CN113971458A - 一种基于无乘法器实现的神经元电路 - Google Patents
一种基于无乘法器实现的神经元电路 Download PDFInfo
- Publication number
- CN113971458A CN113971458A CN202111191285.8A CN202111191285A CN113971458A CN 113971458 A CN113971458 A CN 113971458A CN 202111191285 A CN202111191285 A CN 202111191285A CN 113971458 A CN113971458 A CN 113971458A
- Authority
- CN
- China
- Prior art keywords
- operational amplifier
- resistor
- neuron
- resistance
- module 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
Images
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
- G06N3/061—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
-
- 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
- G06N3/065—Analogue means
Abstract
本发明涉及神经元电路技术领域,涉及一种基于无乘法器实现的神经元电路,其特征在于:含偏置的ReLU函数模块电路、第一分段线性函数模块电路、第二分段线性函数模块电路和HR神经元模块电路,所述含偏置的ReLU函数模块电路的输出端与所述第一分段线性函数模块电路和第二分段线性函数模块电路的输入端电性连接,所述第一分段线性函数模块电路和第二分段线性函数模块电路的输出端与所述HR神经元模块电路输入端电性连接。本发明利用多段线性函数拟合HR神经元模型中的非线性项,并在模拟电路上实现拟合后的HR神经元模型,通过运放、电阻及电容组成的模拟电路,神经元实现成本大大降低。
Description
技术领域
本发明涉及神经元电路技术领域,尤其涉及一种基于无乘法器实现的神经元电路。
背景技术
现代人工智能的发展离不开对神经元的探索与学习,特别是人工智能神经网络,使得研究者对神经元模型的要求越来越高。神经元模型的电路需要尽可能简单的同时,能够实现神经元的相应功能。由于神经元模型中通常含有非线性项,因此乘法器在神经元模型的电路实现中是必不可少的。而乘法器价格昂贵、占用较大的硅面积资源并且耗能大,会导致神经元模型的电路实现成本大大增加。因此研究者们提出了许多无乘法器的神经元电路实现方案,主要通过构建线性函数来拟合神经元模型中的非线性项。以Hindmarsh-Rose(HR)神经元模型为例,Gomar等人提出了一种多段线性拟合方案。利用多段线性拟合函数拟合HR神经元模型中的非线性项。拟合后的HR神经元模型也在现场可编程门阵列(FPGA)上得到实现。然而相对于模拟电路而言,FPGA实现成本较高,并且不容易调试。
发明内容
本发明所要解决的技术问题是:通过含偏置的ReLU函数构建线性函数来拟合HR神经元模型中的非线性项,并通过包含运放、电阻及电容组成的模拟电路实现,使得电路模型成本大大降低。
本发明所采用的技术方案:一种基于无乘法器实现的神经元电路,包括:含偏置的ReLU函数模块电路、第一分段线性函数模块电路、第二分段线性函数模块电路和HR神经元模块电路,含偏置的ReLU函数模块电路的输出端与第一分段线性函数模块电路和第二分段线性函数模块电路的输入端电性连接,第一分段线性函数模块电路和第二分段线性函数模块电路的输出端与HR神经元模块电路输入端电性连接。
进一步的,HR神经元数学表达式如式(1)所示:
其中,变量x表示神经元的膜电压,y表示神经元的尖峰变量,也可称为恢复电流,z表示神经元的爆发变量,也可称为适应电流;常数r、s、x1的值分别为0.01,4,1.6;F(x)和G(x)为非线性项,表达式如式(2)所示:
F(x)=x3-3x2,G(x)=1-5x2, (2)
对于非线性项,利用分段线性函数拟合H1(x)和H2(x)分别拟合F(x)和G(x),H1(x)和H2(x)的表达式如式(3)所示:
拟合后的可以得到HR神经元的模型表达式如式(4)所示:
根据电容的积分特性将拟合后HR神经元的模型转为HR神经元模块电路的状态方程,如(5)所示:
其中,E=15V,并且可以通过调节电阻值RI来改变I的值。
进一步的,含偏置的ReLU函数模块电路包括运算放大器U1、U2,电阻Ra、Rb、Rc、Rd、Re,二极管D1、D2,直流电压V1,电阻Ra和电阻Rb共同输出一端与运算放大器U1反向输入端相连,运算放大器U1反向输入端和运算放大器U1输出端并联电阻Rc,运算放大器U1输出端与电阻Rd串联后分别与运算放大器U2反向输入端和电阻Re连接,运算放大器U1反向输入端和运算放大器U1输出端反向串联二极管D1,运算放大器U2输出端与二极管D1的共同输出端反向串联二极管D2后与电阻Re的连接;电阻Ra和电阻Rb分别与直流电压V1和输入电压vx连接;运算放大器U1、U2的同向输入端接地。
进一步的,第一分段线性函数模块电路包括电阻R1、R2、R3、R4、R5、R6、R7、Rδ1,运算放大器U11、U12,电阻R1、R2、R3、R4和Rδ1共同输出一端与运算放大器U11反向输入端连接,运算放大器U11反向输入端还与电阻R5串联后与运算放大器U11输出端连接,运算放大器U11输出端串联电阻R6后一端与运算放大器U12反向输入端连接,运算放大器U12反向输入端还与电阻R7串联后与运算放大器U12输出端连接;电阻R1、R2、R3、R4分别与含偏置的ReLU函数模块电路输出端连接;运算放大器U11、U12的同向输入端接地。
进一步的,第二分段线性函数模块电路包括电阻R8、R9、R10、R11、R12、R13、Rδ2,运算放大器U13、U14,电阻R8、R9、R10、Rδ2共同输出一端与运算放大器U13反向输入端连接,运算放大器U13反向输入端还与电阻R11串联后与运算放大器U13输出端连接,运算放大器U13输出端与电阻R12串联后一端与运算放大器U14反向输入端连接,运算放大器U14反向输入端与电阻R13串联后与运算放大器U14输出端连接;电阻R8、R9、R10分别与含偏置的ReLU函数模块电路输出端连接;运算放大器U13、U14的同向输入端接地。
进一步的,HR神经元模块电路包括电阻R’1、R’2、R’3、R’4、R’5、R’6、R’7、R’8、R’9、R’10、R’11、R’12、RI,电容C1、C2、C3,运算放大器U21、U22、U23、U24、U25,电阻RI、R’1、R’2共同输出一端与运算放大器U21的反相输入端连接,运算放大器U21反向输入端和运算放大器U21输出端并联电容C1,电阻R’3串联第一分段线性函数模块电路后两端分别与运算放大器U21反向输入端和运算放大器U21输出端连接;运算放大器U21输出端串联第二分段线性函数模块电路和电阻R’4后与运算放大器U22反向输入端连接,运算放大器U22反向输入端与运算放大器U22输出端并联电容C2和电阻R’5,运算放大器U22输出端串联电阻R’6后与运算放大器U23反向输入端连接,运算放大器U23反向输入端和运算放大器U23输出端串联电阻R’7,运算放大器U23输出端还与电阻R’2连接;电阻R’1还与运算放大器U25输出端连接,运算放大器U25输出端与运算放大器U25反向输入端串联电阻R’12;运算放大器U25反向输入端与电阻R’11串联后与运算放大器U24输出端连接,运算放大器U24输出端和运算放大器U24反向输入端并联电阻R’9和电容C3,运算放大器U24反向输入端还与电阻R’8和R’10连接;运算放大器U21、U22、U23、U24、U25的同向输入端接地。
本发明的有益效果是:
1、构建分段线性函数拟合HR神经元模型中的非线性项;设计分段线性函数的模块电路,利用基本运算放大电路和二极管的单向导通特性,设计了一种含偏置的ReLU函数模块电路,通过叠加多个含偏置的ReLU函数模块电路以及直流电压实现分段线性函数的模块电路,最后再利用这些分段线性函数模块电路设计拟合后的HR神经元模块电路。
2、电路结构简单,实现成本较低并能完整展现HR神经元放电行为。
附图说明
图1为本发明中利用分段线性函数拟合HR神经元中非线性项的数值仿真图;
图2为本发明中平移后的分段线性函数的分解图;
图3为本发明中含偏置的ReLU函数模块电路结构图;
图4(a)为本发明中第一分段线性函数模块电路结构图,图4(b)为第二分段线性函数模块电路结构图;
图5为本发明中拟合后的HR神经元模块电路结构图;
图6(a)为本发明中第一分段线性函数模块电路的仿真结果,图6(b)为第二分段线性函数模块电路的仿真结果;
图7为本发明中拟合后的HR神经元模块电路的仿真结果。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
一种基于无乘法器实现的神经元电路,包括:含偏置的ReLU函数模块电路、第一分段线性函数模块电路、第二分段线性函数模块电路和HR神经元模块电路,含偏置的ReLU函数模块电路的输出端与第一分段线性函数模块电路和第二分段线性函数模块电路的输入端电性连接,第一分段线性函数模块电路和第二分段线性函数模块电路的输出端与HR神经元模块电路输入端电性连接。
