基于忆阻器的竞争神经网络研究

发布时间：2020-11-18 05:48

　　 伴随着AlphaGo在围棋界横扫四方,人工智能也逐渐兴起,而语音识别、图像识别等人工智能技术早就应用在日常生活中。脉冲神经网络作为第三代人工神经网络,由于其在分类、图像识别等领域有着显著的优势,因而逐渐被人们开始研究。忆阻器是一种具备与电阻相同量纲的两端器件。忆阻器具有忆阻特性:其阻值和特定时刻通过的电荷量有关。由于忆阻器具有高速低功耗的优点且与CMOS工艺兼容等优点,因此,其在存储器领域及神经网络领域有广泛应用前景。本文首先介绍了忆阻器的基本特性以及脉冲神经网络的基本概念,并进一步探讨了脉冲神经元的两类模型:Hodgkin-Huxley(HH)模型和Leaky-Integrate-AndFire(LIF)模型。基于此,本文设计了两种LIF神经元模型,一种基于板级电路模型,一种基于CMOS工艺。基于板级电路的LIF神经元电路的脉冲发放速率与注入电流成线性关系,同时神经元电路还具备不应期特性,可以通过调节偏置电压来调节神经元的不应期。而在CMOS模型中则引入的DPI模块来作为神经元的膜电位积分与泄漏。接着就突触的概念进行概述,并将神经网络简化为突触与神经元作出解释。然后设计了基于CMOS电路的神经突触模型,并且通过仿真验证了突触电路的可塑性:当脉冲信号不同的时候,突触会表现出不同的活跃度。介绍了竞争神经网络的基本概念,并利用CMOS神经元电路以及CMOS突触电路,搭建了一种基于CMOS电路的竞争神经网络。该竞争神经网络是基于脉冲神经网络的,且为硬件层面的模型,通过仿真验证:由于突触权值以及神经元初始激励电流的差别,神经元将会在竞争表现出差别。最后对设计的LIF神经元板级电路进行测试,验证了神经元膜电位以及脉冲发放速率等各种特性。利用忆阻器阻值随着电压的特性用着突触权值,设计了基于忆阻器的神经突触电路,并进行了仿真以及测试,验证突触的可塑性。利用神经元板级电路以及基于忆阻器突触电路,搭建竞争神经网络。分别测试了神经元在个体竞争,群竞争,以及组间竞争中表现的特性,验证了竞争网络模型的正确。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN60;TP183
【部分图文】：

不应期模块中包含延时电容 Cd、漏电阻 Rd以及比较器构成。由于电容 Cd充放电时间的存在，传输门从导通到关断的时间将会延长，这个延长的时间便是神经元的不应期。3.1.1 膜电位积分泄漏该模型用神经元膜电位的动力学描述[18-19]。如公式(3-2)所示( )C ( ) ( ) ( )mem leak s injdv tI t I t I tdt= + +(3-2)其中 Cmem是膜电容，Ileak(t)是膜泄漏电流，Is(t)是突触输入神经元的电流，Iinj(t)是神经元内部电极注入电流。而泄漏电流 Ileak(t)如公式(3-3)所示0( ) [ ( ) ]memleakmCI t v t v = +(3-3)其中 v0是静息电位，m是膜时间常数，其中m =CmemRL，Cmem为膜电容，RL为漏电阻。

电子科技大学硕士学位论文地导通，神经元复位。神经元膜电位的变化如图 3-2 所示，神经元膜电位将会呈现出周期性的泄漏积分状态。则比较器输出信号 Vspike便是神经元输出的脉冲信号。如图 3-3 所示，神经元会输出周期性的脉冲尖峰。

