دانلود مقاله انگلیسی رایگان:چارچوب یادگیری نورون اسپایک  کاملا خاطره انگیز  و کاربردهای آن در تشخیص الگو و تشخیص لبه - 2020
تبریک غدیر خم

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

دانلود مقاله انگلیسی شبکه های نورونی رایگان
  • Fully memristive spiking-neuron learning framework and its applications on pattern recognition and edge detection Fully memristive spiking-neuron learning framework and its applications on pattern recognition and edge detection
    Fully memristive spiking-neuron learning framework and its applications on pattern recognition and edge detection

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Fully memristive spiking-neuron learning framework and its applications on pattern recognition and edge detection


    ترجمه فارسی عنوان مقاله:

    چارچوب یادگیری نورون اسپایک کاملا خاطره انگیز و کاربردهای آن در تشخیص الگو و تشخیص لبه


    منبع:

    Sciencedirect - Elsevier - Neurocomputing, 403 (2020) 80-87. doi:10.1016/j.neucom.2020.04.012


    نویسنده:

    Zhiri Tang a , b , Yanhua Chen c , Shizhuo Ye a , Ruihan Hu a , Hao Wang a , Jin He a , Qijun Huang a , Sheng Chang a , ∗


    چکیده انگلیسی:

    Fully memristive neuron learning framework, which uses drift and diffusion memristor models to build an artificial neuron structure, becomes a hot topic recently with the development of memristor. How- ever, some other devices like resistor or capacitor are still necessary in recent works of fully memristive learning framework. Theoretically, if one neuron is built by memristors only, the technique process will be simpler and learning framework will be more like biological brain. In this paper, a fully memristive spiking-neuron learning framework is introduced, in which a neuron structure is just built of one drift and one diffusion memristive models and spikes are used as transmission signals. The learning frame- work and spiking coding mode are simple and direct without any complicated calculation on hardware. To verify its merits, a feedforward neural network for pattern recognition and a cellular neural network for edge detection are designed. Experimental results show that compared to other memristive neural networks, processing speed of the proposed framework is very high, and the hardware resource is saved in pattern recognition. Further, due to the dynamic filtering function of diffusion memristor model in our learning framework, its peak signal noise ratio (PSNR) is much higher than traditional algorithms in edge detection.
    Keywords: Fully memristive spiking-neuron | Feedforward neural network | Pattern recognition | Cellular neural network | Edge detection


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 8
    حجم فایل: 2450 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi