前馈神经网络和粒子群优化算法的FPGA设计与实现.pdf

摘要

人工神经网络（ArtificialNeuralNetworks）是机器学习的一个分

支，它是一种模仿生物行为特征的生物神经网络结构的数学模型。深

度学习是在神经网络的基础上发展而来的一种新的学习算法，其基本

结构是深度神经网络。粒子群优化算法（PSO）是一种群体智能算法，

可以对目标进行优化。针对目前软件实现的前馈神经网络和粒子群优

化算法存在的一些局限性（功耗、耗时和成本），本论文给出了一种

基于FPGA实现的前馈神经网络和粒子群优化算法的方法，其结构上

实现并行、流水线设计、模块化设计，使得基于FPGA实现的神经网

络和PSO算法功耗更低、耗时更短、计算效率更高。

本论文用FPGA设计与实现的前馈神经网络与粒子群优化算法

的方案主要贡献包括以下几点。

(1)研究了用FPGA设计与实现BP神经网络的逻辑结构，其

中采用模块化编程，根据算法的原理设计电路结构，使得电路更加具

有可移植性和可重配置性。系统设计中输入层模块到隐含层模块和隐

含层模块到输出层模块多采用流水线结构，可以在一个时钟周期下完

成多个操作。隐含层模块、输出层模块和权值、阈值更新模块的数据

计算实现并行，使得用FPGA设计的BP神经网络功耗更低、耗时更

短和计算效率更高。

(2)研究了用FPGA设计与实现卷积神经网络的逻辑结构。用

FPGA实现的卷积神经网络同样采用模块化的思想，可以便捷的改变

网络结构，即增加或减少层数。设计中卷积层模块到池化层模块、池

化层模块到全连接层模块实现流水线操作，卷积层模块、池化层模块

和全连接层模块层内实现并行，加快了卷积神经网络的计算。

(3)研究了用FPGA设计与实现PSO算法的逻辑结构，PSO算

法的FPGA设计与实现同样使用模块化的设计，根据粒子的规模，并

行产生该规模的粒子数据，并行计算粒子的适应度，这样极大地缩短

了计算时间，使得PSO算法在硬件上实现更加具有优势。

本论文给出了一种基于FPGA实现的前馈神经网络与PSO算法

的设计方案并在硬件上验证了该方案。实现的前馈神经网络和PSO

算法具有可移植性、并行性、流水线操作，能够方便的移植到其他网

络。相较于用软件（MATLAB）实现的前馈神经网络和PSO算法而

言，用FPGA实现其资源更少、功耗更低、耗时更短、计算效率更高

和实时性更强。

关键词：神经网络；深度学习；现场可编程门阵列；卷积神经网络；

粒子群优化算法

Abstract

ArtificialNeuralNetworksisabranchofmachinelearning,a

mathematicalmodelofthebiologicalneuralnetworkstructurethatmimics

thecharacteristicsofbiologicalbehavior.Deeplearningisanewlearning

algorithmdevelopedonthebasisofneuralnetworks.Itsbasicstructureis

deepneuralnetwork.ParticleSwarmOptimization(PSO)isaswarm

intelligencealgorithmthatoptimizestargets.Aimingatsomelimitations

(powerconsumption,time-consumingandcost)offeedforwardneural

networksandparticleswarmoptimizationalgorithmsimplementedby

software,thispaperpresentsafeedforwardneuralnetworkandparticle

swarmoptimizationalgorithmbasedonFPGA.Themethod,which

re