延时电容的电压从零到 Vth的充电时间，就是指膜电位从复位到重新开始积分的时间，也就是本文所指的延时时间。通过改变阈值电压 Vth的大小或者调节 Cd的大小可以调节神经元不应期时间的长短。延时电容充电的时间和电压的关系如公式(3-5)所示1( )( )dddv tv v tCdt R =(3-5)如图 3-4 所示，当 v(t)充电到 Vth的时间即为神经元处在不应期的时间，神经元在处于不应期时，不会对注入电流进行响应并停止发放脉冲。3.1.3 神经元脉冲发放速率本文设计的神经元注入电流是 μA 级别。由仿真可知，神经元脉冲发放速率与注入电流大小呈线性关系。注入电流与脉冲发放速率的关系如图 3-5 所示，当电流到达 80μA 的时候，神经元电路开始发放脉冲，之后随着注入电流的继续增大，脉冲发放速率近似地呈现线性增加。
【相似文献】

相关期刊论文 前10条

1 蒋进;;基于神经网络的风功率组合预测[J];工程技术研究;2017年10期

2 刘桂霞;王沫沅;苏令涛;吴春国;孙立岩;王荣全;;基于深度神经网络的蛋白质相互作用预测框架[J];吉林大学学报(工学版);年期

3 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

4 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

5 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期

6 苏秀婷;;耦合神经网络的同步[J];绍兴文理学院学报(自然科学);2016年03期

7 朱溦;;神经网络结合平均影响值方法筛选变量[J];产业与科技论坛;2017年01期

8 ;硅光子神经网络亮相[J];石油工业计算机应用;2016年04期

9 任刚红;杜坤;周明;刘年东;张晋;;基于级联神经网络的年降雨量预测[J];土木建筑与环境工程;2016年S2期

10 金鑫;李龙威;季佳男;李祉歧;胡宇;赵永彬;;基于大数据和优化神经网络短期电力负荷预测[J];通信学报;2016年S1期

相关博士学位论文 前10条

1 吴森森;地理时空神经网络加权回归理论与方法研究[D];浙江大学;2018年

2 张振敏;基于脉冲神经网络的纹理图像识别研究[D];福建师范大学;2016年

3 姜晓恒;基于深度卷积神经网络多尺度共享与子块级联的物体识别[D];天津大学;2017年

4 陈浩广;基于扩展神经网络的非线性不确定系统自适应控制设计研究[D];广东工业大学;2017年

5 高洁;几类复杂网络的同步控制研究[D];电子科技大学;2018年

6 谈宏莹;基于太赫兹时域谱物质检测技术及实验研究[D];燕山大学;2016年

7 王玲;基于反应扩散方程的神经网络与种群模型的动力学研究[D];南京航空航天大学;2016年

8 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

9 江沸菠;基于神经网络的混合非线性电阻率反演成像[D];中南大学;2014年

10 李洋;小波过程神经网络相关理论及其应用研究[D];哈尔滨工业大学;2008年

相关硕士学位论文 前10条

1 唐芳草;基于神经网络的技术合同风险分析技术研究[D];哈尔滨工程大学;2017年

2 侯蕾;基于卷积神经网络的水果检测研究[D];福建师范大学;2017年

3 汪东升;基于小波和神经网络的柴油机失火故障诊断方法研究[D];华中农业大学;2011年

4 姜珊;基于卷积神经网络的水稻生长阶段优劣长势判别的研究[D];黑龙江八一农垦大学;2018年

5 林晟;基于卷积神经网络的教学资源整合方法的研究与实现[D];上海师范大学;2018年

6 宋夏;基于改进PCA与BP神经网络的人脸识别算法[D];内蒙古师范大学;2018年

7 孙璇;基于卷积神经网络的文本分类方法研究[D];上海师范大学;2018年

8 朱永佳;基于卷积神经网络的交通标志检测与识别研究[D];上海师范大学;2018年

9 卢毅;基于轻量级卷积神经网络的人脸检测和识别算法研发[D];浙江大学;2018年

10 蒋维;基于改进PSO-BP神经网络的个人信用评价模型及算法研究[D];电子科技大学;2018年

本文编号：2888382