CN104021420A - 可编程离散霍普菲尔德网络电路 - Google Patents

Abstract

本发明涉及集成电路和神经网络领域，特别涉及可编程离散霍普菲尔德网络电路，目的是为了用硬件电路来实现单层反馈式霍普菲尔德神经网络模型，实现模拟神经记忆功能。本发明提出了一种基于硬件电路的霍普菲尔德单层网络模型，主要通过可编程阈值电路来模拟神经元，反馈电容的电压记忆特性实现反馈功能。本发明通过数字时钟脉冲来控制各个传输门开关的开启与关闭，从而实现离散型霍普菲尔德网络的功能。霍普菲尔德网络的功能：先给网络中的每个反馈电容一个初始的状态，然后通过其余的开关控制整个霍普菲尔德电路工作，最终实现给定一个初始态，通过霍普菲尔德网络电路寻找到一个最终的稳定状态的目标。本发明适用于模拟神经元。

Description

可编程离散霍普菲尔德网络电路

技术领域

本发明涉及集成电路和神经网络领域，特别涉及一种基于忆阻器和神经元场效应管(NEUMOS)的可编程离散霍普菲尔德网络电路。

背景技术

科学工作者根据神经网络运行过程中的信息流向，把神经网络分为前馈式和反馈式两种基本类型。前馈网络的输出仅由当前输入和权值矩阵决定，而与网络先前的输出状态无关。反馈式网络则相反，与网络的先前输出状态密切相关。

作为本申请的表述需求，先介绍一下霍普菲尔德神经网络方面的相关知识。神经网络的学习方式有三种类型。其中的第三类学习方式是“死记硬背”，即网络的权值不是经过反复学习获得，而是按一定规则计算出来。基于这一点，美国加州理工学院物理学家霍普菲尔德教授于1982年提出一种单层反馈神经网络，后来人们将这种反馈网络称作霍普菲尔德网络。霍普菲尔德网络采用了第三种学习方式，其权值一经确定就不再改变，而网络中各神经元的状态在运行过程中不断更新，网络演变到稳态时各神经元的状态便是问题之解。

进一步，霍普菲尔德网络又分为离散型和连续型两种网络模型，分别记作DHNN(Discrete霍普菲尔德Neural Network)和CHNN(Continues霍普菲尔德Neural Network)。本申请模拟实现的离散型反馈网络的拓扑结构如图1所示。这是一种单层全反馈网络，共有n个神经元。第i个神经元的输出P_i通过突触的连接权值W_ij，反馈至第j个神经元作为输入，i、j为正整数，可以取相同的数值。每个神经元都通过连接权值接收所有其它神经元输出反馈回来的信息，目的是为了让任何一神经元的输出都能受所有神经元输出的控制，从而使各神经元的输出能相互制约。每个神经元均设有一个阈值θ(每个神经元的阈值可以相等，可以不相等)。

运行时，当向该网络施加一个起原始推动作用的初始输入P_{1_init},P_{2_init},P_{3_init},…,P_{n_init}后，网络便将各个输出反馈回来作为下次的输入。如果某个时刻，第i个神经元满足以下条件：

∑＝W_i1*P₁+W_i2*P₂+W_i3*P₃+......+W_in*P_n>θ

则：该神经元对应的输出P_i将改变为1，反之P_i变为0。如此经若干次循环(迭代)之后，在网络结构满足一定条件的前提下，网络最终将会稳定在某一预先设定的稳定态。

利用霍普菲尔德网络的稳态便可实现联想记忆功能,在拓扑结构及权矩阵均一定的情况下，霍普菲尔德网络能存储若干个预先设置的稳定状态，而网络运行后达到哪个稳定状态将与其初始状态有关。若用网络的稳态代表一种记忆模式，初始状态朝着稳态收敛的过程便是神经网络寻找该记忆模式的过程。初态可视为该记忆模式的部分信息，网络演变的过程可视为从部分信息回忆起该记忆模式全部信息的过程，从而实现了联想记忆功能。

为了便于说明，我们以三个神经元组成的离散型霍普菲尔德网络为例子，见图2。第一个神经元三个突触权值(从左往右，W₁₁，W₂₁，W₃₁)分别设定为：{0 0.2 0.8}，第二个神经元三个突触权值(从左往右，W₁₂，W₂₂，W₃₂)分别为{0.2 0 0.4}，第三个神经元三个突触权值(从左往右，W₁₃，W₂₃，W₃₃)分别为：{0.8 0.4 0}。写成权值矩阵如下：

W11＝0	W21＝0.2	W13＝0.8
			W21＝0.2	W22＝0	W23＝0.4
W31＝0.8	W32＝0.4	W33＝0

阈值均设置为0.7。

简单起见，我们假设初始状态为：111(P₁P₂P₃),循环更新顺序固定为：P₁->P₂->P₃->P₁……。先更新P₁：

∑＝P₁*W₁₁+P₂*W₂₁+P₃*W₃₁＝1*0+1*0.2+1*0.8>0.7

所以结果为P₁＝1，此时状态更新为：111。

再更新P₂:

∑＝P₁*W₁₂+P₂*W₂₂+P₃*W₃₂＝1*0.2+1*0+1*0.4<0.7

所以结果为P₂＝0，此时状态更新为：101。

再更新P₃:

∑＝P₁*W₁₃+P₂*W₂₃+P₃*W₃₃＝1*0.8+0*0.4+1*0>0.7

所以结果为P₃＝1，此时状态更新为：101。

再更新P₁:

∑＝P₁*W₁₁+P₂*W₂₁+P₃*W₃₁＝1*0+0*0.2+1*0.8>0.7

所以结果为P₁＝1，此时状态更新为：101。

再更新P₂:

∑＝P₁*W₁₂+P₂*W₂₂+P₃*W₃₂＝1*0.2+0*0+1*0.4<0.7

所以结果为P₂＝0，此时状态更新为：101。

再更新P₃:

∑＝P₁*W₁₃+P₂*W₂₃+P₃*W₃₃＝1*0.8+0*0.4+1*0>0.7

所以结果为P₃＝1，此时状态更新为：101。

所以最终状态锁定在101，过程是：初始状态：111->111->101->101->101->101……。最终达到了101的稳定状态，这就是我们预先设定的稳态，上面就是演示了通过初态111寻找到预设的稳态101的一个过程。

实际中可能每一步随机更新某一个P_i，但是最终都会找到我们预设的稳态。随机更新流向图如图3，分析方式完全相同。可以看出我们预设了两个稳态：000和101。图3中每条导线上的数字表示这个导线方向发生的概率。

由于传统霍普菲尔德网络的研究基本上是基于计算机软件层面的。实际当中与硬件电路实现相比，在并发性等等方面还是有一定差距。

发明内容

本发明的目的：用硬件电路来实现单层反馈式霍普菲尔德神经网络模型，实现模拟神经记忆功能的目标。

为达到上述目的，本发明提供一种可编程离散霍普菲尔德网络电路，包括数字时钟模块，还包括N个霍普菲尔德反馈网络主体，所述霍普菲尔德反馈网络主体包括第一电源模块、可编程阈值电路、场效应管、反馈电容及第一传输门开关；

数字时钟模块，用于产生各种所需时钟对所有的传输门开关进行控制；

可编程阈值电路，用于模拟神经元，每一个可编程阈值电路的输出反向之后都反馈回所有的可编程阈值电路作为输入；

场效应管，用于将可编程阈值电路的输出电平进行反向；

第一传输门开关，用于控制反馈电容的输出及可编程阈值电路的输出反向之后的电平反馈回所有的可编程阈值电路；

所述可编程阈值电路中神经元场效应管的漏极输出连接到场效应管的栅极上，控制场效应管的的导通与关闭，所述反馈电容的一端接地，另一端与场效应管的漏极连接，所述反馈电容与场效应管的漏极连接的一端与第一电源模块连接，每一个可编程阈值电路对应N个权值选择电路及N个第一传输门开关，N为大于或等于2的正整数。

具体地，，所述霍普菲尔德反馈网络主体还包括第二传输门开关，所述反馈电容通过第二传输门开关与第一电源模块连接。

具体地，所述可编程阈值电路包括权值选择电路，所述权值选择电路与所述可编程阈值电路中神经元场效应管的栅电极连接，所述权值选择电路的一条支路由一个电阻和一个忆阻器构成，用于形成具有正权值的栅电极连接；另一条支路由运放实现的反向比例器构成，用于形成具有负权值特性的栅电极连接。

