CN103810497A - 一种基于忆阻器的图像识别系统及方法 - Google Patents

Abstract

本发明公开了一种基于忆阻器的图像识别系统及方法。所述系统包括图像信号提取模块、多个基于忆阻器的神经网络模块和识别模块；所述识别模块其输入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识别模块的输入端相连，其输入端与信号提取模块的输出端相连。所述方法包括以下步骤：（1）获取待识别灰度图像的特征向量并输入各神经网络模型；（2）各神经网络模型根据其图像模型对所述特征向量分别进行打分并进行识别；（3）计算各神经网络分值与训练时获取标准值之差值，根据所述差值判断待识别图像类别。所述系统扩展性好，集成密度高，功耗低；所述方法，时间复杂度低，识别精度较高。

Description

一种基于忆阻器的图像识别系统及方法

技术领域

本发明属于图像识别领域，更具体地，涉及一种基于忆阻器的图像识别系统及方法。

背景技术

图像识别，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。图像识别技术对于自动化的图像处理，如人脸识别、地理目标识别等方面有着重要的意义。传统的图像识别技术，是基于大规模计算方法，在运算量和运算精度之间存在着不可调和的矛盾，已无法满足需求。

机器学习方法，例如神经网络模型，由于其能发掘样本数据规律的自主学习能力、良好容错性能和适用于高速并行处理系统的特点，广泛应用于图像识别技术。神经网络模型包括一层输入神经元和一层输出神经元，输入神经元和输出神经元之间有零到多层中间神经元，相邻层的神经元通过神经突触相联系，神经突触的权重决定了神经网络所表征的模型。应用神经网络模型的图像处理系统识别图像，分为两个阶段，即训练阶段和识别阶段。训练阶段，是将训练用图像输入到神经网络，通过有监督或无简单学习方式寻找一组适合的神经突触；识别阶段是用已训练的神经网络对图像进行识别分类。目前应用神经网络模型的图像识别系统，是基于大规模集成电路，采用CMOS电路模拟神经突触。现有的应用神经网络的图像识别系统，虽然具有较好的容错性、健壮性和记忆存储能力，但其体系扩展性差，集成密度有限，通用性不足，对新数据适应能力待提高，功耗较高。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于忆阻器的图像识别系统及方法，其目的在于采用忆阻器模拟神经突触，建立集成度高的神经网络模块，用于图像识别，由此解决现有技术扩展性差、集成密度有限、功耗高的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于忆阻器的图像识别系统，包括：图像信号提取模块、多个基于忆阻器的神经网络模块和识别模块；所述识别模块其输入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识别模块的输入端相连，其输入端与信号提取模块的输出端相连；其中：

所述图像信号提取模块，用于提取训练用和待识别的灰度图像的特征向量信号，并输入神经网络模块；

所述神经网络模块，采用忆阻器模拟神经突触，获取全局时钟信号，所述全局时钟信号成周期性，一个全局时钟周期包括前馈阶段和反馈阶段；所述神经网络模块训练时，在反馈阶段，获取训练用灰度图像的特征向量信号，通过监督学习的方法自适应调整忆阻器阻值，训练其表征的图像模型，在前馈阶段，产生参考信号并传递给识别模块；识别时，获取待识别灰度图像的特征向量信号，根据其表征的图像模型对待识别图像的特征向量信号进行打分，得出分值信号并传递给识别模块；

所述识别模块，在神经网络模块训练时，用于获取各神经网络模块的参考信号，并根据其计算各神经网络标准值，在神经网络模块识别时，根据各神经网络标准值和分值信号判断待识别图像类型并得出判断结果。

优选地，所述图像识别系统，其神经网络模块，包括多个输入神经元电路、相应数量的用于模拟神经突触的忆阻器和一个输出神经元电路；多个输入神经元电路的输入端与信号提取模块的多个输出端依次相连，输入神经元电路的输出端与相应忆阻器的一端相连，忆阻器的另一端与输出神经元电路的输入端相连，输出神经元电路的输出端与识别模块的输入端相连；输出神经元电路的反馈端与输入神经元电路的反馈接收端相连；

所述输入神经元电路，在全局时钟信号前馈阶段，用于接收信号提取模块输出的特征向量信号的各个特征值信号，根据特征值信号选择前馈脉冲，将前馈脉冲传递给忆阻器；在全局时钟信号反馈阶段，用于记忆本时钟周期前馈阶段的特征值信号，接收输出神经元电路反馈端的反馈信号，根据所述特征值信号选择反馈脉冲，根据所述反馈信号决定是否将反馈脉冲施加给忆阻器；

