夏浩杰，肖 剑，盛 亮

（江苏大学电气信息工程学院，江苏镇江 212013）

0 引言

1990 年，Eckhorn 等［1］发现了猫视觉皮层的神经元同步振荡性；之后Johnson 等［2］基于此提出了脉冲耦合神经网络（Pulse Coupled Neural Network，PCNN），并将其应用于图像处理。PCNN 作为一种接近生物学的第三代人工神经网络，具有同步脉冲、动态阈值和脉冲耦合高等优良特点。Zhan 等［3］对PCNN 进行了全面综述，深入分析了PCNN 的计算原理。如今，PCNN 在图像分割［4］、图像去噪［5］、图像融合［6］、图像边缘检测［7］等领域均有着广泛应用。虽然PCNN是由参数控制的网络模型，但是它的固有参数估计问题被认为是影响图像处理性能的重要原因。如果设置的人工参数不合适，PCNN 的处理效果就会变得很差。基于此，Li等［8］提出了一种自适应参数的确定策略，并成功实现了图像分割任务。文献［9］中，连接参数的改变取决于输入刺激的清晰度。但是，这些自适应参数设置方法都是由计算机仿真得到的，会产生执行时间长和效率低下等问题。因此，在PCNN 硬件层次上实现自适应动态参数是非常值得研究的方向。

1971 年，Chua［10］首次提出了第4 种电路元件，也即忆阻器，它首次标明了电荷和磁通之间的关系。2008 年，HP实验室宣布首次实现了物理层面的忆阻器，为后续研究奠定了坚实的基础［11］。随着科技的发展，基于各种材料的忆阻器被研制出来。如今，忆阻器已广泛应用于神经网络、图像处理、电阻存储等各种计算机科学领域［12-13］。忆阻器具有的非易失性、记忆性和纳米级结构等优良特性，将对神经网络硬件化发展产生巨大的推动作用。……