CN109800851A - 神经突触电路和脉冲神经网络电路 - Google Patents
神经突触电路和脉冲神经网络电路 Download PDFInfo
- Publication number
- CN109800851A CN109800851A CN201811634214.9A CN201811634214A CN109800851A CN 109800851 A CN109800851 A CN 109800851A CN 201811634214 A CN201811634214 A CN 201811634214A CN 109800851 A CN109800851 A CN 109800851A
- Authority
- CN
- China
- Prior art keywords
- module
- connect
- synapse
- circuit
- triode
- 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
- 210000000225 synapse Anatomy 0.000 title claims abstract description 200
- 210000005036 nerve Anatomy 0.000 title claims abstract description 100
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 108010052164 Sodium Channels Proteins 0.000 claims abstract description 77
- 102000018674 Sodium Channels Human genes 0.000 claims abstract description 77
- 230000002964 excitative effect Effects 0.000 claims abstract description 64
- 102000004257 Potassium Channel Human genes 0.000 claims abstract description 61
- 108020001213 potassium channel Proteins 0.000 claims abstract description 61
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 60
- 210000002569 neuron Anatomy 0.000 claims abstract description 47
- 230000000946 synaptic effect Effects 0.000 claims abstract description 27
- 239000003990 capacitor Substances 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 230000005764 inhibitory process Effects 0.000 claims description 10
- 239000012528 membrane Substances 0.000 claims description 9
- 238000000465 moulding Methods 0.000 claims 2
- 210000000653 nervous system Anatomy 0.000 abstract description 10
- 238000005265 energy consumption Methods 0.000 abstract description 7
- 230000001537 neural effect Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 206010001497 Agitation Diseases 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 4
- 230000036749 excitatory postsynaptic potential Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 4
- 230000004751 neurological system process Effects 0.000 description 3
- 238000004080 punching Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000036734 inhibitory postsynaptic potential Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001242 postsynaptic effect Effects 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 230000003518 presynaptic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 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
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Electrotherapy Devices (AREA)
Abstract
本发明属于仿生电路技术领域，提供一种神经突触电路和脉冲神经网络电路。所述脉冲神经网络电路包括：多个输出兴奋性突触电流的神经突触电路、多个输出抑制性突触电流的神经突触电路和多个神经元仿生电路；神经元仿生电路包括充放电模块、钠通道模块和钾通道模块；钠通道模块输出钠通道电流，钾通道模块输出钾通道电流；充放电模块还根据突触电流和钠通道电流进行充电，以及根据钾通道电流进行放电，最后输出神经仿生脉冲，突触电流为兴奋性突触电流或抑制性突触电流。本发明的电路成本小、功耗低，模拟两种不同功能的神经突触，还模拟生物神经突触和神经元的动力学特性，产生的神经仿生脉冲更接近于真实的生物神经系统输出神经脉冲的动态特性。
Description
技术领域
本发明属于仿生电路技术领域，更具体地说，是涉及一种神经突触电路和脉冲神经网络电路。
背景技术
近几年来，脉冲神经网络正日益成为计算智能领域中的一个研究热点，受到了广泛的关注，并被称为第三代神经网络，该神经网络是直接利用脉冲发放时间对数据进行处理，处理能力和处理效率有较大的提升。
