课程文献中心 更多>>

关键词： 合成氨   等离子体催化   纳秒脉冲放电   数值模拟   深度神经网络  

摘要： 氨是生产多种化学品的重要原料,低温等离子体合成氨技术,可以潜在地避免常规热催化氨合成的局限性,已成为将固氮与化石燃料脱钩的替代方法,其研究具有重要理论意义与应用价值。众多研究中,填充床介质阻挡放电(Dielectric Barrier Discharge,DBD)反应器,被认为是一种强化反应器内电场强度、更易产生均匀放电的等离子体反应器,其内部等离子体催化机制仅依靠实验诊断技术难以解析,需要详细的数值建模工作,以深入研究其内在机理。放电等离子体产生大量高活性粒子组成的反应体系,包含连续性方程、动量方程等偏微分方程,随着AI及深度学习的广泛应用,深度神经网络实现监督学习任务求解偏微分方程组,已成为研究等离子体催化合成氨的一种新思路。本文采用数值模拟方法,模拟填充床DBD反应器内N与H合成NH过程,建立零维等离子体动力学模型,在等离子体动力学求解器ZDPlaskin中嵌入Fe/γ-AlO催化剂表面反应,提出一种气相-表面耦合模型,给出碰壁弛豫、振动激发和表面催化等反应的反应速率系数计算方法,考虑初始氮氢比对粒子摩尔分数、电子能量沉积、粒子密度、反应路径贡献和主要产氨反应产率的影响,系统阐述分析电源参数特性(放电频率和约化场强)和工艺参数(气体比例和放电温度)对平均粒子密度和反应产率的影响,并在Pycharm编译环境下以Python语言调用Matlab脚本文件,构建以气相-表面耦合模型数值模拟结果为基础的深度神经网络算法,搭建有效求解电子能量密度方程等偏微分方程组的网络结构,最小化均方误差MSE损失函数优化网络,提高准确率。所做工作主要有以下研究结果:(1)随着氮氢比的提高,NH密度先提高后降低,在N:H=3:1时达到最大值,此时,振动激发粒子获得更充足的电子能量沉积,并解离吸附产生更高密度的吸附态粒子N(s)和H(s),参与合成氨反应。在气相反应和表面反应中的NH+H→NH+H和NH(s)+H(s)→NH+Surf+Surf是主要合成氨路径,NH和NH等中间产物与NH形成循环反应体系,在N:H=3:1下正反应过程更明显,NH+H→NH+H反应产率提高三个数量级,NH(s)+H(s)→NH+Surf+Surf提高24%的贡献率。(2)电场强度和放电频率在一定程度上影响脉冲能量的输入,提高电子密度,但电场强度超过70Td后,NH等部分物种的平均粒子密度逐渐降低,电子能量的提高加速电子碰撞分解e+NH→e+NH+H和e+NH→e+NH+H,表面催化吸附态粒子密度也随电场强度增强趋于稳定;在气体温度的作用下,催化剂表面脱附活性随温度先增强后降低,因此,合理设置最优温度区间对等离子体与催化的协同效应具有重要影响。(3)深度神经网络求解粒子连续性方程,数据向量化和取对数的预处理,能够提高模型训练的精确度,误差可低至10数量级,经过50000次的有限迭代尽可能降低损失函数的值,深度神经网络在2个输入和1个输出的设置下,隐藏层层数(4～8)和神经元个数(30～40)的合理设置,可避免过拟合和欠拟合问题;在变温度和变场强条件下,使用tanh激活函数缓解梯度消失问题,提高训练效率,并随机选取40%左右的训练样本,均方误差MSE损失函数能达到最小。