所述忆阻器，在全局时钟前馈阶段根据前馈脉冲和自身阻值产生神经冲动电流；在全局时钟反馈阶段根据一端的反馈脉冲和另一端的零电压自适应的调整自身阻值；

所述输出神经元电路，在全局时钟前馈阶段，收集各忆阻器产生的神经冲动电流叠加得到兴奋电流，输出兴奋电流给识别模块，在训练时所述兴奋电流表征参考信号，在识别时所述兴奋电流表征分值信号；在全局时钟反馈阶段，记忆本周期前馈阶段产生的兴奋电流，根据兴奋电流与设定的兴奋阈值的比较结果，产生反馈信号并传递给输入神经元电路反馈接收端。

优选地，所述图像识别系统，其图像信号提取模块，包括上位机和多个脉冲发生器；所述上位机，与多个脉冲发生器相连，用于读取灰度图像信号，提取其特征向量，并将特征向量的多个特征值分别传递给相应的脉冲发生器；所述脉冲发生器，输入端与上位机相连，输出端与神经网络模块的输入神经元电路输入端相连，用于接收上位机产生的特征值，并根据特征值产生相应的特征值信号，所述特征值信号组成特征向量信号，传递给神经网络模块的输入神经元电路。

优选地，所述图像识别系统，其识别模块，包括多个示波器和下位机；所述示波器的输入端和神经网络模块输出神经元电路的输出端相连，输出端和下位机输入端相连，用于收集神经网络模块输出参考信号和待识别的灰度图像分值信号，并将转化为参考值和分值传递给下位机；所述下位机的多个输入端与相应的示波器相连，用于获取所述参考值和分值，根据各神经网络模块的参考值计算其标准值并比较标准值和分值信号的差异，识别灰度图像的类别为所述差异最小的神经网络模块所代表的图像类别。

优选地，所述图像识别系统，其所述前馈脉冲包括正前馈脉冲和负前馈脉冲，所述反馈脉冲包括正反馈脉冲和负反馈脉冲。

按照本发明的另一方面，提供了一种图像识别方法，包括以下步骤：

（1）获取待识别灰度图像的特征向量，并将特征向量分别输入各神经网络模型；

（2）各神经网络模型根据其各自表征的图像模型对待识别图像的特征向量分别进行打分获得用于识别的分值；

（3）获取各神经网络模块输出的分值，并计算各神经网络模块输出分值与训练时获取的神经网络标准值之差值，根据所述差值判断待识别图像类别，即认为待识别图像是差值最小的神经网络所表征的图像类别。

优选地，所述图像识别方法，其神经网络模块按照如下方法训练：

（a）将训练用灰度图像分类；

（b）前馈阶段，对于每一幅训练用灰度图像，根据当前神经网络模型所表征的图像模型给训练用灰度图像打分得到参考分值；对于每一个神经网络模型，收集其对于所有训练用的灰度图像打分得到的参考分值，并计算其均值作为标准值；

（c）反馈阶段，对于每一幅训练用的灰度图像，提取其特征向量并输入相应类别的神经网络模型进行打分获得分值；当分值超过设定阈值时，根据特征向量的特征值调整相应神经突触权重：特征值越大，调整神经突触权重约大；当分值不超过设定阈值是，不调整神经突触权重。

优选地，所述图像识别方法，其图像信号提取模块获取待分类图像的特征向量的方法包括以下步骤：

（1-1）读取灰度图片的像素矩阵；

（1-2）利用边缘检测函数检测像素矩阵中的边缘像素，并计算边缘像素所占比例作为边缘像素均值；

（1-3）将像素特征矩阵分为多个图像块，统计每个图像块里边缘像素所占比例并与边缘像素均值比较，将比较结果作为该图像块的特征值；

（1-4）将图像块的特征值组合成特征向量。

优选地，所述图像识别方法，其步骤（1-2）采用edge函数作为边缘检测函数。

优选地，所述图像识别方法，其步骤（1-3）将图像平均分成3×4块。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，由于采用基于忆阻器的模块化神经网络开发图像识别系统，能够取得下列有益效果：

