CN101916393A - 具有图像分割功能的脉冲耦合神经网络的实现电路 - Google Patents

具有图像分割功能的脉冲耦合神经网络的实现电路 Download PDF

Info

Publication number
CN101916393A
CN101916393A CN2010102312160A CN201010231216A CN101916393A CN 101916393 A CN101916393 A CN 101916393A CN 2010102312160 A CN2010102312160 A CN 2010102312160A CN 201010231216 A CN201010231216 A CN 201010231216A CN 101916393 A CN101916393 A CN 101916393A
Authority
CN
China
Prior art keywords
circuit
neuron
signal
pulse
integration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2010102312160A
Other languages
English (en)
Other versions
CN101916393B (zh
Inventor
熊莹
韩伟华
杨富华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Semiconductors of CAS
Original Assignee
Institute of Semiconductors of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Semiconductors of CAS filed Critical Institute of Semiconductors of CAS
Priority to CN2010102312160A priority Critical patent/CN101916393B/zh
Publication of CN101916393A publication Critical patent/CN101916393A/zh
Application granted granted Critical
Publication of CN101916393B publication Critical patent/CN101916393B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种具有图像分割功能的脉冲耦合神经网络的实现电路，该电路包括整合激发神经元电路和权重自适应电路，其中，整合激发神经元电路接收外部像素点的灰度值信号和神经元之间内部的互连信号，权重自适应电路调整两神经元之间的相互耦合强度，作为整合激发神经元之间的内部互连信号。利用本发明，通过调节神经元间的耦合强度，可方便地对图像进行不同层次的分割，且分割速度很快；并且考虑了邻域像素对其的影响，故抗噪能力明显增强。

