0 引言

    計算機處理多媒體或文字信息的基礎(chǔ)是對相關(guān)信息進行編碼和解碼，以利于信息的傳輸、顯示和保護^[1]。面對巨大信息量的處理需求，快速高效的編解碼系統(tǒng)能夠有效提高信息處理能力。近年來，隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展和應(yīng)用，利用神經(jīng)網(wǎng)絡(luò)進行數(shù)學函數(shù)回歸的方案，為信息的編解碼提供了簡單有效的途徑^[2]。自編碼神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督的人工神經(jīng)網(wǎng)絡(luò)，其利用反向傳播算法訓(xùn)練使得網(wǎng)絡(luò)的輸出值等于輸入值，從而為輸入數(shù)據(jù)學習到一種特征表示，廣泛應(yīng)用于圖像壓縮和數(shù)據(jù)降維等領(lǐng)域^[3-4]。自編碼神經(jīng)網(wǎng)絡(luò)輸出等于輸入的特點適合用于數(shù)據(jù)編碼和解碼，相比于傳統(tǒng)的編解碼方法，如熵編碼^[5]，該算法更簡潔高效，結(jié)構(gòu)可擴展，實用性更強^[3]。

    而隨著編解碼器在一些低功耗、便攜式產(chǎn)品中的應(yīng)用，高速、高精度和低功耗已經(jīng)成為編解碼器的一種發(fā)展趨勢?，F(xiàn)場可編程門陣列(Field Programmable Gate Array，FPGA)是一種可編程邏輯器件，用戶可通過硬件描述語言完成硬件電路設(shè)計。FPGA內(nèi)部集成了具有高性能的數(shù)字信號處理器和大量存儲資源，可以高效低成本地實現(xiàn)定點運算和數(shù)據(jù)存儲，因此目前FPGA是一種理想的編解碼器實現(xiàn)平臺^[5-6]。FPGA中各個硬件模塊并行執(zhí)行，可將計算量大的算法映射到FPGA中實現(xiàn)硬件加速。有學者嘗試采用FPGA作為神經(jīng)網(wǎng)絡(luò)的實現(xiàn)平臺，并取得了優(yōu)異的性能，尤以速度和功耗突出^[7-8]。綜上所述，基于自編碼神經(jīng)網(wǎng)絡(luò)，以FPGA為實現(xiàn)平臺的編解碼系統(tǒng)，具有靈活性高、高速、低功耗等特點，可廣泛應(yīng)用于各種低功耗、便攜式應(yīng)用中。

    本文通過分析自編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和特點，提出了一種用于數(shù)據(jù)解碼的硬件實現(xiàn)架構(gòu)。根據(jù)網(wǎng)絡(luò)計算過程中包含的運算和神經(jīng)元間的并行性特點，結(jié)合FPGA高并行、低功耗和高速數(shù)據(jù)處理的優(yōu)勢，將自編碼神經(jīng)網(wǎng)絡(luò)的解碼部分映射到FPGA中。該架構(gòu)具有速度快、功耗低等特點，除文中論述的文字信息解碼外，該架構(gòu)具備擴展到圖像編解碼的可能性。

1 自編碼神經(jīng)網(wǎng)絡(luò)

    人工神經(jīng)網(wǎng)絡(luò)是基于生物神經(jīng)網(wǎng)絡(luò)的基本原理，通過模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能而建立的一個數(shù)學模型，該模型擁有以任意精度逼近一個離散值、實數(shù)值或者目標函數(shù)的功能^[9-10]。自編碼神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督的人工神經(jīng)網(wǎng)絡(luò)，其采用反向傳播算法，通過學習試圖使得網(wǎng)絡(luò)的輸出值等于輸入值，從而為輸入數(shù)據(jù)學習到一種特征表示^[3-4]。

