基于STDP规则的忆阻神经网络在图像存储中的应用

忆阻器是具有记忆和类突触特性的非线性电路元件,将忆阻器与STDP学习规则相结合,提出了基于STDP学习规则的忆阻神经网络,并将它应用于二值图像的叠加和灰度图像的存储与输出。首先将忆阻器作突触,通过实验证实在特定形状动作电位下,可实现STDP学习规则;构建了4×4的忆阻交叉阵列神经网络;用16×16的忆阻交叉阵列神经网络实现二值图像的叠加。最后用N×N的忆阻神经网络实现了灰度图像的存储与输出。通过MATLAB仿真实验证实了该方案的有效性,该忆阻神经网络具有仿生特性,有望解决模式识别、人工智能中出现的复杂问题。     

基于忆阻细胞自动机的图像像素值置换加密技术

忆阻细胞自动机是一种全新的细胞自动机,它的响应会引起细胞状态和细胞间链接状态的变化.在分析了忆阻细胞自动机中的细胞间链接状态丰富变化的基础上,设计了一种全新的图像加密算法:以一个w×H的忆阻自动机阵列为公钥,以细胞的初始状态和细胞迭代次数为私钥,将细胞与相邻细胞间的一组链接状态加权后设置成加密矩阵,同时采用像素置换方法对数字图像进行加密.这种加密算法具有较好的混乱特性、扩散特性和良好的保密性、抗蛮力破解特性,能够满足数字图像加密的安全性要求.     

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。     

大力发展光子产业促进西部大开发

简要介绍了光子产业的发展历史、现状、特点和趋势,初步研究了光子产业的发展模式和领域,对确立光子产业在西部发展中的战略地位有较高的参考价值。     

大力发展光子产业 促进西部大开发

简要介绍了光子产业的发展历史、现状、特点和趋势,初步研究了光子产业的发展模式和领域,对确立光子产业在西部发展中的战略地位有较高的参考价值。     

小样本激光切割工艺参数预测模型优化

神经网络强大的非线性拟合能力使其在参数预测方面的应用越来越广泛,在神经网络预测激光切割工艺参数过程中,使用小样本数据训练的神经网络模型存在预测误差大、鲁棒性较低等缺点.因此,提出了一种基于生成式对抗网络的小样本数据处理方法,设计了适用于此问题的基于生成式对抗网络的数据生成模型,对激光切割工艺参数的小样本数据进行扩充,运用显著性检验法对扩充的数据进行了可靠性验证.利用BP神经网络构建工艺参数预测模型,分别使用原数据和扩充后数据训练参数预测神经网络,通过实验对比,优化后的模型具有更好的准确性和泛化性.     

基于多层忆阻脉冲神经网络的强化学习及应用

人工神经网络（Artificial neural networks,ANNs）与强化学习算法的结合显著增强了智能体的学习能力和效率.然而,这些算法需要消耗大量的计算资源,且难以硬件实现.而脉冲神经网络（Spiking neural networks,SNNs）使用脉冲信号来传递信息,具有能量效率高、仿生特性强等特点,且有利于进一步实现强化学习的硬件加速,增强嵌入式智能体的自主学习能力.不过,目前脉冲神经网络的学习和训练过程较为复杂,网络设计和实现方面存在较大挑战.本文通过引入人工突触的理想实现元件——忆阻器,提出了一种硬件友好的基于多层忆阻脉冲神经网络的强化学习算法.特别地,设计了用于数据——脉冲转换的脉冲神经元;通过改进脉冲时间依赖可塑性（Spiking-timing dependent plasticity,STDP）规则,使脉冲神经网络与强化学习算法有机结合,并设计了对应的忆阻神经突触;构建了可动态调整的网络结构,以提高网络的学习效率;最后,以Open AI Gym中的CartPole-v0（倒立摆）和MountainCar-v0（小车爬坡）为例,通过实验仿真和对比分析,验证了方案的有效性和相对于传统强化学习方法的优势.     

基于忆阻器的连续学习混沌神经网络

忆阻器具有独特的记忆功能和连续可变的电导状态,在人工智能与神经网络等研究领域具有巨大的应用优势.详细推导了忆阻器的电荷控制模型,将纳米忆阻器与具有智能信息处理能力的混沌神经网络相结合,提出了一种新型的基于忆阻器的连续学习混沌神经网络模型.利用忆阻器可直接实现网络中繁多的反馈与迭代,即完成外部输入对神经元及神经元之间相互作用的时空总和.提出的忆阻连续学习混沌神经网络可以实现对已知模式和未知模式的区分,并能对未知模式进行自动学习和记忆.给出的计算机仿真验证了方案的可行性.由于忆阻器具有纳米级尺寸和自动的记忆能力,该方案有望大大简化混沌神经网络结构.     

连续学习混沌神经网络的研究

近几年混沌神经网络在信息处理，特别是联想记忆中的应用得到了极大重视。本文提出了一个改进的连续学习混沌神经网络(MSLCNN)模型，它具有两个重要特征：(1)根据不同的输入，神经网络做出不同的响应，可从已知模式来识别未知模式；(2)可连续学习未知模式。计算机仿真表明我们的模型具有应用潜力。     

网络参数对混沌联想记忆特性的影响

由于混沌具有随机性、对初始值敏感等特点,网络参数的调整会对其动力学行为产生很大的影响,本文提出了改进的混沌联想记忆神经网络模型,详细探讨了网络参数对混沌神经网络联想记忆特性的影响,分析了这些影响的范围和规律,并且用计算机仿真实验证明了本文的结论.