【技术实现步骤摘要】
本专利技术涉及神经元模型，尤其涉及一种izhikevich神经元模型基于硬件的计算方法。
技术介绍
1、目前，越来越多的人工智能(ai)领域的研究人员开始使用snn来进行各种大脑启发的计算。在这些应用中使用的神经元模型被简化了许多，这样一个大小适当的网络就可以在合理的时间内进行运算。因此，在文献中出现了许多不同的神经元模型。有些神经元模型在生物学上更可行，更逼近真实生物神经元，但也更复杂，而有些则更容易实现，计算效率更高，目前主要流行的神经元模型有：hodgkin-huxley模型、泄漏整合发放模型(leakyintegrate-and-fire，lif)、izhikevich模型。
2、izhikevich模型兼具h-h模型的生物真实性与lif模型的计算效率，能够仿真生物神经元最突出的20种脉冲发放模式。但izhikevich模型在硬件实现上对资源消耗仍然较大，因此通过简化、近似计算来实现izhikevich模型硬件实现上的低功耗在实际应用上具有重要意义。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种izhikevich神经元模型基于硬件的计算方法，解决izhikevich模型硬件计算功耗高的技术问题。
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、本专利技术提供了一种izhikevich神经元模型基于硬件的计算方法，包括：
4、确定izhikevich神经元模型的数学方程；
5、
6、对所述离散化方程中平方项，采用cordic算法进行近似计算，并设计相应的第一硬件电路；
7、对所述离散化方程中常数乘法项，将其转化为二的整数次幂乘法项之和进行计算，并设计相应的第二硬件电路；
8、对所述离散化方程中除平方项和常数乘法项的计算，直接进行计算，并设计相应的第三硬件电路；
9、对所述第一硬件电路和所述第三硬件电路设计切换电路；
10、基于所述第一硬件电路、所述第二硬件电路、所述第三切换电路以及所述切换电路对所述izhikevich神经元模型进行计算。
11、可选的，所述izhikevich神经元模型的数学方程为：
12、
13、式中，v为膜电位变量，u为膜电位恢复量，i(t)为t时刻的电流值，a,b为敏感度常量，vr、ur为膜电位变量v和膜电位恢复量u的复位值。
14、可选的，所述离散化方程为：
15、
16、式中，v[n+1]、v[n]为第n+1、n个膜电位变量，u[n+1]、u[n]为第n+1、n个膜电位恢复量，i[n]为第n个电流值。
17、可选的，所述第一硬件电路包括第一加法器、第二加法器、第一减法器、第二减法器、第一比较器、第一寄存器、第二寄存器、第三寄存器、第四寄存器、第一选择器以及第二选择器；
18、所述第一寄存器的输出端连接至第一比较器、第一加法器以及第一减法器的第一输入端，所述第一比较器的第二输入端输入为0，所述第一比较器的输出端连接至第一选择器和第二选择器的控制端；所述第二寄存器的输出端连接至第一加法器和第一减法器的第二输入端，所述第二寄存器的输出端还移位连接至第二寄存器的输入端；所述第一减法器和第一加法器的输出端分别连接至第一选择器的第一输入端和第二输入端，所述第一选择器的输出端连接至第一寄存器的输入端；
19、所述第三寄存器的输出端连接至第二减法器和第二加法器的第一输入端；所述第四寄存器的输出端连接至第二减法器和第二加法器的第二输入端，所述第四寄存器的输出端还移位连接至第四寄存器的输入端；所述第二减法器和第二加法器的输出端分别连接至第二选择器的第一输入端和第二输入端，所述第二选择器的输出端连接至第三寄存器的输入端；
20、其中，所述第一寄存器寄存的初始值为v[n]；所述第二寄存器寄存的初始值为2k，k为预设的最大整数次幂；所述第三寄存器寄存的初始值为0；所述第四寄存器寄存的初始值为2k×v[n]。
21、可选的，所述第二寄存器的输出端和第四寄存器的输出端对应的移位连接均为右移一位连接。
22、可选的，所述第三硬件电路包括第三加法器、第四加法器、第五加法器、第六加法器、第七加法器、第八加法器、第三减法器、第四减法器、第三选择器、第四选择器以及第二比较器；
23、所述第三寄存器的输出端通过0.04对应的第二硬件电路连接至第三加法器的第一输入端，v[n]通过5对应的第二硬件电路连接至第三加法器的第二输入端；所述第三减法器的第一输入端输入为i[n]，所述第三减法器的第二输入端输入为u[n]；所述第三加法器和第三减法器的输出端分别连接至第四加法器的第一输入端和第二输入端；所述第四加法器的输出端连接至第五加法器的第一输入端，所述第五加法器的第二输入端输入为140，所述第五加法器的输出端连接至第六加法器的第二输入端和第二比较器的第一输入端；所述第二比较器的第二输入端输入为30，所述第二比较器的输出端连接至第三选择器和第四选择器的控制端；所述第六加法器的第一输入端输入为u[n]，所述第六加法器的输出端连接至第四选择器的第二输入端，所述第四选择器的第一输入端输入为vr，所述第四选择器的输出端输出为v[n+1]；
24、v[n]通过b对应的第二硬件电路连接至第四减法器的第一输入端，所述第四减法器的第二输入端输入为u[n]，所述第四减法器的输出端通过a对应的第二硬件电路连接至第七加法器的第二输入端，所述第七加法器的第一输入端输入为u[n]，所述第七加法器的输出端连接至第三选择器的第一输入端；所述第八加法器的第一输入端和第二输入端的输入分别为d和u[n]，所述第八加法器的输出端连接至第三选择器的第二输入端，所述第三选择器的输出端输出为u[n+1]。
25、可选的，所述切换电路包括第五寄存器、第三比较器以及第五减法器；
26、所述第五寄存器的输出端连接至第三比较器和第五减法器的第一输入端，所述第三比较器和第五减法器的第二输入端输入分别为0和1，所述第三比较器的输出端分别连接至第五减法器、第一硬件电路和第三硬件电路中各寄存器的使能端，所述第五减法器的输出端连接至第五寄存器的输入端；
27、其中，所述第五寄存器的初始值为i，i＝k-n+1，n为预设的最小整数次幂。
28、与现有技术相比，本专利技术所达到的有益效果：
29、本专利技术提供的一种izhikevich神经元模型基于硬件的计算方法，通过cordic算法实现izhikevich神经元模型中的平方项、通过将常数乘法项为二的整数次幂乘法，从而将izhikevich模型中的所有乘法计算转化为移位和加法计算，在硬件实现上乘法计算耗费资源远大于移位和加法计算，从而达到降低功耗的目的。
本文档来自技高网...【技术保护点】
1.一种Izhikevich神经元模型基于硬件的计算方法，其特征在于，包括：
2.根据权利要求1所述的Izhikevich神经元模型基于硬件的计算方法，其特征在于，所述Izhikevich神经元模型的数学方程为：
3.根据权利要求2所述的Izhikevich神经元模型基于硬件的计算方法，其特征在于，所述离散化方程为：
4.根据权利要求3所述的Izhikevich神经元模型基于硬件的计算方法，其特征在于，所述第一硬件电路包括第一加法器、第二加法器、第一减法器、第二减法器、第一比较器、第一寄存器、第二寄存器、第三寄存器、第四寄存器、第一选择器以及第二选择器；
5.根据权利要求4所述的Izhikevich神经元模型基于硬件的计算方法，其特征在于，所述第二寄存器的输出端和第四寄存器的输出端对应的移位连接均为右移一位连接。
6.根据权利要求4所述的Izhikevich神经元模型基于硬件的计算方法，其特征在于，所述第三硬件电路包括第三加法器、第四加法器、第五加法器、第六加法器、第七加法器、第八加法器、第三减法器、第四减法器、第三选择
7.根据权利要求6所述的Izhikevich神经元模型基于硬件的计算方法，其特征在于，所述切换电路包括第五寄存器、第三比较器以及第五减法器；
...【技术特征摘要】
1.一种izhikevich神经元模型基于硬件的计算方法，其特征在于，包括：
2.根据权利要求1所述的izhikevich神经元模型基于硬件的计算方法，其特征在于，所述izhikevich神经元模型的数学方程为：
3.根据权利要求2所述的izhikevich神经元模型基于硬件的计算方法，其特征在于，所述离散化方程为：
4.根据权利要求3所述的izhikevich神经元模型基于硬件的计算方法，其特征在于，所述第一硬件电路包括第一加法器、第二加法器、第一减法器、第二减法器、第一比较器、第一寄存器、第二寄存器、第三寄存器、第四寄存器、第一选择器以及第二选...
【专利技术属性】
技术研发人员：尚德龙，刘岳众，周玉梅，
申请(专利权)人：中科南京智能技术研究院，
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。