    自編碼神經(jīng)網(wǎng)絡(luò)模型是一種對稱結(jié)構(gòu)，中間為隱含層，輸入輸出層神經(jīng)元節(jié)點數(shù)相等且通過訓(xùn)練使得網(wǎng)絡(luò)輸出值和輸入值相等。如圖1所示為自編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，輸入層和輸出層含有m個神經(jīng)元，隱含層含有n個神經(jīng)元，輸入層和隱含層下方的“+1”是偏置節(jié)點。自編碼神經(jīng)網(wǎng)絡(luò)的輸入層到隱含層構(gòu)成編碼器，隱含層到輸出層構(gòu)成解碼器，對自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是通過調(diào)整編碼器和解碼器中的權(quán)值和偏置，使其逼近一個恒等函數(shù)，從而使得網(wǎng)絡(luò)輸出值等于輸入值，這樣網(wǎng)絡(luò)隱含層的輸出數(shù)據(jù)為原始輸入數(shù)據(jù)的另一種特征表示，即該數(shù)據(jù)經(jīng)過自編碼神經(jīng)網(wǎng)絡(luò)的解碼器可以恢復(fù)原始的輸入數(shù)據(jù)^[11]。

    在本文中，利用自編碼神經(jīng)網(wǎng)絡(luò)的編碼器對輸入數(shù)據(jù)進行編碼，所得到隱含層的輸出數(shù)據(jù)稱為原始數(shù)據(jù)的編碼；該編碼數(shù)據(jù)經(jīng)過自編碼神經(jīng)網(wǎng)絡(luò)的解碼器實現(xiàn)數(shù)據(jù)解碼，從而恢復(fù)原始輸入數(shù)據(jù)。下面參照圖1所示的自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，介紹自編碼神經(jīng)網(wǎng)絡(luò)的前向計算過程，首先計算隱含層n個神經(jīng)元的輸出如式(1)：

    輸出層m個神經(jīng)元的輸出如式(2)：

    通過對網(wǎng)絡(luò)前向計算過程式(1)和式(2)的分析可以看出：自編碼神經(jīng)網(wǎng)絡(luò)對信息的處理為從輸入層開始，經(jīng)過隱含層直到輸出層輸出為止，每一層各個神經(jīng)元之間的計算具有獨立性和并行性；式(1)和式(2)的計算包括乘加運算和激勵函數(shù)運算，且兩者按照順序依次進行。

2 FPGA設(shè)計方案

    本章對基于FPGA的硬件解碼系統(tǒng)的設(shè)計需求進行分析，介紹整個系統(tǒng)的硬件架構(gòu)設(shè)計、系統(tǒng)工作原理，最后對設(shè)計中的網(wǎng)絡(luò)計算模塊進行詳細介紹。

2.1 系統(tǒng)分析

    本文在FPGA中設(shè)計實現(xiàn)圖1所示自編碼神經(jīng)網(wǎng)絡(luò)的解碼器部分，從而實現(xiàn)數(shù)據(jù)解碼功能。在軟件端對自編碼神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到網(wǎng)絡(luò)模型后將對現(xiàn)今最通用的單字節(jié)編碼ASCII碼歸一化后的數(shù)據(jù)輸入至自編碼神經(jīng)網(wǎng)絡(luò)的編碼器以獲得編碼數(shù)據(jù)，最后將編碼數(shù)據(jù)送至FPGA端實現(xiàn)數(shù)據(jù)解碼以恢復(fù)原始輸入的ASCII碼。

    通過對自編碼神經(jīng)網(wǎng)絡(luò)前向計算的分析，其計算過程中包括乘加運算和激勵函數(shù)運算，網(wǎng)絡(luò)每層中各個神經(jīng)元之間的計算具有獨立性和并行性。而對編碼數(shù)據(jù)進行解碼操作的過程中，要求所設(shè)計的硬件系統(tǒng)具有實時性特點。FPGA作為一個分布式并行處理系統(tǒng)，其內(nèi)部包含大量邏輯單元和計算單元，且具有可編程、速度快、靈活性高、易配置、設(shè)計周期短等特點，因此本文選用FPGA作為所設(shè)計數(shù)據(jù)解碼器的硬件實現(xiàn)平臺。

    所設(shè)計的解碼器為圖1所示自編碼神經(jīng)網(wǎng)絡(luò)的隱含層到輸出層部分，其所包含的權(quán)值參數(shù)有n×m個，偏置參數(shù)有m個，n和m分別表示網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元的個數(shù)。由于實現(xiàn)解碼功能僅需要網(wǎng)絡(luò)的前向計算，因此網(wǎng)絡(luò)的權(quán)值和偏置為固定值，所以在設(shè)計中可利用FPGA內(nèi)部資源對網(wǎng)絡(luò)權(quán)值和偏置進行存儲并以固定值的形式參與網(wǎng)絡(luò)運算。

