使用本地活动memristor和图像加密应用程序构建多滚动记忆神经网络

科学领域:

• 神经科学是一个神经科学.
• 复杂的系统复杂的系统.
• 电子工程 电子工程

背景情况:

• 记忆器表现出类似突触的特性,这对于模仿神经元功能,如激发和抑制至关重要.
• 现有的神经网络模型往往缺乏高级应用程序所需的简单性和适应性.

研究的目的:

• 将Sigmoid函数引入到memristor中,用于构建一个新的memristiveHopfield神经网络 (HNN).
• 分析多滚动吸引器生成背后的机制,并探索新网络中共存的吸引器.
• 通过硬件实现和图像加密来证明拟议网络的实际可用性.

主要方法:

• 构建一个新的memristive霍普菲尔德神经网络 (HNN) 结合Sigmoid功能.
• 均衡点分析以阐明多滚动吸引器的生成机制.
• 参数变化观察同质和异质共存的吸引物.
• 硬件实现和示波器测量以验证网络的行为.

主要成果:

• 成功构建了一个具有简单,单向连接拓的新型记忆式霍普菲尔德神经网络 (HNN).
• 分析揭示了产生多滚动吸引子的机制,观察到同质和异质的共存吸引子.
• 硬件实现证实了多滚动吸引器的生成,证明了实际可行性.
• 该网络有效地应用于图像加密算法,展示了出色的性能.

结论:

• 拟议的基于Sigmoid的memristive Hopfield神经网络 (HNN) 提供了一个简单而强大的平台,用于生成复杂的动态.
• 该网络能够产生多滚动吸引器的能力及其硬件可实现性为先进的神经形态计算应用铺平了道路.
• 在图像加密中的成功应用凸显了这种具有记忆力的HNN在安全通信系统中的潜力.