CN106067064A - 基于rbf的函数逼近器系统 - Google Patents
基于rbf的函数逼近器系统 Download PDFInfo
- Publication number
- CN106067064A CN106067064A CN201610385145.7A CN201610385145A CN106067064A CN 106067064 A CN106067064 A CN 106067064A CN 201610385145 A CN201610385145 A CN 201610385145A CN 106067064 A CN106067064 A CN 106067064A
- Authority
- CN
- China
- Prior art keywords
- transistor
- collector
- emitter
- base
- circuit
- 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
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 195
- 210000002569 neuron Anatomy 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 5
- 238000013459 approach Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OUXCBPLFCPMLQZ-WOPPDYDQSA-N 4-amino-1-[(2r,3s,4s,5r)-4-hydroxy-5-(hydroxymethyl)-3-methyloxolan-2-yl]-5-iodopyrimidin-2-one Chemical compound C[C@H]1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)N=C(N)C(I)=C1 OUXCBPLFCPMLQZ-WOPPDYDQSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Amplifiers (AREA)
Abstract
本发明涉及一种基于RBF的函数逼近器系统。利用开平方根电路、类高斯函数产生电路以及Gilbert乘法器等基本电路单元,设计了一个基于RBF的函数逼近器系统;通过给定适当的外界偏置电压,可实现函数逼近的功能。本发明可集成为专用的神经网络芯片,具有体积小、便携带、可嵌入等优点,可以实现高度的并行计算,克服了软件实现函数逼近器的体积大、不易携带、不易嵌入、运算速度慢的缺陷;此外,本发明扩展性能好,可用于解决更复杂函数的逼近问题;本发明凭借其可嵌入性、便携性、高速性、可扩展的优点,有望在函数逼近等人工智能领域得到广泛的应用。
Description
技术领域
本发明涉及一种基于RBF的函数逼近器系统。
背景技术
RBF(径向基函数,Radial Basic Function)神经网络的理论模型在函数逼近、模式分类等人工智能领域得到了广泛的应用,但目前还主要集中在传统的计算机的软件模拟实现上。RBF神经网络在软件上的实现都是采用通用CPU处理器,不方便嵌入到别的应用系统中去,并且依靠体积巨大的通用计算机系统完成学习运算,不具备便携性。在运算过程中,CPU往往是要等到RBF的神经元一个接一个地计算完之后,再计算总的结果,采用的是串行计算方式,速度较慢。因此,RBF神经网络的软件实现难以满足其在人工智能应用领域高速、便携、可嵌入等方面的要求。
RBF神经网络的硬件实现,可以集成为专用的神经网络芯片,具有体积小、携带方便的特点,容易嵌入到其它系统中实现专用功能。此外,它还可以实现高度的并行计算,克服了在软件上实现RBF神经网络的缺陷。因此,RBF神经网络的硬件实现研究具有重要意义。
发明内容
本发明的目的在于提供一种基于RBF的函数逼近器系统,具有体积小、便携带、可嵌入等优点,可以实现高度的并行计算,克服了软件实现函数逼近器的体积大、不易携带、不易嵌入、运算速度慢的缺陷。
为实现上述目的,本发明的技术方案是:一种基于RBF的函数逼近器系统,包括第一RBF神经元电路模块、第二RBF神经元电路模块以及第一至第三Gilbert 乘法器;所述第一RBF神经元电路模块包括依次连接的第四Gilbert 乘法器、第一开平方根电路和第一类高斯电路,所述第一开平方根电路与第一类高斯电路的连接处经第一电阻连接至GND,所述第二RBF神经元电路模块包括依次连接的第五Gilbert 乘法器、第二开平方根电路和第二类高斯电路,所述第二开平方根电路与第二类高斯电路的连接处经第二电阻连接至GND,所述第一Gilbert 乘法器的第一输入端与第一类高斯电路的输出端、第三电阻的一端连接,所述第一Gilbert 乘法器的第二输入端与第三电阻的另一端连接至GND,所述第三Gilbert乘法器的第一输入端与第二类高斯电路的输出端、第四电阻的一端连接,所述第三Gilbert乘法器的第二输入端与第四电阻的另一端连接至GND;所述第四Gilbert 乘法器的第一输入端、第四Gilbert 乘法器的第一控制端、第五Gilbert 乘法器的第一输入端、第五Gilbert 乘法器的第一控制端相连接作为所述函数逼近器的输入端,所述第四Gilbert 乘法器的第二输入端及第四Gilbert 乘法器的第二控制端、第五Gilbert 乘法器的第二输入端及第五Gilbert 乘法器的第二控制端、第一类高斯电路的第一控制端及第二类高斯电路的第一控制端、第一类高斯电路的第二控制端及第二类高斯电路的第二控制端、第一Gilbert 乘法器的第一控制端、第一Gilbert 乘法器的第二控制端、第二Gilbert 乘法器的第一控制端、第二Gilbert 乘法器的第二控制端、第三Gilbert 乘法器的第一控制端、第三Gilbert 乘法器的第二控制端、第二Gilbert 乘法器的第一输入端分别作为所述函数逼近器的第一至第十一控制端,所述第二Gilbert 乘法器的第二输入端连接至GND,所述第一Gilbert 乘法器的输出端、第二Gilbert 乘法器的输出端及第三Gilbert 乘法器的输出端相连接作为所述函数逼近器的输出端。
在本发明一实施例中,所述函数逼近器的第一控制端、函数逼近器的第二控制端分别表示两个类高斯函数的中心,即控制输入-隐含层权值;所述函数逼近器的第三控制端、函数逼近器的第四控制端分别用来控制两个类高斯函数的形状,即控制输入-隐含层阈值;所述函数逼近器的第五控制端及第六控制端、函数逼近器的第七控制端及第八控制端、函数逼近器的第九控制端及第十控制端分别用来控制三个隐含-输出层权值;所述函数逼近器的第十一控制端用来控制隐含-输出层阈值。
