伴隨著AlphaGo在圍棋界橫掃四方,人工智能也逐漸興起,而語音識別、圖像識別等人工智能技術早就應用在日常生活中。脈沖神經網絡作為第三代人工神經網絡,由于其在分類、圖像識別等領域有著顯著的優(yōu)勢,因而逐漸被人們開始研究。憶阻器是一種具備與電阻相同量綱的兩端器件。憶阻器具有憶阻特性:其阻值和特定時刻通過的電荷量有關。由于憶阻器具有高速低功耗的優(yōu)點且與CMOS工藝兼容等優(yōu)點,因此,其在存儲器領域及神經網絡領域有廣泛應用前景。本文首先介紹了憶阻器的基本特性以及脈沖神經網絡的基本概念,并進一步探討了脈沖神經元的兩類模型:Hodgkin-Huxley(HH)模型和Leaky-Integrate-AndFire(LIF)模型�；诖�,本文設計了兩種LIF神經元模型,一種基于板級電路模型,一種基于CMOS工藝。基于板級電路的LIF神經元電路的脈沖發(fā)放速率與注入電流成線性關系,同時神經元電路還具備不應期特性,可以通過調節(jié)偏置電壓來調節(jié)神經元的不應期。而在CMOS模型中則引入的DPI模塊來作為神經元的膜電位積分與泄漏。接著就突觸的概念進行概述,并將神經網絡簡化為突觸與神經元作出解釋。然后設計了基于CMOS電路的神經突觸模型,并且通過仿真驗證了突觸電路的可塑性:當脈沖信號不同的時候,突觸會表現(xiàn)出不同的活躍度。介紹了競爭神經網絡的基本概念,并利用CMOS神經元電路以及CMOS突觸電路,搭建了一種基于CMOS電路的競爭神經網絡。該競爭神經網絡是基于脈沖神經網絡的,且為硬件層面的模型,通過仿真驗證:由于突觸權值以及神經元初始激勵電流的差別,神經元將會在競爭表現(xiàn)出差別。最后對設計的LIF神經元板級電路進行測試,驗證了神經元膜電位以及脈沖發(fā)放速率等各種特性。利用憶阻器阻值隨著電壓的特性用著突觸權值,設計了基于憶阻器的神經突觸電路,并進行了仿真以及測試,驗證突觸的可塑性。利用神經元板級電路以及基于憶阻器突觸電路,搭建競爭神經網絡。分別測試了神經元在個體競爭,群競爭,以及組間競爭中表現(xiàn)的特性,驗證了競爭網絡模型的正確。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN60;TP183
【部分圖文】：

不應期模塊中包含延時電容 Cd、漏電阻 Rd以及比較器構成。由于電容 Cd充放電時間的存在，傳輸門從導通到關斷的時間將會延長，這個延長的時間便是神經元的不應期。3.1.1 膜電位積分泄漏該模型用神經元膜電位的動力學描述[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是膜電容，Ileak(t)是膜泄漏電流，Is(t)是突觸輸入神經元的電流，Iinj(t)是神經元內部電極注入電流。而泄漏電流 Ileak(t)如公式(3-3)所示0( ) [ ( ) ]memleakmCI t v t v = +(3-3)其中 v0是靜息電位，m是膜時間常數(shù)，其中m =CmemRL，Cmem為膜電容，RL為漏電阻。

電子科技大學碩士學位論文地導通，神經元復位。神經元膜電位的變化如圖 3-2 所示，神經元膜電位將會呈現(xiàn)出周期性的泄漏積分狀態(tài)。則比較器輸出信號 Vspike便是神經元輸出的脈沖信號。如圖 3-3 所示，神經元會輸出周期性的脈沖尖峰。

延時電容的電壓從零到 Vth的充電時間，就是指膜電位從復位到重新開始積分的時間，也就是本文所指的延時時間。通過改變閾值電壓 Vth的大小或者調節(jié) Cd的大小可以調節(jié)神經元不應期時間的長短。延時電容充電的時間和電壓的關系如公式(3-5)所示1( )( )dddv tv v tCdt R =(3-5)如圖 3-4 所示，當 v(t)充電到 Vth的時間即為神經元處在不應期的時間，神經元在處于不應期時，不會對注入電流進行響應并停止發(fā)放脈沖。3.1.3 神經元脈沖發(fā)放速率本文設計的神經元注入電流是 μA 級別。由仿真可知，神經元脈沖發(fā)放速率與注入電流大小呈線性關系。注入電流與脈沖發(fā)放速率的關系如圖 3-5 所示，當電流到達 80μA 的時候，神經元電路開始發(fā)放脈沖，之后隨著注入電流的繼續(xù)增大，脈沖發(fā)放速率近似地呈現(xiàn)線性增加。
【相似文獻】

