用户登录  |  用户注册
首 页毕业论文毕业设计下载定做交易过程截图支付宝在线支付

软件名称:[B]面向视觉信息处理应用的忆阻神经形态计算[/B]
软件类型:通信电子毕业设计
运行环境:Win9X/Win2000/WinXP/Win2003/
软件语言:简体中文
授权方式:共享版
软件大小:1.14 MB
官方主页:Home Page
更新时间:2019-02-10 17:42:41
软件简介:

 神经形态计算用来模拟和实现人脑功能,以达到类似于人脑的快速、节能、所占空间小等优势。神经形态计算包括作为节点的神经元和连接神经元的突触为基本元素。突触的强度表示两个节点之间连接的强弱,突触的强度可以发生变化,这就是突触可塑性。生物神经网络中的STDP(Spike-Timing Dependent Plasticity)突触可塑性是一种非常重要的学习机制,这种特性使生物神经网络出现不同的连接结构并随着神经元接受的信息而发生着改变。忆阻器的出现使得可以使用电子器件来模拟生物神经系统中的STDP学习机制,进而可以实现类似大脑的学习功能。本文面向三个视觉信息处理任务的实际应用,仿真验证了基于忆阻器的神经形态系统在智能信息处理方面的可行性与有效性。论文主要工作包括:
了解生物神经形态电子学的发展概况,神经元和突触的基本概念,忆阻器的发展和特性以及神经形态电路的现状和发展情况。调研理解STDP机制,忆阻器特性,忆阻器与STDP机制的关系以及LIF神经元WTA网络等神经形态网络的基本概念。使用MATLAB建模仿真由LIF神经元与忆阻器构成的多层网络,用以识别手写数字和AER移动物体的运动方向。构建的识别手写数字网络可以识别手写数字,最终识别率可以在达到86.79%;构建的识别AER移动物体运动方向的网络可以完全识别8个小块运动的方向。使用MATLAB建模仿真由MacGregor神经元和忆阻器构成的多次网络,用以识别不同人的不同表情图像,识别率最终可以达到94.6%。
本论文给出了神经形态电路的仿真验证,证明将忆阻器与LIF或MacGregor神经元组成的多层网络可以实现具有一定实际应用价值的面向视觉信息处理任务的应用。在本领域,前人已有研究虽曾利用生物STDP学习机制来完成人脸图像识别等较高级视觉信息处理任务,但尚没有通过忆阻神经形态系统模型来实现,本论文的研究则验证了忆阻神经形态系统在前述有一定应用价值的智能信息处理方面的可行性与有效性。
关键词:STDP,忆阻器,神经形态电路,视觉信息处理
Memristor neuromorphic computing for visual information processing applications
He Mingli (Circuits and System)
Directed by Prof. Liu Xinyuan and Ren Quansheng
Abstract
Neuromorphic computing is used to simulate the human brain function and implementation in order to achieve high speed, low energy, small size and other advantages. It consists of neurons and synapses that connect the neurons. Neurons act sa nodes in the system. Synaptic strength between two nodes indicates the connection between the neurons. The strength of synapses can be varied, which is called synaptic plasticity. STDP(Spike-Timing Dependent Plasticity) is an important learning mechanism in biological neural networks. This feature makes the neural network change the synaptic strength between neurons with the information accepted. Memristor’s emergence makes electronic devices can be used to achieve STDP mechanism and can achieve a similar brain study function. In this paper we simulate the memristor networkto achieve the result that memrisitor can achieve a simple visual information processing. In this paper, three practical applications for visual information processing tasks are simulated which verifies the feasibility that memristor-based neuromorphic system feasibility information processing.
The main work includes:
General understanding of the development of biological neural morphology electronics, basic concepts of the status of neurons and synapses, memristor development and characteristics, and neuromorphic circuits and developments. Understand the STDP mechanism, the memristor characteristics, the basic element memristor concept relationship with STDP mechanisms and LIF neuron, WTA networks. Multi-layer network modeling and simulation using MATLAB by the LIF neurons and memristor constituted to recognize handwritten numbers and the direction of movement of AER moving objects. The recognize handwritten digital network can recognize handwritten and the digits recognition rate reached 86.79 percent. AER moving direction of the object recognition can completely identify eight different directions. Use multiple network modeling and simulation of MATLAB by MacGregor neurons and memristor constituted to identify images of different people with different expressions and the recognition rate can reach 94.6% finally.
This paper gives a neuromorphic circuit simulation which proved the memristor multilayer network with LIF or MacGregor neurons s can achieve visual information processing tasks. In the field, despite a previous existing research using biological STDP learning mechanism to accomplish human face recognition and other more advanced visual information processing tasks, there is no form of nervous system through the memristor model to achieve the tasks. This paper studies validate the memristor neuromorph feasibility and effectiveness information processing.