具体地，还包括第三传输门开关模块，用于控制选择权值选择电路的一条支路连接到可编程阈值电路中神经元场效应管的栅电极上，所述第三传输门开关模块包括两个传输门开关，分别设置在所述权值选择电路的两条支路上。

进一步地，还包括第二电源，所述场效应管的漏极与第二电源连接。

可选地，还包括第一上拉电阻，所述可编程阈值电路中神经元场效应管为N型神经元场效应管，所述场效应管为N型场效应管，所述N型场效应管的漏极通过第一上拉电阻与所述第二电源连接。

可选地，还包括第一下拉电阻，所述可编程阈值电路中神经元场效应管为N型神经元场效应管，所述场效应管为P型场效应管，所述P型场效应管的漏极通过第一下拉电阻接地。

可选地，还包括第二上拉电阻，所述可编程阈值电路中神经元场效应管为P型神经元场效应管，所述场效应管为N型场效应管，所述N型场效应管的漏极通过第二上拉电阻与所述第二电源连接。

可选地，还包括第二下拉电阻，所述可编程阈值电路中神经元场效应管为P型神经元场效应管，所述场效应管为P型场效应管，所述P型场效应管的漏极通过第二下拉电阻接地。

可选地，可编程阈值电路的类型及对应场效应管的类型还有其它类似结构组成，相应地选择配套的上拉电阻或者下拉电阻。

在可编程阈值电路之后连接场效应管的主要目的是为了将可编程阈值电路的输出电压进行反向，因此，场效应管可用反相器进行替换。将神经元场效应管的输出连接到一个反相器的输入端控制其输出，反相器的输出端与反馈电容相连，一起反馈回神经网络电路中各个神经元场效应管的相应输入端口控制整个电路的正常运行。

权值选择电路中的两组电阻单位和忆阻器单位位置可以随意搭配，并且可以没有电阻的存在，只需满足每条支路至少有一个忆阻器单位就可以，它们组合起来实现权值比例的功能就可。

本发明的有益效果是：通过硬件电路来实现单层反馈式霍普菲尔德神经网络模型，实现模拟神经记忆功能的目标，对于以后智能化电路的集成起到的指引作用也是很巨大的。

附图说明

图1是现有的单层霍普菲尔德网络示意图；

图2是现有的三个神经元的单层霍普菲尔德网络示意图；

图3是现有的三个神经元的单层霍普菲尔德网络的状态流向图；

图4是现有的基于N型神经元场效应管的可编程阈值电路结构图；

图5是现有的基于P型神经元场效应管的可编程阈值电路结构图；

图6是实施例的整体霍普菲尔德网络电路图；

图7是本发明的PART_k部分电路图；

图8是本发明的权值选择电路图；

图9是实施例一中使用的全局控制时钟图；

图10是实例一的随机更新流向图；

图11是实例二的随机更新流向图；

图12是实例三的随机更新流向图。

具体实施方式

本发明提出了一种基于硬件电路的霍普菲尔德单层网络模型。主要通过可编程阈值电路来模拟神经元，反馈电容的电压记忆特性实现反馈功能。本发明通过数字时钟脉冲来控制各个传输门开关的开启与关闭，从而实现离散型霍普菲尔德网络的功能。霍普菲尔德网络的功能：先给网络中的每个反馈电容一个初始的状态，然后通过其余的开关控制整个霍普菲尔德电路工作，最终实现给定一个初始态，通过霍普菲尔德网络电路寻找到一个最终的稳定状态的目标。这个过程就模拟出了部分记忆片段回忆起全部信息的大脑回忆功能。

下面结合附图及实施例对本发明的方案作进一步的描述。

首先以模拟三个神经元为例，对本发明的技术方案作一详细解释。此处的神经元场效应管选择N型神经元场效应管，如图4所示，场效应管为N型场效应管，若选用P型神经元场效应管，则其结构如图5所示。本发明的整体霍普菲尔德网络电路图，包括3个霍普菲尔德反馈网络主体，霍普菲尔德反馈网络主体包括第一电源模块、可编程阈值电路、场效应管、反馈电容及第一传输门开关；