在当前蓬勃发展的网联网产业中，神经网络技术也得到了广泛应用，很多复杂的数据信息，如视频与图像信息等需要在现场进行实时处理，此时若用软件实现脉冲神经网络算法来处理数据，不仅速度慢，并行程度也低，难以满足对大数据信息的实时处理要求，这就使得将脉冲神经网络实现到大规模集成电路上，变得十分必要。但是，传统的脉冲神经网络电路实现成本高，功耗高，而且模拟的神经脉冲不符合生物神经系统输出神经脉冲的动态特性。
发明内容
鉴于此，本发明提供一种神经突触电路和脉冲神经网络电路，旨在现有技术中神经仿生电路成本高、功耗高，输出的仿生脉冲不符合生物神经系统输出神经脉冲的动态特性。
本发明实施例的第一方面提供了一种神经突触电路，包括：输入端、导通模块、兴奋性突触模块、电流控制模块和输出端；
所述导通模块，分别与所述输入端和所述兴奋性突触模块连接，用于接收外部脉冲，在所述外部脉冲的电压大于第一预设电压时输出第一电流；
所述兴奋性突触模块，与所述电流控制模块连接，用于根据所述第一电流输出导通电压，在所述导通电压大于第二预设电压时输出兴奋性突触电流；
所述电流控制模块，与所述输出端连接，用于根据用户输入调整所述兴奋性突触电流的大小并输出。
可选的，所述导通模块包括：第一端、第二端、第一电阻、第二电阻、第一三极管、第二三极管和第一电源；
所述导通模块的第一端与所述输入端连接；
所述第一电阻的第一端与所述导通模块的第一端连接，所述第一电阻的第二端与所述第一三极管的基极连接；
所述第一三极管的集电极和所述第二三极管的集电极均与所述第一电源的正极连接，所述第一三极管的发射极与所述第二三极管的基极连接；
所述第一电源的负极接地；
所述第二三极管的发射极与所述第二电阻的第一端连接；
所述第二电阻的第二端与所述导通模块的第二端连接；
所述导通模块的第二端与所述兴奋性突触模块连接。
可选的，所述兴奋性突触模块包括：第一端、第二端、光耦合器、第三电阻、第三三极管和第二电源；
所述兴奋性突触模块的第一端与所述导通模块连接；
所述光耦合器的原边输入端与所述兴奋性突触模块的第一端连接，所述光耦合器的原边输出端接地，所述光耦合器的副边输入端与所述第三三极管的基极连接，所述光耦合器的副边输出端与所述第三电阻的第一端连接；
所述第三三极管的发射极与所述第二电源的正极连接，所述第三三极管的集电极与所述兴奋性突触模块的第二端连接；
所述第三电阻的第二端和所述第二电源的负极均接地；
所述兴奋性突触模块的第二端与所述电流控制模块连接。
本发明实施例的第二方面提供了另一种神经突触电路，包括：输入端、导通模块、抑制性突触模块、电流控制模块和输出端；
所述导通模块，分别与所述输入端和所述抑制性突触模块连接，用于接收外部脉冲，在所述外部脉冲的电压大于第一预设电压时输出第一电流；
所述抑制性突触模块，与所述电流控制模块连接，用于根据所述第一电流输出抑制性突触电流；
所述电流控制模块，与所述输出端连接，用于根据用户输入调整所述抑制性突触电流的大小并输出。
可选的，所述导通模块包括：第一端、第二端、第一电阻、第二电阻、第一三极管、第二三极管和第一电源；
所述导通模块的第一端与所述输入端连接；
所述第一电阻的第一端与所述导通模块的第一端连接，所述第一电阻的第二端与所述第一三极管的基极连接；
所述第一三极管的集电极和所述第二三极管的集电极均与所述第一电源的正极连接，所述第一三极管的发射极与所述第二三极管的基极连接；
所述第一电源的负极接地；
所述第二三极管的发射极与所述第二电阻的第一端连接；
所述第二电阻的第二端与所述导通模块的第二端连接；
所述导通模块的第二端与所述兴奋性突触模块连接。
可选的，所述抑制性突触模块包括：第一端、第二端、光耦合器和第二电源；
所述抑制性突触模块的第一端与所述导通模块连接；
所述光耦合器的原边输入端与所述抑制性突触模块的第一端连接，所述光耦合器的原边输出端接地，所述光耦合器的副边输入端与所述抑制性突触模块的第二端连接，所述光耦合器的副边输出端与所述第二电源的负极连接；
所述第二电源的正极均接地；
所述抑制性突触模块的第二端与所述电流控制模块连接。
本发明实施例的第三方面提供了一种脉冲神经网络电路，包括多个神经元仿生电路，还包括与所述多个神经元仿生电路连接的多个如本发明实施例第一方面所述的神经突触电路，和/或多个如本发明实施例第二方面所述的神经突触电路；
其中，所述神经元仿生电路包括：充放电模块、钠通道模块和钾通道模块；
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，用于根据所述神经突触电路输出的突触电流进行充电并形成膜电压，所述突触电流为输入到所述神经元仿生电路的兴奋性突触电流和/或抑制性突触电流之和；
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，用于根据所述突触电流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突触电流和所述钠通道电流进行充电，根据所述钾通道电流进行放电，并输出神经仿生脉冲。
可选的，所述充放电模块包括：第一端、第二端、第一电容和泄放电阻；
所述充放电模块的第一端分别与多个所述兴奋性突触电路和/或多个所述抑制性突触电路多个所述兴奋性突触电路和/或多个所述抑制性突触电路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；
所述第一电容的第一端分别与所述充放电模块的第一端和所述泄放电阻的第一端连接，所述第一电容的第二端分别与所述充放电模块的第二端和所述泄放电阻的第二端连接，所述泄放电阻的第二端接地。
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、第一电阻、第二电阻和模拟钠通道平衡电压的电压源；
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一电阻分别与所述模拟钠通道平衡电压的电压源的第二端、所述钠通道模块的第二端和地端连接；
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电阻与所述模拟钠通道平衡电压的电压源的第一端连接。
可选的，所述钾通道模块包括：第一端、第二端、第三电阻、第四电阻、第三三极管、第二电容和模拟钾通道平衡电压的电压源；
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；
所述第三电阻的第一端分别与所述钾通道模块的第一端和所述第四电阻的第一端连接，所述第三电阻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四电阻的第二端和所述第二电容的第一端连接，所述第三三极管的发射极通过所述模拟钾通道平衡电压的电压源与所述钾通道模块的第二输入端、所述第二电容的第二端和地端连接。
