一种STDP神经网络无监督在线学习电路及方法技术

本发明专利技术涉及人工智能技术领域，具体涉及一种STDP神经网络无监督在线学习电路及方法；电路包括前神经元、后神经元、光电忆阻器、长时抑制模块和长时增强模块，前神经元和后神经元均用于，发射脉冲；长时抑制模块用于，减小光电忆阻器的权值；长时增强模块用于，增大光电忆阻器的权值；光电忆阻器用于，进行脉冲传递和权值调整；方法包括：对比前神经元与后神经元的发射脉冲的发射顺序，调整光电忆阻器的突触权值；通过引入光调控，解决了传统电路传递脉冲和调整忆阻器权值无法同时进行的问题；实现下降电路结构和控制信号的复杂度，有利于提高电路集成度和降低功耗。

【技术实现步骤摘要】

本专利技术涉及人工智能，尤其涉及一种stdp神经网络无监督在线学习电路及方法。

技术介绍

1、现有计算机多基于冯诺依曼架构，存储与运算分离。随着处理器性能提升，数据在各个单元间的传输速度成为瓶颈，这被称为冯诺依曼瓶颈。而生物神经系统中，信息处理与存储结合，运算可并行进行，脉冲神经网络(spikingneuronnetwork,snn)则是一种模仿生物神经网络的神经网络结构，有望突破冯诺依曼架构限制。

2、snn的训练一般可分为监督学习和无监督学习。监督学习一般基于反向传播算法，其仍需要大量的计算资源。而基于脉冲时间依赖可塑性(spike-time-dependentplasticity,stdp)的无监督学习则具备低功耗与低算力需求的优势。此外stdp作为一种于生物神经系统中发现的学习规则，具备很好的生物可解释性和计算的并行性。

3、在现有的snn电路中，leaky-integrateandfire(lif)神经元模型由于其结构简单易于实现而被广泛采用。这种神经元发射的脉冲波形通常也较为简单，这导致该波形只能传递脉冲而无法同时按照s本文档来自技高网...

【技术保护点】

1.一种STDP神经网络无监督在线学习电路，其特征在于，

2.如权利要求1所述的STDP神经网络无监督在线学习电路，其特征在于，

3.如权利要求2所述的STDP神经网络无监督在线学习电路，其特征在于，

4.如权利要求3所述的STDP神经网络无监督在线学习电路，其特征在于，

5.如权利要求4所述的STDP神经网络无监督在线学习电路，其特征在于，

6.一种STDP神经网络无监督在线学习方法，应用于如权利要求5所述的STDP神经网络无监督在线学习电路，其特征在于，

7.如权利要求6所述的STDP神经网络无监督在线学习方法，...

【技术特征摘要】

1.一种stdp神经网络无监督在线学习电路，其特征在于，

2.如权利要求1所述的stdp神经网络无监督在线学习电路，其特征在于，

3.如权利要求2所述的stdp神经网络无监督在线学习电路，其特征在于，

4.如权利要求3所述的stdp神经网络无监督在线学习电路，其特征在于，

5.如权利要求4所述的stdp神经网络无监督在线学习电路，其特征在于，

6.一种stdp神经网络无监督在线学习方法，应用于如权利要求5所述的stdp神经网络无监督在线学习电路，其特征在于，

7.如权利要求6所述的stdp神经...

【专利技术属性】
技术研发人员：张岱南，张欧文，蒋昊，王中锐，齐晓娟，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：