基于自治神经元多涡卷吸引子控制方法及系统技术方案

本发明专利技术涉及神经元控制技术领域，尤其涉及一种基于自治神经元多涡卷吸引子控制方法及系统，包括构建三维自治禁忌神经元模型；将分段线性饱和函数引入三维自治禁忌神经元模型，得到IMTLN模型，并利用IMTLN模型产生多涡卷吸引子；通过调整分段线性饱和函数的饱和度值对进行多涡卷吸引子进行控制。本发明专利技术提出的三维自治禁忌神经元模型结构简单，实现难度较低，可产生多涡卷吸引子；通过参数进行多涡卷控制，并进行数值仿真。并进行数值仿真。并进行数值仿真。

【技术实现步骤摘要】
基于自治神经元多涡卷吸引子控制方法及系统


[0001]本专利技术涉及神经元控制
，尤其涉及基于自治神经元多涡卷吸引子控制方法及系统。

技术介绍

[0002]随着人工智能的迅猛发展，人工神经网络领域因其前沿性和潜在的应用价值而成为了人们关注的焦点。研究人员可以使用神经元构建多层人工神经网络，以解决各种实际问题。这种方法已被证明是一种有效的机器学习技术，并且在计算机视觉、自然语言处理、语音识别等领域得到了广泛应用。
[0003]尽管许多现有的神经元模型已被深入研究，但由于技术的不断发展和进步，这些常见的神经元模型已经无法满足日益增长的需求。因此，需要不断探索和开发新的神经元模型，以更好地适应各种应用场景；在未来的人工智能研究中，开发一类具备学习能力的神经元模型是研究者所关注的关键科学问题之一。

