论文部分内容阅读
伴随着AlphaGo在围棋界横扫四方,人工智能也逐渐兴起,而语音识别、图像识别等人工智能技术早就应用在日常生活中。脉冲神经网络作为第三代人工神经网络,由于其在分类、图像识别等领域有着显著的优势,因而逐渐被人们开始研究。忆阻器是一种具备与电阻相同量纲的两端器件。忆阻器具有忆阻特性:其阻值和特定时刻通过的电荷量有关。由于忆阻器具有高速低功耗的优点且与CMOS工艺兼容等优点,因此,其在存储器领域及神经网络领域有广泛应用前景。本文首先介绍了忆阻器的基本特性以及脉冲神经网络的基本概念,并进一步探讨了脉冲神经元的两类模型:Hodgkin-Huxley(HH)模型和Leaky-Integrate-AndFire(LIF)模型。基于此,本文设计了两种LIF神经元模型,一种基于板级电路模型,一种基于CMOS工艺。基于板级电路的LIF神经元电路的脉冲发放速率与注入电流成线性关系,同时神经元电路还具备不应期特性,可以通过调节偏置电压来调节神经元的不应期。而在CMOS模型中则引入的DPI模块来作为神经元的膜电位积分与泄漏。接着就突触的概念进行概述,并将神经网络简化为突触与神经元作出解释。然后设计了基于CMOS电路的神经突触模型,并且通过仿真验证了突触电路的可塑性:当脉冲信号不同的时候,突触会表现出不同的活跃度。介绍了竞争神经网络的基本概念,并利用CMOS神经元电路以及CMOS突触电路,搭建了一种基于CMOS电路的竞争神经网络。该竞争神经网络是基于脉冲神经网络的,且为硬件层面的模型,通过仿真验证:由于突触权值以及神经元初始激励电流的差别,神经元将会在竞争表现出差别。最后对设计的LIF神经元板级电路进行测试,验证了神经元膜电位以及脉冲发放速率等各种特性。利用忆阻器阻值随着电压的特性用着突触权值,设计了基于忆阻器的神经突触电路,并进行了仿真以及测试,验证突触的可塑性。利用神经元板级电路以及基于忆阻器突触电路,搭建竞争神经网络。分别测试了神经元在个体竞争,群竞争,以及组间竞争中表现的特性,验证了竞争网络模型的正确。