在本发明一实施例中,所述函数逼近器的的输入端用于输入数据,完成RBF神经网络中输入层的功能;所述第一RBF神经元电路模块实现的计算形式,完成RBF神经网络中隐含层的功能,其中,C和D均为大于零的常数,和分别为所述函数逼近器的输入端输入信号和函数逼近器的第一控制端输入信号,所述第二RBF神经元电路模块实现功能与第一RBF神经元电路模块相同;所述第一至第三Gilbert 乘法器用于对隐含层输出进行加权求和运算,即,其中,k1、k2、k3均为常数,和分别为第一RBF神经元电路模块的输出和第二RBF神经元电路模块的输出,最终由所述函数逼近器的输出端输出函数逼近值,完成RBF神经网络中输出层的功能。
在本发明一实施例中,所述第一Gilbert 乘法器包括第一至第十七晶体管,所述第一至第六晶体管的发射极连接至电源端,所述第一晶体管的基极、第二晶体管的基极、第二晶体管的集电极与第七晶体管的集电极连接,所述第一晶体管的集电极、第九晶体管的发射极、第十晶体管的发射极相连接,所述第三晶体管的基极、第三晶体管的集电极、第四晶体管的基极与第八晶体管的集电极连接,所述第四晶体管的集电极、第十一晶体管的发射极、第十二晶体管的发射极相连接,所述第五晶体管的基极、第五晶体管的集电极、第六晶体管的基极与第十四晶体管的集电极连接,所述第六晶体管的集电极与第十七晶体管的集电极相连接并作为所述第一Gilbert 乘法器的输出端,所述第七晶体管的基极作为所述第一Gilbert 乘法器的第一控制端,所述第七晶体管的发射极、第八晶体管的发射极、第十三晶体管的集电极连接,所述第八晶体管的基极作为所述第一Gilbert 乘法器的第二控制端,所述第九晶体管的基极、第十二晶体管的基极相连接作为所述第一Gilbert 乘法器的第一输入端,所述第九晶体管的集电极、第十一晶体管的集电极、第十四晶体管的基极、第十五晶体管的基极、第十五晶体管的集电极相连接,所述第十晶体管的基极、第十一晶体管的基极相连接作为所述第一Gilbert 乘法器的第二输入端,所述第十晶体管的集电极、第十二晶体管的集电极、第十六晶体管的集电极、第十六晶体管的基极、第十七晶体管的基极相连接,所述第十三晶体管的基极作为Vbias端,所述第十三晶体管的发射极、第十四晶体管的发射极、第十五晶体管的发射极、第十六晶体管的发射极、第十七晶体管的发射极相连接至GND;所述第二至第五Gilbert 乘法器的电路结构与所述第一Gilbert 乘法器电路结构相同。
在本发明一实施例中,所述第一Gilbert 乘法器的输出电流公式为:
其中,W表示晶体管沟道宽度,L表示晶体管沟道长度,表示晶体管单位面积栅氧电容,和分别表示空穴和电子的沟道迁移率,表示所述第一Gilbert 乘法器的第一控制端输入信号,表示所述第一Gilbert 乘法器的第二控制端输入信号,表示所述第一Gilbert 乘法器的第一输入端与第二输入端信号差值;
第七晶体管和第八晶体管具有相同的宽长比,第九至第十二晶体管具有相同的宽长比;
同理,所述第二、第三Gilbert 乘法器的输出电流公式与所述第一Gilbert 乘法器的输出电流公式相同。
在本发明一实施例中,所述第四Gilbert 乘法器的输出电流公式为:
其中,W表示晶体管沟道宽度,L表示晶体管沟道长度,表示晶体管单位面积栅氧电容,和分别表示空穴和电子的沟道迁移率,因第四Gilbert 乘法器的第一输入端与第四Gilbert 乘法器的第一控制端相连接,第四Gilbert 乘法器的第二输入端与第四Gilbert 乘法器的第二控制端相连接,故而用表示所述第四Gilbert 乘法器的第一输入端输入信号,表示所述第四Gilbert 乘法器的第二输入端输入信号;
同理,所述第五Gilbert 乘法器的输出电流公式与所述第四Gilbert 乘法器的输出电流公式相同。
在本发明一实施例中,所述第一开平方根电路包括第十八至第二十六晶体管,所述第十八晶体管的集电极、第十九晶体管的基极、第二十一晶体管的基极相连接作为所述第一开平方根电路的输入端,所述第十八晶体管的基极、第十九晶体管的发射极、第二十四晶体管的集电极、第二十六晶体管的基极相连接,所述第十八晶体管的发射极、第二十晶体管的发射极、第二十四晶体管的发射极、第二十五晶体管的发射极、第二十六晶体管的发射极相连接至GND,所述第十九晶体管的集电极、第二十二晶体管的发射极、第二十三晶体管的发射极相连接至电源端,所述第二十晶体管的基极、第二十晶体管的集电极与第二十一晶体管的发射极连接,所述第二十一晶体管的集电极与第二十二晶体管的集电极连接,所述第二十二晶体管的基极与第二十三晶体管的基极连接,所述第二十三晶体管的集电极、第二十五晶体管的集电极、第二十六晶体管的集电极相连接作为所述第一开平方根电路的输出端,所述二十四晶体管的基极与第二十五晶体管的基极相连接作为所述第一开平方根电路的Vb端;所述第二开平方根电路的电路结构与所述第一开平方根电路的电路结构相同。
在本发明一实施例中,所述第一开平方根电路的输出电流公式为:
其中,,第二十晶体管与第二十一晶体管的宽长比是第十八晶体管与第十九晶体管的宽长比的四倍;
同理,所述第二开平方根电路的输出电流公式与所述第一开平方根电路的输出电流公式相同。
在本发明一实施例中,所述第一类高斯函数电路包括第二十七至第五十二晶体管,所述第二十七晶体管的发射极、第二十八晶体管的发射极、第三十五晶体管的发射极、第三十六晶体管的发射极、第三十七晶体管的发射极、第三十八晶体管的发射极、第三十九晶体管的发射极、第四十晶体管的发射极、第四十一晶体管的发射极、第四十二晶体管的发射极相连接至电源端,第二十七晶体管的基极、第二十七晶体管的集电极、第二十八晶体管的基极、第二十九晶体管的发射极相连接,所述第二十八晶体管的集电极与第三十晶体管的发射极连接,所述第二十九晶体管的基极、第二十九晶体管的集电极、第三十晶体管的基极、第三十一晶体管的集电极、第三十一晶体管的基极、第三十二晶体管的基极相连接,所述第三十晶体管的集电极、第四十七晶体管的集电极、第四十七晶体管的基极、第四十八晶体管的基极、第四十九晶体管的基极相连接,所述第三十一晶体管的发射极、第三十三晶体管的集电极、第三十三晶体管的基极、第三十四晶体管的基极相连接,所述第三十二晶体管的集电极、第三十五晶体管的基极、第三十五晶体管的集电极、第三十六晶体管的基极、第四十一晶体管的基极、第四十二晶体管的基极相连接,所述第三十二晶体管的发射极与第三十四晶体管的集电极连接,所述第三十三晶体管的发射极、第三十四晶体管的发射极、第五十晶体管的发射极、第五十一晶体管的发射极、第五十二晶体管的发射极相连接至GND,所述第三十六晶体管的集电极、第三十七晶体管的基极、第三十八晶体管的基极相连接,所述第三十七晶体管的集电极、第四十三晶体管的集电极、第四十五晶体管的集电极相连接,所述第三十八晶体管的集电极、第三十九晶体管的集电极、第四十二晶体管的集电极相连接作为所述第一类高斯函数电路的输出端,所述第三十九晶体管的基极、第四十晶体管的基极、第四十一晶体管的集电极相连接,所述第四十晶体管的集电极、第四十四晶体管的集电极、第四十六晶体管的集电极相连接,所述第四十三晶体管的基极、第四十六晶体管的基极相连接作为所述第一类高斯函数电路的输入端,所述第四十三晶体管的发射极、第四十四晶体管的发射极、第四十八晶体管的集电极相连接,所述第四十四晶体管的基极作为所述第一类高斯函数电路的第一控制端,所述第四十五晶体管的基极作为所述第一类高斯函数电路的第二控制端,所述第四十五晶体管的发射极、第四十六晶体管的发射极、第四十九晶体管的集电极相连接,所述四十七晶体管的发射极、第五十晶体管的集电极、第五十晶体管的基极、第五十一晶体管的基极、第五十二晶体管的基极相连接,所述第四十八晶体管的发射极与第五十一晶体管的集电极连接,所述第四十九晶体管的发射极与第五十二晶体管的集电极连接;所述第一类高斯函数电路的电路结构与所述第一类高斯函数电路的电路结构相同。
