当前位置:主页 > 科技论文 > 自动化论文 >

前馈人工神经网络的CMOS模拟电路实现研究

发布时间:2017-09-03 22:38

  本文关键词:前馈人工神经网络的CMOS模拟电路实现研究


  更多相关文章: 线性加权电路 Sigmoid函数 高斯函数 模糊神经网络 数据分类


【摘要】:人工神经网络(Artificial Neural Network,ANN)是一种旨在模拟人脑神经活动机理的非线性信息处理系统,具有分布并行计算、自组织学习、容错性的特点,目前已广泛应用于数据分析、人工智能、预报和智能信息管理等领域。作为人工神经网络研究的重要组成部分,神经网络的实现方式主要有硬件实现和软件实现。基于软件实现的神经网络并行计算能力较差,难以满足网络的实时运算要求,而采用硬件实现方式的神经网络充分发挥了网络并行处理信息的快速性和精确性,从而有助于解决高度复杂的数据问题。而在神经网络硬件实现方式中,相对于数字实现方式,采用模拟电路实现的神经网络虽易受到外界噪声的影响,但也具有占用芯片面积小、运算快、线性度好等优点,因而成为当今及未来神经网络实现技术研究的重要内容。目前采用模拟电路实现的神经网络种类较少,且已实现的网络在电路结构、性能等方面还可进一步得到优化和提升。基于神经网络硬件实现研究的全面性,本文采用CMOS模拟电路完成了两种前馈人工神经网络——感知器和模糊神经网络的硬件设计与性能分析,并探讨了其应用。本文完成的主要工作及创新点有:(1)为实现神经元激励函数的多参数可调与电路的结构优化,分别设计了梯形函数电路、Sigmoid函数电路和高斯函数电路。提出的高斯函数电路由两个交叉耦合差分对管构成,可通过改变尾电流和偏置电压实现对函数各参数的调节,并可通过增加差分对数的方式实现函数的多类型输出。而设计的Sigmoid函数电路不仅能实现单极性和双极性Sigmoid函数输出,而且可通过调节电路的偏置电压和电流实现对函数增益因子、幅值和阈值的编程。(2)为实现神经网络突触电路的权值修正功能,分别提出了电流模式四象限乘法器和线性可调全差分OTA,电路均可通过改变外部偏置电流实现对突触权值的调整,且实现的突触模块电路具有线性度好、精度高、输入输出范围广等优点,可作为基本线性加权模块应用到各类神经网络中。(3)为解决模糊神经网络硬件电路结构复杂、输出精度低的问题,分别采用高斯函数电路、最小和最大电路、电流模式乘法/除法器模拟实现模糊神经网络的模糊化、推理计算和去模糊功能,提出的各单元模块电路结构简单、精度高且易于扩展,最后完成了模糊神经网络的整体电路设计,并通过了仿真验证。(4)利用实现的神经元突触电路和激励函数电路等模块,完成了两类前馈人工神经网络的硬件电路设计,并通过实现异或运算、数据分类进行了验证。
【关键词】:线性加权电路 Sigmoid函数 高斯函数 模糊神经网络 数据分类
【学位授予单位】:湘潭大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TP183;TN710
【目录】:
  • 摘要4-5
  • Abstract5-9
  • 第1章 绪论9-15
  • 1.1 课题研究的背景及意义9-10
  • 1.2 课题的国内外研究现状及发展趋势10-13
  • 1.2.1 课题研究的国内外现状10-12
  • 1.2.2 课题研究的新趋势12-13
  • 1.3 论文的主要研究内容13-14
  • 1.4 论文结构及内容安排14-15
  • 第2章 人工神经网络的基础模型15-27
  • 2.1 神经元模型15-17
  • 2.1.1 生物神经元模型15-16
  • 2.1.2 人工神经元模型16-17
  • 2.2 人工神经网络模型及分类17-19
  • 2.3 前馈人工神经网络模型19-26
  • 2.3.1 感知器模型19-22
  • 2.3.2 误差反向传播(BP)神经网络模型22-24
  • 2.3.3 模糊神经网络模型24-26
  • 2.4 本章小结26-27
  • 第3章 神经网络激励函数的硬件设计与实现27-47
  • 3.1 激励函数的选择与实现方式27-29
  • 3.1.1 激励函数的选择27-28
  • 3.1.2 激励函数的实现方式28-29
  • 3.2 梯形激励函数电路29-31
  • 3.2.1 梯形激励函数29
  • 3.2.2 梯形激励函数的电路实现29-31
  • 3.3 神经元Sigmoid激励函数及其导数电路实现31-42
  • 3.3.1 神经元Sigmoid激励函数电路31-33
  • 3.3.2 输入电流电压转换电路33-34
  • 3.3.3 Sigmoid激励函数主电路34-36
  • 3.3.4 输出电流电压变换器36-37
  • 3.3.5 Sigmoid激励函数的导函数电路实现37-39
  • 3.3.6 误差分析39
  • 3.3.7 电路的可编程性分析39-42
  • 3.4 高斯函数电路42-46
  • 3.4.1 高斯隶属度函数42-43
  • 3.4.2 高斯函数的电路实现43-46
  • 3.5 本章小结46-47
  • 第4章 基于CMOS技术的前馈人工神经网络实现47-69
  • 4.1 人工神经元的硬件实现47-55
  • 4.1.1 人工神经元的硬件设计47-48
  • 4.1.2 电流模式乘法器的电路设计48-51
  • 4.1.3 线性可调OTA的电路设计51-55
  • 4.2 前馈人工神经网络的实现55-56
  • 4.3 模糊神经网络的电路设计与实现56-68
  • 4.3.1 模糊神经网络的电路设计56-57
  • 4.3.2 模糊化电路57-60
  • 4.3.3 模糊推理电路60-63
  • 4.3.4 去模糊电路63-66
  • 4.3.5 模糊神经网络的电路实现66-68
  • 4.4 本章小结68-69
  • 第5章 前馈人工神经网络的应用研究69-77
  • 5.1 异或运算的实现69-71
  • 5.2 数据分类71-76
  • 5.2.1 一维数据分类72-73
  • 5.2.2 多维数据分类73-76
  • 5.3 本章小结76-77
  • 第6章 总结与展望77-79
  • 6.1 总结77-78
  • 6.2 展望78-79
  • 参考文献79-83
  • 致谢83-84
  • 个人简历、在校期间发表学术论文与研究成果84


本文编号:787783

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/787783.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户faadf***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com