Keywords: STDP, memristor,neural circuit, visual information processing


目 录
第一章 绪论 1
1.1 神经形态电子学简介 1
1.2 神经元、突触 2
1.3 忆阻器的发现及其特性 3
1.4 神经形态计算 4
1.5 研究思路与成果概述 6
第二章 研究综述 11
2.1 STDP机制 11
2.2 忆阻器 13
2.3 忆阻器与STDP的关系 15
2.4 LIF神经元 16
2.5 WTA网络 17
第三章 手写数字识别网络设计及仿真实现 19
3.1 数据库 19
3.2 网络结构 20
3.3 仿真实现 22
3.3.1 程序流程 22
3.3.2 不同方向的识别模型 23
3.3.3 手写数字的识别模型 26
3.4 本章小结 29
第四章 移动物体方向识别网络设计及仿真实现 30
4.1 数据 31
4.2 网络结构 31
4.3 仿真实现 32
4.3.1 程序流程 32
4.3.2 生成仿真需要的AER数据 34
4.3.3 简化STDP网络的仿真结果 35
4.3.4 忆阻器网络的仿真结果 38
4.4 本章小结 39
第五章 人脸识别网络设计及仿真实现 40
5.1 神经元模型 41
5.1.1 模型公式 42
5.1.2 神经元信号传输 43
5.2 网络结构 44
5.3 图像相似度测量 46
5.4 数据库 47
5.5 仿真实现 48
5.5.1 程序流程 48
5.5.2 仿真结果 49
5.6 本章小结 51
第六章 总结 52
6.1 论文的特点与创新之处 52
6.2 展望 53
参考文献 54
攻读硕士学位期间发表的论文 56
致 谢 57
表目录
表 1 手写数字网络参数设置 23
表 2 移动物体方向识别网络参数设置 33
表 3 参数设置 35
表 4 识别层神经元数与突触连接数的关系 46
表 5 网络参数设置 49

图目录
图 1 大脑解剖图和功能连接 6
图 2 分层脉冲神经元网络 6
图 3 冯诺依曼计算机与神经形态计算机比较 8
图 4 两个神经元通过突触连接 11
图 5 STDP示意图 13
图 6 四种电路变量示意图 13
图 7 忆阻器示意图 14
图 8 动作电位示意图 15
图 9 WTA网络连接示意图 17
图 10 WTA网络工作示意图 18
图 11 MNIST数据库 20
图 12 数字识别网络结构图 21
图 13 数字识别网络程序流程图 22
图 14 不同方向条状图片 24
图 15 不同方向条状图片训练后权重值 25
图 16 权重训练前输出层脉冲输出 26
图 17 权重训练后输出层脉冲输出 26
图 18 MNIST图片输入训练后权重 27
图 19 权重训练前输出层脉冲输出 28
图 20 权重训练前输出层脉冲输出 28
图 21 不同数字识别率 29
图 22 AER小球运动图像示意图 31
图 23 AER网络结构示意图 32
图 24 AER网络程序流程图 32
图 25 AER示意图 34
图 26 简化STDP示意图 36
图 27 简化STDP网络训练后权重图 36
图 28 训练后权重图叠加 37
图 29 移动小块计数 37
图 30 忆阻器网络训练后权重图 38
图 31 移动小块方向判断 39
图 32 人脸识别网络结构图 44
图 33 神经元之间连接示意图 45
图 34 门限判断示意图 46
图 35 人脸回忆识别示意图 47
图 36 人脸识别仿真流程图 48
图 37 人脸样本图 49
图 38 仿真过程中间值 50
图 39 识别结果图,红框表示错误识别图像 51