本发明实施例中神经突触电路和脉冲神经网络电路与现有技术相比的有益效果在于：本发明的脉冲神经网络电路主要包括多个输出兴奋性突触电流的神经突触电路、多个输出抑制性突触电流的神经突触电路和多个神经元仿生电路，电路成本小、功耗低，模拟了两种不同功能的神经突触；其中，神经元仿生电路包括充放电模块、钠通道模块和钾通道模块；钠通道模块输出钠通道电流，钾通道模块输出钾通道电流；充放电模块还根据突触电流和钠通道电流进行充电，以及根据钾通道电流进行放电，最后输出神经仿生脉冲，突触电流为输入到所述神经元仿生电路的兴奋性突触电流和/或抑制性突触电流之和，模拟了生物神经元和突触的动力学特性，脉冲神经网络电路产生的神经仿生脉冲更接近于真实的生物神经系统输出的神经仿生脉冲的动态特性，更加符合生物信息处理机制。
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为本发明实施例一提供的神经突触电路的结构示意图；
图2为本发明实施例一提供的神经突触电路产生的兴奋性突触后电位的示意图；
图3为本发明实施例二提供的另一种神经突触电路的电路示意图；
图4为本发明实施例二提供的神经突触电路产生的抑制性突触后电位的示意图；
图5为本发明实施例提供的脉冲神经网络电路的一种网络拓扑结构；
图6为本发明实施例三提供的脉冲神经网络电路中突触电路与神经元仿生电路连接的结构示意图；
图7为本发明实施例三提供的神经元仿生电路的电路示意图；
图8为本发明实施例三提供的神经元仿生电路输出的脉冲信号示意图。
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突触电路，包括：输入端、导通模块10、兴奋性突触模块20、电流控制模块30和输出端。导通模块10分别与神经突触电路的输入端和兴奋性突触模块20连接，兴奋性突触模块20与电流控制模块30连接，电流控制模块30与神经突触电路的输出端连接。
导通模块10用于接收外部脉冲，在所述外部脉冲的电压大于第一预设电压时输出第一电流；兴奋性突触模块20用于根据所述第一电流输出导通电压，在所述导通电压大于第二预设电压时输出兴奋性突触电流；电流控制模块30用于根据用户输入调整所述兴奋性突触电流的大小并输出。
本实施例的兴奋性突触电路模拟了神经兴奋性突触对突触后的神经元产生兴奋作用，即输出兴奋性突触电流，电流控制模块30根据用户输入调整所述兴奋性突触电流，可以实现模拟突触与神经元的连接强度。
实际应用中，外部脉冲可以是正弦波、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，本实施例对外部脉冲不做限定。
上述神经突触电路，主要包括导通模块10、兴奋性突触模块20和电流控制模块30，电路成本小、功耗低，模拟了兴奋性神经突触；其中，导通模块10根据外部脉冲的电压输出第一电流，兴奋性突触模块20输出兴奋性突触电流，电流控制模块30根据用户输入调整兴奋性突触电流的大小并输出，模拟了生物神经突触的动力学特性，产生的兴奋性突触电流更接近于真实的生物神经系统，更加符合生物信息处理机制。
一个实施例中，参见图1，导通模块10包括：第一端、第二端、第一电阻R1、第二电阻R2、第一三极管Q1、第二三极管Q2和第一电源V1。
导通模块10的第一端与神经突触电路的输入端连接。
第一电阻R1的第一端与导通模块10的第一端连接，第一电阻R1的第二端与第一三极管Q1的基极连接。
第一三极管Q1的集电极和第二三极管Q2的集电极均与第一电源V1的正极连接，第一三极管Q1的发射极与第二三极管Q2的基极连接。
第一电源V1的负极接地。
第二三极管Q2的发射极与第二电阻R2的第一端连接。
第二电阻R2的第二端与导通模块10的第二端连接。导通模块10的第二端与兴奋性突触模块20连接。
可选的，第一三极管Q1和第二三极管Q2为NPN型三极管。
一个实施例中，参见图1，兴奋性突触模块20包括：第一端、第二端、光耦合器U1、第三电阻R3、第三三极管Q3和第二电源V2。
兴奋性突触模块20的第一端与导通模块10连接。
光耦合器U1的原边输入端与兴奋性突触模块20的第一端连接，光耦合器U1的原边输出端接地，光耦合器U1的副边输入端与第三三极管Q3的基极连接，光耦合器U1的副边输出端与第三电阻R3的第一端连接。
第三三极管Q3的发射极与第二电源V2的正极连接，第三三极管Q3的集电极与兴奋性突触模块20的第二端连接。可选的，第三三极管Q3为PNP型三极管。
第三电阻R3的第二端和第二电源V2的负极均接地。兴奋性突触模块20的第二端与电流控制模块30连接。
可选的，电流控制模块30可以包括可变电阻RW。
可变电阻RW的第一端与兴奋性突触模块20连接，可变电阻RW的第二端与神经突触电路的输出端连接。可变电阻RW为权重电阻，通过调节可变电阻RW的大小调节兴奋性突触电流流出的大小，可变电阻Rw越大，流出兴奋性突触电流越小，可变电阻Rw越小，流出兴奋性突触电流越大，可变电阻Rw用来模拟突触与神经元的连接强度。另外，第一电阻R1相对于可变电阻RW为较大的电阻，一般为MΩ级，可以使得突触前脉冲的状态不会因神经突触电路的连接来影响自身状态。
结合上述实施例中的神经突触电路的具体电路结构，对本实施的神经突触电路的工作原理进行说明，详述如下：
参见图1，外部脉冲经过兴奋性的神经突触电路的输入端输入到导通模块10；导通模块10的第一三极管Q1和第二三极管Q2串联，形成达林顿连接，可以看成一个NPN三极管，当外部脉冲的电压大于第一三极管Q1的基极-第二三极管Q2的发射极两端的电压(第一预设电压)时，第二三极管Q2导通，由于第一电源V1的作用，第二三极管Q2的集电极到第二三极管Q2的发射极流出较大电流(第一电流)。
然后，第一电流驱动兴奋性突触模块的光耦合器U1中的发光二极管，使光耦合器U1中的发光二极管发出一定波长的光，被光耦合器U1中的光探测器接收而产生电流，从光耦合器U1的副边输出端输出导通电压；在导通电压大于第三三极管Q3的导通电压(第二预设电压)时，即当第三电阻R3的电压为高电平时，第三三极管Q3导通，使得第三三极管Q3的发射极到第三三极管Q3的集电极流出兴奋性突触电流，经电流控制模块30的可变电阻RW限流输出。本实施例的神经突触电路输出的兴奋性突触电流与输入端的外部脉冲方向一致，可以产生兴奋性突触后电位，如图2所示。
上述神经突触电路，主要包括导通模块10、兴奋性突触模块20和电流控制模块30，电路成本小、功耗低，模拟了兴奋性神经突触；其中，导通模块10根据外部脉冲的电压输出第一电流，兴奋性突触模块20输出兴奋性突触电流，电流控制模块30根据用户输入调整兴奋性突触电流的大小并输出，模拟了生物神经突触的动力学特性，产生的兴奋性突触电流更接近于真实的生物神经系统，更加符合生物信息处理机制。
实施例二
参见图3，本发明实施例提供的一种神经突触电路，包括：输入端、导通模块10、抑制性突触模块20、电流控制模块30和输出端。导通模块10分别与神经突触电路的输入端和抑制性突触模块20连接，抑制性突触模块20与电流控制模块30连接，电流控制模块30与神经突触电路的输出端连接。
