模擬神經元

用模擬電子技術實現的神經元器件，稱為模擬神經元。同時，用電子設備和計算機系統來模擬神經網路的功能，稱該系統為神經網路模型。由於對神經網路的生理機制及其信息處理功能了解得較膚淺，因此，雖然有大量的神經網路模型出現，但只是模擬極少的部分功能而已。

基本介紹

• 中文名：模擬神經元
• 外文名：Analog neurons
• 定義：模擬電子技術實現的神經元器件
• 學科：電子工程
• 組成：胞體、樹突、軸突和突觸四大電路
• 特點：能充分發揮神經網路並行處理特點

簡介

人工神經網路是現代信息處理領域的一個重要的方法，相對於軟體實現，硬體實現方式能充分發揮神經網路並行處理的特點。用模擬電路實現神經網路電路形式簡單、功耗低、速度快、占用晶片面積小，可以提高在神經網路晶片上神經元的集成度，神經元電路適合用模擬電路實現。

模擬神經元結構

用模擬電子技術實現的神經元器件，稱為模擬神經元器件。一個模擬神經元器件，通常由胞體、樹突、軸突和突觸四大部分電路組成。作為一個神經元器件，應具有的功能特徵是：

圖1 模擬神經元

(1)是一個多輸入單輸出的處理單元；

(2)具有加權求和能力；

(3)具有閾值處理或非線性函式處理能力；

(4)突觸權值是可調節的。

為了甩模擬電子技術來實現這些功能，通常，人們用模擬運算放大器來代表胞體，用導線來代表樹突和軸突，用電阻器來代表突觸連線，其阻值即為連線權值。比如，典型的Hopfield網路中的模擬型神經元就是這樣實現的。圖1所示即為一個模擬電子神經網路的結構，它是一個全互連聯想記憶模型的實現。圖中，水平線為輸入，垂直線為輸出。每個神經元器件的輸出通過一電阻器與其他神經元器件輸出相連。

技術實現

模擬型電子神經網路的學習功能是通過改變突觸電路的權值來實現的，如何實現突觸權值的變化是設計和實現這類電子神經元的關鍵。在模擬電路的實現技術中，有四種改變權值的方法，即控制MOS電晶體的導通電阻，控制導通電晶體的數目，採用RAM電路以及採用高集成度的薄膜技術(包括非晶半導體技術、金屬氮氧化物半導體MNOS技術等)。

1．控制MOS電晶體的導通阻抗

一個典型的3輸入神經元的模擬電路實現原理如圖2所示，電路通過控制MOS電晶體的導通阻抗來改變權值。該電路分為突觸(T₁~T₃和T₁₈~T₂₀)、樹突(T₄~T₁₁)和細胞體(T₁₂~T₁₇)三部分，分別具有權值控制、加權求和運算和閾值處理功能。

圖2

在上述電路中，權值控制由乘法電路實現。當給開關電晶體了T₁₈加上一權值輸入電壓W₁，且柵極S處於低電平時，T₁₈導通，將信息以電荷形式積蓄在門電路了，中。顯然，W₁值越大,T₁積蓄電荷量越多，權值就越大；反之，權值就越小。權值輸入W₁與來自其他神經元的輸出信號V1相乘，成為T₁與T₄管之間的電壓W₁V₁。經樹突電路中電晶體T₄和T₇，將乘積傳送到A點。同樣，從其他神經元來的信號V₂、V₃,分別通過了T₁₉，T₂₀與權值W₂，W₃對應相乘，得部分積W₂V₂，W₃V₃，並傳送到A點。

加法運算∑W_iV_i,在節點A處實現。在節點A處，來自各樹突支路的輸入信號以電荷形式累積，並供給細胞體電路。閾值處理是利用T₁₂和T₁₃構成的反相器的閾值，與節點A來的電位進行比較，以決定神經元電路的輸出電壓V₀。

2．用RAM電路控制權值

圖3表示的是一種採用RAM電路來存儲和改變連線權值的方案。假設每個神經元都具有兩個RAM單元，一個為興奮性RAM單元，另一個為抑制性RAM單元。它們分別控制一個開關電晶體，決定連線權的類型。當有一RAM單元存儲值為1，且放大器輸出為“高”時，形成一電流源，作為另一放大器i的一路輸入；當兩個RAM單元存儲值均為0時，相連開關電晶體處於“開”狀態，即斷路，則放大器j的輸入不影響放大器i的輸出。因此，有三種連線類型，興奮連線—T₁接通，抑制連線—T₄接通，斷開狀態—T₁和T₄均斷開。由RAM單元實現的連線權作用，只需簡單的編程，設定相應單元的值，便可實現不同類型連線輸入。

圖3

3.由導通電晶體數目改變權值

圖4所示電路即為通過控制導通電晶體數目來改變神經元的連線權值的電路。它由四組電晶體實現權值Wij的變化，每組有(n+1)個電晶體。圖中T_SCN用來控制神經元之間的連線關係，T₀~T_(N-1)和T_SCN的導通、截止信息存儲在(n+1)個相連觸發器中，由處理機控制。

圖4

4．採用MNOS技術控制權值

圖5所示為採用MNOS技術實現突觸連線的電路構造。柵極S是金屬氮氧化物半導體材料做成的，通過氮化膜中注入的電荷量控制柵極的勢阱深度。這種改變權值方法的核心是用通過MNOS的電荷量來改變權值的大小。

圖5

實際套用

人工神經網路

有機體神經元具有很強的學習能力，為了在機器學習中運用這種能力，人們進行了大量的研究工作。圖6是神經元的簡單模型。雖然這個模型僅僅是對生物學神經元的一種近似，但是它已經成為非常重要的計算模型。這些模擬神經元組成的網路，即人工神經網路或ANN，已經證明在許多機器視覺問題上非常有用，特別是因為它們的學習能力。人工神經網路能夠學習多維空間中樣本的複雜結構，與最近鄰分類方法相比需要較少的記憶體，它還可實現海量的並行計算。

圖6 人工神經元