本文關鍵詞：前饋人工神經(jīng)網(wǎng)絡的CMOS模擬電路實現(xiàn)研究

  更多相關文章： 線性加權電路 Sigmoid函數(shù) 高斯函數(shù) 模糊神經(jīng)網(wǎng)絡 數(shù)據(jù)分類

【摘要】：人工神經(jīng)網(wǎng)絡(Artificial Neural Network,ANN)是一種旨在模擬人腦神經(jīng)活動機理的非線性信息處理系統(tǒng),具有分布并行計算、自組織學習、容錯性的特點,目前已廣泛應用于數(shù)據(jù)分析、人工智能、預報和智能信息管理等領域。作為人工神經(jīng)網(wǎng)絡研究的重要組成部分,神經(jīng)網(wǎng)絡的實現(xiàn)方式主要有硬件實現(xiàn)和軟件實現(xiàn)。基于軟件實現(xiàn)的神經(jīng)網(wǎng)絡并行計算能力較差,難以滿足網(wǎng)絡的實時運算要求,而采用硬件實現(xiàn)方式的神經(jīng)網(wǎng)絡充分發(fā)揮了網(wǎng)絡并行處理信息的快速性和精確性,從而有助于解決高度復雜的數(shù)據(jù)問題。而在神經(jīng)網(wǎng)絡硬件實現(xiàn)方式中,相對于數(shù)字實現(xiàn)方式,采用模擬電路實現(xiàn)的神經(jīng)網(wǎng)絡雖易受到外界噪聲的影響,但也具有占用芯片面積小、運算快、線性度好等優(yōu)點,因而成為當今及未來神經(jīng)網(wǎng)絡實現(xiàn)技術研究的重要內(nèi)容。目前采用模擬電路實現(xiàn)的神經(jīng)網(wǎng)絡種類較少,且已實現(xiàn)的網(wǎng)絡在電路結構、性能等方面還可進一步得到優(yōu)化和提升�；谏窠�(jīng)網(wǎng)絡硬件實現(xiàn)研究的全面性,本文采用CMOS模擬電路完成了兩種前饋人工神經(jīng)網(wǎng)絡——感知器和模糊神經(jīng)網(wǎng)絡的硬件設計與性能分析,并探討了其應用。本文完成的主要工作及創(chuàng)新點有:(1)為實現(xiàn)神經(jīng)元激勵函數(shù)的多參數(shù)可調(diào)與電路的結構優(yōu)化,分別設計了梯形函數(shù)電路、Sigmoid函數(shù)電路和高斯函數(shù)電路。提出的高斯函數(shù)電路由兩個交叉耦合差分對管構成,可通過改變尾電流和偏置電壓實現(xiàn)對函數(shù)各參數(shù)的調(diào)節(jié),并可通過增加差分對數(shù)的方式實現(xiàn)函數(shù)的多類型輸出。而設計的Sigmoid函數(shù)電路不僅能實現(xiàn)單極性和雙極性Sigmoid函數(shù)輸出,而且可通過調(diào)節(jié)電路的偏置電壓和電流實現(xiàn)對函數(shù)增益因子、幅值和閾值的編程。(2)為實現(xiàn)神經(jīng)網(wǎng)絡突觸電路的權值修正功能,分別提出了電流模式四象限乘法器和線性可調(diào)全差分OTA,電路均可通過改變外部偏置電流實現(xiàn)對突觸權值的調(diào)整,且實現(xiàn)的突觸模塊電路具有線性度好、精度高、輸入輸出范圍廣等優(yōu)點,可作為基本線性加權模塊應用到各類神經(jīng)網(wǎng)絡中。(3)為解決模糊神經(jīng)網(wǎng)絡硬件電路結構復雜、輸出精度低的問題,分別采用高斯函數(shù)電路、最小和最大電路、電流模式乘法/除法器模擬實現(xiàn)模糊神經(jīng)網(wǎng)絡的模糊化、推理計算和去模糊功能,提出的各單元模塊電路結構簡單、精度高且易于擴展,最后完成了模糊神經(jīng)網(wǎng)絡的整體電路設計,并通過了仿真驗證。(4)利用實現(xiàn)的神經(jīng)元突觸電路和激勵函數(shù)電路等模塊,完成了兩類前饋人工神經(jīng)網(wǎng)絡的硬件電路設計,并通過實現(xiàn)異或運算、數(shù)據(jù)分類進行了驗證。
【關鍵詞】：線性加權電路 Sigmoid函數(shù) 高斯函數(shù) 模糊神經(jīng)網(wǎng)絡 數(shù)據(jù)分類
【學位授予單位】：湘潭大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP183;TN710
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 課題研究的背景及意義9-10
• 1.2 課題的國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢10-13
• 1.2.1 課題研究的國內(nèi)外現(xiàn)狀10-12
• 1.2.2 課題研究的新趨勢12-13
• 1.3 論文的主要研究內(nèi)容13-14
• 1.4 論文結構及內(nèi)容安排14-15
• 第2章 人工神經(jīng)網(wǎng)絡的基礎模型15-27
• 2.1 神經(jīng)元模型15-17
• 2.1.1 生物神經(jīng)元模型15-16
• 2.1.2 人工神經(jīng)元模型16-17
• 2.2 人工神經(jīng)網(wǎng)絡模型及分類17-19
• 2.3 前饋人工神經(jīng)網(wǎng)絡模型19-26
• 2.3.1 感知器模型19-22
• 2.3.2 誤差反向傳播（BP）神經(jīng)網(wǎng)絡模型22-24
• 2.3.3 模糊神經(jīng)網(wǎng)絡模型24-26
• 2.4 本章小結26-27
• 第3章 神經(jīng)網(wǎng)絡激勵函數(shù)的硬件設計與實現(xiàn)27-47
• 3.1 激勵函數(shù)的選擇與實現(xiàn)方式27-29
• 3.1.1 激勵函數(shù)的選擇27-28
• 3.1.2 激勵函數(shù)的實現(xiàn)方式28-29
• 3.2 梯形激勵函數(shù)電路29-31
• 3.2.1 梯形激勵函數(shù)29
• 3.2.2 梯形激勵函數(shù)的電路實現(xiàn)29-31
• 3.3 神經(jīng)元Sigmoid激勵函數(shù)及其導數(shù)電路實現(xiàn)31-42
• 3.3.1 神經(jīng)元Sigmoid激勵函數(shù)電路31-33
• 3.3.2 輸入電流電壓轉換電路33-34
• 3.3.3 Sigmoid激勵函數(shù)主電路34-36
• 3.3.4 輸出電流電壓變換器36-37
• 3.3.5 Sigmoid激勵函數(shù)的導函數(shù)電路實現(xiàn)37-39
• 3.3.6 誤差分析39
• 3.3.7 電路的可編程性分析39-42
• 3.4 高斯函數(shù)電路42-46
• 3.4.1 高斯隸屬度函數(shù)42-43
• 3.4.2 高斯函數(shù)的電路實現(xiàn)43-46
• 3.5 本章小結46-47
• 第4章 基于CMOS技術的前饋人工神經(jīng)網(wǎng)絡實現(xiàn)47-69
• 4.1 人工神經(jīng)元的硬件實現(xiàn)47-55
• 4.1.1 人工神經(jīng)元的硬件設計47-48
• 4.1.2 電流模式乘法器的電路設計48-51
• 4.1.3 線性可調(diào)OTA的電路設計51-55
• 4.2 前饋人工神經(jīng)網(wǎng)絡的實現(xiàn)55-56
• 4.3 模糊神經(jīng)網(wǎng)絡的電路設計與實現(xiàn)56-68
• 4.3.1 模糊神經(jīng)網(wǎng)絡的電路設計56-57
• 4.3.2 模糊化電路57-60
• 4.3.3 模糊推理電路60-63
• 4.3.4 去模糊電路63-66
• 4.3.5 模糊神經(jīng)網(wǎng)絡的電路實現(xiàn)66-68
• 4.4 本章小結68-69
• 第5章 前饋人工神經(jīng)網(wǎng)絡的應用研究69-77
• 5.1 異或運算的實現(xiàn)69-71
• 5.2 數(shù)據(jù)分類71-76
• 5.2.1 一維數(shù)據(jù)分類72-73
• 5.2.2 多維數(shù)據(jù)分類73-76
• 5.3 本章小結76-77
• 第6章 總結與展望77-79
• 6.1 總結77-78
• 6.2 展望78-79
• 參考文獻79-83
• 致謝83-84
• 個人簡歷、在校期間發(fā)表學術論文與研究成果84

，

本文編號：787783