在本发明一实施例中,所述第一类高斯函数电路的输出电流公式为:
其中,,μ为沟道迁移率,表示为所述第一类高斯函数电路的第一控制端的输入信号,表示为所述第一类高斯函数电路的第二控制端的输入信号,表示为所述第一类高斯函数电路的输入端的输入信号,为第三十晶体管的集电极流至第四十七晶体管的集电极的电流大小;
第三十六至第四十一晶体管具有相同的宽长比,且是第三十五晶体管宽长比的倍,第四十二晶体管的宽长比是第三十五晶体管宽长比的c倍,第四十八至第五十二晶体管具有相同的宽长比,并且是第四十七晶体管及第五十晶体管宽长比的倍;
所述第二类高斯函数电路的输出电流公式与所述第一类高斯函数电路的输出电流公式相同。
相较于现有技术,本发明具有以下有益效果:本发明通过给定适当的外界偏置电压,可实现函数逼近的功能,且本发明可集成为专用的神经网络芯片,具有体积小、便携带、可嵌入等优点,可以实现高度的并行计算,克服了软件实现函数逼近器的体积大、不易携带、不易嵌入、运算速度慢的缺陷;此外,本发明扩展性能好,可用于解决更复杂函数的逼近问题;另外,本发明凭借其可嵌入性、便携性、高速性、可扩展的优点,有望在函数逼近等人工智能领域得到广泛的应用。
附图说明
图1为函数逼近器的示意图。
图2为函数逼近器的原理图。
图3为Gilbert乘法器的晶体管级电路图。
图4为开平方根电路的晶体管级电路图。
图5类高斯函数产生电路的晶体管级电路图。
图6类高斯函数产生电路的仿真图。
图7类高斯函数产生电路的仿真波形与理想高斯函数对比图。
图8为函数逼近器的余弦函数逼近仿真图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1-2所示,本发明一种基于RBF的函数逼近器系统,包括第一RBF神经元电路模块、第二RBF神经元电路模块以及第一至第三Gilbert 乘法器;所述第一RBF神经元电路模块包括依次连接的第四Gilbert 乘法器、第一开平方根电路和第一类高斯电路,所述第一开平方根电路与第一类高斯电路的连接处经第一电阻连接至GND,所述第二RBF神经元电路模块包括依次连接的第五Gilbert 乘法器、第二开平方根电路和第二类高斯电路,所述第二开平方根电路与第二类高斯电路的连接处经第二电阻连接至GND,所述第一Gilbert 乘法器的第一输入端与第一类高斯电路的输出端、第三电阻的一端连接,所述第一Gilbert乘法器的第二输入端与第三电阻的另一端连接至GND,所述第三Gilbert 乘法器的第一输入端与第二类高斯电路的输出端、第四电阻的一端连接,所述第三Gilbert 乘法器的第二输入端与第四电阻的另一端连接至GND;所述第四Gilbert 乘法器的第一输入端、第四Gilbert 乘法器的第一控制端、第五Gilbert 乘法器的第一输入端、第五Gilbert 乘法器的第一控制端相连接作为所述函数逼近器的输入端,所述第四Gilbert 乘法器的第二输入端及第四Gilbert 乘法器的第二控制端、第五Gilbert 乘法器的第二输入端及第五Gilbert 乘法器的第二控制端、第一类高斯电路的第一控制端及第二类高斯电路的第一控制端、第一类高斯电路的第二控制端及第二类高斯电路的第二控制端、第一Gilbert 乘法器的第一控制端、第一Gilbert 乘法器的第二控制端、第二Gilbert 乘法器的第一控制端、第二Gilbert 乘法器的第二控制端、第三Gilbert 乘法器的第一控制端、第三Gilbert 乘法器的第二控制端、第二Gilbert 乘法器的第一输入端分别作为所述函数逼近器的第一至第十一控制端,所述第二Gilbert 乘法器的第二输入端连接至GND,所述第一Gilbert 乘法器的输出端、第二Gilbert 乘法器的输出端及第三Gilbert 乘法器的输出端相连接作为所述函数逼近器的输出端。
在本发明中,所述函数逼近器的第一控制端、函数逼近器的第二控制端分别表示两个类高斯函数的中心,即控制输入-隐含层权值;所述函数逼近器的第三控制端、函数逼近器的第四控制端分别用来控制两个类高斯函数的形状,即控制输入-隐含层阈值;所述函数逼近器的第五控制端及第六控制端、函数逼近器的第七控制端及第八控制端、函数逼近器的第九控制端及第十控制端分别用来控制三个隐含-输出层权值;所述函数逼近器的第十一控制端用来控制隐含-输出层阈值。
在本发明中,所述函数逼近器的的输入端用于输入数据,完成RBF神经网络中输入层的功能;所述第一RBF神经元电路模块实现的计算形式,完成RBF神经网络中隐含层的功能,其中,C和D均为大于零的常数,和分别为所述函数逼近器的输入端输入信号和函数逼近器的第一控制端输入信号,所述第二RBF神经元电路模块实现功能与第一RBF神经元电路模块相同;所述第一至第三Gilbert 乘法器用于对隐含层输出进行加权求和运算,即,其中,k1、k2、k3均为常数,和分别为第一RBF神经元电路模块的输出和第二RBF神经元电路模块的输出,最终由所述函数逼近器的输出端输出函数逼近值,完成RBF神经网络中输出层的功能。
如图3所示,所述第一Gilbert 乘法器包括第一至第十七晶体管,所述第一至第六晶体管的发射极连接至电源端,所述第一晶体管的基极、第二晶体管的基极、第二晶体管的集电极与第七晶体管的集电极连接,所述第一晶体管的集电极、第九晶体管的发射极、第十晶体管的发射极相连接,所述第三晶体管的基极、第三晶体管的集电极、第四晶体管的基极与第八晶体管的集电极连接,所述第四晶体管的集电极、第十一晶体管的发射极、第十二晶体管的发射极相连接,所述第五晶体管的基极、第五晶体管的集电极、第六晶体管的基极与第十四晶体管的集电极连接,所述第六晶体管的集电极与第十七晶体管的集电极相连接并作为所述第一Gilbert 乘法器的输出端,所述第七晶体管的基极作为所述第一Gilbert 乘法器的第一控制端,所述第七晶体管的发射极、第八晶体管的发射极、第十三晶体管的集电极连接,所述第八晶体管的基极作为所述第一Gilbert 乘法器的第二控制端,所述第九晶体管的基极、第十二晶体管的基极相连接作为所述第一Gilbert 乘法器的第一输入端,所述第九晶体管的集电极、第十一晶体管的集电极、第十四晶体管的基极、第十五晶体管的基极、第十五晶体管的集电极相连接,所述第十晶体管的基极、第十一晶体管的基极相连接作为所述第一Gilbert 乘法器的第二输入端,所述第十晶体管的集电极、第十二晶体管的集电极、第十六晶体管的集电极、第十六晶体管的基极、第十七晶体管的基极相连接,所述第十三晶体管的基极作为Vbias端(该Vias端在图2中没体现,该端口已经隐含在整个Gilbert乘法器里了。),所述第十三晶体管的发射极、第十四晶体管的发射极、第十五晶体管的发射极、第十六晶体管的发射极、第十七晶体管的发射极相连接至GND;所述第二至第五Gilbert乘法器的电路结构与所述第一Gilbert 乘法器电路结构相同。
