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。     

离散忆阻混沌系统的Simulink建模及其动力学特性分析

为拓广离散忆阻器的研究与应用,基于差分算子,构建了具有平方非线性的离散忆阻模型,并实现了Simulink仿真.仿真结果表明,设计的忆阻器满足广义忆阻定义.将得到的离散忆阻引入三维混沌映射中,设计了一种新型四维忆阻混沌映射,并建立了该混沌映射的Simulink模型.通过平衡点、分岔图、Lyapunov指数谱、复杂度、多稳态分析了系统复杂动力学特性.本文从系统建模角度出发,构建离散忆阻与离散忆阻混沌映射,进一步验证了离散忆阻的可实现性,为离散忆阻应用研究奠定了基础.     

基于现场可编程逻辑门阵列的磁控忆阻电路对称动力学行为分析

将含绝对值项的磁控忆阻器引入改进型蔡氏电路,构建新型磁控忆阻混沌电路,通过分岔图与Lyapunov指数谱创新性地观察到系统的对称分岔行为,揭示系统双参数平面内运动状态分布的对称性.同时,基于忆阻电路参数-初值平面的系统运动分布图,分析对称吸引域内系统的多稳态特性,相图的绘制进一步证明电路多稳态现象的存在性.此外,应用现场可编程逻辑门阵列完成电路实验,在数字示波器上捕捉实验结果,证明所构磁控忆阻电路的物理可实现性.     

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.     

基于忆阻器的spiking神经网络在图像边缘提取中的应用

根据生物视觉系统的功能原理,用忆阻器模拟生物突触,结合忆阻器的记忆特性和spiking神经网络的高效处理能力,构造了一种可用于图像边缘提取的三层spiking神经网络模型,该网络用忆阻器电导的变化量来表征图像边缘信息,仿真结果表明,该方法的边缘提取结果具有连续性、光滑性、低误检漏检性和边缘定位准确性,该神经网络的处理过程符合生物信息处理机制,为视觉系统的仿生实现提供了新的思路。     

基于忆容器件的神经形态计算研究进展

人工智能的快速发展需要人工智能专用硬件的快速发展,受人脑存算一体、并行处理启发而构建的包含突触与神经元的神经形态计算架构,可以有效地降低人工智能中计算工作的能耗.记忆元件在神经形态计算的硬件实现中展现出巨大的应用价值;相比传统器件,用忆阻器构建突触、神经元能极大地降低计算能耗,然而在基于忆阻器构建的神经网络中,更新、读取等操作存在由忆阻电压电流造成的系统性能量损失.忆容器作为忆阻器衍生器件,被认为是实现低耗能神经网络的潜在器件,引起国内外研究者关注.本文综述了实物/仿真忆容器件及其在神经形态计算中的最新进展,主要包括目:前实物/仿真忆容器原理与特性,代表性的忆容突触、神经元及神经形态计算架构,并通过总结近年来忆容器研究所取得的成果,对当前该领域面临的挑战及未来忆容神经网络发展的重点进行总结与展望.     

一种最简的并行忆阻器混沌系统

在提出的一种压控忆阻器的基础上, 构造了最简的并联忆阻器混沌系统, 分析其动力学特性, 得到了该系统的Lyapunov指数和Lyapunov维数, 给出了时域波形、相图、Lyapunov指数谱、分岔图、Poincaré映射等. 利用EWB软件设计了该新混沌系统的振荡电路并进行了仿真实验. 研究结果表明, 忆阻器的i-v特性在参数的变化时, 并不保持斜“8”字形, 会变为带尾巴的扇形. 该混沌系统与磁控忆阻器混沌系统不同, 系统只有一个平衡点, 初始条件在系统能振荡的情况下不影响系统状态. 电路实验仿真结果和数值仿真具有很好的一致性, 证实了该系统的存在性和物理上可实现性. 关键词： 忆阻器 混沌电路 并联 动力学行为     

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.     

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.     

忆阻Lorenz混沌系统的动力学分析与电路实现

基于所提的一类光滑二次通用忆阻器,构建一种忆阻Lorenz混沌系统。稳定性分析表明,系统具有与原系统相同的平衡点和稳定性,即一个不稳定鞍点和两个不稳定鞍焦。利用分岔图、李雅普诺夫指数谱、相图等分析方法揭示所提忆阻系统的动力学,结果表明：忆阻Lorenz混沌系统具有共存双稳态模式和自相似分岔结构。最后,通过改变通用忆阻器的内部参数实现对系统的幅度调控,分别设计忆阻器和忆阻系统等效电路并利用模拟元件综合,仿真结果证实了数值模拟的正确性。     

Complex dynamic behaviors in hyperbolic-type memristor-based cellular neural network

This paper presents a new hyperbolic-type memristor model,whose frequency-dependent pinched hysteresis loops and equivalent circuit are tested by numerical simulations and analog integrated operational amplifier circuits.Based on the hyperbolic-type memristor model,we design a cellular neural network(CNN)with 3-neurons,whose characteristics are analyzed by bifurcations,basins of attraction,complexity analysis,and circuit simulations.We find that the memristive CNN can exhibit some complex dynamic behaviors,including multi-equilibrium points,state-dependent bifurcations,various coexisting chaotic and periodic attractors,and offset of the positions of attractors.By calculating the complexity of the memristor-based CNN system through the spectral entropy(SE)analysis,it can be seen that the complexity curve is consistent with the Lyapunov exponent spectrum,i.e.,when the system is in the chaotic state,its SE complexity is higher,while when the system is in the periodic state,its SE complexity is lower.Finally,the realizability and chaotic characteristics of the memristive CNN system are verified by an analog circuit simulation experiment.     