（1）采用忆阻器模拟神经突触，在断电情况下能记忆神经网络模块所表征的图像模型，再次加载电源时，可直接进行识别判断，无需再次训练神经网络模型，节省时间且降低能耗。

（2）忆阻器能自适应调整其阻值，相对于目前应用cmos电路的基于神经网络的图像识别系统，实现简单，集成密度高，控制成本低。

（3）采用模块化的神经网络进行图像识别，可方便的增加神经网络模块，从而识别更多类型的图像，因此本发明提供的图像识别系统具有良好的可扩展性。

（4）本发明提供的图像识别方法，通过优化图像识别参数，如选取合适的边缘检测函数，合理的划分图像从而获得特征向量等，从而优化时间复杂度，同时保证图像识别精度。

附图说明

图1是本发明提供的图像识别系统结构示意图；

图2是神经网络模块的结构示意图；

图3是本发明提供的图象识别方法流程图；

图4是全局时钟信号示意图；

图5是输入神经元电路结构示意图；

图6是脉冲信号示意图，其中图6（a）是正前馈脉冲示意图，图6（b）是负前馈脉冲示意图，图6（c）是正反馈脉冲示意图，图6（d）是负反馈脉冲示意图；

图7是输出神经元电路结构示意图；

图8是实施例2训练用的灰度图片，其中图8（a）、图8（b）、图8（c）、图8（d）、图8（e）表示数字“3”的灰度图片。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：1为输入神经元电路，2为忆阻器，3为输出神经元电路，4为输入神经元电路的第一选择电路，5为输入神经元电路的第二选择电路，6为输入神经元电路的第三选择电路，7为输入神经元电路的第四选择电路，8为输入神经元电路的第一脉冲发生器，9为输入神经元电路的第二脉冲发生器，10为输入神经元电路的第三脉冲发生器，11为输入神经元电路的第四脉冲发生器，12为输入神经元电路的稳压器，13为输入神经元电路的延时器，14为求和运算器，15为输出神经元电路的延时器，16为输出神经元电路的第一选择电路，17为输出神经元电路的第二选择电路，18为输出神经元电路的第一稳压器，19为输出神经元电路的第二稳压器。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供的基于忆阻器的图像识别系统，如图1所示，包括：图像信号提取模块、多个基于忆阻器的神经网络模块和一个识别模块。所述识别模块其输入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识别模块的输入端相连，其输入端与信号提取模块的输出端相连。

所述图像信号提取模块，用于提取训练用和待识别的灰度图像的特征向量信号，并输入神经网络模块，包括上位机和多个脉冲发生器。所述上位机，与多个脉冲发生器相连，用于读取灰度图像信号，提取其特征向量，并将特征向量的多个特征值分别传递给相应的脉冲发生器；所述脉冲发生器，输入端与上位机相连，输出端与神经网络模块的输入神经元电路输入端相连，用于接收上位机产生的特征值，并根据特征值产生相应的特征值信号，所述特征值信号组成特征向量信号，传递给神经网络模块的输入神经元电路。所述特征值优选为布尔量，即为“0”或“1”。优选方案，上位机首先读取灰度图像信号矩阵；然后检测灰度图像信号的边缘像素，并计算边缘像素所占比例作为边缘像素均值；接着将所述图像分为3×4块，统计每一块中边缘像素所占比例，如果边缘像素所占比例超过边缘像素均值，则将“1”作为该图像块的特征值，否则将“0”作为该图像块的特征值；最后将特征值组合成特征向量。

所述神经网络模块，采用忆阻器模拟神经突触。所述神经网络模块，获取全局时钟信号，所述全局时钟信号成周期性，一个全局时钟周期包括前馈阶段和反馈阶段。优选方案，所述全局时钟周期为2秒，其中第1秒为前馈阶段，第2秒为反馈阶段。所述神经网络模块训练时，在反馈阶段，获取训练用灰度图像的特征向量信号，通过监督学习的方法自适应调整忆阻器阻值，训练其表征的图像模型，在前馈阶段，产生参考信号并传递给识别模块；识别时，获取待识别灰度图像的特征向量信号，根据其表征的图像模型对待识别图像的特征向量信号进行打分，得出分值信号并传递给识别模块。

所述神经网络模块，如图2所示，包括多个输入神经元电路、相应数量的用于模拟神经突触的忆阻器和一个输出神经元电路；多个输入神经元电路的输入端与信号提取模块的多个输出端依次相连，输入神经元电路的输出端与相应忆阻器的一端相连，忆阻器的另一端与输出神经元电路的输入端相连，输出神经元电路的输出端与识别模块的输入端相连；输出神经元电路的反馈端与输入神经元电路的反馈接收端相连。

所述输入神经元电路，在全局时钟信号前馈阶段，用于接收信号提取模块输出的特征向量信号的各个特征值信号，根据特征值信号选择前馈脉冲，将前馈脉冲传递给忆阻器。当特征值信号表征的特征值为“0”时，输入神经元电路选择负前馈脉冲；当特征值信号表征的特征值为“1”时，输入神经元电路选择正前馈脉冲。在全局时钟信号反馈阶段，输入神经元电路记忆本时钟周期前馈阶段的特征值信号，其反馈接收端接收输出神经元电路反馈端的反馈信号，根据所述特征值信号选择反馈脉冲，根据所述反馈信号决定是否将反馈脉冲施加给忆阻器：当特征值信号表征的特征值为“0”时，输入神经元电路选择负反馈脉冲；当特征值信号表征的特征值为“1”时，输入神经元电路选择正反馈脉冲；当反馈信号表征输出神经元电路的在前馈阶段产生的参考信号超过设定的兴奋阈值时，将反馈脉冲加载在忆阻器一端；否则，不降反馈脉冲加载在忆阻器一端。