在本发明中,所述第一Gilbert 乘法器的输出电流公式为:
其中,W表示晶体管沟道宽度,L表示晶体管沟道长度,表示晶体管单位面积栅氧电容,和分别表示空穴和电子的沟道迁移率,表示所述第一Gilbert 乘法器的第一控制端输入信号,表示所述第一Gilbert 乘法器的第二控制端输入信号,表示所述第一Gilbert 乘法器的第一输入端与第二输入端信号差值;M7、M9对应相应晶体管符号,下同;
第七晶体管和第八晶体管具有相同的宽长比,第九至第十二晶体管具有相同的宽长比;
同理,所述第二、第三Gilbert 乘法器的输出电流公式与所述第一Gilbert 乘法器的输出电流公式相同。
在本发明中,所述第四Gilbert 乘法器的输出电流公式为:
其中,W表示晶体管沟道宽度,L表示晶体管沟道长度,表示晶体管单位面积栅氧电容,和分别表示空穴和电子的沟道迁移率,因第四Gilbert 乘法器的第一输入端与第四Gilbert 乘法器的第一控制端相连接,第四Gilbert 乘法器的第二输入端与第四Gilbert 乘法器的第二控制端相连接,故而用表示所述第四Gilbert 乘法器的第一输入端输入信号,表示所述第四Gilbert 乘法器的第二输入端输入信号;
同理,所述第五Gilbert 乘法器的输出电流公式与所述第四Gilbert 乘法器的输出电流公式相同。
如图4所示,所述第一开平方根电路包括第十八至第二十六晶体管,所述第十八晶体管的集电极、第十九晶体管的基极、第二十一晶体管的基极相连接作为所述第一开平方根电路的输入端,所述第十八晶体管的基极、第十九晶体管的发射极、第二十四晶体管的集电极、第二十六晶体管的基极相连接,所述第十八晶体管的发射极、第二十晶体管的发射极、第二十四晶体管的发射极、第二十五晶体管的发射极、第二十六晶体管的发射极相连接至GND,所述第十九晶体管的集电极、第二十二晶体管的发射极、第二十三晶体管的发射极相连接至电源端,所述第二十晶体管的基极、第二十晶体管的集电极与第二十一晶体管的发射极连接,所述第二十一晶体管的集电极与第二十二晶体管的集电极连接,所述第二十二晶体管的基极与第二十三晶体管的基极连接,所述第二十三晶体管的集电极、第二十五晶体管的集电极、第二十六晶体管的集电极相连接作为所述第一开平方根电路的输出端,所述二十四晶体管的基极与第二十五晶体管的基极相连接作为所述第一开平方根电路的Vb端(该Vb端在图2中没体现,因为该端口已经隐含在整个开平方根电路方框里了。);所述第二开平方根电路的电路结构与所述第一开平方根电路的电路结构相同。
在本发明中,所述第一开平方根电路的输出电流公式为:
其中,,第二十晶体管与第二十一晶体管的宽长比是第十八晶体管与第十九晶体管的宽长比的四倍;
同理,所述第二开平方根电路的输出电流公式与所述第一开平方根电路的输出电流公式相同。
如图5所示,所述第一类高斯函数电路包括第二十七至第五十二晶体管,所述第二十七晶体管的发射极、第二十八晶体管的发射极、第三十五晶体管的发射极、第三十六晶体管的发射极、第三十七晶体管的发射极、第三十八晶体管的发射极、第三十九晶体管的发射极、第四十晶体管的发射极、第四十一晶体管的发射极、第四十二晶体管的发射极相连接至电源端,第二十七晶体管的基极、第二十七晶体管的集电极、第二十八晶体管的基极、第二十九晶体管的发射极相连接,所述第二十八晶体管的集电极与第三十晶体管的发射极连接,所述第二十九晶体管的基极、第二十九晶体管的集电极、第三十晶体管的基极、第三十一晶体管的集电极、第三十一晶体管的基极、第三十二晶体管的基极相连接,所述第三十晶体管的集电极、第四十七晶体管的集电极、第四十七晶体管的基极、第四十八晶体管的基极、第四十九晶体管的基极相连接,所述第三十一晶体管的发射极、第三十三晶体管的集电极、第三十三晶体管的基极、第三十四晶体管的基极相连接,所述第三十二晶体管的集电极、第三十五晶体管的基极、第三十五晶体管的集电极、第三十六晶体管的基极、第四十一晶体管的基极、第四十二晶体管的基极相连接,所述第三十二晶体管的发射极与第三十四晶体管的集电极连接,所述第三十三晶体管的发射极、第三十四晶体管的发射极、第五十晶体管的发射极、第五十一晶体管的发射极、第五十二晶体管的发射极相连接至GND,所述第三十六晶体管的集电极、第三十七晶体管的基极、第三十八晶体管的基极相连接,所述第三十七晶体管的集电极、第四十三晶体管的集电极、第四十五晶体管的集电极相连接,所述第三十八晶体管的集电极、第三十九晶体管的集电极、第四十二晶体管的集电极相连接作为所述第一类高斯函数电路的输出端,所述第三十九晶体管的基极、第四十晶体管的基极、第四十一晶体管的集电极相连接,所述第四十晶体管的集电极、第四十四晶体管的集电极、第四十六晶体管的集电极相连接,所述第四十三晶体管的基极、第四十六晶体管的基极相连接作为所述第一类高斯函数电路的输入端,所述第四十三晶体管的发射极、第四十四晶体管的发射极、第四十八晶体管的集电极相连接,所述第四十四晶体管的基极作为所述第一类高斯函数电路的第一控制端,所述第四十五晶体管的基极作为所述第一类高斯函数电路的第二控制端,所述第四十五晶体管的发射极、第四十六晶体管的发射极、第四十九晶体管的集电极相连接,所述四十七晶体管的发射极、第五十晶体管的集电极、第五十晶体管的基极、第五十一晶体管的基极、第五十二晶体管的基极相连接,所述第四十八晶体管的发射极与第五十一晶体管的集电极连接,所述第四十九晶体管的发射极与第五十二晶体管的集电极连接;所述第一类高斯函数电路的电路结构与所述第一类高斯函数电路的电路结构相同。
在本发明中,所述第一类高斯函数电路的输出电流公式为:
其中,,μ为沟道迁移率,表示为所述第一类高斯函数电路的第一控制端的输入信号,表示为所述第一类高斯函数电路的第二控制端的输入信号,表示为所述第一类高斯函数电路的输入端的输入信号,为第三十晶体管的集电极流至第四十七晶体管的集电极的电流大小;
第三十六至第四十一晶体管具有相同的宽长比,且是第三十五晶体管宽长比的倍,第四十二晶体管的宽长比是第三十五晶体管宽长比的c倍,第四十八至第五十二晶体管具有相同的宽长比,并且是第四十七晶体管及第五十晶体管宽长比的倍;
所述第二类高斯函数电路的输出电流公式与所述第一类高斯函数电路的输出电流公式相同。
以下为本发明的具体实施例。
如图1所示,本发明提出了一种基于RBF的函数逼近器系统的模拟电路实现方案,通过给定适当的外界偏置电压,可实现将一组不同对称中心的高斯函数以不同的权重进行相加,从而实现逼近某个特定函数的功能。本发明可以集成为专用的神经网络芯片,其体积小,携带方便,容易嵌入到其它系统中。此外,它还可以实现高度的并行计算,克服了软件实现函数逼近器的体积大、不易携带、不易嵌入、运算速度慢等缺陷。
