CN104573238B - 一种忆阻细胞神经网络的电路设计方法 - Google Patents
一种忆阻细胞神经网络的电路设计方法 Download PDFInfo
- Publication number
- CN104573238B CN104573238B CN201510009830.5A CN201510009830A CN104573238B CN 104573238 B CN104573238 B CN 104573238B CN 201510009830 A CN201510009830 A CN 201510009830A CN 104573238 B CN104573238 B CN 104573238B
- Authority
- CN
- China
- Prior art keywords
- memristor
- neural network
- circuit
- cell
- cellular neural
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000013461 design Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 title claims abstract description 7
- 230000001413 cellular effect Effects 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 14
- 230000004907 flux Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 abstract 2
- 210000004027 cell Anatomy 0.000 description 26
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 239000003990 capacitor Substances 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 241000218993 Begonia Species 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Logic Circuits (AREA)
- Semiconductor Memories (AREA)
Abstract
一种忆阻细胞神经网络的电路设计方法，通过构建一个新的三维细胞神经网络，利用忆阻器的非线性特性实现细胞神经网络的输出模块，替换传统细胞神经网络电路中的电阻，得出一个三维的忆阻细胞神经网络。采用Multisim通用电路元件构建磁控忆阻等效电路，将其应用到传统细胞神经网络电路中后，对整体忆阻细胞神经网络电路进行分析得出有混沌现象的系统。本发明方法不仅简化了输出模块电路，而且避免了电阻的一些限制条件，使其实现起来更简洁。本发明充分体现了忆阻器的非线性和记忆特性的优势，用忆阻实现的细胞神经网络系统具有良好的智能特性和潜在应用前景。
Description
技术领域
本发明属于非线性动力学和神经网络领域，特别涉及忆阻器等效电路构建和系统多参数控制技术。
背景技术
1971年，美国华裔教授蔡少棠(Chua)根据电路变量完备性理论首次提出了忆阻器(Memristor)，创造性地将磁通和电荷关系通过该新型元件有机联系起来，这是继电阻、电容、电感三大电路基本元件外的第四类电路元件。2008年美国惠普(HP)实验室Strukov等利用钛的氧化物薄膜，成功研制出一种非线性的无源二端的忆阻器的纳米模型，将Chua理论在实际应用中得以实现。由于忆阻器其特殊的记忆和非线性特性，近年来国内外广大学者从数学和物理的角度探索不同模型的忆阻器的性质及应用。
细胞神经网络(Cellular Neural Network,CNN)由Chua和Yang于1988年提出，是一种局部互连、双值输出的信号非线性模拟处理器，具有连续实时、能高速并行计算、适用于超大规模集成电路(Very Large Scale Integration,VLSI)实现等特点。二十多年来CNN研究的成果已广泛应用于生物医学、图像处理、自动控制、模式识别、信号处理、保密通信等诸多领域。CNN电路的理论设计和硬件实现是依据人脑生物神经网络对信息处理机制的简化模拟，与生物神经元不同，CNN细胞神经元之间的联系主要由权值模板控制，模板的不同体现出的非线性特征也各异，而具有记忆特性的忆阻器可被应用于神经元与神经元之间的机能连接点(突触)，芬兰图尔库大学Krieg用SPICE模拟仿真忆阻模型，将其应用到CNN细胞的权值电路中，日本福冈工业大学Itoh和Chua将分段线性忆阻应用到细胞自动机中实现逻辑运算和图像处理等功能。大量研究表明用忆阻实现的CNN表现出了良好的智能特性和潜在应用前景。
发明内容
本发明的目的是提出一种新型忆阻细胞神经网络的电路设计方法，在传统细胞神经网络的基础上，利用忆阻器的非线性特性实现细胞神经网络的输出模块，替换传统细胞神经网络电路中的电阻得出一个三维的新型忆阻细胞神经网络。本发明将传统细胞神经网络电路降低了复杂度，省略了电路电阻的一些约束条件，使整体电路集成度更高，实现起来更简单。
