《Neural Networks》:A discrete memristive cyclic Hopfield neural network with multi-cavity-like attractors and application in secure communication
编辑推荐:
离散余弦忆阻循环Hopfield神经网络(DMCHNN)通过耦合强度k和权重w31调节实现混沌范围控制,生成多腔体吸引子,FPGA实现验证其抗噪通信系统性能优于传统混沌映射。
杨刚|王春华|邓全利
湖南大学计算机科学与电子工程学院,长沙,410082,中国
摘要
具有突触特性的离散忆阻器在阐明大脑生物神经网络的复杂神经动态机制中发挥着重要作用。本文提出了一种离散忆阻循环霍普菲尔德神经网络(DMCHNN),该网络结合了一种新颖的离散余弦忆阻器模型,用于模拟神经元之间的互连。数值分析表明,通过调节耦合强度 k 和权重 w31,该系统可以控制混沌范围,在 k 的调控下生成不同数量的多腔室类超混沌吸引子。通过改变忆阻器的初始值,系统表现出均匀和非均匀的初始偏移增强行为,并伴随众多均匀和非均匀吸引子的共存。熵性能评估进一步证实了该系统具有出色的随机性。此外,基于 DMCHNN 构建的 HE-DCSK 通信系统的实验结果表明其抗噪声性能优于其他混沌映射。
引言
在生物神经网络的研究中,揭示神经动态行为对于深入理解大脑的内部信息处理机制至关重要(Vignesh 等人,2025)。作为人工神经网络模型的代表类别,霍普菲尔德神经网络(HNN)凭借其独特的拓扑结构、非线性激活函数和丰富的动态特性,在模拟大脑功能(如联想记忆和动态模式形成)方面具有重要的理论价值(Hopfield,1984;杨刚、王春华、王强、郭强,2017;余刚、孔磊、姚明、张立、蔡明、林浩、金涛,2024)。该网络不仅成为研究非线性动力学和神经网络的基本模型,还因其能够有效展示混沌行为(Li 等人,2025)和同步现象(Min 等人,2025)而受到广泛关注。近年来,为了适应不同的应用场景和理论需求,研究人员提出了 HNN 的各种改进变体,例如离散异构 HNN(杨刚等人,2025b)、分数阶异构 HNN(罗涛等人,2025b)以及带有时间延迟的分数阶 HNN(聂某等人,2021),进一步扩展了其在神经动力学分析和系统建模中的研究深度。
忆阻器作为一种具有记忆性、非线性和突触特性的电子元件,被广泛应用于仿生电路(邓全利、王春华、孙某、孔某、林浩、邓全利,2025a;史某、王春华、曹某、 Mou 某,2025)、神经形态计算(段某等人,2024)、混沌系统(邓全利、王春华、孙某、杨刚,2025b;王某、张某、王某、彭某、华某,2025c;杨刚、王春华、孙某、邓全利,2025a)等领域(刘某、杨刚、杨某、袁某、林浩,2026;彭某、李某、李某、马某、王某、何某,2025b;秦某、赖某,2026)。离散忆阻器是从连续忆阻器离散化得到的模型,完全保留了忆阻器的本质特性。与连续模型相比,离散忆阻器具有计算时间缩短和在数字硬件中实现更便捷等优点(邓全利、王春华、杨刚,2025c;徐某、罗涛、王某、白某、陈某、赵某,2024)。此外,将离散忆阻器引入经典混沌系统可以有效地增强这些系统的混沌动态行为——例如,通过扩展混沌区域和增加序列复杂性(王某、田某、吴某、李某、桑某、余某,2024;张某、王某、张某、张某、马某,2025a)。这些特性凸显了离散忆阻器在理论探索和工程实现中的重要研究价值和应用潜力。罗涛等人(2025a)通过在三个离散忆阻器中引入非线性振荡项,构建了三个具有超高李雅普诺夫指数的超混沌映射。受时间延迟和离散忆阻器结合的启发,刘某等人(2025)提出了一种通用的离散时延忆阻器模型,并开发了四个具有隐藏吸引子的离散时延超混沌映射。Hussan 等人(2025)通过级联反馈方式连接两个离散忆阻器,设计了一种能够生成多个超混沌吸引子的双忆阻超混沌映射。马某等人(2025)利用离散局部活性忆阻器驱动神经映射,诱导出异质共存和多稳态行为。
由于 HNN 具有丰富的混沌动态特性,它已成为非线性动力学研究中的重要模型。研究人员广泛探索了具有不同拓扑结构的 HNN 的动态行为(何某、余某、林某、何某、姚某、蔡某、金涛,2025;余某、何某、姚某、蔡某、徐某,2025a)。例如,为了克服简单单向拓扑的动态限制,王某等人(2025a)通过将三个忆阻器引入环形 HNN,构建了一个具有隐藏混沌和均匀/非均匀多稳态的三忆阻超混沌环神经网络。胡某等人(2024)通过采用权重切换机制,将两个忆阻 HNN 集成到一个忆阻霍普菲尔德切换神经网络中,实现了多卷积混沌吸引子的生成。Lai 和 Guo (2024)通过将三个神经元连接到单个霍普菲尔德神经元作为中心节点,并引入忆阻器作为自连接突触,开发了一个中心循环忆阻神经网络。该系统观察到了大范围幅度控制和均匀/非均匀共存的吸引子。此外,该团队基于没有自突触的单向循环 HNN,结合外部电流刺激和忆阻器模拟的电子辐射,构建了一个能够展示多种发射模式的简化循环 HNN(Lai 等人,2025)。近年来,离散域中 HNN 的神经动力学研究逐渐受到关注。Bao 等人(2024)通过离散化连续 HNN,提出了一种没有自连接的简化二维离散 HNN 模型,该模型展示了共存的多个吸引子和多面体超混沌吸引子。Wei 等人(2025)通过在两神经元 HNN 中嵌入离散忆阻器作为自突触,构建了一个能够生成多环状吸引子的离散忆阻 HNN。Bao 等人(2025)进一步设计了一种具有忆阻器初始增强机制的离散 HNN,用自适应离散忆阻器权重替换了原始固定电阻。Yu 等人(2025b)通过引入两个忆阻器作为电子辐射源和突触耦合,开发了一个具有电磁耦合的离散忆阻 HNN。该系统可以产生吸引子增长现象。然而,具有特定拓扑连接模式的离散忆阻 HNN 的神经动力学研究相对较少,目前文献中尚未报道。
受上述研究的启发,本文将离散忆阻器作为突触引入到三神经元单向循环 HNN 中,构建了 DMCHNN。通过李雅普诺夫指数(LE)谱、分岔图和相位图等动态分析方法,揭示了系统的复杂动态行为,包括超混沌、幅度控制、多腔室类吸引子和均匀/非均匀初始偏移增强。此外,系统的电路设计和硬件实现基于 FPGA 平台完成。在应用方面,提出了一种基于 DMCHNN 的 HE-DCSK 系统方案,并对其抗噪声性能进行了测试。
本文的主要贡献如下:
1) 通过将离散忆阻器引入循环 HNN,提出了一种新型 DMCHNN。理论分析表明,该系统的固定点集包含无数不稳定点。
2) 数值结果表明,该系统表现出复杂的动态特性,包括超混沌、幅度控制、多腔室类超混沌吸引子和均匀/非均匀初始偏移增强行为。
3) 基于 FPGA 硬件平台,成功实现了 DMCHNN 并将其应用于 HE-DCSK 系统。实验结果表明,该方案的抗噪声性能优于其他基于混沌映射的通信系统。
本文的后续结构如下:第 2 节详细阐述了 DMCHNN 的数学模型及其固定点和稳定性分析。第 3 节详细研究了 DMCHNN 的动态行为。第 4 节设计和实现了 DMCHNN 的 FPGA 硬件电路。同时,基于 DMCHNN 构建了 HE-DCSK 系统,并对其性能进行了评估。最后,第 5 节总结了整篇论文并展望了未来的研究方向。
部分摘录
离散忆阻器模型
基于忆阻器的基本定义,通过使用前向欧拉方法对连续忆阻器进行离散化,得到了离散忆阻器。因此,我们提出了一种离散余弦忆阻器模型,其数学表达式如下:其中 in、vn 和 φn 分别表示第 n 次迭代时的离散电流、电压和磁通量。ε 表示忆阻器的参数。是离散磁导。
DMCHNN 的动态分析
为了确保 DMCHNN 在合理的参数范围内表现出丰富的动态行为,我们通过广泛的数值实验将系统参数(α, β, γ, w23, ε)固定为(0.6, 0.7, 0.5, 10, 0.1)。耦合强度 k 是离散忆阻器与 HNN 之间的关键参数,权重也显著影响神经网络的动态特性。因此,我们系统地研究了耦合强度 k 和权重 w31 的影响。
FPGA 实现
目前,混沌系统的电路验证主要采用两种实现方法:模拟电路和数字电路。由于混沌映射本质上是离散的,其电路设计可以直接使用数字电路实现。作为典型的数字电路平台,FPGA 具有高稳定性、强灵活性和显著的并行计算能力等优点。因此,选择 FPGA 用于 DMCHNN 的设计和硬件实现。
结论
本文提出了一种离散余弦忆阻器模型,并将其嵌入到具有循环结构的三神经元霍普菲尔德神经网络中,构建了 DMCHNN。对系统固定点和稳定性的分析揭示了存在无数不稳定的固定点。通过调节耦合强度 k 和权重 w31,系统的混沌范围可以实现有效的幅度控制,其动态复杂性也得到了增强。特别是,通过调整耦合
CRediT 作者贡献声明
杨刚:撰写——原始草稿,监督,方法论,研究,数据管理。王春华:可视化,验证,监督,资金获取,概念化。邓全利:撰写——审稿与编辑,监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了国家自然科学基金(项目编号 62571183 和 62271197)和广东省基础与应用基础研究基金(项目编号 2024A1515011910)的支持。