Abstract This paper describes the development of embedded software for the implementation and testing of the artificial multistable neuron model’s basic behavior with the help of the hardware architecture of programmable logic integrated circuits (FPGA). The real behavior and function of the biological neuron with linearized activation characteristics are investigated and implemented in the programming language VHD. The base model is a three-stable neuron with three asymmetric dendrites. To develop a hardware model, a computational mathematical model of a neuron is used, based on which a corresponding discrete model is synthesized. The model consists of the following modules: an input block, a timer, a clock generator, a threshold element, and an output signal generator. It is shown that the implemented system allows synthesizing a neural model with a predetermined number of stable discrete states, with the neuron changing its stable state depending on the input vector. Each stable state corresponds to the output function of the neuron. The developed model of artificial neurons was implemented on the DIGILENT BASYS II SPARTAN-3E XC3S100E FPGA kit in the WebPACKTM ISE 13.3 environment. Resulting neuron output generation modes relation from input sequences and structure parameters were studied. The results of the work allow investigating high-speed neural networks with a dynamic structure using FPGA, which can be used for a wide range of modern tasks such as recognition, classification of patterns and development of elements of artificial intelligence.

中文翻译：

---

基于FPGA架构硬件实现的线性化人工神经元生成模式研究

摘要 本文描述了在可编程逻辑集成电路（FPGA）硬件架构的帮助下，用于实现和测试人工多稳态神经元模型基本行为的嵌入式软件的开发。研究了具有线性化激活特性的生物神经元的真实行为和功能，并在编程语言 VHD 中实现。基本模型是具有三个不对称树突的三稳定神经元。为了开发硬件模型，使用神经元的计算数学模型，在此基础上合成相应的离散模型。该模型由以下模块组成：输入模块、定时器、时钟发生器、阈值元件和输出信号发生器。结果表明，所实现的系统允许合成具有预定数量的稳定离散状态的神经模型，神经元根据输入向量改变其稳定状态。每个稳定状态对应于神经元的输出函数。开发的人工神经元模型在 WebPACKTM ISE 13.3 环境中的 DIGILENT BASYS II SPARTAN-3E XC3S100E FPGA 套件上实现。研究了由输入序列和结构参数产生的神经元输出生成模式的关系。这项工作的结果允许使用 FPGA 研究具有动态结构的高速神经网络，该网络可用于广泛的现代任务，例如识别、模式分类和人工智能元素的开发。神经元根据输入向量改变其稳定状态。每个稳定状态对应于神经元的输出函数。开发的人工神经元模型在 WebPACKTM ISE 13.3 环境中的 DIGILENT BASYS II SPARTAN-3E XC3S100E FPGA 套件上实现。研究了由输入序列和结构参数产生的神经元输出生成模式的关系。这项工作的结果允许使用 FPGA 研究具有动态结构的高速神经网络，该网络可用于广泛的现代任务，例如识别、模式分类和人工智能元素的开发。神经元根据输入向量改变其稳定状态。每个稳定状态对应于神经元的输出函数。开发的人工神经元模型在 WebPACKTM ISE 13.3 环境中的 DIGILENT BASYS II SPARTAN-3E XC3S100E FPGA 套件上实现。研究了由输入序列和结构参数产生的神经元输出生成模式的关系。这项工作的结果允许使用 FPGA 研究具有动态结构的高速神经网络，该网络可用于广泛的现代任务，例如识别、模式分类和人工智能元素的开发。开发的人工神经元模型在 WebPACKTM ISE 13.3 环境中的 DIGILENT BASYS II SPARTAN-3E XC3S100E FPGA 套件上实现。研究了由输入序列和结构参数产生的神经元输出生成模式的关系。这项工作的结果允许使用 FPGA 研究具有动态结构的高速神经网络，该网络可用于广泛的现代任务，例如识别、模式分类和人工智能元素的开发。开发的人工神经元模型在 WebPACKTM ISE 13.3 环境中的 DIGILENT BASYS II SPARTAN-3E XC3S100E FPGA 套件上实现。研究了由输入序列和结构参数产生的神经元输出生成模式的关系。这项工作的结果允许使用 FPGA 研究具有动态结构的高速神经网络，该网络可用于广泛的现代任务，例如识别、模式分类和人工智能元素的开发。