基于fpga的神经网络硬件实现的研究与设计-通信与信息系统专业论文.docxVIP

万方数据 万方数据 摘要 摘 要 人工神经网络（ANNs）是一个由大量相互连接的神经元组成的并行计算系统。 如今，人工神经网络已经在信号处理、医疗、控制系统、商业、模式识别、语音 识别等多个领域得到了广泛的应用。通常神经网络的实现都是采用基于软件的方 法，但是在很多情况下必须要求神经网络能够进行实时运算，这是软件实现方法 所不能实现的，所以必须寻求一种硬件实现的方法，能够体现出神经网络固有的 并行处理特性，提高处理的速度。基于 FPGA 的神经网络硬件实现方法不仅能够 提高处理速度，而且还能够节省硬件资源。 首先介绍了人工神经网络硬件实现的方法和意义，以及典型的 BP 神经网络算 法和 RBF 神经网络算法。对神经网络的学习模式，拓扑结构以及激励函数进行了 讨论。神经网络硬件实现最重要的问题之一就是激励函数的硬件实现，选定 Sigmoid 函数作为 BP 神经网络的激励函数，Gauss 函数作为 RBF 神经网络的激励 函数。利用查找表和分段非线性函数逼近相结合的方法在 FPGA 上实现了 Sigmoid 函数，同样利用 Xilinx 的 CORDIC 算法 IP 核在 FPGA 上实现了 Gauss 函数，都做 了仿真和误差分析，满足神经网络对精度的要求。其次，重点介绍了基于 FPGA 的 BP 神经网络和 RBF 神经网络的设计方法，对各个模块都进行了详细的设计。 最后，通过 Verilog HDL 硬件描述语言描述，利用 ModelSim 6.1 仿真软件和 Xilinx 公司的 ISE 10.1 平台对设计的 BP 网络、RBF 网络进行了仿真验证以及逻辑综合。 并且进行了误差分析和性能评估，误差在 10-2~10-3 数量级，可以满足神经网络精 度的要求，最高时钟频率可以达到 100MHz 左右，基本上可以满足神经网络实时 运算要求。 关键词：人工神经网络，激励函数，FPGA，硬件实现 I ABSTRACT ABSTRACT Artificial Neural Networks (ANNs) are parallel computational systems comprised of densely interconnected neurons. ANNs are now being used in signal processing, medicine, control system, business, pattern recognition, speech recognition and much more areas. Generally, these ANNs are implemented by software-based method, but in many cases we need the ANNs computing in real-time, which is the software implementation cannot be achieved. So it is necessary to seek a hardware implementation method to reflecting the neural network inherent parallel processing features and improve the processing speed. The FPGA-based hardware implementation method can not only improve processing speed, but also to save hardware resources. Firstly, introduced the methods and meaning of hardware implementation of ANNs，as well as the typical BP and RBF neural network algorithm. The learning method of the neural network, topology and the activation function were also discussed. The hardware implementation of activation function is one of the most important issues. Sigmoid function is selected as the activation function of BP network, and the Gaussian function as the activation f