导通模块10用于接收外部脉冲，在所述外部脉冲的电压大于第一预设电压时输出第一电流；抑制性突触模块20用于根据所述第一电流输出抑制性突触电流；电流控制模块30用于根据用户输入调整所述抑制性突触电流的大小并输出。
本实施例的抑制性突触电路模拟了神经抑制性突触对突触后的神经元产生兴奋作用，即输出抑制性突触电流，电流控制模块30根据用户输入调整所述抑制性突触电流，可以实现模拟突触与神经元的连接强度。
实际应用中，外部脉冲可以是正弦波、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，本实施例对外部脉冲不做限定。
上述神经突触电路，主要包括导通模块10、抑制性突触模块20和电流控制模块30，电路成本小、功耗低，模拟了抑制性神经突触；其中，导通模块10根据外部脉冲的电压输出第一电流，抑制性突触模块20输出抑制性突触电流，电流控制模块30根据用户输入调整抑制性突触电流的大小并输出，模拟了生物神经突触的动力学特性，产生的抑制性突触电流更接近于真实的生物神经系统，更加符合生物信息处理机制。
一个实施例中，参见图3，导通模块10包括：第一端、第二端、第一电阻R1、第二电阻R2、第一三极管Q1、第二三极管Q2和第一电源V1。
导通模块10的第一端与神经突触电路的输入端连接。第一电阻R1的第一端与导通模块10的第一端连接，第一电阻R1的第二端与第一三极管Q1的基极连接。
第一三极管Q1的集电极和第二三极管Q2的集电极均与第一电源V1的正极连接，第一三极管Q1的发射极与第二三极管Q2的基极连接。第一电源V1的负极接地。第二三极管Q2的发射极与第二电阻R2的第一端连接。第二电阻R2的第二端与导通模块10的第二端连接。导通模块10的第二端与所述兴奋性突触模块连接。
可选的，第一三极管Q1和第二三极管Q2为NPN型三极管。
一个实施例中，参见图3，抑制性突触模块20包括：第一端、第二端、光耦合器U1和第二电源V2。
抑制性突触模块20的第一端与导通模块10连接。光耦合器U1的原边输入端与抑制性突触模块20的第一端连接，光耦合器U1的原边输出端接地，光耦合器U1的副边输入端与抑制性突触模块20的第二端连接，光耦合器U1的副边输出端与第二电源V2的负极连接。第二电源V2的正极均接地。抑制性突触模块20的第二端与电流控制模块30连接。
可选的，电流控制模块30可以包括可变电阻RW。
可变电阻RW的第一端与抑制性突触模块20连接，可变电阻RW的第二端与神经突触电路的输出端连接。可变电阻RW为权重电阻，通过调节可变电阻RW的大小调节抑制性突触电流流出的大小，可变电阻Rw越大，流出抑制性突触电流越小，可变电阻Rw越小，流出抑制性突触电流越大，可变电阻Rw用来模拟突触与神经元的连接强度。另外，第一电阻R1相对于可变电阻RW为较大的电阻，一般为MΩ级，可以使得突触前脉冲的状态不会因神经突触电路的连接来影响自身状态。
结合上述实施例中的神经突触电路的具体电路结构，对本实施的神经突触电路的工作原理进行说明，详述如下：
参见图3，外部脉冲经过抑制性神经突触电路的输入端输入到导通模块10；导通模块10的第一三极管Q1和第二三极管Q2串联，形成达林顿连接，可以看成一个NPN三极管，当外部脉冲的电压大于第一三极管Q1的基极-第二三极管Q2的发射极两端的电压(第一预设电压)时，第二三极管Q2导通，由于第一电源V1的作用，第二三极管Q2的集电极到第二三极管Q2的发射极流出较大电流(第一电流)。
然后，第一电流驱动光耦合器U1中的发光二极管，使光耦合器U1中的发光二极管发出一定波长的光，被光耦合器U1中的光探测器接收而产生抑制性突触电流，由于第二电源V2的作用，使得抑制性突触电流从光耦合器U1的副边输入端流入到电流控制模块30，经电流控制模块30的可变电阻RW限流输出。本实施例的神经突触电路输出的抑制性突触电流与神经突触电路的输入端的脉冲方向相反，则可以产生抑制性突触后电位，如图4所示。
上述神经突触电路，主要包括导通模块10、抑制性突触模块20和电流控制模块30，电路成本小、功耗低，模拟了抑制性神经突触；其中，导通模块10根据外部脉冲的电压输出第一电流，抑制性突触模块20输出抑制性突触电流，电流控制模块30根据用户输入调整抑制性突触电流的大小并输出，模拟了生物神经突触的动力学特性，产生的抑制性突触电流更接近于真实的生物神经系统，更加符合生物信息处理机制。
实施例三
本发明实施例提供的一种脉冲神经网络电路，包括：多个神经元仿生电路300，还包括与所述神经元仿生电路连接的多个如实施例一中提供的神经突触电路100，和/或多个如实施例二中提供的神经突触电路200。该脉冲神经网络电路可以是脉冲前馈神经网络、脉冲循环网络、脉冲深度神经网络等任意网络拓扑形式。图5示出了脉冲神经网络电路的一种网络拓扑结构，其中，神经突触电路100和神经突触电路200可以根据具体需要进行设置。本实施例中，神经突触电路100、神经突触电路200和神经元仿生电路300构成了脉冲神经网络电路的基本单元，神经突触电路100模拟了生物神经突触，用于接收和处理神经元的外来信息。
实际应用中，脉冲神经网络电路也可以包括多个兴奋性的神经突触电路100和多个神经元仿生电路300，也可以包括多个抑制性的神经突触电路200和神经元仿生电路300，还可以包括多个兴奋性的神经突触电路100、多个抑制性的神经突触电路200和多个神经元仿生电路300。兴奋性的神经突触电路100的输出端与神经元仿生电路300连接，和/或抑制性的神经突触电路200的输出端与神经元仿生电路300连接。
参见图6，本实施例对兴奋性的神经突触电路100的个数和抑制性的神经突触电路200的个数进行说明，兴奋性的神经突触电路100的个数可以为M个，即兴奋性的神经突触电路100的个数可以为1个，也可以为多个；同样的，抑制性的神经突触电路200的个数可以为N个，即抑制性的神经突触电路200的个数可以为1个，也可以为多个，M和N均为正整数，本实施例对兴奋性的神经突触电路100和抑制性的神经突触电路200的个数不做限定。
其中，神经元仿生电路300包括：充放电模块310、钠通道模块320和钾通道模块330。充放电模块310与钠通道模块320和钾通道模块330并联。
充放电模块310用于根据神经突触电路(实施例的第一方面提供的神经突触电路100或实施例的第二方面提供的神经突触电路200)输出的突触电流进行充电并形成膜电压，所述突触电流为输入到所述神经元仿生电路的兴奋性突触电流和/或抑制性突触电流之和；钠通道模块320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330用于根据所述突触电流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；充放电模块310还根据所述突触电流和所述钠通道电流进行充电，根据所述钾通道电流进行放电，并输出神经仿生脉冲。
