（节选）外文翻译--基于FPGA具有学习能力的同时扰动脉冲密度神经网络（译文）

上传人：译***

文档编号：148530

上传时间：2017-03-09

格式：DOCX

页数：8

大小：157.15KB

《（节选）外文翻译--基于FPGA具有学习能力的同时扰动脉冲密度神经网络（译文）》由会员分享，可在线阅读，更多相关《（节选）外文翻译--基于FPGA具有学习能力的同时扰动脉冲密度神经网络（译文）（8页珍藏版）》请在毕设资料网上搜索。

1、中文 4080 字出处： Maeda Y, Tada T. FPGA implementation of a pulse density neural network with learning ability using simultaneous perturbationJ. IEEE Transactions on Neural Networks, 2003, 14(3):688-695. 基于 FPGA 具有学习能力的同时扰动脉冲密度神经网络 Yutaka Maeda and Toshiki Tada 摘要：当考虑到神经网络更广泛的使用时，硬件实现是非常重要的。特

2、别地，伴随学习能力的神经网络的硬件实现是吸引人的。在这些网络中，由于反向传播的方法被广泛使用，学习计划是很有趣的。在电子系统中渐变类型的学习规则不容易实现的，因为网络中所有的权重的梯度计算非常困难。同时扰动方法是更适用，因为学习规则只需要网络的前向操作来修改权重而不像反向传播方法。另外，脉冲密度神经网络有一些有前途的属性，它们在噪声情况下具有鲁棒性，并可以处理模拟量的基础上的数字电路。在本文中，我们描述了一个现场可编程门阵列实现的使用同时扰动方法作为学习计划的脉冲密度神经网络。我们通过一些例子

3、确认神经网络设计和操作的实际可行性。关键词 - 现场可编程门阵列（ FPGA），学习能力，神经网络（ NNS），脉冲密度，同时扰动一、引言神经网络（ NNS）被广泛的应用，其中神经网络通常在普通数字计算机上被用作软件程序。但是，软件不能利用神经网络具有生物特性的价值。在这方面，利用硬件元件比如超大规模集成（ VLSI）来使用神经网络是更好的。在考虑硬件实现神经网络时，硬件系统的学习机制的实现是一个重要而困难的问题 1。正如我们所知道的，反向传播方法是常用的。然而，要实现电子系统的反向传播方法是非常困难的，考虑对所有

4、权重修改量的布线， S形函数的导数计算等。因此，通过梯度方法实现具有学习能力的大规模神经网络是非常困难的，因为梯度的驱动机制是复杂的。从这个角度来看，我们必须设法找到一个容易实现的学习规则。同时扰动法是由 Spall2 3， Alespector4和 Cauwenberghs 5等人提出的。Maeda 也独立提出了具有同时扰动的神经网络的学习规则并发表了该规则实际应用的可行性 6-8。同时，学习规则的优点在于它可以在 VLSI 中实现模拟神经网络 910。同时扰动优化法的优点是方法简单。该方法可以仅使用误差函数的值估算出梯度。因此，

5、相比其它的学习规则来讲，这种学习规则的应用是比较容易的，因为它没有计入反向传播回路的误差。特定的脉冲技术，如脉冲宽度或脉冲流，也进入了实现人工神经网络的研究。例如， El-Masry 等人提出了使用电流模式脉冲宽度调制神经网络的有效应用 11。此外， Murray 等人提出了使用模拟和数字技术的 VLSI 神经网络 12。特别地，脉冲密度神经网络具有迷人的性能。例如，脉冲系统在噪声条件下是不受干扰的。此外，脉冲密度可以处理基于数字电路的模拟值 13。基于这些特点， Hikawa 提出了使用反向传播的基于频率的神经网络

6、 14。在 14中，普通的反向传播方法被施加脉冲密度神经网络。然而，脉冲密度系统采用反向传播方法似乎是困难的。其实， 14中所述的神经网络系统要完成基于脉冲密度的误差传播机制，在这种情况下，电路的设计与同步扰动法相比变得更复杂。最近，现场可编程门阵列（ FPGA）已在许多商业领域中使用，因为它们的可重新配置性和柔软性 15。在与普通的设备软件实现的比较中， FPGA 还似乎是有前途用于实现人工神经网络。 VHDL 是一种非常流行的硬件描述语言（ HDL），它用于描述或设计数字电路。在本研究的基本设计中使用到了 HDL 语言。结合同时扰动方法与脉冲密度系统，我们可以很容易地设计模拟硬件 NN系统，并具有学习能力。用于 FPGA 的脉冲密度 NN 系统的一些功能可以概括如下：1）硬件的平行利用； 2）同时扰动学习规则是非常简单的； 3）模拟神经网络系统是基于数字电路实现的；