一种基于Elman神经网络学习算法的忆阻器自学习电路制造技术

本发明专利技术公开了一种基于Elman神经网络学习算法的忆阻器自学习电路。基于Elman神经网络的学习规则和网络结构，本发明专利技术提出的忆阻器自学习电路包括正信号输入通道和负信号输入通道，且每个信号输入通道包括输入层、承接层和输出层。输入层能对输入电压信号数值的正负极性进行识别，进而通过不同的输入通道对正负极性不同的输入信号进行处理。承接层的输出既能作为输出层的输入信号，也能作为局部反馈信号与下一时刻的外部输入信号共同作用于输入层。输出层输出的自学习信号能够调节输入层与承接层之间的忆阻器阻值并最终实现自学习功能。提出的忆阻器自学习电路，它能够加快电路的自学习进程、缩短自学习时间，进而提高电路的自学习效率。学习效率。学习效率。

【技术实现步骤摘要】
一种基于Elman神经网络学习算法的忆阻器自学习电路


[0001]本专利技术涉及一种忆阻器自学习电路设计领域，特别涉及一种基于Elman神经网络学习算法的忆阻器自学习电路。

技术介绍

[0002]早在计算机出现之前，人类就已经开始对人脑智能进行探索。基于人工神经网络的技术是目前人类研究人工智能的方式之一。人工神经网络是对人类大脑系统的一种数学模型描述，它既可以用电子线路来实现，也可以用计算机程序来实现。
[0003]人工神经网络的网络结构由诸多层次共同构成，不同的层次之间由权值连接，这种结构对应于生物神经网络的内部构造，其中前后互相连接的层次对应着前后互连的神经元；连接不同层次间的权值对应着连接前后神经元的突触，权值大小的变化也就对应了突触连接强度的变化。
[0004]当前，作为电路理论的第四种电路元件，忆阻器已成为构建人工神经网络电子线路的核心元件。忆阻器的阻值在特定的外加电场下能够发生变化，此外，忆阻器的阻值变化具有方向性，方向相反的外加电场会得到相反的阻值变化结果。忆阻器的阻值变化对应了人工神经网络中权值的变化和生物神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Elman神经网络学习算法的忆阻器自学习电路，其特征在于，它包括负信号输入通道和正信号输入通道，且每个信号输入通道中包括输入层、承接层和输出层；所述忆阻器自学习电路能够判断外部输入信号的正负极性，进而将正负极性不同的外部输入信号引入不同的输入通道，同时能根据输入层的输入加权和与承接层的基准电压的差值来决定是否需要进行自学习；当在初始时刻时，输入层的输入加权和与承接层的基准电压之间差值
△
V较大，所得的
△
V使输出层传输自学习信号至输入层，它将对输入层中忆阻器的阻值进行调节；而随着忆阻器的阻值减小或增大，输入加权和与基准电压之间的差值
△
V也会逐渐减小，当
△
V减小至不足以使输出层传输自学习信号至输入层时，忆阻器的阻值会停止变化，自学习进程也会结束。2.根据权利要求1所述的一种基于Elman神经网络学习算法的忆阻器自学习电路，其特征在于，所述负信号输入通道的输入层由NMOS管Q1‑
Q
m+1
和忆阻器M
11
‑
M
1m+1
组成，外部输入V1‑
V
m+1
分别与NMOS管Q1‑
Q
m+1
的源极连接，Q1‑
Q
m+1
的漏极与忆阻器M
11
‑
M
1m+1
的正极连接，此外，NMOS管Q1‑
Q
m+1
漏极和忆阻器M
11
‑
M
1m+1
正极之间的连接线与输出层分别相交于第十五节点(15)至第十八节点(18)，来自输出层的自学习信号也会通过第十五节点(15)至第十八节点(18)与M
11
‑
M
1m+1
的正极连接，m+1个外部输入和自学习信号通过M
11
‑
M
1m+1
后与来自承接层反馈网路的反馈电流信号交汇于第一节点(1)。3.根据权利要求1所述的一种基于Elman神经网络学习算法的忆阻器自学习电路，其特征在于，所述负信号输入通道的承接层由时序控制信号V