所述忆阻器，在全局时钟前馈阶段根据前馈脉冲和自身阻值产生神经冲动电流；在全局时钟反馈阶段根据一端的反馈脉冲和另一端的零电压自适应的调整自身阻值：正反馈脉冲，其正向电压超过忆阻器正向阈值，当正反馈脉冲加载在忆阻器一端时，忆阻器电阻减小，调整到低阻态；负反馈脉冲，其负向电压超过忆阻器负向阈值，当负反馈脉冲加载在忆阻器一端时，忆阻器电阻增加，调整到高阻态。

所述输出神经元电路，在全局时钟前馈阶段，收集各忆阻器产生的神经冲动电流叠加得到兴奋电流，输出兴奋电流给识别模块，在训练时所述兴奋电流表征参考信号，在识别时所述兴奋电流表征分值信号；在全局时钟反馈阶段，记忆本周期前馈阶段产生的兴奋电流，根据兴奋电流与设定的兴奋的比较结果，产生反馈信号并通过其反馈端传递给输入神经元电路反馈接收端。

所述识别模块，包括多个示波器和下位机；所述示波器的输入端和神经网络模块输出神经元电路的输出端相连，输出端和下位机输入端相连，用于收集神经网络模块输出参考信号和待识别的灰度图像分值信号，并将转化为参考值和分值传递给下位机；所述下位机的多个输入端与相应的示波器相连，用于获取所述参考值和分值，根据各神经网络模块的参考值计算其标准值并比较标准值和分值信号的差异，识别灰度图像的类别为所述差异最小的神经网络模块所代表的图像类别。训练时，各神经网络模块对于每一幅训练用的灰度图像，产生一个参考值，多次训练后产生多个参考值信号；对于一个神经网络模块，所述示波器收集其所有参考值信号转换成参考值传递给所述下位机，所述下位机计算其平均值作为标准值。识别时，各神经网络模块对待识别的灰度图像进行打分，并将分值信号传递识别模块的示波器；所述示波器将分值信号转换为分值输入所述下位机；所述下位机计算各神经网络模块其分值和标准值之间的差异，选择所述差异最小的神经网络所表征的图像类别作为待识别的灰度图像的类别，完成识别过程。

本发明提供的图像识别方法，如图3所示，包括以下步骤：

（1）获取待识别灰度图像的特征向量，并将特征向量分别传递给各神经网络模型；获取特征向量的具体步骤包括：

（1-1）读取灰度图片的像素矩阵。

（1-2）利用边缘检测函数检测像素矩阵中的边缘像素，并计算边缘像素所占比例作为边缘像素均值。优选方案，采用edge函数作为边缘检测函数。

（1-3）将像素特征矩阵分为多个图像块，统计每个图像块里边缘像素所占比例并与边缘像素均值比较，将比较结果作为该图像块的特征值：对于一个图像块，如果其边缘像素所占比例超过边缘像素均值，则其特征值为“1”；否则，其特征值为“0”。优选方案，为平衡特征数量和分类精度，将图像平均分成3×4块。

（1-4）将图像块的特征值组合成特征向量。优选方案，按照行间从上至下、行内从左到右的顺序将特征值组合成特征向量。

（2）各神经网络模型根据其各自表征的图像模型对待识别图像的特征向量分别进行打分得到分值；

（3）获取各神经网络模块输出的分值，并计算各神经网络模块输出分值与训练时获取的神经网络标准值之差值，根据所述差值判断待识别图像类别，即认为待识别图像是差值最小的神经网络所表征的图像类别。

所述神经网络模块的训练方法，包括以下步骤：

（a）将训练用灰度图像分类；

（b）前馈阶段，对于每一幅训练用灰度图像，按照与待识别图像相同的方法提取其特征向量，根据当前神经网络模型所表征的图像模型给训练用灰度图像打分得到参考分值；对于每一个神经网络模型，收集其对于所有训练用灰度图像打分得到的参考分值，并计算其均值作为标准值；

（c）反馈阶段，对于每一幅训练用的灰度图像，提取其特征向量并输入相应类别的神经网络模型进行打分获得分值。当分值超过设定阈值时，神经网络模型根据特征值调整相应神经突触权重：特征值为“1”，则增加相应神经突触权重，特征值为“0”，则减相应神经突触权重；当分值不超过设定阈值时，不调整神经突出权重。

以下为实施例：

实施例1

本发明提供的基于忆阻器的图像识别系统，包括：图像信号提取模块、2个基于忆阻器的神经网络模块和一个识别模块。所述识别模块其输入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识别模块的输入端相连，其输入端与信号提取模块的输出端相连。

