【CN110110840A】一种基于忆阻神经网络的联想记忆情感识别电路【专利】

合集下载

一种基于忆阻器的全硬件神经网络实现图像识别方法及装置

专利名称：一种基于忆阻器的全硬件神经网络实现图像识别方法及装置
专利类型：发明专利
发明人：代月花,邹建勋,冯哲,王旭,胡古月,杨菲,李星,汪小青,杨斌,邵鹏,王菲菲,张登昶
申请号：CN202110960665.7
申请日：20210820
公开号：CN113971749A
公开日：
20220125
专利内容由知识产权出版社提供
摘要：本发明涉及芯片应用领域，公开了一种基于忆阻器的全硬件神经网络实现图像识别装置，所述装置包括：输入模块一、输入模块二和权重模块，所述输入权重模块包括忆阻器和两个反向放大电路，且忆阻器与两个反向放大电路依次电性连接，所述输入模块二输出端连接有减法器，本发明使用忆阻器做为权重，实现存内运算，摆脱了冯诺依曼的存储墙限制，且本发明将忆阻器和两个模拟8选1选择器结合，实现无主机学习，且读写方便。

申请人：安徽大学
地址：230039 安徽省合肥市蜀山区九龙路111号
国籍：CN
代理机构：北京同辉知识产权代理事务所(普通合伙)
代理人：廖娜
更多信息请下载全文后查看。

一种基于忆阻器脉冲神经网络的电路结构[发明专利]

专利名称：一种基于忆阻器脉冲神经网络的电路结构专利类型：发明专利
发明人：宋博扬,赵秋奇,黄继攀,刘记朋,汤跃,王明江申请号：CN201610020097.1
申请日：20160113
公开号：CN105701541A
公开日：
20160622
专利内容由知识产权出版社提供
摘要：本发明适用于半导体集成电路技术领域，提供了一种基于忆阻器脉冲神经网络的电路结构，所述电路结构包括忆阻器单元及输出神经元单元，所述忆阻器单元的输出点连接所述输出神经元单元的输入端，根据识别的图像及字符转换成脉冲电信号，利用脉冲电信号来改变忆阻器单元的阻止实现脉冲神经网络的权值更新。

基于忆阻器的脉冲神经网络电路相较于传统神经网络电路不存在电易失性缺点，精度更高，同时由于忆阻器是基本的电路元件，不需要单独存储，节省了权值传输时间并且保持精度不变。

提高了脉冲神经网络电路的处理速度；降低了脉冲神经网络电路的功耗。

申请人：哈尔滨工业大学深圳研究生院
地址：518000 广东省深圳市南山区西丽镇深圳大学城哈工大校区
国籍：CN
代理机构：深圳市科吉华烽知识产权事务所(普通合伙)
代理人：孙伟
更多信息请下载全文后查看。

一种基于图卷积神经网络的脑电情感识别方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910705472.X(22)申请日 2019.08.01(71)申请人西安邮电大学地址 710121 陕西省西安市长安区西安邮电大学南校区(72)发明人衡霞　童玥　宋辉　张荣　王忠民　(74)专利代理机构西安新思维专利商标事务所有限公司 61114代理人黄秦芳(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)G06N 3/04(2006.01)(54)发明名称一种基于图卷积神经网络的脑电情感识别方法(57)摘要本发明属于信号处理技术领域，具体涉及一种基于图卷积神经网络的脑电情感识别方法。

所提供的方法是：首先，根据各脑电通道信号间的相关性构建情感相关功能连接模式；然后基于功能连接模式结构将提取的各单通道脑电特征建模为图信号，并建立图卷积神经网络模型。

之后，输入训练集图信号对模型进行迭代优化训练，采用反向传播算法和交叉熵损失函数优化网络参数；最后将测试集图信号输入已经完成训练的图卷积神经网络，在效价、唤醒和优势度三维情感模型上进行分类识别。

