一种忆阻神经网络电路及其控制方法技术

本发明专利技术公开了一种忆阻神经网络电路及其控制方法，包括神经网络主电路、激活函数电路和忆阻电路。忆阻电路模拟神经网络中神经元遭受外部电磁辐射，通过数值仿真和电路实验可知随着外部电磁辐射的增强，所述忆阻神经网络电路会出现周期一、周期二、周期四和混沌的复杂动力学现象，本发明专利技术层次清晰，制作成本较低，仅通过调节电阻可以实现电路的动力学控制，所述忆阻神经网络电路有助于类脑芯片的开发，并且会对研究大脑的某些神经性疾病提供帮助。会对研究大脑的某些神经性疾病提供帮助。会对研究大脑的某些神经性疾病提供帮助。

【技术实现步骤摘要】
一种忆阻神经网络电路及其控制方法


[0001]本专利技术涉及一种忆阻神经网络电路及其控制方法，属于忆阻神经网络领域。

技术介绍

[0002]近几年，人工智能和脑科学领域快速兴起，探索大脑的结构和功能成为科学家研究的重点。自1952年以来，科学家相继提出了Hodgkin
‑
Huxley神经元模型、Fitzhugh
‑
Nagumo神经元模型、Morris
‑
Lecar神经元模型、Wilson Polynomial神经元模型等，由于上述神经元构成的生物神经网络模型较为复杂、难以分析，因此，具有简单表达的人工神经网络备受关注。
[0003]1982年，John J Hopfield教授基于能量函数提出Hopfield神经网络(HNN)，在神经科学中，忆阻器可以表达外部的电磁辐射和神经元直接产生的电磁感应，因此，忆阻神经网络成为热议话题，构建忆阻神经网络电路也成为研究的重点。

