CN109670585B - 神经元仿生电路和神经形态系统 - Google Patents
神经元仿生电路和神经形态系统 Download PDFInfo
- Publication number
- CN109670585B CN109670585B CN201811631636.0A CN201811631636A CN109670585B CN 109670585 B CN109670585 B CN 109670585B CN 201811631636 A CN201811631636 A CN 201811631636A CN 109670585 B CN109670585 B CN 109670585B
- Authority
- CN
- China
- Prior art keywords
- neuron
- capacitor
- resistor
- circuit
- bionic
- 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
- 210000002569 neuron Anatomy 0.000 title claims abstract description 160
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 109
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 239000003990 capacitor Substances 0.000 claims description 126
- 108010052164 Sodium Channels Proteins 0.000 claims description 72
- 102000018674 Sodium Channels Human genes 0.000 claims description 72
- 102000004257 Potassium Channel Human genes 0.000 claims description 52
- 108020001213 potassium channel Proteins 0.000 claims description 52
- 230000000087 stabilizing effect Effects 0.000 claims description 32
- 230000003592 biomimetic effect Effects 0.000 claims description 26
- 239000012528 membrane Substances 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims 1
- 230000036982 action potential Effects 0.000 abstract description 19
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 210000004205 output neuron Anatomy 0.000 abstract description 10
- 230000008054 signal transmission Effects 0.000 abstract description 10
- 238000000034 method Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 210000000170 cell membrane Anatomy 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000284 resting effect Effects 0.000 description 5
- 238000013529 biological neural network Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002102 hyperpolarization Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 229910001414 potassium ion Inorganic materials 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Abstract
本发明属于仿生电路技术领域,提供一种神经元仿生电路和神经形态仿生系统。所述系统包括神经元监控电路和神经元仿生电路;其中,神经元监控电路包括电压监测模块和控制模块;电压监测模块获取神经元仿生电路输出的神经元仿生脉冲的电压信息;控制模块判断电压信息是否满足目标电压信息,根据判断结果向神经元仿生电路输出控制信号;最后神经元仿生电路根据控制信号输出目标神经元仿生脉冲。本发明的仿生电路成本小、功耗低,输出的神经元仿生脉冲更符合生物神经元发放动作电位的动态行为;所述神经元仿生电路输出的神经元仿生脉冲可以实现对输入信号的时间编码,实现神经元仿生脉冲传递信息,可以提高信号传输电路的抗干扰及抗损伤的能力。
Description
技术领域
本发明属于仿生电路领域,更具体地说,是涉及一种神经元仿生电路和神经形态系统。
背景技术
生物神经网络是利用具有模拟电路的超大规模集成电路来模仿生物大脑的神经网络系统,最终目的是制造一个仿真生物大脑的芯片或电路,也叫做“神经形态芯片”或“神经形态电路”,进而实现“类脑计算”的功能。生物神经网络的基本特征是“内存与计算单元合二为一”,既有计算功能,又有存储功能,从根本上解决了冯诺伊曼体系架构的“内存墙”问题。此外,生物神经网络可以通过与外界交互自主学习,具有高度容错(容忍大量神经元的死亡而不影响其基本功能)、高度并行性、高度连接性及低功耗等特性。神经元仿生电路是构成神经形态芯片或电路的基本单元,但是,现有的负责信号传输的神经元仿生电路,模拟的脉冲特征不符合生物神经元发放动作电位的工作机制。
而且,随着电子科技的发展,日趋复杂、恶劣的电磁环境与电子设备不断升高的电磁敏感度之间形成了一对矛盾问题,在电磁环境中信号传输电路的抗干扰及抗损伤的能力越来越差,使传统电磁防护手段面临着新的挑战,威胁着电子装备的可靠性与适应性。
此外,神经元产生的动作电位具有不确定性,神经电生理实验和计算神经仿真研究表明,神经元或神经元群的不规则脉冲发放与相应的刺激输入之间存在密切联系,神经信息就编码在神经元发放的动作电位序列之中。时间编码即是神经信息编码的一种编码方式,通过神经元发放的动作电位序列中相邻动作电位时间间隔的变化来反映神经元之间的信息量的传递,这种隐藏的信息表达方法使得信息得以在外界干扰环境下可靠传递。
发明内容
鉴于此,本发明提供一种神经元仿生电路和神经形态系统,旨在解决现有技术中信号传输电路的抗干扰和抗损伤的能力差,以及负责信号传输的神经元仿生电路模拟的脉冲特征不符合生物神经元发放动作电位的动态行为的问题。
本发明实施例的第一方面提供了一种神经元仿生电路,包括:可控电流源、充放电模块、钠通道模块和钾通道模块;
所述可控电流源,与所述充放电模块连接,用于接收外部信号源的外部脉冲,并根据所述外部脉冲向所述充放电模块输出电流信号;
所述充放电模块,分别与所述钠通道模块和所述钾通道模块并联,用于根据所述电流信号充电并形成膜电压;
所述钠通道模块,用于在所述膜电压大于第一预设电压时输出钠通道电流;
所述钾通道模块,用于根据所述电流信号和所述钠通道电流充电,在充电电压大于第二预设电压时输出钾通道电流;
所述充放电模块还根据所述电流信号和所述钠通道电流充电,以及根据所述钾通道电流放电,并输出所述外部脉冲的神经元仿生脉冲。
可选的,所述可控电流源包括:输入端、输出端、第一电阻、第二电阻、第三电阻、第一电容、第四电阻、第五电阻、第六电阻、第二电容和运放器;
所述可控电流源的输入端与所述外部信号源连接,所述可控电流源的输出端与所述充放电模块连接;
所述第一电阻的第一端与所述可控电流源的输入端连接,所述第一电阻的第二端分别与所述运放器的正相输入端、所述第二电阻的第一端和所述第一电容的第一端连接;
所述第二电阻的第二端分别与所述第一电容的第二端、所述第三电阻的第二端和所述可控电流源的输出端连接;
所述第四电阻的第一端接地,所述第四电阻的第二端分别与所述运放器的反相输入端、所述第五电阻的第一端和所述第二电容的第一端连接;
所述第五电阻的第二端分别与所述第二电容的第二端和所述第六电阻的第一端连接;
所述第六电阻的第二端分别与所述运放器的输出端和所述第三电阻的第一端连接。
可选的,所述充放电模块包括:第一端、第二端、膜电容和第一可变电阻单元;
所述充放电模块的第一端分别与所述可控电流源和所述钠通道模块第一端连接,第二端与所述钠通道模块第二端连接;
所述膜电容的第一端分别与所述充放电模块的第一端和所述第一可变电阻单元的第一端连接,所述膜电容的第二端分别与所述充放电模块的第二端和所述第一可变电阻单元的第二端连接,所述第一可变电阻单元的第二端接地。
可选的,所述第一可变电阻单元为数字电位器。
可选的,所述钠通道模块包括:第一端、第二端、第一三极管、第二三极管、第七电阻、第二可变电阻单元和第一可变电源;
所述钠通道模块的第一端与所述钾通道模块的第一端连接,所述钠通道模块的第二端与所述钾通道模块的第二端连接;
所述第一三极管的基极与所述钠通道模块的第一端和所述第二三极管的集电极连接,所述第一三极管的集电极与所述第二三极管的基极连接,所述第一三极管的发射极通过所述第七电阻与所述钠通道模块的第二端连接;
所述第二三极管的集电极还与所述钠通道模块的第一端连接,所述第二三极管的发射极通过所述第二可变电阻单元与所述第一可变电源的第一端连接;
所述第一可变电源的第二端与所述钠通道模块的第二端连接,所述钠通道模块的第二端接地。
可选的,所述第一可变电源包括:第三电容、第四电容、第五电容、第六电容、第七电容、第一二极管、第八电阻、第一稳压源和第一数字电位器;
所述第一稳压源的输入端分别与外部9V直流电源、所述第三电容的第一端和所述第四电容的第一端连接,所述第一稳压源的输出端分别与所述第一可变电源的第一端、所述第一二极管的阳极、所述第八电阻的第一端、所述第六电容的第一端和所述第七电容的第一端连接,所述第一稳压源的控制端分别与所述第一数字电位器的输出端、所述第一二极管的阴极、所述第八电阻的第二端和所述第五电容的第一端连接;
所述第三电容的第二端、所述第四电容的第二端、所述第五电容的第二端、所述第六电容的第二端、所述第七电容的第二端和所述第一数字电位器的地端均与第一可变电源的第二端连接,并共同接地。
可选的,所述钾通道模块包括:第一端、第二端、第三可变电阻单元、第九电阻、第三三极管、第八电容和第二可变电源;
所述钾通道模块的第一端与所述钠通道模块的第一端连接,所述钾通道模块的第二端与所述钠通道模块的第二端连接;
所述第三可变电阻单元的第一端分别与所述钾通道模块的第一端和所述第九电阻的第一端连接,所述第三可变电阻单元的第二端与所述第三三极管的集电极连接;
所述第三三极管的基极分别与所述第九电阻的第二端和所述第八电容的第一端连接,所述第三三极管的发射极通过所述第二可变电源与所述钾通道模块的第二端、所述第八电容的第二端和地端连接。
可选的,所述第二可变电源包括:极性电容、第九电容、第十电容、第十一电容、第十电阻、第二稳压源和第二数字电位器;
所述第二稳压源的输入端分别与外部-9V直流电源、所述极性电容的负极和所述第九电容的第一端连接,所述第二稳压源的输出端分别与所述第十一电容的第一端、所述第十电阻的第一端和所述第二可变电源的第一端连接,所述第二稳压源的控制端分别与所述第十电容的第一端和所述第二数字电位器的输出端连接;
所述极性电容的正极、所述第九电容的第二端、所述第十电容的第二端、所述第十一电容的第二端、所述第十电阻的第二端、所述第二稳压源的地端和所述第二数字电位器的地端均与第二可变电源的第二端连接,并共同接地。
可选的,所述第二稳压源为LT3090芯片。
本发明实施例的第二方面提供了一种神经形态系统,包括神经元监控电路,还包括与所述神经元监控电路连接如实施例的第一方面提供的任一项所述的神经元仿生电路;
其中,所述神经元监控电路包括:电压监测模块和控制模块;
所述电压监测模块,与所述控制模块连接,用于获取所述神经元仿生电路输出的神经元仿生脉冲的电压信息,并将所述电压信息发送给所述控制模块;
所述控制模块,用于判断所述电压信息是否满足目标电压信息,根据判断结果向所述神经元仿生电路输出控制信号;所述神经元仿生电路根据控制信号输出目标神经元仿生脉冲。
