具有记忆力的竞争性Hopfield神经网络用于图像分割应用程序.

科学领域:

• 神经科学是一个神经科学.
• 计算机工程 计算机工程
• 材料科学 材料科学 材料科学

背景情况:

• 神经网络在图像细分方面表现出色,但使用模拟计算和并行处理的硬件实现尚未得到充分探索.
• 对于实时应用程序来说,对图像细分的高效硬件至关重要.

研究的目的:

• 提出一种基于memristor的新型竞争性Hopfield神经网络电路用于图像细分.
• 为了利用记忆交叉阵列来进行突触重量存储和矩阵运算.
• 通过硬件实现,提高图像分割的处理速度和准确性.

主要方法:

• 设计了一个基于memristor的竞争性Hopfield神经网络电路.
• 记忆交叉阵列用于突触权重和矩阵运算.
• 为神经元竞争和能量功能的简化,实施了一种"赢者获取全部"机制.
• 操作放大器和ABM模块被集成用于计算和输入处理.

主要成果:

• 拟议的电路成功执行了通过PSPICE模拟验证的图像分割.
• 与现有方法相比,在处理速度和细分精度方面取得了显著的改进.
• 对抗噪声和memristor属性的变化表现出良好的强度.

结论:

• 基于memristor的竞争性Hopfield神经网络电路为图像细分提供了一个高效的硬件解决方案.
• 这种方法为图像处理中的高性能模拟计算提供了一个有希望的方向.
• 电路的强度使其适合于实际,现实世界的应用.