1.一种用神经激活梯度λ控制的三维Hopfield神经网络模型实现电路,包括基于激活梯度的负输出双曲正切函数实现电路tanh模块和三维Hopfield神经网络主电路;
在一个常规的三维Hopfield神经网络模型的基础上,引入一个神经激活梯度函数λ作为控制变量,该神经网络模型用一阶常微分方程组表示为:
式中,x1、x2和x3分别为神经元的三个状态变量;参数a是连接第三个神经元与第一个神经元的突触权重,参数b是连接第二个神经元与第一个神经元的突触权重;控制变量λ是神经元的激活梯度,表示在电磁感应下神经元电活动的响应速度;
式(2)中的三个方程,分别采用积分通道一、积分通道二和积分通道三来实现,三个积分通道作为三维Hopfield神经网络的主电路,根据基尔霍夫电路定律和电路元器件的电学特性,则式(2)对应的电路方程可以表示为:式(3)中,v1、v2和v3是三个电路变量,它对应于三维Hopfield神经网络系统中的x1、x2和x3,表示神经网络中三个神经元的膜电位;
其特征在于:积分通道一的实现电路包括神经网络内部的输入端va、vb、vc,运算放大器U1和U2,以及激活梯度tanh(λx)函数实现电路Tg1,所述神经网络内部的输入端va、vb、vc分别串联电阻R1、R2和R3后连接至运算放大器U1的反相输入端;运算放大器U1的反相输入端和输出端之间并联一个电容C和一个电阻R;运算放大器U1输出端输出的电压v1经过激活梯度tanh(λx)函数实现电路Tg1后得到输出电压va;输出电压va串接一个电阻R后连接至运算放大器U2的反相输入端;运算放大器U2的反相输入端和输出端之间并联一个电阻R,运算放大器U2的输出端输出–va,输出–va作为积分通道二实现电路的一个输入信号;运算放大器U1和U2的同相输入端均接地;
积分通道二的实现电路包括神经网络内部的输入端‑va、vb,运算放大器U3和U4,以及激活梯度tanh(λx)函数实现电路Tg2,输入端–va和vb分别串联电阻R4和R5后接于运算放大器U3的反相输入端;运算放大器U3的反相输入端和输出端之间并联一个电容C和一个电阻R;运算放大器U3输出端输出的电压v2,输出的电压v2经过激活梯度tanh(λx)函数实现电路Tg2后得到输出电压vb;输出电压vb串接一个电阻R于运算放大器U4的反相输入端;运算放大器U4的反相输入端和输出端之间并联一个电阻R,运算放大器U4的输出端得到输出–vb,输出–vb作为积分通道三实现电路的一个输入信号;运算放大器U3和U4的同相输入端均接地;
积分通道三的实现电路包括神经网络内部的输入端va、‑vb、vc,运算放大器U5,以及激活梯度tanh(λx)函数实现电路Tg3,输入端va、–vb和vc分别串联电阻R6、R7和R8后接于运算放大器U5的反相输入端;运算放大器U5的反相输入端和输出端之间并联一个电容C和一个电阻R;
运算放大器U5输出端输出的电压v3,电压v3经过激活梯度tanh(λx)函数实现电路Tg3后得到输出电压vc;输出电压vc作为一个输入信号反馈至积分通道一实现电路,运算放大器U5同相输入端均接“地”。
2.如权利要求1所述的用神经激活梯度λ控制的三维Hopfield神经网络模型实现电路,其特征在于:激活梯度tanh(λx)函数实现电路包括:积分器、三极管T1和T2、直流电压源E和直流电流源I0,其中,积分器包括运算放大器Ui和Uo,具体连接方式为:输入端vi串联一个电阻R后接于运算放大器Ui的反相输入端;运算放大器Ui的反相输入端和输出端之间并联一个可改变的电阻RF;运算放大器Ui的输出端接入三极管T1的基极;三极管T1的集电极分为两路,一路经一个电阻R连接到运算放大器Uo的同向输入端,另一路经一个电阻RC连接至直流电压源E;三极管T2的发射极和三极管T1的发射极相连,并且同时接直流电流源I0;三极管T2的集电极也接一个电阻RC连接到直流电压源E上,另一端接电阻R到运放Uo的反向输入端;三极管T2的基极接地,三极管T2的基极再串接一个电阻R到运放Uo的同向输入端;运算放大器Uo的反相输入端接一个电阻R到输出端vo。
3.如权利要求2所述的用神经激活梯度λ控制的三维Hopfield神经网络模型实现电路,其特征在于:所述直流电压源E为固定15V直流电源,控制神经网络的电阻RF为可调电阻,其可调范围为500Ω‑900Ω,可直接控制神经网络的动力学行为。