电力电子外文文献翻译

模拟神经网络的动态学习

模拟电子电路

摘要：在神经网络领域，许多应用模型已经提出了。一个神经芯片和一个人工视网膜芯片的开发，以包括生物医学视觉系统的神经网络模型及其仿真。以前的模拟神经网络模型的运算放大器和固定电阻。改变连接系数是很困难的。在这项研究中，

我们用模拟电子多路电路。连接权重描述输入电压。改变连接系数很容易。该模型的工作原理只有模拟电路。它可以完成学习过程中的一个非常时间短，这种模式将使更灵活的学习。

关键词：电子电路，神经网络，模拟电子

1.简介:

我们提出透过利用模拟神经电路进行神经网络的动态学习。这种模式会发展出一个包括模拟神经电路的全新的信号装置。其中一个研究目标是生物医学神经功能的建模。在神经网络领域中，许多应用模型已被提出,而且有许多硬件模型已经实现了。这些模拟神经网络模型，是由operational amplifier及fixed resistance 所组成的‧这是个非常困难去改变这个连接系数的(指operational amplifier及fixed resistance)

1.1模拟神经网络

模拟神经网络是通过电压,电流或电荷的连续数量来表达的。而其最主要的优点是它不但可以透过时钟操作去建造连续时间系统,还可以建造离散时间系统。明显地actual neuron cell是模拟工作。使用模拟方法去模仿神经元细胞的运作是可行的。许多人工神经网络LSI就是用analog method来设计的。

很多processing units可以安装在single-chip上,因为每一个单元都可以由小数量的元件，加法，乘法，以及非线性变换来实现。还有使用super parallel calculation来操作是可行的。结论是,与神经网络算法相比高速工作是有其的好处的。在纯模拟电路中，最大的问题是奴何去实现模拟内存及如何记住模拟量。到目前为止也还没找到相应的解决方法。DRAM method是一些记录存在电容器的临时存储,因为它可以与CMOS processs通用。然而，当数据值保持长期的，也需要一个数字记忆。在这种情况下，我和一个一个/数转换使得开销问题。其他记忆方法的浮力门式装置，铁电存储器（FeRAM）和磁性物质的记忆（MRAM）提出了另一种硬件神经网络模型。它是利用脉冲神经网络。该模型具有良好的优势。特别是这个网络

可以保持学习过程中的连接权值。然而，它需要很长的时间学习过程中，需要许多脉冲[7]。

在这项研究中，我们使用了多个电路。连接权重描述输入电压。改变连接系数很容易。这个模型只适用模拟电路。它可以在很短的时间内完成学习过程这种模式将允许更灵活的学习。最近，许多研究人员已经专注于半导体集成产业。特别是低电功率，价格低，规模大，是很重要的。神经网络模型解释生物医学神经系统。神经网络具有灵活的学习能力。许多研究人员模拟了使用电子的生物医学脑神经元的结构电路和软件。

1.2概述

神经网络研究的结果，是反馈到神经科学领域。这些研究领域得到了广泛的发展。神经网络学习能力接近人类的机制。因此，有可能使一个更好的信息处理系统，匹配计算机模型的优点和生物医学脑模型。神经网络的结构通常由三层，输入层，中间层和输出层。每一层由

连接重量和单位。神经网络是由三层组成的结合神经细胞结构[8][9]。

在神经网络领域，许多应用方法和硬件模型已经提出。神经芯片和人工视网膜芯片的开发

包括神经网络模型和模拟生物医学视觉系统。在这研究中，我们增加了运算放大器的电路。连接重量显示增加电路的输入电压。在以前的硬件模型神经网络，连接权重的变化是困难的，因为这些模型采用电阻元件作为连接权值。

此外，该模型使用的电容器作为连接的权重是提出了。然而，它是很难调整连接权重。在本研究中，我们提出了神经网络使用模拟多个电路。连接的权重显示为多个电路的电压。它可以改变连接的权重很容易。学习过程会更快。起初我们做了一个神经网络计算机程序和神经回路的SPICE模拟。SPICE指的是电路。下一章的电路仿真。接下来我们测量的行为计算机计算与香料模拟的确认。我们比较了这两种输出结果，证实了一定程度上的遗留行为[10]。

图1。使用运算放大器的多个电路

图2。神经回路（输入和输出）

2.SPICE

在本研究中，我们使用的电路模拟器SPICE。电路模拟器（SPICE）是模拟程序与集成圆的简称重点。它可以再现电路和电气的模拟运算电路。在绘制电路CAD，设置输入电压。香料具有交流的功能，直流暂态分析。首先，我们做的差分放大器电路和吉尔伯特乘法器电路。我们确认电压运行良好的范围。

图3。神经回路实验结果

图4。三层神经回路的结构

由运算放大器组成的多个电路的神经元结构为实现乘法功能，电流镜电路实现非线性函数和差分放大器电路。我们的多个电路图。在以往的神经网络模型中，我们采用了电阻元件作为一个连接的重量。但是，它是很难改变的阻力值。在神经连接，它计算出产品的输入值和连接重量。我们用多回路作连接的重量。多回路的每一个输入指输入值和连接权。连接重量可以显示电压值，很容易在神经网络学习阶段的变化值。图2为2输入的神经回路，一个输出的输出一个神经元的特性，利用电流增加电流镜电路，产品输入信号和连接权值。图3为输出特性SPICE仿真。我们确认时的电压范围之间-0.35V这个电路的正常运行和0.43V达到峰值。连接的权重和阈值是能够改变的控制在多个电路中的电压。学习过程会比较容易。

3.三层神经网络

我们构建了一三层神经网络，输入层，中间层和输出层。有2个输入单元，2个中间单元和一个输出单元。我们结合前一章中描述的神经单元。

图5。三层神经回路的实验结果

在图4中，我们展示了方框图。这意味着一般的神经网络模型。但它采用多回路，易于改变连接重量。“多”指多个电路和“添加”装置的加法电路图4。实验结果如图5所示。我们确认时的电压范围之间-0.05v这个电路的正常运行和0.15V。线性图是中间层的输出而非线性图是图5中最后一层的输出[11]。