上述脉冲神经网络电路，主要包括多个输出兴奋性突触电流的神经突触电路100、多个输出抑制性突触电流的神经突触电路200和多个神经元仿生电路300，电路成本小、功耗低，模拟了两种不同功能的神经突触；其中，神经元仿生电路300包括充放电模块310、钠通道模块320和钾通道模块330；钠通道模块320输出钠通道电流，钾通道模块330输出钾通道电流；充放电模块310还根据突触电流和钠通道电流进行充电，以及根据钾通道电流进行放电，最后输出神经仿生脉冲，模拟了生物神经元的动力学特性，产生的神经仿生脉冲更接近于真实的生物神经系统，更加符合生物信息处理机制。
一个实施例中，参见图7，充放电模块310包括：第一端、第二端、第一电容C1和泄放电阻Rn。泄放电阻Rn可以快速泄放第一电容C1上的电压。
充放电模块310的第一端与神经突触电路(图5中的神经突触电路100和/或神经突触电路200)的输出端和钠通道模块320的第一端连接，第二端与钠通道模块320的第二端连接。第一电容C1的第一端分别与充放电模块310的第一端和泄放电阻Rn的第一端连接，第一电容C1的第二端分别与充放电模块310的第二端和泄放电阻Rn的第二端连接，泄放电阻Rn的第二端接地。
一个实施例中，参见图7，钠通道模块320包括：第一端、第二端、第一三极管Q1、第二三极管Q2、第一电阻R1、第二电阻R2和模拟钠通道平衡电压的电压源VNa。钠通道模块320的第一端与钾通道模块330的第一端连接，钠通道模块320的第二端与钾通道模块330的第二端连接。
第一三极管Q1的基极与钠通道模块320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的发射极通过第一电阻R1分别与钠通道模块320的第二端、模拟钠通道平衡电压的电压源VNa的第二端和地端连接。
第二三极管Q2的集电极还与钠通道模块320的第一端连接，第二三极管Q2的发射极通过第二电阻R2与模拟钠通道平衡电压的电压源VNa的第一端连接。
一个实施例中，参见图7，钾通道模块330包括：第一端、第二端、第三电阻R3、第四电阻R4、第三三极管Q3、第二电容C2和模拟钾通道平衡电压的电压源VK。钾通道模块330的第一端与钠通道模块320的第一端连接，钾通道模块330的第二端与钠通道模块320的第二端连接。
第三电阻R3的第一端分别与钾通道模块330的第一端和第四电阻R4的第一端连接，第三电阻R3的第二端与第三三极管Q3的集电极连接。
第三三极管Q3的基极分别与第四电阻R4的第二端和第二电容C2的第一端连接，第三三极管Q3的发射极通过模拟钾通道平衡电压的电压源VK与钾通道模块330的第二端、第二电容C2的第二端和地端连接。
结合上述实施例中的神经元仿生电路300的具体电路结构，对本实施的脉冲神经网络电路的工作原理进行说明，详述如下：
参见图7，神经元仿生电路300的充放电模块310接收突触电流(输入到所述神经元仿生电路的兴奋性突触电流和/或抑制性突触电流之和)，充放电模块310的第一电容C1进行充电，第一电容C1两端形成膜电压，膜电压逐渐升高直到超过第一三极管Q1的开启电压(第一预设电压)，第一三极管Q1导通，第二三极管Q2也导通，模拟钠通道平衡电压的电压源VNa经第二电阻R2和第二三极管Q2产生正的钠通道电流输出，信号电流进入去极化过程，钠通道电流对第一电容C1快速充电，膜电压快速升高。
同时，钠通道电流和突触电流还通过第四电阻R4对钾通道模块330的第二电容C2充电，在第二电容C2两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，模拟钾通道平衡电压的电压源VK产生负的钾通道电流(钾通道电流)，第一电容C1根据钾通道电流快速放电，膜电压迅速下降，神经元仿生电路300输出被测信号的神经仿生脉冲，如图8所示。
上述实施例中，脉冲神经网络电路主要包括多个输出兴奋性突触电流的神经突触电路100、多个输出抑制性突触电流的神经突触电路200和多个神经元仿生电路300，电路成本小、功耗低，模拟了两种不同功能的神经突触；其中，神经元仿生电路300包括充放电模块310、钠通道模块320和钾通道模块330；钠通道模块320输出钠通道电流，钾通道模块330输出钾通道电流；充放电模块310还根据突触电流和钠通道电流进行充电，以及根据钾通道电流进行放电，最后输出神经仿生脉冲，模拟了生物神经元的动力学特性，产生的神经仿生脉冲更接近于真实的生物神经系统，更加符合生物信息处理机制。
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)
1.一种神经突触电路，其特征在于，包括：输入端、导通模块、兴奋性突触模块、电流控制模块和输出端；
所述导通模块，分别与所述输入端和所述兴奋性突触模块连接，用于接收外部脉冲，在所述外部脉冲的电压大于第一预设电压时输出第一电流；
所述兴奋性突触模块，与所述电流控制模块连接，用于根据所述第一电流输出导通电压，在所述导通电压大于第二预设电压时输出兴奋性突触电流；
所述电流控制模块，与所述输出端连接，用于根据用户输入调整所述兴奋性突触电流的大小并输出。
2.如权利要求1所述的神经突触电路，其特征在于，所述导通模块包括：第一端、第二端、第一电阻、第二电阻、第一三极管、第二三极管和第一电源；
所述导通模块的第一端与所述输入端连接；
所述第一电阻的第一端与所述导通模块的第一端连接，所述第一电阻的第二端与所述第一三极管的基极连接；
所述第一三极管的集电极和所述第二三极管的集电极均与所述第一电源的正极连接，所述第一三极管的发射极与所述第二三极管的基极连接；
所述第一电源的负极接地；
所述第二三极管的发射极与所述第二电阻的第一端连接；
所述第二电阻的第二端与所述导通模块的第二端连接；
所述导通模块的第二端与所述兴奋性突触模块连接。
3.如权利要求1或2所述的神经突触电路，其特征在于，所述兴奋性突触模块包括：第一端、第二端、光耦合器、第三电阻、第三三极管和第二电源；
所述兴奋性突触模块的第一端与所述导通模块连接；
所述光耦合器的原边输入端与所述兴奋性突触模块的第一端连接，所述光耦合器的原边输出端接地，所述光耦合器的副边输入端与所述第三三极管的基极连接，所述光耦合器的副边输出端与所述第三电阻的第一端连接；
所述第三三极管的发射极与所述第二电源的正极连接，所述第三三极管的集电极与所述兴奋性突触模块的第二端连接；
所述第三电阻的第二端和所述第二电源的负极均接地；
所述兴奋性突触模块的第二端与所述电流控制模块连接。
4.一种神经突触电路，其特征在于，包括：输入端、导通模块、抑制性突触模块、电流控制模块和输出端；
所述导通模块，分别与所述输入端和所述抑制性突触模块连接，用于接收外部脉冲，在所述外部脉冲的电压大于第一预设电压时输出第一电流；
所述抑制性突触模块，与所述电流控制模块连接，用于根据所述第一电流输出抑制性突触电流；
所述电流控制模块，与所述输出端连接，用于根据用户输入调整所述抑制性突触电流的大小并输出。
