m使用FPGA实现基于BP神经网络的英文字母识别,开发平台为vivado2019.2,verilog编程,附带matlab辅助验证

1.算法描述

神经网络主要由处理单元、网络拓扑结构、训练规则组成。处理单元是神经网络的基本操作单元，用以模拟人脑神经元的功能。一个处理单元有多个输入、输出，输入端模拟脑神经的树突功能，起信息传递作用；输出端模拟脑神经的轴突功能，将处理后的信息传给下一个处理单元，如图1.1所示。

基本的神经处理单元其等效于人体的神经元，如图2所示，

=>  

具有相同功能的处理单元构成处理层。常用的多层感知机由输入层、输出层和若干隐含层组成，神经网络的拓扑结构决定了各处理单元、各层之间信息的传递方式与途径。训练规则利用转换函数进行数据处理的加权及求和，训练网络系统进行模式识别，并将其转换成潜在的输出值。神经网络的基本出发点，就是通过简单函数的多次迭代，实现对复杂映射的拟合和逼近。神经网络能够实现一对一、一对多的映射关系。因此，许多实际问题都可以用神经网络模型来解决。

神经网络的工作过程主要由两个阶段组成，一个阶段是学习期，即训练阶段，此时连接权值可调整，另一个阶段就是工作期，此时，其各个权值固定。

在学习阶段，训练集中已知类别的输入向量将随机输入给神经网络，每次的输入使得PE之间的连接权重根据一种固定的学习规则得到细致的调整，使得网络的输出向正确的方向转变。随着训练过程的推进，网络的性能得到的改善，直到网络中每一个PE都收敛到合适的权重为止。

在神经网络的学习阶段，当网络做出错误的判决的时候，那么通过神经网络的学习，应使得网络减少下次犯同样错误的可能性，通常情况下，系统将会给网络一个随机的权值，然后将信号输入到神经网络，网络将输入的模式进行加权求和、并与门限进行比较，然后进行非线性运算从而得到网络的输出。这个时候系统输出正确和错误的概率是相同的，那么这个时候，系统将正确的输出结果的连接权值增大，从而使下次输入同一个信号的时候，得到正确的输出结果。

通常情况下，按这种方法学习几次后，神经网络将判断的正确率大大提高，一般来说，网络中所含的神经元个数就越多，那么它能够记忆和识别的模式也越多。

当训练结束进入工作期时，权重系数保持不变，此外神经网络的输入是未知类别的向量，输入的信息经过神经元层层传播，最后在输出层上产生输出向量，根据此输出向量可以将对象划分到某一类中，从而实现对象的模式识别。

以上就是神经网络的基本工作过程。

————————————————

BP神经网络主要由输入层，隐含层以及输出层三个部分构成。

来自外界的信息通过输入层传输进入到隐含层进行处理，并由输出层输出处理结果。当BP神经网络的输出结果和其期望结果之间的误差较大的时候，则进入反向传播阶段，并进行进行审计网络权值的修正，直到输出结果和期望结果误差满足一定条件为止。

其中，信号的前向传播过程的主要步骤如下：

其中激活函数

采用查找表方法计算得到：

module fx1(

clk,

rst,

net,

fx

);

input clk;

input rst;

input[8:0]net;

output[8:0]fx;

reg [8:0]fx;

always @(posedge clk)

begin

if(!rst)

fx