关键词： 类脑计算   动态视觉传感器   脉冲神经网络   事件相机  

摘要： 类脑计算是指通过设计软件模型或者硬件架构,来模拟生物神经系统的工作原理和组织结构,进而完成各类智能任务,是实现人工智能的重要研究领域。类脑计算旨在基于动态视觉传感器(Dynamic Vision Sensor,DVS)等神经形态器件来快速响应外界输入信息,通过构建脉冲神经网络(Spiking Neural Network,SNN)等类脑算法来实现高效的脉冲信息处理,以及借助类脑处理器和相关软件栈工具来支撑类脑算法的高效部署与运行。类脑计算是通过模仿生物结构与原理,从软硬协同的角度来模拟生物神经系统的功能。DVS是一类基于生物视网膜成像原理的神经形态传感器,是类脑计算的重要传感组件,具有高时间分辨率、高动态范围、低数据冗余、以及低功耗等特点,可有效地弥补传统相机的不足。SNN作为重要的类脑计算模型,已在如图像识别、时间序列预测、以及动作检测等领域得到了广泛应用。由于SNN模型的计算和存储开销较小,适用于边缘设备。近十年来,类脑处理器也逐渐步入了发展的快车道,在功耗和扩展性方面优势显著,可有效地在边缘和云端加速各类SNN应用,支撑面向类脑应用的实时处理系统。手势识别作为人机交互的重要内容,已广泛应用于各类边缘场景。为更好地利用DVS上述优良属性,扩充DVS在手势识别上的应用场景,实现低功耗手势实时识别系统,本课题做了如下研究:1)基于Celex IV事件相机的静态手势数据的采集与预处理。本课题录制了十万级分辨率的静态手势数据,支持多种事件数据预处理,可有效提高数据集质量。2)基于Celex IV事件相机的手势识别算法的研究与实现。本课题提出一种关键帧检测方法,使得系统实时帧率提升了近10%。在实现较高精度(95%)的同时,系统可保持在30fps以上。在对传统卷积神经网络(Convolutional Neural Network,CNN)进行优化后,系统分类精度可达到同类型任务的最高水平(99.75%)。通过子窗口采样和多水库重构,SNN模型的分类精度得到了平均3%的提升(94%),模型参数量相比CNN下降了90%以上。3)基于Python开源框架(Coroutine-based Cosimulation Testbench Environment,COCOTB)的类脑软硬件协同验证平台。针对类脑硬件,实现了便捷的激励数据生成,功能验证和性能评估等。基于FPGA验证平台,构建了面向2D Mesh片上网络的硬件测试,支持片上网络性能分析。面向类脑处理器Unicorn,结合所设计的SNN模型,进行了Unicorn模块功能测试,SNN模型映射测试和初步性能分析。

关键词： 脑机接口   脉冲神经网络   可重构设计   Izhikevich   地址事件表示方法  

摘要： 人类的神经系统是先进的大规模生物信息处理网络,通过收集、处理和评估有关身体内部状态和外部环境信息来控制其他体内系统和肌肉细胞。神经系统的病理过程经常影响沟通能力,沟通能力的受损会进一步导致感觉功能障碍、运动功能障碍或认知功能障碍。为了解决这类难题,研究人员建立了许多用于脑机接口的人工神经网络模型,用于提供检测和治疗的临床手段。但现有的工作中很少有对这类神经网络进行高效硬件设计的。本文考虑了此类用于脑机接口的神经网络对仿生高精度、可扩展性以及可配置等要求,设计了用于脑机接口研究的高精度可重构的仿生脉冲神经网络处理单元。本文从神经元级、突触级、网络级对脉冲神经网络硬件进行了三种层面的创新设计。在神经元级,针对基于传统乘法器实现的Izhikevich神经元硬件开销大的问题以及基于传统坐标旋转数字计算方法(COordinate Rotation DIgital Computer,CORDIC)实现Izhikevich神经元精度较低、计算速度低等问题,本文提出了基于快速收敛CORDIC的高精度Izhikevich神经元在硬件开销、精度以及能效方面取得更加优越的综合性能。在突触级,为了降低神经网络突触权重更新计算的能量消耗,提高片上神经网络的学习效率,本文不仅提出了基于快速收敛CORDIC的经典脉冲时间依赖可塑性(Spike-Timing Dependent Plasticity,STDP)算法的硬件实现,还进行 了简化 STDP 算法的硬件实现以减少硬件开销和能量消耗。在网络级,本文针对脉冲神经网络的稀疏性以及脉冲驱动特点进行了基于地址事件表示方法的设计,并可通过寄存器对用于脑机接口的仿生脉冲神经网络进行可重构的配置。本文对基于快速收敛CORDIC的高精度神经元设计在同一 Xilinx XC7Z020 FPGA平台下进行了验证,其神经元波形ERRT误差与NRMSD误差相比基于传统CORDIC的Izhikevich神经元分别降低了 77.2%与73.6%,计算延时缩短了 42.4%,面积、精度和能效的综合性能提升了 4.67倍。对本文所提用于脑机接口的高精度可重构脉冲神经网络处理单元设计在Xilinx XCVU9P-FLGA104 FPGA平台上进行实现评估,本设计的资源开销为58703个LUT、24188个FF和217.5 KB的BRAM,其最高工作频率为244 MHz,在200 MHz工作频率下功耗为2.559 W。此外,本文基于TSMC 65 nm工艺库对所提设计进行了面向ASIC设计的硬件实现,其硬件资源开销等效为53.2万个二输入与非逻辑门单元,面积为0.849 mm2,最高频率为206 MHz,在100 MHz工作频率下的功耗为152.23mW。最后,本文还使用癫痫患者发病过程的脑电图数据库,通过对脉冲神经网络处理单元的可重构配置,实现了一个仿生脉冲神经网络以复现癫痫发病过程的脑电图,验证了所提设计的应用可行性。