5.如权利要求4所述的神经突触电路，其特征在于，所述导通模块包括：第一端、第二端、第一电阻、第二电阻、第一三极管、第二三极管和第一电源；
所述导通模块的第一端与所述输入端连接；
所述第一电阻的第一端与所述导通模块的第一端连接，所述第一电阻的第二端与所述第一三极管的基极连接；
所述第一三极管的集电极和所述第二三极管的集电极均与所述第一电源的正极连接，所述第一三极管的发射极与所述第二三极管的基极连接；
所述第一电源的负极接地；
所述第二三极管的发射极与所述第二电阻的第一端连接；
所述第二电阻的第二端与所述导通模块的第二端连接；
所述导通模块的第二端与所述兴奋性突触模块连接。
6.如权利要求4或5所述的神经突触电路，其特征在于，所述抑制性突触模块包括：第一端、第二端、光耦合器和第二电源；
所述抑制性突触模块的第一端与所述导通模块连接；
所述光耦合器的原边输入端与所述抑制性突触模块的第一端连接，所述光耦合器的原边输出端接地，所述光耦合器的副边输入端与所述抑制性突触模块的第二端连接，所述光耦合器的副边输出端与所述第二电源的负极连接；
所述第二电源的正极均接地；
所述抑制性突触模块的第二端与所述电流控制模块连接。
7.一种脉冲神经网络电路，包括多个神经元仿生电路，其特征在于，还包括与所述多个神经元仿生电路连接的多个如权利要求1至3任一项所述的神经突触电路，和/或多个如权利要求4至6任一项所述的神经突触电路；
其中，所述神经元仿生电路包括：充放电模块、钠通道模块和钾通道模块；
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，用于根据所述神经突触电路输出的突触电流之和进行充电并形成膜电压，所述突触电流为输入到所述神经元仿生电路的兴奋性突触电流和/或抑制性突触电流之和；
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，用于根据所述突触电流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突触电流和所述钠通道电流进行充电，根据所述钾通道电流进行放电，并输出神经仿生脉冲。
8.如权利要求7所述的脉冲神经网络电路，其特征在于，所述充放电模块包括：第一端、第二端、第一电容和泄放电阻；
所述充放电模块的第一端分别与多个所述兴奋性突触电路和/或多个所述抑制性突触电路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；
所述第一电容的第一端分别与所述充放电模块的第一端和所述泄放电阻的第一端连接，所述第一电容的第二端分别与所述充放电模块的第二端和所述泄放电阻的第二端连接，所述泄放电阻的第二端接地。
9.如权利要求7或8所述的脉冲神经网络电路，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、第一电阻、第二电阻和模拟钠通道平衡电压的电压源；
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一电阻分别与所述模拟钠通道平衡电压的电压源的第二端、所述钠通道模块的第二端和地端连接；
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电阻与所述模拟钠通道平衡电压的电压源的第一端连接。
10.如权利要求7所述的脉冲神经网络电路，其特征在于，所述钾通道模块包括：第一端、第二端、第三电阻、第四电阻、第三三极管、第二电容和模拟钾通道平衡电压的电压源；
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；
所述第三电阻的第一端分别与所述钾通道模块的第一端和所述第四电阻的第一端连接，所述第三电阻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四电阻的第二端和所述第二电容的第一端连接，所述第三三极管的发射极通过所述模拟钾通道平衡电压的电压源与所述钾通道模块的第二端、所述第二电容的第二端和地端连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811634214.9A CN109800851B (zh) | 2018-12-29 | 2018-12-29 | 神经突触电路和脉冲神经网络电路 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811634214.9A CN109800851B (zh) | 2018-12-29 | 2018-12-29 | 神经突触电路和脉冲神经网络电路 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109800851A true CN109800851A (zh) | 2019-05-24 |
| CN109800851B CN109800851B (zh) | 2024-03-01 |
Family
ID=66558046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811634214.9A Active CN109800851B (zh) | 2018-12-29 | 2018-12-29 | 神经突触电路和脉冲神经网络电路 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109800851B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188873A (zh) * | 2019-07-08 | 2019-08-30 | 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 |
| CN110222836A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军陆军工程大学 | 数模混合神经突触电路 |
| CN110232442A (zh) * | 2019-07-08 | 2019-09-13 | 中国人民解放军陆军工程大学 | 数模混合神经元电路 |
| CN110232443A (zh) * | 2019-07-08 | 2019-09-13 | 中国人民解放军陆军工程大学 | 实现液体状态机的脉冲神经网络数模混合电路系统 |
| CN111476354A (zh) * | 2020-04-11 | 2020-07-31 | 复旦大学 | 一种基于柔性材料的脉冲神经网络 |