本发明实施例中神经元仿生电路和神经形态系统与现有技术相比的有益效果在于:系统主要包括神经元监控电路和神经元仿生电路,成本低,功耗低;其中,神经元监控电路包括电压监测模块和控制模块;电压监测模块获取所述神经元仿生电路输出的神经元仿生脉冲的电压信息,控制模块判断所述电压信息是否满足目标电压信息,根据判断结果向所述神经元仿生电路输出控制信号,可以实时调整目标仿生脉冲,使输出的仿生脉冲更符合生物神经元发放动作电位的动态行为,最后神经元仿生电路根据控制信号输出目标神经元仿生脉冲,所述神经元仿生电路输出的目标神经元仿生脉冲具有时间编码特性,即输出的神经元仿生脉冲可以实现对输入信号的时间编码,应用这种时间编码特性,使得利用神经元仿生脉冲传递信息,可以提高信号传输电路的抗干扰及抗损伤的能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的神经元仿生电路的结构示意图;
图2为本发明实施例提供的神经元仿生电路的电路示意图;
图3为本发明实施例提供的可控电流源的电路示意图;
图4为本发明实施例提供的第一可变电源的电路示意图;
图5为本发明实施例提供的第二可变电源的电路示意图;
图6为本发明实施例提供的神经元仿生脉冲的示意图;
图7为本发明实施例提供的神经形态系统的结构示意图;
图8为本发明实施例提供的另一种神经形态系统的结构示意图;
图9为神经形态电路输出动作电位与输入刺激之间的相位关系;
图10为单调提升圆映射的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
参见图1,本发明实施例提供的一种神经元仿生电路,包括:可控电流源10、充放电模块20、钠通道模块30和钾通道模块40。可控电流源10与充放电模块20连接,充放电模块20与钠通道模块30并联,钠通道模块30与钾通道模块40并联。
可控电流源10用于接收外部信号源的外部脉冲,并根据所述外部脉冲向充放电模块20输出电流信号;充放电模块20用于根据所述电流信号充电并形成膜电压;钠通道模块30用于在所述膜电压大于第一预设电压时输出钠通道电流;钾通道模块40用于根据所述电流信号和所述钠通道电流充电,在充电电压大于第二预设电压时输出钾通道电流;最后充放电模块20还根据所述电流信号和所述钠通道电流充电,以及根据所述钾通道电流放电,并输出所述外部脉冲的神经元仿生脉冲。
本实施例的神经元仿生电路是一种模拟生物神经元细胞膜上动作电位产生和传导特性、可以产生类神经元动作电位脉冲的电路。示例性的,外部信号源的外部脉冲可以为周期方波电压脉冲Vin,脉冲延时TD为0s,电压初始值V1为0V,脉冲高度V2为2.5V,上升时间TR为500ns,下降时间TF为500ns,脉宽为2ms,周期为4ms。
具体的,周期方波电压脉冲Vin输入到可控电流源10,可控电流源10将外部脉冲r转换成电流信号Iin对充放电模块20进行充电并形成膜电压Vmem;然后钠通道模块30根据膜电压Vmem输出钠通道电流,钾通道模块40根据电流信号和钠通道电流输出钾通道电流;充放电模块20还会根据电流信号和钠通道电流充电,以及根据钾通道电流放电,并输出外部脉冲的神经元仿生脉冲δ(如图2中输出的脉冲δ),该神经元仿生脉冲δ为连续的、非周期性的类生物神经元的动作电位脉冲。
实际应用中,外部脉冲r可以是正弦波、锯齿波、方波、谐波、周期脉冲等瞬时幅值随时间重复变化的信号。
上述神经元仿生电路,成本低、功耗低,即通过外部脉冲转换的电流信号对充放电模块20充电,然后充放电模块20根据钠通道模块30输出的钠通道电流和电流信号再充电,根据钾通道模块40输出的钾通道电流放电,输出外部脉冲对应的神经元仿生脉冲,输出的神经元仿生脉冲模仿了生物神经元动作电位动态行为,并且具有时间编码特性,这种时间编码特性使得利用神经元仿生脉冲传递信息的过程中不易受到干扰,不易损耗,提高了信号传输的抗干扰及抗损伤的能力。
一个实施例中,可控电流源10可以为Howland电流源,还可以为压控电流源或者流控电流源。Howland电流源是一种适用于接地负载的电压-电流转换电路,Howland电流源可将电压脉冲信号比例转换为电流脉冲信号,并保持输出脉冲信号的周期和脉宽与输入脉冲信号的周期和脉宽保持一致。
具体的,参见图3,可控电流源10可以包括:输入端、输出端、第一电阻R1、第二电阻R2、第三电阻R3、第一电容C1、第四电阻R4、第五电阻R5、第六电阻R6、第二电容C2和运放器U1。其中,可控电流源10的输入端与所述外部信号源连接,可控电流源10的输出端与充放电模块20连接。
具体的,第一电阻R1的第一端与可控电流源10的输入端连接,第一电阻R1的第二端分别与运放器U1的正相输入端、第二电阻R2的第一端和第一电容C1的第一端连接;第二电阻R2的第二端分别与第一电容C1的第二端、第三电阻R3的第二端和可控电流源10的输出端连接。
第四电阻R4的第一端接地,第四电阻R4的第二端分别与运放器U1的反相输入端、第五电阻R5的第一端和第二电容C2的第一端连接;第五电阻R5的第二端分别与第二电容C2的第二端和第六电阻R6的第一端连接;第六电阻R6的第二端分别与运放器U1的输出端和第三电阻R3的第一端连接。
可控电流源10接收外部脉冲并将外部脉冲转换为相同周期及脉宽的电流信号输出给充放电模块20,即能够使电流输出的周期及脉宽稳定,结构简单,功耗低。
一个实施例中,参见图2,充放电模块20包括:第一端、第二端、膜电容Cr和第一可变电阻单元Rn1;第一可变电阻单元Rn1可以泄放膜电容Cr上的电压。
其中,充放电模块20的第一端分别与可控电流源10和钠通道模块30的第一端连接,充放电模块20的第二端与钠通道模块30的第二端连接。
具体的,膜电容Cr的第一端分别与充放电模块20的第一端和第一可变电阻单元Rn1的第一端连接,膜电容Cr的第二端分别与充放电模块20的第二端和第一可变电阻单元Rn1的第二端连接,第一可变电阻单元Rn1的第二端接地。
可选的,第一可变电阻单元Rn1可以为数字电位器,也可以为可变电阻;在第一可变电阻单元Rn1为可变电阻时,阻值变化可以根据工作人员控制调节。示例性的,第一可变电阻单元Rn1的总阻值为100kΩ。
一个实施例中,参见图2,钠通道模块30包括:第一端、第二端、第一三极管Q1、第二三极管Q2、第七电阻R7、第二可变电阻单元Rn2和第一可变电源V1。钠通道模块30的第一端与钾通道模块40的第一端连接,钠通道模块30的第二端与钾通道模块40的第二端连接。
具体的,第一三极管Q1的基极与钠通道模块30的第一端和第二三极管Q2的集电极连接,第一三极管Q1的集电极与第二三极管Q2的基极连接,第一三极管Q1的发射极通过第七电阻R7与钠通道模块30的第二端连接。
第二三极管Q2的集电极还与钠通道模块30的第一端连接,第二三极管Q2的发射极通过第二可变电阻单元Rn2与第一可变电源V1的第一端连接;第一可变电源V1的第二端与钠通道模块30的第二端连接,钠通道模块30的第二端接地。可选的,第一三极管Q1为NPN型三极管,第二三极管Q2为PNP型三极管。
