[发明专利]在多维范围上对包括可分离子系统的系统的评估

说明书

背景

领域

本公开的某些方面一般涉及神经系统工程，且更具体地涉及通过改进参数 搜索的执行时间来进行神经网络的发展和测试。

背景

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。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。可以是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。由于人工神经 网络能从观察中推断出功能，因此这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。

概述

在一个方面，公开了一种无线通信方法。该方法包括通过确定该系统的子 系统之间的单向依赖性来将这些子系统串行化和/或通过确定每个子系统内的 独立性来将这些子系统并行化。该方法进一步包括基于每个输入参数是否影响 每个子系统来修剪每个子系统的输入参数。

另一方面公开了一种设备，包括用于通过确定系统的子系统之间的单向依 赖性来将这些子系统串行化的装置和/或用于通过确定每个子系统内的独立性 来将这些子系统并行化的装置。该设备进一步包括用于基于每个输入参数是否 影响每个子系统来修剪每个子系统的输入参数的装置。

在另一方面，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。该计算机可读介质具有记录于其上的非瞬态程序 代码，该程序代码在由(诸)处理器执行时使(诸)处理器执行以下操作：通 过确定系统的子系统之间的单向依赖性来将这些子系统串行化和/或通过确定 每个子系统内的独立性来将这些子系统并行化。该程序代码还使该处理器基于 每个输入参数是否影响每个子系统来修剪每个子系统的输入参数。

另一方面公开了具有存储器以及耦合至该存储器的至少一个处理器的无 线通信。该处理器被配置成通过确定系统的子系统之间的单向依赖性来将这些 子系统串行化和/或通过确定每个子系统内的独立性来将这些子系统并行化。该 处理器还被配置成基于每个输入参数是否影响每个子系统来修剪每个子系统 的输入参数。

本发明的其他特征和优点将在下文描述。本领域技术人员应该领会，本发 明可容易地被用作改动或设计用于实施与本发明相同的目的的其他结构的基 础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所 阐述的本发明的教导。被认为是本发明的特性的新颖特征在其组织和操作方法 两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理 解。然而要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意 作为对本发明的限定的定义。

附图简述

在结合附图理解下面阐述的详细描述时，本发明的特征、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。

图1解说根据本公开的某些方面的示例神经元网络。

图2解说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。

图3解说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。

图4解说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。

图5A-5B解说根据本公开各方面的神经网络的示例。

图6A-6D解说根据本公开各方面的神经网络的示例。

图7是解说根据本公开的一方面的用于改进神经网络的参数评估的方法的 框图。

图8是解说根据本公开的一方面的用于改进神经网络的参数评估的函数的 框图。

图9解说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。

图10解说根据本公开的某些方面的设计其中存储器可以与各个分布式处 理单元对接的神经网络的示例实现。

图11解说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。

图12解说根据本公开的某些方面的神经网络的示例实现。

图13是解说用于在具有带有单向依赖性的子系统的系统上执行参数扫掠 的方法的框图。

具体实施方式