| CN112766480A (zh) * | 2021-03-05 | 2021-05-07 | 电子科技大学 | 一种神经元电路 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5004932A (en) * | 1988-07-01 | 1991-04-02 | Hitachi, Ltd. | Unit circuit for constructing a neural network and a semiconductor integrated circuit having the same |
| US20020184174A1 (en) * | 2001-05-01 | 2002-12-05 | Kadri Rachid M. | Finite-state automaton modeling biologic neuron |
| US20100076916A1 (en) * | 2008-09-21 | 2010-03-25 | Van Der Made Peter Aj | Autonomous Learning Dynamic Artificial Neural Computing Device and Brain Inspired System |
| CN103430186A (zh) * | 2012-01-20 | 2013-12-04 | 松下电器产业株式会社 | 神经网络电路的学习方法 |
| US20150178618A1 (en) * | 2012-05-25 | 2015-06-25 | The University Of Bath | Neural network |
| CN104781836A (zh) * | 2012-11-20 | 2015-07-15 | 高通股份有限公司 | 分段线性神经元建模 |
| CN105719000A (zh) * | 2016-01-21 | 2016-06-29 | 广西师范大学 | 一种神经元硬件结构及用这种结构模拟脉冲神经网络的方法 |
| CN105976022A (zh) * | 2016-04-27 | 2016-09-28 | 清华大学 | 电路结构、人工神经网络及用电路结构模拟突触的方法 |
| CN106447033A (zh) * | 2016-10-13 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 神经元突触电路及神经元电路 |
| CN106796669A (zh) * | 2014-10-30 | 2017-05-31 | 国际商业机器公司 | 神经形态突触 |
| 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 |
| CN107169184A (zh) * | 2017-05-04 | 2017-09-15 | 天津大学 | 基于FPGA的基底核网络beta节律仿真系统 |
| CN209248586U (zh) * | 2018-12-29 | 2019-08-13 | 中国人民解放军陆军工程大学 | 神经突触电路和脉冲神经网络电路 |
-
2018
- 2018-12-29 CN CN201811634214.9A patent/CN109800851B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5004932A (en) * | 1988-07-01 | 1991-04-02 | Hitachi, Ltd. | Unit circuit for constructing a neural network and a semiconductor integrated circuit having the same |
| US20020184174A1 (en) * | 2001-05-01 | 2002-12-05 | Kadri Rachid M. | Finite-state automaton modeling biologic neuron |
| US20100076916A1 (en) * | 2008-09-21 | 2010-03-25 | Van Der Made Peter Aj | Autonomous Learning Dynamic Artificial Neural Computing Device and Brain Inspired System |
| CN103430186A (zh) * | 2012-01-20 | 2013-12-04 | 松下电器产业株式会社 | 神经网络电路的学习方法 |
| US20150178618A1 (en) * | 2012-05-25 | 2015-06-25 | The University Of Bath | Neural network |
| CN104781836A (zh) * | 2012-11-20 | 2015-07-15 | 高通股份有限公司 | 分段线性神经元建模 |
| CN106796669A (zh) * | 2014-10-30 | 2017-05-31 | 国际商业机器公司 | 神经形态突触 |
| CN105719000A (zh) * | 2016-01-21 | 2016-06-29 | 广西师范大学 | 一种神经元硬件结构及用这种结构模拟脉冲神经网络的方法 |
| CN105976022A (zh) * | 2016-04-27 | 2016-09-28 | 清华大学 | 电路结构、人工神经网络及用电路结构模拟突触的方法 |
| CN106447033A (zh) * | 2016-10-13 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 神经元突触电路及神经元电路 |
| 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 |
| CN107169184A (zh) * | 2017-05-04 | 2017-09-15 | 天津大学 | 基于FPGA的基底核网络beta节律仿真系统 |
| CN209248586U (zh) * | 2018-12-29 | 2019-08-13 | 中国人民解放军陆军工程大学 | 神经突触电路和脉冲神经网络电路 |
Non-Patent Citations (1)
| Title |
|---|
| 申蛟隆等: ""秀丽线虫接触感知神经网络的电路实现 "", 《计算机工程与设计》, vol. 35, no. 7, pages 2557 - 2561 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188873A (zh) * | 2019-07-08 | 2019-08-30 | 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 |
| CN110222836A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军陆军工程大学 | 数模混合神经突触电路 |
