[发明专利]一种基于忆阻器所构建的脉冲神经网络模型

权利要求书

1.一种基于忆阻器所构建的脉冲神经网络模型，其特征在于，所述网络是一种前馈神经网络(Feedforward Neural Network)。此种网络采用一种单向多层结构。其中每一层包含若干个神经元，同一层的神经元之间没有互相连接，层间信息的传送只沿一个方向进行。

2.根据权利要求1所述一种基于忆阻器所构建的脉冲神经网络模型，其特征在于，网络不需要引入非线性激活函数来进行网络的非线性计算，而是通过建立脉冲神经元模型，并与所连接的突触权值进行乘加计算来更新膜电位。

所述脉冲神经元模型在漏电整合激发模型(Leaky Integrate and Fire,LIF)上进行改进。LIF是目前脉冲神经网络中使用最多的一种基本模型，但是其模拟释放出的脉冲形状与真实生物神经元释放的脉冲形状相去甚远。根据对真实生物神经元所释放的脉冲形状保真的模仿程度，本发明在LIF模型电路中加入忆阻器，使得被激活后的神经元释放脉冲形状更符合真实生物神经元释放的脉冲。

3.根据权利要求1所述一种基于忆阻器构成的脉冲神经网络模型，其特征在于，网络中突触权值的学习算法采用STDP无监督学习。无监督学习算法的数据集是没有标签的，这种算法就要求神经网络的连接权重能够自我调整。STDP学习法则是一种无监督学习，即网络中突触权值的调整能在没有任何外部控制突触强度或者任何需要处理信息的先验知识下实现学习。

4.根据权利要求1所述一种基于忆阻器构成的脉冲神经网络模型，其特征在于，所述网络引入了赢者通吃规则(Winner Take All,WTA),这是人工神经网络中竞争学习机制的生物学基础。在脉冲神经网络中，WTA规则的作用表现在横向抑制，即率先释放脉冲的神经元对同层一定领域内的其他神经元会产生抑制作用，导致其他神经元不会在同一时间释放脉冲。

5.根据权利要求1所述一种基于忆阻器构成的脉冲神经网络模型，其特征在于，所述脉冲神经网络结构简单，只有输入和输出两层，没有隐藏层，也不需要借鉴卷积神经网络进行搭建，相较于常用的脉冲卷积神经网络，省去了卷积层、池化层和全连接层。

6.根据权利要求1所述一种基于忆阻器构成的脉冲神经网络模型，其特征在于，网络可以只根据输出层的神经元来判断学习后的数字图像，而不依赖任何外部分类器(如SVM，softmax分类器等)。

7.根据权利要求1所述一种基于忆阻器构成的脉冲神经网络模型，其特征在于，所述脉冲神经网络模型采用硬件描述语言进行编写，在FPGA(现场可编程门阵列)上开发设计，因此是一种硬件友好型的设计，有利于集成到超大规模的数字神经形态硬件架构。