[发明专利]一种基于忆阻神经网络的联想记忆情感识别电路

说明书

本发明提供了一种基于忆阻神经网络的联想记忆情感识别电路，该电路包括输入单元、逻辑判断单元、突触单元、学习速度调节单元、输出处理单元和输出单元；所述输入单元用来模拟神经网络中的输入神经元；输出单元用来模拟神经网络中的输出神经元；该电路用于实现一种基于忆阻神经网络的联想记忆情感识别方法；利用神经网络，建立基于忆阻神经网络的联想记忆情感识别模型，用来模拟人类感知器。本发明的有益效果是：基于忆阻神经网络的联想记忆情感识别电路的集成化程度更高，实现了对人类学习速度变化的模拟，更好的对人类情绪变化进行模拟，提高智能机器模拟人类思考和行为的可能性；增强了模拟神经网络的仿生能力和实用性。

技术领域

本发明涉及神经网络领域，尤其涉及一种基于忆阻神经网络的联想记忆情感识别电路。

背景技术

神经网络被广泛应用于人工智能领域，在模式识别、图像处理与数据挖掘等技术中都能看到它的身影。2012年至今，基于软件方式实现的神经网络得到了飞速发展和广泛应用，实际上相较于软件方式实现的神经网络而言，基于硬件方式实现的神经网络能够更好地实现算法的高速并行处理，在数据量越来越大、模型越来越复杂的今天，高速并行处理、低功耗的硬件神经网络电路具有着巨大的研究价值与实际意义。

传统的硬件神经网络电路只能靠晶体管来设计神经网络中的神经突触结构电路，受制于摩尔定律，这样做的集成化成度太低。举例而言，生物神经网络突触密度一般能够达到10¹⁰synapses/cm²，而如今半导体技术设计的神经网络电路中突触密度最高只能达到10⁹synapses/cm²。2008年，忆阻器(纳米级电子元器件)的出现使得实现更高集成化的神经网络芯片成为可能，延续摩尔定律出现了新的转机。忆阻器是一种阻值在一定范围内连续可变的电阻，其优秀特性并不仅仅体现在它的体积远远小于晶体管，最重要的是忆阻器在硬件电路中能够同时实现运算与存储两种功能，这就打破了冯若依曼现代计算机结构，即不再会因为CPU读取处理数据而浪费大量时间，这些因素使得忆阻器成为了用于设计神经网络突触结构电路的元器件的不二之选。

联想记忆是人类大脑的一种重要记忆方式，打个比方：人类能够通过一篇文章的上下文来回忆起某几个模糊的单词；能够通过一些事物回忆起他们本快遗忘的某事。将忆阻神经网络与联想记忆相结合，使得机器人模拟生物思维，像人类一样思考具有重大的意义。

发明内容

为了解决上述问题，本发明提供了一种基于忆阻神经网络的联想记忆情感识别电路，该电路包括输入单元、逻辑判断单元、突触单元、学习速度调节单元、输出处理单元和输出单元；所述输入单元包括第一输入单元、第二输入单元和第三输入单元，用来模拟神经网络中的3个输入神经元；逻辑判断单元包括第一判断单元和第二判断单元，用来模拟神经网络中的神经元根据3个输入神经元的输入信号进行判断当前所处的状态，所述状态包括学习状态和遗忘状态；突触单元用来模拟神经元之间的突触S1、S2、S3、S4、S5和S6，其中，突触S1和突触S6为亢奋突触，突触S2和突触S5为抑制突触，且突触S1、S2、S5和S6各自的阻值固定不变，即突触强度不会发生变化，用于模拟神经元的无条件反射，突触S3和突触S4为可根据自身输入和输出端的电压的不同在某一范围内变化的阻值，即突触的强度可发生变化，用于模拟神经元的条件反射；学习速度调节单元包括第一调节单元和第二调节单元，用来模拟神经网络中的神经元判断是否是第一次学习，若是，则学习速度调节单元不作出反馈；若否，则学习速度调节单元与逻辑判断单元通过加法器共同作用于突触单元中的突触S3和突触S4，导致突触S3和突触S4输入输出两端的电压变小，从而导致突触S3和突触S4的阻值变化速度变快，模拟神经网络中的突触强度快速增强，使第二次及之后学习情感识别所需的学习时间减少；输出处理单元包括第一处理单元和第二处理单元，用来对突触输出的内容进行求和处理，便于输出单元输出；输出单元包括第一输出单元和第二输出单元，用来模拟神经网络中的输出神经元，输出情感识别类别；