基于 fpga 的神经网络硬件实现研究-控制理论与控制工程专业论文.docxVIP

独创性声明 本人声明所呈交的学位论文是我个人在导师的指导下进行的研究工作及取得的 研究成果。尽我所知，除文中已标明引用的内容外，本论文不包含任何其他人或集 体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文 中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保 密□，在 年解密后适用本授权书。 本论文属于 不保密□. (请在以上方框内打“√”) 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 华 华 中 科 技 大 学 硕 士 学 位 论 文 I I 摘 要 现代工程应用正朝着大规模、复杂化的方向发展，同时环境的变化使得实际控制 系统往往存在复杂性、非线性、时变性、不确定性等问题，控制系统设计时需要把外 界环境、被控对象以及控制系统作为一个整体来进行分析和设计。面对这些控制问题， 基于传统控制理论与方法往往难以获得合适的控制器以满足系统性能指标要求，而神 经网络具有良好的容错特性、非线性映射能力及自学习能力，为这类复杂控制问题提 供了可能的解决方法。 神经网络固有的并行特性使其不适合在微处理器上实现，而可编程逻辑门阵列 （FPGA）所具有的并行特性、丰富的嵌入式硬核乘加单元及存储器资源，使其在神经 网络硬件实现中得到了广泛的应用。本文以 FPGA 为硬件平台，研究神经网络的硬件 实现方法。神经网络非线性激励函数及其导数是硬件实现的难点之一，常用的方法有 查表法、分段线性近似、高阶多项式近似及 CORDIC 算法等，这些方法无法同时兼顾 面积（逻辑资源）、实时性和精度。本文提出采用表驱动线性插值方法实现激励函数及 其导数，该方法结合了查找表和线性近似方法，能够以较少的硬件资源实现高精度的 激励函数及其导数近似。 本文采用 System Generator 与 ISE 联合设计，用 System Generator 进行系统建模， 生成模型化的数字系统，将设计转换成硬件电路，最后在 ISE 中完成仿真、综合、实 现及芯片配置。以 Xilinx Spartan-3E 1600 FPGA 为硬件平台，设计了激励函数模块、 单神经元模块及固定结构神经网络；并搭建基于神经网络的再励学习系统，包括脉冲 编码器四倍频、数模转换及模数转换模块设计。 关键词：神经网络 可编程逻辑门阵列 表驱动线性插值法 再励学习系统 II II ABSTRACT Modern engineering application develops in the direction of large-scale and complexity, meanwhile, the change of the environment makes the practical control system have the problem of complexity, nonlinearity, time-varying, uncertainty and other problems. Therefore it’s necessary to consider the external environment, controlled object and control system as a whole to analyze and design when designing the control system. Faced with these control problems, methods based on traditional control theory are difficult to obtain ideal controllers to meet the systems performance req uirements. The neural networks, with good fault-tolerant ability, nonlinear mapping and self- learning capabilities, provide possible solutions for these control systems. Neural network, with its inherent parallel nature,