[发明专利]一种实现原-异位训练的GRU神经网络电路

权利要求书

1.一种实现原-异位训练的GRU神经网络电路，其特征在于，所述电路包括3个M+N+1行M列个忆阻器构成的阵列，以及多个模拟乘法器和加法器，其中：

每个忆阻器阵列的下方均连接有由电阻R_F和运放构成的反向比例电路，每个阵列都形成下方的运算结构，M是GRU神经网络电路的单元数；N是输入电压的数量；

对于左边的忆阻器阵列，每列输出电压经过反向比例电路后输出电压Γ_r与前一时刻的输出电压经过模拟乘法器后得到结果，该结果再输入至右边忆阻器阵列的横向输入端；

右边忆阻器阵列的每列输出电压经过反向比例电路后输出的电压C′^t与中间忆阻器阵列的每列输出电压经过反向比例电路后输出的电压Γ^u经过模拟乘法器运算，结果输出到加法器；

前一时刻电压与中间忆阻器阵列每列输出电压-Γ_u经过模拟乘法器运算后，结果输出至加法器；

同时前一时刻电压也输出至加法器；

最终加法器输出的电压用于下一时刻的输入。

2.根据权利要求1所述实现原-异位训练的GRU神经网络电路，其特征在于，所述忆阻器阵列采用交叉杆结构，电路横向输入电压共有M+N+1个，分别是：N个当前时刻输入电压V_x，M个前一时刻输入电压V_c，还有一个偏置电压V_b；

每个横向输入电压经过纵列的电阻R_s与运放和电阻R_F形成反向比例电路，输出的电压经过底端的电阻R_F转换成电流，与对应列的纵向忆阻器输入电流进行求和；

纵列的电阻R_s能够达到减小忆阻器权重的作用，无需两个正负权重矩阵进行求和；

通过每一列底端的运放和电阻R_a形成近似激活函数，求和的电流会得到最终的输出电压V_o，以便进行下一步的运算。

3.根据权利要求1所述实现原-异位训练的GRU神经网络电路，其特征在于，所述电路还外接有电导调整电路，该电导调整电路包括：

每个纵向电压V_U与运放U₁和电阻R_F1形成的反向比例电路，在经过绝对值电路ABS，输入两个比较器电路中，分别和比较电压V₁、V₂进行比较；

运放U₂输出电压为V_O1；

运放U₃的输出与运放U₂的输出经过与门后输出电压V_O2；

所述电导调整电路根据忆阻器阵列的交叉杆结构形成的横向导通通路，逐行逐个的调整每个忆阻器的电导，具体来说：

当电导调整电路接在第一行的忆阻器阵列时，先对纵向电压V_U1施加正阈值电压由于运放U1正负输入端虚短的关系，第一行第一个忆阻器M_1，1电导上升；

当施加的纵向电压V_U1为负阈值电压时，忆阻器M_1，1电导下降，此行其它忆阻器并没有形成通路，同理其他行的忆阻器电导也不会发生变化；

如此循环，实现权重矩阵到忆阻器阵列的映射。

4.根据权利要求1所述实现原-异位训练的GRU神经网络电路，其特征在于，在所述GRU神经网络电路的后端还连接有全连接层阵列电路，其中：

所述全连接层阵列电路的横向输入电压a^t为所述GRU神经网络电路的M个输出电压输入电压V_b为偏置电压；

通过在所述GRU神经网络电路的忆阻器阵列的后端增加两个电阻R_b和运放构成的电压反向器，最终的输出电压YX为所述GRU神经网络电路的目标值；

其中，X为纵向电压数，根据实际应用需求进行设定。