ct1
、电阻N
a1
‑
N
a8
、运算放大器A1‑
A3和MOS管D3‑
D8构成；其中，电阻N
a2
与运算放大器A1构成电压转换器；电阻N
a3
和N
a4
与运算放大器A2构成反相器；运算放大器A3、基准电压V
p1
(V
p1
<0)与电阻N
a5
‑
N
a8
构成电压求差器；电阻N
a1
、MOS管D3‑
D8与时序控制信号V
ct1
构成反馈网络；第一节点(1)接入运算放大器A1的反向输入端，电阻N
a2
位于第一节点(1)、第二节点(2)之间并与A1的输出端相连于第二节点(2)；电阻N
a3
位于第二节点(2)、第三节点(3)之间并通过第三节点(3)与A2的反相输入端连接，电阻N
a4
位于第三节点(3)、第四节点(4)之间，N
a4
与A2的输出端相连于第四节点(4)；电阻N
a5
位于第四节点(4)、第五节点(5)之间，电阻N
a6
位于第五节点(5)和地之间，电阻N
a5
和电阻N
a6
相交于第五节点(5)且与A3的同相输入端相连，电阻N
a7
、N
a8
与基准电压V
p1
形成的整体通过第六节点(6)接入A3的反相输入端，电阻N
a7
位于第六节点(6)、第七节点(7)之间且与A3的输出端相连于第七节点(7)；A3的输出以并联的形式作用于LF398a的输入端也作用于反馈网络中D3、D6的栅极；在反馈网络中，D3、D4连接形成传输正反馈信号的传输门，D5、D6连接形成传输负反馈信号的传输门，D3的漏极与D4的漏极相交于第十节点(10)，D3的源极与D4的源极相交于第八节点(8)，且正反馈信号V
f+
位于第八节点(8)和地之间；D5的漏极与D6的漏极相交于第十节点(10)，D5的源极与D6的源极相交于第九节点(9)，且负反馈信号V
f
‑
位于第九节点(9)和地之间；D7的漏极与正反馈信号传输门的输出相交于第十节点(10)，D8的漏极与负反馈信号传输门的输出相交于第十节点(10)，D7的源极与D8的源极相连且接地，D4与D5的栅极均接地，电阻N
a1
位于第一节点(1)和第十节点(10)之间，D7与D8的栅极电压由时序控制信号V
ct1
提供。4.根据权利要求1所述的一种基于Elman神经网络学习算法的忆阻器自学习电路，其特征在于，所述负信号输入通道的输出层由运算放大器A4、电阻N
a9
‑
N
a11
、固定电容C
a1
、C
a2
、MOS管D9‑
D
n+1
和取样保持器LF398a、LF398b以及一个辅助时序信号构成；其中，DC电源V
L1
、D9和
N
a9
构成自学习信号发生器；运算放大器A4与电阻N
a10
和N
a11
构成反相器；MOS管D
10
‑
D
n+1
以并联的形式构成自学习信号并行传输通道；LF398a的输出与辅助时序信号求和后作用于D9的栅极，N
a9
通过第十一节点(11)与D9的漏极相连，N
a9
位于D9的漏极和地之间，自学习信号DC电源V
L1
位于D9的源极和地之间，N
a10
通过第十二节点(12)接于A4的反相输入端且位于第十一节点(11)、第十二节点(12)之间，N
a11
通过第十三节点(13)与A4的输出端相连且位于第十二节点(12)、第十三节点(13)之间，A4的输出端通过第十三节点(13)与LF398b的输入端相连，LF398b的输出端与自学习信号并行传输通道D
10
‑
D
n+1
的漏极相交于第十四节点(14)，D
10
‑
D
n+1
的源极分别与Q1‑
Q
m+1
的漏极...

【专利技术属性】
技术研发人员：万求真，刘炯，杨巧，孙坤亮，陈思邈，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：