    解碼器一次完整的解碼過程可簡述為：輸入數(shù)據(jù)→解碼計算→輸出結(jié)果。在實際應(yīng)用中往往包含有多組編碼數(shù)據(jù)，因此設(shè)計中將編碼數(shù)據(jù)存儲在外部存儲器中以供FPGA讀取。SD存儲卡是一種基于半導(dǎo)體快閃記憶器的新一代記憶設(shè)備，由于它具有體積小、數(shù)據(jù)傳輸快、可熱插拔等優(yōu)良特性，被廣泛應(yīng)用于便攜式設(shè)備中^[13]。因此本設(shè)計選擇使用SD卡來存儲編碼數(shù)據(jù)。SD卡讀操作為每次讀取一個扇區(qū)的數(shù)據(jù)，而網(wǎng)絡(luò)計算模塊的輸入數(shù)據(jù)的個數(shù)與圖1所示隱含層神經(jīng)元個數(shù)相同，兩個數(shù)據(jù)量并不匹配。另外，SD卡讀數(shù)據(jù)操作和網(wǎng)絡(luò)計算為異步關(guān)系，因此本設(shè)計中加入FIFO模塊，作為SD卡讀數(shù)據(jù)模塊和網(wǎng)絡(luò)計算模塊兩個異步模塊之間的數(shù)據(jù)緩存器，這樣的設(shè)計也易于擴展到其他不同神經(jīng)元數(shù)量的網(wǎng)絡(luò)結(jié)構(gòu)。

    另外，為了便于人為控制對多組編碼數(shù)據(jù)進行解碼，系統(tǒng)設(shè)計中利用按鍵來產(chǎn)生一次解碼操作的起始信號。本設(shè)計是以ASCII碼的編碼和解碼對系統(tǒng)進行測試，因此設(shè)計中采用專門顯示字母、數(shù)字和符號等的工業(yè)字符型液晶LCD1602顯示解碼結(jié)果。最后為了增加FPGA硬件系統(tǒng)穩(wěn)定性，減少系統(tǒng)時鐘的抖動和傾斜，設(shè)計中增加混合模式時鐘管理器（MMCM），用于在與輸入時鐘信號有設(shè)定的相位和頻率關(guān)系的情況下，生成不同的時鐘信號，該信號用于各個模塊工作。

2.2 硬件系統(tǒng)架構(gòu)

    基于上述分析，所設(shè)計FPGA硬件系統(tǒng)結(jié)構(gòu)如圖2所示。系統(tǒng)外圍模塊包括存儲編碼數(shù)據(jù)的SD卡，產(chǎn)生差分時鐘信號的晶振，產(chǎn)生復(fù)位信號和控制系統(tǒng)工作的按鍵，和顯示網(wǎng)絡(luò)計算結(jié)果的LCD1602顯示器。FPGA內(nèi)部包含三大模塊，分別是：數(shù)據(jù)加載模塊、數(shù)據(jù)處理模塊和混合模式時鐘管理器。

    設(shè)計中利用SD卡來存儲編碼數(shù)據(jù)，對SD卡的操作采用簡單的命令/響應(yīng)協(xié)議^[13]，全部命令由FPGA發(fā)起，SD卡接收到命令后返回響應(yīng)數(shù)據(jù)。要讀取SD卡中的數(shù)據(jù)，需要首先完成SD卡的初始化，該系統(tǒng)按照功能分別設(shè)計SD卡初始化模塊和SD卡讀數(shù)據(jù)模塊，其符合FPGA模塊化的設(shè)計原則。FIFO模塊作為SD卡和網(wǎng)絡(luò)計算模塊之間的數(shù)據(jù)緩存器，同時又用于異步數(shù)據(jù)傳輸，因此在設(shè)計中采用獨立的讀時鐘和寫時鐘，以用于異步操作。

    按鍵檢測模塊不斷讀取外部按鍵輸出信號key_in的值，當檢測到按鍵按下時該模塊產(chǎn)生一個高脈沖信號，該信號將作為一次解碼操作的起始信號。網(wǎng)絡(luò)計算模塊按照神經(jīng)網(wǎng)絡(luò)的計算方法對讀入的數(shù)據(jù)進行計算。顯示驅(qū)動模塊設(shè)計中采用有限狀態(tài)機的方式控制LCD1602的初始化和數(shù)據(jù)顯示操作，該模塊與網(wǎng)絡(luò)計算模塊之間有信號線連接，以實現(xiàn)將計算結(jié)果送至顯示驅(qū)動模塊，顯示驅(qū)動模塊控制LCD1602對計算結(jié)果進行顯示。

