第一章 为什么要采用模拟VLSI技术构造神经网络 1
1.1 简介 1
1.2 Hopfield记忆网络——第一代神经网络VLSI 1
1.3 使用神经网络进行模式识别 4
1.3.1 单层感知器网络 4
1.3.2 多层感知器 7
1.3.3 结论 8
1.4 为什么要在硅片上构造神经网络 10
1.5 计算要求 10
1.5.1 采用数字技术还是模拟技术？ 11
第二章 神经网络VLSI技术发展评述 12
2.1 简介 12
2.2 MOSFET方程——基础入门 12
2.3 数字式加速器 15
2.4 再谈运算放大器和电阻 17
2.5 神经网络的子阈值电路 17
2.6 模拟／数字混合 19
2.7 MOS跨导乘法器 20
2.8 MOSFET模拟乘法器 20
2.9 不精确乘法器 21
2.10 可编程模拟神经网络芯片——Intel电子学习人工神经网络（ETANN）芯片 22
2.11 结论 22
第三章 模拟突触权值的存储 24
3.1 简介 24
3.2 动态权值存储 24
3.4 浮栅技术 26
3.5 不定形硅（α-硅）突触 28
3.5.1 高温形成 29
3.5.2 α-硅设备形成时的金属镀层 29
3.5.3 对制造工艺的研究 30
3.5.4 编程技术 30
第四章 脉冲流技术 31
4.1 简介 31
4.2 信息的脉冲编码 31
4.2.1 脉幅调制（PAM） 33
4.2.2 脉宽调制（PWM） 33
4.2.3 脉频调制（PFM） 33
4.2.4 相位或延迟调制 34
4.2.5 噪声、鲁棒性、精度和速度 34
4.3 脉冲流运算——加法和乘法操作 35
4.3.1 脉冲流信号加法 35
4.3.2 脉冲流信号的乘法操作 38
4.3.3 与加法电路的衔接 38
4.4 脉冲流通讯 39
4.4.1 利用脉冲时间信息的异步互连通讯 40
4.5 结论 42
第五章 脉冲流实例研究 43
5.1 实例研究概括介绍 43
5.1.1 Edinburgh SADMANN/EPSILON工作介绍 43
5.2 EPSILON芯片（Edinburgh Pulse-Stream Implementation of a Learning-OrientedNetwork） 44
5.3 过程不变求和与乘法运算——突触 44
5.3.1 跨导乘法器 44
5.3.2 基于分布式反馈的突触 46
5.3.3 反馈运算放大器 48
5.3.4 电压积分器 48
5.3.5 完备系统 49
5.4 脉冲频率调制神经元 50
5.4.1 增益可调脉冲流神经元 52
5.5 脉冲宽度调制神经元 53
5.6 开关电容设计 54
5.6.1 权值的线性化 55
5.6.2 权存储时间 55
5.6.3 计算的准确性 56
5.7 每脉冲计算 56
5.7.1 设计综述 56
5.7.2 输入级 57
5.7.3 突触 57
5.7.4 求和神经元 58
5.7.5 S型函数 59
5.7.6 脉冲再生 59
5.7.7 SPICE仿真模拟 59
5.7.8 来自测试芯片的结果 61
5.7.9 突触线性化 62
5.7.10 输入取样和保持 62
5.7.11 S型转换函数 63
5.7.12 输出脉冲流的生成 64
5.7.13 权精度 65
5.7.14 权更新 65
5.7.15 每脉冲计算总结 65
5.8 EPSILON——选用的神经元／突触细胞及一些结论 66
5.8.1 EPSILON设计 67
5.8.2 突触 67
5.8.3 神经元 67
5.8.4 EPSILON说明 69
5.8.5 立用——元音分类 70
5.9 结论 71
第六章 应用举例 72
6.1 介绍 72
6.2 实时语音识别 72
6.3 神经VLSI的应用 73
6.4 神经VLSI的应用——专用系统 73
6.4.1 线路规划 75
6.4.2 定位 75
6.4.3 障碍探测／绕避 77
6.4.4 结论 77
6.5 神经VLSI的应用——硬件协处理器 77
6.6 神经VLSI的应用——嵌入式神经系统 78
6.7 结论 78
第七章 未来之路 79
7.1 介绍 79
7.2 多层感知器的硬件学习 80
7.3 自顶向下途径：虚拟目标 80
7.3.1 虚拟目标方法——I:J:K MLP网络 81
7.3.2 实验结果 82
7.3.3 实现 86
7.4 自底向上途径：权扰动 87
7.5 测试问题 88
7.6 用于硬件学习的权值扰动方法 89
7.7 再谈反传算法 92
7.8 结论 93
7.9 有噪声突触的运算分析 94
7.9.1 数学预测 94
7.9.2 模拟 95
7.9.3 预测／检验 96
7.9.4 通用能力 97
7.9.5 学习途径 99
7.10 训练中的噪声——一些结论 100
7.11 单片学习——结论 100
参考文献 101