注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 软件开发实验室建设方案

  2. 最新的软件实验室建设方案,仅供参考,非常有用,最好去下载.

  3. 所属分类：专业指导

    • 发布日期：2010-09-03
    • 文件大小：107kb
    • 提供者：homer998

  1. LTP、LTD、STDP 学习机制

  2. 介绍LTP、LTD、STDP 学习机制，什么是LTP、LTD、STDP ，是神经网络必学知识。

  3. 所属分类：机器学习

    • 发布日期：2017-10-25
    • 文件大小：66kb
    • 提供者：baidu_29900531

  1. 脉冲神经网络Python可运行实例

  2. 脉冲神经网络亲测运行实例，Python版本的，正确不用调，所用的神经元模型为IF模型，进行STDP无监督学习，数据集为MNIST，可供学习。

  3. 所属分类：机器学习

    • 发布日期：2019-04-03
    • 文件大小：13mb
    • 提供者：baidu_29900531

  1. stdp-mnist-master.zip

  2. 这是一个基于手写数字识别数据库MNIST的无监督STDP学习算法，用的python和brian实现。

  3. 所属分类：机器学习

    • 发布日期：2019-05-13
    • 文件大小：6mb
    • 提供者：qq_36507641

  1. WEHRHAHN 项目图纸.pdf

  2. WEHRHAHN 项目图纸pdf,WEHRHAHN 项目图纸able of contents Column x: created autom. but modified manuall Plant Location PagePage designation Date Editor 155.3 7 cable overview 04.10.2007SH 155.3 ECD 21CABLE DIAGRAM MONITOR CUTTING LINE AND EMERGENCY-STOP 17.07.2

  3. 所属分类：其它

  1. 多层卷积脉冲神经网络.pdf

  2. Spiking neural networks (SNNs) have advantages over traditional, non-spiking networks with respect to bio- realism, potential for low-power hardware implementations, and theoretical computing power. However, in practice, spiking net- works with multi

  3. 所属分类：深度学习

    • 发布日期：2020-07-27
    • 文件大小：1mb
    • 提供者：mfysxf

  1. PlasticBalancedNetsPackage-源码

  2. 塑料平衡网包装 在这里，我们提供了一系列塑料平衡网络仿真的代码。 结果报告在Akil等人2021年（“基于尖峰时序的可塑性下的平衡网络”）。 链接至预印本： : 此处用于模拟平衡网络的代码与的代码几乎相同。 请参考该程序包，以获取有关如何运行模拟的更多详细信息以及有关神经元模型，初始连接性等的详细信息。 我们提供的代码可模拟经过大量STDP规则的平衡网络：Kohonen，Oja，经典希伯来文和抑制性STDP（如Vogels等人2011）。 除此之外，我们提供的代码可在其中运行多种具有不

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：12mb
    • 提供者：weixin_42104366

  1. 一种反向串联忆阻突触电路的设计及应用

  2. 忆阻器的记忆效应类似于生物神经系统中突触的功能,其纳米级尺寸、低功耗和高集成度等特性,使得忆阻突触具有仿生智能的信息处理能力,这对构建神经形态系统具有重要意义.本文在改进忆阻器模型的基础上,设计了一种反向串联忆阻开关型突触电路.当开关断开时,周期方波电压对忆阻值(权值)进行调节,实现权值更新;当开关闭合时,突触电路中的忆阻值被用于连接权值来存储信息.该突触电路具有STDP(spike-time-dependent-lasticity)仿生学习能力和阻值线性连续特性.本文将此突触电路应用于交叉阵列

  3. 所属分类：其它

  1. 基于STDP 规则和忆阻桥突触的神经网络及图像处理

  2. 忆阻器是具有记忆和类突触特性的非线性电路元件. 基于此特性, 文中提出了一个基于STDP(spike-time-dependent plasticity) 学习规则的忆阻桥突触电路, 它具有可以作为人工神经网络突触的优势. 根据此优势, 将这个新的电路与其他电路和网络结合, 构成全新的电路和网络. 首先将该忆阻桥突触电路和3 个附加的晶体管结合在一起, 实现神经网络的突触运算, 并构建完整的忆阻桥突触神经网络. 然后再将它与细胞神经网络结合用于图像去噪、边缘提取、角检测和汉字识别. 最后, 通过