本发明是通过一下技术方案实现的。
本发明包括以下步骤：
(S1)根据传统细胞神经网络模型，构建一个新的三维细胞神经网络，通过调节参数设置使系统呈现混沌现象。
(S2)采用Multisim通用电路元件构建(S1)中设计的三维细胞神经网络电路。
(S3)基于分段线性磁控忆阻器模型，通过设置相应参数使得与(S1)中构建的三维细胞神经网络的非线性输出函数相对应。
(S4)在(S1)构建的三维细胞神经网络系统方程中，利用(S3)设计的忆阻器模型替换传统非线性输出部分，得到新的忆阻三维细胞神经网络模型。
(S5)采用Multisim通用电路元件构建(S3)中设计的磁控忆阻等效电路。
(S5)在传统三维细胞神经网络电路(S2)中，采用(S5)设计的忆阻器等效电路替换(S2)中非线性输出部分的电阻，用电路设计仿真方式验证(S4)设计的新型忆阻细胞神经网络的混沌现象。
进一步说，本发明的具体步骤如下：
步骤1：传统三维细胞神经网络系统模型的构建。
细胞单元C(i,j)的状态方程为：
其中，其中，vukl(t)表示细胞单元的输入，vxij(t)表示细胞单元的状态，vykl(t)表示细胞单元的输出，B(i,j；k,l)表示电路控制模板，A(i,j；k,l)表示电路反馈模板。图1为一个细胞神经元的等效电路图，其包含电容、电阻、控制电源及独立电源。
对于3×3的三维CNN来说，系统功能是由A、B和I这21个参数的设置确定，假设定义：
本发明引入简化的无量纲CNN模型，其状态方程描述如下：
当系统方程(3)变为：
系统的Lyapunov指数为L1＝0.5359,L2＝-0.0442,L3＝-2.9616，Lyapunov维数为DL＝2.1660，对系统进行数值仿真得到的运动轨迹相图如图2所示。
步骤2：忆阻模型的构建。
分段线性磁控忆阻模型为：
忆导值为：
选取c＝1,d＝0，则忆阻模型为：
忆导为：
很显然，忆导与磁通非线性关系为分段线性函数，恰好与CNN输出函数具有相同的性质，且自变量均在-1到1区间，导数都为1，当自变量大于1时，函数值为1，小于1时，函数值为-1。
步骤3：新型忆阻细胞神经网络系统的构建。
本发明将忆阻替换输出模块中的一个电阻，结合线性电导Gc和一个运算放大器构成一个反相放大器，实现一种新的细胞单元电路，忆阻内部状态取决于所连细胞单元的状态变量xj，细胞单元的输出函数重写为：
每个细胞的输出都使用忆阻后，忆阻内部的磁通量为对应细胞状态xj对时间的积分，忆导值为磁通量的函数，输出函数中的忆阻用忆导值表示。改进后的忆阻CNN细胞单元电路如图3所示，图3中共使用6个电阻，3个运算放大器，1个忆阻器，1个电容，和1个新型的有记忆特性的元件，即忆阻器。
将忆阻应用到CNN系统后，系统(4)转化为：
其中Gc设置为1。用MATLAB数值仿真得到的混沌吸引子如图4所示。忆阻CNN系统与一般的CNN系统有不同的动力学特性，不仅电路参数的变化会导致电路的特性的变化，且忆阻器的初始状态也会影响电路特性，因为忆阻具有独特的记忆特性，这种记忆特性会导致在系统关闭后重新启动展示新的混沌行为。
步骤4：忆阻器模拟等效电路的设计。
采用Multisim通用电路元件针对忆阻模型(10)的电路设计。
步骤5：新型忆阻细胞神经网络电路的设计。
本发明采用忆阻器替换传统CNN中的输出函数模块，设计了一种新的忆阻CNN电路，通过各个细胞状态控制忆阻器的内部磁通量变化，从而达到控制忆阻忆导值的变化，即细胞状态输出变化，再反馈到细胞的状态中。
附图说明
图1为传统CNN电路单元图。
图2为本发明提出的新的三维传统CNN系统数值仿真的混沌吸引子图。
图3为本发明提出的应用忆阻器后的改进忆阻CNN电路单元图。
图4为本发明提出的三维忆阻CNN系统数值仿真的混沌吸引子图。
图5为本发明提出的忆阻器模拟等效电路图。
图6为本发明提出的整体忆阻CNN电路图。
图7为本发明提出的三维忆阻CNN系统的电路仿真实验x1-x2波形图。
图8为本发明提出的三维忆阻CNN系统的电路仿真实验x1-x3波形图。
图9为本发明提出的三维忆阻CNN系统的电路仿真实验x2-x3波形图。
具体实施方式
以下将结合附图对本发明作进一步的详细描述。
实施例1：设计实现忆阻模拟等效电路。
本发明采用Multisim通用电路元件构建磁控分段线性忆阻模型，忆阻模拟等效电路，如图5所示。电路中电容C1上的电压等效为忆阻器内部流过的磁通量根据磁通量的定义，磁通量为状态xj对时间t的积分，当流过忆阻内部的磁通时，窗口比较器CW的开关导通，忆阻的电导值为1；当流过忆阻内部的磁通时，窗口比较器CW的开关断开，忆阻的电导值为为0。
实施例2：设计实现新型忆阻细胞神经网络电路。
本发明利用忆阻器模拟等效电路作为一个子模块替换传统电路中的一个电阻得到新型忆阻细胞神经网络电路，整体电路如图6所示。电路中三个细胞x1,x2,x3的状态变量分别对应于电路中电容C2,C3,C4上的电压，每个忆阻器的忆导值依据对应细胞的状态变化而变化。忆阻CNN电路的状态方程可写为：
电路图6中电阻、电容等各个元器件参数值分别设置为：
细胞1：
Rf1＝R6＝R7＝100kΩ，R11＝50kΩ，R12＝33.33kΩ，R13＝16.13kΩ，R14＝33.11kΩ，R15＝23.69kΩ，
