负阻态忆阻Hopfield神经网络动力学

人类大脑是一个高度复杂且规模庞大的非线性动力学系统,其动力学行为与人类智能活动密切相关。基于忆阻器的人工神经网络不仅可以很好地模拟人脑工作机制,而且其非线性特性可以为神经网络带来更为丰富的动力学行为。为了进一步发挥神经网络的优势,引入一种新的具有负阻态功能的忆阻器模型,该模型打破了原有忆阻器的阻态极性限制,为忆阻器扮演神经网络突触仿生器件提供了更加丰富的变化性能。在对忆阻器模型分析的基础上,提出了一种新的忆阻Hopfield神经网络(HNN),进一步加强了HNN的负反馈功能,使之表现出更加丰富和复杂的动力学行为。实验结果表明,新忆阻HNN拥有较为丰富的动力学行为,具有一定的混沌特性。在不同的忆阻器参数以及权值矩阵取值条件下,观察系统的相位轨迹图、Lyapunov指数的变化情况,并与同类型网络进行对比,进一步证明提出的神经网络的有效性,同时复杂的动力学特性也为在数据处理、图像加密等方面的应用提供了研究支撑。     

忆阻感知器在逻辑分类中的应用

基于传统感知器在分类中的优势,结合新型的电路元件——忆阻器作突触,提出新型的忆阻感知器。推导了忆导变化与权值更新的关系,构建了单层忆阻感知器和多层忆阻感知器模型,提出了忆阻突触的权值更新规则。通过Matlab仿真,用单层忆阻感知器实现了线性可分逻辑"与"和逻辑"或"分类问题,用多层忆阻感知器实现了线性不可分的逻辑"异或"和"同或"分类问题,从而证实了该方案的有效性。     

脉冲控制忆阻模拟存储器

推导了忆阻器的电荷控制和磁通量控制数学模型,在该基础上研究了其电导状态连续可变的性质和记忆功能。提出了用脉冲控制忆阻器实现模拟信息存储的方案,通过理论分析、实验仿真验证了方案的有效性。结合交叉阵列结构,该方案有望实现大规模模拟存储阵列,推进人工神经网络和模拟式计算机的发展。     

W/ZnO/FTO结构ZnO忆阻器的自整流特性

以二水合乙酸锌为原料,采用磁控溅射法镀上金属W顶电极,通过溶胶-凝胶法制备具有自整流特性的W/ZnO/FTO结构忆阻器;利用XRD技术手段测试并分析,观察到（100）、（002）、（101）衍射峰明显增强,证实FTO表面所覆盖的是由ZnO组成的多晶体薄膜。通过对器件阻变开关特性进行研究,发现器件的SET过程在负向电压下完成,RESET过程在正向电压下完成,表明器件具有良好的双极性阻变开关行为,这种行为可用氧空位组成的导电丝的形成和破裂来解释。此外,低电阻态和高电阻态呈现分布不对称的规律表明器件表现出良好的自整流特性。研究结果表明：具有自整流特性的忆阻器被认为可以有效地抑制十字交叉阵列中串扰电流的影响,在下一代非易失性存储器的高密度存储实用化方面具有重要发展潜力。     

一种忆阻器离散混沌映射的设计及FPGA实现

忆阻器是一个无源二端口电子器件,在非线性应用领域具有巨大潜力。忆阻器具有的非线性电压电流特性,可以应用在混沌领域。 Cubic映射是一个比较简单的混沌映射,该文使用忆阻器的非线性特性对Cubic映射进行修改,得到一个新的忆阻器混沌映射,使用DSP Builder 对其进行图形化设计,并研究该混沌映射的基本性能,用FPGA实现该混沌映射。     

基于忆阻器的SRAM存储单元设计

为了突破冯?诺依曼架构瓶颈,实现存算一体的存储功能,利用D锁存器设计了一种忆阻器存储单元.该忆阻器存储单元由忆阻器基本逻辑与门、或门和MeMOS电路组成.PSpice仿真显示,该忆阻器存储单元不仅可以实现非易失性存储功能,而且具有体积小、功耗低、结构简单等优点,可为实现非易失性存储单元提供良好参考.     

