魏 东 董博晨 刘亦青

①(北京建筑大学电气与信息工程学院 北京 100044)

②(北京市科学技术委员会建筑大数据智能处理方法研究北京市重点实验室 北京 100044)

③(北京亚鼎智能技术有限公司 北京 100071)

1 引言

神经网络已应用于多个领域，例如图像识别、语音识别、数据挖掘、智能机器人等。神经网络利用自身强大的学习能力，通过调整神经元之间的连接权重来拟合复杂的高维映射关系[1]。目前，在图像识别中主要采用以下几种深度学习模型进行训练，包括深层置信网络(Deep Belief Network, DBN)[2]、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)[3]、生成式对抗网络(Generative Adversarial Network, GAN)[4]以及胶囊网络(Capsule Network,CapsNet)[5]。

尽管神经网络在功能上可以满足图像识别的需要，但是目前图像识别大多采用软件实现，无法体现神经网络并行处理的优点，并且CPU或GPU在计算能力上有限，限制了神经网络结构的复杂性[6]。为解决上述问题，本文提出一种硬件资源占用率低的改进RBF神经网络算法，并采用硬件化的改进RBF神经网络实现了图像特征提取和图像识别，其中特征提取采用FPGA实现，图像识别采用ASIC电路实现。RBF神经网络具有基函数运算复杂、中间层到输出层的分类运算量大的缺点，本文将RCE(Reilly, Cooper和Elbaum)算法和K最近邻(K-Nearest Neighbor, KNN)算法思想引入到RBF网络中，将乘法运算改为加法运算，以减低网络的运算量，便于硬件实现，同时采用最小均方差算法(Least Mean Square, LMS)对权值进行调整，保证了网络的收敛性。实验结果表明改进RBF神经网络算法在不同数据集中识别准确率均高于LeNet-5和AlexNet，并与VGG16准确率持平，而平均识别时间较3种网络模型均缩短50%。……