前饋人工神經網絡的硬件實現(xiàn)研究.pdf

1、人工神經網絡(ANN)是一種力圖建立人腦神經活動的數(shù)學模型，進而模仿人腦結構及其功能的信息處理系統(tǒng)。人工神經網絡能夠大規(guī)模并行處理信息，具有自組織、自適應、自學習能力和容錯性的優(yōu)點。人工神經網絡的實現(xiàn)方法主要有軟件實現(xiàn)和硬件實現(xiàn)。傳統(tǒng)的軟件實現(xiàn)方法無法實現(xiàn)并行計算，處理速度有限，難于滿足實時性的要求，使得應用研究跟不上理論研究。而采用硬件方法實現(xiàn)的神經網絡則克服了前者的缺點，能夠充分體現(xiàn)人工神經網絡并行處理信息的特點。模擬電路結構簡單、

2、功耗低、處理速度快、占片面積小，適合用來實現(xiàn)結構復雜的神經網絡。但是，相對于設計方法成熟、精度高而且擴展性好的數(shù)字電路，模擬電路需要同時考慮功耗、速度、精度、增益、帶寬、擺幅、電源電壓等各個方面的影響并進行折衷處理，這正是模擬VLSI(Very Large Scale Integration)技術始終沒有取得突破的原因。本文運用TMSC0.35μm標準CMOS工藝設計了前饋人工神經網絡的各單元模塊電路，進而利用提出的單元模塊電路實現(xiàn)了前

3、饋人工神經網絡系統(tǒng)的設計，并探討了其應用。
　　本研究主要內容包括：⑴采用兩個平方電路分別為兩個基本差分式OTA提供偏置電流，實現(xiàn)了一種跨導寬范圍線性可調全差分OTA(LOTA）。提出的LOTA解決了電壓輸入范圍和跨導調節(jié)范圍不能同時增大的矛盾，實現(xiàn)了跨導增益從負到正的范圍內連續(xù)線性調節(jié)，因而滿足神經網絡突觸電路的要求。⑵在AB類電流鏡基礎上采用兩個跨導線性環(huán)電路，設計了一個高精度電流模式四象限模擬乘法器。Pspice仿真測試結果

4、表明提出的乘法器具有精度高、輸入范圍廣、線性度好、功耗低等優(yōu)點,可作為電流輸入的突觸電路應用于神經網路中。⑶為了解決神經元激活函數(shù)電路結構復雜、參數(shù)不可調、與突觸電路不匹配的問題，基于跨導線性環(huán)和基本差分跨導電路，提出了一種神經元雙極性Sigmoid激活函數(shù)及其導函數(shù)發(fā)生器，該函數(shù)發(fā)生器結構簡單、易于編程。通過改變外部偏置電流和電壓可調節(jié)函數(shù)的幅值、閾值和增益因子。⑷為了克服傳統(tǒng)單層感知器不能解決異或問題以及對線性不可分數(shù)據(jù)進行分類的缺

5、點，提出了一個神經元梯形激活函數(shù)電路，電路結構簡單，僅由一個減法電路和兩個閾值函數(shù)電路構成。⑸利用提出的單元模塊電路實現(xiàn)了前饋人工神經網絡的設計，并探討了其應用，實現(xiàn)的神經網絡可用于解決異或問題，實現(xiàn)一維、多維數(shù)據(jù)分類。⑹介紹了版圖設計的一般規(guī)則、基本流程、工具平臺以及應對外部干擾的防護措施，采用Cadence軟件的Virtuoso Layout Editor對LOTA、電流模式乘法器、雙極性Sigmoid函數(shù)和梯形函數(shù)電路等神經網絡單