本发明利用Gilbert乘法器,开平方根电路,类高斯函数产生电路这些基本电路单元,设计了一个基于RBF的函数逼近器系统。如图1所示,该函数逼近器有一个输入端(Vx),一个输出端(Iout),以及十一个控制端(其中Vx0,Vx0'分别表示两个类高斯函数的中心(即控制输入-隐含层权值),V1和V2用来控制类高斯函数的形状(即控制输入-隐含层阈值),(Vw1,Vw2),(Vw1',Vw2'),(Vw1'',Vw2'')分别用来控制三个隐含-输出层权值(图2中(Vw1',Vw2')控制的隐含-输出层权值默认为1),Vb用来控制隐含-输出层阈值)。通过在控制端加载适当的偏置电压,便可实现逼近某个特定函数的功能。其中自变量由Vx输入,函数逼近值由Iout输出。
本发明的原理图如图2所示,由两个RBF神经元电路模块(如图2中所示,每个神经元电路模块由1个Gilbert乘法器,1个开平方根电路和1个类高斯函数产生电路组成)和三个Gilbert 乘法器组成。输入端Vx将数据输入该函数逼近器,完成RBF神经网络中输入层的功能。RBF神经元电路模块可实现(C和D为大于零的常数)的计算形式,完成的是RBF神经网络中隐含层(即单个RBF神经元)的功能。Gilbert 乘法器可对隐含层输出进行加权求和运算,即 (k1,k2,k3为常数),最终由输出端(Iout)输出函数逼近值,完成RBF神经网络中输出层的功能。
图3为Gilbert 乘法器的晶体管级电路图,它在神经网络中被广泛用于实现大规模处理Σ的功能。折叠式Gilbert 乘法器的动态范围大、乘法运算的精度高。M7和M8具有相同的宽长比,M9(M10)和M11(M12)具有相同的宽长比,用W表示晶体管沟道宽度,L表示晶体管沟道长度,C ox表示晶体管单位面积栅氧电容,和分别表示空穴和电子的沟道迁移率,则该电路的输出电流为:
公式(1)
若将图3中的Vw1与Vin的正端相连,用Vx表示,Vw2与Vin的负端相连,用Vx0表示,则可得到:
开平方根电路的晶体管级电路图如图4所示,其核心部分是由M18,M19,M20以及M21构成的translinear结构,M20管和M21管的宽长比是M18管和M19管的宽长比的4倍,该电路可实现对电流开平方根,即,则由图2的连接方式可得(其中)。类高斯函数电路的晶体管级电路图如图5所示,由于CMOS电路难以用来产生精确的高斯函数波形,因此根据差分输入对管的大信号特性同时产生能够逐渐增大和逐渐减小的电流,并利用电流的相加得到一种结构简单、波形可调的类高斯函数电路。假设M36~M41 具有相同的宽长比,而且是M35 的倍,M42 的宽长比是M35的c倍,M48(M51)和M49(M52)具有相同的宽长比,并且是M47(M50)的倍, 可得输出电流为:
公式(2)
(其中,Cox为晶体管单位面积栅氧电容,μ为沟道迁移率,W为晶体管沟道宽度,L为晶体管沟道长度),通过调整两个差分对的输入电压V1和V2 ,可以调整Vinwc和Vw ,从而调整该电路输出的类高斯函数的形状,如图6所示。图7为b=40,d=0.02时的理想高斯函数和调整得到的类高斯函数,在-0.4~0.4范围内以0.01为步长,对两条曲线取相同的离散点,分别构成向量A和B,在MATLAB软件中利用可计算得到拟合优度为R2=0.99775,因此,该电路仿真波形与理想高斯函数能够进行很好的拟合。对于所需的特定高斯函数(b和d为常数),我们可以取一些离散的点,通过CADENCE软件仿真,在公式(2)的指导下调整电路参数,从而使类高斯函数对应的点逼近这些离散的点,最终获得逼近的类高斯函数。例如,在图7中b=40,d=0.02,通过仿真可得类高斯函数产生电路参数为V1 =-0.13V,V2 =0.13V,电路晶体管尺寸如表1-3所示。
表1电路晶体管尺寸一
表2电路晶体管尺寸二
表3电路晶体管尺寸三
本发明利用MATLAB软件和CADENCE软件对基于RBF的函数逼近器系统进行功能的仿真验证。该电路是基于SMIC 0.18μm CMOS工艺参数完成的,电源电压Vdd为1.8V,Vss为-1.8V。由于任意一个函数都可以分解成多个不同对称中心的高斯函数以不同的权重进行相加,因此本发明通过产生两个不同对称中心的类高斯函数(分别由两个RBF神经元电路模块产生),再将这两个类高斯函数以不同的权重进行相加(由三个Gilbert乘法器实现),从而实现一个周期内余弦函数的逼近,以验证该函数逼近器的功能。该函数逼近器的自变量由Vx输入,函数逼近值由Iout输出。
本发明需要通过MATLAB软件对相应的RBF神经网络进行训练,从而得到神经网络的参数,接着将神经网络的参数转化为该函数逼近器所需的偏置参数,加载到电路中以实现逼近某个特定函数的功能。要实现不同函数的逼近功能需要编写不同的训练程序进行训练,为了使本发明实现一个周期内的余弦函数逼近功能,编写的训练代码如下所示。该程序调用MATLAB软件中的神经网络工具箱函数net=newrb(P,T,eg,sc)来对神经网络进行训练。在训练过程中,当神经网络的输入为P向量时,输出向量不断逼近期望向量T,直到逼近的均方差精度小于eg=0.06时,神经网络停止训练,此时得到一个均方差精度eg<0.06,散布常数sc=1.5的RBF神经网络,接着利用最后的4条命令来显示训练后的神经网络参数。
RBF神经网络训练代码:
P=0:0.1:7; %输入向量
T=30*cos(P); %期望输出
eg=30; %均方差精度
sc=1.5; %散布常数
net=newrb(P,T,eg,sc) %生成网络
net.IW{1,1} %求输入-隐含层权值
net.b{1,1} %求输入-隐含层阈值
net.LW{2,1} %求隐含-输出层权值
net.b{2,1} %求隐含-输出层阈值
经过MATLAB仿真,得到了神经网络参数如表4所示。
表4神经网络参数
将通过MATLAB训练所得到的参数转化成该函数逼近器所需的偏置参数,用0.1V表示输入1,则可以通过计算得到所需要的电路参数值如表5所示,
表5电路参数值
其中Vx0,Vx0'分别为0.70V和0.34V,确定了两个类高斯函数的中心;通过仿真可得V1和V2分别为-0.13V和0.13V,确定了类高斯函数的形状。将参数直接加载到函数逼近器电路上,用CADENCE进行仿真,其仿真结果如图8所示(三角曲线为理想曲线,圆心曲线为CADENCE仿真曲线),其中Vx输入的是0到0.628V的扫描电压。.在0~0.628范围内以0.01为步长,对该仿真曲线和对应的理想余弦函数取相同的离散点,分别构成向量A和B,在MATLAB软件中利用可计算得到拟合优度为R2=0.98875。因此,该电路仿真波形与理想余弦函数能够进行很好的拟合,验证了该函数逼近器具有良好的函数逼近功能。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (10)
