一种基于忆阻交叉阵列的自适应三高斯模型及其在图像增强中的应用

在视觉图像处理中,可用三高斯模型来模拟视网膜神经节细胞的感受野,这可以在一定程度上对图像信息,比如图像的边缘、细节等信息进行增强.但是在对大量的图像进行处理时,为了达到比较理想的效果,就需要人为地来改变模型中的相关参数,这是一个十分耗时的过程.基于此,本文提出一种基于忆阻交叉阵列的自适应三高斯模型.这种模型是在传统三高斯模型的基础上,根据所需处理图像的局部特征,利用忆阻交叉阵列的特性动态地改变模型参数,以达到对局部图像最优增强的目的,从而使整幅图像的增强效果更好.首先,根据图像的局部亮度信息来确定忆阻器所需施加的脉冲电压的极性以及宽度;然后,根据所得忆阻值得到对应模型中参数的值;最后,可以得到局部增强模板,从而实现增强.本文分别选取了彩色和灰度图像进行了测试,定性和定量实验结果均表明,这种改进的三高斯模型不仅能够对图像边缘进行有效的增强,而且还可以极大地提高图像的对比度和清晰度,为忆阻器在图像处理方面的应用提供了新方向.     

铝基薄膜忆阻器作为感觉神经系统的习惯化特性

感觉神经系统可在外界刺激与生物体反应之间建立联系.感觉神经系统中的最小单位神经元可直接将外界刺激传递至中枢神经,再由中枢神经通过控制和调节生物体对外界刺激作出反应.神经突触连接了相邻神经元进行脉冲信息传递功能.习惯化是神经突触在信息传递中过滤外界无关信息时的一个基本特性,可以让感觉神经系统更快速地适应外界环境变化.忆阻器模拟神经突触功能在近年获得进展,然而针对以忆阻器为基础的具有习惯化特性的神经突触以及完整神经系统的研究相对匮乏.本文利用磁控溅射技术制备了厚度约为40 nm且含铝纳米颗粒的氮化铝薄膜忆阻器,并发现这种结构忆阻器对于重复的外界刺激有明显的习惯化行为,该行为与感觉神经系统的习惯化特性极为相似.若将这种具有习惯化的神经突触与感觉神经元串联,可形成LIF(leaky integrate-and-fire)生物模型模拟完整的神经系统行为,也为忆阻器在第三代神经网络(脉冲神经网络)中的应用提供理论参考.     

NbOx忆阻神经元的设计及其在尖峰神经网络中的应用

NbO_x忆阻器凭借其纳米尺寸、阈值切换及局部有源特性在神经形态计算领域展现出巨大的应用前景.对NbO_x忆阻器动力学特性的深入分析和研究有利于忆阻神经元电路的设计和优化.本文基于局部有源理论,采用小信号分析方法对NbO_x忆阻器物理模型展开了研究,定量分析了产生尖峰振荡的区域和条件,并确定了激励信号幅值和尖峰频率之间的定量关系.基于上述理论分析,进一步设计了NbO_x忆阻器神经元,并结合忆阻突触十字交叉阵列,构建了25×10的尖峰神经网络(spiking neuron network,SNN).最后,分别利用频率编码和时间编码两种方式,有效地实现了数字0到9模式的识别功能.     

双层结构突触仿生忆阻器的时空信息传递及稳定性

现有计算机体系架构下的神经网络难以对多任务复杂数据进行高效处理,成为制约人工智能技术发展的瓶颈之一,而人脑的并行运算方式具有高效率、低功耗和存算一体的特点,被视为打破传统冯·诺依曼计算体系最具潜力的运算体系.突触仿生器件是指从硬件层面上实现人脑神经拟态的器件,它可以模拟脑神经对信息的处理方式,即"记忆"和"信息处理"过程在同一硬件上实现,这对于构建新的运算体系具有重要的意义.近年,制备仿生突触器件的忆阻材料已获得进展,但多聚焦于神经突触功能的模拟,对于时空信息感知和传递的关键研究较为缺乏.本文通过制备一种双层结构忆阻器,实现了突触仿生器件的基本功能包括双脉冲易化和抑制、脉冲时间依赖突触可塑性(spiking time dependent plasticity, STDP)和经验式学习等,还对器件的信息感知、传递特性和稳定性进行了研究,发现该器件脉冲测试结果满足神经网络处理时空信息的基本要求,这一结果可以为忆阻器在类脑芯片中的应用提供参考.     

忆阻器及其阻变机理研究进展

忆阻器是除电阻、电容、电感之外的第四种电路元件,在信息存储、逻辑运算和神经网络等研究领域具有重要的应用前景.本文综述了忆阻器以及忆阻器材料的研究进展,主要介绍了忆阻器的内涵与特征、阻变机理、材料类型以及应用前景,指出了目前忆阻器研究中需要关注的主要问题,并对以后的发展趋势进行了展望.     