进一步的,HR神经元表达式如式(1)所示:
其中,变量x表示神经元的膜电压,y表示神经元的尖峰变量,也可称为恢复电流,z表示神经元的爆发变量,也可称为适应电流;常数r、s、x1的值分别为0.01,4,1.6;F(x)和G(x)为非线性项,表达式如式(2)所示:
F(x)=x3-3x2,G(x)=1-5x2, (2)
因此对于非线性项,本发明利用分段线性函数H1(x)和H2(x)分别拟合F(x)和G(x),H1(x)和H2(x)的表达式如式(3)所示:
如图1为分段线性函数H1(x)和H2(x)和非线性函数F(x)和G(x)的拟合结果,可以看出分段线性函数与非线性函数的图像基本一致。
图2为平移后分段线性函数的分解图;显然平移后的分段线性函数可以由多个含有偏置的ReLU函数h(x)复合而成,其中,H1(x)-m1由h1(x)、h2(x)、h3(x)和h4(x)复合而成,H2(x)-m2由h5(x)、h6(x)和h7(x)复合而成,即:
对于函数H1(x)-m1,当x<–1.3时,显然有k1+k2=18,当–1.3<x<–0.35时,有k2=8,当–0.35<x<2.8时,有k3=–2.2,当x>2.8时,有k3+k4=18;
对于函数H2(x)-m2,当x<–1.3时,显然有k5+k6=16.2,当–1.3<x<–0.1时,有k6=10,当x>–0.1时,有k7=–9;
因此根据以上关系,h(x)的各个参量得出,如表1所示:
表1分段线性函数中各个h(x)的数值参数
拟合后的HR神经元的模型表达式如式(4)所示:
因而根据电容的积分特性可以将拟合后的HR神经元数学模型转为电路状态方程,如(5)所示:
其中,E=15V,并且可以通过调节电阻值RI来改变I的值。
本发明实例中,运算放大器的型号均为TL082CP、二极管的型号均为1N4001。
图3为含偏置的ReLU函数模块电路结构图,记为h(vx);该模块电路主要由运算放大器U1和U2,二极管D1和D2,直流电压源V1,电阻Ra、Rb、Rc、Rd和Re组成;h(vx)的输入端记为a端,电阻Ra的左端连接a端的输入电压vx,Ra右端连接运算放大器U1的反相端,记为b端;电阻Rc的左端连接b端,Rc右端连接U1的输出端,记为c端;电阻Rb的右端连接b端,Rb的左端连接直流电压源V1;电阻Rd的左端连接c端,Rd的右端连接运算放大器U2的反相端,记为d端;二极管D1的负极和Re的左端同时与d端连接,D1的正极连接U2的输出端,记为e端;二极管D2的负极与e端连接,同时D2的正极与电阻Re的右端连接,记为f端,f端即为h(vx)的输出端;运算放大器U1和U2的同相端接地;其中,通过改变二极管D1和D2的导通方向可以改变输出函数的极性,含偏置的ReLU函数模块电路的表达式为:
因此,可以通过控制电阻Ra和Rb来实现不同的h(vx),其中,Rc、Rd和Re固定为10kΩ,V1为±15V。
图4(a)为第一分段线性函数的电路结构图和图4(b)为第二分段线性函数的电路结构图;第一分段线性函数H1(x)的电路模块H1(vx)主要由4个含有偏置的ReLU函数模块电路h1(vx)、h2(vx)、h3(vx)和h4(vx),运算放大器U11和U12,直流电压源V,电阻R1~R7和Rδ1组成;运算放大器U1的反相端记为a1端,同时电阻R1、R2、R3、R4和Rδ1的右端与a1端连接,R1、R2、R3和R4的左端分别与h1(vx)、h2(vx)、h3(vx)和h4(vx)连接;电阻Rδ1的左端与直流电压源V连接;电阻R5的右端与运算放大器U11的输出端连接,记为b1端;电阻R6的左端与b1端连接,右端与运算放大器U12的反相端连接,记为c1端;电阻R7的左端与c1端连接,右端与运算放大器U12的输出端连接,记为d1端;d1端记为第一分段线性函数模块电路H1(vx)的输出端。
第二分段线性函数H2(x)的电路模块H2(vx)主要由3个含偏置的ReLU函数模块电路h5(vx)、h6(vx)和h7(vx),运算放大器U13和U14,直流电压源V,电阻R8~R13和Rδ2组成;运算放大器U13的反相端记为e1端,同时电阻R8、R9、R10和Rδ2的右端与e1端连接,R8、R9和R10的左端分别与h5(vx)、h6(vx)和h7(vx)连接;电阻Rδ2的左端与直流电压源V连接;电阻R11的右端与运算放大器U13的输出端连接,记为f1端;电阻R12的左端与f1端连接,右端与运算放大器U14的反相端连接,记为g1端;电阻R13的左端与g1端连接,右端与运算放大器U14的输出端连接,记为h1端;h1端记为第二分段线性函数模块电路H2(vx)的输出端;运算放大器U11、U12、U13和U14的同相端接地;其中,电阻R1~R13均为10kΩ,h1(vx)~h7(vx)中的各个阻值如表2中所示;Rδ1阻值为125kΩ,Rδ2阻值为30.364kΩ,直流电压源V为15V。
