一种基于忆阻器的图像识别系统及方法技术方案

本发明专利技术公开了一种基于忆阻器的图像识别系统及方法。所述系统包括图像信号提取模块、多个基于忆阻器的神经网络模块和识别模块；所述识别模块其输入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识别模块的输入端相连，其输入端与信号提取模块的输出端相连。所述方法包括以下步骤：（1）获取待识别灰度图像的特征向量并输入各神经网络模型；（2）各神经网络模型根据其图像模型对所述特征向量分别进行打分并进行识别；（3）计算各神经网络分值与训练时获取标准值之差值，根据所述差值判断待识别图像类别。所述系统扩展性好，集成密度高，功耗低；所述方法，时间复杂度低，识别精度较高。

【技术实现步骤摘要】

本专利技术属于图像识别领域，更具体地，涉及一种基于忆阻器的图像识别系统及方法。
技术介绍
图像识别，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。图像识别技术对于自动化的图像处理，如人脸识别、地理目标识别等方面有着重要的意义。传统的图像识别技术，是基于大规模计算方法，在运算量和运算精度之间存在着不可调和的矛盾，已无法满足需求。机器学习方法，例如神经网络模型，由于其能发掘样本数据规律的自主学习能力、良好容错性能和适用于高速并行处理系统的特点，广泛应用于图像识别技术。神经网络模型包括一层输入神经元和一层输出神经元，输入神经元和输出神经元之间有零到多层中间神经元，相邻层的神经元通过神经突触相联系，神经突触的权重决定了神经网络所表征的模型。应用神经网络模型的图像处理系统识别图像，分为两个阶段，即训练阶段和识别阶段。训练阶段，是将训练用图像输入到神经网络，通过有监督或无简单学习方式寻找一组适合的神经突触；识别阶段是用已训练的神经网络对图像进行识别分类。目前应用神经网络模型的图像识别系统，是基于大规模集成电路，采用CMOS电路模拟神经突触。现有的应用神经网络的图像识别系统，虽然具有较好的容错性、健壮性和记忆存储能力，但其体系扩展性差，集成密度有限，通用性不足，对新数据适应能力待提高，功耗较高。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于忆阻器的图像识别系统及方法，其目的在于采用忆阻器模拟神经突触，建立集成度高的神经网络模块，用于图像识别，由此解决现有技术扩展性差、集成密度有限、功耗高的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种基于忆阻器的图像识别系统，包括：图像信号提取模块、多个基于忆阻器的神经网络模块和识别模块；所述识别模块其输入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识别模块的输入端相连，其输入端与信号提取模块的输出端相连；其中：所述图像信号提取模块，用于提取训练用和待识别的灰度图像的特征向量信号，并输入神经网络模块；所述神经网络模块，采用忆阻器模拟神经突触，获取全局时钟信号，所述全局时钟信号成周期性，一个全局时钟周期包括前馈阶段和反馈阶段；所述神经网络模块训练时，在反馈阶段，获取训练用灰度图像的特征向量信号，通过监督学习的方法自适应调整忆阻器阻值，训练其表征的图像模型，在前馈阶段，产生参考信号并传递给识别模块；识别时，获取待识别灰度图像的特征向量信号，根据其表征的图像模型对待识别图像的特征向量信号进行打分，得出分值信号并传递给识别模块；所述识别模块，在神经网络模块训练时，用于获取各神经网络模块的参考信号，并根据其计算各神经网络标准值，在神经网络模块识别时，根据各神经网络标准值和分值信号判断待识别图像类型并得出判断结果。