改进型细胞神经网络实现的忆阻器混沌电路

在通用细胞神经网络单元的基础上,本文利用忆阻器本身的非线性实现了一种改进型细胞神经网络单元.通过连接4个改进的细胞神经网络单元导出了一种基于状态控制细胞神经网络的忆阻器混沌电路.为了验证该方法的正确性,采用通用的电子器件构建了一个忆阻器的模拟等效电路,并对提出的电路进行了实验分析.实验结果与数值仿真结果的一致性表明采用改进型的细胞神经网络可以有效地实现忆阻器混沌电路.     

基于忆阻器的脉冲神经网络硬件加速器架构设计

脉冲神经网络(spiking neural network, SNN)作为第三代神经网络,其计算效率更高、资源开销更少,且仿生能力更强,展示出了对于语音、图像处理的优秀潜能.传统的脉冲神经网络硬件加速器通常使用加法器模拟神经元对突触权重的累加.这种设计对于硬件资源消耗较大、神经元/突触集成度不高、加速效果一般.因此,本工作开展了对拥有更高集成度、更高计算效率的脉冲神经网络推理加速器的研究.阻变式存储器(resistive random access memory, RRAM)又称忆阻器(memristor),作为一种新兴的存储技术,其阻值随电压变化而变化,可用于构建crossbar架构模拟矩阵运算,已经在被广泛应用于存算一体(processing in memory, PIM)、神经网络计算等领域.因此,本次工作基于忆阻器阵列,设计了权值存储矩阵,并结合外围电路模拟了LIF(leaky integrate and fire)神经元计算过程.之后,基于LIF神经元模型实现了脉冲神经网络硬件推理加速器设计.该加速器消耗了0.75k忆阻器,集成了24k神经元和192M突触.仿真结果显示,在5...     

蛋白质基忆阻器研究进展

忆阻器作为一种可实现高密度、多功能、低功耗、多级数据存储的新型电子元器件,为电路结构设计、信息存储理论及突触仿生模拟等领域带来了重大变革.在广泛的忆阻器种类中,蛋白质基忆阻器由于具有结构可控降解、原料丰富低廉、生物兼容等优势,在可植入计算、人机交互、人机结合等前沿信息技术领域有着其他材料基忆阻器无可比拟的天然优势,因此被视为是构建下一代高科技信息电子产品最具潜力的候选者.本文归纳了近期蛋白质基忆阻器的研究进展,首先总结了部分蛋白质的研究进展,包含被广泛研究的鸡蛋白蛋白及性能优越的人工重组蛋白等,然后进一步介绍了蚕丝蛋白基忆阻器的研究历程,详细介绍了功能化策略所带给蚕丝蛋白基介观忆阻器的性能提升,并分析了功能化蚕丝蛋白结构与性能之间的构效关系.最后对蛋白质基忆阻器性能进行了综合分析,并展望了该生物电子器件的未来发展契机.     

两类纳米级非线性忆阻器模型及串并联研究

忆阻器是一种新型的非线性动态可变电阻器,其阻值的变化依赖于通过它的电荷量或磁通量.作为第四种基本电路元器件,忆阻器在非易失性存储器、非线性电路及系统、神经形态系统等领域中有巨大的应用潜能.忆阻器串并联组合电路具有比单个忆阻器更为丰富的器件特性,引起了研究者越来越多的关注.本文推导了带有窗函数的闭合形式的电荷及磁通量控制的忆阻器非线性模型,能够有效地模拟忆阻器边缘附近的非线性离子迁移现象,同时保证忆阻器的边界条件.进一步,分别从忆阻器的器件参数和激励阈值两个角度,对忆阻器串并联电路进行了全面的理论推导和数值分析.为了更加直观地观察忆阻器串并联特性,设计了一种基于Matlab的忆阻器串并联图形用户界面,能够清晰地展示两种分类方式下忆阻系统的器件特性,可为忆阻器组合电路的后续研究提供良好的理论参考和实验依据.     

基于BP神经网络的闪光照相图像复原

针对闪光照相系统模糊较大、成像信噪比较低的问题,提出了一种基于BP神经网络的闪光照相图像复原方法。该方法利用BP神经网络的泛化能力,用样本图像对网络进行训练,建立退化图像与真实图像之间的非线性映射关系,然后将待复原图像分区,利用训练好的BP神经网络对待复原图像的边界区域进行复原处理。数值试验表明,在系统点扩展函数未知的情况下,该算法能较好再现图像边缘信息,复原出的图像在信噪比和视觉方面都有较大提高。     

基于BP神经网络的车牌字符识别算法研究

车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI．边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。     

Memristor-based multi-synaptic spiking neuron circuit for spiking neural network

Spiking neural networks (SNNs) are widely used in many fields because they work closer to biological neurons. However, due to its computational complexity, many SNNs implementations are limited to computer programs. First, this paper proposes a multi-synaptic circuit (MSC) based on memristor, which realizes the multi-synapse connection between neurons and the multi-delay transmission of pulse signals. The synapse circuit participates in the calculation of the network while transmitting the pulse signal, and completes the complex calculations on the software with hardware. Secondly, a new spiking neuron circuit based on the leaky integrate-and-fire (LIF) model is designed in this paper. The amplitude and width of the pulse emitted by the spiking neuron circuit can be adjusted as required. The combination of spiking neuron circuit and MSC forms the multi-synaptic spiking neuron (MSSN). The MSSN was simulated in PSPICE and the expected result was obtained, which verified the feasibility of the circuit. Finally, a small SNN was designed based on the mathematical model of MSSN. After the SNN is trained and optimized, it obtains a good accuracy in the classification of the IRIS-dataset, which verifies the practicability of the design in the network.     

