基于FPGA技术的神经网络算法实现

论文摘要

简单自适应控制是一种对理想参考模型的性能进行跟踪并且结构简单的控制算法,同时其控制算法与被控对象的结构无关。将简单自适应控制和神经网络结合起来,并采用遗传算法优化神经网络的权系数,综合了简单自适应控制结构简单、可调参数少和控制系统设计几乎与被控对象无关等特点,和神经网络可以逼近任意非线性函数、具有广泛的映射能力的特点,并利用遗传算法的群体寻优特点来优化神经网络的权系数,使其能够满足工业控制中高精度、高质量的要求,具有良好的发展前景。FPGA是作为ASIC领域中的一种半定制电路而出现的,既解决了定制电路的不足,又克服了原有可编程器件门电路有限的缺点。随着FPGA规模的不断扩大,它可以同时满足系统对速度和灵活性两方面的要求,可以作为硬件实现算法的理想载体。算法采用硬件描述语言描述,并通过逻辑综合工具下载到FPGA,通过并行算法实现,处理速度比较快;FPGA的内部逻辑可以根据需要改变,与通常的硬件设计方法相比,具有较高的灵活性。本文研究了基于遗传算法的神经网络简单自适应控制（ Genetic Algorithms-Neural Network Simple Adaptive Control,GA-NNSAC）算法的FPGA实现方法。首先,在MATLAB平台上对GA-NNSAC的控制算法进行了仿真研究,仿真结果证明遗传算法能够快速的学习NNSAC权系数,最终得到优化的权系数,并将优化的结果用于非线性被控对象的控制,控制效果非常好。其次,采用自顶向下、由粗到细、逐步求精的设计方法,将系统逐步分解为各个子系统和模块,层层分解,直到整个系统中各子模块关系合理、便于设计实现为止,并将各个模块用VHDL进行编码,编译后生成原理图符号。最后,采用Altera公司的Quartus II9.0自带的仿真工具对各主要模块进行波形仿真验证,在验证各个模块无误后,对顶层模块进行仿真测试,进一步证明了设计的正确性。

论文目录

• 摘要
• ABSTRACT
• 1 课题研究综述
• 1.1 课题的背景及意义
• 1.2 国内外研究现状
• 1.2.1 简单自适应控制
• 1.2.2 神经网络控制和遗传算法
• 1.2.3 FPGA 技术的研究现状
• 1.3 研究的内容和特点
• 2 简单自适应控制算法描述
• 2.1 简单自适应控制的基本形式
• 2.2 离散时间简单自适应控制
• 2.3 改进的离散时间简单自适应控制
• 2.4 本章小结
• 3 基于遗传算法的神经网络简单自适应控制
• 3.1 BP 神经网络和遗传算法
• 3.1.1 BP 神经网络的基本理论
• 3.1.2 遗传算法的基本操作
• 3.2 神经网络简单自适应控制的结构
• 3.3 基于遗传算法的神经网络简单自适应控制学习算法
• 3.3.1 神经网络简单自适应控制学习算法
• 3.3.2 基于遗传算法的神经网络简单自适应控制学习算法
• 3.4 本章小结
• 4 FPGA 开发基础
• 4.1 FPGA 的结构和特性
• 4.1.1 FPGA 简介
• 4.1.2 硬件描述语言VHDL
• 4.1.3 FPGA 的工作原理和结构
• 4.1.4 FPGA 与CPLD 的比较
• 4.2 FPGA 开发流程
• 4.3 FPGA 开发平台
• 4.3.1 FPGA 软件开发平台
• 4.3.2 FPGA 硬件开发平台
• 4.4 本章小结
• 5 算法的 FPGA 实现
• 5.1 算法的MATLAB 仿真研究
• 5.2 基于FPGA 的GA-NNSAC 实现
• 5.2.1 系统的总体设计及模块划分
• 5.2.2 系统各个模块的具体设计
• 5.2.3 优化设计
• 5.2.4 主要模块仿真及综合仿真
• 5.3 本章小结
• 总结与展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文