课程文献中心 更多>>

关键词： 脉冲神经网络   轮对踏面缺陷图像   小样本   迁移学习  

摘要： 轮对作为列车重要的支撑和走行部件,会因长期在复杂环境下与轨道发生高速滚动接触而引起轮对踏面损伤,若任其恶化则易造成影响列车运行安全的踏面断裂等严重损伤。因此,对列车轮对踏面进行缺陷识别是保障列车安全运行的必不可少的一环。目前,因为列车轮对踏面损伤图像获取工业环境艰难,使其踏面损伤样本量较少。为此,针对小样本下的轮对踏面缺陷诊断任务,本文从数据层面、算法层面两个角度开展了基于脉冲神经网络的列车轮对踏面缺陷识别研究,主要工作如下: (1)针对样本量较少而导致神经网络在训练过程中出现过拟合的问题,构建一种基于数据增强的脉冲卷积神经网络模型,从数据层面解决该问题。首先,将采集到的轮对踏面缺陷数据样本划分为训练集和测试集,并设计生成对抗网络对训练集样本进行扩充,通过生成器生成图片,判别器判断图片,得到与真实图片相仿的数据。然后,构建脉冲卷积神经网络实现对缺陷特征的自动提取。最后,利用实际采集的轮对踏面数据集进行实验。 (2)针对小样本条件下脉冲神经网络模型特征表示性差和鲁棒性较差问题,构建一种基于迁移学习的稠密脉冲卷积神经网络模型,从算法角度解决该问题。首先,将构建的稠密脉冲卷积神经网络模型预先在其他相似的大数据集上进行训练,保存模型最优训练参数。然后,将参数迁移至踏面背景,并通过自制轮对踏面缺陷数据集对模型参数进行微调。最后,在小样本踏面数据集上验证所提方法可行性,并在带钢数据集上验证模型的鲁棒性。 (3)针对扩充数据集不能完全模拟真实数据集,以及稠密脉冲卷积神经网络未充分考虑样本相似度问题,在稠密脉冲卷积神经网络的基础上,提出孪生稠密脉冲卷积网络方法,从数据和算法两个层面解决该问题。首先,对数据样本进行交叉配对实现少量样本大幅扩容。然后,以稠密脉冲卷积神经网络为特征提取网络,通过脉冲相似性度量方式计算输入样本对之间的相似度。最后,在不同数量样本轮对踏面缺陷数据集上进行实验验证。

关键词： 脉冲神经网络   目标检测   ANN-SNN学习算法   双阈值IF神经元  

摘要： 近年来,人工神经网络(ANN)由于其出色的性能被广泛应用于各个领域,极大地推动了人工智能的发展。但随着模型越来越复杂,网络中参数急剧增加,导致计算负担随之加大。特别是在推理阶段,对GPU的算力需求不断提升,使得部署成本直线上升。脉冲神经网络(SNN)在解决这一难题中表现出极大的潜力。相比于传统的人工神经网络,脉冲神经网络采用离散的脉冲信号代替连续的模拟信号进行信息传递和处理,显著降低了计算复杂度,实现了高效的事件驱动计算模式。然而,目前对脉冲神经网络的研究主要局限于简单的分类任务,在更为复杂的目标检测任务中仍处于初步探索阶段,检测性能和所需时间步长均有待改进。针对这一问题,本文的主要工作如下:(1)搭建了基于YOLOv4架构的脉冲神经网络目标检测模型,并提出了一种细粒度神经元整数阈值设定的方法,以提高模型检测性能并减少所需时间步长。首先,选用ANN-SNN学习算法对脉冲神经网络进行间接训练,并对其可行性进行理论证明。基于这种学习方式,使用人工神经网络中YOLOv4作为基础模型,并对模型中激活函数、SPP结构、BN层进行修改以满足脉冲神经网络特性,完成脉冲神经网络目标检测模型的搭建。接着,使用细粒度神经元整数阈值设定让模型中每个神经元的阈值相互独立并避免了异常激活值的干扰,减少了神经元欠激活所带来的影响。在VOC数据集下进行对比实验,实验结果表明,这种神经元阈值设定方法能够使模型在较短时间步长下仍有较好的检测性能。(2)在前述模型的基础上,提出了一种基于双阈值IF神经元的脉冲神经网络目标检测模型,进一步提升了模型检测性能。双阈值IF神经元可以和YOLOv4中Leak-Re LU激活函数直接转换,避免了更换该激活函数所带来的性能损失。同时提出了一种适用于双阈值IF神经元的图像编码方式,相比于传统的泊松编码能够有效减少因编码而产生的误差。此外,基于双阈值IF神经元进行了转换误差分析,并通过阈值微调减小量化误差,进一步减小所需时间步长。通过对比实验分别验证了这一系列改进措施的有效性。基于VOC数据集下的实验结果表明,最终搭建的脉冲神经网络目标检测模型在256个时间步长下的m AP达到76.81,当时间步长增加到512时达到78.03,转换误差小于0.5。综上所述,本文搭建了基于YOLOv4架构的脉冲神经网络目标检测模型,对比现有研究,检测性能得到较大提升且所需时间步长显著降低。有望在边缘设备上实现高效、低功耗的目标检测,同时也为脉冲神经网络应用于更复杂的计算机视觉任务提供了一定的借鉴。

