基于FPGA的神经网络硬件实现

神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算系统,该系统是靠其状态对外部输入信息的动态响应来处理信息的。神经网络是一个非线性的动态系统,可在任意精度内实现变量间的非线性关系的映像,具备解决非线性问题能力、网络学习能力和系统拟合能力,因此,人工神经网络已在我国科研、生产和生活等方面产生了普遍而巨大的影响。 本文主要的工作是研究神经网络的硬件实现问题,神经网络的硬件实现是神经网络研究的基本问题之一,在构造神经网络的实际应用系统时,必然要研究和解决其硬件实现的问题。神经网络专用硬件可提供高速度,并具有比通用串、并行机高得多的性能价格比,所以,特定应用下的高性能专用神经网络硬件是神经网络研究的热点。本文在比较了几种神经网络的可行性基础上,选用了BP神经网络作为硬件实现的神经网络模型。BP神经网络对输入输出非线性关系的高精度映射能力、较强的包容性、良好的推广能力和泛化能力,使得它们在实际应用中表现出了强大的生命力,成为当今的研究热点之一。作为BP神经网络中的激励函数之一的双曲正切S型(tan-s)函数适用于变化剧烈的场合,能够加快网络学习收敛速度。可编程技术的迅猛发展,在EDA技术中占有举足轻重的地位。FPGA可以充分发挥神经网络并行执行的优点,二者的结合也成为当今的研究热点之一。文中详细叙述了用STAM算法在FPGA上对tan-s函数的高精度实现方式,并对仿真结果进行了讨论。基于FPGA的可重构技术,就是利用FPGA的可以多次重复配置的特点,通过时分复用的方式,充分利用器件的逻辑资源,在同一FPGA中自主地交替实现多种逻辑结构及其功能的技术。基于这种技术的可重构系统既可像通用微处理器系统那样设计灵活、易升级,又可像专用集成电路系统那样速度快、效率高。 本文采用基于FPGA的可重构技术,以BP(BackPropagation)型误差反传多层前馈神经网络作为典型的数学模型来展开。设计中依据成熟的BP算法公式,采用原理图输入的设计方法,按照前向—反传—更新三个阶段分别设计与仿真,通过验证,逻辑功能正确。该方法可以推广至更多类型的神经网络,为神经网络的硬件实现提供了可靠的基础。