关键词： 小头症   类脑器官   力损伤模型   神经修复   Piezo1  

摘要： 小头症是一种神经发育障碍,其致病机理和神经损伤机制尚未完全明确,且缺乏有效的治疗措施。小头症最基本的临床表现是头颅周径生长滞后,颅骨形变诱导压应力可直接导致脑组织压缩及神经功能受损,探究压应力调控小头症神经损伤的变化规律对于深刻理解小头症的神经损伤机理和开发有效治疗方法具有重要意义。鉴于人脑发育研究在伦理、检测分析手段等方面的限制,类脑器官由于具有人源特征、3D微环境以及类似大脑的组织结构特征,是探究压应力调控小头症神经损伤变化规律的理想平台。基于此,本论文聚焦小头症中颅骨变形诱导的压应力与神经损伤变化的关系,利用生物力学、神经科学及细胞组织工程手段构建了hi PSC来源类脑器官的小头症可控加载模型,通过设置不同加载梯度探究了压应力与类脑器官生长、接触模量和硬度的关系,以及压应力的传导途径;选取最显著加载间距明确了类脑器官不同脑区的压应力响应规律,评价了小头症特征标志物表达与分布变化。借助转录组分析阐明了压应力调控小头症神经损伤的分子机制。进一步探究了加载再释放和生长因子2种不同方式对损伤类脑器官神经恢复的治疗效果,研究发现加载再释放主要是通过细胞黏附分子及突出引导途径调节压应力神经损伤类脑的细胞重塑和细胞周期,而生长因子可通过PI3K/AKT途径对压应力损伤类脑神经调节,保护神经细胞免受凋亡影响,预示压应力诱导的小头症神经损伤可通过加载再释放及生长因子干预进行有效的治疗。本文主要的研究内容和结论如下:(1)明确了压应力在小头症神经损伤中的作用及调控机制。(1)基于光刻技术及光固化技术制备具有物质交换功能的加载装置,通过设置不同加载梯度探究了压应力与类脑器官生长、接触模量和硬度的关系,随着压应力逐渐增加,类脑生长明显受限,在加载间距为200μm时,类脑面积降低35%,而对于类脑的接触模量及硬度均随压应力增加而增加,且在加载间距为200μm时呈现出显著性差异(p<0.05);(2)采用免疫荧光研究了压应力对类脑器官的传导途径,应力促进机械力通道蛋白Piezo1及细胞骨架actin表达,同时β-catenin表达受到抑制,反映出压应力通过机械力通道蛋白及细胞骨架传导及β-catenin蛋白调控类脑生长抑制;(3)选取最显著加载间距明确了类脑器官不同脑区的压应力响应规律,对类脑六个脑区进行了统计分析发现加载类脑总体表达下降31.65%,其中差异最大的是前脑区域,降低了18.81%;(4)评价了小头症特征标志物表达与分布变化,在加载类脑中发现前脑标识蛋白表达异常,前额叶皮质减小,神经祖细胞整体水平表达降低,纺锤体呈现更多的倾斜及垂直方向,同时增殖能力下降,以及新生神经元表达水平降低;(5)借助转录组分析阐明了压应力调控小头症神经损伤的分子机制,压应力促进力学通道蛋白Piezo1基因上调,及细胞骨架Actin表达上升,并通过Wnt通路进行信息传导,引发前额叶皮质受损及紧密连接蛋白下调,最终导致类脑尺寸减小。(2)再释放有助于压应力导致的小头症神经损伤类脑的神经恢复。基于构建的小头症压应力损伤类脑模型,通过选择加载4 d、15 d及20 d进行释放,借助于共聚焦3D成像、免疫荧光、转录组及RT-PCR技术考察了再释放对于小头症类脑的力学传导途径及释放过程中神经恢复机理。(1)再释放利于小头症压应力损伤类脑的生长发育。再释放显著促进类脑生长,类脑生长在细胞水平具体体现在细胞分裂、增殖能力及凋亡水平,再释放会显著提升小头症类脑的前脑区域的有丝分裂水平。再释放对加载类脑神经源性非增殖分裂最为有利,而对于细胞凋亡,再释放会显著降低细胞凋亡水平,同时再释放后小头症类脑的生长是基于细胞骨架、细胞粘附及压应力通道的机械调节,从而引起细胞增殖能力及凋亡水平的变化,最终导致小头症类脑尺寸的增加;(2)再释放利于小头症压应力损伤类脑基底祖细胞的发生及背侧端脑的自我更新。神经分化初期释放的类脑可见较大的空洞及心室表面连续完整,同时提前释放可显著促进背侧端脑标识蛋白PAX6及紧密连接蛋白表达,反映出提前释放提升了背侧端脑自我更新能力;(3)再释放利于小头症压应力损伤类脑神经祖细胞表达及分化。在加载至第4 d释放可观察到与正常类脑相似的神经祖细胞形态变化,在15 d释放可观察到含大量较成熟神经元的突起神经上皮组织,且在神经分化初期释放对于SVZ中间祖细胞表达最显著;(4)再释放促进小头症压应力损伤类脑新生神经元及成熟神经元的生成。在第4 d释放可达到与正常类脑相近的新生神经元数量,同时在15 d及20 d释放新生神经元数量分别提升13.68%和3.83%,而对于成熟神经元,在加载至第4 d,其表达显著下降,但分布与对照组相似,集中在边缘扩增区域;(5)再释放后小头症类脑通过突触引导及细胞黏附调控细胞循环促进细胞增殖。再释放后轴突导向因子SLIT1大量上调,从而激活

