【技术实现步骤摘要】
一种基于无乘法器实现的神经元电路
[0001]本专利技术涉及神经元电路
，尤其涉及一种基于无乘法器实现的神经元电路。
技术介绍
[0002]现代人工智能的发展离不开对神经元的探索与学习，特别是人工智能神经网络，使得研究者对神经元模型的要求越来越高。神经元模型的电路需要尽可能简单的同时，能够实现神经元的相应功能。由于神经元模型中通常含有非线性项，因此乘法器在神经元模型的电路实现中是必不可少的。而乘法器价格昂贵、占用较大的硅面积资源并且耗能大，会导致神经元模型的电路实现成本大大增加。因此研究者们提出了许多无乘法器的神经元电路实现方案，主要通过构建线性函数来拟合神经元模型中的非线性项。以Hindmarsh
‑
Rose(HR)神经元模型为例，Gomar等人提出了一种多段线性拟合方案。利用多段线性拟合函数拟合HR神经元模型中的非线性项。拟合后的HR神经元模型也在现场可编程门阵列(FPGA)上得到实现。然而相对于模拟电路而言，FPGA实现成本较高，并且不容易调试。
技术实现思路
[0003]本专利...
【技术保护点】
【技术特征摘要】
1.一种基于无乘法器实现的神经元电路，其特征在于，包括：含偏置的ReLU函数模块电路、第一分段线性函数模块电路、第二分段线性函数模块电路和HR神经元模块电路，所述含偏置的ReLU函数模块电路的输出端与所述第一分段线性函数模块电路和所述第二分段线性函数模块电路的输入端电性连接，所述第一分段线性函数模块电路和所述第二分段线性函数模块电路的输出端与所述HR神经元模块电路输入端电性连接。2.根据权利要求1所述的基于无乘法器实现的神经元电路，其特征在于：所述HR神经元的数学模型表达式如式(1)所示：其中，变量x表示神经元的膜电压，y表示神经元的尖峰变量，z表示神经元的爆发变量；r、s、x1为常数，F(x)和G(x)为非线性项，表达式如式(2)所示：F(x)＝x3‑
3x2,G(x)＝1
‑
5x2,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)对于非线性项，利用分段线性函数H1(x)和H2(x)分别拟合F(x)和G(x)，H1(x)和H2(x)的表达式如式(3)所示：拟合后的可以得到HR神经元的模型表达式如式(4)所示：根据电容的积分特性将拟合后HR神经元的模型转为所述HR神经元模块电路的状态方程，如(5)所示：其中，通过调节电阻值R
I
来改变I的值。3.根据权利要求1所述的基于无乘法器实现的神经元电路，其特征在于：所述含偏置的ReLU函数模块电路包括运算放大器U1、U2，电阻R
a
、R
b
、R
c
、R
d
、R
e
，二极管D1、D2，直流电压V1，电
阻R
a
和电阻R
b
的共同输出一端与运算放大器U1反向输入端相连，另一端串联电阻R
c
后与运算放大器U1输出端连接，运算放大器U1输出端与电阻R
d
串联后分别与运算放大器U2反向输入端和电阻R
e
连接，运算放大器U1反向输入端和运算放大器U1输出端反向串联二极管D1，运算放大器U2与二极管D1的共同输出端反向串联二极管D2后与电阻R
e
的右端连接；电阻R
a
和电阻R
b
分别与直流电压V1和输入电压v
x
连接；运算放大器U1、U2的同向输入端接地。4.根据权利要求3所述的基于无乘法器实现的神经元电路，其特征在于：所述第一分段线性函数模块电路包括电阻R1、R2、R3、R4、R5、R6、R7、R
δ1
，运算放大器U
11
、U
12
，电阻R1、R2、R3、R4和R
δ1
共同输出一端与运算放大器U
11
反向输入端连接，运算放大器U
11
反向输入端与电阻R5串联后与运算放大器U
11
输出端连接，运算放大器U
11
输出端串联电阻R6后一端与运算放大器U
12
反向输入端连接，运算放大器U
12
反向输入端还与电阻R7串联后与运算放大器U
12
输出端连接；电阻R1、R2、R3、R4右端分别与所述含偏置的ReLU函数模块电路输出端连接；运算放大器U
11
、U
12
的同向输入端接地。5.根据权利要求4所述的基于无乘法器实现的神经元电路，其特征在于：所述第二分段线性函数模块电路包括电阻R8、R9、R
10
、R
11
、R
12
、R
13
、R
δ2
，运算放大器U
13
、U
14
，电阻R8、R9、R
10
...
【专利技术属性】
技术研发人员：包伯成，蔡建明，徐权，陈墨，武花干，
申请(专利权)人：常州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。