.png){kind=icon}
返回
A compressed sensing neuromorphic processor for sparse signal classification
.png){kind=icon}
OA
AI
DOI：10.3389/fnins.2026.1777090.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种集成压缩感知脉冲神经网络（CSSNN）的神经形态处理系统，该系统设计用于稀疏信号分类。所提出的CSSNN结合了数据编码、数据压缩和SNN分类，能够实现网络性能和模型压缩的端到端优化。在MNIST、N-MNIST和DVS Gesture数据集上进行评估，在压缩比（CR）为0.1、0.05、0.025和0.01的均匀压缩条件下，所提出的CSSNN相比使用固定高斯随机矩阵（GRM）采样矩阵的压缩学习方法，始终将网络运算总量（OPs）减少至少80%，同时保持最小的精度损失。基于脉冲驱动处理流程设计了一种专用CSSNN处理器。在可编程逻辑阵列（FPGA）上验证，并在40 nm CMOS工艺下针对专用集成电路（ASIC）设计进行评估，该CSSNN处理器在MNIST数据集上使用8位定点量化时达到96.12%的分类精度。ASIC的能耗估计在1.1 V供电电压和100 MHz频率下为2.089 mW。
Keyword:
neuromorphic processor
spiking neural network (SNN)
compressed sensing (CS)
end-to-end
field programmable gate arrays (FPGA)
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.2
论文数:
1.6W
被引数:
5.3W
机构
引用论文
ESSA: Design of a Programmable Efficient Sparse Spiking Neural Network AcceleratorESSA: 可编程高效稀疏脉冲神经网络加速器的设计
PREAI
分享收藏
Rapid Feedforward Computation by Temporal Encoding and Learning With Spiking Neurons通过尖峰神经元的时间编码和学习进行快速前馈计算
PREAI
分享收藏Converting Static Image Datasets to Spiking Neuromorphic Datasets Using Saccades使用扫视将静态图像数据集转换为尖峰神经形态数据集OAAI
OAAI分享收藏A neuroscience-inspired spiking neural network for EEG-based auditory spatial attention detection神经科学启发的尖峰神经网络，用于基于EEG的听觉空间注意检测.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Networks of spiking neurons: The third generation of neural network models尖峰神经元网络: 第三代神经网络模型NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容