混合型CMOS-忆阻与非/或非单元的设计及应用

针对级联型运算单元的延迟问题,设计了一种新的CMOS-忆阻与非/或非逻辑电路结构。首先,采用阈值型压控忆阻器模型,以忆阻器和CMOS晶体管为核心,设计了一款混合型CMOS-忆阻与非/或非逻辑运算单元,有效减小了延迟时间;然后,将混合型CMOS-忆阻与非/或非逻辑运算单元应用到了八线三线编码器电路的设计中,通过控制不同的输入信号能得到对应的二进制编码信号;最后,通过PSPICE仿真验证了设计电路的正确性。     

有源忆阻器伏安曲线与电路频率之间的关系

忆阻器是具有记忆特性非线性电阻器,是现实的第四种基本二端电路元件。文章以光滑三次型非线型函数描述的有源磁控忆阻器模型为例,利用Multisim计算机仿真软件,进一步研究有源忆阻器伏安曲线与电路频率之间关系,讨论有源忆阻器输入电流的突变特性。结果表明:由光滑三次型非线型函数的有源磁控忆阻器模型构成的电路具有边界效应,电流具有突变特性。     

基于TiO_2忆阻器的混沌振荡电路

忆阻器是一种具有记忆性的新型非线性电阻,是继电阻器、电容器和电感器之后的第4种基本电路元件。该文根据惠普实验室提出的荷控型TiO2忆阻器模型,构建了一个磁控TiO2忆阻器模型,采用该磁控忆阻器模型设计了一个新的混沌振荡电路,以期产生复杂的伪随机混沌信号。对该振荡电路的基本动力学特性进行了理论和仿真分析,并进行了DSP芯片实验验证。仿真结果、理论分析和实验观察具有一致性,表明该混沌系统具有与一般混沌系统不同的特性。     

Knowm忆阻混沌电路：建模、分析与实验验证

以往忆阻器及其混沌应用的研究主要集中于模拟忆阻器而展开,对以真实忆阻器构建混沌电路的研究不多．为了给Knowm忆阻器的混沌应用提供依据,在选定Knowm忆阻器模型参数的基础上,基于Knowm忆阻器设计了一类混沌电路,建立该混沌电路的数学模型,分析此电路的平衡点特性,并对系统进行数值仿真和电路实验．结果表明,理论分析结果与电路实验结果一致．研究结果验证了选定的Knowm忆阻器参数的正确性、模型的有效性以及以Knowm忆阻器等构建混沌电路的可行性．     

A novel memristive neural network with hidden attractors and its circuitry implementation

Neural networks have been applied in various fields from signal processing, pattern recognition, associative memory to artificial intelligence. Recently, nanoscale memristor has renewed interest in experimental realization of neural network. A neural network with a memristive synaptic weight is studied in this work. Dynamical properties of the proposed neural network are investigated through phase portraits, Poincaré map, and Lyapunov exponents. Interestingly, the memristive neural network can generate hyperchaotic attractors without the presence of equilibrium points. Moreover, circuital implementation of such memristive neural network is presented to show its feasibility.     

基于BP神经网络的混凝土超声CT图像分割

由于图像直观的特点，超声波层析成像技术在混凝土结构的无损检测中扮演日益重要的角色。采用BP神经网络模型，研究了超声波CT彩色图像的分割方法。以超声CT检测图像和起导师信号作用的二值图像为训练样本，采用BP算法进行训练，对实测图像分割后得到了目标边缘清晰的较好分割效果：此方法主要优点是设计简单，易于实现；欠缺是BP网络学习时间过长，     

基于生成式对抗网络和多级小波包卷积网络的水下图像增强算法

为了解决水下图像的雾模糊和偏色问题,针对水下图像成像模型提出基于生成式对抗网络（GAN）和改进卷积神经网络（CNN）的水下图像增强算法. 利用生成式对抗网络合成水下图像,以对配对式水下图像数据集进行有效扩充. 利用多级小波变换,以不丢失特征分辨率的方式对水下图像进行多尺度分解,然后结合卷积神经网络利用紧凑式学习方式对多尺度图像进行特征提取,并利用跳跃连接以防止梯度弥散,克服水下图像的雾模糊效应. 利用风格代价函数学习彩色图像各通道间的相关性,提高模型的色彩校正能力,克服水下图像色彩失真的问题. 实验结果表明,相较对比算法,在主观视觉和客观指标上,本研究所提算法拥有更优秀的综合性能及鲁棒性.     

