一种基于双模式忆阻桥突触电路的图像处理方法技术

本发明专利技术提供了一种基于双模式忆阻桥突触电路的图像处理方法，包括：通过线性和非线性忆阻器桥突触电路和基于正负脉冲的输出忆阻桥突触电路，构建双模式忆阻桥突触电路；根据所述双模式忆阻桥突触电路进行模拟权重，并通过模拟权重构建双模式忆阻桥神经网络；将双模式忆阻桥突触神经网络与细胞神经网络结合，并通过结合后的神经网络对输入图像进行边缘提取，识别输入图像中的目标元素。本发明专利技术有益效果在于：本发明专利技术的双模式忆阻桥突触神经网络的响应时间和权重比传统的更快、更精确。因此，双模式忆阻桥突触神经网络有望更实时，解决更复杂的图像处理。杂的图像处理。杂的图像处理。

【技术实现步骤摘要】
一种基于双模式忆阻桥突触电路的图像处理方法


[0001]本专利技术涉及图像处理
，特别涉及一种基于双模式忆阻桥突触电路的图像处理方法。

技术介绍

[0002]人工神经网络一直是研究的热点。由于人类大脑中有数亿个神经元和突触，因此实现突触电路对于构建类似大脑的机器非常重要。在人工神经网络中，大量的研究结果表明忆阻器可以用来模拟人工突触。此外，由于记忆突触电路的特性，它具有很大的潜力。其中，研究最为广泛的模拟突触结构是记忆桥结构，它具有结构简单、控制精确、集成度高等优点。
[0003]但是在现有技术中：
[0004]《金贤淑等(2011).神经突触加权用基于脉冲的记忆电阻电路.IEEE电路与系统汇刊I常规论文,59:148
–
158.》提出了由五个相同的忆阻器组成的突触桥电路。用四个忆阻器来控制正负权重，最后一个忆阻器实现对突触权重的模拟。但这个电路不能达到零权值。同时，也提到了在模拟的突触电路中忆阻抗的非线性化现象，这将导致权重模拟的误差。
[0005]《冯广(2017).基于忆阻桥突触的神经网络电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双模式忆阻桥突触电路的图像处理方法，其特征在于，包括：通过线性和非线性忆阻器桥突触电路和基于正负脉冲的输出忆阻桥突触电路，构建双模式忆阻桥突触电路；根据所述双模式忆阻桥突触电路进行模拟权重，并通过模拟权重构建双模式忆阻桥神经网络；将双模式忆阻桥突触神经网络与细胞神经网络结合，并通过结合后的神经网络对输入图像进行边缘提取，识别输入图像中的目标元素。2.如权利要求1所述的一种基于双模式忆阻桥突触电路的图像处理方法，其特征在于，所述方法还包括：确定忆阻器的物理结构；通过所述忆阻器的物理结构，构建基于模拟突触的忆阻桥结构；根据所述模拟突触的忆阻桥结构，通过电荷控制，搭建忆阻器的数学模型；其中，所述忆阻器模型包括：线性忆阻器的数学模型和非线性忆阻器的数学模型。3.如权利要求2所述的一种基于双模式忆阻桥突触电路的图像处理方法，其特征在于，所述忆阻器的物理结构包括：金属铂电极和两层二氧化钛膜；其中，所述两层二氧化钛膜夹在所述金属铂电机之间；所述两层二氧化钛膜包括非掺杂层和低电阻掺杂层；所述非掺杂层具有高压忆阻率；所述低电阻掺杂层具有半导体特性。4.如权利要求2所述的一种基于双模式忆阻桥突触电路的图像处理方法，其特征在于，所述通过电荷控制，搭建忆阻器的数学模型，包括：基于忆阻器的物理结构和电荷控制，确定忆阻器的数学方程：其中，Q(t)表示电荷量函数；i(t)表示t时刻的忆阻器的电流；根据所述忆阻器的数学方程，确定线性忆阻器的数学模型：M1(t)＝M(0)+k1Q(t)其中，M(0)表示初始忆阻；M
ON
表示当前掺杂层的厚度的忆阻器的极限阻抗值；M
OFF
表示两个TiO2薄膜的总厚度的忆阻器的极限阻抗值；D表示两个TiO2薄膜的总厚度；根据所述忆阻器的数学方程，确定非线性忆阻器的数学模型：其中，ΔM＝M
OFF
‑
M
ON
；5.如权利要求1所述的一种基于双模式忆阻桥突触电路的图像处理方法，其特征在于，所述方法还包括：
根据所述线性和非线性忆阻器桥突触电路，通过模拟退火算法，进行参数设置；所述设置步骤如下：步骤1:通过测量设置初始输入电压V
int
、温度T、结束温度T
z
、每个温度T的最大迭代次数L、间隔时间T
s
和输入电压在每一时刻变化的最大值，在初始输入电压和最大电压之间的每一时...

【专利技术属性】
技术研发人员：王蕊，穆治诚，孙辉，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：