可选的,第二可变电阻单元Rn2可以为数字电位器,也可以为可变电阻;在第二可变电阻单元Rn2为可变电阻时,阻值变化可以根据工作人员控制调节。示例性的,第二可变电阻单元Rn2的总阻值可以为2kΩ。
一个实施例中,参见图4,第一可变电源V1可以包括:第三电容C3、第四电容C4、第五电容C5、第六电容C6、第七电容C7、第一二极管D1、第八电阻R8、第一稳压源N1和第一数字电位器W1。第一数字电位器W1用于控制第一稳压源N1输出的电压大小。
第一稳压源N1的输入端分别与外部9V直流电源、第三电容C3的第一端和第四电容C4的第一端连接,第一稳压源N1的输出端分别与第一可变电源V1的第一端、第一二极管D1的阳极、第八电阻R8的第一端、第六电容C6的第一端和第七电容C7的第一端连接,第一稳压源N1的控制端分别与第一数字电位器W1的输出端、第一二极管D1的阴极、第八电阻R8的第二端和第五电容C5的第一端连接。
第三电容C3的第二端、第四电容C4的第二端、第五电容C5的第二端、第六电容C6的第二端、第七电容C7的第二端和第一数字电位器W1的地端均与第一可变电源的第二端连接,并共同接地。可选的,第一数字电位器W1的总阻值为1kΩ,具体阻值可以调节,进而可以调节第一可变电源V1的输出效果。
可选的,第一稳压源N1可以为LM317芯片。
一个实施例中,参见图2,钾通道模块40包括:第一端、第二端、第三可变电阻单元Rn3、第九电阻R9、第三三极管Q3、第八电容C8和第二可变电源V2。钾通道模块40的第一端与钠通道模块30的第一端连接,钾通道模块40的第二端与钠通道模块30的第二端连接。
具体的,第三可变电阻单元Rn3的第一端分别与钾通道模块40的第一端和第九电阻R9的第一端连接,第三可变电阻单元Rn3的第二端与第三三极管Q3的集电极连接。第三三极管Q3的基极分别与第九电阻R9的第二端和第八电容C8的第一端连接,第三三极管Q3的发射极通过第二可变电源V2与钾通道模块40的第二端、第八电容C8的第二端和地端连接。可选的,第三三极管Q3为NPN型三极管。
可选的,第三可变电阻单元Rn3可以为数字电位器,也可以为可变电阻;在第三可变电阻单元Rn3为可变电阻时,阻值变化可以根据工作人员控制调节。示例性的,第三可变电阻单元Rn3的总阻值可以为1kΩ。
一个实施例中,参见图5,第二可变电源V2包括:极性电容Cj、第九电容C9、第十电容C10、第十一电容C11、第十电阻R10、第二稳压源N1和第二数字电位器W2。
具体的,第二稳压源N2的输入端分别与外部-9V直流电源、极性电容Cj的负极和第九电容C9的第一端连接,第二稳压源N1的输出端分别与第十一电容C11的第一端、第十电阻R10的第一端和第二可变电源V2的第一端连接,第二稳压源N1的控制端分别与第十电容C10的第一端和第二数字电位器W2的输出端连接。
极性电容Cj的正极、第九电容C9的第二端、第十电容C10的第二端、第十一电容C11的第二端、第十电阻R10的第二端、第二稳压源N1的地端和第二数字电位器W2的地端均与第二可变电源的第二端连接,并共同接地。可选的,第二数字电位器W2的总阻值为5kΩ,具体阻值可以调节,进而可以调节第二可变电源V2的输出效果。
可选的,所述第二稳压源可以为LT3090芯片。
结合上述实施例中的神经元仿生电路的具体电路结构,对本实施的神经元仿生电路的工作原理进行说明,详述如下:
参见图2,可控电流源10输出电流信号对充放电模块20的膜电容Cr充电,膜电容Cr的两端形成膜电压Vmem,膜电压Vmem逐渐升高直到大于钠通道模块30的第一三极管Q1的开启电压(第一预设电压)时,第一三极管Q1和第二三极管Q2导通,模拟了生物神经元细胞膜上钠离子通道的打开过程,此时第一可变电源V1通过第二可变电阻单元Rn2和第二三极管Q2对膜电容Cr快速充电,并输出钠通道电流INa,膜电压Vmem快速升高,模拟了生物神经元细胞膜外钠离子迅速内流而使膜电压Vmem快速升高的去极化过程。
同时,电流信号和钠通道电流INa也对钾通道模块40的第八电容C8缓慢充电;当第八电容C8两端的电压大于第三三极管Q3的开启电压(第二预设电压)时,第三三极管Q3导通,模拟了生物神经元细胞膜上钾离子通道的打开过程,此时,第二可变电源V2通过第二可变电阻单元Rn3和第三三极管Q3对膜电容Cr放电,输出钾通道电流Ik,钾通道电流Ik从第三三极管Q3的集电极流向发射极,使膜电压Vmem则迅速下降,此过程模拟了神经元细胞膜内钾离子迅速外流而使膜电压Vmem快速降低的复极化过程。
另外,当膜电压Vmem下降到阈值电压时,第一三极管Q1关闭,钠通道模块30停止充电,模拟了生物神经元细胞膜上钠离子通道的关闭过程;当膜电压Vmem下降到静息电位时,第八电容C8通过第九电阻R9放电,第八电容C8两端电压仍然大于第三三极管Q3的开启电压,第二可变电源V2通过第二可变电阻单元Rn3和第三三极管Q3输出负的钾通道电流,膜电压Vmem继续降低,从而使膜电压Vmem小于静息电位,模拟了神经元膜电压的超极化过程;当第八电容C8两端电压小于第三三极管Q3的开启电压时,第三三极管Q3截止,模拟了钾离子通道的关闭过程。其中,可控电流源输出的电流信号会继续对膜电容Cr充电,从而使膜电压Vmem恢复到静息电位,即完成一个动作电位的产生过程,输出神经元仿生脉冲,如图6所示。
上述实施例中,神经元仿生电路的成本小、功耗低;主要通过可控电流源10将外部脉冲转换为相同周期及脉宽的电流信号,电流信号对充放电模块20充电,然后充放电模块20根据钠通道模块30输出的钠通道电流和电流信号再充电,根据钾通道模块40输出的钾通道电流放电,输出外部脉冲的神经元仿生脉冲,输出的神经元仿生脉冲模仿了生物神经元动作电位动态行为,并且具有时间编码特性,即输出的神经元仿生脉冲可以实现对输入信号的时间编码,这种时间编码特性使得利用神经元仿生脉冲传递信息的过程中不易受到干扰,不易损耗,提高了信号传输的抗干扰及抗损伤的能力。
实施例二
基于上述实施例一提供的神经元仿生电路,本实施例二提供了的一种神经形态系统。参见图7,神经形态系统包括:神经元监控电路100,还包括与神经元监控电路100连接如实施例一提供的任一种所述的神经元仿生电路200。
