基于脉冲神经网络的边缘识别加速器架构设计.docxVIP

PAGE2

基于脉冲神经网络的边缘识别加速器架构设计

摘要

随着物联网与边缘计算的蓬勃发展，海量数据的实时处理对终端设备的能效提出了严峻挑战。传统人工神经网络（ANN）在边缘端受限于存储与功耗瓶颈，而脉冲神经网络（SNN）凭借其事件驱动与稀疏编码特性，展现出极高的计算并行度与能效优势。本课题旨在设计一种基于脉冲神经网络的边缘识别加速器架构，通过挖掘SNN的稀疏性与时间动力学特征，实现低功耗、高效率的模式识别与分类功能。

本文首先分析了边缘计算场景下的功耗瓶颈与SNN硬件加速的研究现状，确立了以低功耗为核心的总体设计目标。其次，深入研究了LIF神经元模型与脉冲编码机制，构建了适合硬件实现的离散化计算模型。在总体设计阶段，提出了基于数据流驱动的并行加速架构，设计了稀疏脉冲过滤机制以减少无效计算。详细设计阶段，重点完成了脉冲卷积计算单元与膜电位更新模块的逻辑设计，并制定了片上存储与数据调度策略。系统实现基于FPGA平台，完成了RTL级代码编写与综合布局布线。测试结果表明，该加速器在MNIST数据集上实现了较高的识别精度，相比传统CNN硬件加速器，功耗显著降低，验证了SNN在边缘端智能计算的潜力。本设计的核心创新在于提出了一种基于脉冲稀疏性的动态时钟门控机制，有效抑制了零值脉冲带来的动态功耗。

第一章绪论

1.1研究背景

在万物互联的时代，智能摄像头、自动驾驶汽车及工业传感器等边