前饋人工神經(jīng)網(wǎng)絡(luò)的CMOS模擬電路實(shí)現(xiàn)研究.pdf

1、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)是一種旨在模擬人腦神經(jīng)活動(dòng)機(jī)理的非線性信息處理系統(tǒng)，具有分布并行計(jì)算、自組織學(xué)習(xí)、容錯(cuò)性的特點(diǎn)，目前已廣泛應(yīng)用于數(shù)據(jù)分析、人工智能、預(yù)報(bào)和智能信息管理等領(lǐng)域。
　　作為人工神經(jīng)網(wǎng)絡(luò)研究的重要組成部分，神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)方式主要有硬件實(shí)現(xiàn)和軟件實(shí)現(xiàn)?；谲浖?shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)并行計(jì)算能力較差，難以滿足網(wǎng)絡(luò)的實(shí)時(shí)運(yùn)算要求，而采用硬件實(shí)現(xiàn)方式的神經(jīng)網(wǎng)絡(luò)充分發(fā)揮了網(wǎng)絡(luò)并行

2、處理信息的快速性和精確性，從而有助于解決高度復(fù)雜的數(shù)據(jù)問題。而在神經(jīng)網(wǎng)絡(luò)硬件實(shí)現(xiàn)方式中，相對(duì)于數(shù)字實(shí)現(xiàn)方式，采用模擬電路實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)雖易受到外界噪聲的影響，但也具有占用芯片面積小、運(yùn)算快、線性度好等優(yōu)點(diǎn)，因而成為當(dāng)今及未來神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)技術(shù)研究的重要內(nèi)容。
　　目前采用模擬電路實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)種類較少，且已實(shí)現(xiàn)的網(wǎng)絡(luò)在電路結(jié)構(gòu)、性能等方面還可進(jìn)一步得到優(yōu)化和提升?；谏窠?jīng)網(wǎng)絡(luò)硬件實(shí)現(xiàn)研究的全面性，本文采用CMOS模擬電路完成了兩種前

3、饋人工神經(jīng)網(wǎng)絡(luò)——感知器和模糊神經(jīng)網(wǎng)絡(luò)的硬件設(shè)計(jì)與性能分析，并探討了其應(yīng)用。本文完成的主要工作及創(chuàng)新點(diǎn)有：
　?。?）為實(shí)現(xiàn)神經(jīng)元激勵(lì)函數(shù)的多參數(shù)可調(diào)與電路的結(jié)構(gòu)優(yōu)化，分別設(shè)計(jì)了梯形函數(shù)電路、Sigmoid函數(shù)電路和高斯函數(shù)電路。提出的高斯函數(shù)電路由兩個(gè)交叉耦合差分對(duì)管構(gòu)成，可通過改變尾電流和偏置電壓實(shí)現(xiàn)對(duì)函數(shù)各參數(shù)的調(diào)節(jié)，并可通過增加差分對(duì)數(shù)的方式實(shí)現(xiàn)函數(shù)的多類型輸出。而設(shè)計(jì)的Sigmoid函數(shù)電路不僅能實(shí)現(xiàn)單極性和雙極性Sig

4、moid函數(shù)輸出，而且可通過調(diào)節(jié)電路的偏置電壓和電流實(shí)現(xiàn)對(duì)函數(shù)增益因子、幅值和閾值的編程。
　?。?）為實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)突觸電路的權(quán)值修正功能，分別提出了電流模式四象限乘法器和線性可調(diào)全差分OTA，電路均可通過改變外部偏置電流實(shí)現(xiàn)對(duì)突觸權(quán)值的調(diào)整，且實(shí)現(xiàn)的突觸模塊電路具有線性度好、精度高、輸入輸出范圍廣等優(yōu)點(diǎn)，可作為基本線性加權(quán)模塊應(yīng)用到各類神經(jīng)網(wǎng)絡(luò)中。
　?。?）為解決模糊神經(jīng)網(wǎng)絡(luò)硬件電路結(jié)構(gòu)復(fù)雜、輸出精度低的問題，分別采用高