表2分段线性函数模块电路模块中各个h(vx)的参数阻值
图5为本发明中拟合后的HR神经元模块电路结构图,主要由电阻R’1~R’12和RI,电容C1、C2、C3,运算放大器U21~U25,直流电压源V和第一和第二分段线性函数模块电路H1(vx)和H2(vx)组成;运算放大器U21的反相端记为a2端,电阻R’1、R’2和RI的右端与a2端连接,同时,电阻R’3和电容C1的左端与a2端连接;电阻RI的左端与直流电压源V连接;电阻R’1的左端与运算放大器U25的输出端连接,记为j端;电阻R’2的左端与运算放大器U23的输出端连接,记为f2端;电容C1的右端与运算放大器U21的输出端连接,记为b2端;电阻R’3的右端与第一分段线性函数模块H1(vx)的输出端连接;H1(vx)与H2(vx)的输入端与b2端连接;H2(vx)的输出端连接电阻R’4的左端,R’4的右端与运算放大器U22的反相端连接,记为c2端;电阻R’5和电容C2的左端与c2端连接,R’5和C2的右端与U22的输出端连接,记为d2端;电阻R’6的左端与d2端连接,R’6的右端与运算放大器U23的反相端连接,记为e2端;电阻R’7的左端与e2端连接,R’7的右端与f2端连接;电阻R’8的左端与k端连接,R8的右端与运算放大器U24的反相端连接,记为g2端;电阻R’10的左端与直流电压源V连接,R’10的右端与g2端连接;电阻R’9和电容C3的左端与g2端连接,电阻R’9和C3的右端与U24的输出端连接,记为h2端;电阻R’11的左端与h2端连接,右端与运算放大器U25的反相端连接,记为i端;电阻R’12的左端与i端连接,右端与j端连接;其中电阻R’1~R’7、R’11和R’12阻值均为10kΩ,电容C1、C2和C3的容值均为33nF,电阻R’8为250kΩ,电阻R’9为1MΩ,电阻R’10为2.343MΩ,直流电压源为15V。
图6(a)为本发明中第一分段线性函数模块电路模块和图6(b)第二分段线性函数模块电路模块的仿真结果,可以看出,电路仿真结果与图2中的数值仿真结果一致,因为运算放大器的饱和特性,H1(vx)的模块电路在vx<-1.69V的范围内达到了饱和;H2(vx)的模块电路在vx>1.95V和vx<-1.7V的范围内达到了饱和。
图7为本发明中拟合后的HR神经元模块电路实现结果,可以看出,通过改变RI的阻值,即改变公式(4)中的I值,拟合后的HR神经元模块电路能够展示出周期簇发、混沌簇发以及周期尖峰的放电行为,实验结果证明本发明的合理性,此外采用模拟电路实现神经元能够大大降低实现成本,同时能丰富地展现神经元的放电行为。
本发明有益效果为构建分段线性函数拟合HR神经元模型中的非线性项;设计分段线性函数的模块电路,利用基本运算放大电路和二极管的单向导通特性,设计了一种含偏置的ReLU函数模块电路,通过叠加多个含偏置的ReLU函数模块电路以及直流电压实现分段线性函数的模块电路,最后再利用这些分段线性函数模块电路设计拟合后的HR神经元模块电路;电路结构简单,实现成本较低并能完整展现HR神经元放电行为。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (6)
1.一种基于无乘法器实现的神经元电路,其特征在于,包括:含偏置的ReLU函数模块电路、第一分段线性函数模块电路、第二分段线性函数模块电路和HR神经元模块电路,所述含偏置的ReLU函数模块电路的输出端与所述第一分段线性函数模块电路和所述第二分段线性函数模块电路的输入端电性连接,所述第一分段线性函数模块电路和所述第二分段线性函数模块电路的输出端与所述HR神经元模块电路输入端电性连接。
2.根据权利要求1所述的基于无乘法器实现的神经元电路,其特征在于:所述HR神经元的数学模型表达式如式(1)所示:
其中,变量x表示神经元的膜电压,y表示神经元的尖峰变量,z表示神经元的爆发变量;r、s、x1为常数,F(x)和G(x)为非线性项,表达式如式(2)所示:
F(x)=x3-3x2,G(x)=1-5x2, (2)
对于非线性项,利用分段线性函数H1(x)和H2(x)分别拟合F(x)和G(x),H1(x)和H2(x)的表达式如式(3)所示:
拟合后的可以得到HR神经元的模型表达式如式(4)所示:
根据电容的积分特性将拟合后HR神经元的模型转为所述HR神经元模块电路的状态方程,如(5)所示:
其中,通过调节电阻值RI来改变I的值。
3.根据权利要求1所述的基于无乘法器实现的神经元电路,其特征在于:所述含偏置的ReLU函数模块电路包括运算放大器U1、U2,电阻Ra、Rb、Rc、Rd、Re,二极管D1、D2,直流电压V1,电阻Ra和电阻Rb的共同输出一端与运算放大器U1反向输入端相连,另一端串联电阻Rc后与运算放大器U1输出端连接,运算放大器U1输出端与电阻Rd串联后分别与运算放大器U2反向输入端和电阻Re连接,运算放大器U1反向输入端和运算放大器U1输出端反向串联二极管D1,运算放大器U2与二极管D1的共同输出端反向串联二极管D2后与电阻Re的右端连接;电阻Ra和电阻Rb分别与直流电压V1和输入电压vx连接;运算放大器U1、U2的同向输入端接地。