技术实现思路

[0004]针对现有算法的不足，本专利技术提出的三维自治禁忌神经元模型结构简单，实现难度较低，可产生多涡卷吸引子；通过参数进行多涡卷控制，并进行数值仿真。
[0005]本专利技术所采用的技术方案是：一种基于自治神经元多涡卷吸引子控制方法及系统包括以下步骤：
[0006]步骤一、构建三维自治禁忌神经元模型；
[0007]进一步的，三维自治禁忌神经元模型的公式为：
[0008][0009]其中，x是神经元状态，y是禁忌学习状态，和是神经元状态和禁忌学习状态随时间的变化率，a、b、c和d都是正控制参数，z为忆阻的内部状态；为忆阻的内部状态随时间的变化率；k为耦合增益。
[0010]步骤二、将分段线性饱和函数引入三维自治禁忌神经元模型，得到IMTLN模型，并利用IMTLN模型产生多涡卷吸引子；
[0011]进一步的，IMTLN模型的公式为：
[0012][0013]其中，Sat(z)＝0.5(|z+E|
–
|z
–
E|)，E为饱和度；x是神经元状态，y是禁忌学习状态，和是神经元状态和禁忌学习状态随时间的变化率；a、b、c和d都是正控制参数；z为忆
阻的内部状态；为忆阻的内部状态随时间的变化率；k为耦合增益。
[0014]步骤三、通过调整分段线性饱和函数的饱和度值对进行多涡卷吸引子进行控制。
[0015]进一步的，饱和度的值包括：2.5、4.5、6.5、8.5、10.5和20.5。
[0016]进一步的，基于自治神经元多涡卷吸引子控制系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于自治神经元多涡卷吸引子控制方法。
[0017]进一步的，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于自治神经元多涡卷吸引子控制方法。
[0018]本专利技术的有益效果：
[0019]1、首次提出在二维禁忌神经元模型基础上引入一个余弦忆导函数作为外部刺激，构建一个三维自治禁忌神经元模型；
[0020]2、通过调节饱和值参数，可以控制其多涡卷混沌吸引子的涡卷数量，有助于推动人工智能及其神经网络的发展。
附图说明
[0021]图1为本专利技术基于自治神经元多涡卷吸引子控制的流程框图。
[0022]图2为本专利技术中忆导函数内部状态变量的动态范围控制示意图；
[0023]图3为本专利技术IMTLN模型的数值仿真图。
具体实施方式
[0024]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0025]如图1所示，一种基于自治神经元多涡卷吸引子控制方法包括以下步骤：
[0026]在现有的二维禁忌神经元模型基础上引入一个余弦忆导函数作为外部刺激，构建一个三维自治禁忌神经元模型；因为其函数模型特有的性质使得三维自治禁忌神经元模型进一步地变得不稳定，因此利用分段线性函数Sat(
·
)输入到有界余弦忆导函数代替原先的余弦忆导函数。
[0027]图2为忆导函数内部状态变量的动态范围控制示意图，分段线性饱和函数Sat(z)与有界余弦忆导函数cos(πSat(z))的关系曲线可以看出，有界余弦忆导函数cos(πSat(z))中的状态变量z的动态幅值会受函数控制；具体来说，通过控制参数调节状态变量z的动态范围，可以控制涡卷数量；此外，有界余弦忆导函数是关于原点对称的，并且有一个线平衡点集。
[0028]首先，一个二维禁忌神经元模型其表达式如(1)所示：
[0029][0030]其中，x是神经元状态，y是禁忌学习状态，a、b、c和d都是正控制参数，和是神经元状态和禁忌学习状态随时间的变化率。
[0031]当引入一个理想磁控忆阻其表达式如(2)所示
[0032][0033]其中，为忆阻的内部状态，I
M
和V
M
为流经忆阻上的电流和忆阻两端的电压，W(
·
)为忆导函数，为忆阻器的内部状态变化率。
[0034]就可以构建一个三维自治禁忌学习单神经元模型其表达式如(3)所示
[0035][0036]其中，x是神经元状态，y是禁忌学习状态，和是神经元状态和禁忌学习状态随时间的变化率；a、b、c和d都是正控制参数；z为忆阻的内部状态；为忆阻的内部状态变化率；k为耦合增益。
[0037]当将一个分段线性饱和函数Sat(z)代替原有的z，可以得到改进的低维忆阻神经元模型(improved 3
‑
D memristive tabu learning neuron)，即IMTLN模型，公式为：
[0038][0039]其中，Sat(z)＝0.5(|z+E|
–
|z
–
E|)，E为饱和度，且E＝2N+0.5(N为正整数)，由此得到IMTLN模型。
[0040]图3为IMTLN模型放入数值仿真图，可见涡卷的个数是由E的值控制的，该模型的各个参数值如表1所示。
[0041]表1各个参数的数值
[0042][0043]具体实现的方案如下：
[0044]从图2的分段线性饱和函数Sat(z)与有界余弦忆导函数cos(πSat(z))的关系可以看出，有界余弦忆导函数中的状态变量z的值被迫受到限制。具体来说，饱和值E使内部状态z有界，从而控制有界余弦忆导函数中存在的周期数。这些周期中都会有个单调递减的区间使得函数曲线与横向坐标轴有着一个交点，从而使得系统更容易产生出多涡卷的现象。
[0045]基于涡卷控制的方案，本专利技术模型是在三维自治禁忌神经元模型中引入有界余弦忆导函数来代替余弦忆导函数，本专利技术模型中设置分段线性饱和函数Sat(z)中的正整数N的值，可以有效地控制三维自治禁忌模型产生的多涡卷混沌吸引子的涡卷数。
[0046]当选取N＝1、2、3、4、5、10的6个代表性值，即E＝2.5、4.5、6.5、8.5、10.5、20.5时，可以看出本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自治神经元多涡卷吸引子控制方法，其特征在于，包括以下步骤：步骤一、构建三维自治禁忌神经元模型；步骤二、将分段线性饱和函数引入三维自治禁忌神经元模型，得到IMTLN模型，并利用IMTLN模型产生多涡卷吸引子；步骤三、通过调整分段线性饱和函数的饱和度值对进行多涡卷吸引子进行控制。2.根据权利要求1所述的基于自治神经元多涡卷吸引子控制方法，其特征在于，三维自治禁忌神经元模型的公式为：其中，x是神经元状态，y是禁忌学习状态，和是神经元状态和禁忌学习状态随时间的变化率，a、b、c和d都是正控制参数，z为忆阻的内部状态；z为忆阻的内部状态随时间的变化率；k为耦合增益。3.根据权利要求1所述的基于自治神经元多涡卷吸引子控制方法，其特征在于，IMTLN模型的公式为：其中，Sat(z)＝0.5(|z+E|
–
|z
–
...

【专利技术属性】
技术研发人员：包涵，俞希洪，丁若瑜，陈竹官，张希，
申请(专利权)人：常州大学，
类型：发明
国别省市：