基于应用于皮带秤精度优化的神经网络算法,研究了神经网络基本元件的FPGA实现方法。制定了22位定点数的数据表示方法,并基于此方法设计实现了加法器和乘法器等计算元件;提出了一种神经网络激活函数(sigmoid函数)的硬件实现方法,分别将matlab仿真、硬件实现的仿真输出与被逼近函数进行了比较,验证了神经网络基本元件的FPGA实现方法的效果。 。目前许多人工神经网络应用尚不成熟的领域都会采用BP神经网络作为原型，在此基础上进行针对问题需求进行网络变形和算法优化，应用于电子皮带秤动态称重精度优化的过程神经网络就是基于BP神经网络展开研究。单个人工神经元如图1所示，其中x为输入实现方法研究-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机，w为输入相对于该神经元的输入权值，y为输出，人工神经元的输出为：y=f（ni=1Σwixi+b）其中b为神经元的阈值，f为激活函数。多个神经元组成的拓扑结构即为人工神经网络， 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  一个多输入单输出的3层神经网络如图2所示。除输入层和输出层外，其它层为隐含层，隐含层的层数和层内神经元的数目影响着网络的学习特性，需要针对不同的应用问题进行调整。由人工神经元的输入输出关系可知，人工神经网络的计算功能主要由加法、乘法以及激活函数组成，其中激活函数广泛采用sigmoid函数，下文将基于FPGA对人工神经网络的加法、乘法和sigmoid函数的硬件实现方法进行讨论和研究。3计算元件硬件实现3.1数据表示方法设计数据在FPGA中的表示方式是神经网络在FPGA上实现首先要面对的问题，因为数据在FPGA中以二进制数据的形式进行存储和运算，而神经网络在学习收敛过程中，含有大量的小数运算，而二进制小数仅能表示2-n的整数倍，显然会产生不可忽视的数值误差，这会对神经网络的学习和收敛效果产生巨大的影响，所以需要针对需求设计相应的数据表示方法。当前实数在计算机中的表示方法可以分为两大类：浮点数表示法和定点数表示法。其中浮点数表示法与科学计数法类似，例如数N可以表示为：N=d×2p其中d称为N的尾数，P称为N的指数，d是一个纯?实现方法研究-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com