忆阻神经网络图像处理综述

忆阻神经网络能有效改善传统神经网络电路复杂、不易集成以及能耗大等不足。概述了忆阻器与忆阻神经网络,以及目前忆阻神经网络在图像处理方面的应用。基于忆阻特性,实现神经网络突触的动态可变,使忆阻神经网络比传统神经网络在图像处理领域具备更多优势且应用范围更广。同时,展望了忆阻神经网络未来发展前景。     

参数扰动下时滞忆阻神经网络的Lagrange稳定性

根据忆阻器物理特性,建立了一类荷控忆阻神经网络模型,模型中忆阻器的记忆特性被保留.针对实际忆阻器阻值与理想模型存在差异造成忆阻神经网络中参数不确定的问题,研究参数扰动下时滞忆阻神经网络的Lagrange稳定性.将模型重构为双重扰动形式以处理忆阻器忆阻值变化造成的模型中的参数变化.通过构造Lyapunov函数和应用线性矩...     

基于Simulink的忆阻器模型

为了使忆阻器具有与其他器件相结合的能力,本文在惠普实验室提出的忆阻器物理模型电路关系的基础上,在Simulink中用二种方法对忆阻器进行了双端口建模,方便准确的实现了对于忆阻器的仿真。与编写M文件、构建图形用户界面和搭建输入输出模型的建模方法相比,基于Simulink的双端口模型不仅能够方便准确的观察忆阻器的输入输出特性,而且具有更广阔的应用范围,对于忆阻器的研究有一定的指导作用。     

基于忆阻器的近似计算方法

忆阻器是一种非易失性存储器件,目前主要有两种方法用忆阻器实现通用计算:通过忆阻器交叉开关阵列支持神经网络来逼近任意函数;用忆阻器构造基础的门电路,再进一步实现任意Boole逻辑计算.前者存在误差难以控制的问题,后者相比传统数字电路优势不显著.该文设计了一种针对忆阻器的通用近似计算范式,基于忆阻器的硬件架构通用现场可编程...     

忆阻器类脑神经突触的研究进展

大脑之所以能够控制人和动物的复杂生命活动,使生物体在多变的自然环境得以生存,得益于大规模神经网络中高效、快速、精准的信息传递。神经突触作为神经元之间信息传递的重要机构,保证了神经网络的高效运转,因此构建具有神经突触功能的电子突触是研究仿生系统和类脑神经网络的必经之路。研究人员尝试各种电子元件对神经突触进行模拟,其中忆阻器由于其独特的器件结构和具有“记忆特性”的电学性能,成为构建类脑神经突触的最佳选择。文章全面概述近年来忆阻器模拟神经突触的研究进展,包括忆阻器模拟神经突触的可塑性、再可塑性、非联想学习、联想学习等功能,总结了忆阻器神经突触在人工神经网络中的应用、存在的问题和挑战,并对忆阻器神经突触的研究进行展望。     

分数阶忆阻器模型特性

由于忆阻器具有对电变量的记忆特性,所以在工业领域有着广泛的应用前景。但是,它的机理和特性较为复杂,现今还没有得到广泛认同的数学模型,因而急需为其建立精确的数学模型,从而实现工业应用和商业化。基于忆阻器的数学定义,结合分数阶理论知识,为其建立精确的分数阶数学模型。通过对建立模型的时域和频域的分析,得到忆阻器模型的工作性能和特点：在时域内,电压和电流的旁瓣面积随着数学模型的阶次变化而变化;在频域内,模型的幅值随频率的升高而下降,相位变化相对较小。研究为进一步研究忆阻器的特点夯实了基础。     

一种基于有源忆阻器模型的混沌电路

提出一种内部状态变量导数中含有平方项的有源忆阻器模型;并基于该模型构造了一个仅含电容、电感和忆阻器三个元件的混沌电路系统。该系统仅包含有一个平衡点;且吸引子关于原点中心对称。通过系统的李雅普诺夫指数谱和分岔图发现,在不同的电阻参数下该系统会以混沌危机和倒分岔两种方式退出混沌。最后,利用运算放大器等对该忆阻器进行电路模拟,给出了混沌系统的电路实现。     

基于双忆阻混沌电路的分析及应用

设计了 一个磁控忆阻器仿真器和一个有源荷控忆阻器仿真器,并基于这两种忆阻器设计了 一个新的五维混沌电路系统.对系统进行动力学特性分析,包括平衡点集的求解、稳定性、分岔图、Lyapunov指数谱、共存分岔及多稳定性.结果表明,当参数变化时,系统存在单周期、倍周期及混沌态.特别地,当取不同的初值时,系统出现共存混沌吸引子、...     

忆阻器应用于人工神经网络的前景与展望

忆阻器理论的建立为电子电路设计带来了新的发展空间,将对于人工神经网络的研究进程起到巨大的推动作用。本文介绍了忆阻器的主要特性和优势,以及展望了忆阻器在人工神经网络权值存储上的发展前景。     

一种忆阻扫描触发器设计

基于惠普公司的忆阻器模型,提出一种可支持断电模式的选择扫描触发器电路.数据可以从主从触发器中被传输存储到忆阻器中,在触发器被断电期间,忆阻器一直保持该数据.当扫描触发器处于唤醒时刻,忆阻器所保持的数据可以被控制回传到主从触发器中.采用惠普公司提供的忆阻器模拟电路仿真模型进行仿真验证,仿真数据及波形表明,该电路可以满足集成电路的低功耗扫描测试需求.