关键词： 脉冲神经网络   现场可编程门阵列   缓存   神经形态硬件  

摘要： 脉冲神经网络(Spiking Neural Network,SNN)是一种仿生神经网络,它的优点包括能够以更低的能量消耗实现更高的计算效率、更好地处理时空信息以及更适合进行基于突触可塑性的在线学习。这些优点使得SNN在许多领域中得到了广泛应用,例如图像处理、语音识别、机器人控制和神经科学研究等。SNN由于其事件驱动的计算方式,需要在专用的神经形态硬件上运行才能发挥其优势。然而,传统的神经形态硬件在芯片上通常只能存储少量的突触权重,这限制了能够在硬件上部署的SNN的大小。这是因为大部分的神经形态硬件将突触权重保存于片上存储,而片上存储容量较小,只能容纳有限个数的突触和神经元。如果采用低成本大容量的片外存储方案,则会因为片外存储带宽较低,影响芯片性能。本文受到神经形态计算中神经元在编码信息时连续发放特性的启发,认为连续发放的脉冲能够反复触发同一批权重的累加。这种数据反复多次且批量地被访问的特性称为时空局域性。采用缓存架构可以利用时空局域性提高片内数据的复用率,提升硬件的存储性能。于是,本文将传统计算机体系结构中的缓存进行适用于神经形态硬件的改造,使其支持事件驱动的计算模式。本文的缓存架构使得同样容量的片上存储所能支持的SNN规模提升了4到8倍,推理的准确率损失在1%以内。此外,本文还对在缓存架构中实现在线学习进行了探索,提出了一种事件驱动的突触时间可塑性(Synapse Time Dependent Plastic,STDP)零开销惰性计算方案,不需要额外的周期进行学习。在实验正确复现了STDP的学习曲线。