系统云灰色模型的人工神经网络建模

利用人工神经网络的方法实现系统云灰色模型的参数白化，提出了系统云灰色神经网络模型SCGNNM(1，1)，并给出了相应的学习算法。仿真结果证明了模型的可行性。     

Adaptive learning with guaranteed stability for discrete-time recurrent neural networks

To avoid unstable learning, a stable adaptive learning algorithm was proposed for discrete-time recurrent neural networks. Unlike the dynamic gradient methods, such as the backpropagation through time and the real time recurrent learning, the weights of the recurrent neural networks were updated online in terms of Lyapunov stability theory in the proposed learning algorithm, so the learning stability was guaranteed. With the inversion of the activation function of the recurrent neural networks, the proposed learning algorithm can be easily implemented for solving varying nonlinear adaptive learning problems and fast convergence of the adaptive learning process can be achieved. Simulation experiments in pattern recognition show that only 5 iterations are needed for the storage of a 15×15 binary image pattern and only 9 iterations are needed for the perfect realization of an analog vector by an equilibrium state with the proposed learning algorithm.     

基于RBF神经网络的彩色图像盲水印算法

利用径向基函数神经网络(radial basis function, RBF)把水印嵌入到彩色图像的DCT(discrete cosine transform)域.首先把原始图像从RGB空间变换到YCrCb颜色空间,使得水印的嵌入更加符合人的视觉特性;然后将色度分量(CrCb)进行二维DCT变换,将水印通过量化的方式嵌入到CrCb的直流成分中,以提高水印的不可见性和鲁棒性;嵌入水印的时候,使用密钥来控制水印在图像的嵌入位置,来增强水印的安全性;最后,利用RBF来训练模拟量化的逆过程,借助训练得到的RBF神经网络来完成嵌入和提取水印,进一步提高水印鲁棒性.仿真试验表明该方法在保证了很好的不可见性的同时,使水印对于常见的图像水印攻击都具有良好的鲁棒性.     

Contour reconstruction method for noisy image based on depth residual learning

In order to improve the recognition ability of noisy images, a method of contour reconstruction based on depth residuals learning is proposed. The sharpening template matching technique is used to enhance the noisy image information, the local gray level information on the image is used to construct the edge active contour model of the image, and the active contour lasso method is used to reconstruct the image with a high resolution. The feature quantities of local gray energy and local gradient energy of the noisy image are extracted, and a convolutional neural network classifier is constructed to classify the features. The learning depth of the learning convolutional neural network is judged by combining the similarity of the gray histogram of the image. The resolution ability of image detail information is improved, and the contour high resolution reconstruction of the noisy image is realized. Simulation results show that the proposed method has a high resolution and a high peak signal to noise ratio (PSNR), which improves the recognition ability of the image effectively.     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

稀疏采集集成成像系统

针对集成成像系统采用3DS MAX虚拟采集立体元图像(EI)阵列需要摆放大规模摄像机阵列难以应用到实际这个问题,建立了稀疏采集的集成成像系统.为了提高视差计算的准确率,提出采用颜色分割和积分投影的方法求取相邻图片每个颜色物体的视差平均值作为最终视差值.首先,在3DS MAX里建立虚拟场景和微透镜阵列模型.根据立体元图像(EI)和子图像(SI)之间的映射关系,采用通过先采集子图像再求取立体元图像的方法达到稀疏采集.对于渲染得到的图像采用基于颜色的图像分割法和积分投影法求取相邻图像中不同颜色物体的视差平均值,然后采用固定大小的矩形窗按照视差平均值平移截取渲染图像得到子图像.最后将子图像按顺序拼接,映射求取立体元图像用于立体显示.实验结果表明:原本需要59×41台摄像机才能拍摄得到的EI图像阵列仅需12×12台摄像机拍摄就可以得到,且立体显示效果明显.视差计算的误差率在水平方向和垂直方向均为0.433%,明显优于视差误差率为2.597%和4.762%的其它方法.文中方法更准确的实现方便快捷的集成成像稀疏采集系统,可用于大屏幕立体显示的EI内容采集.