数字时钟模块，用于产生各种所需时钟对所有的传输门开关进行控制；

可编程阈值电路，用于模拟神经元，每一个可编程阈值电路的输出反向之后都反馈回所有的可编程阈值电路作为输入；

场效应管，用于将可编程阈值电路的输出电平进行反向；

第一传输门开关，用于控制反馈电容的输出及可编程阈值电路的输出反向之后的电平反馈回所有的可编程阈值电路；

可编程阈值电路中N型神经元场效应管的每个栅电极连接的是权值选择电路，如图8所示，权值选择电路包括两条支路，一条支路由一个电阻和一个忆阻器构成，用于形成具有正权值的栅电极连接；另一条支路由运放实现的反向比例器构成，用于形成具有负权值特性的栅电极连接。如图7所示，可编程阈值电路中N型神经元场效应管的漏极输出连接到N型场效应管的栅极上，控制N型场效应管的的导通与关闭，N型场效应管的漏极与第二电源连接，其源级接地。N型神经元场效应管的漏极通过第一上拉电阻与所述第二电源连接。N型场效应管的漏极通过第二上拉电阻与第二电源连接。反馈电容的一端接地，另一端与N型场效应管的漏极连接，所述反馈电容与N型场效应管的漏极连接的一端与第一电源连接，用于实现初始阶段,给反馈电容赋初值的目标，这些初值就组成了霍普菲尔德网络的初态。第一电源可根据需求提供不同电压的电源，第一传输门开关、第二传输门开关及第三传输门开关模块中的所有传输门开关均受数字时钟模块的时钟脉冲信号控制，其具体的连接控制方式如图6所示。

实施例一

首先我们设定了如下的时钟，使得更新是按照P₁，P₂，P₃，P₁，P₂，……顺序轮流更新，各个控制时钟见图9。

sa₀是为反馈电容预充电的控制时钟，一开始为1.6us的1.8v电压，接着就是保持0电平的状态。sa₀用于初始阶段分别为3个反馈电容cap₁,cap₂,cap₃充电到各自的一个固定电压值v₁,v₂,v₃，这就是霍普菲尔德电路的初始态v₁v₂v₃。

sa₁是控制第一个神经元PART₁的三个栅电极导通的脉冲，开始直到2.0us为低电平0,然后按照脉冲宽度为0.4us，大小为1.8V,周期为2.4us的规律变化，当sa₁等于高电平1.8V时候，PART₁三栅电极导通。

sa₂是控制第二个神经元PART₂的三个栅电极导通的脉冲，开始直到2.8us为低电平0,然后按照脉冲宽度为0.4us，大小为1.8V,周期为2.4us的规律变化。当sa₂等于高电平1.8V时候，PART₂三个栅电极导通。

sa₃是控制第三个神经元PART₃的三个栅电极导通的脉冲，开始直到3.6us为低电平0,然后按照脉冲宽度为0.4us，大小为1.8V,周期为2.4us的规律变化。当sa₃等于高电平1.8V时候，PART₃三个栅电极导通。

sa₁m是sa₁脉冲的稍加调整的版本，共同作用于PART₁。开始直到2.1us为低电平0,然后按照脉冲宽度为0.3us，大小为1.8V,周期为2.4us的规律变化。作用：由于N_NEUMOS_1在sa₁导通的开始很短时间不能正常工作，所以我们就用稍加延后的sa₁m来控制PART₁输出P₁对cap1的充电行为，这样就可以保证在对cap₁充电时，P₁电压已经正常工作。

sa₂m是sa₂脉冲的稍加调整的版本，共同作用于PART₂。开始直到2.9us为低电平0,然后按照脉冲宽度为0.3us，大小为1.8V,周期为2.4us的规律变化。作用类似sa₁m。

sa₃m是sa₃脉冲的稍加调整的版本，共同作用于PART₃。开始直到3.7us为低电平0,然后按照脉冲宽度为0.3us，大小为1.8V,周期为2.4us的规律变化。作用类似sa₁m。

vslt_ij直流电压，用于选择电路中第i个神经元的第j条栅极是全正权值状态(vslt_ij等于0)，还是负权值的状态(vslt_ij等于1.8V)。vslt_ij是在sa₀,sa₁,sa₂,sa₃,sa₁m,sa₂m,sa₃m工作之前确定的。因为是它预先设置好整个霍普菲尔德电路的权值状态。我们在本例中选择所有的vslt为低电平0，也就是说本例实现的是全正权值型霍普菲尔德网络。

