1. 研究目的与意义
| （1） 研究背景 人工神经网络诞生于二十世纪四十年代初，也称为神经网络，是由大量神经元组成的具有自适应能力和自组织能力的一个非线性信息处理系统。它的目的就是通过模拟生物神经系统信息处理的特性和工作机制，设计出一种“神经计算机”，使之具有类似于人脑的信息处理能力。由于人工神经网络精度比较高、学习能力比较强以及其内在的高度并行处理特性，使得人工神经网络在很多领域得到了有效的利用。主要包括以下领域：信号处理、医疗、控制系统、商业、模式识别、语音识别等。 （2） 研究目的及意义 目前对人工神经网络实现技术的研究主要有软件实现和硬件实现两个方面。由于软件模拟实现神经网络的方法，不仅速度慢并且并行程度很低，这样一来就不能满足神经网络实时运算的要求，从而导致了理论研究和实际应用相脱节。除此之外，用软件模拟实现的方法需要庞大体积的计算机作支持，这样就很不适合应用于嵌入式场合。然而，基于硬件实现的神经网络最大的特点就是处理速度很快，具有很高的并行性，并且很容易达到神经网络实时运算的要求。此外，我们需要通过硬件实现的效果来检验实际工程中的可行性和算法的复杂程度。FPGA不仅在通信领域得到了广泛的应用，也扩展到了众多的其它领域，包括医疗、汽车、工业控制以及消费电子等。未来，随着FPGA工艺的不断改进，集成的功能模块不断增多，FPGA处理能力不断增强，使得FPGA越来越向着超级芯片的方向发展。神经网络专用芯片具有高速度、高性价比的特性，所以神经网络研究的最终目标是研制特定应用场合下的高性能专用神经网络芯片。由于现实生活中不同的问题需要不同的神经网络来解决，所以实现一种动态可切换的多个神经网络模型可以解决更加复杂的问题。所以，非常有必要设计一个由多个神经网络模型组成的系统。为此，本文对基于FPGA的神经网络硬件实现方法进行了研究。
|
2. 研究内容和预期目标
（1） 研究内容
本课题的主要内容就是对基于fpga的神经网络的硬件实现方法进行了研究和设计。寻求一种方法使硬件实现的神经网络能够进行动态调节，不仅能够实现权值和阈值的自动更新，而且拓扑结构也是动态可调的，也就是网络的层数和每层神经元的个数动态可调。以bp网络和rbf网络为例，分别对其fpga实现的各个模块进行了设计，并且对非线性函数sinx和cosx的逼近进行了相应的仿真和误差分析。
（2） 预期目标
3. 研究的方法与步骤
（1） 研究方法
以所学习的理论知识为基础，通过仿真，掌握一定的动手能力。利用查找的文献了解所研究的课题，从而找出最合适的设计方案。
（2） 步骤
4. 参考文献
| 1 杨春波. 基于灰色模型与人工神经网络的改进组合预测模型及其应用研究[D]. 山东师范大学, 2009. 2 陈元琳. 基于人工神经网络的动态系统仿真模型和算法研究[D]. 大庆石油学院, 2006. 3 毛健, 赵红东, 姚婧婧. 人工神经网络的发展及应用[J]. 电子设计工程, 2011, 19(24):62-65. 4 汪镭, 周国兴, 吴启迪. 人工神经网络理论在控制领域中的应用综述[J]. 同济大学学报:自然科学版,2001, 29(3):357-361. 5 隋英, 付春菊, 高兴燕. 人工神经网络研究的发展与应用[J]. 大众科技, 2010(5):20-20. 6 朱大奇. 人工神经网络研究现状及其展望[J]. 江南大学学报:自然科学版,2004, 3(1):103-110. 7 钟义信. 人工智能:概念·方法·机遇[J]. 科学通报, 2017(22):2473-2479. 8 杨银涛, 汪海波, 张志,等. 基于FPGA的人工神经网络实现方法的研究[J]. 现代电子技术, 2009, 32(18):170-174. 9 盛荣菊, 马建伟. 人工神经网络FPGA硬件实现的研究进展[J]. 电气自动化, 2009, 31(5):53-54. 10 刘培龙. 基于FPGA的神经网络硬件实现的研究与设计[D]. 电子科技大学, 2012. 11 Amani, Tahat, JordiMarti, et al. Patternrecognition and data mining software based on artificial neural networksapplied to proton transfer in aqueous environments[J]. Chinese Physics B,2014, 23(4):410-421. 12 Lopamudra P, Kumar T S. Performanceprediction of gravity concentrator by using artificial neural network-a casestudy[J]. International Journal of Mining Science and Technology(矿业科学技术学报), 2014, 24(4):461-465. 13s Rafie M, Samimi F. Prediction of subsidence riskby FMEA using artificial neural network and fuzzy inference system[J].International Journal of Mining Science and Technology(矿业科学技术学报), 2015, 25(4):655-663. 14 Golden R M.Exploring the Diversity of Artificial Neural Network Architectures. Review ofNeural Networks: A Comprehensive Foundation, by Simon Haykin [J]. Journal ofMathematical Psychology, 1997, 41(3):287-292. 15 Gholamnejad, NARGES, Tayarani. Applicationof artificial neural networks to the prediction of tunnel boring machinepenetration rate[J]. International Journal of Mining Science and Technology(矿业科学技术学报), 2010, 20(5):727-733. |
5. 计划与进度安排
| （1）2022.02.27-2022.03.05 毕业实习介绍与课题了解； （2）2022.03.06-2022.03.12 完成开题报告； （3）2022.03.13-2022.03.19 查阅资料，确定外文原文资料； （4）2022.03.20-2022.03.26 完成外文资料翻译； （5）2022.03.27-2022.04.02 了解人工神经网络及其实现技术； （6）2022.04.03-2022.04.09 熟悉FPGA开发环境； （7）2022.04.10-2022.04.16 选择合适的设计方案，研究BP神经网络特性； （8）2022.04.17-2022.04.23 在FPGA上实现BP神经网络； （9）2022.04.24-2022.04.30 调整并完善设计； （10）2022.05.01-2022.05.07 撰写论文提纲； （11）2022.05.08-2022.05.14 数据观测以及收集； （12）2022.05.15-2022.05.21 整理设计文档； （13）2022.05.22-2022.05.28 完成论文初稿； （14）2022.05.29-2022.06.05 总结结论； （15）2022.06.06-2022.06.11 完成论文终稿； （16）2022.06.12-2022.06.16 准备答辩。 |