1.一种基于RBF的函数逼近器系统,其特征在于:包括第一RBF神经元电路模块、第二RBF神经元电路模块以及第一至第三Gilbert 乘法器;所述第一RBF神经元电路模块包括依次连接的第四Gilbert 乘法器、第一开平方根电路和第一类高斯电路,所述第一开平方根电路与第一类高斯电路的连接处经第一电阻连接至GND,所述第二RBF神经元电路模块包括依次连接的第五Gilbert 乘法器、第二开平方根电路和第二类高斯电路,所述第二开平方根电路与第二类高斯电路的连接处经第二电阻连接至GND,所述第一Gilbert 乘法器的第一输入端与第一类高斯电路的输出端、第三电阻的一端连接,所述第一Gilbert 乘法器的第二输入端与第三电阻的另一端连接至GND,所述第三Gilbert 乘法器的第一输入端与第二类高斯电路的输出端、第四电阻的一端连接,所述第三Gilbert 乘法器的第二输入端与第四电阻的另一端连接至GND;所述第四Gilbert 乘法器的第一输入端、第四Gilbert 乘法器的第一控制端、第五Gilbert 乘法器的第一输入端、第五Gilbert 乘法器的第一控制端相连接作为所述函数逼近器的输入端,所述第四Gilbert 乘法器的第二输入端及第四Gilbert 乘法器的第二控制端、第五Gilbert 乘法器的第二输入端及第五Gilbert 乘法器的第二控制端、第一类高斯电路的第一控制端及第二类高斯电路的第一控制端、第一类高斯电路的第二控制端及第二类高斯电路的第二控制端、第一Gilbert 乘法器的第一控制端、第一Gilbert 乘法器的第二控制端、第二Gilbert 乘法器的第一控制端、第二Gilbert乘法器的第二控制端、第三Gilbert 乘法器的第一控制端、第三Gilbert 乘法器的第二控制端、第二Gilbert 乘法器的第一输入端分别作为所述函数逼近器的第一至第十一控制端,所述第二Gilbert 乘法器的第二输入端连接至GND,所述第一Gilbert 乘法器的输出端、第二Gilbert 乘法器的输出端及第三Gilbert 乘法器的输出端相连接作为所述函数逼近器的输出端。
2.根据权利要求1所述的基于RBF的函数逼近器系统,其特征在于:所述函数逼近器的第一控制端、函数逼近器的第二控制端分别表示两个类高斯函数的中心,即控制输入-隐含层权值;所述函数逼近器的第三控制端、函数逼近器的第四控制端分别用来控制两个类高斯函数的形状,即控制输入-隐含层阈值;所述函数逼近器的第五控制端及第六控制端、函数逼近器的第七控制端及第八控制端、函数逼近器的第九控制端及第十控制端分别用来控制三个隐含-输出层权值;所述函数逼近器的第十一控制端用来控制隐含-输出层阈值。
3.根据权利要求1所述的基于RBF的函数逼近器系统,其特征在于:所述函数逼近器的的输入端用于输入数据,完成RBF神经网络中输入层的功能;所述第一RBF神经元电路模块实现的计算形式,完成RBF神经网络中隐含层的功能,其中,C和D均为大于零的常数,和分别为所述函数逼近器的输入端输入信号和函数逼近器的第一控制端输入信号,所述第二RBF神经元电路模块实现功能与第一RBF神经元电路模块相同;所述第一至第三Gilbert 乘法器用于对隐含层输出进行加权求和运算,即,其中,k1、k2、k3均为常数,和分别为第一RBF神经元电路模块的输出和第二RBF神经元电路模块的输出,最终由所述函数逼近器的输出端输出函数逼近值,完成RBF神经网络中输出层的功能。
4.根据权利要求1所述的基于RBF的函数逼近器系统,其特征在于:所述第一Gilbert乘法器包括第一至第十七晶体管,所述第一至第六晶体管的发射极连接至电源端,所述第一晶体管的基极、第二晶体管的基极、第二晶体管的集电极与第七晶体管的集电极连接,所述第一晶体管的集电极、第九晶体管的发射极、第十晶体管的发射极相连接,所述第三晶体管的基极、第三晶体管的集电极、第四晶体管的基极与第八晶体管的集电极连接,所述第四晶体管的集电极、第十一晶体管的发射极、第十二晶体管的发射极相连接,所述第五晶体管的基极、第五晶体管的集电极、第六晶体管的基极与第十四晶体管的集电极连接,所述第六晶体管的集电极与第十七晶体管的集电极相连接并作为所述第一Gilbert 乘法器的输出端,所述第七晶体管的基极作为所述第一Gilbert 乘法器的第一控制端,所述第七晶体管的发射极、第八晶体管的发射极、第十三晶体管的集电极连接,所述第八晶体管的基极作为所述第一Gilbert 乘法器的第二控制端,所述第九晶体管的基极、第十二晶体管的基极相连接作为所述第一Gilbert 乘法器的第一输入端,所述第九晶体管的集电极、第十一晶体管的集电极、第十四晶体管的基极、第十五晶体管的基极、第十五晶体管的集电极相连接,所述第十晶体管的基极、第十一晶体管的基极相连接作为所述第一Gilbert 乘法器的第二输入端,所述第十晶体管的集电极、第十二晶体管的集电极、第十六晶体管的集电极、第十六晶体管的基极、第十七晶体管的基极相连接,所述第十三晶体管的基极作为Vbias端,所述第十三晶体管的发射极、第十四晶体管的发射极、第十五晶体管的发射极、第十六晶体管的发射极、第十七晶体管的发射极相连接至GND;所述第二至第五Gilbert 乘法器的电路结构与所述第一Gilbert 乘法器电路结构相同。
5.根据权利要求4所述的基于RBF的函数逼近器系统,其特征在于:所述第一Gilbert乘法器的输出电流公式为:
其中,W表示晶体管沟道宽度,L表示晶体管沟道长度,表示晶体管单位面积栅氧电容,分别表示空穴和电子的沟道迁移率,表示所述第一Gilbert 乘法器的第一控制端输入信号,表示所述第一Gilbert 乘法器的第二控制端输入信号,表示所述第一Gilbert 乘法器的第一输入端与第二输入端信号差值;
第七晶体管和第八晶体管具有相同的宽长比,第九至第十二晶体管具有相同的宽长比;
同理,所述第二、第三Gilbert 乘法器的输出电流公式与所述第一Gilbert 乘法器的输出电流公式相同。
6.根据权利要求4或5所述的基于RBF的函数逼近器系统,其特征在于:所述第四Gilbert 乘法器的输出电流公式为:
其中,W表示晶体管沟道宽度,L表示晶体管沟道长度,表示晶体管单位面积栅氧电容,分别表示空穴和电子的沟道迁移率,因第四Gilbert 乘法器的第一输入端与第四Gilbert 乘法器的第一控制端相连接,第四Gilbert 乘法器的第二输入端与第四Gilbert 乘法器的第二控制端相连接,故而用表示所述第四Gilbert 乘法器的第一输入端输入信号,表示所述第四Gilbert 乘法器的第二输入端输入信号;
同理,所述第五Gilbert 乘法器的输出电流公式与所述第四Gilbert 乘法器的输出电流公式相同。