本发明通过还原脑电数据在空间和功能上的联系，能提取更具辨别力的脑电情感特征；通过通道相关性大小能选出与情感最相关的通道电极，在减少通道数量的同时降低了处理时间和硬件成本。

权利要求书1页说明书6页附图4页CN 110399857 A 2019.11.01C N 110399857A1.一种基于图卷积神经网络的脑电情感识别方法，其特征在于，包括以下步骤：步骤一、根据各脑电通道信号间的相关性构建情感相关功能连接模式：根据信号间的同步锁相值(phase lock value，PLV)大小确定情感相关功能连接模式，用以表示不同情感状态各脑区活动的相位同步性大小，在功能性脑网络连接模式构建过程中，通过一个惩罚变量实现对重要连接的筛选；步骤二、基于功能连接模式结构将提取的各单通道脑电特征建模为图信号：获取不同情绪状态下的脑网络图的PLV邻接矩阵A；对每个通道的脑电信号进行特征提取，分别提取差分熵特征、功率谱密度特征、差分不对称特征、差分尾部特征；定义图模型G ＝(V，E)，每个脑电通道对应图中的一个顶点，每个节点的特征表示v i ，节点数为N，特征维度为D维，则所有节点的特征组成一个N ×D的矩阵；步骤三、建立图卷积神经网络模型：步骤四、输入训练集图信号对模型进行迭代优化训练，采用反向传播算法和交叉熵损失函数优化网络参数，采用Relu激活函数减少参数间的相互依存关系；交叉熵损失函数为：Loss＝-∑x (p(x)logq(x)+(1-p(x))log(1-q(x)))+λR(w) (3)其中p(x)和q(x)分别表示训练数据的真实值和预测值，R(w)是评价模型复杂度的指标，λR(w)旨在防止模型的过拟合；ReLu激活函数为：f(x)＝max(0，y s，j )(4)其中，y s，j 为图卷积层后输出的特征图矩阵；步骤五、将测试集图信号输入已经完成训练的图卷积神经网络，通过softmax函数，在效价、唤醒和优势度三维情感模型上进行分类识别。

【CN110008914A】一种基于神经网络的模式识别系统及识别方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910287547.7(22)申请日 2019.04.11(71)申请人杨勇地址 330013 江西省南昌市经济技术开发区江西财经大学麦庐校区信息学院(72)发明人杨勇　黄淑英　(74)专利代理机构北京金智普华知识产权代理有限公司 11401代理人杨采良(51)Int.Cl.G06K 9/00(2006.01)(54)发明名称一种基于神经网络的模式识别系统及识别方法(57)摘要本发明属于识别技术领域，公开了一种基于神经网络的模式识别系统及识别方法，利用信号采集芯片采集故障信号数据；利用输入设备输入样本数据；通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型；利用感知器判别函数程序对产品的信号特征进行模式判定处理；利用识别程序对判定的数据进行识别；利用证据融合程序对信息进行融合；利用存储器存储采集的故障信号数据、输入样本数据；利用显示器显示输出的神经网络模式识别结果。