| CN110232442A (zh) * | 2019-07-08 | 2019-09-13 | 中国人民解放军陆军工程大学 | 数模混合神经元电路 |
| CN110232443A (zh) * | 2019-07-08 | 2019-09-13 | 中国人民解放军陆军工程大学 | 实现液体状态机的脉冲神经网络数模混合电路系统 |
| 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 |
| CN110232442B (zh) * | 2019-07-08 | 2024-01-19 | 中国人民解放军陆军工程大学 | 数模混合神经元电路 |
| CN110232443B (zh) * | 2019-07-08 | 2024-01-19 | 中国人民解放军陆军工程大学 | 实现液体状态机的脉冲神经网络数模混合电路系统 |
| CN110222836B (zh) * | 2019-07-08 | 2024-03-12 | 中国人民解放军陆军工程大学 | 数模混合神经突触电路 |
| CN111476354A (zh) * | 2020-04-11 | 2020-07-31 | 复旦大学 | 一种基于柔性材料的脉冲神经网络 |
| CN111476354B (zh) * | 2020-04-11 | 2022-10-11 | 复旦大学 | 一种基于柔性材料的脉冲神经网络电路 |
| CN112766480A (zh) * | 2021-03-05 | 2021-05-07 | 电子科技大学 | 一种神经元电路 |
| CN112766480B (zh) * | 2021-03-05 | 2023-10-27 | 电子科技大学 | 一种神经元电路 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109800851B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800851A (zh) | 神经突触电路和脉冲神经网络电路 | |
| Logeswaran et al. | A review of maximum power point tracking algorithms for photovoltaic systems under uniform and non-uniform irradiances | |
| WO2021072817A1 (zh) | 一种基于忆阻交叉阵列的机器人控制系统及方法 | |
| CN105224986A (zh) | 基于忆阻器件的深度神经网络系统 | |
| CN111753977B (zh) | 光学神经网络卷积层芯片、卷积计算方法和电子设备 | |
| Azarbad et al. | Automatic recognition of digital communication signal | |
| Jia et al. | An improved artificial bee colony-BP neural network algorithm in the short-term wind speed prediction | |
| CN209248586U (zh) | 神经突触电路和脉冲神经网络电路 | |
| Amin et al. | Reasoning dynamic fuzzy systems based on adaptive fuzzy higher order Petri nets | |
| Gao et al. | Genetic algorithm based back-propagation neural network approach for fault diagnosis in lithium-ion battery system | |
| US20220407455A1 (en) | Intelligent solar racking system | |
| Pattanaik et al. | Decision support model for automated railway level crossing system using fuzzy logic control | |
| CN108345934A (zh) | 一种用于神经网络处理器的激活装置及方法 | |
| Pan et al. | Chaotic glowworm swarm optimization algorithm based on Gauss mutation | |
| Sunny et al. | Design and simulation of maximum power point tracking of photovoltaic system using ANN | |
| CN109474015B (zh) | 基于两层优化的主动配电网储能系统优化配置方法及系统 | |
| Wu et al. | Photonic bayesian neural network using programmed optical noises | |
| Xiao et al. | A combined method based on expert system and BP neural network for UAV systems fault diagnosis | |
| CN110059816A (zh) | 一种基于忆阻器的神经网络单元电路 | |
| Guo et al. | A novel cluster-head selection algorithm based on hybrid genetic optimization for wireless sensor networks | |
| CN110488882A (zh) | 基于加速度检测的压电半主动振动控制实验装置及方法 | |
| Kashanipour et al. | Robust color classification using fuzzy rule-based particle swarm optimization | |
| CN107544034A (zh) | 一种大功率能量回馈型电子负载 | |
| CN108616147A (zh) | 一种无人机及其太阳能供电电路与方法 | |
| Bastos-Filho et al. | Routing algorithm based on Swarm Intelligence and Hopfield Neural Network applied to communication networks |
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 |