R5＝5kΩ，Gc1＝10kΩ，C2＝50nF。
细胞2：
Rf2＝R21＝R23＝R26＝R27＝100kΩ，R22＝1250kΩ，R25＝5kΩ，Gc2＝10kΩ，C3＝50nF。
细胞3：
Rf3＝R35＝R36＝R37＝100kΩ，R31＝135.14kΩ，R32＝714.29kΩ，R33＝10.73kΩ，R34＝77.5kΩ，Gc3＝10kΩ，C4＝50nF。
忆阻器：
Rm1＝Rm2＝Rm3＝Rm4＝Rm5＝100kΩ，Rm6＝5kΩ，Rm7＝Rm8＝1kΩ，Rm9＝1000kΩ，C1＝50nF。
图5和图6中放大器均采用的是LF347，忆阻器等效电路中窗口比较器采用的是LM339AD，电压为1.9V，开关采用的是集成开关ADG201AKN，电源电压为±15V，仿真结果用示波器显示，如图7、图8、图9所示。
Claims (1)
1.一种忆阻细胞神经网络的电路设计方法，其特征是包括以下步骤：
(S1)根据传统细胞神经网络模型，构建一个三维细胞神经网络，通过调节参数设置使系统呈现混沌现象；
(1)传统的细胞神经网络(CNN)单元C(i,j)的状态方程表示为：
其中，vukl(t)表示细胞单元的输入，vxij(t)表示细胞单元的状态，vykl(t)表示细胞单元的输出，B(i,j；k,l)表示电路控制模板，A(i,j；k,l)表示电路反馈模板；
(2)对于3×3的三维CNN引入简化的无量纲CNN模型，每个细胞单元都设置了三个对应的输入项：
其中f(xk)为非线性输出项；
(3)当调整参数为时，可以得到具有混沌现象的方程：
以上无量纲的CNN方程中每个细胞单元分别设置了一个非线性输出项f(xi),i＝1,2,3；
(S2)采用Multisim通用电路元件构建(S1)中设计的三维细胞神经网络电路；
(S3)基于分段线性磁控忆阻器模型，通过设置相应参数使得与(S1)中构建的三维细胞神经网络的非线性输出函数相对应；
忆阻内部状态取决于所连细胞单元的状态变量xj，细胞单元的非线性输出函数重写为：
其中，为磁通量，Gc为线性电导。
(S4)在(S1)构建的三维细胞神经网络系统方程中，利用(S3)设计的忆阻器模型替换传统非线性输出部分，得到新的忆阻三维细胞神经网络模型；
Gc设置为1；
(S5)采用Multisim通用电路元件构建(S3)中设计的磁控忆阻等效电路；
(S6)在传统三维细胞神经网络电路(S2)中，采用(S5)设计的忆阻器等效电路替换(S2)中非线性输出部分的电阻，用电路设计仿真方式验证(S4)设计的新型忆阻细胞神经网络的混沌现象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510009830.5A CN104573238B (zh) | 2015-01-09 | 2015-01-09 | 一种忆阻细胞神经网络的电路设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510009830.5A CN104573238B (zh) | 2015-01-09 | 2015-01-09 | 一种忆阻细胞神经网络的电路设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104573238A CN104573238A (zh) | 2015-04-29 |
| CN104573238B true CN104573238B (zh) | 2018-11-20 |
Family
ID=53089292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510009830.5A Active CN104573238B (zh) | 2015-01-09 | 2015-01-09 | 一种忆阻细胞神经网络的电路设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573238B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106301750B (zh) * | 2015-05-18 | 2019-01-04 | 江南大学 | 一种基于时滞忆阻混沌神经网络的保密通信方法 |
| CN104916313B (zh) * | 2015-06-16 | 2019-06-25 | 北京灵汐科技有限公司 | 基于忆阻器件的神经网络突触结构及突触权重构建方法 |
| CN106330426B (zh) * | 2015-06-30 | 2020-04-14 | 华为技术有限公司 | 网络装置、用于网络同步的方法、通信方法和设备 |
| CN105160401B (zh) * | 2015-08-27 | 2017-08-11 | 电子科技大学 | 一种基于忆阻器阵列的wta神经网络及其应用 |
| CN105224986B (zh) * | 2015-09-29 | 2018-01-23 | 清华大学 | 基于忆阻器件的深度神经网络系统 |
| CN105787866A (zh) * | 2016-04-01 | 2016-07-20 | 北京大学深圳研究生院 | 细胞单元的电路及神经细胞网络 |
