CN112953458B - 一种基于忆阻的二阶阻尼情感电路 - Google Patents
一种基于忆阻的二阶阻尼情感电路 Download PDFInfo
- Publication number
- CN112953458B CN112953458B CN202110255929.9A CN202110255929A CN112953458B CN 112953458 B CN112953458 B CN 112953458B CN 202110255929 A CN202110255929 A CN 202110255929A CN 112953458 B CN112953458 B CN 112953458B
- Authority
- CN
- China
- Prior art keywords
- operational amplifier
- module
- circuit
- resistor
- output end
- 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
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H11/00—Networks using active elements
- H03H11/02—Multiple-port networks
- H03H11/04—Frequency selective two-port networks
-
- 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
- Toys (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出了一种基于忆阻的二阶阻尼情感电路,包括感知器模块、情感产生与演化模块和神经网络模块,感知器模块与输入信号相连接,感知器模块是基于忆阻的二阶阻尼系统搭建的、且用来产生模拟人体的实时感知和感觉适应能力的感知强度;所述感知器模块分别和情感产生与演化模块、神经网络模块相连接,情感产生与演化模块和神经网络模块相连接;所述情感产生与演化模块将感知器模块产生的感知强度转化为不同人格的情感趋向,所述神经网络模块将情感趋向收敛成不同的情绪信号,产生相应的姿态。本发明利用忆阻器和二阶阻尼系统模拟了人体的感知强度,实现了对外界刺激的实时感知和感觉适应,体现出个体的差异性,具有一定的实际意义。
Description
技术领域
本发明涉及数模电路的技术领域,尤其涉及一种基于忆阻的二阶阻尼情感电路。
背景技术
人工智能自诞生之日起就引起了研究人员的广泛关注,其最终目标是使机器成为人类的助手和工具。因此,人们要求计算机不仅要模仿人类,还要超越人类智能。然而,随着后摩尔时代的到来,基于CMOS器件和存储计算分体架构的传统计算系统的性能越来越难以提高。
忆阻是一种新原理的微纳米器件,充分利用忆阻阻值连续变化的特性,为实现存储与计算一体化的神经形态计算系统提供了新的物理基础。随着研究学者们对忆阻研究工作的逐步深入,将会极大地改进现有集成电路的设计方式和方法,进一步为人工神经网络的硬件实现找到新的出路与解决方法,实现硬件对推动人工神经网络研究进程提供有效支持,使人工神经网络的发展有新的突破。基于忆阻的神经形态电路具有模拟人脑的学习功能,有助于构建智能机器。
近年来,仿人智能机器层出不穷,在工业、生活等方面发挥着重要作用。情感作为人类感知、认知和行为的重要组成部分,是人类与智能机器最大的区别之一。随着智能机器在人类生活中的逐渐渗透,机器的情感智能越来越受到研究者的关注。当外界环境刺激作用于人的时候,人会对外界环境产生一定的评价,并通过情感表现出来。情绪虽然千差万别,但对情绪的研究往往将喜、怒、哀、乐视为最基本的常见形式。人的喜怒哀乐的情绪变化通常都会伴随着人类姿态的起伏。即使是同一物体,其情绪反应也会因个体特征的不同而不同。目前市场上大多数仿人智能机器都是通过适当的感知处理来实现特定场景和特定对象的情感交互,却忽略了个体差异。个体差异表现为对同一刺激的不同反应,人格特质是影响个体差异的重要因素之一。Wang等人提出了一种皮肤感知器,但忽略了人体本身的感知强度;Jiang等人提出的情感识别算法只适用于一种人格,忽略了个体的差异性。
发明内容
针对现有的类人智能机器忽略了人体本身的感知强度和个体差异性的技术问题,本发明提出一种基于忆阻的二阶阻尼情感电路,利用忆阻器和二阶阻尼系统搭建感知器模拟了人体的感知强度,实现了对外界刺激的实时感知和感觉适应,并通过情感产生与演化电路体现出个体的差异性,同时能够模拟人类感知器官产生感知强度以及实现感觉适应的功能。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于忆阻的二阶阻尼情感电路,包括感知器模块、情感产生与演化模块和神经网络模块,感知器模块与输入信号相连接,感知器模块是基于忆阻的二阶阻尼系统搭建的、且用来产生模拟人体的实时感知和感觉适应能力的感知强度;所述感知器模块分别和情感产生与演化模块、神经网络模块相连接,情感产生与演化模块和神经网络模块相连接;所述情感产生与演化模块将感知器模块产生的感知强度转化为不同人格的情感趋向,所述神经网络模块将情感趋向收敛成不同的情绪信号,产生相应的姿态。
所述感知器模块、情感产生与演化模块的数量均设有四个,感知器模块包括第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块,第一感知器模块与听觉输入信号相连接,第二感知器模块、第三感知器模块和第四感知器模块分别与触觉输入信号、嗅觉输入信号和味觉输入信号相连接;第一感知器模块分别与四个情感产生与演化模块相连接,第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块均与神经网络模块相连接,四个情感产生与演化模块均与神经网络模块相连接。
所述神经网络模块包括忆阻器阵列模块和四个电压计算模块,忆阻器阵列模块为由忆阻器组成的大小为4*4的阵列,阵列包括四个输入端和四个输出端,阵列的四个输入端分别与第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块的输出端一一对应连接,阵列的四个输入端分别与四个情感产生与演化模的输出端一一对应连接,阵列的四个输出端分别与四个电压计算模块的输入端一一对应连接,四个电压计算模块输出不同的姿态。
