單個憶阻器可表現出阻值隨著通過電荷數量而變化的特性，而此特性與真實神經系統中的突觸原理類似。而且，當今的人工神經網絡也有基于數學模型y=x1*w1+x2*w2+…xn*wn的形式，而電流電壓的關系也存在電阻分壓表現為乘法而多路電流匯集體現加法。因此將多個憶阻器與一些控制元件可集成為一個模擬神經網絡存內計算單元。而且因為憶阻器與神經元中突觸的原理類似，基于生物神經元的電學特性也可設計全新的智能硬件。

人工智能與神經形態計算雖然同是源于腦神經的工作原理，但是從實現方式上卻是‘背道而馳’。人工智能是對于大腦的高層抽象，將大量神經元的系統抽象為線性的矩陣數學公式，此種方法更容易實現基本功能但是卻忽略了很多神經元的細節。神經形態計算的實現方式恰好相反，通過模擬單神經元中的‘突觸’、‘樹突’、‘軸突’等電位操作，以單神經元為基礎單位實現智能。

PRBS模塊可根據生成式來生成偽隨機二進制序列，在單周期內偽隨機二進制序列可被視為一隨機序列。但是此模塊可重復生成一個相同序列，因此被稱作‘偽隨機’。使用偽隨機模塊測試光通信系統的優點在于：通過非規則的0/1信號可測試系統對于任意信號傳輸的可靠性，于此同時‘偽隨機’特性使得此二進制序列可被復制

在數字信號處理的過程中，模擬信號經過采樣與ADC從連續的模擬信號變為離散的數字信號。然后這些離散的數字信號通過運算單元經過卷積運算將時域信號變為頻域并與濾波器參數進行卷積。最終的輸出頻域信號通過逆卷積再次回到時域信號并進行重建運算。

對于一個濾波系統來說，相位決定了輸出信號的質量與系統的穩定性。如果輸出相位為非線性，輸出信號將獲得不同的延時。顯然在聲音濾波與圖像濾波這類對于信號質量要求較高的場合，非線性帶來的影響是巨大的。而線性相位濾波器可以無失真地處理信號，一般來說，系統的結構對于輸出相位有著較大影響。

信號濾波器最早都是基于模擬設計，如巴特沃斯，切比雪夫，貝塞爾濾波器。今年來由于數字系統的興起，越來越多的模擬濾波器被數字濾波算法所替代。然而，雖然上述模擬濾波相對過時并且相較于數字濾波難以精確設定通帶與中心頻率，但是模擬濾波設計思想相對成熟。于是使用轉換公式將模擬濾波器轉換為數字濾波算法，即節省了設計驗證的時間又將經典濾波器的設計沿襲下來。是現代數字濾波的一種設計思想。

在數字信號處理DSP系統中，信號通過采樣器，模數轉換器（ADC）后進入數字處理系統進行計算。在這個過程中，雖然輸入信號為模擬連續量，但是經過采樣后的信號為離散的點。因此，在DSP系統中，信號的處理基于離散傅里葉變換與逆離散傅里葉變換。

DSP數字濾波器處理信號的過程為：信號采樣并轉換為數字信號、輸入信號通過傅里葉變換變為頻域信號、輸入信號與濾波器進行卷積、卷積輸出信號進行逆卷積、最后通過信號重建算法進行輸出�？梢哉f，數字濾波器算法在信號處理過程中占有重要位置。