| US11741352B2 (en) | 2016-08-22 | 2023-08-29 | International Business Machines Corporation | Area and power efficient implementation of resistive processing units using complementary metal oxide semiconductor technology |
| CN107085628A (zh) * | 2017-03-21 | 2017-08-22 | 东南大学 | 一种细胞神经网络可调权值模块仿真方法 |
| CN107016200B (zh) * | 2017-04-14 | 2021-05-04 | 江西理工大学 | 一种基于磁控忆阻器的光滑细胞神经网络的电路设计方法 |
| CN108762067A (zh) * | 2018-04-28 | 2018-11-06 | 南京理工大学 | 一种忆阻神经网络的网络化同步控制设备和获取方法 |
| CN108804786B (zh) * | 2018-05-26 | 2022-04-15 | 江西理工大学 | 一种联想神经网络突触权值可塑的忆阻模型电路设计方法 |
| CN110956250A (zh) * | 2018-09-27 | 2020-04-03 | 常州星宇车灯股份有限公司 | 一种具有共存多吸引子的双忆阻Hopfield神经网络模型 |
| CN111048135A (zh) * | 2018-10-14 | 2020-04-21 | 天津大学青岛海洋技术研究院 | 一种基于忆阻器内存计算的cnn处理装置及其工作方法 |
| CN109359400B (zh) * | 2018-10-25 | 2023-08-15 | 江西理工大学 | 一种基于DSP Builder的异构双磁控忆阻器模型数字化电路设计方法 |
| CN111680687B (zh) * | 2020-06-09 | 2022-05-10 | 江西理工大学 | 一种应用于乳腺x线图像异常识别的深度融合分类方法 |
| CN113054947B (zh) * | 2021-03-15 | 2023-09-22 | 常州大学 | 一种ReLU型忆阻模拟器 |
| CN113162597B (zh) * | 2021-04-28 | 2022-04-29 | 湘潭大学 | 一种双模簇发振荡的分段线性忆阻系统 |
| CN115903511B (zh) * | 2022-12-08 | 2023-05-19 | 盐城工学院 | 一种随机忆阻神经网络的自适应指数同步控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103294872A (zh) * | 2013-06-24 | 2013-09-11 | 杭州电子科技大学 | 一种忆阻器等效电路及其构建方法 |
| CN103810497A (zh) * | 2014-01-26 | 2014-05-21 | 华中科技大学 | 一种基于忆阻器的图像识别系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE60107529D1 (de) * | 2001-01-12 | 2005-01-05 | St Microelectronics Srl | Chaotische Signale verwendendes Kommunikationsverfahren |
-
2015
- 2015-01-09 CN CN201510009830.5A patent/CN104573238B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103294872A (zh) * | 2013-06-24 | 2013-09-11 | 杭州电子科技大学 | 一种忆阻器等效电路及其构建方法 |
| CN103810497A (zh) * | 2014-01-26 | 2014-05-21 | 华中科技大学 | 一种基于忆阻器的图像识别系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| "忆阻混沌振荡器的动力学分析";包伯成等;《物理学报》;20100615;第59卷(第6期);第3785-3793页 * |
| "忆阻细胞神经网络及图像去噪和边缘提取中的应用";高士咏等;《西南大学学报（自然科学版）》;20111130;第33卷(第11期);第63-70页 * |
| "改进型细胞神经网络实现的忆阻器混沌电路";李志军等;《物理学报》;20131122;第63卷(第1期);正文第1-7页第1-5节，图3-7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104573238A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573238B (zh) | 一种忆阻细胞神经网络的电路设计方法 | |