关键词： 非线性系统   随机干扰   时间同步   脉冲效应  

摘要： 神经网络是20世纪迅速发展起来的一门新兴交叉学科,通过数学方法来演绎和模拟人脑神经系统的结构和功能.近年来，随着竞争神经网络、BAM神经网络、四元数神经网络等模型的不断涌现,学者们对神经网络的动力学行为进行了深入的研究.同步作为一种动力学行为无疑是一个重要的研究课题.近年来,神经网络的指数同步和有限时间同步取得了大量的研究成果，但对于更具有实际意义的固定时间和指定时间同步的研究还不够成熟,尤其是对系统在脉冲影响或随机干扰下的固定时间和指定时间同步问题的研究成果更为匮乏.鉴于此，本文综合运用随机微分方程理论、复变函数理论、微分包含理论、Lyapunov方法、脉冲微分不等式方法等多种理论和方法研究了几类具有脉冲效应的神经网络的固定时间和指定时间同步问题.　　论文第一部分研究了一类具有随机扰动和脉冲效应的复值BAM神经网络的固定时间和指定时间同步问题.首先，利用Lyapunov函数理论和不等式技巧，得到了具有一般脉冲效应的随机非线性系统的固定时间和指定时间稳定性引理.然后，在这些结果的基础上,设计两个新的控制器，利用非分离方法得到了具有脉冲效应的复值随机BAM神经网络实现固定时间和指定时间同步准则.最后，通过两个数值算例验证了该结论的准确性.　　第二部分探究了具有不稳定脉冲效应的竞争神经网络的固定时间和指定时间同步问题.首先，利用平均脉冲概念和Lyapunov函数方法，得到了非线性动力系统在不稳定脉冲效应下达到实现固定时间和指定时间稳定性的理论判据.然后，对一类竞争神经网络设计两种不同的控制器来研究其固定时间和指定时间同步问题.值得一提的是，所设计的第二类控制器不包含符号函数，这克服了由符号函数所导致的控制器抖振现象.最后,通过Matlab数值仿真验证了理论结果的有效性.　　现有的实值神经网络和复值神经网络在处理一维和二维数据时比较方便，却无法高效的处理多维问题.但现实生活中的实际问题往往需要从多个维度进行分析,因此第三部分研究了一般脉冲效应下四元数神经网络的固定时间和指定时间同步问题.利用第二部分得到的一般脉冲效应下非线性系统的固定时间和指定时间稳定性准则，并设计两类控制器，给出了四元数神经网络实现固定时间和指定时间同步的充分条件.最后,通过两个数值算例验证了本章结论的可行性.

关键词： 脉冲神经网络   转换算法   注意力机制   代理梯度   混合学习  

摘要： 近年来,深度学习彻底改变了机器学习领域(尤其是计算机视觉领域),在各个方向上取得巨大成功。但是深度神经网络在计算成本和能源消耗等方面表现出极高的需求,使其无法在神经形态硬件芯片上大规模部署。而以生物学为导向的脉冲神经网络为这些难题提供了有效的解决方案。脉冲神经网络旨在弥合神经科学和机器学习之间的差距,使用受生物脑启发的神经元动力学模型进行计算。其时序动态特性和稀疏运算能力,为实现可以快速响应的低功耗、高智能机器创造了新的可能。然而由于脉冲神经网络的离散脉冲机制,使其无法像传统人工神经网络一般,使用基于梯度下降的误差反向传播进行学习训练。这种不可微、不连续的特性造成了对于类脑计算的研究陷入困境,无法大规模应用、部署以及推广。现存的脉冲神经网络学习算法都有着各自的缺陷,例如推理时延过大、训练代价高昂等。本文基于现有的经典训练算法,提出了人工神经网络直接到脉冲神经网络的转换算法,以及基于代理梯度的脉冲神经网络训练算法。最后根据以上两种学习策略提出融合了转换算法和直接训练方法的混合学习算法。具体研究内容包括:(1)提出了人工神经网络到脉冲神经网络的转换算法。从转换原理的角度分析推理时延较高和转换后模型性能下降的原因,提出基于双阈值神经元的脉冲神经网络模型,减少信息在传递过程中的损失;提出新的阈值选择和权重更新策略,降低转换后模型的推理延迟。最后通过消融实验证明提出算法的有效性。(2)提出了基于代理梯度的脉冲神经网络可继承式训练算法。提出的算法通过限制脉冲神经网络输出层在每个时间步上的结果以更新模型权重,能够帮助模型在训练过程中摆脱局部极小值,从而提升模型的性能。同时提出算法的时序可继承性能够降低深度脉冲神经网络的训练代价。最后通过实验表明所提出算法的优越性,并具备与其他算法相结合的能力。(3)提出了一种基于转换和代理梯度的新混合学习算法,将转换后的脉冲神经网络模型作为基于自注意力机制的时序训练算法的初始化步骤,可以凭借较小的训练代价获得深度脉冲神经网络模型。最后通过对比实验证明了本文提出的混合学习算法相较于近些年其他算法,具备更优秀的性能和更高的能量效率,同时还表现出良好的泛化性和鲁棒性。

关键词： 神经形态计算   脉冲神经网络   推理加速   片上系统  

摘要： 致力于解放人力、发展生产力,各个领域的前沿研究者着手搭建高度智能化电子设备,人工智能已经逐渐成为了科技创新的热门主题。然而,基于传统计算机体系结构的硬件平台已经无法支持神经网络规模的膨胀,尤其是在条件苛刻的终端设备上。因此,设计采用新型计算架构的高性能、低功耗硬件设备以满足人工智能落地成为了重中之重。受到智慧来源生物脑结构的启发,基于神经形态理论的脉冲神经网络算法具有生物相似度高、计算复杂度低的特点,且基于神经形态计算的新型硬件通常也表现出更高的计算效率与更低的功耗。由此,本论文将基于轻量化神经网络模型与并行计算架构设计了一款低比特脉冲神经网络推理加速电路,并将其与处理器结合,构成了一款高灵活推理加速片上系统。基于采用泄漏-整合-发放神经元模型的权值二值化脉冲神经网络,本论文提出了推理加速电路的整体结构。针对硬件友好的算法模型,本论文设计了专用计算核心,包括了脉动阵列中的低比特处理单元以进行突触并行计算,以及神经元模型计算电路以进行脉冲发放。最终,推理加速电路在6.85 mm的片上面积内集成了4096个神经元,并实现了409.6 GSOPS的高性能、60.96 m W的低归一化功耗以及6.72TSOPS/W的高归一化能效比,说明了未来轻量化神经形态芯片采用脉动阵列计算架构以提升性能的可行性。另外,本论文基于可扩展开源处理器设计了推理加速片上系统,以构成领域专用架构硬件,使硬件具有高灵活性与计算专用性。对片上系统进行流片后,本论文对芯片给出了测试与部署方案,使其能在平台上实现灵活、高效应用。

关键词： 鼾声检测   OSAHS识别   LSTM   脉冲神经网络  

摘要： 打鼾是一种普遍现象,会影响人类的睡眠质量,也是许多高发睡眠疾病的早期症状,阻塞性睡眠呼吸暂停低通气综合征(Obstructive Sleep Apnea-Hypopnea Syndrome,OSAHS)就是其一。由于睡眠疾病的普遍性,实现疾病的居家本地检测是很重要的研究方向。目前很多研究通过设计神经网络来完成鼾声识别,但传统神经网络计算参数量大,难以应用到嵌入式设备上完成本地检测。基于此,本文使用脉冲神经网络进行鼾声检测和OSAHS识别,将实数运算转化为脉冲计算,减少了模型对计算资源的消耗,并在分类任务中获得良好效果,为大规模OSAHS居家检测提供了一种方案。本文的主要工作与成果如下:(1)录制了108名受试者原始睡眠声音数据,包含26名无患病者、33名轻度患者、35名中度患者和14名重度患者。对声音数据进行滤波降噪、端点检测、截取鼾声事件等处理,构建了鼾声-非鼾声和OSAHS相关鼾声两份真实数据集,为后续鼾声检测和OSAHS识别提供了数据基础。此外,对声音数据进行多个声学特征提取,作为后续网络的输入特征。(2)研究了基于长短期记忆的脉冲神经网络(Long Short-Term Memory Spiking Neural Networks,LSTM-SNN)单元设计理论。LSTM-SNN首先对输入特征进行脉冲编码,再使用两个阈值激活函数替换LSTM单元中的sigmoid和tanh函数,使得网络中利用脉冲进行信息传播,最后采用基于梯度替代的反向传播算法完成参数更新。设计了单层的LSTM-SNN网络模型进行鼾声检测,提取声音梅尔频率倒谱系数作为输入特征,设计多组对比实验比较了模型不同参数对分类结果的影响,讨论了阈值编码和关键点编码两种编码方式的分类效果,分析了基于不同梯度替代函数模型的分类结果。最终,单层LSTM-SNN网络在鼾声-非鼾声测试集上取得了93.4%的准确率,与相同结构的LSTM网络相比,在准确率下降1.2%的情况下,计算参数量减少了27%。(3)设计了基于多特征输入的OSAHS识别模型,提取鼾声信号梅尔频率倒谱系数、滤波器组系数、线性预测系数和短时平均能量四种特征,基于双层LSTM-SNN设置基础网络对各个特征学习后,将学习结果连接起来完成分类。针对OSAHS不同患病程度的AHI范围,完成了对AHI指数是否大于5、大于15、大于30三组二分类实验,测试集准确率分别达到89.3%、90.5%和91.3%。与相同结构LSTM网络对比,参数量减少了29.9%。

