在双神经元分数顺序记忆的HNN中,突发发射和极端多稳定性具有硬件实现

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.
• 非线性动力学是一种非线性动力学.

背景情况:

• 记忆器对神经形态电路至关重要,模仿生物突触.
• 分数顺序系统通过捕捉时间状态来模拟复杂的生物系统.

研究的目的:

• 通过使用双神经元模型 (FOMHNN-DN) 调查分数级记忆神经网络的动态.
• 探索memristor参数和分数顺序对网络行为的影响.

主要方法:

• 提出了一个双神经元分数顺序记忆的霍普菲尔德神经网络 (FOMHNN-DN).
• 分析了memristor参数,分数顺序和初始条件对系统动态的影响.
• 研究了混乱的滚动增长吸引器和爆发模式.
• 使用阿多米安分解方法分离模型,并在FPGA上实现它.

主要成果:

• 网络动态受到memristor参数和分数顺序的显著影响.
• 最初的条件调节吸引器的位置,显示极端的多稳定性.
• 观察到罕见的混乱滚动增长吸引器和爆发模式,通过初始偏移增强效应调节.
• 通过FPGA实现实现了对离散FOMHNN-DN的硬件验证.

结论:

• FOMHNN-DN表现出复杂的非线性动态行为,包括极端的多稳定性和混乱的吸引力.
• 最初的条件在调节网络的动态变化方面起着至关重要的作用.
• 这项研究为具有先进动态能力和潜在应用的仿生网络提供了基础.