所述图像信号提取模块，用于提取训练用和待识别的灰度图像的特征向量信号，并输入神经网络模块，包括上位机和12个脉冲发生器。所述上位机，与12个脉冲发生器相连，用于读取灰度图像信号，提取其特征向量，并将特征向量的多个特征值分别传递给相应的脉冲发生器；所述脉冲发生器，输入端与上位机相连，输出端与神经网络模块的输入神经元电路输入端相连，用于接收上位机产生的特征值，并根据特征值产生相应的特征值信号，所述特征值信号组成特征向量信号，传递给神经网络模块的输入神经元电路。所述特征值为布尔量，即为“0”或“1”。图像信号提取模块输出端采用电压信号传递特征值，用零电压表示“0”，用1V表示“1”。

所述神经网络模块，采用忆阻器模拟神经突触。所述神经网络模块，获取全局时钟信号，所述全局时钟信号成周期性，一个全局时钟周期包括前馈阶段和反馈阶段。所述全局时钟信号，如图4所示，周期为2秒，其中第1秒为前馈阶段，电压为1V，第2秒为反馈阶段，电压为0V。所述神经网络模块训练时，在反馈阶段，获取训练用灰度图像的特征向量信号，通过监督学习的方法自适应调整忆阻器阻值，训练其表征的图像模型，在前馈阶段，产生参考信号并传递给识别模块；识别时，获取待识别灰度图像的特征向量信号，根据其表征的图像模型对待识别图像的特征向量信号进行打分，得出分值信号并传递给识别模块。

所述神经网络模块，包括12个输入神经元电路、相应数量的用于模拟神经突触的忆阻器和一个输出神经元电路；12个输入神经元电路的输入端与信号提取模块的多个输出端依次相连，输入神经元电路的输出端与相应忆阻器的一端相连，忆阻器的另一端与输出神经元电路的输入端相连，输出神经元电路的输出端与识别模块的输入端相连；输出神经元电路的反馈端与输入神经元电路的反馈接收端相连。

所述输入神经元电路，如图5所示，包括4个选择电路、延时器，4个脉冲发生器、稳压器。其中：第三选择电路，其输出端为输入神经元电路输出端，与模拟神经突触的忆阻器相连，其控制端获取全局时钟信号，其第一输入端连接第二选择电路，其第二输入端连接第四选择电路，当控制端电压值超过0V时，第三选择电路将其第一输入端的信号作为输出端信号，否则将其第二输入端的信号作为输出信号；第二选择电路，其输出端与第三选择电路的第一输入端相连，其控制端为输入神经元电路输入端，与图像信号提取模块的相应输出端相连，其第一输入端与第一脉冲发生器相连，其第二输入端与第二脉冲发生器相连，当控制端电压超过0.5V时，第二选择电路将其第一输入端的信号作为输出信号，否则将其第二输入端的信号作为输出信号；第一脉冲发生器，产生正前馈脉冲，如图6（a）所示，其周期为1秒，脉冲幅值为+0.2V，脉冲宽度0.4秒，脉冲延迟0.6秒；第二脉冲发生器，产生负前馈脉冲，如图6（b）所示，其周期为1秒，脉冲幅值为0.1V，脉冲宽度为0.4秒，脉冲延迟0.6秒；第四选择电路，其输出端与第三选择电路的第二输入端相连，其控制端为输入神经元电路反馈接收端，与输出神经元电路的反馈输出端相连，其第一输入端与第一选择电路的输出端相连，其第二输入端与稳压器相连，当控制端电压超过0.5V时，第四选择电路将其第一输入端的信号作为输出信号，否则将第二输入端的信号作为输出信号；所述稳压器输出恒定的零电压；第一选择电路，其输出端和第四选择电路的第一输入端相连，其控制端和延时器的输出端相连，其第一输入端和第三脉冲发生器相连，其第二输入端和第四脉冲发生器相连，当控制端电压超过0.5V时，第一选择电路将其第一输入端的信号作为输出信号，否则将其第二输入端的信号作为输出信号；延时器的输入端与图像信号提取模块的相应输出端相连；第三脉冲发生器，产生正反馈脉冲，如图6（c）所示，其周期为1秒，脉冲幅值为+1V，脉冲宽度为0.4秒，脉冲延迟0.6秒；第四脉冲发生器，产生负反馈脉冲，如图6（d）所示，其周期为1秒，脉冲幅值为-1V，脉冲宽度为0.4秒，脉冲延迟0.6秒。

