[發明專利]用于處理多個異步事件驅動的樣本的方法、裝置和介質

有效

• 申請號: 201580047251.8
• 申請日: 2015-08-31
• 公開（公告）號: CN106796580B
• 公開（公告）日: 2020-03-03
• 發明（設計）人: X·王;Y·C·尹;B·F·貝哈巴迪
• 申請（專利權）人: 高通股份有限公司
• 主分類號: G06F17/14
• 分類號: G06F17/14;G06N3/04
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 楊麗;李小芳

一種用于處理連續時間信號的異步事件驅動的輸入采樣的方法包括基于事件驅動的輸入采樣來計算短時傅立葉變換(STFT)輸出。可通過將編碼脈沖和STFT窗口函數表達為復加權因果復指數之和來計算STFT輸出。該方法進一步包括在事件之間內插輸出。

相關申請的交叉引用

本申請要求于2014年9月4日提交且題為“EVENT-DRIVEN SPATIO-TEMPORALSHORT-TIME FOURIER TRANSFORM PROCESSING FOR ASYNCHRONOUS PULSE-MODULATEDSAMPLED SIGNALS(用于異步脈沖調制采樣信號的事件驅動的空間-時間短時傅立葉變換處理)”的美國臨時專利申請No.62/045,775的權益，其公開內容通過援引全部明確納入于此。

背景

領域

本公開的某些方面一般涉及機器學習，尤其涉及改進在神經網絡中用于異步脈沖調制采樣信號的事件驅動的空間-時間短時傅立葉變換處理的系統和方法。

背景

可包括一群互連的人工神經元(例如，神經元模型)的人工神經網絡是一種計算設備或者表示將由計算設備執行的方法。

卷積神經網絡是一種前饋人工神經網絡。卷積神經網絡可包括神經元集合，其中每個神經元具有感受野并且共同地拼出一輸入空間。卷積神經網絡(CNN)具有眾多應用。具體地，CNN已被廣泛使用于模式識別和分類領域。

深度學習架構(諸如，深度置信網絡和深度卷積網絡)是分層神經網絡架構，其中神經元的第一層的輸出變成神經元的第二層的輸入，神經元的第二層的輸出變成神經元的第三層的輸入，以此類推。深度神經網絡可被訓練以識別特征階層并因此它們被越來越多地用于對象識別應用。類似于卷積神經網絡，這些深度學習架構中的計算可在處理節點群體上分發，其可被配置在一個或多個計算鏈中。這些多層架構可每次訓練一層并可使用反向傳播微調。

其他模型也可用于對象識別。例如，支持向量機(SVM)是可被應用于分類的學習工具。支持向量機包括對數據進行分類的分開的超平面(例如，決策邊界)。該超平面由監督式學習定義。期望的超平面增加訓練數據的余裕。換言之，超平面應該具有到訓練示例的最大的最小距離。

盡管這些解決方案在數個分類基準上取得了優異的結果，但它們的計算復雜度可能極其高。另外，模型的訓練是有挑戰性的。

概述

在本公開的一方面，給出了一種用于處理連續時間信號的異步事件驅動型輸入采樣的方法。該方法包括基于該事件驅動的輸入采樣來計算短時傅立葉變換(STFT)輸出。可通過將編碼脈沖和STFT窗口函數表達為復加權因果復指數之和來計算STFT輸出。該方法可進一步包括在事件之間內插輸出。

在本公開的另一方面，給出了一種用于處理連續時間信號的異步事件驅動型輸入采樣的裝備。該裝備包括用于基于該事件驅動的輸入采樣來計算短時傅立葉變換(STFT)輸出的裝置。可通過將編碼脈沖和STFT窗口函數表達為復加權因果復指數之和來計算STFT輸出。該裝備進一步包括用于在事件之間內插輸出的裝置。

在本公開的又一方面，給出了圖像捕捉設備。該圖像捕捉設備包括存儲器單元以及耦合至該存儲器單元的至少一個處理器。該一個或多個處理器被配置成基于事件驅動的樣本來計算短時傅立葉變換(STFT)輸出。

根據本公開的又一方面，公開了一種非瞬態計算機可讀介質。該非瞬態計算機可讀介質上有程序代碼，該程序代碼在由處理器執行時使得該處理器處理連續時間信號的異步事件驅動型輸入采樣。該程序代碼包括用于基于事件驅動的樣本來計算短時傅立葉變換(STFT)輸出的程序代碼。