技术实现思路

[0004]本专利技术提供了一种忆阻神经网络电路及其控制方法，解决了
技术介绍
中披露的问题。在具有两个神经元的HNN中通过引入一个绝对值型忆阻器来表达电磁辐射效应，所提出的忆阻神经网络电路会出现周期一、周期二、周期四和混沌的复杂动力学现象，仅通过调节电阻可以实现电路的动力学控制。因此，此忆阻神经网络电路有助于类脑芯片的开发，并且会对研究大脑的某些神经性疾病提供帮助。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案是：一种忆阻神经网络电路，其特征在于：包括神经网络主电路、激活函数电路和忆阻电路；
[0006]所述神经网络主电路设有两个神经元；
[0007]两个神经元通过激活函数电路进行激活；
[0008]所述神经网络主电路还设有可调电阻，通过忆阻电路获取可调电阻的电阻值，可调电阻的电阻值为忆阻耦合强度对应的电阻值，从而获取忆阻耦合强度，所述忆阻耦合强度用于通过不同的忆阻耦合强度获取电路的动力学演变。
[0009]进一步地，所述神经网络主电路包括：运算放大器U1、运算放大器U2和运算放大器U3；可调电阻Rk、电阻R1、电阻R2、电阻R3、电阻R4、电阻R5、电阻R6、电阻R7和电阻R8；电容C1和电容C2；所述电阻R1一端连接输入端va，电阻R1另一端连接运算放大器U1的反相输入端，电阻R2一端连接输入端
‑
vb，电阻R2另一端连接运算放大器U1的反相输入端，可调电阻Rk一端连接输入端A，电阻R2另一端连接运算放大器U1的反相输入端，运算放大器U1的反相输入端与输出端并联电阻R3和电容C1，运算放大器U1的输出电压为v1；运算放大器U1的输出端连接激活函数电路T1的输入端，激活函数电路T1的输出端连接电阻R4，电阻R4连接运算放大器U2的反相输入端，运算放大器U2的反相输入端与输出端并联电阻R6和电容C2，运算放大器U2的输出电压为v2；运算放大器U2的输出端连接激活函数电路T2的输入端，激活函数电路T2的输出端连接电阻R5，电阻R5的另一端连接运算放大器U2的反相输入端；激活函数
电路T2的输出端连接电阻R7的一端，电阻R7的另一端连接运算放大器U3的反相输入端，运算放大器U3的反相输入端与输出端并联电阻R8，运算放大器U3的输出电压为
‑
vb。
[0010]进一步地，所述激活函数电路包括：运算放大器Ui和运算放大器Uo；三极管Q1和三极管Q2；直流电压源E1、电阻R9、电阻R10、电阻R11、电阻R12、电阻R13、电阻R14、电阻R15、电阻R16和直流电流源I0；所述电阻R9一端连接输入端vi，电阻R9另一端连接运算放大器Ui的反相输入端，运算放大器Ui的反相输入端与输出端并联电阻R10，电阻R10另一端与NPN型三极管Q1的基极相连，三极管Q1的集电极与电阻R11的一端相连，电阻R11的另一端接入直流电压源E1的正极；直流电压源E1的正极与电阻R12的一端相连，电阻R12的另一端与NPN型三极管Q2的集电极相连，三极管Q2的发射极与三极管Q1的发射极的共输出端与直流电流源I0的正极相连；三极管Q1的集电极同时与电阻R13的一端相连，电阻R13的另一端连接运算放大器Uo的反相输入端；运算放大器Uo的反相输入端与输出端并联电阻R16；三极管Q2的基极与电阻R15一端相连，电阻R15的另一端连接运算放大器Uo的正相输入端；Uo的正向输入端同时连接电阻R14的一端，R14的另一端连接三极管Q2的集电极，所述Uo的输出电压为
‑
tanh(vi)。
[0011]进一步地，所述忆阻电路包括：运算放大器U4、运算放大器U5、运算放大器U6、运算放大器U7；电容C3；电阻R17、电阻R18、电阻R19、电阻R20、电阻R21、电阻R22、电阻R23、电阻R24、电阻R25、二极管D和模拟乘法器M；所述电阻R17的一端连接输入端v1，电阻R17的另一端连接运算放大器U4的反相输入端，运算放大器U4的反相输入端与输出端并联电阻R18，所述U4的输出电压为
‑
v1；运算放大器U4的输出端连接电阻R19的一端，电阻R19的另一端连接运算放大器U5的反相输入端，运算放大器U5的反相输入端与输出端并联电阻R20和电容C3，所述运算放大器U5的输出电压为vφ；运算放大器U5的输出端连接电阻R21的一端，电阻R21的另一端连接运算放大器U6的反相输入端，运算放大器U6的输出端连接二极管D的一端，运算放大器U6的反相输入端与二极管D的另一端并联电阻R2；电阻R22的另一端连接模拟乘法器M的一输入端，模拟乘法器M的另一输入端连接运算放大器U4的输出端，模拟乘法器M的输出端连接电阻R23的一端，电阻R23的另一端连接运算放大器U7的反相输入端，电阻R24的一端连接输入端v1，电阻R24的另一端连接运算放大器U7的反相输入端，运算放大器U7的反相输入端与输出端并联电阻R25，运算放大器U7的输出电压为A。