本发明能够有效地提高故障模式识别的精度；通过神经网络模型构建模块能够破解随机相位加密的解密模型，解决了缺少能破解随机相位加密的算法模型的技术问题。

权利要求书4页说明书8页附图2页CN 110008914 A 2019.07.12C N 110008914A权　利　要　求　书1/4页CN 110008914 A1.一种基于神经网络的模式识别系统的识别方法，其特征在于，所述基于神经网络的模式识别系统的识别方法包括以下步骤：步骤一，通过信号采集模块利用信号采集芯片采集故障信号数据；通过数据输入模块利用输入设备输入样本数据；步骤二，主控模块通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型；构建神经网络模型中，对多组原始数据进行随机相位加密得到训练数据；利用所述训练数据训练第i-1深度神经网络模型，得到第i深度神经网络模型，及所述训练数据输入所述第i深度神经网络模型后的第i输出结果，并将所述第i输出结果与所述训练数据对应的原始数据进行比对，得到第i比对结果，所述i的初始值为1，且第0深度神经网络模型为初始模型；当所述第i比对结果满足预设收敛条件时，确定所述第i深度神经网络模型为构建的深度神经网络模型；当所述第i比对结果不满足所述预设收敛条件时，令i＝i+1，返回执行所述利用所述训练数据训练第i-1深度神经网络模型步骤；步骤三，通过神经元数据处理模块利用感知器判别函数程序对产品的信号特征进行模式判定处理；步骤四，通过识别模块利用识别程序对判定的数据进行识别；识别中，对输入的训练数据进行特征提取，通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型并保存至参考模型数据库；对输入的测试数据进行相同特征提取后得到测试特征向量，将测试特征向量与所述参考模型数据库中各参考模型模式匹配，得到模式识别结果；通过信息融合模块利用证据融合程序对信息进行融合；步骤五，通过数据存储模块利用存储器存储采集的故障信号数据、输入样本数据；步骤六，通过输出显示模块利用显示器显示输出的神经网络模式识别结果。

一种基于忆阻的神经网络联想记忆方法[发明专利]

专利名称：一种基于忆阻的神经网络联想记忆方法专利类型：发明专利
发明人：王雷敏,邬杰
申请号：CN201910463046.X
申请日：20190530
公开号：CN110348570A
公开日：
20191018
专利内容由知识产权出版社提供
摘要：本发明针对目前基于电阻实现的神经网络电路联想记忆精度和可靠性方面的缺陷，提出一种基于忆阻实现的神经网络联想记忆方法，以解决目前神经网络电路连接权不能达到最优解造成的联想记忆精度和可靠性受到限制的问题。

本发明借助忆阻器自身阻值可变的特性，解决了基于电阻实现的神经网络电路连接权不可调整的缺陷，具有更好的灵活性；以忆阻实现的神经网络电路由于权值可调整，可实现神经网络连接权的最优解，进而提高了神经网络联想记忆的精度；由于神经网络输出精度提高，从而使得神经网络联想记忆的可靠性性和准确性都得到提升；由于忆阻器是纳米级材料，因此将传统神经网络电路中的电阻替换为忆阻将使得神经网络电路更加微型化。

申请人：中国地质大学(武汉)
地址：430000 湖北省武汉市洪山区鲁磨路388号
国籍：CN
代理机构：武汉知产时代知识产权代理有限公司
代理人：易滨
更多信息请下载全文后查看。

一种忆阻器测试电路[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010207709.4(22)申请日 2020.03.23(71)申请人电子科技大学地址 611731 四川省成都市高新西区西源大道2006号(72)发明人刘洋　秦及贺　王俊杰　刘爽　王弘喆　胡绍刚　于奇　(74)专利代理机构成都点睛专利代理事务所(普通合伙) 51232代理人孙一峰(51)Int.Cl.G01R 31/26(2014.01)(54)发明名称一种忆阻器测试电路(57)摘要本发明属于微电子器件的测试技术领域，涉及一种忆阻器测试电路。

本发明的忆阻器测试电路，包括输入模块、限流模块、稳压模块、换向控制模块、测量模块、输出模块。

输入模块为脉冲发生装置用于产生电压脉冲信号并控制ADC和DAC；稳压模块实现了电压的稳定，使得忆阻器一端的电压与输入电压相等；限流模块实现了脉冲测试过程中电流不超过限流电流；换向控制模块实现了忆阻器无需施加负电压的置位与复位过程；测量模块实现了电压测量，并用于对被测电压求差运算；输出模块由ADC作为输出模块实现了电压的采集和电路的控制。

