[发明专利]基于耦合MEMS谐振器的储备池计算硬件的实现方法及装置

说明书

一种基于耦合MEMS谐振器的储备池计算硬件的实现方法及装置，方法包括：对待测时序信号进行预处理，以使待测时序信号与耦合MEMS谐振器的虚拟节点对应；设计耦合MEMS谐振器的非线性振动方程，根据该方程将耦合MEMS谐振器调控至预设非线性工作点；分别对MEMS耦合谐振器的两个信号测试端进行检测，得到各时刻对应的待测信号对应的第一输出信号及第二输出信号，其中，将当前时刻的待测信号对应的输出信号通过双向时延反馈回路反馈至下一时刻对应的虚拟节点；将预设目标值与各时刻对应的待测信号对应的第一输出信号及第二输出信号进行回归训练，得到储备池计算所需的权重系数。该方法增强了数据映射维度与记忆性能，为储备池计算提供更丰富的非线性特性。

技术领域

本公开涉及神经网络计算领域，特点是涉及一种基于耦合MEMS谐振器的储备池计算硬件的实现方法及装置。

背景技术

储备池计算(Reservoir Computing，简称RC)是在递归神经网络(RecurrentNeural Network，简称RNN)基础上改进的一种神经网络算法模型，通常由输入层、大量随机互联的非线性节点组成的储备池和输出层构成。训练时其输入连接权重和内部连接权重随机生成且保持不变，只需对输出连接权重进行训练。RC因其简单的训练方式和在时序信号预测、语音识别与分类任务中的优良性能而在许多场景有着广泛的应用。

耦合微机电系统(Micro-electromechanical Systems，简称MEMS)谐振器由微米和纳米加工工艺制造而成的通过机械或静电耦合结构连接的两个谐振器构成，主要利用谐振器内部结构机械谐振特性以及模态间振动能量耗散转移相关机制工作。除了结构非线性、材料非线性外，耦合MEMS谐振器由于其内部模态和物理场的耦合会引入更多非线性现象，使得其非线性动力学特性更加丰富。因此，利用耦合MEMS谐振器丰富的非线性动力学特性，作为储备池计算的储备池不仅可以节省计算资源，提升处理速度和计算能力，更能满足物联网场景下感知、存储、计算一体的实际需要。

目前，相关技术公开了一种基于MEMS谐振器的储备池计算硬件实现方法，该方法中储备池计算系统由单个MEMS谐振器和一套时延反馈电路构成，通过在奇偶校验(Paritybenchmark)和TI-46孤立语音数字数据集上的测试初步实现了对简单语音信号的分类能力，验证了该硬件实现方案的可行性。然而，该方法未对谐振器设计进行优化，导致实际应用时电路功耗过高，并且也并未对待测语音信号做特征提取等优化处理，导致其精度较低，对TI-46孤立语音数字数据集的测试精度最好为78±2％，无法满足更复杂的任务。

发明内容

(一)要解决的技术问题

针对于上述技术问题，本公开提出一种基于耦合MEMS谐振器的储备池计算硬件的实现方法及装置，用于至少部分解决上述技术问题。

(二)技术方案

根据本公开第一方面，提供一种基于耦合MEMS谐振器的储备池计算硬件的实现方法，包括：对待测时序信号进行预处理，以使所述待测时序信号中各时刻对应的待测信号与所述耦合MEMS谐振器的虚拟节点维度一一对应；设计所述耦合MEMS谐振器的非线性振动方程：