第一章绪论
1.1神经形态电子学简介
2008年,惠普实验室的R. S. Williams团队利用二氧化钛纳米纵横闩(Crossbar)技术首次发现了忆阻器(Memristor)。2010年,密歇根大学的W. Lu研究组首次在实验中用纳米忆阻器实现了与神经系统中完全相同的、依赖于动作电位时间的、突触可塑性(STDP)机制,而该机制是大脑学习与记忆的关键。神经形态电子学(神经形态工程)是近年来新兴的研究方向,它伴随着忆阻器STDP机制的发现而兴起,尝试通过电子学器件来实现与生物神经元和突触具有相同机制的微米级硅基神经元和纳米级忆阻器突触,以期实现在集成度和功能方面与哺乳动物大脑类似的新型计算机。
目前,美国和欧盟已分别将其提升至国家战略层面,认为其对人类社会所带来的变革与影响将不亚于传统冯•诺依曼型计算机的发明,对美国或欧盟2020~2040年在世界上的经济地位至关重要。欧盟已于2013年1月正式启动“未来新兴技术(FET)”的旗舰项目“人脑工程”(the Human Brain Project),将在未来十年投入10亿欧元去打造一个完整的研究平台。该工程的一大部分资金将直接投入到神经形态电子学相关的研究中,包括神经形态计算、用于高性能计算的神经形态芯片以及神经形态机器人三个方向。其他项目还包括欧盟第六研发框架的FACETS计划以及第七研发框架的BrainScaleS计划。美国方面,奥巴马也于今年4月提出了他的“脑计划”(BRAIN initiative),将于2014财年投入1亿美元,并计划未来每年投入3亿美元。其中,2014财年的1亿美元中将有4000万美元投入到美国国防部高等研究计划局(DARPA)在神经形态工程方面的研究。其他已开展的项目还包括美国DARPA的SyNAPSE计划、Neovision I&II计划和Aug Cognition计划。目前中国还没有公开的相关研究计划,亟待跟进。
这种新型的“电子大脑”比传统的冯•诺依曼型计算机具有如下优势:1)具有接近人类智能的潜力;2)不仅具有较高的容错性和容噪性,还可通过并行自组织计算积极地对噪声进行利用以提高运算的有效性;3)在应对复杂的任务时,随着环境复杂度的增加,冯•诺依曼型计算机的机器复杂度呈指数增长,但神经形态计算机机器复杂度的增长要平缓得多;4)神经形态计算机具有突破目前芯片集成度瓶颈的潜力,使得摩尔定律在未来继续有效。
这方面研究属于脑科学、微/纳米技术、电路与系统、人工智能、超级计算、计算机科学交叉研究的系统工程,已成为信息科学发展的前沿领域。其研究内容包括如下几个方面:1)发展与生物物理学机制类似的电子突触(基于忆阻器)和硅基神经元(基于CMOS电路);2)建模并搭建神经电路;3)发展崭新的大脑仿生计算原理;4)优化相关电子器件与计算模型;5)将独特的计算算法进行系统级应用;6)建立实时的实验验证平台;7)发展系统级的CMOS/忆阻器混合平台以实现自组织行为。
神经形态工程的发展目标是研制出基于大脑原理的电路系统,这种新型计算机可以用来进行目标识别、低功耗计算以及发展真正的智能机器。这将帮助完成诸如模式识别、自主机器人等艰巨的任务,基于这些的应用将为人类的军事、经济及日常生活带来空前的变革。在本领域,前人已有研究虽曾利用生物STDP学习机制来完成人脸图像识别等较高级视觉信息处理任务,但尚没有通过忆阻神经形态系统模型来实现,本论文的研究则验证了忆阻神经形态系统在前述有一定应用价值的智能信息处理方面的可行性与有效性。为了便于读者理解,下面对与这个问题相关的一些基本概念加以介绍。
1.2神经元、突触
神经元,又称神经细胞,是构成神经系统结构和功能的基本单位。神经元是具有长突触(轴突)的细胞,它由细胞体和细胞突起构成。细胞突起是由细胞体延伸出来的细长部分,又可分为树突(dendrite)和轴突(axon)。每个神经元可以有一或多个树突,可以接受刺激并将兴奋传入细胞体。每个神经元只有一个轴突,可以把兴奋信号从胞体传送到另一个神经元或其他组织,如肌肉或腺体。两个神经元之间相互接触、并相互传递信息的部位称为突触, 胞体与胞体、树突与树突以及轴突与轴突之间都有突触形成。突触前神经元借助化学神经递质变化,将信息转送到突触后神经元,称为化学突触,借助于电信号在神经元之间传递信息的突触,称电突触。
突触的强度可以不断的发生改变,在神经形态计算中,称之为突触可塑性(synaptic plasticity),而这种强度变化有其自己的潜在机制。由于形成记忆模式的基本条件就是大脑当中有大量这种互相通过突触连接神经元所组成的神经网络,因此突触可塑性成为神经形态计算研究学习记忆模式的一个神经科学的基石。可塑性可分为短期,持续几秒钟或更少,称之为短程突触可塑性;或长期,持续几分钟到几小时,称之为长程突触可塑性。STDP是通过观察大量的实验数据而得出的一种长时程突触可塑性。突触的强度会随着突触前和突触后动作电位时间差而改变。强度增大还是减小,增大多少减小多少都由突触前后动作电位的时间间隔对应的函数决定。