相比常规测试设备，本发明能够在测量模式和激励模式快速切换，能够输出连续短脉冲和自定义波形，避免了大型设备的使用。

权利要求书2页说明书4页附图2页CN 111337811 A 2020.06.26C N 111337811A1.一种忆阻器测试电路，其特征在于，包括输入模块、DAC、稳压模块、限流模块、换向控制模块、测量模块和ADC；其中，输入模块为脉冲发生装置，用于设置DAC和ADC；DAC的输出接稳压模块，稳压模块包括双极结型晶体管和第一放大器，第一放大器的反相输入端接DAC的输出，同相输入端接双极结型晶体管的发射极，第一放大器的输出端接双极结型晶体管的基极，双极结型晶体管的集电极接限流模块；限流模块包括第一电位器、第二电位器、第一开关、第二开关、第一晶体管和第二晶体管；第二开关的一端接双极结型晶体管的集电极，第二开关的另一端接第二电位器的一端，第二电位器的另一端接第二晶体管的发射极，第二晶体管的基极接第一晶体管的基极，第二晶体管的集电极接第一晶体管的集电极，第一晶体管的基极与发射极互连，第一晶体管的发射极接第一开关的一端，第一开关的另一端接第一电位器的一端，第一电位器的另一端接地；所述换向控制模块为H桥电路，将H桥电路四个开关定义为第四开关、第五开关、第六开关和第七开关，其中第四开关与第五开关在于同一侧，第六开关和第七开关位于同一侧；第四开关的一端与第六开关的一端连接，第四开关与第六开关的连接点与双极结型晶体管的发射极连接，第四开关的另一端与第五开关的一端连接，第五开关的另一端接地；第六开关的另一端与第七开关的一端连接，第七开关的另一端接地；第四开关与第五开关的连接点接忆阻器的一端，第六开关与第七开关的连接点接忆阻器的另一端；当第四开关和第七开关导通时，忆阻器为置位过程，第五开关和第六开关导通时，忆阻器为复位过程；所述测量模块包括第二放大器、第三放大器、第四放大器、第一电阻、第二电阻、第三电阻和第四电阻；第二放大器的同相输入端接双极结型晶体管的集电极，第二放大器的反相输入端接其输出端，第二放大器的输出端通过第一电阻后接第四放大器的反相输入端；第三放大器的同相输入端接第二电位器的另一端，第三放大器的反相输入端接其输出端，第三放大器的输出端通过第二电阻后接第四放大器的同相输入端；第二电阻与第四放大器同相输入端的连接点通过第四电阻后接地；第四放大器的反相输入端通过第三电阻后接其输出端，第四放大器的输出端接ADC，ADC的输出为测试电路的输出。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910324683.9
(22)申请日 2019.04.22
(71)申请人中国地质大学（武汉）
地址 430000 湖北省武汉市洪山区鲁磨路
388号
(72)发明人王雷敏　邹化宇　
(74)专利代理机构武汉知产时代知识产权代理
有限公司 42238
代理人孙丽丽
(51)Int.Cl.
G06N 3/00(2006.01)
G06N 3/063(2006.01)
(54)发明名称一种基于忆阻神经网络的联想记忆情感识别电路(57)摘要本发明提供了一种基于忆阻神经网络的联想记忆情感识别电路，该电路包括输入单元、逻辑判断单元、突触单元、学习速度调节单元、输出处理单元和输出单元；所述输入单元用来模拟神经网络中的输入神经元；输出单元用来模拟神经网络中的输出神经元；该电路用于实现一种基于忆阻神经网络的联想记忆情感识别方法；利用神经网络，建立基于忆阻神经网络的联想记忆情感识别模型，用来模拟人类感知器。

本发明的有益效果是：基于忆阻神经网络的联想记忆情感识别电路的集成化程度更高，实现了对人类学习速度变化的模拟，更好的对人类情绪变化进行模拟，提高智能机器模拟人类思考和行为的可能性；增
强了模拟神经网络的仿生能力和实用性。