相關期刊論文 前10條

1 蔣進;;基于神經網絡的風功率組合預測[J];工程技術研究;2017年10期

2 劉桂霞;王沫沅;蘇令濤;吳春國;孫立巖;王榮全;;基于深度神經網絡的蛋白質相互作用預測框架[J];吉林大學學報(工學版);年期

3 胡悅;;金融市場中的神經網絡拐點預測法[J];金融經濟;2017年18期

4 遲惠生;陳珂;;1995年世界神經網絡大會述評[J];國際學術動態(tài);1996年01期

5 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數(shù)字技術與應用;2018年04期

6 蘇秀婷;;耦合神經網絡的同步[J];紹興文理學院學報(自然科學);2016年03期

7 朱溦;;神經網絡結合平均影響值方法篩選變量[J];產業(yè)與科技論壇;2017年01期

8 ;硅光子神經網絡亮相[J];石油工業(yè)計算機應用;2016年04期

9 任剛紅;杜坤;周明;劉年東;張晉;;基于級聯(lián)神經網絡的年降雨量預測[J];土木建筑與環(huán)境工程;2016年S2期

10 金鑫;李龍威;季佳男;李祉歧;胡宇;趙永彬;;基于大數(shù)據(jù)和優(yōu)化神經網絡短期電力負荷預測[J];通信學報;2016年S1期

相關博士學位論文 前10條

1 吳森森;地理時空神經網絡加權回歸理論與方法研究[D];浙江大學;2018年

2 張振敏;基于脈沖神經網絡的紋理圖像識別研究[D];福建師范大學;2016年

3 姜曉恒;基于深度卷積神經網絡多尺度共享與子塊級聯(lián)的物體識別[D];天津大學;2017年

4 陳浩廣;基于擴展神經網絡的非線性不確定系統(tǒng)自適應控制設計研究[D];廣東工業(yè)大學;2017年

5 高潔;幾類復雜網絡的同步控制研究[D];電子科技大學;2018年

6 談宏瑩;基于太赫茲時域譜物質檢測技術及實驗研究[D];燕山大學;2016年

7 王玲;基于反應擴散方程的神經網絡與種群模型的動力學研究[D];南京航空航天大學;2016年

8 李輝;基于粒計算的神經網絡及集成方法研究[D];中國礦業(yè)大學;2015年

9 江沸菠;基于神經網絡的混合非線性電阻率反演成像[D];中南大學;2014年

10 李洋;小波過程神經網絡相關理論及其應用研究[D];哈爾濱工業(yè)大學;2008年

相關碩士學位論文 前10條

1 唐芳草;基于神經網絡的技術合同風險分析技術研究[D];哈爾濱工程大學;2017年

2 侯蕾;基于卷積神經網絡的水果檢測研究[D];福建師范大學;2017年

3 汪東升;基于小波和神經網絡的柴油機失火故障診斷方法研究[D];華中農業(yè)大學;2011年

4 姜珊;基于卷積神經網絡的水稻生長階段優(yōu)劣長勢判別的研究[D];黑龍江八一農墾大學;2018年

5 林晟;基于卷積神經網絡的教學資源整合方法的研究與實現(xiàn)[D];上海師范大學;2018年

6 宋夏;基于改進PCA與BP神經網絡的人臉識別算法[D];內蒙古師范大學;2018年

7 孫璇;基于卷積神經網絡的文本分類方法研究[D];上海師范大學;2018年

8 朱永佳;基于卷積神經網絡的交通標志檢測與識別研究[D];上海師范大學;2018年

9 盧毅;基于輕量級卷積神經網絡的人臉檢測和識別算法研發(fā)[D];浙江大學;2018年

10 蔣維;基于改進PSO-BP神經網絡的個人信用評價模型及算法研究[D];電子科技大學;2018年

本文編號：2888382