基于忆阻的神经联想记忆分析和综合

《基于忆阻的神经联想记忆分析和综合》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于忆阻的神经联想记忆分析和综合报告人:吴爱龙1忆阻的记忆性分析2基于连续的忆阻神经网络的联想记忆3基于不连续的忆阻神经网络的联想记忆4基于广义的忆阻神经网络族的联想记忆我们当前的工作★研究背景1.人工智能技术对数据处理能力的更高要求机器视觉2.信息存储领域对电子存储器的重大需求计算机存储（例如2012年平板电脑全球1.189亿台）消费电子（例如国内手机超10亿用户）网络存储（2010年销售额为260亿美元）嵌入式存储（例如eMMC2014年将达4.8亿块）军用电子人的大脑既是一个高性能的处理器也是一个大容量的

2、存储器科学研究者们开始思考人脑是如何处理和记忆信息的从神经生物解剖学的角度研究从数学建模和物理学的角度研究心理学家MeCulloch和数学家Pitts的M—P神经网络模型;神经心理学家Hebb提出的Hebb规则；Rosenblatt的模型为感知器模型Widrow的自适应的线性神经网络模型；Kohonen的自组织映射模型；Fukushima的认知机模型；Grossberg的关于感知器的共振适应理论；Anderson的盒中脑模型；递归神经网络模型（Hopfield神经网络模型；细胞神经网络模型；C-G神经网络模型）

3、等。在神经网络的电路实现过程，通常是用电阻来实现神经处理单元之间的连接。但是电阻的阻值是不变的，没有很好的反应突触的强度是可变的这一特性。记忆模式通常表现为神经网络状态空间中的吸引子：渐近稳定的平衡点或极限环人工神经系统常用来设计联想记忆，而吸引子的个数代表了网络的记忆容量。Grassi提出的基于伪逆矩阵的设计方法；刘德荣教授的基于奇异值分解的方法和基于感知器的方法；Szolgay的基于Hebbian学习规则的方法；Park基于线性矩阵不等式的方法；曾志刚教授提出的高容量（吸引子个数为2n）的联想记忆设计方法等

4、。联想记忆设计对于不同记忆任务，需要用不同的电路实现如何处理对于不同记忆任务，只需要用一个电路来实现？数据处理存储应用构建基于忆阻的神经网络模型将忆阻作为“电子神经元突触”进行逻辑运算解决瓶颈难题容量有限容错性低参数庞大结构复杂开发基于忆阻的自联想记忆和异联想记忆发展用基于忆阻神经网络的联想记忆实现信息储存研究架构基于不连续忆阻神经网络的联想记忆分析与综合忆阻的记忆性分析基于连续忆阻神经网络的联想记忆分析与综合基于广义忆阻神经网络族的联想记忆分析与综合123研究了不连续忆阻递归神经网络模型，并得到每个网络有多个

5、吸引子的条件4用积分常数分析了单个忆阻，多个忆阻串并联的记忆性质，得出了忆阻存在阈值电压考虑历史和未来信息对人的决策的影响，讨论了广义神经网络吸引子簇的存在性探讨了忆阻神经网络模型，用一个人工神经网络电路实现了多个记忆任务4相关工作的创新点忆阻的记忆性分析1971年,美国加州大学伯克利分校的L.O.Chua教授在他的论文《Memristor–themissingcircuitelement》中预测了第四种电路元件忆阻器的存在。L.O.Chua,“Memristor–themissingcircuitelemen

6、t,”IEEETrans.CircuitTheory,vol.18,no.5,pp.507-519,1971.美国惠普公司制造出忆阻的实物模型在2008年5月发表的《自然》（Nature）杂志上，美国惠普公司实验室的斯坦•威廉斯和同事在进行极小型电路实验时终于制造出忆阻的实物模型D.B.Strukov,G.S.Snider,D.R.Stewart,andR.S.Williams,“Themissingmemristorfound,”Nature,vol.453,pp.80-83,2008.惠普固体忆阻器模型Wa

7、ngF.Y.推导了忆阻两端电压和电流的关系式;DrakakisE.M.用伯努利动力学方程也得出了忆阻两端电压和电流的关系式。Frank指出忆阻的记忆性归因于积分常数，但没有做出分析。从上面的表达式中可以看出，积分常数是初始值的二次函数。因而可以用积分常数来分析忆阻的记忆性。我们用伏安法和积分常数分析忆阻的记忆性。用得出的忆阻两端电流和电压的关系式做仿真，得出忆阻存在一个阈值电压即当输入电压大于阈值电压时忆阻的阻值发生改变；反之则不变。多个忆阻同向串联等效为一个忆阻；多个忆阻同向并联等效为一个忆阻；两个忆阻反向串

8、联，忆阻的记忆性受到抑制；两个忆阻反向并联，忆阻的记忆性得到增强；多个忆阻串联或者并联，我们得到一个积分常数向量，向量中的每一个分量记住了串并联中每一个忆阻的初始值。忆阻递归神经网络电路图连续的忆阻神经网络模型忆阻神经网络的系数与忆阻阻值之间的关系式网络中的连接由忆阻和脉冲生成器构成连续的忆阻神经网络可以是一个单稳定的神经网络序列；连续的忆阻神经网络也可以是一个多稳定的神经网络序列；连