基于一阶广义忆阻器的文氏桥混沌振荡器研究

通过在文氏桥振荡器中引入广义忆阻器和LC吸收网络,提出了一种忆阻文氏桥混沌振荡器.建立了忆阻文氏桥混沌振荡器的动力学模型,研究了它的平衡点和稳定性,进一步开展了电路元件参数变化时的动力学行为分析.研究发现,忆阻文氏桥混沌振荡器有3个确定的平衡点,其稳定性取决于电路元件参数,当参数发生变化时,存在周期振荡、混沌振荡、快慢效应等复杂的非线性现象.实验电路简单易制作,实验波形和数值仿真一致,较好地验证了理论分析结果.     

基于Chua电路的四维超混沌忆阻电路

近年来,忆阻混沌电路受到国内外学者的广泛关注,然而目前四维忆阻系统往往只存在普通混沌(仅有一个正Lyapunov指数),本文通过用忆阻替换Chua电路中电阻的新途径,得出一个简单的四维忆阻电路,与仅含有限个孤立不稳定平衡点的大多已知系统不同,本系统存在无穷多个稳定和不稳定平衡点,研究发现该系统存在着极限环、混沌、超混沌等丰富的复杂行为,通过进一步数值分析和电路仿真实验,证实了超混沌吸引子的存在,从而解决了关于四维忆阻电路是否存在超混沌的疑问。     

FPGA implementation and image encryption application of a new PRNG based on a memristive Hopfield neural network with a special activation gradient

A memristive Hopfield neural network(MHNN)with a special activation gradient is proposed by adding a suitable memristor to the Hopfield neural network(HNN)with a special activation gradient.The MHNN is simulated and dynamically analyzed,and implemented on FPGA.Then,a new pseudo-random number generator(PRNG)based on MHNN is proposed.The post-processing unit of the PRNG is composed of nonlinear post-processor and XOR calculator,which effectively ensures the randomness of PRNG.The experiments in this paper comply with the IEEE 754-1985 high precision32-bit floating point standard and are done on the Vivado design tool using a Xilinx XC7 Z020 CLG400-2 FPGA chip and the Verilog-HDL hardware programming language.The random sequence generated by the PRNG proposed in this paper has passed the NIST SP800-22 test suite and security analysis,proving its randomness and high performance.Finally,an image encryption system based on PRNG is proposed and implemented on FPGA,which proves the value of the image encryption system in the field of data encryption connected to the Internet of Things(Io T).     

Exponential synchronization of coupled memristive neural networks via pinning control

This paper is concerned with the exponential synchronization problem of coupled memristive neural networks. In contrast to general neural networks, memristive neural networks exhibit state-dependent switching behaviors due to the physical properties of memristors. Under a mild topology condition, it is proved that a small fraction of controlled sub-systems can efficiently synchronize the coupled systems. The pinned subsystems are identified via a search algorithm. Moreover, the information exchange network needs not to be undirected or strongly connected. Finally, two numerical simulations are performed to verify the usefulness and effectiveness of our results.     

基于有源广义忆阻的无感混沌电路研究

采用常见元器件等效实现一个广义忆阻器, 进而制作出一个电路特性可靠的非线性电路, 有助于忆阻混沌电路的非线性现象的实验展示及其所产生的混沌信号的实际工程应用. 基于忆阻二极管桥电路, 构建了一种无接地限制的、易物理实现的一阶有源广义忆阻模拟器; 由该模拟器并联电容后与RC桥式振荡器线性耦合, 实现了一种无电感元件的忆阻混沌电路; 建立了无感忆阻混沌电路的动力学模型, 开展了相应的耗散性、平衡点、稳定性和动力学行为等分析. 结果表明, 无感忆阻混沌电路在相空间中存在分布2个不稳定非零鞍焦的耗散区和包含1个不稳定原点鞍点的非耗散区; 当元件参数改变时, 无感忆阻混沌电路有着共存分岔模式和共存吸引子等非线性行为. 研制了实验电路, 该电路结构简单、易实际制作, 实验测量和数值仿真两者结果一致, 验证了理论分析的有效性.     

离子迁移忆阻混沌电路及其在语音保密通信中的应用

忆阻器是一种具有记忆功能和纳米级尺寸的非线性元件, 作为混沌系统的非线性部分, 能够使系统的物理尺寸大大减小, 同时可以得到各种丰富的非线性曲线, 提高混沌系统的复杂度和信号的随机性. 因此, 本文采用离子迁移忆阻器的磁控模型设计了一个新的混沌系统. 通过理论推导、数值仿真、Lyapunov指数谱、分岔图和Poincaré截面图研究了系统的基本动力学特性, 并分析了改变不同参数时系统动力学行为的变化. 同时, 建立了模拟该系统的SPICE电路, SPICE仿真结果与数值分析相符, 从而验证该混沌系统的混沌产生能力. 最后, 利用线性反馈同步控制方法实现了新构造的离子迁移忆阻混沌系统的同步, 并且采用该同步方法有效实现了语音信号的保密通信. 数值仿真证实了新混沌系统的存在性以及同步控制应用的可行性.     

Chaotic memristive circuit: equivalent circuit realization and dynamical analysis

In this paper, a practical equivalent circuit of an active flux-controlled memristor characterized by smooth piecewise-quadratic nonlinearity is designed and an experimental chaotic memristive circuit is implemented. The chaotic memristive circuit has an equilibrium set and its stability is dependent on the initial state of the memristor. The initial state-dependent and the circuit parameter-dependent dynamics of the chaotic memristive circuit are investigated via phase portraits, bifurcation diagrams and Lyapunov exponents. Both experimental and simulation results validate the proposed equivalent circuit realization of the active flux-controlled memristor.