突触之间的强度的改变可以造成神经元组成的网络结构发生改变,在一定的输入激励下,网络间神经元之间的连接强度就会随之发生变化,因此可以记录下任何一个时刻神经元之间连接的强度值,也就是任何一个时刻下的网络连接结构。从而实现一些简单的生物功能学习。
1.3忆阻器的发现及其特性
忆阻器的英文 Memristor来自「Memory(记忆)」和「Resistor(电阻)」两个字的合并。最初于1971年,加州大学伯克利分校的蔡少棠教授根据电子学理论,预测到在电阻器、电容器及电感元件之外,还存在电路的第四种基本元件。在其1971年的论文中,蔡少棠外推了对称的非线性电阻(电压与电流)、非线性电容器(电压与电荷)、和非线性电感(磁通量与电流)之间的的概念,并推断出一个类似于基本的连接磁量和电荷的非线性电路元件。对比线性(或非线性)的电阻,忆阻器有一个动态的包括过去的电压或电流的记忆的电流和电压之间的关系[1]。之后从2000年始,研究人员在多种二元金属氧化物和钙钛矿结构的薄膜中发现了电场作用下的电阻变化,并应用到了下一代非挥发性内存-阻抗存储器(RRAM)或(ReRAM)中[2]。2008年4月,惠普公司公布了基于的RRAM器件,并首先将RRAM和忆阻器联系起来[3, 4]。但目前仍然有专家认为,这些实作出的电路,并不是真正的忆阻器。
忆阻器的电阻值随着通过的电流量而改变,即使电流停止,其电阻值仍会保持之前的阻值,直到接收到反向的电流才会被推回去。因为这样的组件会“记住”之前的电流量,因此被称为忆阻器。而纳米忆阻器件具有与神经科学中依赖于动作电位时间的突触可塑性(STDP)完全相同的学习机制,因此可以使用研究STDP机制的规律,来研究忆阻器。
1.4神经形态计算
人类大脑具备学习的能力。计算机有处理单元和内存,这些允许计算机短时间内实现复杂的数值计算,但是并不是适应性的[5]。人类大脑大部分是连续工作的,而计算机内大部分是被动存储数据的。因此大脑在并行工作方面,理论上可以接近最优,而电脑的计算能力要小得多。电脑的功能和容量是固定的,而大脑是生物神经网络,可以在自身寿命期间内重塑自身结构,从而完成学习和记忆等复杂功能。因此迫切需要构架与生物神经系统功能类似的神经网络,这个神经网络包括简单大量的神经元,可以并行工作同时具备一定的学习能力。在生物神经系统中,通过学习过程可以达到的结果是神经网络能生成和关联相关数据,在神经系统训练结束之后,遇到类似问题,可以找到与之前训练结果相关的记忆结果或网络连接进行处理。
灵长类的脑皮层示例显示大脑独特的提取和识别功能,在面对感知刺激时能得到有意义的分类结果。在视觉皮层中,复合路径存在于处理例如颜色,物体识别和运动检测等功能的网络结构中。更为深刻的是大脑具有在几十或上百毫秒时间内处理复合视觉环境的能力[6, 7]。神经元之间的反馈连接扩展了视觉皮层忽略噪声的能力和在复杂的视觉环境中集中精力和预测的能力。灵长类视皮层的这个特点对动物在面对复杂环境时所做决策很重要,该功能可以通过包括脉冲神经元的基本计算模块进行模拟[8]。
由于大脑可用功能处理单元处理复杂多样的任务,因此很多计算机设计者希望在计算机硬件中模拟大脑的生物特性。此外神经元的低功率和事件驱动特性使得芯片设计者更想模拟这种生物计算系统[9]。然而,要对比数字神经元和生物自身的能源效率,还需要匹配脉冲神经元的参数,在数字CMOS系统需要配置好对应的突触、线性操作、稀疏连接等,因此设计和实现工作很复杂。
生物的视觉系统为生物提供了周围世界的完整的图像,图像具有多面性,看到的物体有形状和颜色、有空间位置、视觉系统的神经元必须对其敏感,以便看见这些特征。人眼就像照相机,但是从视网膜开始,视觉系统的其余部分更为精巧,比如,视网膜不仅仅传递关于投射于其上的光和影的图像信息,视网膜提取这些视觉图像的各方面的信息,然后中枢神经系统其他部分对这些信息的分析和诠释。视觉通路包括丘脑外侧膝状体核和初级视皮层,分为17区,V1区和纹状皮层。这个外侧膝状体核皮层通路汇集的信息分为几个相互分离的的信息分别表示视觉信息的不同特性,该区域对这些不同刺激特性进行分析。纹状皮层然后将这些信息送到颞叶和顶叶的数个不同的纹区外皮层,这些皮层区域再对这些不同类型的信息进行分析处理。
图 1展示了大脑不同区域的解剖和功能连接,描述了大脑视皮层对于动态检测和特征处理区域的内部连接与流程。其中,前额区域具有功能决策功能,大脑的运动区域与外部环境相互作用。图 2介绍了分层脉冲神经元网络,网络可以识别移动物体和控制特定移动物体的动态输出,生物神经网络通过STDP学习机制进行学习。这种网络可以在简单的环境里区分不同的移动物体。同样的生物神经系统对应相同的模块:形状识别、运动识别和决策模块。图 2展示了整个系统构造和分块结构。形状识别模块和运动识别模块可以被仿真建模来模拟其生物功能。在本论文如下的工作中,分别使用LIF神经元,MacGregor神经元与忆阻器网络模型仿真建模类似的网络结构,模拟类似的功能模块,分别达到形状识别和运动识别的功能,并应用于实际的问题上。包括手写数字识别,AER移动物体方向识别和人脸识别。