关键词： 无尾两栖类   镶嵌进化假说   协同进化假说   进化率   栖息地类型  

摘要： 无尾两栖类是分布最为广泛的两栖动物,拥有多种多样的生物学特征。因此,无尾两栖类常被用于研究进化生物学的基础科学问题,例如脑大小的进化。脑是有机体生命机能的主要调节器,在有机体及其环境之间的联系中扮演着重要角色,不同脑区域具有不同的功能,其形态大小与生态选择压力有关。脊椎动物的脑大小之间存在着显著的差异,其进化模式引起了进化生物学家的广泛关注。现阶段,学者们主要针对鱼类、鸟类与哺乳类等类群进行关于脊椎动物脑大小进化模式的研究,并提出了两个假说来解释脑大小的进化模式。“镶嵌进化假说”认为,由于脑是高耗能器官,当特定脑区域的大小受环境选择压力影响而增大时,其他脑区域并不会相应地增大,即各脑区域是独立进化的,总脑是由对特定环境进化而来的独立进化的脑区域的集合。“协同进化假说”认为,发育因素可能会限制脑区域独立进化的程度,即各脑区域是以一致的趋势进化的,总脑是对物种特定行为能力进行适应的单个协调处理结构。在解释脑大小和脑区域大小的变化时,“镶嵌进化假说”和“协同进化假说”的相对重要性仍有争议。目前,关于无尾两栖类脑大小的进化模式及生态适应性方面的研究较少,且只研究了雄性个体。因此,本研究以中国116种无尾两栖类物种为研究对象,通过解剖并测量总脑和各脑区域的形态大小,探究无尾两栖类脑大小的进化模式,同时揭示生态选择压力对脑大小进化的影响。主要结果和结论如下:1.基于116个物种的雄性个体(以下简称雄性物种)和64个物种的雌性个体(以下简称雌性物种)的脑大小数据,使用控制系统发育影响的压轴回归分析,对总脑大小和各脑区域大小之间的关系进行了研究。研究结果发现,雄性物种的总脑与嗅神经、嗅脑和小脑之间的异速生长系数显著不等于1,表明存在异速生长的现象,与端脑和中脑的异速生长系数趋近于1,为等速生长;雌性物种的总脑与嗅神经和嗅脑存在异速生长现象,但与端脑、中脑和小脑呈现出协同进化的趋势。2.使用控制系统发育影响的多元异速生长分析发现,雄性物种和雌性物种的脑区域大小分别能解释75.7%和88.3%脑大小的变化,表明脑大小进化呈现出保守的模式;各脑区域之间既存在超异速生长关系,也存在等速生长关系,同时支持了“镶嵌进化假说”和“协同进化假说”。3.使用贝叶斯宏观演化混合模型(BAMM)来估算总脑大小和各脑区域大小的进化率,发现与其它四个脑区相比,嗅神经呈现出高异速生长的情况,在雌雄物种中都是进化最快的脑区域,支持了“镶嵌进化假说”。4.使用马尔可夫链蒙特卡罗法广义线性混合模型(MCMCglmm)分析,发现栖息地类型倾向于影响雄性物种的嗅神经和小脑大小,显著影响了雌性物种的嗅神经、嗅脑和端脑大小,为“镶嵌进化假说”提供了证据。综上所述,研究结果表明中国116种无尾两栖类脑大小的进化模式是镶嵌式进化和协同式进化的结合,且根据栖息地类型发生了适应性进化。本研究为深入研究无尾两栖类脑大小的进化提供了新方法,为进一步了解脑大小的适应性机制提供了理论基础。

