《模拟神经网络VLSI 脉冲流实现方法》求取 ⇩

第一章为什么要采用模拟VLSI技术构造神经网络1

1.1 简介1

1.2 Hopfield记忆网络——第一代神经网络VLSI1

1.3使用神经网络进行模式识别4

1.3.1 单层感知器网络4

1.3.2 多层感知器7

1.3.3 结论8

1.4 为什么要在硅片上构造神经网络10

1.5计算要求10

1.5.1 采用数字技术还是模拟技术？11

第二章神经网络VLSI技术发展评述12

2.1 简介12

2.2 MOSFET方程——基础入门12

2.3 数字式加速器15

2.4 再谈运算放大器和电阻17

2.5 神经网络的子阈值电路17

2.6 模拟／数字混合19

2.7 MOS跨导乘法器20

2.8 MOSFET模拟乘法器20

2.9 不精确乘法器21

2.10 可编程模拟神经网络芯片——Intel电子学习人工神经网络（ETANN）芯片22

2.11 结论22

第三章模拟突触权值的存储24

3.1 简介24

3.2 动态权值存储24

3.4 浮栅技术26

3.5不定形硅（α-硅）突触28

3.5.1 高温形成29

3.5.2 α-硅设备形成时的金属镀层29

3.5.3 对制造工艺的研究30

3.5.4 编程技术30

第四章脉冲流技术31

4.1 简介31

4.2信息的脉冲编码31

4.2.1 脉幅调制（PAM）33

4.2.2 脉宽调制（PWM）33

4.2.3 脉频调制（PFM）33

4.2.4 相位或延迟调制34

4.2.5 噪声、鲁棒性、精度和速度34

4.3脉冲流运算——加法和乘法操作35

4.3.1 脉冲流信号加法35

4.3.2 脉冲流信号的乘法操作38

4.3.3 与加法电路的衔接38

4.4脉冲流通讯39

4.4.1 利用脉冲时间信息的异步互连通讯40

4.5 结论42

第五章脉冲流实例研究43

5.1实例研究概括介绍43

5.1.1 Edinburgh SADMANN/EPSILON工作介绍43

5.2 EPSILON芯片（Edinburgh Pulse-Stream Implementation of a Learning-OrientedNetwork）44

5.3过程不变求和与乘法运算——突触44

5.3.1 跨导乘法器44

5.3.2 基于分布式反馈的突触46

5.3.3 反馈运算放大器48

5.3.4 电压积分器48

5.3.5 完备系统49

5.4脉冲频率调制神经元50

5.4.1 增益可调脉冲流神经元52

5.5 脉冲宽度调制神经元53

5.6开关电容设计54

5.6.1 权值的线性化55

5.6.2 权存储时间55

5.6.3 计算的准确性56

5.7每脉冲计算56

5.7.1 设计综述56

5.7.2 输入级57

5.7.3 突触57

5.7.4 求和神经元58

5.7.5 S型函数59

5.7.6 脉冲再生59

5.7.7 SPICE仿真模拟59

5.7.8 来自测试芯片的结果61

5.7.9 突触线性化62

5.7.10 输入取样和保持62

5.7.11 S型转换函数63

5.7.12 输出脉冲流的生成64

5.7.13 权精度65

5.7.14 权更新65

5.7.15 每脉冲计算总结65

5.8EPSILON——选用的神经元／突触细胞及一些结论66

5.8.1 EPSILON设计67

5.8.2 突触67

5.8.3 神经元67

5.8.4 EPSILON说明69

5.8.5 立用——元音分类70

5.9 结论71

第六章应用举例72

6.1 介绍72

6.2 实时语音识别72

6.3 神经VLSI的应用73

6.4神经VLSI的应用——专用系统73

6.4.1 线路规划75

6.4.2 定位75

6.4.3 障碍探测／绕避77

6.4.4 结论77

6.5 神经VLSI的应用——硬件协处理器77

6.6 神经VLSI的应用——嵌入式神经系统78

6.7 结论78

第七章未来之路79

7.1 介绍79

7.2 多层感知器的硬件学习80

7.3自顶向下途径：虚拟目标80

7.3.1 虚拟目标方法——I:J:K MLP网络81

7.3.2 实验结果82

7.3.3 实现86

7.4 自底向上途径：权扰动87

7.5 测试问题88

7.6 用于硬件学习的权值扰动方法89

7.7 再谈反传算法92

7.8 结论93

7.9有噪声突触的运算分析94

7.9.1 数学预测94

7.9.2 模拟95

7.9.3 预测／检验96

7.9.4 通用能力97

7.9.5 学习途径99

7.10 训练中的噪声——一些结论100

7.11 单片学习——结论100

参考文献101