权利要求书2页说明书8页附图3页CN 110110840 A 2019.08.09
C N 110110840
A
权　利　要　求　书1/2页CN 110110840 A
1.一种基于忆阻神经网络的联想记忆情感识别电路，其特征在于：该电路包括输入单元、逻辑判断单元、突触单元、学习速度调节单元、输出处理单元和输出单元；所述输入单元包括第一输入单元、第二输入单元和第三输入单元，用来模拟神经网络中的3个输入神经元；逻辑判断单元包括第一判断单元和第二判断单元，用来模拟神经网络中的神经元根据3个输入神经元的输入信号进行判断当前所处的状态，所述状态包括学习状态和遗忘状态；突触单元用来模拟神经元之间的突触S1、S2、S3、S4、S5和S6，其中，突触S1和突触S6为亢奋突触，突触S2和突触S5为抑制突触，且突触S1、S2、S5和S6各自的阻值固定不变，即突触强度不会发生变化，用于模拟神经元的无条件反射，突触S3和突触S4为可根据自身输入和输出端的电压的不同在某一范围内变化的阻值，即突触的强度可发生变化，用于模拟神经元的条件反射；学习速度调节单元包括第一调节单元和第二调节单元，用来模拟神经网络中的神经元判断是否是第一次学习，若是，则学习速度调节单元不作出反馈；若否，则学习速度调节单元与逻辑判断单元通过加法器共同作用于突触单元中的突触S3或突触S4，导致突触S3或突触S4输入输出两端的电压变小，从而导致突触S3或突触S4的阻值变化速度变快，模拟神经网络中的突触强度快速增强，使第二次及之后学习情感识别所需的学习时间减少；输出处理单元包括第一处理单元和第二处理单元，用来对突触输出的内容进行求和处理，便于输出单元输出；输出单元包括第一输出单元和第二输出单元，用来模拟神经网络中的输出神经元，输出情感识别类别；
突触S1的电路为：电阻R1的输出端分别连接电阻R2的输入端和第一运放器的输入信号1端，电阻R2和第一运放器的输入信号1端及输出端连接；突触S2的电路为：电阻R3的输出端分别连接电阻R4的输入端和第二运放器的输入端，电阻R4和第二运放器的输入信号1端及输出端连接；突触S3的电路为：忆阻器M1的输出端分别连接电阻R5的输入端和第三运放器的输入端，电阻R5和第三运放器的输入信号1端及输出端连接；其中，第一运放器、第二运放器和第三运放器的输入信号2端均接地；突触S1和突触S5的电路相同，突触S2和突触S6的电路相同，突触S3和突触S4的电路相同；
第一输入单元的输出端分别连接突触S1中的电阻R1的输入端、突触S2中的电阻R3的输入端和第一判断单元的输入端IN1，第二输入单元的输出端分别连接第一判断单元的输入端IN2和第二判断单元的输入端IN1，同理，第三输入单元的输出端分别连接突触S5中电阻R7的输入端、突触S6中电阻R9的输入端和第二判断单元的输入端IN2，第一判断单元的输出端通过加法器分别连接图突触S3的输入端和第一调节单元的输出端，第二判断单元的输出端通过加法器分别连接图突触S4中的忆阻器M2的输入端和第二调节单元的输出端，突触S1的输出端和突触S6的输出端均连接第一处理单元的输入端，突触S2的输出端和突触S5的输出端均连接第二处理单元的输入端，突触S3的输出端分别连接第一处理单元的输入端和第一调节单元的输入端，突触S4的输出端分别连接第二处理单元的输入端和第二调节单元的输入端，第一处理单元的输出端连接第一输出单元的输入端，第二处理单元的输出端连接第二输出单元的输入端。

2.如权利要求1所述的一种基于忆阻神经网络的联想记忆情感识别电路，其特征在于：所述基于忆阻神经网络的联想记忆情感识别电路用于实现一种基于忆阻神经网络的联想记忆情感识别方法；利用神经网络，建立基于忆阻神经网络的联想记忆情感识别模型，用来模拟人类感知器；该基于忆阻神经网络的联想记忆情感识别电路的第一输入单元、第二输
2。