| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 选题背景 | 第10页 |
| 1.2 图像识别中 BP 神经网络的发展 | 第10-13页 |
| 1.2.1 BP 神经网络 | 第11页 |
| 1.2.2 图像识别 | 第11-12页 |
| 1.2.3 数字图像处理中 BP 神经网络应用的发展 | 第12-13页 |
| 1.3 BP 神经网络在图像识别应用中的研究现状 | 第13-14页 |
| 1.4 论文的研究任务及内容安排 | 第14-15页 |
| 2 BP 神经网络及其在驾驶员疲劳监视系统中的应用分析 | 第15-25页 |
| 2.1 BP 神经网络 | 第15-19页 |
| 2.1.1 多层前向神经网络 | 第15-17页 |
| 2.1.2 BP 神经网络的反向传播训练 | 第17-19页 |
| 2.1.3 DELTA学习规则 | 第19页 |
| 2.2 BP 神经网络算法的几种改进手段 | 第19-21页 |
| 2.2.1 动量法权值调整 | 第20页 |
| 2.2.2 自适应调整学习速率 | 第20页 |
| 2.2.3 引入陡度因子 | 第20-21页 |
| 2.2.4 L-M 学习规则 | 第21页 |
| 2.3 驾驶员疲劳监视系统工作原理 | 第21-23页 |
| 2.3.1 驾驶员疲劳监视系统工作流程 | 第21-22页 |
| 2.3.2 基于眼睛状态的驾驶员疲劳监测原理 | 第22-23页 |
| 2.4 BP 神经网络具体化应用分析 | 第23-25页 |
| 2.4.1 BP 神经网络的人脸识别设计 | 第23-24页 |
| 2.4.2 BP 神经网络的眼睛识别设计 | 第24-25页 |
| 3 BP 神经网络实现的关键问题研究分析 | 第25-34页 |
| 3.1 BP 神经网络图像识别模块硬件结构分析 | 第25-26页 |
| 3.1.1 三层前向网络组建过程分析 | 第25页 |
| 3.1.2 三层前向网络的训练过程分析 | 第25-26页 |
| 3.2 神经网络中的数值分析 | 第26-27页 |
| 3.2.1 FPGA 中的小数 | 第26-27页 |
| 3.2.2 小数乘法器实现的关键技术 | 第27页 |
| 3.3 软件仿真确定图像识别神经网络的组建及训练参数 | 第27-34页 |
| 3.3.1 网络组建 | 第28页 |
| 3.3.2 人脸识别网络的训练 | 第28-31页 |
| 3.3.3 仿真确定隐层节点数 | 第31-32页 |
| 3.3.4 仿真确定网络参数数值精度 | 第32-34页 |
| 4 BP 神经网络的硬件实现 | 第34-59页 |
| 4.1 整体设计 | 第34-37页 |
| 4.1.1 BP 神经网络整体工作流程 | 第34-35页 |
| 4.1.2 设计思路 | 第35-36页 |
| 4.1.3 模块划分 | 第36-37页 |
| 4.2 神经元运算模块的硬件设计 | 第37-52页 |
| 4.2.1 16 位乘法器的硬件实现 | 第37-41页 |
| 4.2.2 触发函数的硬件实现 | 第41-44页 |
| 4.2.3 累加器的硬件设计 | 第44-47页 |
| 4.2.4 RAM 模块的设计 | 第47-51页 |
| 4.2.5 触发函数的导函数的硬件设计 | 第51-52页 |
| 4.3 神经元封装 | 第52-59页 |
| 4.3.1 前向运算控制功能模块设计 | 第52-53页 |
| 4.3.2 反向传播控制功能模块设计 | 第53-55页 |
| 4.3.3 神经元的封装 | 第55-59页 |
| 5 BP 神经网络硬件封装和功能验证 | 第59-67页 |
| 5.1 BP 神经网络的硬件封装 | 第59-62页 |
| 5.1.1 封装特性分析 | 第59-61页 |
| 5.1.2 BP 神经网络的封装 | 第61-62页 |
| 5.2 BP 神经网络的功能验证 | 第62-67页 |
| 5.2.1 MATLAB 与 QAUTURS II、MODELSIM的联合仿真思考 | 第62-64页 |
| 5.2.2 BP_NET仿真设计 | 第64-65页 |
| 5.2.3 BP_NET波形仿真 | 第65-67页 |
| 结论 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 攻读学位期间的研究成果 | 第71页 |
