秦东辉 周 辉 赵雄波 柳 柱

1.北京航天自动控制研究所，北京100854 2.宇航智能控制技术国家级重点实验室，北京100854

随着计算机性能的不断提升，以及学术界对机器学习领域研究的逐渐深入，卷积神经网络(convolutional neural network，CNN)成为了近年以来热门的机器学习算法之一,1989年LeCun在论述其网络结构时首次使用了“卷积”一词[1]，“卷积神经网络”也因此得名。CNN通过卷积和池化操作自动学习图像在各个层次上的特征，这符合我们理解图像的常识。人在认知图像时是分层抽象的，首先理解的是颜色和亮度，然后是边缘、角点、直线等局部细节特征，接下来是纹理、几何形状等更复杂的信息和结构，最后形成整个物体的概念[2]。CNN在早期被成功应用于手写字符图像识别。2012年更深层次的AlexNet网络[3]取得成功，此后卷积神经网络蓬勃发展，CNN在数字图像处理领域取得了巨大的成功，从而掀起了深度学习在自然语言处理领域(Natural Language Processing, NLP)的狂潮,近年来卷积神经网络，在视频监控，机器视觉，模式识别，图像搜索等领域得到了更为广泛的应用[4-6]。

由于CNN中特定的计算方法,在通用处理器上运算效率较低,很难达到满意的性能。事实上，CNN作为一种前馈网络结构，层与层之间具有高度的独立性：各层网络计算独立，层间无数据反馈。因此，CNN是一种高度并行的网络结构，通用处理器为执行逻辑处理和事务处理而优化的特性并不适合用来挖掘CNN的并行性，基于软件方式的CNN神经网络在实时性和功耗方面都不能满足实际应用中小型化、手持化的需求。……