基于FPGA的神经网络硬件可重构实现

针对软件实现神经网络速度慢的缺点,介绍了一种神经网络在FPGA上可重构实现的设计方法.设计中依据成熟的BP算法公式,以一个三层的BP网络为例,利用Verilog HDL硬件语言自顶向下设计各个模块,使网络训练时将前向模块、误差反传模块和相应的控制模块同时配置到FPGA中进行网络训练;而当训练好的网络正常工作时,只在FPGA中配置前向模块和相应的控制模块就可以高速运行该神经网络.实验结果表明,该系统结构能极大地提高BP网络的学习速度.     

BP神经网络的网络拓朴可重构及其实现方法

在神经网络的具体应用中，经常遇到网络拓朴结构重组的问题。在深入分析BP算法、神经网络的拓朴结构和二维数组存储方式的基础上，提出一种BP神经网络的网络拓朴可重构方法。该方法能根据不同的网络模型动态地调整输入层、隐含层、输出层的结点数及联接权矩阵，并结合具体的实例给出其解决方案。     

可重构密码逻辑电路的设计方法研究

可重构密码逻辑电路是一种用于对数据进行加密/解密处理的集成电路,其特征是硬件电路的逻辑结构和功能能够根据不同密码算法的需求灵活改变,从而可以通过软件编程灵活快速地实现许多种不同的密码算法。本文提出了可重构密码逻辑电路的设计流程和有关方法,并通过设计实例说明了该流程和方法的有效性。     

可重构技术综述

可重构性是指在一个系统中,其硬件模块或(和)软件模块均能根据变化的数据流或控制流对系统结构和算法进行重新配置(或重新设置)。可重构系统最突出的优点就是能够根据不同的应用需求,改变自身的体系结构,以便与具体的应用需求相匹配。可重构系统的实现技术包括DSP重构技术,FPGA重构,DSP FPGA重构,可重组算法逻辑体系结构,可编程片上系统(SOPC),可进化硬件(EHW),本地重构/Internet远程重构等。可重构技术尽管面临一些需研究和解决的问题,但是发展前景是广阔的。     

FPGA可重构技术实现并行计算系统的应用研究

随着大规模可编程器件FPGA复杂度的增加,设计者可以根据不同的应用需求,以FPGA作为可重构硬件,设计和构造面向某种算法的具有专用硬件的高速和软件编程灵活性能的可重构计算系统。在现代大规模逻辑设备的越来越强的能力支持下,各种可重构计算系统的研究,使得构造有关新的计算机体系结构的某些"概念验证"成为现实。介绍FPGA可重构硬件器件特点、可重构计算系统的概念,可重构计算系统的设计方法及其在实时三维立体视觉系统中高速并行计算上的应用。     

一种高效动态信道化接收机设计

提出了一种动态可重构信道化方法,解决了宽带信号跨信道问题.给出了动态可重构信道化接收机的设计方案,并对各部分硬件电路的设计进行了详细阐述.在FPGA内部实现了动态可重构信道化高效结构,并给出了该高效结构各组成模块的实现方法,该高效结构可大量节省FPGA的硬件资源.动态可重构信道化方法无需知道信号的调制形式即可实现宽带信号的动态重构,具有较强的通用性.     

基于FPGA可重构的通用密码算法平台设计

针对数据加密和安全通信的大量应用,提出了基于FPGA可重构的通用密码算法平台设计方案,通过设计可重构基本算法单元,实现对多种常用密码算法可重构设计.重点研究了可重构密码算法平台的设计方法、实现过程以及组成结构.应用AES、RSA等典型密码算法进行测试,结果表明可重构密码算法具有较强通用性,综合资源利用率可提升大约27％.     

可重构系统中基于禁忌搜索算法的软硬件划分

根据可重构技术发展的趋势,提出了一种适用于可重构系统软硬件划分的策略.首先根据可重构系统结构给出一个系统模型及其任务描述,然后运用禁忌搜索算法,设计了一个系统级软/硬件的划分方法,其次再运用一个任务调度算法对划分结果进行评价.评价结果证明本文提出的划分是一种具有较高性能的划分.     

基于神经网络的微波滤波器设计综述

随着微波器件结构复杂度和性能要求的提高，建模和设计过程的时间成本也逐渐增大.在设计过程中引入优化算法可以有效地提高微波器件的设计效率.对神经网络在微波滤波器设计领域的方法进行了系统的综述，提出了基于训练和精调神经网络的LC电路参数提取方法、基于数据自生成神经网络的结构参数估计方法和带宽可重构的滤波器设计方法.实验结果表明，神经网络可以利用滤波器的S参数信息，在较短时间内预测出满足设计要求的LC电路参数/器件结构参数，有效减少设计成本，提高设计效率.     

