深度學(xué)習(xí)已經(jīng)在語(yǔ)音識(shí)別、物體檢測(cè)、自然語(yǔ)言處理、自動(dòng)駕駛等多個(gè)領(lǐng)域中展現(xiàn)出了優(yōu)異的性能。但高準(zhǔn)確率的背后還存在計(jì)算代價(jià)大、通用智能水平弱等許多局限性�；诿}沖神經(jīng)網(wǎng)絡(luò)（Spiking Neuron Networks,SNN）的神經(jīng)形態(tài)計(jì)算由于工作機(jī)理更接近于生物大腦,被認(rèn)為有望克服深度學(xué)習(xí)的不足而成為解決人工智能問(wèn)題的更佳途徑。但是如何滿足高性能、低功耗和適應(yīng)規(guī)模伸縮需求仍是神經(jīng)形態(tài)計(jì)算系統(tǒng)需要解決的挑戰(zhàn)性問(wèn)題。由于神經(jīng)元和突觸的種類較多,且目前SNN還處于研究階段,出于靈活性和實(shí)現(xiàn)難度,現(xiàn)階段更傾向于用軟件來(lái)模擬和研究SNN。SNN軟件仿真器NEST,具有支持神經(jīng)元和突觸模型多,且其更加關(guān)注于SNN的規(guī)模、動(dòng)力學(xué)以及結(jié)構(gòu),而受到腦科學(xué)家、計(jì)算神經(jīng)科學(xué)家的青睞。但是由于CPU本身的架構(gòu)原因,導(dǎo)致NEST仿真器在CPU平臺(tái)運(yùn)行速度慢、功耗高。針對(duì)這些問(wèn)題,本文的主要工作和創(chuàng)新點(diǎn)有以下幾個(gè)方面:第一,為了分析NEST仿真器仿真速度慢的原因,設(shè)計(jì)了一種針對(duì)NEST仿真器的量化實(shí)驗(yàn)。分析NEST脈沖神經(jīng)網(wǎng)絡(luò)仿真器的工作原理以及計(jì)算密集點(diǎn),量化實(shí)驗(yàn)數(shù)據(jù),分析各個(gè)部分的仿真時(shí)間。通過(guò)兩個(gè)典型的案例... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 論文結(jié)構(gòu)
第二章 類腦計(jì)算相關(guān)基礎(chǔ)介紹
    2.1 類腦計(jì)算
        2.1.1 神經(jīng)元模型
        2.1.2 突觸模型
        2.1.3 網(wǎng)絡(luò)拓?fù)?br>        2.1.4 學(xué)習(xí)算法
    2.2 類腦計(jì)算仿真工具NEST運(yùn)行機(jī)制
    2.3 ZYNQ平臺(tái)介紹
    2.4 ZYNQ開發(fā)方式
        2.4.1 優(yōu)化方法
        2.4.2 開發(fā)流程
    2.5 本章小結(jié)
第三章 基于ZYNQ的神經(jīng)形態(tài)計(jì)算工作負(fù)載研究
    3.1 NEST實(shí)現(xiàn)機(jī)制的SNN計(jì)算建模
        3.1.1 內(nèi)存與時(shí)間分布分析
        3.1.2 SNN計(jì)算建模
    3.2 NEST脈沖神經(jīng)網(wǎng)絡(luò)仿真器參數(shù)量化與性能分析
        3.2.1 參數(shù)量化
        3.2.2 性能評(píng)估
    3.3 實(shí)驗(yàn)及結(jié)果
        3.3.1 基準(zhǔn)測(cè)試
        3.3.2 建模與量化
    3.4 本章小結(jié)
第四章 基于ZYNQ的神經(jīng)形態(tài)計(jì)算加速方法研究與實(shí)現(xiàn)
    4.1 STDP學(xué)習(xí)算法
        4.1.1 HPC Bench Mark
        4.1.2 STDP算法介紹
    4.2 基于ZYNQ的神經(jīng)形態(tài)計(jì)算加速方法研究與實(shí)現(xiàn)
        4.2.1 NEST框架分析和加速方案選擇
        4.2.2 函數(shù)的優(yōu)化
    4.3 NEST仿真器的FPGA硬件加速器設(shè)計(jì)
        4.3.1 NEST仿真器突觸STDP學(xué)習(xí)算法對(duì)權(quán)重的更新流程
        4.3.2 輸入硬件架構(gòu)設(shè)計(jì)
        4.3.3 加速器整體架構(gòu)設(shè)計(jì)
    4.4 支持NEST仿真器集群的FPGA硬件架構(gòu)設(shè)計(jì)
    4.5 實(shí)驗(yàn)和總結(jié)
        4.5.1 實(shí)驗(yàn)環(huán)境介紹
        4.5.2 NEST官方Bench Mark仿真結(jié)果
        4.5.3 FPGA資源利用情況
    4.6 性能評(píng)估
    4.7 本章小結(jié)
第五章 基于FPGA的脈沖神經(jīng)網(wǎng)絡(luò)仿真器
    5.1 基于大腦皮質(zhì)層的圖像分類算法
        5.1.1 SNN圖像分類算法分析
        5.1.2 LIF神經(jīng)元模型分析
    5.2 基于FPGA的 SNN硬件架構(gòu)設(shè)計(jì)
        5.2.1 NEST仿真器神經(jīng)元計(jì)算模塊設(shè)計(jì)
        5.2.2 NEST仿真器與硬件數(shù)據(jù)交互模式
        5.2.3 神經(jīng)元模塊設(shè)計(jì)
    5.3 實(shí)驗(yàn)和結(jié)果分析
        5.3.1 脈沖神經(jīng)網(wǎng)絡(luò)圖片分類仿真結(jié)果
        5.3.2 性能評(píng)估
    5.4 本章小結(jié)
第六章 主要結(jié)論與展望
    6.1 課題研究總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄:作者在攻讀碩士期間發(fā)表的論文、成果和科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]多媒體技術(shù)研究:2015——類腦計(jì)算的研究進(jìn)展與發(fā)展趨勢(shì)[J]. 黃鐵軍,施路平,唐華錦,潘綱,陳云霽,于俊清.  中國(guó)圖象圖形學(xué)報(bào). 2016(11)
[2]腦科學(xué)與類腦研究概述[J]. 蒲慕明,徐波,譚鐵牛.  中國(guó)科學(xué)院院刊. 2016(07)



本文編號(hào)：3147692