其中,神经元监控电路100包括:电压监测模块110和控制模块120。电压监测模块110的输入端与神经元仿生电路200的输出端连接,电压监测模块110的输出端与控制模块120的输入端,控制模块120的输出端均与神经元仿生电路200的充放电模块、钠通道模块和钾通道模块连接。具体的,控制模块120的输出端可以包括第一输出端、第二输出端、第三输出端、第四输出端和第五输出端;第一输出端与充放电模块的第一可变电阻单元连接,第二输出端与钠通道模块的第二可变电阻单元连接,第三输出端与钠通道模块的第一可变电源连接,第四输出端与钾通道模块的第三可变电阻单元连接,第五输出端与钾通道模块的第二可变电源连接。
电压监测模块110用于获取神经元仿生电路200输出的神经元仿生脉冲的电压信息,并将所述电压信息发送给控制模块120;控制模块120用于判断所述电压信息是否满足目标电压信息,根据判断结果向神经元仿生电路200输出控制信号;神经元仿生电路200还用于根据控制信号输出目标神经元仿生脉冲。
电压监测模块110和控制模块120模拟了生物神经元的化学与蛋白的调控过程,根据调控机制模拟神经元电路中的可变电阻模块和可变电源模块实现模拟神经元的不同的放电行为;具体的,参见图8,控制模块120向神经元仿生电路200的第一可变电阻单元、第二可变电阻单元、第一可变电源、第三可变电阻单元和第二可变电源输出控制信号,第一可变电阻单元、第二可变电阻单元、第一可变电源、第三可变电阻单元和第二可变电源根据控制信号改变自身值,使得神经元仿生脉冲(静息电位)发生改变,直至神经元仿生电路200输出目标神经元仿生脉冲(达到目标静息电位)。静息电位是指当神经元仿生电路200无信号输入时或输入为0时,当膜电压Vmem不在波动、稳定到一定值时,测得膜电压的值,可以用Vr表示。
上述实施例的神经形态系统,主要包括神经元监控电路100和神经元仿生电路200,成本小,功耗低;其中,神经元监控电路100包括电压监测模块110和控制模块120;电压监测模块110获取所述神经元仿生电路输出的神经元仿生脉冲的电压信息,控制模块120判断所述电压信息是否满足目标电压信息,根据判断结果向神经元仿生电路200输出控制信号,可以实时调整目标仿生脉冲,使输出的仿生脉冲更符合生物神经元发放动作电位的动态行为,最后神经元仿生电路200根据控制信号输出目标神经元仿生脉冲,输出的神经元仿生脉冲具有时间编码功能,即输出的神经元仿生脉冲可以实现对输入信号的时间编码,这种时间编码特性使得利用神经元仿生脉冲传递信息的过程中不易受到干扰,不易损耗,提高了信号传输的抗干扰及抗损伤的能力。
可选的,电压监测模块110可以为电压跟随器。电压跟随器用于隔离神经元仿生电路200与控制模块120,使得控制模块120对神经元仿生电路200不会产生影响,电压跟随器还可以防止二次噪声。为得到良好的监测效果,本发明实施例选择输入阻抗大(≥1MΩ)、输出阻抗低(≤20Ω)的电压跟随器,电压跟随器的输入阻抗越大、输出阻抗越低,则电压跟随器在数字控制电路中的隔离性能越好。
可选的,控制模块120可以包括ADC(Analog-to-Digital Converter,模/数转换器)和控制芯片122。控制芯片122可以由单片机、ARM(Advanced RISC Machines,高级精简指令集处理器)、FPGA(Field Programmable Gate Array,现场可编程门阵列)等微控制器来实现,例如,控制模块120可以为ARM STM32F103ZET6型号的微控制器。ADC可以用于采集通过电压监测模块110隔离后的神经元仿生脉冲的膜电压Vmem1。为了提高采集精度,ADC的分辨率大于等于12位。
示例性的,通过微控制器STM32F103ZET6内部ADC获取电压监测模块110采集的神经元仿生脉冲的电压信息(可以为静息电位),判断所述电压信息是否满足目标电压信息,即将获取的电压信息与预设电压信息(例如目标静息电位)进而比较,若不相等,则微控制器STM32F103ZET6向神经元仿生电路200发送控制信号,神经元仿生电路200根据控制信号调节第一可变电阻单元、第二可变电阻单元、第一可变电源、第三可变电阻单元和第二可变电源,例如,在第一可变电阻单元的阻值为95.3kΩ、第二可变电阻单元的阻值为1.82kΩ、第三可变电阻单元的阻值为523Ω、第一可变电源输出电压值为5V、第二可变电源输出电压值为-0.45V时,神经元仿生电路200可以输出目标神经元仿生脉冲。神经元仿生电路200输出的目标神经元仿生脉冲如图6所示。
另外,该神经形态系统还可以作为信号传输系统传输信号,输出的神经元仿生脉冲可以实现对输入信号的时间编码。时间编码即是神经信息编码的一种编码方式,通过神经元发放的动作电位序列中相邻动作电位时间间隔的变化来反映神经元之间的信息量的传递,这种信息表达方法使得信息可以在外界干扰环境下可靠传递。
如图9所示,其中rn为输入信号每个脉冲上升沿的时间,δi为神经形态电路每个动作定位的发放时间,θi表示输出脉冲与输入信号在时间上最相邻的脉冲间所存在的相角(即相位差)。时间编码算法如下:
步骤1,判断神经形态电路的圆映射(即神经形态电路发放的动作电位中θi的一维迭代映射),是否为单调提升圆映射。单调提升圆映射的示意图,如图10所示,由圆圈构成的每个分支都是单调提升的。
步骤2,按照符号动力学方法,对神经形态电路产生的脉冲序列按公式
进行符号划分,使脉冲序列{δ1δ2δ3...δi...}变为符号序列{S1S2S3...Si...}。这里“第0周期”就是指脉冲序列中δi-1所在的周期,此处取pr=r。
进而,根据符号动力学的基本原理,可以对符号序列进行大小排序。假设存在两串符号序列Seq1={C*ai...}和Seq2={C*bi...},其中C*表示相同的符号序列,对于单调提升的圆映射,排序规则定义如下式所示:
若ai>bi,则Seq1>Seq2
若ai<bi,则Seq1<Seq2
步骤3,根据步骤2中得到的符号序列排序性,可得出神经形态电路输入信号频率或周期的排序性,其排序规则如下式所示:
若Seq1>Seq2,则f1>f2,T1<T2
若Seq1<Seq2,则f1<f2,T1>T2
由上述时间编码方法可知,神经形态电路在每一种频率fi的输入下,都会有相对应的一组符号序列Seqi,则在一组频率{f1f2f3...fi...}(f1>f2>f3>...>fi>...)的输入下,就会有一组相对应的符号序列{Seq1Seq2Seq3...Seqi...},根据符号序列的排序规则,就会有一组排序{Seq1>Seq2>Seq3>...>Seqi>...}。
随机改变神经形态电路中的内部参数,即电路中可调电阻的阻值、电容或可调电压值,若在改变神经形态电路的内部参数后,在相同频率{f1f2f3...fi...}输入下,最后得到的符号序列性不变,依然是{Seq1>Seq2>Seq3>...>Seqi>...}。说明了虽然由于复杂电磁环境干扰会导致电路内部参数发生改变,但神经形态电路所处理的信息不变(符号序列的排序性不变)。