7.根据权利要求6所述的基于RBF的函数逼近器系统,其特征在于:所述第一开平方根电路包括第十八至第二十六晶体管,所述第十八晶体管的集电极、第十九晶体管的基极、第二十一晶体管的基极相连接作为所述第一开平方根电路的输入端,所述第十八晶体管的基极、第十九晶体管的发射极、第二十四晶体管的集电极、第二十六晶体管的基极相连接,所述第十八晶体管的发射极、第二十晶体管的发射极、第二十四晶体管的发射极、第二十五晶体管的发射极、第二十六晶体管的发射极相连接至GND,所述第十九晶体管的集电极、第二十二晶体管的发射极、第二十三晶体管的发射极相连接至电源端,所述第二十晶体管的基极、第二十晶体管的集电极与第二十一晶体管的发射极连接,所述第二十一晶体管的集电极与第二十二晶体管的集电极连接,所述第二十二晶体管的基极与第二十三晶体管的基极连接,所述第二十三晶体管的集电极、第二十五晶体管的集电极、第二十六晶体管的集电极相连接作为所述第一开平方根电路的输出端,所述二十四晶体管的基极与第二十五晶体管的基极相连接作为所述第一开平方根电路的Vb端;所述第二开平方根电路的电路结构与所述第一开平方根电路的电路结构相同。
8.根据权利要求7所述的基于RBF的函数逼近器系统,其特征在于:所述第一开平方根电路的输出电流公式为:
其中,,第二十晶体管与第二十一晶体管的宽长比是第十八晶体管与第十九晶体管的宽长比的四倍;
同理,所述第二开平方根电路的输出电流公式与所述第一开平方根电路的输出电流公式相同。
9.根据权利要求8所述的基于RBF的函数逼近器系统,其特征在于:所述第一类高斯函数电路包括第二十七至第五十二晶体管,所述第二十七晶体管的发射极、第二十八晶体管的发射极、第三十五晶体管的发射极、第三十六晶体管的发射极、第三十七晶体管的发射极、第三十八晶体管的发射极、第三十九晶体管的发射极、第四十晶体管的发射极、第四十一晶体管的发射极、第四十二晶体管的发射极相连接至电源端,第二十七晶体管的基极、第二十七晶体管的集电极、第二十八晶体管的基极、第二十九晶体管的发射极相连接,所述第二十八晶体管的集电极与第三十晶体管的发射极连接,所述第二十九晶体管的基极、第二十九晶体管的集电极、第三十晶体管的基极、第三十一晶体管的集电极、第三十一晶体管的基极、第三十二晶体管的基极相连接,所述第三十晶体管的集电极、第四十七晶体管的集电极、第四十七晶体管的基极、第四十八晶体管的基极、第四十九晶体管的基极相连接,所述第三十一晶体管的发射极、第三十三晶体管的集电极、第三十三晶体管的基极、第三十四晶体管的基极相连接,所述第三十二晶体管的集电极、第三十五晶体管的基极、第三十五晶体管的集电极、第三十六晶体管的基极、第四十一晶体管的基极、第四十二晶体管的基极相连接,所述第三十二晶体管的发射极与第三十四晶体管的集电极连接,所述第三十三晶体管的发射极、第三十四晶体管的发射极、第五十晶体管的发射极、第五十一晶体管的发射极、第五十二晶体管的发射极相连接至GND,所述第三十六晶体管的集电极、第三十七晶体管的基极、第三十八晶体管的基极相连接,所述第三十七晶体管的集电极、第四十三晶体管的集电极、第四十五晶体管的集电极相连接,所述第三十八晶体管的集电极、第三十九晶体管的集电极、第四十二晶体管的集电极相连接作为所述第一类高斯函数电路的输出端,所述第三十九晶体管的基极、第四十晶体管的基极、第四十一晶体管的集电极相连接,所述第四十晶体管的集电极、第四十四晶体管的集电极、第四十六晶体管的集电极相连接,所述第四十三晶体管的基极、第四十六晶体管的基极相连接作为所述第一类高斯函数电路的输入端,所述第四十三晶体管的发射极、第四十四晶体管的发射极、第四十八晶体管的集电极相连接,所述第四十四晶体管的基极作为所述第一类高斯函数电路的第一控制端,所述第四十五晶体管的基极作为所述第一类高斯函数电路的第二控制端,所述第四十五晶体管的发射极、第四十六晶体管的发射极、第四十九晶体管的集电极相连接,所述四十七晶体管的发射极、第五十晶体管的集电极、第五十晶体管的基极、第五十一晶体管的基极、第五十二晶体管的基极相连接,所述第四十八晶体管的发射极与第五十一晶体管的集电极连接,所述第四十九晶体管的发射极与第五十二晶体管的集电极连接;所述第一类高斯函数电路的电路结构与所述第一类高斯函数电路的电路结构相同。
10.根据权利要求9所述的基于RBF的函数逼近器系统,其特征在于:所述第一类高斯函数电路的输出电流公式为:
其中,,μ为沟道迁移率,表示为所述第一类高斯函数电路的第一控制端的输入信号,表示为所述第一类高斯函数电路的第二控制端的输入信号,表示为所述第一类高斯函数电路的输入端的输入信号,为第三十晶体管的集电极流至第四十七晶体管的集电极的电流大小;
第三十六至第四十一晶体管具有相同的宽长比,且是第三十五晶体管宽长比的倍,第四十二晶体管的宽长比是第三十五晶体管宽长比的c倍,第四十八至第五十二晶体管具有相同的宽长比,并且是第四十七晶体管及第五十晶体管宽长比的倍;
所述第二类高斯函数电路的输出电流公式与所述第一类高斯函数电路的输出电流公式相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610385145.7A CN106067064B (zh) | 2016-06-03 | 2016-06-03 | 基于rbf的函数逼近器系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610385145.7A CN106067064B (zh) | 2016-06-03 | 2016-06-03 | 基于rbf的函数逼近器系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106067064A true CN106067064A (zh) | 2016-11-02 |
CN106067064B CN106067064B (zh) | 2018-09-18 |
Family
ID=57421146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610385145.7A Active CN106067064B (zh) | 2016-06-03 | 2016-06-03 | 基于rbf的函数逼近器系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106067064B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682732A (zh) * | 2016-12-14 | 2017-05-17 | 浙江大学 | 一种应用于神经网络的高斯误差函数电路 |
CN107391871A (zh) * | 2017-08-03 | 2017-11-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于并行化径向基函数的空间网格变形方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040002928A1 (en) * | 2002-06-27 | 2004-01-01 | Industrial Technology Research Institute | Pattern recognition method for reducing classification errors |
