论文部分内容阅读
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。