4.根据权利要求3所述的基于无乘法器实现的神经元电路,其特征在于:所述第一分段线性函数模块电路包括电阻R1、R2、R3、R4、R5、R6、R7、Rδ1,运算放大器U11、U12,电阻R1、R2、R3、R4和Rδ1共同输出一端与运算放大器U11反向输入端连接,运算放大器U11反向输入端与电阻R5串联后与运算放大器U11输出端连接,运算放大器U11输出端串联电阻R6后一端与运算放大器U12反向输入端连接,运算放大器U12反向输入端还与电阻R7串联后与运算放大器U12输出端连接;电阻R1、R2、R3、R4右端分别与所述含偏置的ReLU函数模块电路输出端连接;运算放大器U11、U12的同向输入端接地。
5.根据权利要求4所述的基于无乘法器实现的神经元电路,其特征在于:所述第二分段线性函数模块电路包括电阻R8、R9、R10、R11、R12、R13、Rδ2,运算放大器U13、U14,电阻R8、R9、R10、Rδ2共同输出一端与运算放大器U13反向输入端连接,运算放大器U13反向输入端还与电阻R11串联后与运算放大器U13输出端连接,运算放大器U13输出端与电阻R12串联后一端与运算放大器U14反向输入端连接,运算放大器U14反向输入端与电阻R13串联后与运算放大器U14输出端连接;电阻R8、R9、R10右端分别与所述含偏置的ReLU函数模块电路输出端连接;运算放大器U13、U14的同向输入端接地。
6.根据权利要求4或5所述的基于无乘法器实现的神经元电路,其特征在于:所述HR神经元模块电路包括电阻R’1、R’2、R’3、R’4、R’5、R’6、R’7、R’8、R’9、R’10、R’11、R’12、RI,电容C1、C2、C3,运算放大器U21、U22、U23、U24、U25,运算放大器U21反向输入端分别连接电阻RI、R’1、R’2,运算放大器U21反向输入端和运算放大器U21输出端并联电容C1,电阻R’3串联所述第一分段线性函数模块电路后两端分别与运算放大器U21反向输入端和运算放大器U21输出端连接;运算放大器U21输出端串联所述第二分段线性函数模块电路和电阻R’4后与运算放大器U22反向输入端连接,运算放大器U22反向输入端与运算放大器U22输出端并联电容C2和电阻R’5,运算放大器U22输出端串联电阻R’6后与运算放大器U23反向输入端连接,运算放大器U23反向输入端和运算放大器U23输出端并联电阻R’7,运算放大器U23输出端还与电阻R’2连接;电阻R’1与运算放大器U25输出端连接,运算放大器U25输出端与运算放大器U25反向输入端并联电阻R’12;运算放大器U25反向输入端与电阻R’11串联后与运算放大器U24输出端连接,运算放大器U24输出端和运算放大器U24反向输入端并联电阻R’9和电容C3,运算放大器U24反向输入端还与电阻R’8和R’10连接;运算放大器U21、U22、U23、U24、U25的同向输入端接地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191285.8A CN113971458B (zh) | 2021-10-13 | 2021-10-13 | 一种基于无乘法器实现的神经元电路 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191285.8A CN113971458B (zh) | 2021-10-13 | 2021-10-13 | 一种基于无乘法器实现的神经元电路 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113971458A true CN113971458A (zh) | 2022-01-25 |
CN113971458B CN113971458B (zh) | 2023-09-26 |
Family
ID=79587458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111191285.8A Active CN113971458B (zh) | 2021-10-13 | 2021-10-13 | 一种基于无乘法器实现的神经元电路 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971458B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881220A (zh) * | 2022-05-17 | 2022-08-09 | 常州大学 | 一种基于fhn神经元的三次非线性函数拟合电路 |