    在圖2所示的硬件架構(gòu)圖中，混合模式時鐘管理器將外部時鐘分頻產(chǎn)生各個模塊工作所需要的時鐘信號，其通過兩個時鐘線分別與數(shù)據(jù)加載模塊和數(shù)據(jù)處理模塊連接，而數(shù)據(jù)加載模塊和數(shù)據(jù)處理模塊之間通過data_en、data和read_clk 3個信號連接。

2.3 系統(tǒng)工作原理

    FPGA的特點是可以實現(xiàn)并行操作，在圖2所示的系統(tǒng)架構(gòu)圖中，數(shù)據(jù)加載模塊和數(shù)據(jù)處理模塊以并行異步的方式工作，下面對其工作原理分別介紹。

    數(shù)據(jù)加載模塊：系統(tǒng)上電后，數(shù)據(jù)加載模塊首先控制SD卡初始化模塊對SD卡進行初始化，其初始化操作包含有一系列的命令，在初始化完成后SD卡初始化模塊輸出初始化完成信號。由于SD卡中的編碼數(shù)據(jù)是在PC端以FAT32文件系統(tǒng)的形式寫入的，因此在對SD卡初始化完成后，數(shù)據(jù)加載模塊控制SD卡讀數(shù)據(jù)模塊讀取SD卡中的FAT32文件系統(tǒng)信息，獲取編碼數(shù)據(jù)的長度，即文件所包含的字節(jié)數(shù)，該數(shù)據(jù)將用于控制對編碼數(shù)據(jù)的讀取。最后，數(shù)據(jù)加載模塊不斷檢測FIFO中緩存數(shù)據(jù)的數(shù)量，當數(shù)據(jù)的數(shù)量不足設(shè)定值時便控制SD卡讀數(shù)據(jù)模塊將SD卡中的編碼數(shù)據(jù)讀入FIFO中進行緩存。

    數(shù)據(jù)處理模塊：當按鍵檢測模塊檢測到外部按鍵被按下時會產(chǎn)生一個高脈沖信號，然后數(shù)據(jù)處理模塊會通過data_en、data和read_clk 3個信號從FIFO中讀取數(shù)據(jù)到網(wǎng)絡(luò)計算模塊進行計算，然后通過顯示驅(qū)動模塊控制將計算結(jié)果顯示在外部的LCD1602上。數(shù)據(jù)加載模塊和數(shù)據(jù)處理模塊之間data_en、data和read_clk 3個信號的時序關(guān)系如圖3所示，當data_en為高電平時，代表FIFO中存在有效的數(shù)據(jù)可以讀取，此時每當read_clk信號的上升沿到達時，從data端口可以讀取一個數(shù)據(jù)。

    如圖4所示為FPGA硬件系統(tǒng)工作流程圖，其中SD卡讀操作和網(wǎng)絡(luò)計算之間為異步關(guān)系，系統(tǒng)中所加入的FIFO模塊作為SD卡讀數(shù)據(jù)模塊和網(wǎng)絡(luò)計算模塊兩個異步模塊之間的數(shù)據(jù)緩存器。

2.4 網(wǎng)絡(luò)計算模塊設(shè)計

    網(wǎng)絡(luò)計算模塊是本設(shè)計中的核心模塊，用于實現(xiàn)圖1中的解碼器，將編碼數(shù)據(jù)和解碼器部分的權(quán)值與偏置按式（2）進行乘加運算，并經(jīng)過激勵函數(shù)得到輸出值。

    通過對網(wǎng)絡(luò)前向計算分析可知其包括乘加運算和激勵函數(shù)運算。由于本設(shè)計中自編碼神經(jīng)網(wǎng)絡(luò)的輸入是對ASCII碼歸一化后的數(shù)據(jù)，即原ASCII碼值除以128后的值，因此在FPGA模塊中激勵函數(shù)的輸出值需要擴大128倍才是真正的ASCII碼值。由于128=2⁷，在FPGA中乘操作可通過移位實現(xiàn)，因此對計算結(jié)果擴大128倍相當于將二進制格式的小數(shù)點右移7位。更進一步，直接截取小數(shù)點后7位即為計算結(jié)果擴大128倍后的ASCII碼值。因此在網(wǎng)絡(luò)計算模塊將計算分為3部分：乘加運算、激勵函數(shù)運算和截位運算，如圖5所示為一個輸出層神經(jīng)元的計算結(jié)構(gòu)示意圖，輸出層各個神經(jīng)元按照圖5所示的計算結(jié)構(gòu)以并行、獨立的方式進行計算。