本实例中设定了上面的各控制电压和控制时钟之后，设置各个阻值如下：所有上拉电阻等于5K；R₁₁,R₂₁,R₃₁,R₁₂,R₂₂,R₃₂,R₁₃,R₂₃,R₃₃等于500k；M表示忆阻器，我们可以通过一定的手段对其进行编程，从而让它的阻值固定在我们希望的数值之上,本实例中我们设定：

M₁₁＝100,M₂₁＝1.2M,M₃₁＝1.5M

M₁₂＝1.2M,M₂₂＝100,M₃₂＝330k

M₁₃＝1.5M,M₂₃＝330k,M₃₃＝100

电阻单位为欧姆，反馈电容大小设定：cap₁,cap₂,cap₃均为5pf。

涉及到神经元场效应管的电容比值设定为0.3。神经元场效应管(以1号神经元场效应管为例)有下面的公式：

$\frac{C_i}{C}=0.3$

${\mathrm{Vg}}_1=\frac{0.3*M_{11}}{(R_{11}+M_{11})}{v}_{11}+\frac{0.3*M_{21}}{(R_{21}+M_{21})}{v}_{21}+\frac{0.3*M_{31}}{(R_{31}+M_{31})}{v}_{31}$

其中的v₁₁，v₂₁，v₃₁就是该时刻对应的P₁，P₂，P₃的值，也即：电容cap₁,cap₂,cap₃上面记忆的电压值v₁，v₂，v₃。本例中所有N_NEUMOS的阈值电压设定为0.6V，此值相当于单层霍普菲尔德模型中神经元的θ值。而单层霍普菲尔德模型中第i个神经元有：

∑＝W_i1*P₁+W_i2*P₂+W_i3*P₃

我们的设计中与之相对应的是(还是以1号神经元MOS管为例)：

$W_{11}=\frac{0.3*M_{11}}{(R_{11}+M_{11})},W_{12}=\frac{0.3*M_{21}}{(R_{21}+M_{21})},W_{13}=\frac{0.3*M_{31}}{(R_{31}+M_{31})}$

这三个值为1号神经元MOS管各栅极对应的权值。我们可以通过调节各个忆阻器的阻值来改变各个栅极的权值。简化起见，下文所说的权值矩阵是不计入0.3比值的权值。

只要Vg超过0.6V，N_NEUMOS就会像一般的nmos一样开启导通。最终由此拉升输出电压变为高电平。此过程就可以模拟神经元中：∑>θ时，神经元状态置为1的效果。

由这些电阻形成的权值矩阵为：

0	0.7	0.75
			0.7	0	0.4
0.75	0.4	0

现在我们随机以v₁＝0v,v₂＝0v,v₃＝1.8v也就是初值为(001)为例:也就是一开始控制sa₀为高电平时候，通过直流电压源v₁,v₂,v₃(大小分别为0v,0v,1.8V的直流电压)给电容cap₁,cap₂,cap₃充电至0V,0V,1.8V，然后sa₀变为0，使得由sa₀P,sa₀N控制的三个开关关闭，此时充电结束，三个电容被隔离起来，保持电压值。

在2.0us时刻，sa₁脉冲变为高，持续0.4us,此时PART₁的X₁₁,X₂₁,X₃₁三输入端导通，三个端口电压分别为电容cap₁,cap₂,cap₃的电压，由上面的公式得到：

Vg₁＝0.3*0*0+0.3*0.7*0+0.3*0.75*1.8＝0.405V

这个等式中各个求和项中开始的0.3是N_NEUMOS_1的电容比；各个求和项中间的0，0.7，0.75是第一个部分PART₁的权值。各个求和项中的末尾的0，0，1.8分别是此刻cap₁,cap₂,cap₃的电压值。

由于0.405<0.6,所以N_NEUMOS_1关闭，图7中Z₁电压被拉高，使得NMOS_1导通，P₁端拉低为低电平，大小等于0.5V左右，这是因为末端的固定电阻Rup₁₂和NMOS_1管开态电阻的分压效果,P₃电压会因为电容电荷的少量流失稍微下降一点。然后sa₁关闭，所以此时保持的状态用数字信号表示是001(真实电压大约是:v₁v₂v₃为0.5v,0v,1.7v)。

当sa₁刚关闭0.4us后，sa₂脉冲变为高，持续0.4us,此时同理：

Vg₂＝0.3*0.7*0.5+0.3*0*0+0.3*0.4*1.7＝0.31V

这个等式中各个求和项中开始的0.3是N_NEUMOS_2的电容比；各个求和项中间的0.7，0，0.4是第二个部分PART₂的权值。各个求和项中的末尾的0.5，0，1.7分别是此刻cap₁,cap₂,cap₃的电压值。

