[发明专利]一种联想神经网络突触权值可塑的忆阻模型电路设计方法

权利要求书

1.一种联想神经网络突触权值可塑的忆阻模型电路设计方法，其特征是包括以下步骤：

(S1)根据MVC忆阻模型及类似神经突触功能的忆阻模型，设计权值可塑的经验学习忆阻模型；其中，MVC忆阻模型描述如下：

i＝M^-1v (1)

(1)式和(2)式中，i和v分别表示MVC忆阻的电流与电压，M表示MVC忆阻的忆阻值；α表示|v|≤v_th时M的变化速率，β表示|v|v_th时M的变化速率，δ表示v＝0时M的变化速率，且符号α，β和δ均为常数；v_th是电压阈值，R_H为M最大值，R_L为M最小值；

(2)式中s是阶跃函数，表示为：

经验学习忆阻模型用其伏安特性来描述：

i＝w·v (4)

式中i和v分别表示经验学习忆阻模型的电流与电压，w表示经验学习忆阻模型的忆导；

ε是控制经验学习忆阻模型长期记忆的变量：

τ是控制经验学习忆阻模型学习和遗忘速率的变量：

β为|v|v_th时w的变化速率，为当|v|≤v_th时忆导w的变化速率，变量ε为v＝0时忆导w的收敛值即长期记忆，变量τ用于控制忆导w收敛速率；s是阶跃函数，w_L为w的最小值，w_H为w的最大值，v_th是电压阈值；

α_u和α_d分别代表长期记忆变量ε在|v|v_th或|v|v_th时的改变速率，ε_H和ε_L分别表示ε的最大值与最小值；γ为v≠0时τ的变化速率，τ_H和τ_L分别表示τ的最大值与最小值；当输入电压v低于阈值电压v_th时，忆导w将会在一定时间里收敛到变量ε且当τ越大时忆阻的遗忘速率越慢；阶跃函数用于保证忆导值在w_L和w_H之间变化；

(S2)调整(S1)中构建的经验学习忆阻模型的各关系式参数，使模型达到电路实现的标准；

(S3)根据(S2)中确定参数的经验学习忆阻模型，设计出该模型的电路结构，并创建外围电路验证其性能；

(S4)设计出带有全反馈的三个神经元组成的联想记忆神经网络，并将网络中的突触替换为(S1)中经验学习忆阻模型；

单个神经元将所有的输入信号求和，并将求和后的值输入到传递函数中以判定神经元是否能够输出和反馈，其传递函数和反馈函数设置如式(8)所示，而神经元两端电压为式(10)所示；将三个神经元连接构成联想记忆神经网络，将联想记忆神经网络中的突触再替换为经验学习忆阻模型，并将该网络的反馈规则修改为式(9)，则单个神经元两端电压变为式(11)，即构成了带有全反馈的忆阻突触联想记忆神经网络；

普通神经元反馈表达式为：

其中ψ为正常数系数，设定ψ＝10；s(t)为神经元的阶跃激活函数，g(t)表示为单个神经元反馈信号，v_out(t)表示为单个神经元输出信号；

基于经验学习忆阻模型突触的全反馈神经元反馈表达式为：

其中k为前向神经元的个数，ω_ij为第i个后向神经元和第j个前向神经元之间的连接权值；v_∑(t)为所有连接到第i个后向神经元的k个输入信号加权和，且将v_∑(t)作为神经元的反馈信号；普通神经元两端电压v_ij为：

v_ij＝v_j+v_out＝v_j+ψs(t) (10)

基于经验学习忆阻模型突触的全反馈神经元两端电压v_ij为：

(S5)设计(S4)中基于经验学习忆阻模型的联想神经网络的电路，并设计不同的输入脉冲序列，以验证该网络的经验学习、自主学习、长周期记忆和遗忘的功能。