Description

具有图像分割功能的脉冲耦合神经网络的实现电路
技术领域
本发明涉及模拟神经元电路技术领域，尤其是一种基于全差分高增益放大器的权重自适应耦合电路。
背景技术
神经元是构成神经网络系统的结构和功能的基本单位。在生物学上，神经元由一个细胞胞体和一些连接到相邻细胞的树突和轴突组成，通常树突接受刺激信号，并向胞体传送，经胞体整合后从轴突传出。神经元工作于兴奋和抑制两种状态，具有多输入单输出的特点。如果求和的值比门限值高，那么神经元自身就会生成一个动作脉冲，该脉冲稍后被输入到相邻的神经单元中。一个神经元的轴突与另一个神经元的树突以突触的方式相互连接，突触部分的连接强度是可以调节的。美国IEEE1992年出版的神经网络理论基础与分析讨论文集中，将人工神经网络定义为“用大量简单的神经元计算并行叠联而成的任何计算结构”。可见，神经元是神经网络的基础，它直接影响着整个网络的规模、复杂程度及鲁棒性能
整合激发(integrate-and-fire，IAF)模型最早是由Lapicque在1907年提出的，是对生物神经元的一种形式化描述。该模型描述了生物神经元的脉冲发放机理，即一旦神经元膜电位超过阈值，就产生一个脉冲，膜电位重新设为静止电位。但是，相对于真正的生物神经元，该模型过于简化，且缺乏脉冲连续生成机制。
脉冲耦合神经网络(pulse coupled neural networks，PCNN)是一种不同于传统人工神经网络的新型神经网络，依据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的。它是对基于IAF神经元模型和神经元之间的相互作用构成的，采用非线性处理单元来模拟生物神经元，用处理单元之间的可变连接强度来模拟突触行为，构成了一个大规模并行的非线性系统，从而模拟生物特别是人类大脑的学习机理，并能概括所学内容。目前主要是作为强大的数学工具广泛地应用于图像处理、目标识别、通讯、决策优化等方面。将PCNN应用于图象处理时，一般将一个像素对应一个神经元，由于在PCNN中相似输入的神经元具有同时发生脉冲的特性。因此能够弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整地保留了图像的区域信息，这对于图像分割无疑是非常有利的。
图像分割是图像分析的关键步骤，同时也是图像处理中一个经典的研究课题。其目的是根据某些特征(象素的灰度、色彩、纹理)将一幅图像分成若干有意义的区域，并提取出感兴趣目标，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出显著的不同。对于模式识别上的应用，理想的分割结果应该是：不考虑物体对象内部的细节与微小的颜色变化，把一个物体对象只表示为一个或少数几个分割区域。
采用PCNN进行图像分割完全依赖于图像的自然属性，不用预先选择处理的空间范围，是一种更自然的方式；通过调节神经元间的耦合强度，可方便地对图像进行不同层次的分割，且分割速度很快；并且考虑了邻域像素的影响，故抗噪能力明显增强。
发明内容
(一)要解决的技术问题
本发明的目的是给出一种具有图像分割功能的脉冲耦合神经网络，它的优点是可方便地对图像进行不同层次的分割，且分割速度很快，抗噪能力明显增强。
(二)技术方案
为达到上述目的，本发明采用的技术方案如下：
一种具有图像分割功能的脉冲耦合神经网络的实现电路，该电路包括整合激发神经元电路和权重自适应电路，其中，整合激发神经元电路接收外部像素点的灰度值信号和神经元之间内部的互连信号，权重自适应电路调整两神经元之间的相互耦合强度，作为整合激发神经元之间的内部互连信号。
上述方案中，所述整合激发神经元电路由树突电路部分、积分求和部分和脉冲发放三部分构成，用于模仿生物神经元细胞膜电学功能，形成脉冲串信号输出机制；其中，树突电路的输入端接收图像像素的灰度值，树突电路部分的输出端与积分求和部分的输入端相连；积分求和部分的积分信号与脉冲发放部分的输入端相连；脉冲发放部分的输出端反馈控制树突电路部分。
上述方案中，所述整合激发神经元电路的树突电路部分由一组并联PMOS晶体管与一NMOS晶体管串联构成，PMOS管源端接收外部像素点的灰度值信号和相邻神经元权重自适应耦合信号。
上述方案中，所述整合激发神经元电路的积分求和部分由一电容组成，对外部像素点的灰度值信号和权重自适应耦合信号进行积分求和。
上述方案中，所述整合激发神经元电路的脉冲发放部分由偶数个串联的CMOS反相器与树突电路接构成反馈环，该脉冲发放电路接收积分信号并输出频率可调的脉冲串。
上述方案中，所述权重自适应电路由差分放大器和控制电路构成，用于调节神经元之间的相互耦合强度，其中，差分放大器的输出端与控制电路的输入端相连。
上述方案中，所述权重自适应电路的差分放大器为采用电流抵消技术的全差分放大器，具有高增益，该差分放大器对两神经元间的积分信号之差进行放大，并产生权重自适应信号输出。
上述方案中，所述权重自适应电路的控制电路的输入端与整合激发神经元电路的输出端相连，控制整合激发神经元间的内部互连信号且进一步放大差分信号。
(三)有益效果
从上述技术方案可以看出，本发明具有以下有益效果：
1、本发明提供的这种具有图像分割功能的脉冲耦合神经网络的实现电路，基于脉冲耦合神经网络的图像分割完全依赖于图像的自然属性，不用预先选择处理的空间范围，是一种更自然的方式；通过调节神经元间的耦合强度，可方便地对图像进行不同层次的分割，且分割速度很快；并且考虑了邻域像素对其的影响，故抗噪能力明显增强。
2、本发明提供的这种具有图像分割功能的脉冲耦合神经网络的实现电路，IAF神经元电路接收外部像素点的灰度值信号和神经元间的互连信号并产生频率可变的脉冲输出，权重自适应电路调整互连神经元间的耦合强度，从而调整IAF神经元输出脉冲的频率和相位，使得具有相似灰度值信号输入的神经元具有基本同步的相位和频率。相似的多个神经元就构成了一个神经元集，一个神经元集对应着图像中相同的区域，不同的神经元集分别对应着图像中不同的区域，从而实现图像的分割。
附图说明
图1为本发明提供的具有图像分割功能的脉冲耦合神经网络的实现电路；
图2为IAF神经元电路与权重自适应耦合电路互连的框架图；
图3为IAF神经元的电路结构图；
图4为权重自适应耦合电路结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
如图1所示，神经元之间通过权重自适应电路相互连接组成具有图像分割功能的脉冲耦合神经网络，为具有图像分割功能的脉冲耦合神经网络，图中神经元与图像的像素是一一对应的。神经元对应的像素点的亮度值越大，则该神经元的点火频率越高。
图2所示为IAF神经元电路与权重自适应耦合电路互连的框架图，神经元k和神经元m通过权重自适应电路互连，Vk、Vm为对应像素点的灰度值，Wmk为神经元m对神经元k的作用强度，Wkm为神经元k对神经元m的作用强度，从而产生反馈调节IAF神经元输出脉冲的频率和相位。
图3所示为IAF神经元的电路结构图，它由树突电路部分1、积分求和部分2和脉冲发放部分3三部分构成。树突电路部分1由一系列并联PMOS晶体管P1、P2...Pn与NMOS晶体管N1串联构成，并联PMOS管源端接收外部像素点的灰度值信号Vk和相邻神经元自适应耦合权重信号Wmk和Wmn。积分求和部分2由一连接并联PMOS晶体管漏端的电容C1组成，对外部像素点的灰度值信号和自适应耦合权重信号进行积分求和，充电速度与树突电路部分1中的输入信号有关，信号电压越高，充电速度越快。且积分求和电压短暂储存在电容C1上，产生的积分求和电压ak作为神经元内部活动项。脉冲发放部分3由偶数个串联的CMOS反相器inv1、inv2...invn与树突部分相连接构成反馈环，积分求和电压ak作为脉冲发放部分3的输入，当ak超过阈值电压后，神经元电路输出频率可调的脉冲串。频率大小与电容C1的充电速度有关，当神经元间无相互作用时，像素点的灰度值越高，C1充电速度越快，输出频率越高。
图4所示为权重自适应耦合电路结构图，它由差分放大器1和控制电路2、3构成，差分放大器为采用电流抵消技术的全差分放大器，具有高增益，该差分放大器对两神经元间的积分信号之差进行放大作为树突电路部分的自适应权重信号输入，当神经元k和神经元m对应像素点的灰度值不同时，则输入信号对充电电容C1的充电速度不同，同一时刻积分求和电压ak和am之间存在微小的差值，将ak、am作为差分放大器1的差分输入，outk、outm作为差分放大器1的差分输出。控制电路2、3由二输入或非门组成，该控制电路控制反馈信号的输入且进一步放大差分信号使得两神经元的相互作用，即仅在神经元未点火前起作用，从而调节神经元输出脉冲串频率。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种具有图像分割功能的脉冲耦合神经网络的实现电路，其特征在于，该电路包括整合激发神经元电路和权重自适应电路，其中，整合激发神经元电路接收外部像素点的灰度值信号和神经元之间内部的互连信号，权重自适应电路调整两神经元之间的相互耦合强度，作为整合激发神经元之间的内部互连信号。
2.根据权利要求1所述的具有图像分割功能的脉冲耦合神经网络的实现电路，其特征在于，所述整合激发神经元电路由树突电路部分、积分求和部分和脉冲发放三部分构成，用于模仿生物神经元细胞膜电学功能，形成脉冲串信号输出机制；其中，树突电路的输入端接收图像像素的灰度值，树突电路部分的输出端与积分求和部分的输入端相连；积分求和部分的积分信号与脉冲发放部分的输入端相连；脉冲发放部分的输出端反馈控制树突电路部分。
3.根据权利要求2所述的具有图像分割功能的脉冲耦合神经网络的实现电路，其特征在于，所述整合激发神经元电路的树突电路部分由一组并联PMOS晶体管与一NMOS晶体管串联构成，PMOS管源端接收外部像素点的灰度值信号和相邻神经元权重自适应耦合信号。
4.根据权利要求2所述的具有图像分割功能的脉冲耦合神经网络的实现电路，其特征在于，所述整合激发神经元电路的积分求和部分由一电容组成，对外部像素点的灰度值信号和权重自适应耦合信号进行积分求和。
5.根据权利要求2所述的具有图像分割功能的脉冲耦合神经网络的实现电路，其特征在于，所述整合激发神经元电路的脉冲发放部分由偶数个串联的CMOS反相器与树突电路接构成反馈环，该脉冲发放电路接收积分信号并输出频率可调的脉冲串。
6.根据权利要求1所述的具有图像分割功能的脉冲耦合神经网络的实现电路，其特征在于，所述权重自适应电路由差分放大器和控制电路构成，用于调节神经元之间的相互耦合强度，其中，差分放大器的输出端与控制电路的输入端相连。
7.根据权利要求6所述的具有图像分割功能的脉冲耦合神经网络的实现电路，其特征在于，所述权重自适应电路的差分放大器为采用电流抵消技术的全差分放大器，具有高增益，该差分放大器对两神经元间的积分信号之差进行放大，并产生权重自适应信号输出。
8.根据权利要求6所述的具有图像分割功能的脉冲耦合神经网络的实现电路，其特征在于，所述权重自适应电路的控制电路的输入端与整合激发神经元电路的输出端相连，控制整合激发神经元间的内部互连信号且进一步放大差分信号。
CN2010102312160A 2010-07-14 2010-07-14 具有图像分割功能的脉冲耦合神经网络的实现电路 Expired - Fee Related CN101916393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2010102312160A CN101916393B (zh) 2010-07-14 2010-07-14 具有图像分割功能的脉冲耦合神经网络的实现电路

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2010102312160A CN101916393B (zh) 2010-07-14 2010-07-14 具有图像分割功能的脉冲耦合神经网络的实现电路

Publications (2)

Publication Number Publication Date
CN101916393A true CN101916393A (zh) 2010-12-15
CN101916393B CN101916393B (zh) 2012-09-26

Family

ID=43323902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2010102312160A Expired - Fee Related CN101916393B (zh) 2010-07-14 2010-07-14 具有图像分割功能的脉冲耦合神经网络的实现电路

Country Status (1)

Country Link
CN (1) CN101916393B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105706121A (zh) * 2013-10-29 2016-06-22 高通股份有限公司 神经网络模型中的多普勒效应处理
CN106529609A (zh) * 2016-12-08 2017-03-22 郑州云海信息技术有限公司 一种基于神经网络结构的图像识别方法及装置
CN107346449A (zh) * 2016-05-04 2017-11-14 清华大学 可同时计算和编程的神经形态电路
CN108171326A (zh) * 2017-12-22 2018-06-15 清华大学 神经网络的数据处理方法、装置、芯片、设备和存储介质
CN108446762A (zh) * 2018-03-30 2018-08-24 广西师范大学 一种基于mos场效应晶体管的模拟脉冲神经元的硬件电路及其应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5654645A (en) * 1995-07-27 1997-08-05 Cypress Semiconductor Corp. Buffer with controlled hysteresis
WO2003044687A1 (en) * 2001-11-16 2003-05-30 Yuan Yan Chen Pausible neural network with supervised and unsupervised cluster analysis
CN1447457A (zh) * 2002-03-27 2003-10-08 夏普株式会社 集成电路装置及神经元
CN1460227A (zh) * 2001-02-21 2003-12-03 索尼公司 信号处理设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5654645A (en) * 1995-07-27 1997-08-05 Cypress Semiconductor Corp. Buffer with controlled hysteresis
CN1460227A (zh) * 2001-02-21 2003-12-03 索尼公司 信号处理设备
WO2003044687A1 (en) * 2001-11-16 2003-05-30 Yuan Yan Chen Pausible neural network with supervised and unsupervised cluster analysis
CN1447457A (zh) * 2002-03-27 2003-10-08 夏普株式会社 集成电路装置及神经元

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105706121A (zh) * 2013-10-29 2016-06-22 高通股份有限公司 神经网络模型中的多普勒效应处理
CN105706121B (zh) * 2013-10-29 2018-08-21 高通股份有限公司 神经网络模型中的多普勒效应处理
CN107346449A (zh) * 2016-05-04 2017-11-14 清华大学 可同时计算和编程的神经形态电路
CN107346449B (zh) * 2016-05-04 2020-05-22 清华大学 可同时计算和编程的神经形态电路
CN106529609A (zh) * 2016-12-08 2017-03-22 郑州云海信息技术有限公司 一种基于神经网络结构的图像识别方法及装置
CN108171326A (zh) * 2017-12-22 2018-06-15 清华大学 神经网络的数据处理方法、装置、芯片、设备和存储介质
CN108171326B (zh) * 2017-12-22 2020-08-04 清华大学 神经网络的数据处理方法、装置、芯片、设备和存储介质
CN108446762A (zh) * 2018-03-30 2018-08-24 广西师范大学 一种基于mos场效应晶体管的模拟脉冲神经元的硬件电路及其应用

Also Published As

Publication number Publication date
CN101916393B (zh) 2012-09-26

Similar Documents

Publication Publication Date Title
Hunsberger et al. Spiking deep networks with LIF neurons
CN101916393B (zh) 具有图像分割功能的脉冲耦合神经网络的实现电路
Liu et al. Ensemble learning via negative correlation
EP3121767A1 (en) Methods and systems for implementing deep spiking neural networks
CN103890781A (zh) 用于机器视觉的视网膜编码器
Chetyrbok Preliminary systemic decomposition of big data for their classification using vector criteria dynamic management model of innovations generations
Wu et al. Edge detection based on spiking neural network model
Zhao Adaptive image enhancement based on gravitational search algorithm
CN105701540A (zh) 一种自生成神经网络构建方法
CN110363114A (zh) 一种人员工作状态检测方法、装置及终端设备
CN106780468B (zh) 基于视觉感知正反馈的显著性检测方法
CN107169958A (zh) 机器学习、背景抑制与感知正反馈相结合的视觉显著性检测方法
CN106021991B (zh) 一种基于布尔网络模拟干预肿瘤细胞状态的方法
Indiveri et al. A competitive network of spiking VLSI neurons
Guo et al. Image of plant disease segmentation model based on pulse coupled neural network with shuffle frog leap algorithm
Freeman et al. Freeman K-set
Danneville et al. Sub-0.3 V CMOS neuromorphic technology and its potential application
CN109635942B (zh) 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法
An et al. Enhancing visual coding through collaborative perception
Zins et al. Reproducing Fear Conditioning of Rats with Unmanned Ground Vehicles and Neuromorphic Systems
Navarro-Guerrero et al. A neurocomputational amygdala model of auditory fear conditioning: A hybrid system approach
Eshraghian et al. A Real-Time Retinomorphic Simulator Using a Conductance-Based Discrete Neuronal Network
CA2898216C (en) Methods and systems for implementing deep spiking neural networks
Zeng et al. Inference with hybrid bio-hardware neural networks
Wang et al. Global stability analysis of multitime-scale neural networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120926

Termination date: 20130714