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.     

纳米级尺寸参数对钛氧化物忆阻器的特性影响

随着忆阻器研究的不断深入, 忆阻器的研究已经进入微观阶段, 包括忆阻器内部结构的探究、内部粒子间的运动规律、各参数对忆阻器特性的影响等. 然而, 这些成果中没有关于尺寸参数对忆阻器特性影响的研究, 而尺寸参数是忆阻器成功制备的关键因素之一, 这大大限制了忆阻器的发展和实际应用. 本文从欧姆电阻定律入手, 从理论角度详细分析了尺寸参数对惠普忆阻器以及自旋忆阻器的性能影响. 在此基础上进行了一系列电路仿真实验, 得到不同尺寸参数下忆阻器的相关特性曲线. 文中各选取其中最具代表性的四组实验结果进行展示, 对这些结果进行了详细分析, 得到了惠普忆阻器工作的最佳尺寸范围在8-12 nm之间以及自旋忆阻器工作的最佳尺寸范围在500-600 nm 之间的结论. 实验结果不仅可为实际运用提供有力的支持, 同时也将为进一步研制钛氧化物忆阻器器件和相关理论工作提供重要的实验基础和理论依据.     

基于串并联磁控忆阻器的耦合行为研究

忆阻器是纳米级器件, 其功耗低, 集成度高, 有着巨大的应用潜能. 单个器件具有丰富的电学性质, 其串并联电路更展现了丰富的动力学行为. 然而, 忆阻器在高密度集成的环境下, 其耦合效应不可忽视. 因此, 本文首先基于磁控忆阻器推导了耦合忆阻器的数学模型. 其次, 在考虑不同极性连接和耦合强度的前提下, 讨论两个磁控忆阻器串并联的耦合情况, 进行了详细的理论分析, 并通过数值仿真探索了耦合效应对忆阻系统的影响. 同时, 设计了基于Matlab的图形用户界面, 直观地展示了不同参数下的耦合特性曲线. 进一步, 本文展示了有无耦合情况下, 初始阻值对忆阻器正常工作范围的影响. 最后, 构建耦合忆阻器的Pspice仿真器, 从电路的角度再次验证了忆阻器间的耦合效应. 实验结果表明: 同极性耦合增强了阻值的改变, 相反极性的耦合减缓了阻值的改变. 这些动力学特性可以很好地应用于忆阻网络中, 也为全面考虑忆阻系统电路的设计提供了强大的理论基础.     

基于忆阻器的多涡卷混沌系统及其脉冲同步控制

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,能够提高混沌系统的信号随机性和复杂度.本文基于增广Lü系统设计了一个三维忆阻混沌系统.仅仅通过改变系统的一个参数,该系统能产生单涡巻、双涡卷和四涡巻的混沌吸引子,说明该系统具有丰富的混沌特性.首先对该忆阻混沌系统的基本动力学行为进行了理论分析和数值仿真,如平衡点稳定性、对称性,Lyapunov指数和维数,分岔图和Poincare截面等.同时,建立了模拟该忆阻混沌系统的SPICE(simulation program with integrated circuit emphasis)电路,给出了不同参数下的电路实验相图,其仿真结果与数值分析相符,从而验证了该忆阻混沌系统的混沌产生能力.由于脉冲同步只在离散时刻传递信息,能量消耗小,同步速度快,易于实现单信道传输,因而在混沌保密通信中更具有实用性.因此,本文从最大Lyapunov指数的角度实现了该忆阻混沌系统的脉冲混沌同步,数值仿真证实了忆阻混沌系统的存在性以及脉冲同步控制的可行性,为进一步研究该忆阻混沌系统在语音保密通信和信息处理中的应用提供了实验基础.     

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.     

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.     

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.     

一种改进的WOx忆阻器模型及其突触特性分析

忆阻器被定义为第四种基本电子元器件, 其模型的研究呈现多样性. 目前, 忆阻器模型与忆阻器实际特性的切合程度引起了研究者的广泛关注. 通过改变离子扩散项, 提出了一种新的WO_x忆阻器模型, 更好地匹配了忆阻器的实际行为特性. 首先, 新的模型不仅能够描述忆阻器的一般特性, 而且能够俘获记忆丢失行为. 另外, 将新的忆阻器作为神经突触, 分析了脉冲速率依赖可塑性、短期可塑性、长期可塑性, 并发现了与生物系统中极为相似的“经验学习”现象. 最后, 考虑到温度与离子扩散系数的关系, 探讨了温度对突触权值弛豫过程的影响. 实验表明, 新忆阻器模型比原来的模型更切合实际, 且更适合作为突触而应用到神经形态系统之中.     

磁控二氧化钛忆阻混沌系统及现场可编程逻辑门阵列硬件实现

忆阻器作为混沌系统的非线性部分,能够提高混沌系统的信号随机性和复杂度,减小系统的物理尺寸.本文将磁控二氧化钛忆阻器应用到一个新的三维自治混沌系统中,通过理论推导和数值仿真,从平衡点的稳定性、Lyapunov指数谱、庞加莱截面和功率谱等方面研究了该系统的动力学特性,并详细讨论了不同参数变化对系统相图和平衡点稳定性的影响.有趣的是,在改变参数的情况下,系统的吸引子会产生翻转、混沌程度加剧和混叠的现象,说明该忆阻混沌系统具有丰富的动力学行为.此外,本文将改进的牛顿迭代法运用于现场可编程逻辑门阵列技术中,巧妙设计出一种只迭代3次就能达到所需精度的开方运算器,从而硬件实现了该忆阻混沌系统.这突破了以往忆阻器混沌系统只能在计算机模拟平台仿真的瓶颈,为进一步研究忆阻混沌系统及其在保密通信、信息处理中的应用提供了参考.     

A spintronic memristive circuit on the optimized RBF-MLP neural network

A radial basis function network (RBF) has excellent generalization ability and approximation accuracy when its parameters are set appropriately. However, when relying only on traditional methods, it is difficult to obtain optimal network parameters and construct a stable model as well. In view of this, a novel radial basis neural network (RBF-MLP) is proposed in this article. By connecting two networks to work cooperatively, the RBF's parameters can be adjusted adaptively by the structure of the multi-layer perceptron (MLP) to realize the effect of the backpropagation updating error. Furthermore, a genetic algorithm is used to optimize the network's hidden layer to confirm the optimal neurons (basis function) number automatically. In addition, a memristive circuit model is proposed to realize the neural network's operation based on the characteristics of spin memristors. It is verified that the network can adaptively construct a network model with outstanding robustness and can stably achieve 98.33% accuracy in the processing of the Modified National Institute of Standards and Technology (MNIST) dataset classification task. The experimental results show that the method has considerable application value.