关键词： 脉冲神经网络   目标跟踪   梯度替代   孪生网络   对抗生成网络  

摘要： 脉冲神经网络(Spiking Neural Network,简称SNN)是受生物神经元信息处理方式的启发而设计出的,依靠脉冲传递信息、计算并处理数据的新一代神经网络,SNN呈现了更高的生物可解释性。除了神经元和突触状态之外,脉冲神经元将时间概念赋予到信息当中,使用稀疏的异步二元信号传递和计算,这样更加适合大规模的并行处理,这一特性决定了脉冲神经网络在硬件上的良好性能,例如功耗低、设备便携、计算效率更高等。然而,SNN难以训练,这在一定程度上限制了SNN的发展,主要是因为脉冲神经元的复杂动力学和脉冲不可微的特性导致的,此外,脉冲神经网络仅应用在一些简单的视觉任务上,例如图像分类。本论文将脉冲神经网络的优点引入到更具挑战性的计算机视觉任务中,即复杂环境下的混凝土桥梁表面损伤识别任务和短程目标跟踪任务,内容归纳如下:1.将自注意力机制引入对抗生成网络(Generative Adversarial Networks,简称GAN)中,并将自注意力对抗生成网络应用到数据增强中,利用其实时生成假数据调整在脉冲神经网络训练过程中模型的收敛。2.本文从端到端地训练脉冲神经网络出发,从脉冲神经元的建模,图像的脉冲编码方式,编码器的自反馈,脉冲神经元和激活函数的关系等方面,详细进行了仿真验证和对比分析。使用梯度替代的方式,参考VGG网络,搭建了深度卷积脉冲神经网络Spiking VGG用于混凝土桥梁表面结构损伤的识别,证明了利用梯度替代方法直接训练脉冲神经网络的可行性。并且在训练过程中引入了自注意力机制的对抗生成网络(Generative Adversarial Networks,简称GAN)用于调节训练过程中类别之间的均衡。实验结果表明:在采用卷积编码和卷积自反馈的情况下,Spiking VGG在损伤数据集上达到了98.44%的验证分类精度,非常接近卷积神经网络所能达到的最大验证分类精度98.67%。3.基于全卷积孪生网络Siam FC,设计了Spiking Siam FC网络用于单目标短程跟踪,在OTB100数据集上达到了0.7111的精确度分数和0.5182的成功率分数,相较于Siam FC性能下降仅为6.3%。Spiking Siam FC不仅可以实现高精度的目标跟踪,还具备推理速度快、计算效率高、功耗低等明显优点,这为模型移植到人工智能芯片或者神经形态硬件等边缘设备提供了可行性。本文的研究也为脉冲神经网络未来在更多计算机视觉领域的应用提供了参考,这让脉冲神经网络在具备了更强的实用性价值。

关键词： 忆阻器   脉冲神经网络   特征选择   易失性   非易失性  

摘要： 人工智能的发展取决于算法的创新、有效数据的积累和算力的增强,基于忆阻器的神经形态计算有望打破冯·诺依曼瓶颈从而增强计算机的算力。近年来,易失性忆阻器和非易失性忆阻器在神经形态计算中模拟神经元和突触常有报道,但鲜有报道将忆阻器的易失性与非易失性结合模拟突触的应用研究。忆阻器的非易失性和易失性能够很好地模拟大脑突触的记忆和遗忘特性,将忆阻器的这两种特性结合模拟突触并进行神经形态计算应用研究有望提高人工突触的生物合理性和能效,对人工智能的发展具有重要意义。本研究首先设计了一种基于易失性忆阻器和非易失性忆阻器的脉冲神经网络算法,该算法利用易失性忆阻器电导自发衰减的特性对网络进行训练,减少了对忆阻器的操作次数,之后利用非易失性忆阻器阵列进行权重转移完成网络的推断。通过Python搭建脉冲神经网络模型,对MNIST数据集进行仿真识别验证算法的可行性。随后,研究了该算法对各类影响因素的鲁棒性,包括易失性忆阻器的器件遗忘率、器件初始电导态,非易失性忆阻器的器件非线性、器件错误、器件电导态数量以及图像噪声。仿真结果表明器件错误对该算法的分类性能影响较大,但该算法对器件遗忘率、器件初始电导态、器件非线性、器件电导态数量和噪声都有很强的容忍性。最后,从人工智能的数据积累角度出发,基于忆阻器易失性到非易失性的转换设计了一种特征选择的硬件实现算法。利用前面设计的脉冲神经网络算法和新搭建的三层感知机反向传播算法对特征子集进行评估,并与经典的基于搜索策略的特征选择方法进行对比,结果表明所提算法在牺牲很小的网络识别率下,使训练所用特征数减少约一半,降低了网络训练的复杂度。本研究整体基于忆阻器易失性与非易失性结合而展开,为忆阻器的高效应用打开了新的思路,同时对神经形态计算及特征选择的硬件实现具有启发意义。

