摘 要：现在对神经网络的研究以神经网络模型及算法的模拟实现为主，较少考虑硬件实现问题。以模拟器件为主，分析设计了BP神经网络各环节的硬件电路。介绍其中的一种Sigmoid激励函数电路实现，该电路以差分器件为主要部分，通过调整相应的参数可以调节输入电压的范围和改变激励函数的增益，并在EDA环境下仿真验证了电路的有效性。
关键词：神经网络；激励函数；硬件仿真；差分电路
中图分类号：TP183 文献标识码：B 文章编号：1004-373X(2008)02-077-02
Hardware Simulation Implementation of Active Function
LIU Liqiang，YU Fugong
(Information Engineering School,Inner Mongolia Polytechnic University,Huhhot,010051,China)
Abstract：With the development of information technology,artificial neural network is used widely in many fields.But most researchers give priority to neural network algorithms software implementation and seldom considers hardware implementation.The paper designs the hardware circuits of Backward Propagation(BP) neural network based on analog circuits.The circuit of active function is introduced.The differential structure is mostly used in it.The range of input voltage and function gain can be adjusted by varying correlated parameters.And its effectiveness is demonstrated by EDA simulation.
Keywords：neural network;active function;hardware simulation;differential circuit
1 引 言
近年来，随着信息技术的发展，人工神经网络技术在自动控制、人工智能、信号处理、故障诊断、模式识别、图像压缩等领域都得到了广泛的应用。在进行神经网络的理论研究时，多数研究者将神经网络模型及算法在通用的串行或并行计算机上编程模拟实现，很少考虑硬件实现问题［1-5］。构造实际的神经网络应用系统时，必须考虑到硬件实现问题，特定应用下的专用神经网络硬件应是神经网络研究的最终目标。
关于神经网络的硬件实现，目前在国际上已出现多种方法，如模拟电路实现、数字电路实现、模数混合电路实现等。作者以模拟电路为主，分析设计BP神经网络各环节硬件实现电路，并在EDA环境下进行仿真，得到了较好的效果。本文主要介绍其中的一种激励函数硬件电路的仿真实现。
2 激励函数硬件仿真实现
2.1 电路结构描述
神经网络激励函数的常见类型有阀值函数、分段线性函数和Sigmoid函数。本文选择Sigmoid函数作为BP网络的激励函数，并利用常用模拟器件设计了实现该函数的电路结构，如图1所示。
观察表1和图2，发现该电路的输入输出特性与Sigmoid函数的曲线极为相似，实际运算时可用该电路模拟BP神经网络的激励函数。
3 结 语
本文以差分电路为主要器件设计Sigmoid函数的硬件电路，通过仿真验证了该电路的有效性。在该电路中，通过调整vref可以得到所需的输入电压范围，而改变Q3周围的电阻值又可以调整Sigmoid函数的增益。在Multisim环境下，该电路与BP神经网络的其他环节相结合，仿真模拟实现了异或问题的求解。
该电路虽然较好地实现了Sigmoid函数，但在整体BP神经网络硬件电路综合中还存在着一些问题，需在后续的研究中不断改进。
参 考 文 献
［1］全钢,郭江华,梁述海.基于VHDL的神经网络模型库的建立与实现［J］.微计算机信息,2002，18(7)：70-71.
［2］卢纯，石秉学，陈卢.一种学习速率自适应的可编程片上学习BP神经网络电路系统的设计［J］.电子学报,2001，29(5)：701-703.
［3］卢纯，石秉学.采用遗传算法的一种可重构ANN的电路设计［J］.半导体学报,2001，22(5)：664-669.
［4］陈卢，石秉学.一种改进的PWM型VLSI神经网络设计［J］.清华大学学报,2001，41(1)：115-118.
［5］Sina Balkir,Ethen Alpaydin.ANNSYS：An Analog Neural Network Synthesis System［J］.Neural Network，1999，(12)：325-338.
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。
