文献

J-GLOBAL ID：201802272481996919   整理番号：18A2013992

フラックス電荷領域におけるメムリスタ標準セルラニューラルネットワーク計算

Memristor standard cellular neural networks computing in the flux-charge domain

著者 (3件)： Di Marco Mauro (Department of Information Engineering and Mathematics, University of Siena, 53100 Siena, Italy) ,  Forti Mauro (Department of Information Engineering and Mathematics, University of Siena, 53100 Siena, Italy) ,  Pancioni Luca (Department of Information Engineering and Mathematics, University of Siena, 53100 Siena, Italy)
資料名： Neural Networks  (Neural Networks)
巻： 93  ページ： 152-164  発行年： 2017年09月 
JST資料番号： T0698A  ISSN： 0893-6080  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本論文では,以下の顕著な特徴により特徴付けられるメムリスタニューラルネットワーク(NN)のクラスを紹介した。(a)信号の処理は磁束電荷領域で起こり,メムリスタ電荷の時間発展に基づいている。処理結果は,定常状態における不揮発性メモリとして作用するメムリスタに貯蔵される電荷の一定漸近値によって与えられる。(b)磁束電荷領域におけるメムリスタNNを記述する動的方程式は,従来の電圧-電流領域,標準(S)セル(C)NNの動力学において記述されるものと類似しており,HPによって提案されたように,メムリスタの現実的モデルを使用することによって実行される。この類推により,実時間での処理タスクを解くためのメムリスタNNを設計するために,SCNN文献における結果のバルクを使用することが可能になった。多重漸近安定平衡点の存在下でのメムリスタNNの収束を検討し,画像処理タスクへのいくつかの応用を示し,実時間処理能力を説明した。磁束電荷領域における計算は,電圧-電流領域における計算に関して顕著な利点を有することを示した。一つの利点は,定常状態が達成されると,電流,電圧,したがってメムリスタNNにおける電力が消失するが,メムリスタはメモリをメモリに保つことである。これは,電流,電圧および電力が定常状態で消滅しないSCNNとは基本的に異なり,処理結果をメモリに保つためには電池が必要である。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： *ニューラルネットワーク ,  フラックス【流束】 ,  *回路部品 ,  *不揮発性メモリ ,  実時間処理 ,  収束 ,  *画像処理システム ,  電池 ,  評価試験
準シソーラス用語： *メモリスタ

著者キーワード (4件)： メムリスタニューラルネットワーク ,  標準セルラニューラルネットワーク ,  収束 ,  安定性

分類 (4件)： ニューロコンピュータ  (JC06010Q) ,  固体デバイス製造技術一般  (NC03030V) ,  半導体集積回路  (NC03162T) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： フラックス ,  電荷 ,  メムリスタ ,  標準 ,  セルラニューラルネットワーク ,  計算