基于FPGA的卷积神经网络手写数字识别系统的实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 本课题的研究目的及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本课题的主要工作 | 第11-12页 |
| 1.4 论文结构 | 第12-13页 |
| 第2章 卷积神经网络 | 第13-25页 |
| 2.1 神经网络 | 第13-15页 |
| 2.1.1 神经元 | 第13-14页 |
| 2.1.2 神经网络 | 第14-15页 |
| 2.2 卷积神经网络 | 第15-17页 |
| 2.3 卷积神经网络的特性 | 第17-25页 |
| 2.3.1 稀疏连接 | 第17-19页 |
| 2.3.2 参数共享 | 第19-20页 |
| 2.3.3 等变表示 | 第20-21页 |
| 2.3.4 池化 | 第21-25页 |
| 第3章 卷积神经网络算法 | 第25-38页 |
| 3.1 卷积神经网络的整体结构 | 第25-27页 |
| 3.2 卷积神经网络前向传播算法 | 第27-33页 |
| 3.2.1 输入层 | 第27页 |
| 3.2.2 卷积层C1 | 第27-28页 |
| 3.2.3 将采样层S1 | 第28-29页 |
| 3.2.4 卷积层C2 | 第29-31页 |
| 3.2.5 降采样层S2 | 第31页 |
| 3.2.6 单层感知机 | 第31-33页 |
| 3.3 卷积神经网络反向学习算法 | 第33-37页 |
| 3.3.1 全连接层的反向学习 | 第33-35页 |
| 3.3.2 降采样层S2的反向学习 | 第35页 |
| 3.3.3 卷积层C2的反向学习 | 第35-36页 |
| 3.3.4 降采样层S1的反向学习 | 第36页 |
| 3.3.5 卷积神经网络参数修改更新 | 第36-37页 |
| 3.4 卷积神经网络测试算法 | 第37页 |
| 3.5 卷积神经网络参数提取 | 第37-38页 |
| 第4章 卷积神经网络FPGA实现 | 第38-47页 |
| 4.1 卷积神经网络的总体结构 | 第38-39页 |
| 4.2 卷积神经网络的分块实现 | 第39-47页 |
| 4.2.1 卷积模块convn | 第39-42页 |
| 4.2.2 非线性函数sigmoid | 第42页 |
| 4.2.3 降采样pooling | 第42-43页 |
| 4.2.4 中间量存储单元ram_control | 第43-44页 |
| 4.2.5 全连接层full_connect | 第44-45页 |
| 4.2.6 判断层arbiter | 第45页 |
| 4.2.7 参数存储rom_control | 第45-46页 |
| 4.2.8 状态生成模块 | 第46-47页 |
| 第5章 结果与分析 | 第47-50页 |
| 5.1 matlab算法正确率 | 第47-48页 |
| 5.2 FPGA实现的正确率 | 第48-50页 |
| 总结与展望 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53页 |
