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]。

在中间层，我们得到了良好的输出信号。

在输出层中，我们得到了小变形信号。

然而，这将不会出现一个显着的问题，在神经网络的输出。

图6。

模拟神经网络的学习阶段4动态学习模型我们提出了使用纯模拟电路的动态学习模型。

我们用模拟神经网络，在前一章中说明。

在学习阶段，我们模拟反馈电路。

图7。

模拟神经网络的工作阶段我们使用一个单独的神经网络的每个教学信号。

实时学习可能的。

在工作阶段，我们使用了采样保持电路。

它可以保持连接权重。

在工作阶段，这个神经网络正在工作。

该电路可以使期刊工作，学习模式和工作模式。

在图6中，我们展示了学习阶段。

“多”是指多个电路，“加”的意思附加电路和“子”是指减法电路。

在图7中，我们展示了工作模拟神经网络。

从上部到下部的空箭头线在图7中，表示固定值的采样保持电路。

它可以保持连接的重量。

有两个输入线，表示在图6和图7。

然而，X1和X2是每个学习模式。

这些都是简化的数字，显示了一个输入信号和2种学习模式。

5结论我们构建了一三层神经网络，2个输入层，2个中间层和一个输出层。

我们证实了三层模拟神经网络的运作用乘法电路的香料模拟。

通过控制输入电压可以改变连接权。

该模型具有非常高的灵活性特点。

当模拟神经网络操作时，突触的重量尤其重要。

它是如何给突触这个神经网络的重量。

要解决这个问题，就必须应用反向传播规律是一种通用的学习规则的方法电子电路。

如果学习是可能的，在神经回路，学习速度将快速。

实现动态学习。

方法是计算输出电压与输出电压的差值差分电路的教学信号。

和反馈的差异值变连接权。

它将提高人工智能元素自主学习。

一个集成设备的实现将使减少的元素数目。

该模型的鲁棒性与故障公差。

未来的任务是系统建设和安装一个大型整合。

参考文献：1。

米德，C：模拟集成电路和神经系统。

阿迪生韦斯利出版公司，公司，阅读（1989）2。

冲，CP，Salama，C.A.T.，史密斯，K.C.：使用VLSI图像运动检测。

IEEE 固态电路杂志27（1），96（1992）93–3。

路，Z市，成为：子像素分辨率的双目视觉跟踪的模拟集成电路视觉传感器。

IEEE电路与系统汇刊II：模拟和数字信号处理47（12），1468-1475（2000）4。

Saito T.，稻，H：一个简单的A/D转换器捕获窗口分析。

在：IEEE国际年。

电路系统，1293页–1305（2003）5。

luthon，F，dragomirescu，D：蜂窝模拟网络基于MRF的视频运动检测。

IEEE 电路与系统-我：基本理论应用程序46（2），281-293（1999）6。

山田，H.，著，T.，大谷，M.，yonezu，H：模拟MOS电路的启发生产移动边缘信号的视网膜内层，IEICE技术报告，nc99-112，pp.149–155（2000）7。

奥田，T，S，好了，石田，M.：实现反向传播学习脉冲基于δ-差调制的神经网络及其硬件实现icice交易j88-d-ii-4–788，778（2005）8。

川口，M.，吉姆，T.梅野，M.：运动检测人造视网膜模型二维多层次模拟电子电路。

e86-a IEICE交易—2，387-395（2003）9。

川口，M.，吉姆，T.梅野，M.：先进的图像模拟集成电路版图设计人工视觉模型的处理。

在IEEE工业国际研讨会电子、议2005出发，3卷，1239页–1244（2005）10。

川口，M.，吉姆，T.，石井，N.：模拟集成电路版图设计和电路板人工视觉模型中的先进图像处理技术。

在洛夫历克，I.豪利特，R.J.，耆那教，LC（主编）KES 2008，第II部分。

LNCS（lnai），卷5178，页895–902。

施普林格出版社，海德堡（2008）11。

川口，M.，吉姆，T.梅野，M.：通过模拟神经网络的动态学习电子电路。

在智能系统研讨会，风扇2010，卷s3-4-3（2010）。