买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉暨南大学申请的专利一种基于近似计算的可在线学习神经形态处理器获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119378618B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411757398.3，技术领域涉及：G06N3/049；该发明授权一种基于近似计算的可在线学习神经形态处理器是由骆爱文;叶俊伟;刘伟平;易清明;石敏;练显聪;杨庆宽;张子恒设计研发完成，并于2024-12-03向国家知识产权局提交的专利申请。

本一种基于近似计算的可在线学习神经形态处理器在说明书摘要公布了：本发明涉及一种基于近似计算的可在线学习神经形态处理器，包括：通信子系统、训练子系统和推理子系统；所述通信子系统，用于构建分层路由架构的多脉冲核心神经形态处理器；所述训练子系统，用于采用在线学习方法，优化所述多脉冲核心神经形态处理器的权重及阈值参数；所述推理子系统，用于在线训练后或离线部署权重后的所述多脉冲核心神经形态处理器对编码后输入图像数据进行推理，生成所述多脉冲核心神经形态处理器的分类输出。本发明提出一种基于在线学习和近似计算的神经形态处理器架构，以实现处理器在精度、能效比与响应速度三者之间的高度权衡，实时、高效地处理动态和复杂的任务数据。

本发明授权一种基于近似计算的可在线学习神经形态处理器在权利要求书中公布了：1.一种基于近似计算的可在线学习神经形态处理器，其特征在于，包括：推理子系统、训练子系统和通信子系统； 所述推理子系统，包括输入层、隐藏层和输出层，所述隐藏层包括多个并行处理的脉冲处理核，所述输出层包括至少一个脉冲处理核；每个脉冲处理核中包括多个通过预设的神经元模型建立的物理神经元； 每个所述物理神经元包括：由多个近似计算单元构成的PE阵列、近似加法树和脉冲发放决策单元；所述近似计算单元内置有累加控制逻辑电路和至少一个近似加法器；所述近似加法树由多个近似加法器两两相加分级构成； 所述PE阵列，用于分批次时刻接入二值化图像的局部脉冲序列，并将所述局部脉冲序列的各个脉冲分别发放至对应的近似计算单元中进行独立并行求和；并通过时分复用所述多个近似计算单元，分批次时刻执行所述二值化图像的多个局部脉冲序列的累加计算，获得各个近似计算单元所累计的膜电位增量； 每个所述近似计算单元，还用于分别根据预设的神经元模型，利用各批次时刻所累计的膜电位增量更新物理神经元在当前时刻分布在当前近似计算单元的局部膜电位； 所述近似加法树，用于将每个近似计算单元输出的局部膜电位进行求和，获得物理神经元与接入的二值化图像相对应的膜电位； 所述脉冲发放决策单元，用于将所述近似加法树所汇总的膜电位与激活阈值进行比较，决定是否对当前物理神经元进行激活；若当前物理神经元没有被激活，则根据预设的神经元模型对当前物理神经元的膜电位进行衰减；若当前物理神经元被激活，则发放新脉冲至下一层神经元，并在物理神经元被激活发放脉冲之后，根据预设的神经元模型对当前神经元的膜电位执行重置； 所述推理子系统，用于根据预存的突触权重和激活阈值，通过所述隐藏层和所述输出层中的脉冲处理核，对编码后接入至所述输入层的多尺度输入图像进行近似计算，统计一个时间窗口内多个时间步长的计算结果，生成所述多尺度输入图像的识别结果； 所述训练子系统，用于利用所述输入层接入多个图像至所述隐藏层和所述输出层，采用基于历史权重的随机在线学习方法对所述突触权重和所述激活阈值进行更新； 所述训练子系统包括：控制器、神经元比较器、更新仲裁器、随机数生成器和参数更新器； 所述控制器，用于控制神经元所接收的输入脉冲序列的时间长度，对所述训练子系统的正确时序和功能运行进行控制； 所述神经元比较器，用于比较获得不同物理神经元的激活状态，基于脉冲发放速率选出最活跃的物理神经元； 所述更新仲裁器，用于接收所述神经元比较器的输出结果，将最活跃的物理神经元输送至所述参数更新器； 所述随机数生成器，用于基于线性反馈移位寄存器，采用移位操作生成伪随机数； 所述参数更新器，用于基于历史权重的随机在线学习策略，利用所述伪随机数和神经元当前存储的突触权重，对所述最活跃的物理神经元的突触权重和激活阈值进行更新； 所述神经元比较器基于脉冲发放速率选出最活跃的物理神经元，具体为： 将输入脉冲序列中的各个脉冲信号与当前物理神经元对应的突触权重执行加权求和，获得输入脉冲序列的累计膜电位； 将所述累计膜电位与当前物理神经元的激活阈值相减，获得累计差值； 为所述输入脉冲序列中的各个脉冲信号按照顺序分配触发时序；并将带有触发时序的各个脉冲信号与当前物理神经元对应的突触权重执行加权求和，获得所述输入脉冲序列的时序加权膜电位； 将所述时序加权膜电位与所述累计差值的比值作为当前物理神经元的归一化脉冲发放时长； 将隐藏层的所有物理神经元的归一化脉冲发放时长进行逐一比较，选出与最小值相对应的神经元为隐藏层的最活跃物理神经元； 将输出层的所有物理神经元的归一化脉冲发放时长进行逐一比较，获得与最小值相对应的神经元为输出层的最活跃物理神经元； 所述推理子系统，还用于基于训练更新后的突触权重和激活阈值，通过所述隐藏层和所述输出层中的脉冲处理核进行近似计算，对所述多尺度输入图像的识别结果进行更新； 所述通信子系统，用于通过分层路由架构，对所述推理子系统和所述训练子系统的数据传输进行多层级路由控制。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人暨南大学，其通讯地址为：510632 广东省广州市黄埔大道西601号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。