关键词： 低功耗   目标识别   卷积脉冲神经网络   最大池化  

摘要： 近年来,图像识别技术被越来越多地应用到无人机上,但是传统的图像识别系统存在体积大、功耗高的问题,一定程度上影响了无人机的续航能力。因此,亟需研究一种新型的低功耗目标识别系统。本文以此为研究背景,设计了一种基于卷积脉冲神经网络的低功耗目标识别系统,具体内容如下: 在对机载低功耗目标识别系统功能需求进行深入分析的基础上,提出了一种基于卷积脉冲神经网络的低功耗目标识别系统总体设计方案,并完成了核心处理器和图像传感器的选型。 针对传统卷积脉冲神经网络组成结构中平均池化硬件资源消耗大的问题,提出了一种基于脉冲最大发放频率的池化方法,从而减少了硬件资源消耗。针对通过直接训练方式生成的卷积脉冲神经网络识别精度低的问题,采用间接训练的方式,即先对人工神经网络进行训练,再将其转换为卷积脉冲神经网络。针对网络转换误差较大的问题,在人工神经网络的训练环节引入阈值可训练的量化激活函数,并采用直通估计器对量化函数求导,以得到可降低网络转换误差的激活函数量化系数和阈值。在此基础上,将激活函数阈值作为卷积脉冲神经网络的神经元膜电势阈值,并对神经元膜电势进行非零初始化,提升神经元脉冲发放率,进一步减小低延时区间的网络转换误差。实验结果表明,本文所设计的卷积脉冲神经网络转换方法与现有方法相比具有低延时、高精度的优势。 针对基于CPU和GPU实现卷积脉冲神经网络功耗高的问题,给出了一种基于ARM和FPGA的低功耗卷积脉冲神经网络实现方法。完成了FPGA各功能模块的设计,包括图像预处理模块、数据读取与存储模块、卷积模块、最大池化模块、神经元运算模块与分类筛选模块,并完成了层间合并与流水线设计。针对卷积模块输入缓冲区数据冗余导致FPGA内存资源浪费的问题,设计了宽度自适应的行缓存控制模块,减少了内存资源的使用。针对卷积模块运算效率低的问题,通过分析网络结构特征,采用多通道并行的方式对其加速,提高了FPGA端的运算效率。设计了ARM端的控制指令与控制流程,实现了对FPGA端各功能模块的调度。 搭建了卷积脉冲神经网络目标识别系统实验平台,在完成了网络转换实验、ARM与FPGA的数据传输实验基础上,完成了基于卷积脉冲神经网络的目标识别实验,并与基于CPU和GPU的传统目标识别方法进行了性能对比,结果表明本文所提方法在不影响识别准确率的前提下功耗比传统的方式要小。