优选地，所述图像识别系统，其神经网络模块，包括多个输入神经元电路、相应数量的用于模拟神经突触的忆阻器和一个输出神经元电路；多个输入神经元电路的输入端与信号提取模块的多个输出端依次相连，输入神经元电路的输出端与相应忆阻器的一端相连，忆阻器的另一端与输出神经元电路的输入端相连，输出神经元电路的输出端与识别模块的输入端相连；输出神经元电路的反馈端与输入神经元电路的反馈接收端相连；所述输入神经元电路，在全局时钟信号前馈阶段，用于接收信号提取模块输出的特征向量信号的各个特征值信号，根据特征值信号选择前馈脉冲，将前馈脉冲传递给忆阻器；在全局时钟信号反馈阶段，用于记忆本时钟周期前馈阶段的特征值信号，接收输出神经元电路反馈端的反馈信号，根据所述特征值信号选择反馈脉冲，根据所述反馈信号决定是否将反馈脉冲施加给忆阻器；所述忆阻器，在全局时钟前馈阶段根据前馈脉冲和自身阻值产生神经冲动电流；在全局时钟反馈阶段根据一端的反馈脉冲和另一端的零电压自适应的调整自身阻值；所述输出神经元电路，在全局时钟前馈阶段，收集各忆阻器产生的神经冲动电流叠加得到兴奋电流，输出兴奋电流给识别模块，在训练时所述兴奋电流表征参考信号，在识别时所述兴奋电流表征分值信号；在全局时钟反馈阶段，记忆本周期前馈阶段产生的兴奋电流，根据兴奋电流与设定的兴奋阈值的比较结果，产生反馈信号并传递给输入神经元电路反馈接收端。优选地，所述图像识别系统，其图像信号提取模块，包括上位机和多个脉冲发生器；所述上位机，与多个脉冲发生器相连，用于读取灰度图像信号，提取其特征向量，并将特征向量的多个特征值分别传递给相应的脉冲发生器；所述脉冲发生器，输入端与上位机相连，输出端与神经网络模块的输入神经元电路输入端相连，用于接收上位机产生的特征值，并根据特征值产生相应的特征值信号，所述特征值信号组成特征向量信号，传递给神经网络模块的输入神经元电路。优选地，所述图像识别系统，其识别模块，包括多个示波器和下位机；所述示波器的输入端和神经网络模块输出神经元电路的输出端相连，输出端和下位机输入端相连，用于收集神经网络模块输出参考信号和待识别的灰度图像分值信号，并将转化为参考值和分值传递给下位机；所述下位机的多个输入端与相应的示波器相连，用于获取所述参考值和分值，根据各神经网络模块的参考值计算其标准值并比较标准值和分值信号的差异，识别灰度图像的类别为所述差异最小的神经网络模块所代表的图像类别。优选地，所述图像识别系统，其所述前馈脉冲包括正前馈脉冲和负前馈脉冲，所述反馈脉冲包括正反馈脉冲和负反馈脉冲。按照本专利技术的另一方面，提供了一种图像识别方法，包括以下步骤：（1）获取待识别灰度图像的特征向量，并将特征向量分别输入各神经网络模型；（2）各神经网络模型根据其各自表征的图像模型对待识别图像的特征向量分别进行打分获得用于识别的分值；（3）获取各神经网络模块输出的分值，并计算各神经网络模块输出分值与训练时获取的神经网络标准值之差值，根据所述差值判断待识别图像类别，即认为待识别图像是差值最小的神经网络所表征的图像类别。优选地，所述图像识别方法，其神经网络模块按照如下方法训练：（a）将训练用灰度图像分类；（b）前馈阶段，对于每一幅训练用灰度图像，根据当前神经网络模型所表征的图像模型给训练用灰度图像打分得到参考分值；对于每一个神经网络模型，收集其对于所有训练用的灰度图像打分得到的参考分值，并计算其均值作为标准值；（c）反馈阶段，对于每一幅训练用的灰度图像，本文档来自技高网...

【技术保护点】
一种基于忆阻器的图像识别系统，其特征在于，包括：图像信号提取模块、多个基于忆阻器的神经网络模块和识别模块；所述识别模块其输入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识别模块的输入端相连，其输入端与信号提取模块的输出端相连；其中：所述图像信号提取模块，用于提取训练用和待识别的灰度图像的特征向量信号，并输入神经网络模块；所述神经网络模块，采用忆阻器模拟神经突触，获取全局时钟信号，所述全局时钟信号成周期性，一个全局时钟周期包括前馈阶段和反馈阶段；所述神经网络模块训练时，在反馈阶段，获取训练用灰度图像的特征向量信号，通过监督学习的方法自适应调整忆阻器阻值，训练其表征的图像模型，在前馈阶段，产生参考信号并传递给识别模块；识别时，获取待识别灰度图像的特征向量信号，根据其表征的图像模型对待识别图像的特征向量信号进行打分，得出分值信号并传递给识别模块；所述识别模块，在神经网络模块训练时，用于获取各神经网络模块的参考信号，并根据其计算各神经网络标准值，在神经网络模块识别时，根据各神经网络标准值和分值信号判断待识别图像类型并得出判断结果。

