基于VHDL的BP神經網絡的設計與實現

周慶芳

摘 要：人工神經網絡的組成包含了多個簡單處理單元，通過某種方式將這些處理單元連接在一起，構成一個有關人工神經網絡的計算系統。這個系統能動態響應外部輸入信息，并進行信息的處理。

關鍵詞：BP神經網絡；VHDL；模擬與仿真

一、人工神經理論基礎

神經網絡又被稱為鏈接模型，其本身是模仿動物的神經網絡，并根據其行為特征分布式進行算法數學模型處理。在計算機上，人們可以利用并行或者串行的模式模擬仿真，實現人們自身的神經網絡模型算法。在特定應用情況下，進行神經網絡研究的目標則是高性能專用的神經網絡硬件。

神經元是人工神經網絡的基本單元，具有一定的信息處理方面的能力。對于輸入的內容，神經元可以簡單進行處理，能根據學習規則做好加權求和，并根據權值來獲取神經元的狀態輸出，以便對刺激進行處理。還可建立基于VHDL語言的神經網絡元件庫，它包括基本單元、控制單元兩個部分。

二、 BP神經網絡結構模型

BP神經網絡由輸入層、隱含層和輸出層組成，相鄰層之間的各個神經元實現全連接，每層各個神經元之間沒有連接。

BP算法正向傳播過程：輸入信號從輸入層輸入，經過隱含層傳向輸出層。如果輸出層的實際輸出與期望輸出一致，那么學習算法結束。基本控制單元用于建立隱含層和輸出層的神經元，主要解決信號運算后權值存儲問題，它主要包括加權乘法、神經元輸入信號的累加、非線性激勵函數的實現、權值存儲等基本模塊。

圖1中xi代表第i個輸入，wij代表輸入i和神經元j之間的權值（weight），yj是第j個輸出。如圖1所示可以得到：

y1=f（x1.w11+x2.w21+x3.w31 ） 2-1

y2=f（x1.w11+x2.w22+x3.w32） 2-2

y3=f（x1.w11+x2.w23+x3.w33） 2-3

其中f（ ）是激化函數（如線性閾值的sigmoid函數等）。

三、神經網絡模型與仿真

clk產生脈沖信號，輸入端x1，x2，x3 分別置為011，100，101，權值初值設為0000，通過9個脈沖周期一次遞增到1000，將權值與輸入值進行運算，得出結果。在權值固定時，輸出取決于輸入，不同的輸入得到不同的輸出結果。而在權值變化時，輸出就由輸入和權值決定。

為了仿真的結果更直觀，代碼采用的每個神經元的3個輸入信號以及權值的位寬都為4，且帶有符號。權值共設了9個，采用9個時鐘周期將權值移入值。模擬與仿真的結果如圖2所示。

結果分析：模擬結果與結果一致，此仿真成功。

四、結語

基于VHDL編程實現簡單神經網絡的軟件模擬與仿真，從算法的提出到模型的建立，完整地體現神經網絡的可用性與優越性。文中所提的神經網絡模型是對單個神經網絡的模擬與仿真，以及基于二維數組的多個輸入輸出的大規模神經網絡的模擬。由于VHDL語言編程的靈活性，可以將編程下載到芯片用硬件實現對神經網絡的模擬，以提高系統運算的速度和可靠性。

參考文獻：

[1]張青貴.人工神經網絡導論[M].北京：中國水利水電出版社，2004.

[2]周志華，曹存根.神經網絡及其應用[M].北京：清華大學出版社，2009.