基于FPGA的RBF神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)
摘要：介紹了RBF神經(jīng)網(wǎng)絡(luò)，并采用CORDIC算法實(shí)現(xiàn)了其隱層非線性高斯函數(shù)的映射。同時(shí)，為縮減ROM表的存儲(chǔ)空間并提高查表效率，本設(shè)計(jì)還采用了基于STAM算法的非線性存儲(chǔ)。最后，以Altera公司開(kāi)發(fā)的EDA工具QuarlusⅡ作為編譯、仿真平臺(tái)，采用Cyclone系列中的EP1C6Q 240C8器件，實(shí)現(xiàn)了RBF神經(jīng)網(wǎng)絡(luò)在FPGA上的實(shí)現(xiàn)，并以XOR問(wèn)題為算例進(jìn)行硬件仿真，得出仿真結(jié)果與理論值一致。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；FPCA；CORDIC；STAM 人工神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于圖像處理、模式識(shí)別和自動(dòng)控制等領(lǐng)域。但是，傳統(tǒng)的基于軟件實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)，存在并行程度低、速度慢，計(jì)算速度無(wú)法滿足實(shí)時(shí)性的需求，造成了理論研究與實(shí)際應(yīng)用脫節(jié)。因此，神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)是神經(jīng)網(wǎng)絡(luò)研究的基本問(wèn)題之一。神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)的最大特點(diǎn)就是體現(xiàn)了系統(tǒng)的并行性，處理速度快，易于滿足實(shí)時(shí)性要求。另外，算法的復(fù)雜程度以及在實(shí)際工程中應(yīng)用的可行性仍需要通過(guò)硬件的實(shí)現(xiàn)效果來(lái)檢驗(yàn)。因此，神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)意義重大。1 RBF神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介 徑向基函數(shù)(Radial Basis Function，RBF)網(wǎng)絡(luò)是由Moody J和Darken C于20世紀(jì)80年代末提出的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是一種有監(jiān)督的神經(jīng)網(wǎng)絡(luò)。它是借鑒生物機(jī)制中的局部凋節(jié)及交叉接受區(qū)域知識(shí)的基礎(chǔ)上提出的一種采用局部接受域來(lái)執(zhí)行函數(shù)映射的人工神經(jīng)網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)最基本的構(gòu)成包括3層，其結(jié)構(gòu)如圖1所示，其中每一層都有著完全不同的作用。
輸入層由一些源點(diǎn)(感知單元)組成，他們將網(wǎng)絡(luò)與外界環(huán)境連接起來(lái)；第二層是網(wǎng)絡(luò)中僅有的一個(gè)隱層，它的作用是進(jìn)行從輸入空間到隱層空間的非線性變換。隱層節(jié)點(diǎn)中的作用函數(shù)(基函數(shù))對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)，也就是說(shuō)，當(dāng)輸入信號(hào)靠近基函數(shù)的中央范圍時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出，由此看出這種網(wǎng)絡(luò)具有局部逼近能力。輸出層是線性的，它為作用于輸入層的激活模式(信號(hào))提供響應(yīng)。 徑向基函數(shù)有多種形式，如：二次型、逆二次型或Gauss型等。若采用高斯函數(shù)作為徑向基函數(shù)，則神經(jīng)元的輸出為： 上式中，m是隱含層結(jié)點(diǎn)數(shù)；‖·‖是歐幾里德范數(shù)；Ci和σi分別為與每個(gè)隱含層節(jié)點(diǎn)相關(guān)的參數(shù)向量的中心和寬度；ωi是第i個(gè)基函數(shù)與輸出結(jié)點(diǎn)的連接權(quán)值。2 RBF網(wǎng)絡(luò)的FPGA實(shí)現(xiàn)2．1 RBF單元中心Ci和半徑σi的確定 對(duì)各RBF的中心及半徑的確定通常有以下兩種方式： 1)根據(jù)經(jīng)驗(yàn)選中心。只要訓(xùn)練樣本的分布能代表所給問(wèn)題，可根據(jù)經(jīng)驗(yàn)選定均勻分布的m個(gè)中心，其間距離為d，則高斯函數(shù)的方差(即半徑σi)為，其中m為中心數(shù)。 2)用聚類方法，把樣本聚成幾類，以類中心為各RBF函數(shù)的中心。 首先，中心Ci確定。采用k-均值聚類分析技術(shù)確定Ci。找出有代表性的數(shù)據(jù)點(diǎn)(不一定位于原始數(shù)據(jù)點(diǎn))作為RBF單元中心，從而極大地減少隱RBF單元數(shù)目，降低網(wǎng)絡(luò)復(fù)雜化程度。利用k-均值算法獲得各個(gè)聚類中心后，即可將之賦給各RBF單元作為RBF的中心。 然后，半徑σi的確定。半徑σi決定了RBF單元接受域的大小，對(duì)網(wǎng)絡(luò)的精度有極大的影響。半徑選擇的原則是使得所有RBF單元的接受域之和覆蓋整個(gè)訓(xùn)練樣本空間。 通常應(yīng)用k-均值聚類法后，對(duì)每個(gè)聚類中心Ci可以令相應(yīng)的半徑σi等于與其屬于該類的訓(xùn)練樣本之間的平均距離，即 2．2 調(diào)節(jié)權(quán)矩陣W 這里權(quán)W是指輸出層和隱層之間的權(quán)值，可以采用線性最小二乘法和梯度法來(lái)調(diào)節(jié)權(quán)矩陣W。 由于輸出為線性單元，因而可以確保梯度算法收斂于全局最優(yōu)解。所以，在本設(shè)計(jì)中采用梯度法來(lái)修改權(quán)值W。
標(biāo)簽： FPGA 神經(jīng)網(wǎng)絡(luò) 硬件實(shí)現(xiàn)
