人工神经网络是模拟生物神经系统的一种人工智能系统，其功能类似于生物脑内活动的非线性映射，具有分布并行处理和自主学习的能力，已在许多领域都取得了重要的应用成果。在目前人工神经网络的应用中，BP神经网络又占据了很大的一部分，其基于误差反向传播训练算法的多层前向神经网络已被证明具有较强的模式识别与非线性映射能力。目前实现人工神经网络大多依靠软件仿真的形式，在很多实际应用中存在运算速度较慢的问题。现场可编程阵列FPGA具有层次分明的内部结构、以及作为专用芯片来说运行速度与资源消耗都较优的特点，在仿真神经网络，提高其运算速度方面具有天然的优势。 本文在众多诸如RENCO，RNN，随机比特流等经典的基于FPGA的神经网络实现方式中选取了RNN架构，以将复杂的运算过程分解为数个较简明的模块的方式实现对目标神经网络的设计，并通过仿真获得此网络就趋近特定曲线所产生的输出值。经实验结果与理论值对照表明，基于FPGA的BP神经网络在精度允许的范围内虽然精度稍低，但有着运算速度优秀，占用资源低廉的优点。关键词人工神经网络，BP神经网络，FPGA
目录
第一章 绪 论 1
1.1 选题的目的和意义 1
1.2 国内外研究现状和发展趋势 1
1.3 本论文主要研究内容和结构安排 3
第二章 神经网络的理论基础 4
2.1 引言 4
2.2 神经网络的基本原理 4
2.3 神经网络基本结构 5
2.3.1 前向网络 5
2.3.2 反馈网络 6
2.4 神经网络学习方式 7
2.4.1 监督性学习 7
2.4.2 非监督性学习 7
2.5 BP神经网络 8
2.6神经网络的应用 9
2.7 本章小结 10
第三章 现场可编程门阵列FPGA的编程技术 11
3.1 引言 11
3.2 FPGA介绍 11
3.2.1 FPGA背景 11
3.2.2 FPGA原理与结构 12
3.3 VHDL语言介绍 14
3.3.1 简介 15
3.3.2 特点 15
 *景先生毕设|www.jxszl.com +Q: ￥351916072$ 

3.3.3 优势 16
3.4 VHDL编程结构 16
3.5 本章小结 17
第四章 基于FPGA的BP神经网络实现 18
4.1 引言 18
4.2 实验目的 18
4.3 基于FPGA神经网络的实现方法 18
4.4 权值参数的获得 19
4.4.1 Matlab概述 19
4.4.2 基于Matlab获得BP神经网络权值 20
4.5 BP神经网络的FPGA实现 22
4.5.1 数据的读取 22
4.5.2 权值读取运算与层 24
4.5.3 激活函数 25
4.6 实验结果与分析 27
4.7 本章小结 29
第五章 总结与展望 30
5.1 实验总结 30
5.2 实践展望 30
致谢 31
参考文献 32
第一章 绪 论
1.1 选题的目的和意义
随着近年来科技与社会的进化，人群对电子产品软硬件的要求与期待也随之情随事迁，应用了人工智能的软硬件以其“善解人意”的诸多特性异军突起，自然，作为其基石的人工神经网络，其研究价值不言而喻。
BP神经网络，作为神经网络成员内较为特殊的一员，被更加频繁地应用在了各个领域上，这也正是由其特点所决定的。首先其在直观上完成了一个由输入过渡到输出的的映射过程，由数学领域内所论证完成的“三层神经网络便已可用任何精度对任何非线性连续曲线进行逼近”这一结论，使得BP神经网络对于内部结构复杂的一些问题，具有天然的适应性与优秀的性能，一言以蔽之，其具有很强的非线性映射能力。至于高度的自我训练与自适应能力与容错能力，乃至于能够将这些能力高度应用于新知识的泛化能力，BP神经网络都可以说是表现的极为出色
。这使得其也更加适合作为研究对象。
作为一个尚有极大开发空间的前沿领域，神经网络研究的基本问题自然很多，而神经网络的硬件实现，便属于其中较为复杂的问题之一。譬如从理论探讨的角度来看待，通过软件仿真的方法以实现或模拟一个指定的神经网络算法或模型是可行的，但如果从构造其现实的应用系统来看，其硬件实现必然会成为一个无法忽视的问题。应用专用硬件的优点不胜枚举，如可提高速度，远高于一般串、并行机的性价比等，都是其硬件化的诱人之处。
综上而言，既然作为特定应用的高性能BP人工神经网络硬件是此研究领域内的重要目标，以其作为选题具有重要的理论价值与工程意义。
1.2 国内外研究现状和发展趋势
基于硬件以实现神经网络已有较长的探索路程，其最早可以追溯至60年代，当时几家公司与研究机构尝试用硬件来实现神经元，这直接使得感知机与ADALINE神经网络模型得以问世。也许提起CALSPAN Corporation许多人都有所耳闻，却对其前身cornellAeronautical实验室却知之甚少，而在当时，属于此实验室的Rosenblatt不仅从数据上，更是从实现的角度提出了感知机。ADALINE神经网络模型则由斯坦福大学的Bernard Widrow所提出。这两者都是单个神经元的模型，它们不仅能接收多路的输入，而且可以自如地对各个输入的突触强度进行修改，它们的区别主要表现在实现方式上的不同，感知机通过机械的变化来改变其互联权值，而ADALINE则使突触强度随着电阻发生变化，这方面ADALINE则明显优于感知机，其表现为较小的体积与较低的价格，还有更加可靠的运行
。
1965年直到1980年间，突出的则只有Division of Flow GeneralCrop的前身Adaptronics Corp。Adaptronics的Roger Barron和Louis Gilstrap于1974年成功开发了首块神经元芯片。多输入端和可自适应改变的互联强度弥补了其单个芯片上只包含单个神经元的不足，若把多个此种芯片在插件板上排列互联，便可构造具有复杂神经元的神经网络，若是将这些插板再次构建组合起来，甚至能实现军事上的某些应用目的。
1982年，美国的生物学家J.Hopfield发表了一篇关于神经网络数学模型的论文，即著名的Hopfield神经网络模型，提出并对其动力学性质做了深入研究，并在两年以后设计了电子线路对此网络的性能进行模拟，其认为数学领域上著名的旅行商问题（Traveling Salesman Problem)可藉由此而得以解决。紧随着这项研究，1985年，诺贝尔实验室与美国加州理工学院合作研制出64个可编程神经元与256个在四分之一平方英寸芯片上由2.5*10^4个晶体管与1.0*10^5个电阻所集成的神经元
。

原文链接：http://www.jxszl.com/dzxx/dzkxyjs/78749.html