CN115062772A (zh) * | 2022-06-10 | 2022-09-16 | 常州大学 | 一种简单的rc型神经元簇放电电路 |
CN115526303A (zh) * | 2022-09-15 | 2022-12-27 | 常州大学 | 一种简单非自治可控多涡卷的神经元电路 |
CN116720554A (zh) * | 2023-08-11 | 2023-09-08 | 南京师范大学 | 一种基于fpga技术的多段线性拟合的神经元电路实现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978159A (zh) * | 2019-03-19 | 2019-07-05 | 常州大学 | 一种简易的Fitzhugh-Nagumo神经元电路 |
CN210895534U (zh) * | 2019-12-27 | 2020-06-30 | 常州星宇车灯股份有限公司 | 四维忆阻hr神经元模型电路 |
CN113054947A (zh) * | 2021-03-15 | 2021-06-29 | 常州大学 | 一种ReLU型忆阻模拟器 |
-
2021
- 2021-10-13 CN CN202111191285.8A patent/CN113971458B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978159A (zh) * | 2019-03-19 | 2019-07-05 | 常州大学 | 一种简易的Fitzhugh-Nagumo神经元电路 |
CN210895534U (zh) * | 2019-12-27 | 2020-06-30 | 常州星宇车灯股份有限公司 | 四维忆阻hr神经元模型电路 |
CN113054947A (zh) * | 2021-03-15 | 2021-06-29 | 常州大学 | 一种ReLU型忆阻模拟器 |
Non-Patent Citations (7)
Title |
---|
JIANMING CAI等: "Analog/Digital Multiplierless Implementation for Nullcline-Characteristics-Based Piecewise Linear Hind marsh-Rose Neuron Model", 《IEEE TRANSACTION ON CIRCUITS AND SYSTEMS I:REGULAR PAPERS》, pages 2916 - 2927 * |
QUAN XU等: "Piecewise-Linear Simplification for Adaptive Synaptic Neuron Model", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS II:EXPRESS BRIEFS》, pages 1832 - 1836 * |
武花干等: "基于忆阻的低通滤波振荡器准周期与混沌环面振荡研究", 《常州大学学报(自然科学版)》, pages 88 - 93 * |
王梦蛟;邓勇;李志军;曾以成;: "基于双曲正切忆阻器的Duffing系统中簇发、共存分析及其DSP实现", 电子与信息学报, no. 04, pages 27 - 35 * |
陈墨;陈成杰;包伯成;徐权;: "忆阻突触耦合Hopfield神经网络的初值敏感动力学", 电子与信息学报, no. 04, pages 79 - 86 * |
陈墨等: "忆阻高通滤波电路准周期与混沌环面簇发振荡及慢通道效应", 《电子与信息学报》, pages 811 - 817 * |
陈志亚: "神经元模型离子活动的动力学分析及其动态特征光相位检测方法", 《中国优秀硕士学位论文全文数据库 基础科学辑》, pages 006 - 118 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881220A (zh) * | 2022-05-17 | 2022-08-09 | 常州大学 | 一种基于fhn神经元的三次非线性函数拟合电路 |
CN114881220B (zh) * | 2022-05-17 | 2023-11-14 | 常州大学 | 一种基于fhn神经元的三次非线性函数拟合电路 |
CN115062772A (zh) * | 2022-06-10 | 2022-09-16 | 常州大学 | 一种简单的rc型神经元簇放电电路 |