【技术特征摘要】
1.一种基于忆阻器的图像识别系统，其特征在于，包括：图像信号提
取模块、多个基于忆阻器的神经网络模块和识别模块；所述识别模块其输
入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识
别模块的输入端相连，其输入端与信号提取模块的输出端相连；其中：
所述图像信号提取模块，用于提取训练用和待识别的灰度图像的特征
向量信号，并输入神经网络模块；
所述神经网络模块，采用忆阻器模拟神经突触，获取全局时钟信号，
所述全局时钟信号成周期性，一个全局时钟周期包括前馈阶段和反馈阶段；
所述神经网络模块训练时，在反馈阶段，获取训练用灰度图像的特征向量
信号，通过监督学习的方法自适应调整忆阻器阻值，训练其表征的图像模
型，在前馈阶段，产生参考信号并传递给识别模块；识别时，获取待识别
灰度图像的特征向量信号，根据其表征的图像模型对待识别图像的特征向
量信号进行打分，得出分值信号并传递给识别模块；
所述识别模块，在神经网络模块训练时，用于获取各神经网络模块的
参考信号，并根据其计算各神经网络标准值，在神经网络模块识别时，根
据各神经网络标准值和分值信号判断待识别图像类型并得出判断结果。
2.如权利要求1所述的图像识别系统，其特征在于，所述神经网络模
块，包括多个输入神经元电路、相应数量的用于模拟神经突触的忆阻器和
一个输出神经元电路；多个输入神经元电路的输入端与信号提取模块的多
个输出端依次相连，输入神经元电路的输出端与相应忆阻器的一端相连，
忆阻器的另一端与输出神经元电路的输入端相连，输出神经元电路的输出
端与识别模块的输入端相连；输出神经元电路的反馈端与输入神经元电路
的反馈接收端相连；
所述输入神经元电路，在全局时钟信号前馈阶段，用于接收信号提取

\t模块输出的特征向量信号的各个特征值信号，根据特征值信号选择前馈脉
冲，将前馈脉冲传递给忆阻器；在全局时钟信号反馈阶段，用于记忆本时
钟周期前馈阶段的特征值信号，接收输出神经元电路反馈端的反馈信号，
根据所述特征值信号选择反馈脉冲，根据所述反馈信号决定是否将反馈脉
冲施加给忆阻器；
所述忆阻器，在全局时钟前馈阶段根据前馈脉冲和自身阻值产生神经
冲动电流；在全局时钟反馈阶段根据一端的反馈脉冲和另一端的零电压自
适应的调整自身阻值；
所述输出神经元电路，在全局时钟前馈阶段，收集各忆阻器产生的神
经冲动电流叠加得到兴奋电流，输出兴奋电流给识别模块，在训练时所述
兴奋电流表征参考信号，在识别时所述兴奋电流表征分值信号；在全局时
钟反馈阶段，记忆本周期前馈阶段产生的兴奋电流，根据兴奋电流与设定
的兴奋阈值的比较结果，产生反馈信号并传递给输入神经元电路反馈接收
端。
3.如权利要求1所述的图像识别系统，其特征在于，所述图像信号提
取模块，包括上位机和多个脉冲发生器；所述上位机，与多个脉冲发生器
相连，用于读取灰度图像信号，提取其特征向量，并将特征向量的多个特
征值分别传递给相应的脉冲发生器；所述脉冲发生器，输入端与上位机相

【专利技术属性】
技术研发人员：陈进才，周功业，周可，陈涛，张涵，周西，聂昌盛，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：