可编程脉冲神经网络处理器研究与设计

发布时间：2020-10-24 21:29

　　 在人工智能的研究领域中,随着神经科学家对人脑的不断探索,人工神经网络技术正在不断的进行着改进与提升。近年来,由于科学设备和技术的不断发展,生物科学家们对生物大脑进行了更深入的观察与研究,发现生物能够快速响应外界的刺激是因为生物神经网络的信息传递依赖于神经元发放脉冲的具体时刻,在此背景下提出了一种新型的人工神经网络——脉冲神经网络(SNN),由于其与生物神经元机制的高度吻合性,脉冲神经网络迅速成为世界各界的研究热点。当前基于SNN网络的研究项目主要还是以软件算法仿真为主,但是采用计算机编程实现的方法并不能完全发挥SNN网络中低功耗、高性能以及高并行计算的特点。虽然工程师们已相继开发出了各种可以模拟SNN网络的仿真器,然而目前基本上都缺乏可扩展的体系结构,无法实现对网络编程扩展的要求,而这一要求对正处于研究发展过程中的脉冲神经网络的仿真与验证是及其重要的。基于上述原因,传统计算机已经越来越不能满足脉冲神经网络算法的处理性能,人们迫切需要一种能够对SNN算法进行验证及处理的平台。本文针对脉冲神经网络(SNN)设计了一种基于事件驱动的可编程、可扩展的并行体系架构,其设计思想基于传输触发(TTA)体系结构。其特点是将神经元看做专用运算处理单元,通过信号传递网络为专用处理单元传输数据并实现网络中的运算,由于TTA体系结构具有并行度高、扩展性强、指令集简单等特点,故所设计的SNN处理器具有较强的通用性和扩展性,其神经元模型参数与网络结构皆可配置。系统采用现场可编程门阵列(FPGA)实现,可以提供高性能的并行运算且可灵活支持大规模SNN模型的模拟仿真。根据网络的处理需求,通过专用的神经元处理单元来计算SNN,考虑到FPGA中有限的硬件资源,SNN处理器中神经元通过时分复用的方式实现脉冲神经元阵列的扩展,这种实现方法可以节省大量的硬件资源,显著提升SNN网络规模。本文旨在提供一种工具,使得SNN的模型设计相对于在CPU/GPU架构上可以更快实现,但相对于定制的神经形态芯片要便宜很多。此外,系统可编程、可扩展的特点使得所设计的处理器可以适用于当前大部分SNN/SCNN算法的测试验证,这在计算神经科学以及神经形态工程学方面具有潜在的应用价值。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP332;TP183
【部分图文】：

功能是否正确；其次，对同时发生事件进行了测试，可以验证电路中的仲裁功能是否正常。电路仿真结果分别如图 4.2、4.3 所示。图4.2 无冲突事件电路仿真

表示行地址编码，addr_column 表示列地址编码，可见仿真结果正确表示了发生像素事件的地址。图4.3 冲突事件电路仿真如图 4.3 所示，仿真对二维 8 行 8 列对角同时发生的像素事件进行了测试，RA、CA 分别表示行列仲裁响应，addr_row 表示行地址编码，addr_column 表示列地址编码，因为事件是同时发生，故电路需要通过仲裁选择，仿真结果按照优先级高低依次输出第一行第一列到第八行第八列的像素事件，仲裁结果正确。4.2 神经元电路设计与验证4.2.1 神经元电路设计脉冲神经元电路结构如图 4.4 所示，由图可知，脉冲神经元电路主要由乘法累加模块、衰减模块、膜电位选择模块、膜电位存储模块及比较模块组成。乘法累加模块：该模块主要是对输入脉冲和权值进行加权求和

第四章 处理器硬件电路设计与验证37图4.5 脉冲神经元电路仿真由于神经元的仿真时间较长，故时钟、输入权值和输出权值的波形显示较密集，后续在 STDP 验证时，会有详细的测试波形。由图可知，神经元的膜电位随着外界脉冲和权重的变化而变化，在有外界脉冲时，膜电位 x_p 累加权重，当 x_p 大于var_threshold 时，x_p 复位为 0，标志信号 f_spike 为 1，同时 dt_spike 会存储当前的放电时间
【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

3 王方;苗放;陈垦;;基于优化神经网络的地质灾害监测预警仿真[J];计算机仿真;2019年11期

4 马猛;王明红;;基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J];轻工机械;2019年06期

5 庄连生;吕扬;杨健;李厚强;;时频联合长时循环神经网络[J];计算机研究与发展;2019年12期

6 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

7 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

8 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

9 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

10 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

相关博士学位论文 前10条

1 武晨;DFP航天器动力学特性分析及精确控制方法研究[D];哈尔滨工业大学;2018年

2 冉令燕;基于卷积神经网络的图像分类研究[D];西北工业大学;2018年

3 于佳;语音文档的故事分割技术研究[D];西北工业大学;2018年

4 毛瑞琛;深度神经网络下的规范化地址建设与语义空间模型研究[D];浙江大学;2019年

5 杨旭辉;基于神经网络的C-ADS InjectorⅡ束流偏移校准技术研究[D];兰州大学;2019年

6 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年

7 陈涵瀛;核电站热工水力系统工况预测与诊断方法研究[D];哈尔滨工程大学;2018年

8 梁智杰;聋哑人手语识别关键技术研究[D];华中师范大学;2019年

9 刘昂;微结构硅基光子学器件性能的研究[D];南京大学;2019年

10 赵博雅;基于卷积神经网络的硬件加速器设计及实现研究[D];哈尔滨工业大学;2018年

相关硕士学位论文 前10条

1 焦东岩;卷积神经网络在密度泛函结构预测计算中的应用研究[D];湘潭大学;2019年

2 李智强;基于神经网络的航空发动机推力估计方法研究[D];南京航空航天大学;2019年

3 刘京麦野;基于循环神经网络的语义完整性分析[D];湘潭大学;2019年

4 朱萌钢;基于神经网络的车辆行为预测研究[D];重庆邮电大学;2019年

5 米怡;基于卷积神经网络的车行环境行人识别[D];重庆邮电大学;2019年

6 易亿;基于集成卷积神经网络的交通标志识别研究[D];重庆邮电大学;2019年

7 葛超;基于神经网络的奶牛识别方法研究[D];重庆邮电大学;2019年

8 李净桦;基于神经网络的社交话题热度预测模型研究[D];重庆邮电大学;2019年

9 弓攀豪;融合浅层特征与卷积神经网络的行人检测方法研究[D];重庆邮电大学;2019年

10 詹紫微;基于卷积神经网络的目标跟踪方法研究[D];重庆邮电大学;2019年

本文编号：2854998