    模塊中的乘加運算是將編碼數(shù)據(jù)、解碼器部分權(quán)值和偏置按照式(2)中激勵函數(shù)內(nèi)部的乘加運算規(guī)則進行計算。本設(shè)計輸出層神經(jīng)元的激勵函數(shù)為hard_sigmoid函數(shù)^[12]，表達式為式(3)：

    根據(jù)定義，hard_sigmoid函數(shù)為分段函數(shù)，且各段均為線性關(guān)系，其非常便于在FPGA系統(tǒng)中實現(xiàn)，即利用條件判斷語句對輸入進行判斷并輸出不同的值，如圖6所示為hard_sigmoid函數(shù)硬件實現(xiàn)示意圖。

3 系統(tǒng)測試分析

    為了測試所設(shè)計自編碼神經(jīng)網(wǎng)絡(luò)在FPGA平臺上的實現(xiàn)，本文選擇的網(wǎng)絡(luò)結(jié)構(gòu)為輸入層、輸出層含有4個神經(jīng)元節(jié)點，隱含層含有8個神經(jīng)元節(jié)點。所選擇的應(yīng)用背景為對ASCII碼的編碼和解碼，其中軟件端完成對ASCII碼的編碼，所得到的編碼數(shù)據(jù)在FPGA端實現(xiàn)解碼。

    本實驗測試集由軟件生成，軟件環(huán)境下對ASCII碼中非控制字符（碼值為32~127，共96個）做歸一化處理，然后按照隨機組合的方式4個一組輸入至所設(shè)計的自編碼神經(jīng)網(wǎng)絡(luò)并獲得隱含層的輸出，將該輸出作為FPGA的測試輸入數(shù)據(jù)保存在SD卡中。所選擇的FPGA硬件平臺是Xilinx VC707 FPGA開發(fā)板，系統(tǒng)開發(fā)環(huán)境為Xilinx ISE 14.7，仿真環(huán)境為ModelSim SE 10.1c，如圖7所示為硬件系統(tǒng)測試圖。

    在圖7所示的硬件系統(tǒng)測試圖中，①為SD卡，②為LCD1602顯示屏，③為控制按鍵。系統(tǒng)上電后，通過控制按鍵的按下操作不斷從SD卡中讀取數(shù)據(jù)，經(jīng)過網(wǎng)絡(luò)計算模塊計算后將結(jié)果顯示在LCD1602顯示屏上，每次顯示4個字符，如圖7中LCD1602顯示屏的第二行即為解碼后的4個數(shù)據(jù)，對應(yīng)于圖1所示神經(jīng)網(wǎng)絡(luò)的4個輸出。

3.1 網(wǎng)絡(luò)計算結(jié)果分析

    神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練得到一組最優(yōu)參數(shù)，包括網(wǎng)絡(luò)權(quán)值和偏置。為了在FPGA中實現(xiàn)所設(shè)計自編碼神經(jīng)網(wǎng)絡(luò)的解碼器部分，需要獲取對ASCII碼編碼后的數(shù)據(jù)（神經(jīng)網(wǎng)絡(luò)隱含層的輸出數(shù)據(jù)）和解碼器部分的網(wǎng)絡(luò)權(quán)值與偏置。另外由于FPGA僅能對二進制數(shù)據(jù)識別和計算，因此需要將上述數(shù)據(jù)轉(zhuǎn)換為二進制數(shù)據(jù)。

    在FPGA設(shè)計中，數(shù)據(jù)的表示方式與FPGA邏輯資源消耗直接相關(guān)的。數(shù)據(jù)表示位數(shù)越多，數(shù)據(jù)精度越高，邏輯資源的消耗也就越多，因此在FPGA設(shè)計中需要權(quán)衡FPGA資源消耗和數(shù)據(jù)精度之間的關(guān)系。結(jié)合本文的實際應(yīng)用，同時為了更好地權(quán)衡FPGA設(shè)計中的精度、資源占用和功耗，本設(shè)計采用定點數(shù)表示上述數(shù)據(jù)。