0.31v<0.6V,N_NEUMOS_2关闭，所以，最终导致P₂端是低电平，大小等于0.5V左右，原理同上。端口P₃保持原样。同时P₁端口电压也在作用于N_NEUMOS_2的过程中,由于短暂的放电原因电压下降了一点，然后sa₃关闭。此时保持的状态用数字信号表示是001(真实电压大约：v₁v₂v₃为0.5v,0.5v,1.6v)。

当sa₂刚关闭0.4us后，sa₃脉冲变为高，持续0.4us,此时同理有：

Vg₃＝0.3*0.75*0.5+0.3*0.4*0.5+0.3*0*1.6＝0.17V

这个等式中各个求和项中开始的0.3是N_NEUMOS_3的电容比；各个求和项中间的0,75，0.4，0是第三个部分PART₃的权值。各个求和项中的末尾的0.5，0.5，1.6分别是此刻cap₁,cap₂,cap₃的电压值。

0.17v<0.6V，N_NEUMOS_3关闭，所以，最终导致P₃端是低电平，大小等于0.5V左右，这是因为末端固定电阻Rup和NMOS_3管开态电阻的分压效果。其他两端P₁、P₂保持原样。然后sa₃关闭，此时保持的状态用数字信号表示是000(真实电压大约:v₁v₂v₃为0.5v,0.5v,0.5v)。

当sa₃刚关闭0.4us后，sa1脉冲变为高，持续0.4us,此时同理有：

Vg₁＝0.3*0*0.5+0.3*0.7*0.5+0.3*0.75*0.5＝0.22V

0.22v<0.6V N_NEUMOS_1关闭，所以，最终导致P₁端是低电平，大小等于0.5V左右，这是因为末端固定电阻Rup和NMOS_1管开态电阻的分压效果。其他两端P₁、P₂保持原样。然后sa₃关闭，此时保持的状态用数字信号表示是000(真实电压大约:v₁v₂v₃为0.5v,0.5v,0.5v)。

所以这之后状态将保持在000状态，这就是我们预先锁存在这个电路中的状态。其他情况都类似分析，通过整理，本例中各种起始状态转换情况如下表所示,其中的sa_{1_1}表示控制时钟sa₁的第一个脉冲，sa_{1_2}表示sa₁脉冲的第二个脉冲。

初始态	Sa1_1	Sa2_1	Sa3_1	Sa1_2
					000	000	000	000	000
001	001	001	000	000
					010	010	000	000	000
011	111	101	100	000
					100	000	000	000	000
101	001	001	000	000
					110	010	000	000	000
111	111	101	100	000

结果说明：我们设定的权值对应的稳定状态是000，也就是我们通过各个记忆片段最终都找到了000这个记忆全景。另外，如果我们给定的是随机更新的时钟脉冲，让每一步随机更新P_i中的某一个，得到的状态转换图如图10所示。

实施例二

设置所有vslt_ij为低电平0，使得权值矩阵全部为正值，再调节忆阻器阻值如下：

M₁₁＝100,M₂₁＝2.8M,M₃₁＝2M

M₁₂＝2.8M,M₂₂＝100,M₃₂＝2.8M

M₁₃＝2M,M₂₃＝2.8M,M₃₃＝100

电阻单位为欧姆，从而得到改变后的权值矩阵如下：

0	0.85	0.8
			0.85	0	0.85
0.8	0.85	0

仿真结果如下：

初始态	Sa1_1	Sa2_1	Sa3_1	Sa1_2
					000	000	000	000	000
001	001	001	000	000
					010	010	000	000	000
011	111	111	111	111
					100	000	000	000	000
101	001	001	000	000
					110	010	000	000	000
111	111	111	111	111

此实例说明：不同的初始态最终可能有多于一个的稳定态，这意味着：记忆片段追寻的结果可能有两个结果。另外，如果我们给定的是随机更新时钟脉冲，让每一步随机更新P_i中的某一个，得到的状态转换图如图11所示。

实施例三

如果想要有负权值，就让对应的vslt_ij等于1，本实例中令：vslt₁₂与vslt₂₁等于高电平1，这样就选中了N_NEUMOS_1中2号栅极与N_NEUMOS_2中1号栅极的负权值支路。各分支电阻如下：