Image feature extraction by dynamic neural filtering and phase-only joint transform correlation

Neural network-based image processing algorithms present numerous advantages due to their supervised adjustable properties. Among various neural network architectures, dynamic neural networks, Hopfield and Cellular networks, have been found inherently suitable for filtering applications. Combining supervised and filtering features of dynamic neural networks, this paper presents dynamic neural filtering technique based on Hopfield neural network architecture. The filtering technique has also been implemented by using phase-only joint transform correlation (POJTC) for optical image processing applications. Filtering structure is basically similar to the Hopfield neural network structure except for the adjustable filter mask and 2D convolution operation instead of weight matrix operations. The dynamic neural filtering architecture has learnable properties by back-propagation learning algorithm. POJTC presents significant advantages to achieve the operation of summing the cross-correlation of bipolar data by phase-encoding bipolar data in parallel. The image feature extraction performance of the proposed optical system is reported for various image processing applications using a simulation program.     

改进VGG网络的多聚焦图像的融合方法

为更好地保留原图像信息,提高图像融合性能,提出一种改进VGG卷积神经网络与边缘像素统计特征相结合的融合算法。首先,该算法将完整图像拆分成图像块,以图像块的预处理来获取较高的图像分类,精度达到0.985以上,以改进的VGG卷积神经网络来加快模型收敛速度,当图像块输入到网络当中,可以初步得到二分类的权值矩阵。其次,在高频细节部分,对于左聚焦图像和右聚焦图像的清晰模糊模块分别进行模糊化处理,根据像素点之间的统计特征经阈值分割后得到有明显边界的权值矩阵。最后,结合两次分割的权值矩阵,通过加权求和的融合策略,得到处处清晰的聚焦图像。为说明算法有效性,在实验部分展示其融合主观视觉效果图与信息熵等客观评价,该算法对比其他算法表现突出,可较好地保留原图像的信息。     

基于ARM的视觉导航AGV图像处理方法研究

为了实现更加简单高效的标识线图像的检测与处理,提出了一种优化的基于ARM的视觉导航AGV标识线图像处理方法。首先对采集到的图像进行灰度化处理并使用Otsu算法对图像进行阈值分割;然后采用优化的中值滤波算法进行图像滤波并使用高效的边缘提取策略获取路径边缘特征;最后采用角度判断的方法剔除错误点并使用最小二乘法拟合成路径的中心线。实验结果表明,该方法有较高的准确率和较好的实时性,可以满足工业生产中的实际需求,适用于基于嵌入式系统开发的视觉导航AGV。     

Pulse coding off-chip learning algorithm for memristive artificial neural network

Memristive neural network has attracted tremendous attention since the memristor array can perform parallel multiply-accumulate calculation (MAC) operations and memory-computation operations as compared with digital CMOS hardware systems. However, owing to the variability of the memristor, the implementation of high-precision neural network in memristive computation units is still difficult. Existing learning algorithms for memristive artificial neural network (ANN) is unable to achieve the performance comparable to high-precision by using CMOS-based system. Here, we propose an algorithm based on off-chip learning for memristive ANN in low precision. Training the ANN in the high-precision in digital CPUs and then quantifying the weight of the network to low precision, the quantified weights are mapped to the memristor arrays based on VTEAM model through using the pulse coding weight-mapping rule. In this work, we execute the inference of trained 5-layers convolution neural network on the memristor arrays and achieve an accuracy close to the inference in the case of high precision (64-bit). Compared with other algorithms-based off-chip learning, the algorithm proposed in the present study can easily implement the mapping process and less influence of the device variability. Our result provides an effective approach to implementing the ANN on the memristive hardware platform.     

忆阻突触耦合环形Hopfield神经网络动力学分析及其电路实现

提出一种新型忆阻器模型, 利用标准非线性理论分析三个忆阻特性, 并设计模拟电路。基于忆阻突触, 构建一个忆阻突触耦合环形Hopfield神经网络模型。采用分岔图、李雅普诺夫指数谱、时序图等方法, 揭示与忆阻突触密切相关的特殊动力学行为。数值仿真表明: 在忆阻突触权重的影响下, 它能够产生多种对称簇发放电模式和复杂的混沌行为。实现了该忆阻环形神经网络的模拟等效电路, 并由PSIM电路仿真验证MATLAB数值仿真的正确性。