所述输入神经元电路：在全局时钟信号前馈阶段，当图像提取模块的相应输出端输出的特征值为“1”时，第二选择电路的控制端电压超过0.5V，将正前馈电压输出给第三选择模块的第一输入端，第三选择电路的控制端电压超过0V，将正前馈信号加载在忆阻器一端；当图像提取模块的相应的输出端输出的特征值为“0”时，第二选择电路的控制端电压不超过0.5V，将负前馈电压输出给第三选择电路的第一输入端，第三选择电路的控制端电压超过0.5V，将负前馈信号加载在忆阻器的一端。在全局时钟信号反馈阶段，当输出神经元电路的反馈输出端输出信号为零电压时，第四选择电路的控制端电压不超过0.5V，将稳压器输出的零电压输出给第三选择电路的第二输出端，第三选择电路的控制端电压不超过0V，将第二输入端的零电压加载在忆阻器一端，忆阻器阻值不改变；当输出神经元电路的反馈输出端输出信号为稳定的1V电压时，第四选择电路控制端电压超过0.5V，将第一选择电路的输出信号输出给第三选择电路的第二输入端，第三选择电路的控制端电压不超过0V，将第二输入端的信号即第一选择电路的输出信号作为输出信号加载在忆阻器一端：当图像提取模块相应的输出端输出的特征值为“0”时，第一选择电路的控制端电压超过0.5V，将正前馈信号作为其输出，并最终加载在忆阻器一端；当图像提取模块相应输出端输出的特征值为“1”时，第一选择电路的控制端电压不超过0.5V，将付钱亏信号作为其输出，并最终加载在忆阻器一端。

所述忆阻器，正向阈值电压为+0.8V，负向阈值电压为-0.8V。在全局时钟前馈阶段，忆阻器一端加载正前馈信号或负前馈信号，不会超过忆阻器正向阈值电压或负向阈值电压，忆阻器阻值改变忽略不计，忆阻器另一端产生相应的电流信号输出给输出神经元电路；在全局时钟反馈阶段，忆阻器的一端加载零电压、正反馈信号或负反馈信号；当加载零电压时，忆阻器两端无电压差，其组织无变化；当加载正反馈信号时，忆阻器两端电压差超过正向阈值，忆阻器阻值变小，调整到低阻态；当加载负反馈信号时，忆阻器两端电压差超过负向阈值，忆阻器阻值变大，调整到高阻态。

所述输出神经元电路，在全局时钟前馈阶段，收集各忆阻器产生的神经冲动电流叠加得到兴奋电流，输出兴奋电流给识别模块，在训练时所述兴奋电流表征参考信号，在识别时所述兴奋电流表征分值信号；在全局时钟反馈阶段，记忆本周期前馈阶段产生的兴奋电流，根据兴奋电流与设定的兴奋的比较结果，产生反馈信号并传递给输入神经元电路反馈接收端。

所述输出神经元电路，如图7所示，包括求和运算器、延时器、2个选择电路和2个稳压器。求和运算器，其输入端为输出神经元电路的输入端和所述神经网络模块中的所有忆阻器的另一端相连，其输出端和第一选择电路的第一输入端相连；第一选择电路，其输出端为输出神经电路的输出端，与识别模块输入端、第二选择电路控制端、延时器输入端相连，其控制端获取全局时钟信号，其第一输入端与求和运算器输出端相连，其第二输入端与延时器输出端相连；第二选择电路，其输出端为输出神经元反馈端，与输入神经元电路反馈接收端相连，其第一输入端与第一稳压器相连，其第二输入端与第二稳压器相连，当其控制端电流超过用于表征兴奋阈值的电流时，第二选择电路将其第一输入端信号作为输出，否则将其第二输入端信号作为输出；第一稳压器与第二选择电路第一输入端相连，输出电压为1V，第二稳压器与第二选择电路第二输入端相连，输出零电压。

所述输出神经元电路，设置用于表征兴奋阈值的电流为4mA。在全局时钟前馈阶段，求和放大器收集忆阻器产生的电流并叠加，输出给第一选择电路第一输入端，第一选择电路控制端电压超过0V，将第一输入端的输入信号即求和放大器的输出信号加载到输出神经元电路输出端、延时器输入端；在全局时钟反馈阶段，延时器将求和放大器的输出信号加载到第一选择电路的第二输入端，第一选择电路的控制端电压不超过0V，将第二输入端的输入信号加载到第二选择电路的控制端，第二选择电路的控制端电流超过兴奋阈值电流时，第二选择电路将第一输入端信号即1V电压作为反馈信号通过输出神经元电路反馈端输出给输入神经元电路反馈接收端，否则将第二输入端信号即零电压作为反馈信号通过输出神经元电路反馈端输出给输入神经元电路反馈接收端。

所述识别模块，包括2个示波器和下位机；所述示波器的输入端和相应神经网络模块输出神经元电路的输出端相连，输出端和下位机输入端相连，用于收集神经网络模块输出参考信号和待识别的灰度图像分值信号，并将转化为参考值和分值传递给下位机；所述下位机的多个输入端与相应的示波器相连，用于获取所述参考值和分值，根据各神经网络模块的参考值计算其标准值并比较标准值和分值信号的差异，识别灰度图像的类别为所述差异最小的神经网络模块所代表的图像类别。训练时，各神经网络模块对于每一幅训练用的灰度图像，产生一个参考值，多次训练后产生多个参考值；对于一个神经网络模块，所述识别模块收集其所有参考值，并计算其平均值作为标准值。识别时，各神经网络模块对待识别的灰度图像进行打分获得分值，并将分值输出给识别模块；识别模块计算各神经网络模块其分值和标准值之间的差异，选择所述差异最小的神经网络所表征的图像类别作为待识别的灰度图像的类别，完成识别过程。