具体的,根据神经元仿生电路200的时间编码过程,可以对目标传输信号以符号序列的形式表达,在不同周期的目标传输信号刺激下神经元仿生电路200产生动作脉冲对应的符号序列不同,具体可参见表1,其中,神经元仿生电路200中第二可变电阻单元的阻值为1.82kΩ。
示例性的,将需要传输的信息通过神经形态系统转换为符号序列的过程可以为:将目标传输信号进行微分后输入到计数器的时钟端,将目标传输信号输入到神经元仿生电路200,神经元仿生电路200输出的神经元仿生脉冲进行微分输入到计数器的复位端;计数器每当接收神经元仿生脉冲的第i个高电平,则计数器的时钟端对微分后的目标传输信号进行计数,当复位端接到神经元仿生脉冲的第i+1个高电平时,将时钟端的计数存储,并清零重新计数,当复位端接到神经元仿生脉冲的第i+2个高电平时,将时钟端的计数存储,并清零重新计数,直到神经元仿生脉冲输出完毕,则得到一组根据目标传输信号得到的符号序列。
表1不同周期信号对应的符号序列
从表1中可以看出,符号序列的排序性与输入信号周期的排序性成线性反比的关系,则符号序列的排序性与输入信号频率的排序性成线性正比的关系。并且,在神经元仿生电路200中其它器件的参数稍微改变的情况下,符号序列会随之改变。例如,将第二可变电阻单元的阻值增大到2kΩ,其它参数不变,得到的符号序列如表2所示。
表2不同周期信号对应的符号序列
由表2可以得出,在神经元仿生电路200中的器件参数发生改变的情况下,符号序列发生了变化,但其产生的符号序列的排序性不变,依然可以分辨出输入信号周期的大小,也由此说明,神经系统在受到各种噪声干扰的情况下,生物的神经系统却仍能保持稳定的、高精度的信息处理的能力,因此,本实施例的神经形态系统是符合生物实际生理机制的,具有一定的抗外界干扰的能力,且可以实现对时间信号的编码,实现信息的可靠表达。
上述实施例中,系统主要包括神经元监控电路100和神经元仿生电路200,成本小,功耗低;其中,神经元监控电路100包括电压监测模块110和控制模块120;电压监测模块110获取所述神经元仿生电路输出的神经元仿生脉冲的电压信息,控制模块120判断所述电压信息是否满足目标电压信息,根据判断结果向神经元仿生电路200输出控制信号,可以实时调整目标仿生脉冲,使输出的仿生脉冲更符合生物神经元发放动作电位的动态行为,最后神经元仿生电路200根据控制信号输出目标神经元仿生脉冲,输出的神经元仿生脉冲可以实现对输入信号的时间编码,应用这种时间编码特性,使得利用神经元仿生脉冲传递信息,提高了信号传输的抗干扰及抗损伤的能力。
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 (9)
1.一种神经元仿生电路,其特征在于,包括:可控电流源、充放电模块、钠通道模块和钾通道模块;
所述可控电流源,与所述充放电模块连接,用于接收外部信号源的外部脉冲,并根据所述外部脉冲向所述充放电模块输出电流信号;
所述充放电模块,分别与所述钠通道模块和所述钾通道模块并联,用于根据所述电流信号充电并形成膜电压;
所述钠通道模块,用于在所述膜电压大于第一预设电压时输出钠通道电流;
所述钾通道模块,用于根据所述电流信号和所述钠通道电流充电,在充电电压大于第二预设电压时输出钾通道电流;
所述充放电模块还根据所述电流信号和所述钠通道电流充电,以及根据所述钾通道电流放电,并输出所述外部脉冲的神经元仿生脉冲;
所述可控电流源包括:输入端、输出端、第一电阻、第二电阻、第三电阻、第一电容、第四电阻、第五电阻、第六电阻、第二电容和运放器;
所述可控电流源的输入端与所述外部信号源连接,所述可控电流源的输出端与所述充放电模块连接;
所述第一电阻的第一端与所述可控电流源的输入端连接,所述第一电阻的第二端分别与所述运放器的正相输入端、所述第二电阻的第一端和所述第一电容的第一端连接;
所述第二电阻的第二端分别与所述第一电容的第二端、所述第三电阻的第二端和所述可控电流源的输出端连接;
所述第四电阻的第一端接地,所述第四电阻的第二端分别与所述运放器的反相输入端、所述第五电阻的第一端和所述第二电容的第一端连接;
所述第五电阻的第二端分别与所述第二电容的第二端和所述第六电阻的第一端连接;
所述第六电阻的第二端分别与所述运放器的输出端和所述第三电阻的第一端连接。
2.如权利要求1所述的神经元仿生电路,其特征在于,所述充放电模块包括:第一端、第二端、膜电容和第一可变电阻单元;
所述充放电模块的第一端分别与所述可控电流源和所述钠通道模块的第一端连接,所述充放电模块的第二端与所述钠通道模块的第二端连接;
所述膜电容的第一端分别与所述充放电模块的第一端和所述第一可变电阻单元的第一端连接,所述膜电容的第二端分别与所述充放电模块的第二端和所述第一可变电阻单元的第二端连接,所述第一可变电阻单元的第二端接地。
3.如权利要求2所述的神经元仿生电路,其特征在于,所述第一可变电阻单元为数字电位器。
4.如权利要求1所述的神经元仿生电路,其特征在于,所述钠通道模块包括:第一端、第二端、第一三极管、第二三极管、第七电阻、第二可变电阻单元和第一可变电源;
所述钠通道模块的第一端与所述钾通道模块的第一端连接,所述钠通道模块的第二端与所述钾通道模块的第二端连接;
所述第一三极管的基极与所述钠通道模块的第一端和所述第二三极管的集电极连接,所述第一三极管的集电极与所述第二三极管的基极连接,所述第一三极管的发射极通过所述第七电阻与所述钠通道模块的第二端连接;
所述第二三极管的集电极还与所述钠通道模块的第一端连接,所述第二三极管的发射极通过所述第二可变电阻单元与所述第一可变电源的第一端连接;
所述第一可变电源的第二端与所述钠通道模块的第二端连接,所述钠通道模块的第二端接地。
5.如权利要求4所述的神经元仿生电路,其特征在于,所述第一可变电源包括:第三电容、第四电容、第五电容、第六电容、第七电容、第一二极管、第八电阻、第一稳压源和第一数字电位器;
所述第一稳压源的输入端分别与外部9V直流电源、所述第三电容的第一端和所述第四电容的第一端连接,所述第一稳压源的输出端分别与所述第一可变电源的第一端、所述第一二极管的阳极、所述第八电阻的第一端、所述第六电容的第一端和所述第七电容的第一端连接,所述第一稳压源的控制端分别与所述第一数字电位器的输出端、所述第一二极管的阴极、所述第八电阻的第二端和所述第五电容的第一端连接;