    由于在FPGA設(shè)計中采用有限位定點數(shù)來表示數(shù)據(jù)時，對原數(shù)據(jù)進行定點量化的過程中會因為數(shù)據(jù)的截斷而產(chǎn)生誤差。根據(jù)網(wǎng)絡(luò)計算模塊的設(shè)計，其輸出為計算結(jié)果二進制小數(shù)點后7位，因此在設(shè)計中需要保證這7位數(shù)據(jù)正確，即與原始輸入數(shù)據(jù)相比，經(jīng)過解碼后輸出結(jié)果的誤差需要小于2^-7，即應(yīng)小于7.812 5×10^-3。本文利用MATLAB下的Fixed Point Toolbox對數(shù)據(jù)進行量化，然后分析本設(shè)計中數(shù)據(jù)不同的量化位數(shù)對計算結(jié)果誤差的影響，如圖8所示為定點數(shù)表示中小數(shù)點的位數(shù)和最大誤差之間的關(guān)系。

    從圖8可以看出：

    (1)隨著定點數(shù)小數(shù)位數(shù)的增加，最大誤差值不斷降低，即數(shù)據(jù)精度越來越高；

    (2)定點數(shù)小數(shù)位變?yōu)?2位之后，其最大誤差基本保持不變；

    (3)定點數(shù)小數(shù)位為9位時，其最大誤差與7.812 5×10^-3基本一致；定點數(shù)小數(shù)位為10位時，其最大誤差已符合小于7.812 5×10^-3的要求。

    基于圖8所示的分析結(jié)果，本文在對設(shè)計中的網(wǎng)絡(luò)權(quán)值、偏置和編碼數(shù)據(jù)進行定點數(shù)量化時，小數(shù)位均設(shè)計為10位。進一步通過對網(wǎng)絡(luò)的權(quán)值、偏置和編碼數(shù)據(jù)的大小范圍進行分析可以確定其整數(shù)位的位數(shù)，3種數(shù)據(jù)的二進制定點數(shù)格式如表1所示。

    本設(shè)計在ModelSim環(huán)境下對網(wǎng)絡(luò)計算模塊進行仿真，并對模塊輸出的計算結(jié)果與軟件中的原始輸入數(shù)據(jù)進行分析比對，所測試數(shù)據(jù)中的絕對誤差最大值小于7.812 5×10^-3，符合設(shè)計中的誤差要求。另外通過硬件實測，所有被編碼后的數(shù)據(jù)經(jīng)過FPGA計算后均被正確解碼，并將結(jié)果顯示在LCD1602上，即所設(shè)計的FPGA硬件系統(tǒng)正確地完成了解碼功能，從而驗證了對所設(shè)計網(wǎng)絡(luò)計算模塊的誤差分析。

3.2 系統(tǒng)性能分析

    如表2所示為Xilinx ISE對系統(tǒng)工程綜合實現(xiàn)后列出的主要資源占用情況?？梢钥闯?，DSP資源占用較大，主要原因是網(wǎng)絡(luò)計算模塊中的乘加計算和激勵函數(shù)運算均含有定點數(shù)乘法和加法操作，因此會占用較多的DSP資源。另外，BRAM資源的占用主要來自于FIFO模塊的實現(xiàn)和網(wǎng)絡(luò)計算模塊中網(wǎng)絡(luò)權(quán)值與偏置的存儲。

    如表3所示為FPGA硬件實現(xiàn)數(shù)據(jù)解碼的速度和軟件解碼速度的比較，軟件解碼是在MATLAB軟件中測試所得，CPU為Intel Core i7，主頻為2.5 GHz。FPGA硬件解碼速度是通過在FPGA中設(shè)置計數(shù)器，對從讀取解碼器輸入數(shù)據(jù)到最后輸出結(jié)果的時鐘進行計數(shù)，然后利用ChipScope工具查看計數(shù)值來計算工作時間。表3中的結(jié)果顯示，相比于CPU軟件解碼，本文所設(shè)計的FPGA硬件解碼器加速了7倍以上。

