基于CMOS模拟技术的多种前馈人工神经网络硬件的研究与实现

摘要

人工神经网络(Artificial Neural Network,ANN)是模拟生物神经网络的人工智能系统，具有分布并行处理、非线性映射、自适应学习和容错等功能。人工神经网络主要有两种实现方法：软件实现和硬件实现。以软件方法实现的神经网络存在并行程度低和处理速度慢等缺点，难于满足实时性的要求，造成了理论研究与实际应用脱节；而硬件方法实现的神经网络则克服了前者的缺点，能大规模并行处理信号，尤其对于复杂数据的处理更具有优势，能满足实际应用的要求。
　　在集成电路设计中，模拟电路需要在功耗、速度、增益、精度、面积等多种因素间进行折中，并且版图对于模拟电路的影响远大于数字电路，这给模拟电路的设计带来了新的挑战。考虑到电流模式模拟电路对输入信号变化响应快、线性度好、功耗低等优点，本文的前馈人工神经网络采用电流模式模拟电路来实现。
　　本文旨在完成两种前馈人工神经网络——感知器神经网络和径向基函数(RBF)神经网络的电路实现与研究，并探讨其应用，所做工作如下：
　　(1)阐述了人工神经网络的硬件实现的研究背景和意义，探讨了当前国际国内的研究概况及发展趋势。
　　(2)介绍了生物神经元模型，探讨了前馈人工网络——感知器和RBF神经网络的结构和原理。
　　(3)基于TMSC0.35μm标准CMOS工艺，设计了一款可对线性不可分数据集进行分类的电流模式线性分类器，通过MATLAB软件采用Fisher线性判别法计算得到权重系数，运用PSPICE软件对所设计的电路进行了仿真分析。
　　(4)设计了RBF神经元的单元电路，利用这些单元电路构成一个2输入/1输出且含有两个隐含层神经元的RBF神经网络电路，利用改进混合蛙跳(NHSFL)算法设定RBF神经网络参数，利用PSPICE软件通过异或问题验证了该神经网络电路。
　　(5)介绍了版图设计流程、工具类型和模拟图版问题以及解决方法，完成了线性分类器和RBF神经元电路的版图设计。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 人工神经网络的硬件实现的研究背景及意义

1.2 国内外研究概况及其发展趋势

1.3 本论文的内容和结构安排

第2章 人工神经网络模型

2.1 生物神经元模型

2.2 人工神经网络的分类

2.3 前馈人工神经网络

2.4 本章小结

第3章 提出的线性分类器结构及其实现

3.1 阈值分类器

3.2 梯形激活函数电路

3.3 线性加权电路

3.4 Fisher线性判别法

3.5 提出的线性分类器

3.6 本章小结

第4章 RBF神经网络的电路结构及其实现

4.1 RBF神经网络的基本思想

4.2 RBF神经网络的学习算法

4.3 RBF神经网络单元电路

4.3 RBF神经网络电路的应用

4.4 本章小结

第5章 版图设计

5.1 版图设计基本流程

5.2 版图设计工具平台

5.3 电路版图实现

5.4 本章小结

第6章 总结与展望

参考文献

致谢

个人简历、在校期间发表学术论文与研究成果