所述第三电容的第二端、所述第四电容的第二端、所述第五电容的第二端、所述第六电容的第二端、所述第七电容的第二端和所述第一数字电位器的地端均与第一可变电源的第二端连接,并共同接地。
6.如权利要求1至5任一项所述的神经元仿生电路,其特征在于,所述钾通道模块包括:第一端、第二端、第三可变电阻单元、第九电阻、第三三极管、第八电容和第二可变电源;
所述钾通道模块的第一端与所述钠通道模块的第一端连接,所述钾通道模块的第二端与所述钠通道模块的第二端连接;
所述第三可变电阻单元的第一端分别与所述钾通道模块的第一端和所述第九电阻的第一端连接,所述第三可变电阻单元的第二端与所述第三三极管的集电极连接;
所述第三三极管的基极分别与所述第九电阻的第二端和所述第八电容的第一端连接,所述第三三极管的发射极通过所述第二可变电源与所述钾通道模块的第二端、所述第八电容的第二端和地端连接。
7.如权利要求6所述的神经元仿生电路,其特征在于,所述第二可变电源包括:极性电容、第九电容、第十电容、第十一电容、第十电阻、第二稳压源和第二数字电位器;
所述第二稳压源的输入端分别与外部-9V直流电源、所述极性电容的负极和所述第九电容的第一端连接,所述第二稳压源的输出端分别与所述第十一电容的第一端、所述第十电阻的第一端和所述第二可变电源的第一端连接,所述第二稳压源的控制端分别与所述第十电容的第一端和所述第二数字电位器的输出端连接;
所述极性电容的正极、所述第九电容的第二端、所述第十电容的第二端、所述第十一电容的第二端、所述第十电阻的第二端、所述第二稳压源的地端和所述第二数字电位器的地端均与第二可变电源的第二端连接,并共同接地。
8.如权利要求7所述的神经元仿生电路,其特征在于,所述第二稳压源为LT3090芯片。
9.一种神经形态系统,其特征在于,包括神经元监控电路,其特征在于,还包括与所述神经元监控电路连接的如权利要求1至8任一项所述的神经元仿生电路;
其中,所述神经元监控电路包括:电压监测模块和控制模块;
所述电压监测模块,与所述控制模块连接,用于获取所述神经元仿生电路输出的神经元仿生脉冲的电压信息,并将所述电压信息发送给所述控制模块;
所述控制模块,用于判断所述电压信息是否满足目标电压信息,根据判断结果向所述神经元仿生电路输出控制信号;所述神经元仿生电路根据控制信号输出目标神经元仿生脉冲。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631636.0A CN109670585B (zh) | 2018-12-29 | 2018-12-29 | 神经元仿生电路和神经形态系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631636.0A CN109670585B (zh) | 2018-12-29 | 2018-12-29 | 神经元仿生电路和神经形态系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670585A CN109670585A (zh) | 2019-04-23 |
CN109670585B true CN109670585B (zh) | 2024-01-23 |
Family
ID=66146625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811631636.0A Active CN109670585B (zh) | 2018-12-29 | 2018-12-29 | 神经元仿生电路和神经形态系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670585B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598857B (zh) * | 2019-05-14 | 2021-02-19 | 河北工业大学 | 一种显示Izhikevich神经元模型的方法 |
CN110245750B (zh) * | 2019-06-14 | 2022-07-15 | 西南科技大学 | 一种基于fpga的神经网络数值模拟方法 |
CN110188873B (zh) * | 2019-07-08 | 2024-01-19 | 中国人民解放军陆军工程大学 | 前馈网络拓扑数模混合神经网络电路 |
CN110794673B (zh) * | 2019-10-15 | 2021-06-22 | 中国科学院上海微系统与信息技术研究所 | 一种应用于神经元的全数字仿生电路及系统 |
CN116011536B (zh) * | 2022-12-06 | 2024-01-23 | 常州大学 | 一种基于局部有源忆阻的神经形态电路 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06274661A (ja) * | 1993-03-18 | 1994-09-30 | Hitachi Ltd | シナプス回路およびそれを用いたニューラルネットワークシステム |
US5355435A (en) * | 1992-05-18 | 1994-10-11 | New Mexico State University Technology Transfer Corp. | Asynchronous temporal neural processing element |
CN105426958A (zh) * | 2015-11-02 | 2016-03-23 | 清华大学 | 通过神经电路实现因果推理的方法和神经电路 |
US9443191B1 (en) * | 2013-09-27 | 2016-09-13 | The United States Of America As Represented By The Secretary Of The Navy | Biomimetic sensor and method for configuring biomimetic sensor |
CN206497488U (zh) * | 2017-02-17 | 2017-09-15 | 周子玥 | 一种用于人工智能的神经元模拟电路 |
CN108764474A (zh) * | 2018-05-25 | 2018-11-06 | 中国传媒大学 | 一种神经元参数拟合方法 |
