卷积神经网络数字识别系统的FPGA实现

发布时间：2022-02-23 20:19

　　数字识别所依靠的经典网络模型主要为BP神经网络和卷积神经网络。相比较,卷积神经网络的识别效果更好,更适合处理图像识别问题。目前,卷积神经网络多为软件实现,而硬件有着并行性与速度快的优点。因此,意图以硬件描述语言（Verilog）实现卷积神经网络,在保证在高识别率的情况下,充分挖掘硬件实现的优点。通过研究网络的工作原理及结构,构造完整电路模型,给出了现场可编程门阵列（Field-Programmable Gate Array,FPGA）的实现方案。卷积神经网络通过反向传播训练MNIST数据库中60 000幅数字样本图片,提取准确率最高的权重与偏置,再进行网络的前向传播,完成数字识别。完整过程借助ModelSim和Quartus II仿真工具实现。仿真结果表明,全部样本在100 MHz时钟下训练耗时50 ms,相较软件实现而言,速度明显提高,满足硬件设计的实时性,且准确率较高,可达95.4%。该研究为应用于嵌入式设备的图像识别提供了方法和策略,具有实际应用价值。 

【文章来源】：计算机工程与应用. 2020,56(13)北大核心CSCD

【文章页数】：8 页

【文章目录】：
1引言
2 卷积神经网络
3 前向传播实现方案
    3.1 样本读取
    3.2 激活函数的实现
    3.3 卷积层计算
    3.4 混合计算
    3.5 输出值计算
    3.6 小结
4 反向传播实现方案
    4.1 标签值读取
    4.2 权重与偏置的更新
    4.3 小结
5 网络的循环与实现
6 RTL级电路设计
7 结果与总结
    7.1 行为级描述仿真结果
    7.2 RTL设计结果
8 结束语


【参考文献】：
期刊论文
[1]双口RAM在FPGA与DSP通信中的运用[J]. 杨晓玫,张敏,刘冬,闫瑾.  工业控制计算机. 2019(06)
[2]数字图像识别的代价函数选择和性能评价[J]. 李仲德,卢向日,崔桂梅.  电光与控制. 2019(12)
[3]带有N个不同神经元的神经网络混沌性[J]. 吴小英,李倩.  南昌大学学报(理科版). 2019(01)
[4]基于卷积神经网络的反向传播算法改进[J]. 杨鹤标,龚文彦.  计算机工程与设计. 2019(01)
[5]基于卷积神经网络的手写汉字识别研究[J]. 杨佶.  信息技术与信息化. 2018(12)
[6]卷积神经网络研究综述[J]. 张亚倩.  信息通信. 2018(11)
[7]基于集成学习的MINIST手写数字识别[J]. 黄浩然.  电子制作. 2018(18)
[8]基于BP神经网络的手写数字识别及优化方法[J]. 夏少杰,项鲲.  智能物联技术. 2018(01)
[9]关于非线性激活函数的深度学习分类方法研究[J]. 杨国亮,许楠,李放,龚曼.  江西理工大学学报. 2018(03)
[10]梯度下降法在机器学习中的应用[J]. 孙娅楠,林文斌.  苏州科技大学学报(自然科学版). 2018(02)

博士论文
[1]基于FPGA的卷积神经网络并行结构研究[D]. 陆志坚.哈尔滨工程大学 2013

硕士论文
[1]基于卷积神经网络的手写数字识别研究与设计[D]. 刘辰雨.成都理工大学 2018



本文编号：3641273