|
搜索
搜 索
高等教育领域数字化综合服务平台
我国科学家提出一种基于旋转神经元的新型储备池计算硬件架构
为模仿大脑对复杂时序信号的处理能力，储备池计算以其易训练、便于硬件实现等优点成为类脑计算的前沿热点。高效的储备池计算架构能够充分挖掘电子器件的自身物理属性，以用作计算资源实现仿生人工神经网络。
科技部生物中心
2022-04-12
清华大学集成电路学院钱鹤、吴华强团队提出基于旋转神经元的新型储备池计算硬件架构
随着摩尔定律的放缓，基于硅晶体管和冯诺依曼架构的传统计算硬件系统在人工智能时代面临严峻的性能瓶颈。受大脑启发，基于新原理器件的类脑计算致力于充分挖掘电子器件自身的物理属性作为计算资源，从而在硬件层面高效实现各种人工神经网络。
清华大学
2022-04-08
光对神经网络调控研究
小鼠大脑海马区CA3-CA1神经环路各频率波段震荡变化规律，以及小鼠脑缺血缺氧（脑卒中）对海马区CA3-CA1神经环路各个频率波段震荡幅度的影响。同时，团队利用体外低频伽马（30-50 Hz）LED光视觉波刺激，同步记录清醒小鼠学习中的在体脑电活动，发现低频伽马LED光波可调控海马区CA3-CA1神经环路低频率伽马波震荡，有效保护脑卒中诱发的神经损伤和学习记忆障碍。
南方科技大学
2021-04-14
m6A修饰通过调控信使核糖核酸（mRNA）在神经元轴突中的局部翻译进而影响轴突生长的新机制
发现在轴突中特异性抑制FTO或敲低FTO均显著地降低了GAP-43 mRNA 的局部翻译。进一步的抗m 6 A免疫沉淀实验证实FTO通过调节GAP-43 mRNA的m 6 A水平从而影响GAP-43的局部翻译。在过表达野生型GAP-43的神经元中，抑制FTO可以显著地降低GAP-43的局部翻译水平，同时显著地抑制了轴突的生长。而在过表达m 6 A 位点突变的GAP-43的神经元中，抑制FTO对GAP-43的蛋白水平及轴突的生长均没有影响。因此，该研究证实FTO可以通过调控轴突中GAP-43 mRNA的m 6 A水平从而影响其局部翻译，进而调节轴突的生长。
南方科技大学
2021-04-13
人工神经网络映射降维优化技术
研发阶段/n内容简介：用人工神经网络将生产过程的数据所隐含的目标函数关系降维映射到二维平面上，自动生成目标函数的等值曲线，由此可展现出操作空间的面貌和特征，直接识别出最优操作点或最优操作区域，实现生产过程的操作优化，达到降低原料消耗和能量消耗、提高生产率和产品质量、把对环境污染降到最小的目的。技术指标：1、人工神经网络降维优化技术通过降维，在映射平面上能全景式的展现出多维空间的面貌和特征，可以根据优化目标选择最优操作区域，最大限度的挖掘生产过程或装备的潜力；2、当最优操作点或区域不在现有数据集合区域
湖北工业大学
2021-01-12
北京神经猿网络科技有限公司
北京神经猿网络科技有限公司
2022-05-24
基于共变正交和神经网络的网络流量预测技术
可以量产/n该项目公开了一种基于共变正交和神经网络的网络流量预测方法，该方法首先确定神经网络参数，再利用神经网络参数进行网络流量计算。基于共变正交原理的流量预测方法可以有效的预测网络中的流量变化趋势，但对流量数值的精度预测上还有较大差距；基于神经网络的流量预测方法由于其无法准确描述网络流量的特性，因此在预测流量的变化趋势上效果一般，但在流量数值的精度预测上比较有效。该发明将这两种流量预测方法有机的结合起来，设计了一种
华中科技大学
2021-01-12
基于BP神经网络的双耳声源定位方法
本发明公开了一种基于BP神经网络的双耳声源定位方法，本发明提取出双耳声信号的互相关函数与耳间强度差作为特征参数，用反向传播BP神经网络对特征参数进行建模。测试过程中根据测试双耳声信号的互相关函数和耳间强度差，利用神经网络估计每帧双耳声信号对应的声源方位。相对于现有技术，本发明鲁棒性和准确率有明显提高。
东南大学
2021-04-11
一种基于神经网络的超密集异构网络负载均衡优化方法
本发明提供了一种基于神经网络的超密集异构网络负载均衡优化方法，将ART2型神经网络和基于代价的分布式方法相结合的低复杂度超密集异构网络下行用户连接方法，联合调整所有小站的代价偏置值，解决超密集异构网中的负载均衡问题。本发明采用ART2型神经网络的分类设置初始值，可以大大降低迭代次数和计算复杂度，能提高基站边缘和中间的用户的吞吐量率，自动的均衡跨层和同层之间基站的负载，进一步显著降低负载均衡迭代方法的迭代次数，更加适应快速复杂多变的实际情况。
东南大学
2021-04-11
基于卷积神经网络的干扰信号识别方法
本发明属于无线通信技术领域，具体涉及一种基于卷积神经网络的干扰信号识别方法。本发明的方法主要包括构建卷积神经网络；对接收到的干扰信号做预处理，将其作为卷积神经网络的输入样本；根据待识别信号的类别，将信号样本及其对应的类别构建为训练集，利用构建的训练集训练构建的卷积神经网络；根据训练的卷积神经网络，对每个预处理后的信号样本进行识别，获得未知信号的所属类别。
电子科技大学
2021-04-10