基于DSP的BP神经网络的实时实现.docVIP

信息工程学院选修课论文 题目： 基于DSP的BP神经网络实时实现 专 业： 控制科学与工程 学 号： 201111051636 学生姓名： 刘 茂 指导教师： 盘 宏 斌 2011 年 12 月 基于DSP的BP神经网络实时实现 1.前言 人工神经网络具有高度非线性映射、自组织结构、高度并行处理方式及无需预先建模等优点，使之在处理非线性系统模型方面具备明显优势，已广泛应用于模式识别、系统辨识、故障检测等领域。神经网络算法到目前为止，从国内到国外，它却较少能够成功地应用于工程实际中。究其原因，主要有两方面因素：①神经网络算法的运算量较大，尤其是当神经网络的层数及各层神经元个数较多时，用软件编程方法在通用型的基于冯·诺依曼结构的处理器上实现是很难满足工程的实时性要求的：②虽然目前各大芯片生产厂商正积极研制各种专用的神经网络芯片，这些专用芯片比用软件方法在一般的处理器上实现速度快得多，但专用芯片价格较高．且研制尚处于起步阶段，距实际应用还有一定的距离。 随着微电子技术的发展，出现了非冯·诺依曼结构微处理器，给人工智能信息处理技术带来了新的生机和活力，DSP是其中的代表产品。DSP是一种功能强大的微处理器，与通用型微处理器不同，它放弃了冯·诺依曼结构，而采用哈佛结构，即将程序指令与数据的存储空间分开，各有自己的数据与地址总线，使得处理数据和指令可以同时进行，大大提高了运行速度，在那些因受传统微处理器速度和结构限制而难以实现复杂算法及难以达到要求速度的场合，可由DSP实现．本文便研究了基于DSP的BP神经网络实时实现的技术。 2.BP神经网络 神经网络是由多个神经元组成，而神经元是多输入单输出的基本信息处理单元，其模型的输入输出关系为： 其中称为阈值，称为权值，称为激活函数。常用的激活函数有线性、符号、饱和、双曲正切、阶跃、sigmoid等六种类型。神经网络的拓扑结构及连接形式种类很多，主要有前馈型网络和反馈型嘲络．BP(BackPropagation)网络是一种多层前馈神经网络，其神经元的激活函数是S型函数。因此输出量为0到1之间的连续量，它可以实现从输入到输出的任意的非线性映射。由于权值的调整采用误差反向传播的学习算法，因此称BP网络。在确定了BP网络结构之后，利用输入输出样本集对其进行训练，也即对网络的权值和阈值进行学习和调整．以使网络实现给定的输入输出的映射关系。 图1.三层BP神经网络结构图 BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期望网络的实际输出值与期望输出值的误差均方值为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。多层网络运用BP学习算法时，实际上包含了正向和反向传播两个阶段。在正向传播过程中，输入信号从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；如果在输出层不能得到期望输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使误差信号最小。 TMS320F2812DSP芯片 TMS320F2812(简称F2812)DSP的片为核心处理单元。F2812是TI公司近几年推出的高速、高精度的工业控制DSP芯片。它运算速度快，工作时钟频率达MHz，指令周期可以达到667 ns以内，低功耗(核心电压18 V，I／O口电压33 V)。它采用哈佛总线结构，具有强大的操作能力；外围设备包括3个32位的定时器，16通道的12位A／D转换器，串行外围接口(SPI)，2个串行通信接口(SCI)等。其片内外设时间管理器含有2个模块(EVA和EVB)，每个模块都包括2个通用定时器，3个全比较／PWM单元，3个捕获单元和 1个正交编码脉冲电路。