B2 (en) | 2010-06-30 | 2017-05-30 | International Business Machines Corporation | Canonical spiking neuron network for spatiotemporal associative memory |
US8655813B2 (en) | 2010-12-30 | 2014-02-18 | International Business Machines Corporation | Synaptic weight normalized spiking neuronal networks |
WO2012130251A1 (en) | 2011-03-28 | 2012-10-04 | Al-Romimah Abdalslam Ahmed Abdalgaleel | Image understanding based on fuzzy pulse - coupled neural networks |
US9281689B2 (en) | 2011-06-08 | 2016-03-08 | General Electric Technology Gmbh | Load phase balancing at multiple tiers of a multi-tier hierarchical intelligent power distribution grid |
US9460387B2 (en) * | 2011-09-21 | 2016-10-04 | Qualcomm Technologies Inc. | Apparatus and methods for implementing event-based updates in neuron networks |
US9092735B2 (en) | 2011-09-21 | 2015-07-28 | Qualcomm Incorporated | Method and apparatus for structural delay plasticity in spiking neural networks |
CN102521653B (zh) | 2011-11-23 | 2015-01-21 | 河海大学常州校区 | 井下多机器人联合搜救的生物刺激神经网络设备及其方法 |
US9367797B2 (en) | 2012-02-08 | 2016-06-14 | Jason Frank Hunzinger | Methods and apparatus for spiking neural computation |
CN103116354B (zh) | 2013-01-30 | 2015-10-28 | 同济大学 | 一种双足机器人实时步态轨迹生成方法 |
US9463571B2 (en) * | 2013-11-01 | 2016-10-11 | Brian Corporation | Apparatus and methods for online training of robots |
US9460382B2 (en) * | 2013-12-23 | 2016-10-04 | Qualcomm Incorporated | Neural watchdog |
US20150242742A1 (en) | 2014-02-21 | 2015-08-27 | Qualcomm Incorporated | Imbalanced cross-inhibitory mechanism for spatial target selection |
-
2014
- 2014-07-07 US US14/325,169 patent/US10552734B2/en active Active
-
2015
- 2015-02-19 EP EP15712446.2A patent/EP3108413A2/en not_active Ceased
- 2015-02-19 JP JP2016553346A patent/JP2017509980A/ja active Pending
- 2015-02-19 WO PCT/US2015/016693 patent/WO2015127130A2/en active Application Filing
- 2015-02-19 CN CN201580009554.0A patent/CN106796667B/zh active Active
- 2015-02-24 TW TW104105877A patent/TW201539334A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US20150242746A1 (en) | 2015-08-27 |
US10552734B2 (en) | 2020-02-04 |
WO2015127130A2 (en) | 2015-08-27 |
TW201539334A (zh) | 2015-10-16 |
WO2015127130A3 (en) | 2015-12-10 |
CN106796667A (zh) | 2017-05-31 |
CN106796667B (zh) | 2019-12-13 |
EP3108413A2 (en) | 2016-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6130056B2 (ja) | スパイキングネットワークの効率的なハードウェア実装 | |
JP6275868B2 (ja) | ニューラルウォッチドッグ | |
JP2017509982A (ja) | 原位置ニューラルネットワークコプロセッシング | |
JP2017509980A (ja) | 動的な空間ターゲット選択 | |
JP2017509951A (ja) | スパースニューラルネットワークを構成すること | |
JP2017509952A (ja) | シャドウネットワークでニューラルネットワークを監視すること | |
JP2017516192A (ja) | ニューラルネットワークにおける差分符号化 | |
JP2017513127A (ja) | スパイキング深層信念ネットワーク(dbn)におけるトレーニング、認識、および生成 | |
JP2017515205A (ja) | Coldニューロンスパイクタイミングバックプロバゲーション | |
JP2016536679A (ja) | ニューラルシミュレータ用の共有メモリアーキテクチャ | |
JP2017515189A (ja) | 写真管理 | |
JP2017511936A (ja) | 現在の計算リソースへのニューラルネットワーク適応 | |
JP2017525038A (ja) | ニューラルネットワークにおける畳込み演算の分解 | |
JP2017509978A (ja) | 確率論的スパイキングベイジアンネットワークに関する事象に基づく推論および学習 | |
JP2017519268A (ja) | スパイキングニューラルネットワークにおけるグローバルスカラ値によって可塑性を調節すること | |
JP2016539414A (ja) | スパイキングニューラルネットワークにおいてリプレーを使用するシナプス学習を実装すること | |
JP2017514215A (ja) | スパイキングニューラルネットワークを使用する画像の不変オブジェクト表現 | |
JP2017510890A (ja) | 一般的なニューロンモデルの効率的な実装のための方法および装置 | |
JP2016536657A (ja) | ニューラルモデルのためのグループタグの実装のための方法および装置 | |
JP6133517B2 (ja) | 座標変換のための位相コーディング | |
JP6193509B2 (ja) | 可塑性シナプス管理 | |
JP6219509B2 (ja) | シナプス遅延を動的に割り当てることおおよび検査すること | |
JP2016537711A (ja) | スパイキングニューロンのネットワークにおける輻輳回避 | |
JP6096388B2 (ja) | ニューラルネットワークモデルにおけるドップラー効果処理 | |
JP2017513110A (ja) | ニューロモーフィックモデル開発のためのコンテキストリアルタイムフィードバック |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161102 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180123 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180123 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190219 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190924 |