图 1 大脑解剖图和功能连接[8]

图 2 分层脉冲神经元网络[8]
1.5成果概述与研究意义
论文以神经形态电子学作为基本的研究背景,将忆阻器应用到神经形态电路里,使用LIF神经元、MacGregor神经元、WTA网络等神经形态电路元素,仿真实现手写数字、AER移动物体运动方向和人脸不同表情等的识别功能。在本领域,前人已有研究虽曾利用生物STDP学习机制来完成人脸图像识别等较高级视觉信息处理任务,但尚没有通过忆阻神经形态系统模型来实现,本论文的研究则验证了忆阻神经形态系统在前述有一定应用价值的智能信息处理方面的可行性与有效性。
论文的主要工作如下:
(1)介绍了神经形态电子学的现状和发展趋势、神经元与突触等大脑神经学习机制的基本概念、忆阻器的发展及其特性以及神经形态计算学的发展现状。
(2)将神经形态电子学的基本元素(LIF神经元、MacGregor神经元、STDP学习机制、忆阻器等)与生物脑的学习原理相结合,构建能完成一定实际应用价值的面向视觉信息处理任务的神经形态计算模型。
(3)使用MATLAB构建多层网络,并成功实现了手写数字识别、AER移动物体运动方向识别、人脸识别等解决实际问题的功能网络模型。手写数字识别网络对MNIST数据库的手写数字图片可以达到86.79%的识别率,AER移动物体运动方向识别网络可以完全识别8个不同的运动方向,人脸识别网络针对包含不同人不同表情的JAFFE人脸数据库可以达到94.6%的识别率。
(4) 在基于忆阻器的神经形态计算机制研究方面,之前已有研究通过简化的忆阻器模型已实现过手写数字识别和运动物体方向识别这两个功能,但尚未实现人脸识别等更复杂的视觉信息处理任务。本论文采取了更完善的忆阻器模型复现了手写数字识别和运动物体方向识别这两个功能,并借鉴了国际上生物STDP突触可塑性机制在人脸识别方面的最新研究成果,在忆阻神经形态网络上实现了包含不同人不同表情的人脸识别功能。