US20100079188A1 (en) * | 2008-09-30 | 2010-04-01 | Georgia Tech Research Corporation | Systems and methods for providing programmable analog classifiers |
CN102096844A (zh) * | 2011-03-07 | 2011-06-15 | 哈尔滨工业大学 | 基于fpga的rbf函数计算模块 |
CN205788258U (zh) * | 2016-06-03 | 2016-12-07 | 福州大学 | 基于rbf的函数逼近器 |
-
2016
- 2016-06-03 CN CN201610385145.7A patent/CN106067064B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040002928A1 (en) * | 2002-06-27 | 2004-01-01 | Industrial Technology Research Institute | Pattern recognition method for reducing classification errors |
US20100079188A1 (en) * | 2008-09-30 | 2010-04-01 | Georgia Tech Research Corporation | Systems and methods for providing programmable analog classifiers |
CN102096844A (zh) * | 2011-03-07 | 2011-06-15 | 哈尔滨工业大学 | 基于fpga的rbf函数计算模块 |
CN205788258U (zh) * | 2016-06-03 | 2016-12-07 | 福州大学 | 基于rbf的函数逼近器 |
Non-Patent Citations (2)
Title |
---|
周伟雄等: "模拟神经元电路实现研究现状与进展", 《固体电子学研究与进展》 * |
梁艳等: "径向基函数神经网络的硬件实现", 《清华大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682732A (zh) * | 2016-12-14 | 2017-05-17 | 浙江大学 | 一种应用于神经网络的高斯误差函数电路 |
CN106682732B (zh) * | 2016-12-14 | 2019-03-29 | 浙江大学 | 一种应用于神经网络的高斯误差函数电路 |
CN107391871A (zh) * | 2017-08-03 | 2017-11-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于并行化径向基函数的空间网格变形方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106067064B (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
PETRŽELA et al. | Modeling Deterministic Chaos Using Electronic Circuits. | |
CN106067064B (zh) | 基于rbf的函数逼近器系统 | |
Lansner et al. | An analog CMOS chip set for neural networks with arbitrary topologies | |
CN105117549B (zh) | 一种考虑多种闭锁模态的基于箝位双子模块mmc的等效仿真方法 | |
CN206147706U (zh) | 神经元电路 | |
KR940004429B1 (ko) | 가변저항형 mosfet 아날로그 곱셈기 | |
Aparicio et al. | Modeling of photovoltaic cell using free software application for training and design circuit in photovoltaic solar energy | |
CN113054947B (zh) | 一种ReLU型忆阻模拟器 | |
CN205788258U (zh) | 基于rbf的函数逼近器 | |
CN109840365A (zh) | 一种有源忆阻器仿真器 | |
CN105976024B (zh) | 基于rbf的模式分类器及其工作方法 | |
CN106067063B (zh) | Rbf神经元电路及其工作方法 | |
CN206282337U (zh) | 脉冲神经电路 | |
CN115765964A (zh) | 一种具有同构调幅功能的三角波忆阻保守信号发生器 | |
CN113314176A (zh) | 忆阻器-cmos逻辑模块及因式分解超前进位加法器 | |
CN206480025U (zh) | 基于rbf的模式分类器 | |
Bhat et al. | Extrinsic analog synthesis using piecewise linear current-mode circuits | |
CN106447038A (zh) | 脉冲神经电路 | |
Hamiane | A CMOS-based Analog Function Generator: HSPICE Modeling and Simulation | |
Le Tien Phong et al. | A Novel mathematical model to control power of photovoltaic system | |
Tatulian et al. | A Reconfigurable and Compact Spin-Based Analog Block for Generalizable n th Power and Root Computation | |
Kapur et al. | Analog field programmable CMOS current conveyor | |
Popa | CMOS Analog Building Blocks Using Nonlinear Circuit Core | |
Narkhede et al. | DC emulation of three bus transmission system | |
Singh et al. | Current Conveyor: A Novel Active Building Block Prevailing Op-Amp Limitations |
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 |