实施例2

第一神经网络模块用于表征数字“3”的图像模型，训练方法如下：

（a）选择5张表示数字“3”的灰度图片，如图8（a）至（e）所示；

（b）前馈阶段：

图像信号提取模块，对于每一幅训练用的灰度图像，读取灰度图像的像素矩阵；利用edge函数作为边缘检测函数检测像素矩阵中的边缘像素，并计算边缘像素所占比例作为边缘像素均值；将像素特征矩阵分为3×4块，同济每个图像块里边缘像素所占比例并于边缘像素均值比较，如果超过边缘像素均值，则将“1”作为该图像块的特征值，否则将“0”作为该图像块的特征值；将图像块的特征值按照行间从上至下、行内从左到右的顺序将特征值组合成特征向量，并传递给神经网络模块。

神经网络模块，对于每一幅训练用的灰度图像，获取所述图像的特征向量，根据其当前所表征的图像模型给训练所述特征向量打分得到参考分值，并将参考分值传递给识别模块。

识别模块，收集神经网络模块对于每一幅训练用的灰度图像输出的参考值，即5次输出的参考值，并计算所述参考值的均值作为该神经网络模块的标准值。

（c）反馈阶段：

图像信号提取模块，对于每一幅训练用的灰度图像，按照步骤（b）中所述方法获取图片的特征向量，并传递给神经网络模块。

神经网络模块，对于每一幅训练用的灰度图像的特征向量信号，其输出神经元电路产生兴奋电流，如果兴奋电流超过兴奋阈值，则输出神经元电路将反馈脉冲加载在用于模拟神经突触忆阻器的一端，否则输出神经元电路将零电压加载在用于模拟神经突触的忆阻器的一端；所述忆阻器根据其两端电压差自适应的调整自身阻值：其一端如果加载正反馈脉冲，则其阻值减小；其一端如果加载负反馈脉冲，则其阻值增加；其一端如果加载零电压则其阻值不变。

实施例3

本发明提供的图像识别方法，应用如实施例1所述的图像识别系统，具体包括以下步骤：

（1）图像信号提取模块获取待识别灰度图像的特征向量，并将特征向量分别传递给各神经网络模块；图像信号提取模块获取特征向量的具体步骤如实施例2中图像信号提取模块获取训练用的灰度图像特征向量的具体步骤。

（2）第一神经网络模块和第二神经网络模块，按照如实施例2的方法进行训练后，分别表征表示数字“3”的图片的模型和表示数字“5”的图片的模型；所述第一神经网络模块和第二神经网络模块根据其各自表征的图像模型对待识别图像的特征向量分别进行打分，并将分值传递给识别模块。

（3）识别模块获取第一和第二神经网络模块输出的分值，并计算第一和第二神经网络模块的输出分值与训练时获取的标准值之差值，根据所述差值判断待识别图像类别：如果第一神经网络模块的差值较小，则认为待识别图像为表示数字“3”的图片；如果第二神经网络模块的差值较小，则认为待识别图像为表示数字“5”的图片。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于忆阻器的图像识别系统，其特征在于，包括：图像信号提取模块、多个基于忆阻器的神经网络模块和识别模块；所述识别模块其输入端与多个神经网络模块的输出端相连；每个神经网络模块的输出端与识别模块的输入端相连，其输入端与信号提取模块的输出端相连；其中：

所述图像信号提取模块，用于提取训练用和待识别的灰度图像的特征向量信号，并输入神经网络模块；

所述神经网络模块，采用忆阻器模拟神经突触，获取全局时钟信号，所述全局时钟信号成周期性，一个全局时钟周期包括前馈阶段和反馈阶段；所述神经网络模块训练时，在反馈阶段，获取训练用灰度图像的特征向量信号，通过监督学习的方法自适应调整忆阻器阻值，训练其表征的图像模型，在前馈阶段，产生参考信号并传递给识别模块；识别时，获取待识别灰度图像的特征向量信号，根据其表征的图像模型对待识别图像的特征向量信号进行打分，得出分值信号并传递给识别模块；

所述识别模块，在神经网络模块训练时，用于获取各神经网络模块的参考信号，并根据其计算各神经网络标准值，在神经网络模块识别时，根据各神经网络标准值和分值信号判断待识别图像类型并得出判断结果。

2.如权利要求1所述的图像识别系统，其特征在于，所述神经网络模块，包括多个输入神经元电路、相应数量的用于模拟神经突触的忆阻器和一个输出神经元电路；多个输入神经元电路的输入端与信号提取模块的多个输出端依次相连，输入神经元电路的输出端与相应忆阻器的一端相连，忆阻器的另一端与输出神经元电路的输入端相连，输出神经元电路的输出端与识别模块的输入端相连；输出神经元电路的反馈端与输入神经元电路的反馈接收端相连；