关键词： 移动机器人   脉冲神经网络   深度增强学习   路径规划   图神经网络  

摘要： 受行为主义心理学启发，具有自主学习特点的深度增强学习（DeepReinforcementLearning,DRL）适用于解决高维决策问题，现已广泛应用于自动驾驶、游戏AI、机器人控制等领域。但传统的深度增强学习算法在处理复杂任务时存在训练时间长、收敛速度慢、样本效率低等问题。具有生物似真性的脉冲神经网络（SpikingNeuralNetworks,SNNs）通过尖脉冲（Spikes）传递时空信息，通常具有较快的训练速度和较低的计算成本，为上述问题提供了一种解决方案。本课题基于脉冲深度增强学习，针对移动机器人路径规划问题进行研究，主要工作如下:　　（1)基于好奇心驱动的脉冲SAC移动机器人路径规划方法（CDS2AC）　　受大脑好奇心学习机制的启发，提出一种基于好奇心驱动的脉冲柔性演员-评论家（CDS2AC）算法，并将其应用于移动机器人在未知环境下的路径规划。该算法将脉冲神经网络训练速度快、柔性演员-评论家（SAC）的自主决策能力强和好奇心机制（CM）探索性强的优点相结合:使用SNNs/ANNs混合网络表示策略和动作价值，包括用来推断动作的脉冲演员网络（SAN）和评估动作价值的深度评论家网络（DCN）;结合好奇心机制，通过使智能体产生好奇心理增加探索区域来改善局部最优的问题;采用梯度下降法对CDS2AC中的网络进行训练，训练脉冲演员网络使用了时空反向传播（STBP）算法;为了解决增强学习算法对新任务适应性差的问题，利用迁移学习（TL）将学习到的知识或经验作为新任务的初始参数提高训练效率。　　实验结果表明，所提算法在面对不同复杂度的环境时，能使机器人有效避开障碍物,实现自主导航，表现出较强的泛化能力。与SpikeDDPG、SpikeDQN、SAC、PPO等15种算法相比，CDSAC算法在收敛速度、机器人速度、耗时、移动步数、奖励值、成功率、轨迹平滑性、综合得分等方面表现更优。　　(2）基于集成学习的脉冲SAC移动机器人路径规划方法（ES2AC）　　集成学习（EL）通过将多个学习器组合起来以提高预测效果。为提高SNNs的性能，提出一种基于集成学习的脉冲柔性演员-评论家（ES2AC）算法，并将此算法应用于移动机器人动态环境下的路径规划任务。为减少单个决策网络的方差，提高模型的稳定性和策略的多样化，该算法将集成学习思想用于脉冲SAC算法，提出一种由多个独立的SNNs决策器组成的集成框架。ES2AC方法利用Bootstrap方法对训练样本进行采样，训练出多个决策网络，在与环境交互过程中采用ε-greedy策略选择网络进行交互。利用对脉冲深度增强学习模型迁移，避免了网络的重复训练、减少了网络模型的训练时间。　　实验结果表明，在静、动态环境以及不同的起始位姿和目标点任务中，移动机器人都能够有效避障。在面对移动障碍物时，能够实时调整运动轨迹。相较基线算法，证明ES2AC具有优异的表现和较强的自适应性能力。　　(3)基于脉冲图神经网络的SAC移动机器人路径规划方法(SGSAC)　　图神经网络(GNNs)具有图数据结构的学习能力。受GNNs启发，提出一种基于脉冲图神经网络的柔性演员-评论家(SGSAC)算法，并将此算法应用于机加车间中的移动机器人路径规划。该算法为结合SNNs和GNNs的决策模型，使用带有噪声的泄露积分点火神经元模型构建SNNs,在充分利用图神经网络对环境拓扑结构表征的基础上,根据数据间的隐含信息，使用具有时间序列特征的样本构建图数据结构。通过结合先验策略，引导移动机器人更有效地探索状态空间，同时使用集成学习提高算法的学习效率。　　以机加车间中小型轴套类和小型箱体类加工流水线上物料搬运任务进行测试，利用SGSAC算法，机器人可以成功地实现目标任务，验证了SGSAC算法的有效性。脉冲图神经网络作为新兴的研究方向，其研究成果为机器人控制、社交网络分析等领域提供了有益参考。　　针对脉冲深度增强学习在移动机器人路径规划中的应用进行研究，本文工作为脉冲深度增强学习的实际应用提供了一定的参考，为实现低能耗的移动机器人路径规划提供了解决方案。神经机器人将是机器人技术发展方向之一，基于脉冲深度增强学习的路径规划研究为未来实现低能耗的神经机器人奠定了基础。