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：686kb
    • 提供者：weixin_38713801

  1. L2L-w-Plasticity:学习学习可塑性规则-源码

  2. 学习与STDP学习 根据差异可塑性论文，如果通过一些学习算法的外循环来优化STDP本身的过程，该怎么办？ 在外循环中使用BPTT 使用尖峰的替代梯度（重阶梯） 也许以后 使用张量分解和定点分析来分析任务表示

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：11mb
    • 提供者：weixin_42168750

  1. Effects of bursting dynamic features on the generation of multi-clustered structure of neural network with symmetric STD

  2. Effects of bursting dynamic features on the generation of multi-clustered structure of neural network with symmetric STDP learning rule

  3. 所属分类：其它

  1. 光子脉冲神经元权重器件的研制

  2. 互连的光子脉冲神经元通过权重器件联系在一起, 为了实现神经网络的大规模计算, 权重器件的实现至关重要。利用微机电系统可调光衰减器(VOA), 研制了一种可以自动调节光子脉冲神经元的权重器件。该权重器件包括VOA、光电探测器、单片机、模数转换器、数模转换器和放大器等模块, 可以根据接收的光信号快速计算查表, 可对VOA的衰减值进行实时在线调整。该权重器件效率高, 且容易实现。该权重器件配合脉冲时间依赖的可塑性(STDP)光路使用, 可以实现光子脉冲神经元的STDP学习机制。当STDP曲线窗口高度为

  3. 所属分类：其它

  1. 反脉冲时间依赖可塑性学习机制的光学实现

  2. 突触可塑性为神经网络的学习机制提供了基础。基于单个半导体光放大器(SOA)的非线性偏振旋转(NPR)和交叉增益调制(XGM)效应实现了反脉冲时间依赖可塑性(anti-STDP)学习机制。通过调整SOA驱动电流，可以实现长时程增强窗口(LTP)和长时程抑制窗口(LTD)的高度和宽度调整，能更好地模拟神经网络。实验测量得到的anti-STDP曲线与生物系统中测量得到的学习曲线相吻合。使用该anti-STDP光路得到的学习曲线的时间窗口约为几百皮秒，其速度是人类大脑STDP学习机制的108倍。由于该a

  3. 所属分类：其它

  1. ST推出结合DP与HDMI的显示器SoC

  2. 意法半导体(ST)推出整合DisplayPort 1.1a和HDMI 1.3接收器的单芯片解决方案STDP8028。新产品支持全高画质讯号源，如蓝光播放器，同时还提供完整的模拟音效和影像接口。 　　STDP8028能够简化高阶全高画质多媒体显示器的设计，整合影像输入接口、先进影像质量强化技术以及多重用途功能，如子母画面(PIP，Picture-In-Picture)和双画面并排(PBP)。目前已有OEM采用该芯片，用于设计多功能显示器和户外显示器。 　　很多用于多媒体显示器市场的芯片只能提供

  3. 所属分类：其它

    • 发布日期：2021-01-19
    • 文件大小：55kb
    • 提供者：weixin_38611527

  1. 脉冲神经网络:模型、学习算法与应用

  2. 脉冲神经网络是目前最具有生物解释性的人工神经网络,是类脑智能领域的核心组成部分.首先介绍各类常用的脉冲神经元模型以及前馈和循环型脉冲神经网络结构;然后介绍脉冲神经网络的时间编码方式,在此基础上,系统地介绍脉冲神经网络的学习算法,包括无监督学习和监督学习算法,其中监督学习算法按照梯度下降算法、结合STDP规则的算法和基于脉冲序列卷积核的算法3大类别分别展开详细介绍和总结;接着列举脉冲神经网络在控制领域、模式识别领域和类脑智能研究领域的应用,并在此基础上介绍各国脑计划中,脉冲神经网络与神经形态处理器

  3. 所属分类：其它