关键词： 神经形态计算   同质型全忆阻神经网络   忆阻器   阻变存储   阈值转变   突触   无极性神经元  

摘要： 基于新兴存储技术的神经形态计算为克服冯·诺依曼瓶颈提供了可行方案。利用忆阻器件的模拟式存储、动态开关等特性以模拟突触和神经元功能,可有效提高神经形态计算架构的能源与面积效率。本文主要针对全忆阻神经网络中神经形态器件间工艺、性能及参数失配等关键问题,通过材料掺杂改性、制备方法创新及量测方法优化等手段提高忆阻器件的可靠性与神经形态特性。同时针对脉冲神经网络算法匮乏及低效等难题,基于忆阻器件快速与双向开关等特性,设计硬件友好型训练方案,系统地进行同质型全忆阻脉冲神经网络的研究。主要的研究成果如下: 在器件层面,利用HfWOx的非易失性阻变存储与VOx的易失性阈值转变特性,设计制备了同时具有存储与开关能力的多模V/VOx/HfWOx/Pt忆阻器件。具体地,通过Hf掺杂,改善WOx基阻变层的存储性能;同时优化V电极沉积过程中界面处的氧化程度,制备厚度低于5 nm的VOx薄膜。该器件无需经历电致初始化与高温退火过程,即具可重构的阻变-阈值转变切换能力。阻变模式下,器件开关比大于10～3,常温下阻态保持能力大于10～4秒,脉冲耐受能力大于1010次;阈值转变模式下,器件开关速度低于30ns,脉冲耐受能力大于1012次,具有优异的阈值电压稳定性。 在功能层面,首次利用相同的V/VOx/HfWOx/Pt忆阻器件实现突触、无极性神经元功能以及神经信号交联的模拟。具体地,HfWOx阻变层中氧空位的迁移用以模拟突触可塑性,包括记忆长时程增强/抑制、脉冲时序依赖可塑性。其次,利用VOx阈值转变层中的金属相-绝缘相转变机制搭建神经元电路,在正、负电压激励下实现对称的积分、点火行为的模拟。进一步地,设计基于V/VOx/HfWOx/Pt器件的突触-神经元整合方案,通过电路优化使得神经元与突触器件间操作参数匹配,进而演示了不同突触权重对神经元激发时间和响应频率的影响。 在神经形态应用层面,基于V/VOx/HfWOx/Pt器件的同质型全忆阻脉冲神经网络在MNIST与CIFAR10数据集上显示出优秀的分类能力。具体地,面向MNIST手写数字识别任务,构建基于时间编码的单层脉冲神经网络。神经元的快速激发与时间编码的引入使得网络延时（～0.5μs）与突触单次操作功耗（～10 f J）大幅降低。进一步地,面向CIFAR10分类任务,构建无极性频率编码的多层卷积脉冲神经网络。首次利用无极性神经元提取相位相反的输入信息,在不损失学习率的前提下,其突触与神经元的硬件消耗相比单极性网络分别降低75%与50%,为深度忆阻脉冲神经网络的训练提供了有效方案。

关键词： 机器嗅觉   气体识别   机器学习   脉冲神经网络   聚类   BP神经网络  

摘要： 近年来,随着人们对机器嗅觉研究不断深入,机器嗅觉已经在食品检测、环境监测、医疗诊断、边防检查等领域得到应用。机器嗅觉本质是一种仿生检测技术,一般由气体传感器阵列和模式识别算法组成,最终目标是识别各种气体以及测定气体的浓度。目前出现了很多使用机器学习进行气体识别的研究,但是这些工作大多是在稳定的情况下进行,往往忽略了干扰对气体识别的影响,同时在对气体识别的结果进行分析时,对比的算法比较少。本文主要目标是对混合气体进行分类和浓度预测,通过制作五个传感器并将其组成传感器阵列来测得实验数据。在气体分类问题上,本文实现了一个基于LIF神经元的脉冲神经网络(SNN)气体分类模型,使用小批量数据以及不同干扰下的数据进行训练,并与机器学习中多种常用的有监督分类算法进行对比。此模型在气体识别中表现出了良好的鲁棒性,同时在对高干扰的气体识别时表现出了一定的泛化能力。除了实现有监督的混合气体分类,本文为了解决在未知背景下通过电子鼻识别气体这一难题,使用聚类分析方法研究对未知气体的分类。根据聚类分析中的相关系数度量方法,计算输入信号与参考信号之间的相关系数,然后将最大的相关系数与对应的参考信号进行分组归类。实验证明,此分类方法结构简单并具有高鲁棒性,在混合干扰下的气体识别性能优于其他常用聚类算法。为了研究实际应用效果,本文使用单片机对此方法进行了硬件实现。最后为了实现对混合气体的浓度预测,本文基于BP神经网络实现了一个气体浓度回归模型。由于实验中混合气体的浓度跨度较大(0-150ppm),为了提高模型预测精度,本文先使用Boosting算法将混合气体分为四个浓度等级,再对每个浓度等级下的混合气体利用BP神经网络做定量预测。实验结果表明,此模型对混合气体中各组分预测浓度的相对误差接近0.05(>20ppm),预测性能优于单个BP神经网络模型,是一种具有高鲁棒性的气体浓度预测模型。