基于遗传算法的ENN的变压器故障诊断

可拓神经网络结合了可拓学理论和人工神经网络技术.针对变压器故障诊断的特点,提出一种基于遗传算法和可拓神经网络的电力变压器故障诊断方法.介绍了双权可拓神经网络的结构;构造了基于遗传算法和可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点.     

ELM-RBF神经网络的智能优化策略

提出了ELM-RBF(extreme learning machine-radial basis function)神经网络的智能优化方法,采用差分进化算法和粒子群优化算法来确定ELM-RBF神经网络中隐层神经元的中心和宽度。仿真结果表明,在具有相同的网络结构前提下,基于智能优化策略的ELM-RBF神经网络学习算法具有更好的泛化能力和较好的鲁棒性。     

神经网络控制系统仿真

利用基于神经网络修正误差ＢＰ学习算法的多层网络和间接学习或专门学习的动态逆特性控制方法＾［１］编制的神经网络控制系统的仿真软件（ＳＣＳＢＮＮ），给出了调节时间和最大超调量与神经网络中间层节点数的关系曲线，同时给出了各种学习率和神经元作用函数增益的响应曲线。ＳＣＳＢＮＮ也可用于神经网络非线性控制系统。仿真结果说明神经网络非线性控制系统具有良好的控制性能。     

基于混沌神经网络的语音识别方法

基于语音信号的时变特性,研究了神经网络语音识别的方法．把混沌特性引入到神经元,构造了一种新的多层混沌神经网络结构,同时推导了相应的学习算法．把这种混沌神经网络用于语音识别,并与常用的神经网络语音识别方法作了比较．实验结果表明,混沌神经网络方法的平均识别率要高于同等条件下常用神经网络方法的识别率．     

增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.     

故障诊断专家系统神经网络学习机研究

根据故障诊断专家系统的特点，设计了一种面向故障诊断问题的机器学习系统。在参数修正自学习模型中，引入了变结构的参数修正人工神经网络模型，采用B-P学习算法及后验学习方式，实现了故障诊断专家系统参数修正学习机设计。在汽车故障诊断问题中的应用结果表明。学习效果良好。     

神经网络用于血清的初级癌症诊断

用电感耦合等离子体原子光谱及石墨炉原子吸收测定了正常人及癌症病人血清样品中的６个元素，将所得数据送入计算机．用人工神经元网络的反向传播（ＢＰ）算法综合分析血清中的微量金属元素，预报识别率达９０％以上．     

Modular—tree：一个自构筑的神经网络结构

提出了一种新颖的具有自构筑能力的神经网络结构，称之为Ｍｏｄｕｌａｒ－ｔｒｅｅ和两个相应的自构筑算法。在此结构中，任何现存的前馈神经网络均可以作为子网。对于一个给定的学习任务，利用提出的生成算法通过对输入空间递归地划分，自动生成一树状的模块神经网络，从而避免了网络结构预置问题。由于使用了“分治”原理，Ｍｏｄｕｌａｒ－ｔｒｅｅ具有良好的性能及快速训练的能力。此结构已用于多个监督学习问题（包括：标准测试     

人工神经网络用于多环芳烃及胆蒽系化合物致癌活性的研究

用人工神经网络中误差反向传播网络(BPNN)和径向基函数网络(RBFNN)对甲基、烷基、环戊并及环己并及胆蒽系化合物的致癌性强弱进行了分类，采用的输入参数为单个原子能（IAE）、电子能(EE)、生成热(HOF)、原子最高正电荷(QMAX)、原子最低负电荷(QMIN)、最高占有轨道能量(HOMO)、最低朱占有轨道能量(LUMO)、偶极矩(DIP)、水合能(HE)、疏水性参数(logP)、分子表面积(SA)、极化率(Polar)、代谢活性区中心碳原子离域能(△E1)、亲电活性区中心碳原子离域能(△E2)和分子中脱毒区总数(n)。BP网络采用tan-sigmoid函数，RBF网络采用Quadratic和Inverse Quadratic函数。两种模型的分类准确率均达80％以上。     

基于Volterra基函数网络的自适应逆控制方法

提出了一种基于Ｖｏｌｔｅｒｒａ基函数（ＶＰＢＦ）网络的非线性系统自适应逆控制方法。对象和逆控制器各用一个ＶＰＢＦ网络表示,应用正交最小二乘算法进行离线网络结构确定和权值初始化,构造了一种动态归一化非线性最小均方（ＤＮＮＬＭＳ）权值更新算法,以进行网络权值的在线学习。仿真结果表明,该方法具有算法简单、学习速度快、鲁棒性能好等优点。     

基于广义预测控制的对角递归神经网络控制器

提出一种基于广义预测控制的对角递归神经网络控制器，并给出该神经网络控制器和辨识器的学习率范围．仿真实验表明，所采用的神经网络控制结构适合于带纯时延的未知的非线性被控对象的广义预测控制，同时能有效地改善神经网络学习的收敛性．