M₁₂f＝250k,R₁₂f＝500k

M₂₁f＝250k,R₂₁f＝500k

电阻单位是欧姆，所以得到权值矩阵如下：

0	-0.5	0.8
			-0.5	0	0.85
0.8	0.85	0

然后分析参照实施例一。

测试结果如下：

初始态	Sa1_1	Sa2_1	Sa3_1	Sa1_2
					000	000	000	000	000
001	001	001	000	000
					010	010	000	000	000
011	011	001	000	000
					100	000	000	000	000
101	001	001	000	000
					110	010	000	000	000
111	011	001	000	000

如果我们给定的是随机更新时钟脉冲，让每一步随机更新P_i中的某一个，得到的状态转换图如图12所示。

Claims (9)

1.可编程离散霍普菲尔德网络电路，包括数字时钟模块，其特征在于，还包括N个霍普菲尔德反馈网络主体，所述霍普菲尔德反馈网络主体包括第一电源模块、可编程阈值电路、场效应管、反馈电容及第一传输门开关；

数字时钟模块，用于产生各种所需时钟对所有的传输门开关进行控制；

可编程阈值电路，用于模拟神经元，每一个可编程阈值电路的输出反向之后都反馈回所有的可编程阈值电路作为输入；

场效应管，用于将可编程阈值电路的输出电平进行反向；

第一传输门开关，用于控制反馈电容的输出及可编程阈值电路的输出反向之后的电平反馈回所有的可编程阈值电路；

所述可编程阈值电路中神经元场效应管的漏极输出连接到场效应管的栅极上，控制场效应管的的导通与关闭，所述反馈电容的一端接地，另一端与场效应管的漏极连接，所述反馈电容与场效应管的漏极连接的一端与第一电源模块连接，每一个可编程阈值电路对应N个权值选择电路及N个第一传输门开关，N为大于或等于2的正整数。

2.如权利要求1所述的可编程离散霍普菲尔德网络电路，其特征在于，所述霍普菲尔德反馈网络主体还包括第二传输门开关，所述反馈电容通过第二传输门开关与第一电源模块连接。

3.如权利要求1所述的可编程离散霍普菲尔德网络电路，其特征在于，所述可编程阈值电路包括权值选择电路，所述权值选择电路与所述可编程阈值电路中神经元场效应管的栅电极连接，所述权值选择电路的一条支路由一个电阻和一个忆阻器构成，用于形成具有正权值的栅电极连接；另一条支路由运放实现的反向比例器构成，用于形成具有负权值特性的栅电极连接。

4.如权利要求3所述的可编程离散霍普菲尔德网络电路，其特征在于，还包括第三传输门开关模块，用于控制选择权值选择电路的一条支路连接到可编程阈值电路中神经元场效应管的栅电极上，所述第三传输门开关模块包括两个传输门开关，分别设置在所述权值选择电路的两条支路上。

5.如权利要求1所述的可编程离散霍普菲尔德网络电路，其特征在于，还包括第二电源，所述场效应管的漏极与第二电源连接。

6.如权利要求5所述的可编程离散霍普菲尔德网络电路，其特征在于，还包括第一上拉电阻，所述可编程阈值电路中神经元场效应管为N型神经元场效应管，所述场效应管为N型场效应管，所述N型场效应管的漏极通过第一上拉电阻与所述第二电源连接。

7.如权利要求5所述的可编程离散霍普菲尔德网络电路，其特征在于，还包括第一下拉电阻，所述可编程阈值电路中神经元场效应管为N型神经元场效应管，所述场效应管为P型场效应管，所述P型场效应管的漏极通过第一下拉电阻接地。

8.如权利要求5所述的可编程离散霍普菲尔德网络电路，其特征在于，还包括第二上拉电阻，所述可编程阈值电路中神经元场效应管为P型神经元场效应管，所述场效应管为N型场效应管，所述N型场效应管的漏极通过第二上拉电阻与所述第二电源连接。

9.如权利要求5所述的可编程离散霍普菲尔德网络电路，其特征在于，还包括第二下拉电阻，所述可编程阈值电路中神经元场效应管为P型神经元场效应管，所述场效应管为P型场效应管，所述P型场效应管的漏极通过第二下拉电阻接地。