目的及意义（含国内外研究现状分析）

课题背景及意义

神经网络是神经元之间的互联，其原理是模拟人脑，它会根据不同的问题产生自己的思考过程或者方式，而这些过程就是各种神经元相互作用和相互传递的过程。所谓神经元就是由多个并行处理的单元组合而成的运算单元，而这些处理单元并不需要十分复杂，但是众多的神经元拼接为一个整体之后便可以具备十分复杂的功能，其最基本的特点就是通过多次训练来适应某个应用环境，表现出对新事物的强大学习能力。并行性、模块性和自适应性是神经网络的典型特征，正是基于这些主要特性，人工神经网络已经在很多领域被广泛有效地利用，主要包括以下领域：计算机视觉、模式识别、智能控制、复杂系统分析、人工智能、医疗、经济等。

目前，实现人工神经网络的方法主要分为软件实现和硬件实现两个方面，两个方面均存在各自的优缺点。软件实现神经网络的方法相对成熟，但由于其存在速度慢、并行度低的特点，所以不能满足神经网络对实时运算的需求。而基于硬件实现的神经网络却具有处理速度快、并行度高的特点。

传统研究中，神经网络的硬件实现方法主要包括并行处理器阵列、数模混合VLSI技术以及利用光电器件实现。近年来，随着系统可重构技术的发展，FPGA已经成为各大设备厂商疯狂角逐的战场。为了更好地适应神经网络应用市场的需求，英特尔、赛灵思等FPGA厂商纷纷推出了自己的神经网络硬件平台解决方案，针对不同类型网络都做出了相应的结构优化。随着FPGA技术及片上系统技术的发展，我们过去所熟知的可编程逻辑芯片，将逐步被可编程片上系统所替代。在电路中实现的已不仅仅是简单的逻辑单元，诸如DSP、复杂计算、高速数据收发器等更为复杂的系统也已经成为可能，这使得FPGA在各个使用领域都展现出强大的能力。

未来，随着集成电路工艺的不断改进与提升，FPGA中将集成更多的功能模块，这将会使得FPGA的处理能力不断增强，使其逐步向超级芯片的方向发展。目前，65nm的SOC FPGA产品已经由赛灵思公司和英特尔公司推出，这些芯片集成的门电路已超过百万门的数量。软核系统的出现更使得FPGA在神经网络领域有了得天独厚的优势。

国内外研究现状

在硬件上实现神经网络最早在60年代出现，其中很有名的当属perception和Adaptive Linear Neuron两种神经网络模型，二者均可接受不同的输入，并根据误差自动去更新相应的突触强度的单个神经元构成的神经网络模型。第一个模型是由CALSPAN Corporation实验室提出的，其改变突触强度采用的方法是电动发动机，成本高且携带困难。第二个模型是Adaptive Linear Neuron即ADALINE神经网络模型，是由Windrow教授提出，用电阻代替电动发动机从而大幅降低成本。

而在其后的二十年中，神经网络的硬件实现研究基本被搁置。直到八十年代，美国著名颜色就这Hopfield提出了用其名字命名的神经网络离散数学随机模型，并设计了一种电子线路，用来对该神经网络特征进行深度模仿。

近些年来，随着FPGA技术的蓬勃发展，俨然已经成为广泛应用的硬件开发平台。目前，FPGA的模块化覆盖的领域越来越多元化，其处理性能和速度也会越来越接近期望值。

在国内外众多研究学者中，自九十年代起各大领域都涌现出了一大批贡献突出的人才，如国外学者在FPGA上利用神经网络实现了分类和感知功能，具有高速处理能力的同时，高精度特性也远超人们想象。在国内，神经网络由单一到复杂的研究也层出不穷，有研究者在FPGA上开发了一种逼近激励函数的算法，应用到前馈网络里。此外，运用FPGA还可以实现神经网络对模糊信息的处理，这些成熟的神经网络针对如今非线性多变的大量信息的处理，无论在性能还是在速度上，都成为神经网络与硬件结合的良性方案。

2. 研究的基本内容与方案

设计的基本内容及可能遇到的问题

设计的基本内容

人工神经网络ANN（Artificial NeuralNetwork）是一个模仿人脑神经网络结构和关系、由物理可实现的大量相互连接的处理单元构成的系统，其结构主要包括输入层、隐含层、输出层。

本课题利用MATLAB软件强大的矩阵运算能力，通过BP算法训练出准确率高、参数范围合理的三层神经网络结构，在传统归一化BP算法的基础上，对各层权值、阈值进行同步扩大、取整等操作后重新验证网络结构的合理性，最终选取合适的网络结构利用FPGA进行实现，并用于手写数字识别。