非显而易见性评估仅供参考，不构成法律建议。
权利要求列表点击可跳转
对比文件列表
| 编号 | 名称 |
|---|---|
| 0 | 3gpp文件.docx |
| 0 | 1996-05-01_发明公开_CN1121759A 差分编码与解码方法以及相应的电路_+++B_D_E_O_P_U_c_f_g_h+++.docx |
| 0 | 2001-09-27_发明申请_US20010025232A1 Hybrid linear-neural network process control_+++B_G_K_O_c_j_n_p_u+++.docx |
| 0 | 2004-01-13_发明授权_US06678618B1 Neural network methods to predict enzyme inhibitor or receptor ligand potency.docx |
| 0 | 2005-06-01_发明公开_CN1622129A 人工神经网络的优化方法.docx |
| 0 | 2008-09-30_发明授权_US07430546B1 Applications of an algorithm that mimics cortical processing_+++G_L_M_O_P_S_U_b_c_k_n_q_r_t_v+++.docx |
| 0 | 2008-11-19_发明公开_CN101310294A 神经网络的训练方法.docx |
| 0 | 2010-09-08_发明公开_CN101824807A 一种潮汐河流地区取水口咸潮短期预测方法.docx |
| 0 | 2011-04-20_发明公开_CN102024178A 时序预测神经网络装置.docx |
| 0 | 2014-02-05_发明公开_CN103559538A BP神经网络结构优化方法.docx |
| 0 | haoma_+++B_C_O+++.docx |
| 0 | weixianzai_+++B_C_I_J_L_M_O_P_U_V_f_g_k_n_q_t+++.docx |
权利要求1
一种用于在人工神经网络中执行针对图像的差分编码的方法，包括：由所述神经网络的第一层的第一神经元基于所述第一神经元的激活历史以及提供给所述第一神经元的附加值来预测所述第一神经元的激活值，所述附加值是至少部分地基于图像运动估计来计算的； 由所述第一神经元至少部分地基于所述神经网络中的所述第一神经元的预测激活值与实际激活值之间的差值来对值进行编码；以及将经编码的值传达给所述神经网络的第二层的第二神经元而不传播所述实际激活值。
权利要求2
如权利要求1所述的方法，其中，所传达的经编码值进一步基于所述预测激活值与所述实际激活值之间的取阈差值。
权利要求3
如权利要求1所述的方法，其中，所传达的经编码值是至少部分地基于所述经编码值的位数来选择的。
权利要求4
如权利要求1所述的方法，其中，所述预测是至少部分地基于接收到输入来执行的。
权利要求5
如权利要求1所述的方法，进一步包括至少部分地基于所述值的位宽来对所述值进行编码。
权利要求6
如权利要求1所述的方法，其中，所述编码是至少部分地基于以神经网络输出为基础的触发来执行的。
权利要求7
如权利要求1所述的方法，其中，所述编码相对于至所述神经网络的输入被延迟。
权利要求8
如权利要求1所述的方法，其中，所述编码进一步至少部分地基于所述神经网络的输出。
权利要求9
如权利要求1所述的方法，其中，当输入‑输出关系是确定性的时，所述至少一个先前激活值包括输入历史。
权利要求10
如权利要求1所述的方法，其中，当输入‑输出关系是随机的时，所述至少一个先前激活值包括输入历史和输出历史。
权利要求11
如权利要求1所述的方法，进一步包括至少部分地基于预测输入值来计算所述预测激活值。
权利要求12
如权利要求11所述的方法，进一步包括通过将所述经编码值与所述预测输入值相组合来计算实际输入值。
权利要求13
如权利要求11所述的方法，其中，计算所述预测输入值和所述预测激活值包括使用所述神经元的多个先前输入值和多个先前激活值的线性组合。
权利要求14
如权利要求1所述的方法，其中，所述神经元的所述预测激活值至少部分地基于所述神经元的状态以及至所述神经元的输入。
权利要求15
如权利要求14所述的方法，其中，所述神经元的状态是基于以下至少一者来更新的：先前状态、输入值、输出值、预测激活值、以及定向激活值。
权利要求16
如权利要求14所述的方法，其中，所述神经元的状态包括以下至少一者：输入历史、输出历史、预测激活值历史、以及定向激活值历史。
权利要求17
如权利要求16所述的方法，其中，所述预测至少部分地基于另一神经元的状态。
权利要求18
如权利要求1所述的方法，其中，所述预测激活值至少部分地基于多个先前实际激活值的线性组合或先前输入值的线性组合。
权利要求19
如权利要求1所述的方法，其中，所述附加值包括来自另一神经元的反馈信号。
权利要求20
一种用于在人工神经网络中执行针对图像的差分编码的装备，包括：用于通过所述神经网络的第一层的第一神经元基于所述第一神经元的激活历史以及提供给所述第一神经元的附加值来预测所述第一神经元的激活值的装置，所述附加值是至少部分地基于图像运动估计来计算的； 用于通过所述第一神经元至少部分地基于所述神经网络中的所述第一神经元的预测激活值与实际激活值之间的差值来对值进行编码的装置；以及用于将经编码的值传达给所述神经网络的第二层的第二神经元而不传播所述实际激活值的装置。
权利要求21
如权利要求20所述的装备，进一步包括用于至少部分地基于接收到输入来预测所述激活值的装置。
权利要求22
如权利要求20所述的装备，进一步包括用于至少部分地基于预测输入值来计算所述预测激活值的装置。
权利要求23
如权利要求22所述的装备，进一步包括用于通过将所述经编码值与所述预测输入值相组合来计算实际输入值的装置。
权利要求24
一种其上编码有用于在人工神经网络中执行针对图像的差分编码的程序代码的非瞬态计算机可读介质，所述程序代码由处理器执行并且包括：用于通过所述神经网络的第一层的第一神经元基于所述第一神经元的激活历史以及提供给所述第一神经元的附加值来预测所述第一神经元的激活值的程序代码，所述附加值是至少部分地基于图像运动估计来计算的； 用于通过所述第一神经元至少部分地基于所述神经网络中的所述第一神经元的预测激活值与实际激活值之间的差值来对值进行编码的程序代码；以及用于将经编码的值传达给所述神经网络的第二层的第二神经元而不传播所述实际激活值的程序。
权利要求25
如权利要求24所述的非瞬态计算机可读介质，进一步包括用于至少部分地基于接收到输入来预测所述激活值的程序代码。
权利要求26
如权利要求24所述的非瞬态计算机可读介质，进一步包括用于至少部分地基于预测输入值来计算所述预测激活值的程序代码。
权利要求27
如权利要求26所述的非瞬态计算机可读介质，进一步包括用于通过将所述经编码值与所述预测输入值相组合来计算实际输入值的程序代码。