基于STDP的多種憶阻神經網絡學習的研究.pdf

1、人工神經網絡，又簡稱神經網絡，是以生物神經網絡的功能結構為基礎而抽象出來的一種用于實現人工智能的數學模型。它是基于神經科學研究成果而提出的一種自適應、非線性處理系統(tǒng)，該系統(tǒng)通過大量處理單元的相互作用來實現類似于大腦神經網絡對信息的記憶和處理。由于人腦中的神經連接具有相當高的復雜度和密度，因此人工神經網絡今后也必將會向著復雜化和大規(guī)?；姆较虬l(fā)展。為實現這一目標就需要神經網絡中的兩個重要組件——神經元和突觸，具有納米級規(guī)模和低能耗特性。由

2、于突觸需要對接受到的各種信號具有可塑性，需要記憶系統(tǒng)動態(tài)變化的歷史，還需要能將對應的變化轉換成連續(xù)的數據存儲起來。因此突觸的選擇對于人工神經網絡的成功與否至關重要。而憶阻器的出現為這一問題的解決帶來了希望。
　　憶阻器是由蔡少棠教授在1971年對電路理論研究過程中，從其完備性的角度出發(fā)提出的，該元件填補了本應存在但卻未被提及的磁通量和電荷之間的關系。至此，基本電路元件的種類在原有的電容、電阻、電感的基礎上擴充成了四個。自2008年

3、惠普實驗室發(fā)現納米級憶阻器實物以來，憶阻器就以其獨特的非易失性和記憶特性吸引了世界的廣泛關注，并在阻變式存儲器、人工神經網絡、信號處理等方面獲得了廣泛應用。憶阻器所具有的這些特有的性能，使得它非常適合在人工神經網絡電路實現中充當一個合格的突觸。
　　本文介紹了幾種常見的憶阻器模型，并借助數值仿真的方法分析了惠普模型憶阻器的基本特性。介紹了STDP學習規(guī)則對應的兩種數學模型。采用基于非對稱時間窗的STDP作為憶阻神經網絡的學習規(guī)則，

4、結合具有自適應突變和拓撲變異的基因算法，完成了對不同模型憶阻器學習性能的比較。在現有憶阻器的基礎上提出了混合模型憶阻器的構想，并驗證了該模型憶阻器用于憶阻神經網絡的學習效果優(yōu)于原有憶阻器模型。針對以HEBB學習規(guī)則對憶阻神經網絡進行學習還原巴普洛夫實驗存在的缺陷，提出了更貼近動物大腦思維的憶阻神經網絡的學習，即以對稱時間窗的STDP數學模型作為神經網絡學習規(guī)則，結合遺忘模型憶阻器作為網絡突觸，驗證了關于憶阻神經網絡具有聯想學習、修正及遺