图 3是美国国防部高等研究计划局(DARPA)经过充分的研究和论证,于2011年提出的冯诺依曼计算机与神经形态计算机机器复杂度随着环境和任务复杂度变化的曲线图。如图所示,冯诺依曼计算机随着环境复杂度增加,机器复杂度迅速增长;而神经形态计算机随着环境复杂度的增加,其机器复杂度的增加比冯诺依曼计算机的增长要慢得多。图中实线部分表示那时(2011年)已经实现的计算功能,如图所示,冯诺依曼计算机(红色实线所示)在现有的功能实现上要领先于神经形态计算机的表现(绿色实线所示),不过随着环境和任务复杂度的增加,神经形态计算机的优势会逐渐体现。

图 3 冯诺依曼计算机与神经形态计算机比较
在基于传统冯诺依曼计算机的机器智能研究中,通常使用一些传统算法来实现视觉信息处理,包括:使用全局分析和结构分析来识别数字,使用基于光照估计的模型理论和基于人脸特征点的识别算法,通过视频帧比较检测物体的运动状态。而本文中所做的视觉信息处理工作是基于全新的神经形态计算机制来实现的,试图去完成与冯诺依曼计算机同样的前述视觉信息处理功能,目的是从可行性和有效性上验证神经形态计算机制能够实现目前冯诺依曼计算机在较复杂的视觉信息智能处理方面所能完成的任务。诚然,在识别率等性能方面与基于冯诺依曼计算机制的传统算法可能尚有一定差距,但本论文的主要目的是在功能方面接近传统的方法,对应于图3中两条曲线的交点(Dawn of a new paradigm)。而且,本论文所采用的基于忆阻器的神经形态计算机制和传统的算法相比有如下的优势:
1)忆阻器所模拟的生物STDP突触可塑性机制是人脑学习与记忆在细胞层面最基本和重要的机制,因此基于忆阻器的神经形态计算在目前方兴未艾的人机接口方面具有无可替代的先天优势。
2)神经形态计算是一种并行自组织计算,相比基于串行计算的算法而言,在计算效率等方面具有优势。
3)在应对复杂的任务时,随着环境复杂度的增加,冯•诺依曼型计算机的机器复杂度呈指数增长,但神经形态计算机机器复杂度的增长要平缓得多。对于本论文所研究的三个研究任务而言,其算法虽然不尽相同,但三种算法的基本组成要素都是类似的,只是在原理上,随着任务复杂度的增加,算法呈现了由简单向复杂演化的特点,而传统的算法在面对这三个不同任务时,其算法思想与要素却是迥异的。
4)基于忆阻器的神经形态计算机具有突破目前芯片集成度瓶颈的潜力,使得摩尔定律在未来继续有效。