    通過Xilinx ISE自帶的XPower工具可以得到FPGA的運行功耗大致為0.389 W，所設(shè)計系統(tǒng)的外圍設(shè)備中LCD1602功耗大致為0.693 W，其余外設(shè)的功耗可忽略不計，因此整個系統(tǒng)總功耗為1 W左右。而相比之下，Intel Core i7-6500U主頻為2.5 GHz的CPU的功耗可高達65 W，可見本系統(tǒng)功耗僅為通用CPU的1.5%，因此特別適合將本文所設(shè)計的基于FPGA的解碼器應(yīng)用于低功耗便攜式設(shè)備中。

4 結(jié)論

    利用神經(jīng)網(wǎng)絡(luò)所具有的輸入輸出之間的映射關(guān)系，可以簡單高效地實現(xiàn)數(shù)據(jù)編碼和解碼。本文根據(jù)自編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和特點，將其用于編碼和解碼，并在FPGA中實現(xiàn)自編碼神經(jīng)網(wǎng)絡(luò)的解碼器部分。通過對軟件算法的設(shè)計和網(wǎng)絡(luò)計算過程的分析，按照功能和需求對FPGA模塊進行設(shè)計。利用ModelSim軟件對所設(shè)計的各個FPGA模塊進行仿真驗證，利用Xilinx ISE對整個工程進行設(shè)計、綜合和實現(xiàn)，并將編程文件下載至Xilinx VC707 FPGA開發(fā)板中進行驗證，同時對FPGA系統(tǒng)的資源占用、計算速度和功耗進行評估。通過測試，對于在軟件中經(jīng)過編碼的數(shù)據(jù)，在FPGA系統(tǒng)中可以正確解碼。同時相比于通用CPU，該系統(tǒng)計算過程加速了7倍以上，而運行功耗僅為CPU的1.5%，因此具有速度快、功耗低的特點，特別適合將其應(yīng)用于實時性、低功耗便攜式設(shè)備中。

參考文獻

[1] 曹雪虹，張宗橙.信息論與編碼[M].北京：清華大學出版社，2016.

[2] 張定會，李敬紅，左小五.神經(jīng)網(wǎng)絡(luò)編碼和解碼[C].全國青年通信學術(shù)會議.2002.

[3] 王雅思.深度學習中的自編碼器的表達能力研究[D].哈爾濱：哈爾濱工業(yè)大學，2014.

[4] 李時峰.基于自編碼神經(jīng)網(wǎng)絡(luò)文本特征選擇的研究[D].天津：天津科技大學，2016.

[5] 白玉婷，張剛.AVS熵編碼的FPGA實現(xiàn)[J].軟件，2012，33(2)：102-104，156.

[6] 陳章進，鐘國海，畢卓.一種基于低成本FPGA的高速8B/10B編解碼器設(shè)計[J].微計算機信息，2012，28（10）：189-190，480.

[7] Li Huimin，F(xiàn)an Xitian，Jiao Li，et al.A high performance FPGA-based accelerator for large-scale convolutional neural networks[C].Field Programmable Logic and Applications(FPL)，2016 26th International Conference on.IEEE，2016：1-9.

[8] NURVITADHI E，VENKATESH G，SIM J，et al.Can FPGAs beat GPUs in accelerating next-generation deep neural networks?[C].Proceedings of the 2017 ACM/SIGDA International Symposium on Field-Programmable Gate Arrays.ACM：5-14.

[9] CYBENKO G.Approximation by superpositions of a sigmoidal function[J].Mathematics of Control，Signals，and Systems(MCSS)，1989，2(4)：303-314.

[10] BENGIO Y.Learning deep architectures for AI[J].Foundations and trends? in Machine Learning，2009，2(1)：1-127.

[11] 魯亞平.面向深度網(wǎng)絡(luò)的自編碼器研究[D].蘇州：蘇州大學，2016.

[12] Tensorflow.hard_sigmoid definition[EB/OL].[2017-07-26].https：//www.tensorflow.org/api_docs/python/tf/contrib/keras/backend/hard_sigmoid.

[13] 張鋒，潘冀寧，朱振榮.基于SPI模式的Micro SD卡驅(qū)動設(shè)計與驗證[J].通訊世界，2017(12)：3-4.

作者信息:

周松江，李圣辰，劉  明

（北京郵電大學 信息光子學與光通信研究院，北京100876）