CN209216149U (zh) * | 2018-12-29 | 2019-08-06 | 中国人民解放军陆军工程大学 | 神经元仿生电路和神经形态系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4248187B2 (ja) * | 2002-03-27 | 2009-04-02 | シャープ株式会社 | 集積回路装置及びニューロ素子 |
JP4997495B2 (ja) * | 2006-03-06 | 2012-08-08 | 国立大学法人東京工業大学 | 神経等価回路、シナプス等価回路及び神経細胞体等価回路 |
US8990137B2 (en) * | 2012-03-29 | 2015-03-24 | Rhode Island Board Of Education, State Of Rhode Island And Providence Plantations | Apparatus for memristor/neuron emulation and testing |
US10339444B2 (en) * | 2017-01-20 | 2019-07-02 | International Business Machines Corporation | Monitoring potential of neuron circuits |
-
2018
- 2018-12-29 CN CN201811631636.0A patent/CN109670585B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5355435A (en) * | 1992-05-18 | 1994-10-11 | New Mexico State University Technology Transfer Corp. | Asynchronous temporal neural processing element |
JPH06274661A (ja) * | 1993-03-18 | 1994-09-30 | Hitachi Ltd | シナプス回路およびそれを用いたニューラルネットワークシステム |
US9443191B1 (en) * | 2013-09-27 | 2016-09-13 | The United States Of America As Represented By The Secretary Of The Navy | Biomimetic sensor and method for configuring biomimetic sensor |
CN105426958A (zh) * | 2015-11-02 | 2016-03-23 | 清华大学 | 通过神经电路实现因果推理的方法和神经电路 |
CN206497488U (zh) * | 2017-02-17 | 2017-09-15 | 周子玥 | 一种用于人工智能的神经元模拟电路 |
CN108764474A (zh) * | 2018-05-25 | 2018-11-06 | 中国传媒大学 | 一种神经元参数拟合方法 |
CN209216149U (zh) * | 2018-12-29 | 2019-08-06 | 中国人民解放军陆军工程大学 | 神经元仿生电路和神经形态系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109670585A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670585B (zh) | 神经元仿生电路和神经形态系统 | |
Ciancetta et al. | A new convolutional neural network-based system for NILM applications | |
RU2565595C2 (ru) | Детектор контакта с кожей | |
CN102193032A (zh) | 一种具有高精度高稳定性的自电容变化测量电路 | |
CN109444556B (zh) | 一种新型sigma-delta电容触摸检测电路 | |
CN102291544B (zh) | 一种增益自动可调放大器读出电路 | |
CN103901352B (zh) | 显示移动终端电池剩余电量的方法及装置 | |
CN209216149U (zh) | 神经元仿生电路和神经形态系统 | |
CN207529652U (zh) | 一种血液分析仪及其蜂鸣器音量调节驱动电路 | |
CN204909403U (zh) | 一种电子体温计 | |
CN111585563A (zh) | 一种神经形态输出的压阻型触觉传感单元 | |
CN110345981A (zh) | 电阻式传感器的检测系统 | |
CN108107248A (zh) | 一种基于神经网络的窃电识别方法 | |
CN103440073B (zh) | 排除寄生电容影响的电容感测电路 | |
CN202870287U (zh) | 局部放电测量的校准脉冲发生器 | |
CN209590145U (zh) | 神经元仿生电路和电容检测系统 | |
CN109282856A (zh) | 一种同时检测温度/电压/电流信号的单芯片传感器 | |
CN108534819A (zh) | 一种恒流或恒压传感器模拟系统及方法 | |
CN101771412B (zh) | 基于神经元工作原理的模数转换方法及装置 | |
CN206460695U (zh) | 一种模拟波形发生器教学实验装置 | |
Ahmad et al. | Low power hydrometry for open channel flows | |
CN109683024B (zh) | 神经元仿生电路和电容检测系统 | |
Danilin et al. | The research of operation accuracy of a memristor-based artificial neural network with an input signal containing noise and pulse interference | |
CN212410496U (zh) | 一种可报警的防病毒穿戴设备 | |
CN209590128U (zh) | 神经元仿生电路和信号频率检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |