[发明专利]基于FPGA的SOM神经网络可配置模块化硬件实现方法

说明书

本发明公开一种基于FPGA的SOM神经网络可配置模块化硬件实现方法，包括以下步骤：首先，根据SOM神经网络的整体运行过程，将模型模块化；其次，采用硬件描述语言对各模块进行描述，完成模块的数字化，从而形成通用的硬件实现功能模块库；最后，在实际应用时，根据需求通过将各模块组合，构造出所需的SOM神经网络硬件。本发明具有灵活的网络规模可配置能力，也具有可以根据实际应用，灵活进行资源占用和运行速度调整的能力。相对于软件实现方法，硬件实现的SOM网络具有很高的运行速度，可以适合高速、智能信息处理的应用需求。本发明为SOM神经网络高级应用提供了新的方法，也可为其他类型人工神经网络的硬件实现提供有价值的借鉴。

技术领域

本发明涉及一种基于FPGA的SOM神经网络可配置模块化硬件实现方法，属于SOM网络的功能实现和应用领域。

背景技术

在人脑中，大量的神经细胞组成了神经网络。神经网络作为人脑信息处理的物质基础和核心，一直被各个领域的学者从不同的角度进行研究。生物神经网络的显著特性有分布存储、并行处理、强自学习能力、强鲁棒性和容错性，人们试图通过模拟大脑神经网络处理信息的方式去构造能够进行同样信息处理的人工神经网络，这些特性便成为了人工神经网络追求的目标。随着脑科学和生理学研究的深入，科学家们发现人脑中空间上的不同区域具有不同的功能，处于不同功能区的神经细胞对来自外部的同一个刺激信号的敏感程度不同。根据这些特点，上世纪80年代，芬兰的神经网络专家Kohonen教授提出了自组织映射(Self-Organizing Maps，简称SOM)神经网络模型，该模型能够模拟人脑对信号处理的特点，是目前应用最为广泛的自组织神经网络模型。

目前，人工神经网络的实现与应用大多采用基于计算机的软件仿真方法。但是生物神经网络是由大量的神经元(Neurons)和突触组成，具有自学习能力和可塑性等，软件仿真方法无法真正发挥神经网络并行、分布式、高速计算等性能，因此，采用软件仿真方法不能充分实现对生物神经网络特性与优势的模拟。从上世纪80年代开始，神经网络的硬件实现逐渐成为研究热点。在硬件实现方法上，一种趋势是利用由微电子元件和纳米元件形成的超大规模集成电路来实现人工神经网络；另一种趋势是采用现场可编程门阵列(FPGA)等可编程器件实现神经网络。同前一种方法相比，FPGA具有资源更加丰富，可灵活配置、开发手段灵活易用、成本低、开发周期短、可实现人工神经网络具有的并行处理等特性，因而被广泛应用。

目前，基于FPGA硬件实现人工神经网络的研究成果多是针对特定应用，因此，网络规模固定，内部的实现结构也不能按需配置，不具有通用性。因此，迫切需要一种网络规模可重配置、内部实现结构可按需配置、可进行资源优化和速度优化的、通用的硬件实现方法。

发明内容

针对上述技术问题，本发明提供一种基于FPGA的SOM神经网络可配置模块化硬件实现方法，该方法能够根据需求灵活改变网络规模和运算精度。

本发明所采用的技术解决方案是：

一种基于FPGA的SOM神经网络可配置模块化硬件实现方法，包括以下步骤：

(1)根据SOM神经网络的整体运行过程，将模型模块化；

(2)采用硬件描述语言对各模块进行描述，完成模块的数字化，从而形成通用的硬件实现功能模块库；

(3)在实际应用时，根据需求通过将各模块组合，构造出所需的SOM神经网络硬件。

优选的，利用MATLAB软件对SOM神经网络的学习和识别过程进行软件仿真；将SOM神经网络划分为五个主要的功能模块，首先分别对各个功能模块进行硬件实现，然后对其进行组合，最后实现目标SOM神经网络。

优选的，所述五个主要的功能模块包括：

a学习模块：完成网络的学习功能，调整和更新网络权值以及获得获胜神经元标号序列；