本文共分为6章,各章内容分别为:
第1章 序论。介绍了本论文的研究背景、目的和意义。
第2章 研究综述。对本论文研究中的关键要素,如STDP、忆阻器、LIF神经元、WTA网络模型等进行了介绍。
第3章 手写数字识别网络的实现。用忆阻器模型成功构建了手写数字识别网络,并成功实现了手写数字识别。
第4章 移动物体方向识别网络的实现。阐述了AER视频探测器的数据结构,用忆阻器模型成功构建了移动物体移动方向识别网络,并成功实现了8个运动方向的识别功能。
第5章 人脸识别网络的实现。用忆阻器模型和更复杂的MacGregor神经元模型,完成了较高识别率的人脸图像识别功能。
第6章 结论与展望。总结了本研究的结论,分析了研究中的不足之处。

成果概述:
于2014年1月在Physics Letters A发表了一篇SCI论文:
Ren Q, He M, Yu X, et al. The adaptive coupling scheme and the heterogeneity in intrinsic frequency and degree distributions of the complex networks[J]. Physics Letters A, 2014, 378(3): 139-146.
于2014年5月发表了一篇会议论文,发表在CSEE(International Conference on Circuits Systems and Electronics Engineering,该会议的往届论文均已被EI收录):
Mingli He, Honelei Gao, Quansheng Ren, Jianye Zhao.Building a self-learning Memristor-Based Spiking Neural Network on Handwritten Digit Recognition and Orientation Extraction.2014,5

第二章研究综述
本章主要介绍神经形态电路的三个基本要素:神经元,STDP学习机制和忆阻器。STDP学习机制是突触学习的基本机制,本章首先介绍该机制的实现原理和方法。本章分别介绍忆阻器的特性、基本原理、模型和仿真结果,从而说明忆阻器具有完成STDP功能的性质,可以用在神经形态电路中完成STDP学习机制。在神经元方面主要介绍LIF神经元的基本原理及实现方法。最后介绍了常用的神经形态电路——胜者独享网络,用以实现识别功能。
2.1STDP机制
STDP(Spike_time-dependent-plasticity)是一种突触学习机制,原本应用在人工机器学习机制里或计算神经科学里,用以开发基于脉冲的计算,强调脉冲之间的时间差。Gerstner在1993年首先研究STDP机制[10],STDP被证明在探索皮层和学习机制上比Hebbian学习机制表现得更好[11]。在过去的20年间STDP的生物存在已经被神经科学小组提出并证实[12]。
在描述STDP学习机制之前,先解释下什么是突触连接和神经元之间如何互换信息。

图 4 两个神经元通过突触连接[12]


[url=http://www.biye114.com/html/1539.html][B]面向视觉信息处理应用的忆阻神经形态计算[/B][/url]
Copyright © 2007-2013 完美毕业网. All Rights Reserved .
页面执行时间:78.12500 毫秒
Powered by:完美毕业网 http://www.biye114.com