买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜山东海量信息技术研究院;山东科技大学申请的专利一种用于CNN的超低复杂度最大池化反向传播架构获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116227576B 。

龙图腾网通过国家知识产权局官网在2025-06-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211495389.2，技术领域涉及：G06N3/084；该发明授权一种用于CNN的超低复杂度最大池化反向传播架构是由张小军;朱琛石;王晓静;曾庆田;陈达;鲁法明;宋戈;韩钦;郭华;张德学设计研发完成，并于2022-11-27向国家知识产权局提交的专利申请。

本一种用于CNN的超低复杂度最大池化反向传播架构在说明书摘要公布了：本发明公开了一种用于CNN的超低复杂度最大池化反向传播架构，本发明的主要目的是解决卷积神经网络最大池化反向传播采用传统恢复矩阵算法，恢复矩阵中大部分为零值，直接存储恢复矩阵C会造成大量的存储资源浪费的问题。本发明根据输入矩阵中稀疏性的数据特点，采用改进算法实现，设计了Matrixmapping逻辑运算，直接得到输入矩阵在卷积核窗口的映射地址，并判断其是否位于当前的窗口中，无需恢复成原始矩阵，优化数据存储方案，选择非零值做卷积硬件实现，从而提升了反向最大池化中的硬件实现频率，减少了存储资源消耗，降低了硬件实现复杂度，选择非零值完成卷积运算减小了计算资源的消耗。

本发明授权一种用于CNN的超低复杂度最大池化反向传播架构在权利要求书中公布了：1.一种用于CNN的超低复杂度最大池化反向传播架构，其特征在于，架构具体如下：设输入矩阵E为R×R大小，卷积核大小为Nconv×Nconv，恢复矩阵C的大小为F×F； 1直接从矩阵E'大小为R×R的RAM中同时读取一个卷积窗口内部Q＝Nconv×Nconv个最大非零数值量，即输入数据E1～EQ，其中矩阵E'由输入矩阵E经过式1得到， 其中m,n为矩阵E的行列坐标，i,j分别为矩阵E'的行列坐标，Z为矩阵E中行列坐标相同元素的个数； 2根据反卷积中的填充大小P由式2和式3改变原矩阵E'的地址行列坐标r和c得到填充后的行列坐标r′和c′， r′＝r+P2 c′＝c+P3 由矩阵A'的内部数据对应地址与行列偏移量crow和ccol相减得到映射到对应卷积核的非零位置；行列偏移量crow和ccol按照卷积步长设定，初始值为0； 判断映射到对应卷积核的非零位置是否小于等于当前卷积核内部坐标，是则在对应卷积核范围内，以此组成Matrixmapping中的逻辑运算模块；同时经过Q个选择器选择卷积窗口对应坐标中输入矩阵的非零值，并得到的卷积核对应非零位置的地址选择read_address1～read_addressQ； 3从权重RAM中读取输入数据E′1～E′Q所对应的权重数据K1～KQ，权重数据与对应位置的输入数据相乘，经过Q个乘法器以及Q-1个加法器，完成一个卷积窗口的运算； 4根据式4通过填充后的矩阵大小， 每经过一个时钟周期，crow按照卷积步长累加一次，当crow大小等于填充后的矩阵大小时，crow归零，ccol按照卷积步长累加一次，循环步骤1～步骤3的操作，直至ccol大小等于填充后的矩阵大小的过程改变crow和ccol的偏移量，同步卷积窗口的移步运算，映射至卷积核横纵坐标，依次计算M+2P-NconvSconv个卷积窗口并经过相同硬件结构直至完成整个矩阵卷积运算，其中，F为恢复后的矩阵C的大小，P表示反卷积中的填充大小，Nconv表示卷积核的大小，Sconv表示反卷积的步长。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东海量信息技术研究院;山东科技大学，其通讯地址为：250101 山东省济南市济南高新技术开发区国家信息通信国际创新园；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。