基于Elman神经网络的双通道双反馈忆阻自学习电路及其在图像识别中的应用

针对传统Elman神经网络缺乏硬件实现的问题，湖南师范大学团队创新性地提出融合Hebbian学习规则的双通道双反馈忆阻自学习电路。该设计通过局部/全局反馈环路加速学习，并抑制过学习现象，在5×3像素数字和灰度图像识别中展现出高速高精度特性，为存算一体架构的神经网络硬件化提供新范式。

　　

在人工智能浪潮中，传统冯·诺依曼架构的"内存墙"问题严重制约神经网络发展。忆阻器(Memristor)因其非易失性、可编程电阻等特性，被视为突破存算分离瓶颈的关键元件。尽管Elman神经网络凭借局部记忆功能在工程领域广泛应用，但其硬件实现始终是空白。湖南师范大学信息科学与工程学院团队在《Neural Networks》发表的研究，首次将Elman神经网络与忆阻器特性结合，开创性地设计出具有生物启发特性的自学习电路系统。

研究采用双通道架构处理正负电压信号，通过VTEAM模型模拟突触权重更新，结合局部反馈环路（接收层→隐藏层）和全局反馈环路（输出层→输入层）加速学习。关键创新在于将Hebbian学习规则嵌入全局反馈环路，利用SPICE仿真验证电路性能，并构建多神经网络系统进行5×3像素图像识别测试。

【The proposed single neural network model】
提出双通道双反馈的单神经网络模型，接收层通过局部反馈保持历史输出记忆，输出层经全局反馈调节输入权重。忆阻器采用VTEAM模型，其阈值电压V_t设为0.16V，动态范围R_on/R_off为100Ω/10kΩ。

【The upgraded single neural network self-learning memristive circuit】
升级电路在输出层引入Hebbian学习规则，当误差ΔV超出允许范围时，无论ΔV>0或ΔV<0均触发学习信号V_L。SPICE仿真显示该设计使学习误差收敛速度提升37.5%，有效抑制过学习现象。

【The multiple neural network circuit and its application】
扩展的多神经网络系统在数字识别中准确率达98.2%，灰度图像识别仅需12个学习周期，较软件算法快15倍。电路通过调整忆阻值G实现权重更新，识别过程无需外部编程干预。

【The impacts of temperature and memristor variation】
在-25℃~85℃温度波动下，电路保持92%以上的识别稳定性。当忆阻器参数漂移±20%时，通过自适应调节仍能维持85%的基础性能。

该研究首次实现Elman神经网络的硬件化，其双反馈机制和Hebbian学习规则的创新融合，为边缘计算设备中的实时模式识别提供新方案。多神经网络架构的成功验证，标志着忆阻电路在图像处理等工程应用的重大突破，为下一代神经形态芯片设计奠定基础。Wan Qiuzhen团队特别指出，该电路的温漂耐受性使其在工业环境部署具备显著优势，后续将探索其在动态视觉识别领域的应用。