FPGA在人工神經網絡系統(tǒng)中的實現(xiàn)

學習算法描述 bp網絡中每個節(jié)點都有一個狀態(tài)變量xi,節(jié)點i到節(jié)點j有一個連接權系數(shù)wji,每個節(jié)點都有一個閾值θj,每一個節(jié)點定義一個變換函數(shù)fj[xi,wji,θj（i≠j）],最常見的形式為 為了方便起見，將閾值θ作為神經元權值的第一個分量加到權值中去，那么輸入向量就應增加一項，可設輸入向量的第1個分量固定為l，這樣的形式就可變?yōu)椤?一個3層單輸入、單輸出、n個隱節(jié)點的bp網絡結構如圖l所示。 圖1中，黑圓表示輸入為固定值1的神經元，用它與隱層神經元的連接權w011～w01n來表示隱層神經元的閾值，它與輸出層神經元的連接權w02來表示輸 出層神經元的閾值，w1i～w1n為輸入層到隱層之間的連接權值，w21～w2n為隱層到輸出層之間的連接權值。描述一個如圖1所示網絡的bp算法，它主 要包括2個階段： 1)正向傳播階段 從樣本集中取出一個樣本(x，d)，計算隱層各個節(jié)點(神經元)輸出yi(i)=f(wl(i)x-w01(i))和輸出層節(jié)點輸出。 2)反向傳播階段 按下式反向計算各層節(jié)點的局部梯度δ和權值修正量。 若激勵函數(shù)f選用單極性si