CN115062772B (zh) * | 2022-06-10 | 2023-09-26 | 常州大学 | 一种简单的rc型神经元簇放电电路 |
CN115526303A (zh) * | 2022-09-15 | 2022-12-27 | 常州大学 | 一种简单非自治可控多涡卷的神经元电路 |
CN115526303B (zh) * | 2022-09-15 | 2023-09-26 | 常州大学 | 一种简单非自治可控多涡卷的神经元电路 |
CN116720554A (zh) * | 2023-08-11 | 2023-09-08 | 南京师范大学 | 一种基于fpga技术的多段线性拟合的神经元电路实现方法 |
CN116720554B (zh) * | 2023-08-11 | 2023-11-14 | 南京师范大学 | 一种基于fpga技术的多段线性拟合的神经元电路实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113971458B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113971458A (zh) | 一种基于无乘法器实现的神经元电路 | |
CN102917194B (zh) | 电视机及其恒流控制装置 | |
CN102005941B (zh) | 一种实现数控电位器调节的压电陶瓷驱动电源 | |
CN208299759U (zh) | 一种放大器输入失调电压的自动校正电路 | |
CN109978159B (zh) | 一种简易的Fitzhugh-Nagumo神经元电路 | |
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 | |
CN106787626B (zh) | 斜坡补偿电路及功率变换装置 | |
Yuce et al. | Novel floating inductance and FDNR simulators employing CCII+ s | |
CN111313228B (zh) | 激光驱动电路及光发射系统 | |
Srivastava et al. | A new configuration for simulating passive elements in floating state employing VDCCs and grounded passive elements | |
Aggarwal et al. | New memristor-less, resistor-less, two-OTA based grounded and floating meminductor emulators and their applications in chaotic oscillators | |
CN113054947B (zh) | 一种ReLU型忆阻模拟器 | |
Kumari et al. | LC-ladder filter systematic implementation by OTRA | |
Arslan et al. | Novel lossless grounded inductance simulators employing only a single first generation current conveyor | |
CN115526303A (zh) | 一种简单非自治可控多涡卷的神经元电路 | |
CN110046472B (zh) | 基于电流传输器的二次非线性磁控忆阻模拟器 | |
CN115963879A (zh) | 一种支持pwmv调制的恒流源电路 | |
CN111525921B (zh) | 用于神经网络中信号转换的系统和方法 | |
CN114978120A (zh) | 一种双曲正弦、双曲余弦及混沌电路 | |
CN110032830B (zh) | 基于电流传输器的三次非线性磁控忆阻模拟器 | |
TWI696349B (zh) | 高倍升壓電源轉換裝置 | |
CN110855420A (zh) | 一种基于忆阻的准周期信号产生电路 | |
Torralba et al. | Class AB output stages for low voltage CMOS opamps with accurate quiescent current control by means of dynamic biasing | |
CN107103929B (zh) | 一种具有双极特性的浮地型hp忆阻等效电路 | |
CN115062772A (zh) | 一种简单的rc型神经元簇放电电路 |
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 |