关键词： IMT神经元模型   神经元脉冲电路   脉冲神经网络   权重映射   混合神经网络  

摘要： 传统的冯·诺伊曼架构存在“存储墙”问题,在应对大数据时,将产生显著增加的延迟和功耗。脉冲神经网络(Spiking Neural Network,SNN)模拟真实人脑中神经元之间高效的信息传递方式,具备大数据处理潜力以及低能耗优点。神经元是脉冲神经网络的基本组成部分,其可基于金属-绝缘体转变(insulator-metal transition,IMT)阈值器件构建。然而,现有IMT神经元或器件模型存在通用性差、模型特性偏差较大、仿真精度低甚至模型收敛性差等问题,这使得IMT神经元在大型阵列中的应用受到限制。基于此,本文提出了一种优化的IMT器件模型、一种神经元脉冲发放电路及一种通用的硬件IMT脉冲神经网络构建方式。首先,本文综合所制备的IMT器件及IMT神经元电路的实测数据,提出了一种基于测试数据拟合的器件模型构建和优化方法,所构建IMT器件模型的扫描特性能够准确反映真实的IMT器件性能。同时,基于IMT神经元电路的膜电位实测数据对该模型进行了优化。优化后,基于所述器件模型的IMT神经元的阈值电压、保持电压和激活放电次数与实际IMT神经元电路特性吻合,且基于该模型的IMT神经元与实际IMT神经元电路的激活频率误差最低仅为1%,解决了现有模型精度不足及瞬态特性缺失问题。其次,结合神经元脉冲信号的传输需求,提出了一种神经元激活检测与脉冲发放电路,且基于理想IMT器件的简化阈值模型及所述脉冲电路构建并测试了IMT神经元,该神经元能够及时、准确地发放标准脉冲信号,为大规模多层脉冲神经网络的层间信号匹配与各功能模块间的信号交互提供了有力支撑。构建了多位正权重及正负权重硬件IMT-SNN并提出了基于计算机的权重训练及映射方法,在MNIST手写数字识别数据集上测试了硬件网络的推理效果,所构建的硬件IMT-SNN在手写数字识别数据集上的识别准确率达到了79%。同时,分析了输入图片与输出神经元之间的互相关性,展示了多位IMT-SNN的权重信息。将基于计算机网络的模拟识别准确率与有限权重精度的硬件IMT-SNN的手写数字识别准确率进行对比,硬件识别率相较计算机模拟结果损失约为10%。所构建的硬件网络能够抑制错误的预测结果,且在随机数字图片测试中,未输出错误类别预测结果。最后,基于所提出的IMT器件模型及脉冲发放电路设计了多位权重卷积核电路及最大池化电路,继而构建了包含卷积层的硬件IMT混合网络。分析了该网络卷积层及全连接层的权重分布,验证该网络较强的特征提取及推理能力。使用随机抽取的手写数字图片测试硬件混合网络,验证该网络的手写数字识别功能。基于软件网络模型及硬件网络中的二值权重参数模拟了硬件IMT混合网络,证明所构建的IMT混合神经网络达到了较高的识别率。对比分析了软件及硬件混合网络的膜电位信号特点和推理效果,证明所提出的IMT神经元及神经元脉冲发放电路适用于复杂网络构建,且所构建的IMT混合网络具备较强的抗干扰能力。