所述第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块均包括基于忆阻的二阶阻尼系统,基于忆阻的二阶阻尼系统的输入端与听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号相连接,基于忆阻的二阶阻尼系统的输出端与第一反相器相连接,第一反相器的输出端为电压输出端;所述基于忆阻的二阶阻尼系统包括比例环节、积分环节和惯性环节,听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号与比例环节相连接,比例环节与积分环节相连接,积分环节与惯性环节相连接,惯性环节与第一反相器相连接;所述惯性环节为基于忆阻器的惯性环节;所述听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号通过电阻R6与第一反相器相连接,惯性环节通过电阻R5接地。
所述基于忆阻的二阶阻尼系统的比例系数为:
其中,Ui(s)和Uo(s)分别是感知器模块的输入电压和输出电压;K1和K2分别是比列环节和惯性环节的开环增益,T1和T2分别是积分环节和惯性环节的时间常数。
所述比例环节包括第一运算放大器,第一运算放大器的反相输入端分别与电阻R1和电阻R2相连接,第一运算放大器的正相输入端接地,电阻R2与第一运算放大器的输出端相连接,第一运算放大器的输出端与积分环节相连接。积分环节包括第二运算放大器OPE2,第二运算放大器的反相输入端分别与电阻R3和电容C1相连接,电阻R3与第一运算放大器的输出端相连接,第二运算放大器的正相输入端接地,电容C1与第二运算放大器的输出端相连接,第二运算放大器的输出端与惯性环节相连接;惯性环节包括第三运算放大器,第三运算放大器的反相输入端分别与第一忆阻器、电容C2和电阻R4相连接,第一忆阻器与第二运算放大器的输出端相连接,第三运算放大器的正相输入端接地,电容C2和电阻R4并联后与第三运算放大器的输出端相连接,第三运算放大器的输出端分别与第一反相器的输入端和电阻R5相连接,电阻R5接地;所述第一反相器包括第四运算放大器,第四运算放大器的反相输入端分别与电阻R7和电阻R8相连接,电阻R7分别与第三运算放大器的输出端和电阻R6相连接,电阻R6与输入信号相连接,电阻R8与第四运算放大器的输出端相连接,第四运算放大器的正相输入端接地,第四运算放大器的输出端为电压输出端。
所述情感产生与演化模块均包括第一线路和第二线路,第一线路与第一感知器模块的电压输出端相连接,第二线路通过非门与第一感知器模块的电压输出端相连接,第一线路和第二线路均与第一反向求和电路相连接,第一反向求和电路与第二反相器相连接,第二反相器的输出端输出处理后的情感趋向;所述第一线路和第二线路均包括第二反向求和电路、第三反向求和电路和加法器,第二反向求和电路与正切模块相连接,第三反向求和电路与与门相连接,与门的一个输入端连接第一电源、另一输入端连接第一感知器模块的电压输出端或非门的输出端,第二反向求和电路、第三反向求和电路均与加法器相连接,加法器与缓冲器相连接,第一线路和第二线路的缓冲器的输出端均与第一反向求和电路相连接;所述第二反向求和电路、第三反向求和电路均为包含忆阻器的反向求和电路。
所述情感产生与演化模块调整正向型人格的人在电路中的权重的方法为:
调整负向型人格的人在电路中的权重的方法为:
其中,enow表示听觉输出信号,ω为通过Python训练得到的基础权重,ωp为正向型人格的人在电路中的权重,ωn为负向型人格的人在电路中的权重。
所述电压计算模块均包括放大电路、逆变器和比较器,忆阻器阵列模块的输出端与放大电路相连接,放大电路与逆变器相连接,逆变器与比较器相连接,比较器的输出端输出不同的姿态。
所述第一反向求和电路包括第五运算放大器,第五运算放大器的同相输入端接地,第五运算放大器的反相输入端分别与电阻R47、电阻R39和电阻R40相连接,电阻R39和电阻R47分别连接第一线路和第二线路的缓冲器,电阻R40连接第五运算放大器的输出端,第五运算放大器的输出端连接第二反相器;所述第二反相器包括第六运算放大器,第六运算放大器的同相输入端接地,第六运算放大器的反相输入端分别与电阻R48和电阻R49相连接,电阻R48连接第五运算放大器的输出端,电阻R49连接第六运算放大器的输出端,第六运算放大器的输出端输出处理后的情感趋向;所述第二反向求和电路和第三反向求和电路均包括第二忆阻器和第七运算放大器,第二忆阻器连接第七运算放大器的反相输入端,第七运算放大器的同相输入端接地,第七运算放大器的反相输入端通过第一电阻与第七运算放大器的输出端相连接,第七运算放大器的输出端连接加法的输入端;所述加法器包括第八运算放大器,第八运算放大器的同相输入端接地,第八运算放大器的反相输入端分别与第二电阻、第三电阻和第四电阻相连接,第二电阻连接第二反向求和电路的输出端,第三电阻连接第三反向求和电路的输出端,第四电阻连接第八运算放大器的输出端,第八运算放大器的输出端连接缓冲器;所述放大电路包括第九运算放大器,第九运算放大器的同相输入端接地,第九运算放大器的反相输入端分别连接忆阻器阵列模块的输出端和电阻Rv1相连接,电阻Rv1与第九运算放大器的输出端相连接,第九运算放大器的输出端连接逆变器;所述逆变器包括第十运算放大器,第十运算放大器的反相输入端与第九运算放大器的输出端相连接,第十运算放大器的同相输入端接地,第十运算放大器的输出端连接比较器;所述比较器包括第十一运算放大器,第十一运算放大器的同相输入端与第十运算放大器的输出端相连接,第十一运算放大器的反相输入端连接第二电源,第十一运算放大器的输出端输出不同的姿态。
与现有技术相比,本发明的有益效果:当分别向多个感知器电路输入不同的感觉信号时,每个感知器会产生一个模拟人类的感知强度信号,感知强度信号分别进入一个情绪产生与演化模块,根据不同人格的个体演化成不同的情感趋向,经过一个神经网络模块将其收敛到不同的情绪信号,从而通过姿态表现出来,实现了仿人智能设备的个体差异性,具有一定的实际意义。本发明基于忆阻器的二阶阻尼系统组成的感知器产生的感知强度通过情感回路收敛到一定的情感,然后通过姿态表达出来;考虑到个体的差异性,分别分析了三种人格所产生的情感倾向,通过理论分析和Pspice仿真验证了该电路的可行性,可为人工智能的情感电路研究提供参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为本发明的结构示意图。
图2为图1中感知模块的电路图。
图3为图2的仿真图。
图4为图1中情感产生与演化模块的电路图。
图5为图1中神经网络模块的电路图。
图6为本发明具体的电路连接图。
图7为本发明的仿真结果图,其中,(a)为四个感知模块的输入信号,(b)为四个感知模块产生的感知强度,(c)为感知强度经过缓冲器得到的值,(d)为平和型人格的最终情绪收敛,(e)为正向型人格的最终情绪收敛,(f)为负向型人格的最终情绪收敛。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于忆阻的二阶阻尼情感电路,包括感知器模块、情感产生与演化模块和神经网络模块,感知器模块与输入信号相连接,感知器模块是基于忆阻的二阶阻尼系统搭建的、且用来产生模拟人体的实时感知和感觉适应能力的感知强度;所述感知器模块分别和情感产生与演化模块、神经网络模块相连接,情感产生与演化模块和神经网络模块相连接;所述情感产生与演化模块将感知器模块产生的感知强度转化为模拟不同人格的情感趋向,体现了个体的差异性;所述神经网络模块将情感趋向收敛成不同的情绪信号,产生相应的姿态。本发明用于实现类人机器从感知到姿态产生,利用基于忆阻器的二阶阻尼系统搭建感知器模块模拟人类的感知器,感知器模块产生的感知强度通过情绪产生与演化模块后产生不同的情感趋向,最终神经网络模块将其收敛成不同的情绪信号,从而通过姿态表现出来。
如图1所示,所述感知器模块、情感产生与演化模块的数量均设有四个,感知器模块包括第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块,输入信号包括听觉输入信号、触觉输入信号、嗅觉输入信号和味觉输入信号,分别对应听觉、触觉、嗅觉和味觉的输入。第一感知器模块与听觉输入信号相连接,第二感知器模块、第三感知器模块和第四感知器模块分别与触觉输入信号、嗅觉输入信号和味觉输入信号相连接;第一感知器模块分别与四个情感产生与演化模块相连接,第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块均与神经网络模块相连接,四个情感产生与演化模块均与神经网络模块相连接,神经网络模块中的忆阻阵列和电压计算模块相当于一个信号处理模块,情感产生与演化模块通过调整忆阻阵列的基础权重,然后经过电压计算模块收敛到某一情绪信号。
如图2所示,所述第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块均包括基于忆阻的二阶阻尼系统、一个信号输入端和一个电压输出端,基于忆阻的二阶阻尼系统通过信号输入端与听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号相连接,基于忆阻的二阶阻尼系统的输出端与第一反相器相连接,第一反相器的输出端输出的电压波形,由于二阶欠阻尼系统输出的波形为振荡的,与人体感知强度近似,可以代表感知强度;所述基于忆阻的二阶阻尼系统包括比例环节、积分环节和惯性环节,听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号与比例环节相连接,比例环节与积分环节相连接,积分环节与惯性环节相连接,惯性环节与第一反相器相连接;所述惯性环节为基于忆阻器的惯性环节;所述听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号通过电阻R6与第一反相器相连接,惯性环节通过电阻R5接地。比例环节的输出不失真、不延迟、成比例的复现输入信号的变化,积分环节能够消除静态误差,惯性环节能够续流,它们共同组成了二阶阻尼系统。电阻R6为反馈电阻、电阻R5起到保护作用。
比列环节根据公式设计,其中,电阻R1和电阻R2为比例环节的电阻值。积分环节根据公式/>设计,其中,电阻R3和电容C1为比例环节使用的器件。惯性环节根据公式/>设计,其中,电阻R4和电容C2为惯性环节使用的器件,AIST1为忆阻器的忆阻值。其中,Uo1(s)、Ui1(s)、Uo2(s)、Ui2(s)、Uo3(s)、Ui3(s)分别是图2中电压uo1、ui1、uo2、ui2、uo3、ui3的频域表示。且电压ui1=ui、uo1=ui2、uo2=ui3。
所述基于忆阻的二阶阻尼系统的比例系数为:
其中,Ui(s)和Uo(s)分别是感知器模块的输入电压和输出电压;K1和K2分别是比列环节和惯性环节的开环增益,T1和T2分别是积分环节和惯性环节的时间常数。
如图2所示,所述比例环节包括第一运算放大器OPE1,第一运算放大器OPE1的反相输入端分别与电阻R1和电阻R2相连接,第一运算放大器OPE1的正相输入端接地,电阻R2与第一运算放大器OPE1的输出端相连接,第一运算放大器OPE1的输出端与积分环节相连接。积分环节包括第二运算放大器OPE2,第二运算放大器OPE2的反相输入端分别与电阻R3和电容C1相连接,电阻R3与第一运算放大器OPE1的输出端相连接,第二运算放大器OPE2的正相输入端接地,电容C1与第二运算放大器OPE2的输出端相连接,第二运算放大器OPE2的输出端与惯性环节相连接;惯性环节包括第三运算放大器OPE3,第三运算放大器OPE3的反相输入端分别与第一忆阻器AIST1、电容C2和电阻R4相连接,第一忆阻器AIST1与第二运算放大器OPE2的输出端相连接,第三运算放大器OPE3的正相输入端接地,电容C2和电阻R4并联后与第三运算放大器OPE3的输出端相连接,第三运算放大器OPE3的输出端分别与第一反相器的输入端和电阻R5相连接,电阻R5接地;第一忆阻器AIST1阻值可变且可以存储数值。所述第一反相器包括第四运算放大器OPE4,第四运算放大器OPE4的反相输入端分别与电阻R7和电阻R8相连接,电阻R7分别与第三运算放大器OPE3的输出端和电阻R6相连接,电阻R6与输入信号相连接,电阻R8与第四运算放大器OPE4的输出端相连接,第四运算放大器OPE4的正相输入端接地,第四运算放大器OPE4的输出端为电压输出端。
基于忆阻的二阶阻尼系统的其余参数公式为别为:
其中,ωn为角频率,ξ为阻尼比,Mp为超调量,tp为峰值时间,ts为调节时间,uo(tp)为最大偏离量,uo(∞)=1为终值。参数是便于直观看出阻尼系统。
四个感知模块的输入信号分别为听觉、触觉、嗅觉和味觉四种,根据韦伯分数判断其灵敏度,韦伯分数越小,灵敏度越高,采用延迟的方法分别设计了四个感知模块的电路,感知模块的输出信号为感知强度,二阶阻尼系统的欠阻尼状态产生的波形模拟了人体的感觉适应能力,波形初期的波动较大,中期为一个较小的波动,后期波形逐渐减小趋于稳定,说明已经适应了外界刺激,这与人类感觉系统的生物学特性是一致的。基于忆阻的电路达到了实时感知的效果,更加符合人体的生物学特性,输入信号通过比例环节、积分环节、惯性环节和反相器,通过反相器输出信号。图3为图2的仿真图,通过Pspice仿真得到的,通过图3验证了图2电路的可行性。
如图6所示,每个情感产生与演化模块的输入端都与第一感知器模块的电压输出端通过一个缓冲器相连接。缓冲器的作用是将信号划分为一个非1即0的值,即高电平为1,低电平为0,便于后期信号的收敛。四个情感产生与演化模块均包括一个输入端、一个输出端、三个反向求和电路,如图4所示,所述情感产生与演化模块均包括第一线路和第二线路,情感产生与演化模块的输入信号为高低电平,当高电平时通过第一线路,当低电平时通过第二线路,便于情感演化。第一线路与第一感知器模块的电压输出端相连接,第二线路通过非门与第一感知器模块的电压输出端相连接,将低电平转换为高电平,便于权重的调整。第一线路和第二线路均与第一反向求和电路相连接,第一反向求和电路与第二反相器相连接,第二反相器的输出端输出处理后的情感趋向。感知强度通过缓冲器后进入情感产生与演化模块,生成一个非0即1的值,经过情感产生与演化模块调节权重,即正向人格的人的权重调高,负向人格的人的权重调低,从而调节基础权重,产生不同的趋向;所述第一线路和第二线路均包括第二反向求和电路、第三反向求和电路和加法器,第二反向求和电路与正切模块相连接,正切模块是根据权重调节公式使用的,在公式中使用正切是经过调试比对后,正切模块更符合理想的权重调节。第三反向求和电路与与门相连接,与门的一个输入端连接第一电源、另一输入端连接第一感知器模块的电压输出端或非门的输出端,第二反向求和电路、第三反向求和电路均与加法器相连接,加法器与缓冲器相连接,第一线路和第二线路的缓冲器的输出端均与第一反向求和电路相连接;所述第二反向求和电路、第三反向求和电路均为包含忆阻器的反向求和电路。
情感产生与演化模块是根据大五人格模型设计的,大五人格模型中包含的五种人格特质,将其划分为三种人格:正向型人格、负向型人格和平和型人格;正向型人格的人更容易产生积极的情绪,负向型人格的人更容易产生消极的情绪,平和型人格的人不受情绪的影响,所以不用调节其权重。
所述情感产生与演化模块调整正向型人格的人在电路中的权重的方法为:
调整负向型人格的人在电路中的权重的方法为:
其中,enow表示听觉输出信号即第一感知模块的电压输出端输出的感知强度,ω为通过Python训练得到的基础权重,ωp为正向型人格的人在电路中的权重,ωn为负向型人格的人在电路中的权重。整个电路是相当于ω乘以括号里面的内容,权重ωp是直接运行图4得到的,权重ωn需要将电阻R47、R48和运算放大器OPE24构成的反相器去掉,平和型人格的人只需要将电路中的电源V2、V4设置为0V。
所述第一反向求和电路包括第五运算放大器OPE23,第五运算放大器OPE23的同相输入端接地,第五运算放大器OPE23的反相输入端分别与电阻R47、电阻R39和电阻R40相连接,电阻R39和电阻R47分别连接第一线路和第二线路的缓冲器,电阻R40连接第五运算放大器OPE23的输出端,第五运算放大器OPE23的输出端连接第二反相器;所述第二反相器包括第六运算放大器OPE24,第六运算放大器OPE24的同相输入端接地,第六运算放大器OPE24的反相输入端分别与电阻R48和电阻R49相连接,电阻R48连接第五运算放大器OPE23的输出端,电阻R49连接第六运算放大器OPE24的输出端,第六运算放大器OPE24的输出端输出处理后的情感趋向;所述第二反向求和电路和第三反向求和电路均包括第二忆阻器和第七运算放大器,第二忆阻器连接第七运算放大器的反相输入端,第七运算放大器的同相输入端接地,第七运算放大器的反相输入端通过第一电阻与第七运算放大器的输出端相连接,第七运算放大器的输出端连接加法的输入端;所述加法器包括第八运算放大器,第八运算放大器的同相输入端接地,第八运算放大器的反相输入端分别与第二电阻、第三电阻和第四电阻相连接,第二电阻连接第二反向求和电路的输出端,第三电阻连接第三反向求和电路的输出端,第四电阻连接第八运算放大器的输出端,第八运算放大器的输出端连接缓冲器。
如图4所示,在第一线路中:电源V1与正切模块的输入端相连接,正切模块的输出端与第二忆阻器AIST5的正极相连接,正切模块的输出端与电源V1之间并联有电阻R33,起到保护作用,不然在Pspice软件中无法得到仿真结果。第二忆阻器AIST5的负极与第二反向求和电路的第七运算放大器OPE17的反相输入端相连接,第七运算放大器OPE17的反相输入端通过第一电阻R34与第七运算放大器OPE17的输出端相连接,第七运算放大器OPE17的同相输入端接地,第七运算放大器OPE17的输出端通过电阻R35与加法器的第八运算放大器OPE19的反相输入端相连接;电源V2和第一感知器模块的电压输出端得到感知强度均与与门And1的输入端相连接,与门的输出端与第二忆阻器AIST6的正极相连接,第二忆阻器AIST6的负极与第二反向求和电路的第七运算放大器OPE18的反相输入端相连接,第七运算放大器OPE18的反相输入端通过第一电阻R37与第七运算放大器OPE18的输出端相连接,第七运算放大器OPE18的同相输入端接地,第七运算放大器OPE18的输出端通过电阻R38与加法器的第八运算放大器OPE19的反相输入端相连接,第八运算放大器OPE19的反相输入端通过电阻R36与第八运算放大器OPE19的输出端相连接,第八运算放大器OPE19的同相输入端接地,第八运算放大器OPE19的输出端与缓冲器BUF5相连接,缓冲器BUF5通过电阻R39与第一反向求和电路的第五运算放大器OPE23的反相输入端相连接。同理,第二线路的加法器的第八运算放大器OPE22的输出端与缓冲器BUF6相连接,缓冲器BUF6通过电阻R47与第一反向求和电路的第五运算放大器OPE23的反相输入端相连接。
由于听觉的灵敏度较高,更容易影响人当时的情绪,所述情感产生与演化模块的输入信号为听觉信号,所述输入信号分别输送给四个情感产生与演化模块;输入信号进入情感产生与演化模块后,分别与第一路线的与门And1和第二线路的非门D1相连,与门And1的输出端与忆阻器AIST6的正极P相连,忆阻器AIST6的负极M与第七运算放大器OPE18相连,第七运算放大器OPE18的输出端与第二反向求和电路的输入相连,第二反向求和电路的另一输入端与第七运算放大器OPE17的输出端相连,第七运算放大器OPE17的输入端与忆阻器AIST5的低电平相连,忆阻器AIST5的输入端与正切模块的输出端相连,正切模块的输入端连接电源V1;第一反向求和电路的输出端连接缓冲器BUF5的输入端,缓冲器BUF5的输出端连接第一反向求和电路的输入端,第二线路中非门D1的输出端经过一个与第一线路同样的电路后与第一反向求和电路的另一输入端相连,第一反向求和电路的输出端与第二反相器的第六运算放大器OPE24的输入端相连。
所述神经网络模块包括忆阻器阵列模块和四个电压计算模块,如图5所示,忆阻阵列模块包括四个输入端、四个输出端和十六个忆阻器,忆阻器阵列模块为由忆阻器组成的大小为4*4的阵列,十六个忆阻器M1-M16组成4*4的忆阻器阵列,阵列包括四个输入端和四个输出端,阵列的四个输入端分别与第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块的输出端一一对应连接,阵列的四个输入端分别与四个情感产生与演化模的输出端一一对应连接,阵列的四个输出端作为电压计算模块的输入信号分别与四个电压计算模块的输入端一一对应连接,四个电压计算模块输出不同的姿态。忆阻阵列模块的一个输入端分别与忆阻器M1、M5、M9、M13的正极相连接,忆阻阵列模块的一个输入端分别与忆阻器M2、M6、M10、M14的正极相连接,忆阻阵列模块的一个输入端分别与忆阻器M3、M7、M11、M15的正极相连接,忆阻阵列模块的另一个输入端分别与忆阻器M4、M8、M12、M16的正极相连接,忆阻器M1-M4的负极并联后为输出端OM1,忆阻器M5-M8的负极M并联后为输出端OM2,忆阻器M9-M12的负极M并联后为输出端OM3,忆阻器M13-M16的负极M并联后为输出端OM4。输出端OM1-OM4依次与四个电压计算模块的输入端相连接。忆阻阵列模块中的每个忆阻器相当于一个权重,组合成的忆阻阵列相当于一个权重矩阵,通过权重矩阵运算得到最终值。忆阻阵列模块与感知器模块连接是正常的情感走向,与情感产生与演化模块相连是在正常情感走向的基础上对它进行个性演化即权重的调节,才会体现个体的差异性。每个电压计算模块的作用主要是将忆阻阵列模块输出的电压值进行求和和比较,最终输出一个非0即1的值,在神经网络中,它相当于其中的激活函数,忆阻阵列相当于权重矩阵,电压计算模块是搭配着忆阻阵列用的。由于最终的电压计算模块是四输出的,四个输出端皆为非0即1的值,则经过排列组合会产生16种情况,如表1所示,将这16种情况划分为喜怒哀乐四种情绪,每种情绪对应四种情况,但每种情绪最终都会聚到这四种情绪中的一种,分别用L1、L5、L9和L13表示。当大脑产生情绪时,身体会产生响应的动作,喜怒哀乐对应的姿态为高兴、生气、悲伤、和快乐。每种情绪而正向型人格的人更容易收敛为喜和乐,负向型人格的人更容易收敛为怒和哀。
表1情绪的划分示意
每个电压计算模块包括一个输入端、一个输出端和三个运算放大器,最终通过三个运算放大器输出一个非0即1的值,即为姿态,包括表现的姿态为高兴、生气、悲伤、和快乐。如图5所示,所述电压计算模块均包括放大电路、逆变器和比较器,忆阻器阵列模块的输出端通过输入端与放大电路相连接,放大电路与逆变器相连接,逆变器与比较器相连接,比较器的输出端输出不同的姿态。放大电路的运算放大器OPv1与电阻Rv1组成了一个反向求和电路,逆变器是为了将求和电路的值进行反向取正,比较器是为了将电压值输出为非0即1值。
在第一个电压计算模块中,所述放大电路包括第九运算放大器OPv1,第九运算放大器OPv1的同相输入端接地,第九运算放大器OPv1的反相输入端分别连接忆阻器阵列模块的输出端即忆阻器M1-M4的负极M、电阻Rv1相连接,电阻Rv1与第九运算放大器OPv1的输出端相连接,运算放大器与电阻Rv1组成了一个反向求和电路,第九运算放大器OPv1的输出端连接逆变器;所述逆变器包括第十运算放大器OPv2,第十运算放大器OPv2的反相输入端与第九运算放大器OPv1的输出端相连接,第十运算放大器OPv2的同相输入端接地,第十运算放大器OPv2的输出端连接比较器;所述比较器包括第十一运算放大器OPv3,第十一运算放大器OPv3的同相输入端与第十运算放大器OPv2的输出端相连接,第十一运算放大器OPv3的反相输入端连接第二电源,第十一运算放大器OPv3的输出端输出不同的姿态。
本发明提出一种基于忆阻的二阶阻尼情感电路,利用忆阻器和二阶阻尼系统搭建感知器模拟了人体的感知强度,实现了对外界刺激的实时感知和感觉适应,并通过情感产生与演化电路体现出个体的差异性,同时能够模拟人类感知器官产生感知强度以及实现感觉适应的功能。经过对电路仿真,得到的仿真结果表明经过用二阶阻尼系统搭建感知器模拟了人体的感知强度,并且其波形实现了对外界刺激的实时感知和感觉适应,经过情感产生与演化模块后,通过仿真图可以看出正向型人格的人和负向型人格的人所产生的情感趋向是不同的,正向型人格的人更容易产生正向型的情绪,负向型人格的人更容易产生负向型的情绪。
图7为图6的仿真图,其中,(a)为四个感知模块的输入信号,(b)为四个感知模块产生的感知强度,(c)为感知强度经过缓冲器得到的值,(d)为平和型人格的最终情绪收敛,(e)为正向型人格的最终情绪收敛,能够看出正向型人格的人更容易产生正向型的情绪,(f)为负向型人格的最终情绪收敛,能够看出负向型人格的人更容易产生负向型的情绪。
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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于忆阻的二阶阻尼情感电路,其特征在于,包括感知器模块、情感产生与演化模块和神经网络模块,感知器模块与输入信号相连接,感知器模块是基于忆阻的二阶阻尼系统搭建的、且用来产生模拟人体的实时感知和感觉适应能力的感知强度;所述感知器模块分别和情感产生与演化模块、神经网络模块相连接,情感产生与演化模块和神经网络模块相连接;所述情感产生与演化模块将感知器模块产生的感知强度转化为不同人格的情感趋向,所述神经网络模块将情感趋向收敛成不同的情绪信号,产生相应的姿态;
所述情感产生与演化模块均包括第一线路和第二线路,第一线路的输入端与感知器模块的第一感知器模块的电压输出端相连接,第二线路的输入端通过非门与第一感知器模块的电压输出端相连接,第一线路和第二线路的输出端均与第一反向求和电路的输入端相连接,第一反向求和电路的输出端与第二反相器的输入端相连接,第二反相器的输出端输出处理后的情感趋向;
所述第一线路和第二线路均包括第二反向求和电路、第三反向求和电路和加法器,第二反向求和电路的输入端与正切模块的输出端相连接,第三反向求和电路的输入端与与门的输出端相连接,与门的一个输入端连接第一电源、另一输入端连接第一感知器模块的电压输出端或非门的输出端,第二反向求和电路、第三反向求和电路的输出端均与加法器的输入端相连接,加法器的输出端与缓冲器的输入端相连接,第一线路和第二线路的缓冲器的输出端均与第一反向求和电路的输入端相连接;所述第二反向求和电路、第三反向求和电路均为包含忆阻器的反向求和电路。
2.根据权利要求1所述的基于忆阻的二阶阻尼情感电路,其特征在于,所述感知器模块、情感产生与演化模块的数量均设有四个,感知器模块包括第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块,第一感知器模块的输入端与听觉输入信号相连接,第二感知器模块、第三感知器模块和第四感知器模块的输入端分别与触觉输入信号、嗅觉输入信号和味觉输入信号相连接;第一感知器模块的输出端分别与四个情感产生与演化模块的输入端相连接,第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块的输出端均与神经网络模块的输入端相连接,四个情感产生与演化模块的输出端均与神经网络模块相连接。
3.根据权利要求2所述的基于忆阻的二阶阻尼情感电路,其特征在于,所述神经网络模块包括忆阻器阵列模块和四个电压计算模块,忆阻器阵列模块为由忆阻器组成的大小为4*4的阵列,阵列包括四个输入端和四个输出端,阵列的四个输入端分别与第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块的输出端一一对应连接,阵列的四个输入端分别与四个情感产生与演化模的输出端一一对应连接,阵列的四个输出端分别与四个电压计算模块的输入端一一对应连接,四个电压计算模块输出不同的姿态。
4.根据权利要求3所述的基于忆阻的二阶阻尼情感电路,其特征在于,所述第一感知器模块、第二感知器模块、第三感知器模块和第四感知器模块均包括基于忆阻的二阶阻尼系统,基于忆阻的二阶阻尼系统的输入端与听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号相连接,基于忆阻的二阶阻尼系统的输出端与第一反相器的输入端相连接,第一反相器的输出端为电压输出端;所述基于忆阻的二阶阻尼系统包括比例环节、积分环节和惯性环节,听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号与比例环节的输入端相连接,比例环节的输出端与积分环节的输入端相连接,积分环节的输出端与惯性环节的输入端相连接,惯性环节的输出端与第一反相器的输入端相连接;所述惯性环节为基于忆阻器的惯性环节;所述听觉输入信号、触觉输入信号、嗅觉输入信号或味觉输入信号通过电阻R6与第一反相器的输入端相连接,惯性环节通过电阻R5接地。
5.根据权利要求4所述的基于忆阻的二阶阻尼情感电路,其特征在于,所述基于忆阻的二阶阻尼系统的比例系数为:
其中,Ui(s)和Uo(s)分别是感知器模块的输入电压和输出电压;K1和K2分别是比列环节和惯性环节的开环增益,T1和T2分别是积分环节和惯性环节的时间常数。
6.根据权利要求4或5所述的基于忆阻的二阶阻尼情感电路,其特征在于,所述比例环节包括第一运算放大器,第一运算放大器的反相输入端分别与电阻R1的一端和电阻R2的一端相连接,第一运算放大器的正相输入端接地,电阻R2的另一端与第一运算放大器的输出端相连接,第一运算放大器的输出端与积分环节相连接;积分环节包括第二运算放大器OPE2,第二运算放大器的反相输入端分别与电阻R3的一端和电容C1的一端相连接,电阻R3的另一端与第一运算放大器的输出端相连接,第二运算放大器的正相输入端接地,电容C1的另一端与第二运算放大器的输出端相连接,第二运算放大器的输出端与惯性环节相连接;惯性环节包括第三运算放大器,第三运算放大器的反相输入端分别与第一忆阻器的负极、电容C2的一端和电阻R4的一端相连接,第一忆阻器的正极与第二运算放大器的输出端相连接,第三运算放大器的正相输入端接地,电容C2的另一端和电阻R4的另一端均与第三运算放大器的输出端相连接,第三运算放大器的输出端分别与第一反相器的输入端和电阻R5的一端相连接,电阻R5的另一端接地;所述第一反相器包括第四运算放大器,第四运算放大器的反相输入端分别与电阻R7和电阻R8的一端相连接,电阻R7的另一端分别与第三运算放大器的输出端和电阻R6的一端相连接,电阻R1和电阻R6的另一端与输入信号相连接,电阻R8的另一端与第四运算放大器的输出端相连接,第四运算放大器的正相输入端接地,第四运算放大器的输出端为电压输出端。
7.根据权利要求6所述的基于忆阻的二阶阻尼情感电路,其特征在于,所述情感产生与演化模块调整正向型人格的人在电路中的权重的方法为:
调整负向型人格的人在电路中的权重的方法为:
其中,enow表示听觉输出信号,ω为通过Python训练得到的基础权重,ωp为正向型人格的人在电路中的权重,ωn为负向型人格的人在电路中的权重。
8.根据权利要求7所述的基于忆阻的二阶阻尼情感电路,其特征在于,所述电压计算模块均包括放大电路、逆变器和比较器,忆阻器阵列模块的输出端与放大电路的输入端相连接,放大电路的输出端与逆变器的输入端相连接,逆变器的输出端与比较器的输入端相连接。
9.根据权利要求8所述的基于忆阻的二阶阻尼情感电路,其特征在于,所述第一反向求和电路包括第五运算放大器,第五运算放大器的同相输入端接地,第五运算放大器的反相输入端分别与电阻R47、电阻R39和电阻R40的一端相连接,电阻R39和电阻R47的另一端分别连接第一线路和第二线路的缓冲器的输入端,电阻R40的另一端连接第五运算放大器的输出端,第五运算放大器的输出端连接第二反相器的输入端;所述第二反相器包括第六运算放大器,第六运算放大器的同相输入端接地,第六运算放大器的反相输入端分别与电阻R48和电阻R49的一端相连接,电阻R48的另一端连接第五运算放大器的输出端,电阻R49的另一端连接第六运算放大器的输出端,第六运算放大器的输出端输出处理后的情感趋向;所述第二反向求和电路和第三反向求和电路均包括第二忆阻器和第七运算放大器,第二忆阻器的负极连接第七运算放大器的反相输入端,第七运算放大器的同相输入端接地,第七运算放大器的反相输入端通过第一电阻与第七运算放大器的输出端相连接,第七运算放大器的输出端连接加法器的输入端,第二忆阻器的正极为其输入端;所述加法器包括第八运算放大器,第八运算放大器的同相输入端接地,第八运算放大器的反相输入端分别与第二电阻、第三电阻和第四电阻得一端相连接,第二电阻的另一端连接第二反向求和电路的输出端,第三电阻的另一端连接第三反向求和电路的输出端,第四电阻的另一端连接第八运算放大器的输出端,第八运算放大器的输出端连接缓冲器的输入端;所述放大电路包括第九运算放大器,第九运算放大器的同相输入端接地,第九运算放大器的反相输入端分别连接忆阻器阵列模块的输出端和电阻Rv1的一端相连接,电阻Rv1的另一端与第九运算放大器的输出端相连接,第九运算放大器的输出端连接逆变器;所述逆变器包括第十运算放大器,第十运算放大器的反相输入端与第九运算放大器的输出端相连接,第十运算放大器的同相输入端接地,第十运算放大器的输出端连接比较器;所述比较器包括第十一运算放大器,第十一运算放大器的同相输入端与第十运算放大器的输出端相连接,第十一运算放大器的反相输入端连接第二电源,第十一运算放大器的输出端输出不同的姿态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255929.9A CN112953458B (zh) | 2021-03-09 | 2021-03-09 | 一种基于忆阻的二阶阻尼情感电路 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255929.9A CN112953458B (zh) | 2021-03-09 | 2021-03-09 | 一种基于忆阻的二阶阻尼情感电路 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112953458A CN112953458A (zh) | 2021-06-11 |
CN112953458B true CN112953458B (zh) | 2023-10-13 |
Family
ID=76230324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110255929.9A Active CN112953458B (zh) | 2021-03-09 | 2021-03-09 | 一种基于忆阻的二阶阻尼情感电路 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112953458B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467340A (zh) * | 2021-08-05 | 2021-10-01 | 北京品德技术有限公司 | 改进的一阶线性自抗扰控制系统及其参数整定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002647A (zh) * | 2018-08-17 | 2018-12-14 | 郑州轻工业学院 | 一种具有延时学习功能的忆阻联想记忆神经网络电路 |
CN109711537A (zh) * | 2018-11-30 | 2019-05-03 | 郑州轻工业学院 | 一种基于忆阻神经网络的预测电路 |
CN110110840A (zh) * | 2019-04-22 | 2019-08-09 | 中国地质大学(武汉) | 一种基于忆阻神经网络的联想记忆情感识别电路 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180082679A1 (en) * | 2016-09-18 | 2018-03-22 | Newvoicemedia, Ltd. | Optimal human-machine conversations using emotion-enhanced natural speech using hierarchical neural networks and reinforcement learning |
CN109800729B (zh) * | 2019-01-28 | 2020-12-08 | 清华大学 | 信号处理装置及信号处理方法 |
-
2021
- 2021-03-09 CN CN202110255929.9A patent/CN112953458B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002647A (zh) * | 2018-08-17 | 2018-12-14 | 郑州轻工业学院 | 一种具有延时学习功能的忆阻联想记忆神经网络电路 |
CN109711537A (zh) * | 2018-11-30 | 2019-05-03 | 郑州轻工业学院 | 一种基于忆阻神经网络的预测电路 |
CN110110840A (zh) * | 2019-04-22 | 2019-08-09 | 中国地质大学(武汉) | 一种基于忆阻神经网络的联想记忆情感识别电路 |
Non-Patent Citations (2)
Title |
---|
Zilu Wang ; Qinghui Hong ; Xiaoping Wang.Memristive Circuit Design of Emotional Generation and Evolution Based on Skin-Like Sensory Processor.《IEEE Transactions on Biomedical Circuits and Systems》.2019,631-644. * |
新型忆阻神经网络建模与应用;马德明;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200115;I140-92 * |
Also Published As
Publication number | Publication date |
---|---|
CN112953458A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hayati et al. | Digital multiplierless realization of two coupled biological Morris-Lecar neuron model | |
JP6906602B2 (ja) | 人工ニューロン | |
Russell et al. | Optimization methods for spiking neurons and networks | |
Song et al. | Robust backpropagation training algorithm for multilayered neural tracking controller | |
CN110097182B (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 | |
Zhang et al. | A multi-functional memristive Pavlov associative memory circuit based on neural mechanisms | |
Kohno et al. | Qualitative-modeling-based silicon neurons and their networks | |
CN112953458B (zh) | 一种基于忆阻的二阶阻尼情感电路 | |
Demirkol et al. | A low power VLSI implementation of the Izhikevich neuron model | |
Ranjbar et al. | An analog astrocyte–neuron interaction circuit for neuromorphic applications | |
Zhang et al. | The framework and memristive circuit design for multisensory mutual associative memory networks | |
Folowosele et al. | Towards a cortical prosthesis: Implementing a spike-based HMAX model of visual object recognition in silico | |
Geng et al. | An analog CMOS implementation for multi-layer perceptron with ReLU activation | |
Yang et al. | Analog circuit implementation of LIF and STDP models for spiking neural networks | |
Abdelbaki et al. | Analog hardware implementation of the random neural network model | |
CN109102072B (zh) | 一种基于单电子晶体管的忆阻突触脉冲神经网络电路设计方法 | |
US6429699B1 (en) | Generator of neuron transfer function and its derivative | |
Marlen et al. | Fuzzy membership function implementation with memristor | |
Li et al. | A 0.7 v low-power fully programmable gaussian function generator for brain-inspired gaussian correlation associative memory | |
Henderson Jr | A Memristor-Based Liquid State Machine for Auditory Signal Recognition | |
Sarkar et al. | A new supervised learning approach for visual pattern recognition using discrete circuit elements and memristor array | |
Sun et al. | Memristive Hopfield Neural Network for Reasoning with Incomplete Information and Its Circuit Implementation | |
Meador et al. | A low-power CMOS circuit which emulates temporal electrical properties of neurons | |
Song et al. | A CMOS neural oscillator using negative resistance | |
Montesdeoca-Contreras et al. | Virtual speed sensor for DC motor using back-propagation artificial neural 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 |