| Xu et al. | Locally active memristor-based neuromorphic circuit: Firing pattern and hardware experiment | |
| Bao et al. | Memristive cyclic three-neuron-based neural network with chaos and global coexisting attractors | |
| Ding et al. | Memristor synapse-coupled piecewise-linear simplified Hopfield neural network: Dynamics analysis and circuit implementation | |
| Abdurahman et al. | Finite-time synchronization for memristor-based neural networks with time-varying delays | |
| Bao et al. | Memristive neuron model with an adapting synapse and its hardware experiments | |
| Wu et al. | Exponential stabilization of memristive neural networks with time delays | |
| Wang et al. | Event-based sliding-mode synchronization of delayed memristive neural networks via continuous/periodic sampling algorithm | |
| Wang et al. | Fixed-time synchronization of fractional order memristive MAM neural networks by sliding mode control | |
| CN105160401A (zh) | 一种基于忆阻器阵列的wta神经网络及其应用 | |
| CN105224986A (zh) | 基于忆阻器件的深度神经网络系统 | |
| Wang et al. | Finite/fixed-time synchronization of delayed memristive reaction-diffusion neural networks | |
| Shang et al. | A memristor-based circuit design for generalization and differentiation on Pavlov associative memory | |
| Bao et al. | Bifurcation analysis and circuit implementation for a tabu learning neuron model | |
| CN107016200A (zh) | 一种基于磁控忆阻器的光滑细胞神经网络的电路设计方法 | |
| Mou et al. | A novel memcapacitive-synapse neuron: Bionic modeling, complex dynamics analysis and circuit implementation | |
| CN110097182A (zh) | 用神经激活梯度λ控制的三维Hopfield神经网络模型实现电路 | |
| CN113344191B (zh) | 具有超级多稳定性的连续型Rulkov电子神经元电路 | |
| Qin et al. | Finite-time projective synchronization of memristor-based neural networks with leakage and time-varying delays | |
| Wang et al. | Dynamical analysis in dual-memristor-based FitzHugh–Nagumo circuit and its coupling finite-time synchronization | |
| CN110956250A (zh) | 一种具有共存多吸引子的双忆阻Hopfield神经网络模型 | |
| Donahue et al. | Design and analysis of neuromemristive echo state networks with limited-precision synapses | |
| CN114936626A (zh) | 一种用于离散神经元网络的初值控制方法 | |
| CN110399648A (zh) | 一种用理想忆阻耦合强度控制的三维hnn模型实现电路 | |
| CN114169511A (zh) | 一种基于实物忆阻器的联想记忆电路及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |