[发明专利]具有超级多稳定性的连续型Rulkov电子神经元电路

说明书

本发明涉及电子神经元技术领域，尤其涉及具有超级多稳定性的连续型Rulkov电子神经元电路，包括：忆阻等效电路和Rulkov神经元主电路，忆阻等效电路输出端和Rulkov神经元主电路输入端电性连接，忆阻等效电路包括依次电性连接的运算放大器U₁、乘法器M₁、M₂、电阻R₁、R₂、R₃和电容C₁，Rulkov神经元主电路包括电性连接的积分通道一和积分通道二。本发明采用前向差分算法将离散时间Rulkov神经元模型变换为连续时间Rulkov神经元模型，并引入正弦激励和忆阻电磁感应作用，为神经形态计算提供更多的灵活性，设计连续时间Rulkov神经元模型的模拟电路，为离散型神经元模型连续化的研究及其硬件实现提供参考价值。

技术领域

本发明涉及电子神经元技术领域，尤其涉及具有超级多稳定性的连续型Rulkov电子神经元电路。

背景技术

随着科技的发展，人们对神经元的研究更加具体和深入，结合实验数据和现实研究工作的需要，研究人员在原有模型基础上不断进行改进和调整，例如为了解决基于ODEs的神经元模型在定性和定量的研究中所面临的高维数、多参数等复杂问题，一些物理学家提出了相对简化的单个神经元模型，例如Rulkov映射、Izhikevich模型等，基于映射的Rulkov神经元模型和利用欧拉方法离散后的Izhikevich神经元模型作为基于ODEs神经元模型的重要形式，不仅能够产生类似Hodgkin-Huxley模型的快速峰放电、正规峰放电和内部簇放电等放电模态，而且基于映射的神经元网络还能够模拟大量真实神经元集群的生物行为模式，Rulkov神经网络模型就是在这样的背景下被提出。

混沌的Rulkov神经元模型是Rulkov于2001年提出的一个基于映射的神经元模型，该模型利用一个二维迭代映射描述单个生物神经元的放电模态；由于基于映射的神经元模型在计算时间、计算算法的透明性、计算资源和数据存储等方面具有明显的优越性，混沌的Rulkov神经元模型被广泛地用于不同领域，特别是计算神经科学领域。

发明内容

本发明所要解决的技术问题是：采用前向差分算法变换为连续时间Rulkov神经元模型，并引入正弦激励和忆阻电磁感应作用，为神经形态计算提供更多的灵活性，设计连续时间Rulkov神经元模型的模拟电路，为离散型神经元模型连续化的研究及其硬件实现提供参考价值。

本发明所采用的技术方案：具有超级多稳定性的连续型Rulkov电子神经元电路，包括忆阻等效电路和Rulkov神经元主电路，忆阻等效电路输出端和Rulkov神经元主电路输入端电性连接；

进一步的，忆阻等效电路包括运算放大器U₁、乘法器M₁、M₂、电阻R₁、R₂、R₃和电容C₁；电阻R₁一端与运算放大器U₁的反向输入端和电容C₁的一端连接，电容C₁另一端与运算放大器U₁的输出端、乘法器M₁的X和Y输入端连接，乘法器M₁的输出端与乘法器M₂的Y输入端连接；乘法器M₂的X输入端与电阻R₁另一端、电阻R₂的一端连接；乘法器M₂的输出端与电阻R₃的一端连接，电阻R₃的另一端与电阻R₂的另一端连接，电阻R₃的另一端并作为忆阻等效电路的输出端；