[0012]进一步地，运算放大器U1、运算放大器U2、运算放大器U3、运算放大器U4、运算放大器U5、运算放大器U6、运算放大器U7、运算放大器Ui和运算放大器Uo的供电电压均为15V，运算放大器U1、运算放大器U2、运算放大器U3、运算放大器U4、运算放大器U5、运算放大器U6、运算放大器U7、运算放大器Ui的同相输入端、电阻R15的一端、电压源E1的负极、三极管Q2的基极和直流电流源I0的负极均接地。
[0013]进一步地，运算放大器U1、运算放大器U2、运算放大器U3、运算放大器U4、运算放大器U5、运算放大器U6和运算放大器U7为的型号为AD711AH；运算放大器Ui和运算放大器Uo的型号为TL082CP。
[0014]进一步地，三极管Q1和三极管Q2的型号为MPS2222。
[0015]进一步地，模拟乘法器M的型号为AD633。
[0016]相应地，一种忆阻神经网络电路的控制方法：
[0017]利用激活函数激活预先构建的神经网络中的神经元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种忆阻神经网络电路，其特征在于：包括神经网络主电路、激活函数电路和忆阻电路；所述神经网络主电路设有两个神经元；两个神经元通过激活函数电路进行激活；所述神经网络主电路还设有可调电阻，通过忆阻电路获取可调电阻的电阻值，可调电阻的电阻值为忆阻耦合强度对应的电阻值，从而获取忆阻耦合强度，所述忆阻耦合强度用于通过不同的忆阻耦合强度获取电路的动力学演变。2.根据权利要求1所述的一种忆阻神经网络电路，其特征在于：所述神经网络主电路包括：运算放大器U1、运算放大器U2和运算放大器U3；可调电阻Rk、电阻R1、电阻R2、电阻R3、电阻R4、电阻R5、电阻R6、电阻R7和电阻R8；电容C1和电容C2；所述电阻R1一端连接输入端va，电阻R1另一端连接运算放大器U1的反相输入端，电阻R2一端连接输入端
‑
vb，电阻R2另一端连接运算放大器U1的反相输入端，可调电阻Rk一端连接输入端A，电阻R2另一端连接运算放大器U1的反相输入端，运算放大器U1的反相输入端与输出端并联电阻R3和电容C1，运算放大器U1的输出电压为v1；运算放大器U1的输出端连接激活函数电路T1的输入端，激活函数电路T1的输出端连接电阻R4，电阻R4连接运算放大器U2的反相输入端，运算放大器U2的反相输入端与输出端并联电阻R6和电容C2，运算放大器U2的输出电压为v2；运算放大器U2的输出端连接激活函数电路T2的输入端，激活函数电路T2的输出端连接电阻R5，电阻R5的另一端连接运算放大器U2的反相输入端；激活函数电路T2的输出端连接电阻R7的一端，电阻R7的另一端连接运算放大器U3的反相输入端，运算放大器U3的反相输入端与输出端并联电阻R8，运算放大器U3的输出电压为
‑
vb。3.根据权利要求2所述的一种忆阻神经网络电路，其特征在于：所述激活函数电路包括：运算放大器Ui和运算放大器Uo；三极管Q1和三极管Q2；直流电压源E1、电阻R9、电阻R10、电阻R11、电阻R12、电阻R13、电阻R14、电阻R15、电阻R16和直流电流源I0；所述电阻R9一端连接输入端vi，电阻R9另一端连接运算放大器Ui的反相输入端，运算放大器Ui的反相输入端与输出端并联电阻R10，电阻R10另一端与NPN型三极管Q1的基极相连，三极管Q1的集电极与电阻R11的一端相连，电阻R11的另一端接入直流电压源E1的正极；直流电压源E1的正极与电阻R12的一端相连，电阻R12的另一端与NPN型三极管Q2的集电极相连，三极管Q2的发射极与三极管Q1的发射极的共输出端与直流电流源I0的正极相连；三极管Q1的集电极同时与电阻R13的一端相连，电阻R13的另一端连接运算放大器Uo的反相输入端；运算放大器Uo的反相输入端与输出端并联电阻R16；三极管Q2的基极与电阻R15一端相连，电阻R15的另一端连接运算放大器Uo的正相输入端；Uo的正向输入端同时连接电阻R14的一端，R14的另一端连接三极管Q2的集电极，所述Uo的输出电压为
‑
tanh(vi)。4.根据权利要求3所述的一种忆阻神经网络电路，其特征在于：所述忆阻电路包括：运算放大器U4、运算放大器U5、运算放大器U6、运算放大器U7；电容C3；电阻R17、电阻R18、电阻R19、电阻R20、电阻R21、电阻R22、电阻R23、电阻R24、电阻R25、二极管D和模拟乘法器M；所述电阻R17的一端连接输入端v1，电阻R17的另一端连接运...

【专利技术属性】
技术研发人员：赵双，陈湘军，陶艺文，王雨萱，
申请(专利权)人：常州信息职业技术学院，
类型：发明
国别省市：