所述输入神经元电路，在全局时钟信号前馈阶段，用于接收信号提取模块输出的特征向量信号的各个特征值信号，根据特征值信号选择前馈脉冲，将前馈脉冲传递给忆阻器；在全局时钟信号反馈阶段，用于记忆本时钟周期前馈阶段的特征值信号，接收输出神经元电路反馈端的反馈信号，根据所述特征值信号选择反馈脉冲，根据所述反馈信号决定是否将反馈脉冲施加给忆阻器；

所述忆阻器，在全局时钟前馈阶段根据前馈脉冲和自身阻值产生神经冲动电流；在全局时钟反馈阶段根据一端的反馈脉冲和另一端的零电压自适应的调整自身阻值；

所述输出神经元电路，在全局时钟前馈阶段，收集各忆阻器产生的神经冲动电流叠加得到兴奋电流，输出兴奋电流给识别模块，在训练时所述兴奋电流表征参考信号，在识别时所述兴奋电流表征分值信号；在全局时钟反馈阶段，记忆本周期前馈阶段产生的兴奋电流，根据兴奋电流与设定的兴奋阈值的比较结果，产生反馈信号并传递给输入神经元电路反馈接收端。

3.如权利要求1所述的图像识别系统，其特征在于，所述图像信号提取模块，包括上位机和多个脉冲发生器；所述上位机，与多个脉冲发生器相连，用于读取灰度图像信号，提取其特征向量，并将特征向量的多个特征值分别传递给相应的脉冲发生器；所述脉冲发生器，输入端与上位机相连，输出端与神经网络模块的输入神经元电路输入端相连，用于接收上位机产生的特征值，并根据特征值产生相应的特征值信号，所述特征值信号组成特征向量信号，传递给神经网络模块的输入神经元电路。

4.如权利要求1所述的图像识别系统，其特征在于，所述识别模块，包括多个示波器和下位机；所述示波器的输入端和神经网络模块输出神经元电路的输出端相连，输出端和下位机输入端相连，用于收集神经网络模块输出参考信号和待识别的灰度图像分值信号，并将转化为参考值和分值传递给下位机；所述下位机的多个输入端与相应的示波器相连，用于获取所述参考值和分值，根据各神经网络模块的参考值计算其标准值并比较标准值和分值信号的差异，识别灰度图像的类别为所述差异最小的神经网络模块所代表的图像类别。

5.如权利要求2至4任意一项所述的图像识别系统，其特征在于，所述前馈脉冲包括正前馈脉冲和负前馈脉冲，所述反馈脉冲包括正反馈脉冲和负反馈脉冲。

6.一种图像识别方法，其特征在于，包括以下步骤：

（1）获取待识别灰度图像的特征向量，并将特征向量分别输入各神经网络模型；

（2）各神经网络模型根据其各自表征的图像模型对待识别图像的特征向量分别进行打分获得用于识别的分值；

（3）获取各神经网络模块输出的分值，并计算各神经网络模块输出分值与训练时获取的神经网络标准值之差值，根据所述差值判断待识别图像类别，即认为待识别图像是差值最小的神经网络所表征的图像类别。

7.如权利要求6所述的图像识别方法，其特征在于，所述神经网络模型按照如下方法训练：

（a）将训练用灰度图像分类；

（b）前馈阶段，对于每一幅训练用灰度图像，根据当前神经网络模型所表征的图像模型给训练用灰度图像打分得到参考分值；对于每一个神经网络模型，收集其对于所有训练用的灰度图像打分得到的参考分值，并计算其均值作为标准值；

（c）反馈阶段，对于每一幅训练用的灰度图像，提取其特征向量并输入相应类别的神经网络模型进行打分获得分值；当分值超过设定阈值时，根据特征向量的特征值调整相应神经突触权重：特征值越大，调整相应神经突触权重越大；当分值不超过设定阈值是，不调整神经突触权重。

8.如权利要求6或7所述的图像识别方法，其特征在于，所述图像信号提取模块获取待分类图像的特征向量的方法包括以下步骤：

（1-1）读取灰度图片的像素矩阵；

（1-2）利用边缘检测函数检测像素矩阵中的边缘像素，并计算边缘像素所占比例作为边缘像素均值；

（1-3）将像素特征矩阵分为多个图像块，统计每个图像块里边缘像素所占比例并与边缘像素均值比较，将比较结果作为该图像块的特征值；

（1-4）将图像块的特征值组合成特征向量。

9.如权利要求8所述的图像识别方法，其特征在于，所述步骤（1-2）采用edge函数作为边缘检测函数。

10.如权利要求8所述的图像识别方法，其特征在于，所述步骤（1-3）将图像平均分成3×4块。

Images