[发明专利]可变神经元兴奋度的神经网络电路结构

说明书

本发明公开了可变神经元兴奋度的神经网络电路结构，包括神经网络结构和参数接口模块，神经网络结构与参数接口模块相连接。本发明可以充分逼近人们在学习时神经元兴奋度的非线性状态；具有自学习能力，能够学习不知道或不确定的系统；所有定量或定性的信息都等势分布贮存于情感神经网络内的各神经元，故有很强的鲁棒性和容错性；采用并行分布处理方法，具有高速寻找优化解的能力，能够发挥计算机的高速运算能力，使得快速进行大量运算成为可能，极大地提高学习效率。

技术领域

本发明主要涉及人工神经网络的应用，更具体地，本发明主要涉及可变神经元兴奋度的神经网络电路结构，此电路结构通过不断的学习，可以提高学习效率，主要适应于学生等具有学习任务的人群。

背景技术

人工神经网络(Artificial NeuralNetwork，即ANN)是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依据网络的连接方式、权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

人工神经网络具有四个基本特征：

1.非线性。非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

2.非局限性。一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。如联想记忆。

3.非凸性。一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。

4.非常定性。人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。

人工神经网络的特点和优越性，主要表现在三个方面：

第一，具有自学习功能。例如实现图像识别时，只需要先把许多不同的图像样板和对应的应该识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。

第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

正因为这些优势，人工智能的研究现在很火爆。基于在平时学习中的切实体会，学习者面对一个未知的学习任务时，激动、紧张心情是不可避免的，激动、紧张等因素可以促使大脑活性增强，进而可以快速集中精力和对任务的认知与学习(如一个操作员在面对未知的调控任务时)。最终可以提高学习的效率。

发明内容

本发明的目的在于提出一种可变神经元兴奋度的神经网络电路结构设计思路。此电路结构主要包括神经网络结构模块和参数接口模块。