基于FPGA移动机器人脉冲神经网络走廊场景分类方法

基于fpga移动机器人脉冲神经网络走廊场景分类方法
技术领域
1.本发明涉及一种用硬件实现的基于fpga移动机器人脉冲神经 网络走廊场景分类方法，属于脉冲神经网络技术领域。


背景技术：

2.人工神经网络(artificial neural networks，anns)，是智能技术的 重要方面。当前，基于神经网络的应用大多处于计算机仿真阶段，很 多应用算法没有通过硬件实现，无法在实际应用中使用以发挥神经网 络并行、高速计算的优势，因此神经网络的硬件实现是基于神经网络 相关应用实用化的关键环节。目前，神经网络的硬件实现方法逐渐成 为人们研究的热点。
3.迄今为止，有学者把人工神经网络的发展分为了三代，其中第三 代神经网络为脉冲神经网络(spiking neural networks，snns)。该网 络通过使用独立的尖脉冲(spikes)传递信息，并且可以将时空信息融 于神经网络的计算和神经元间的数据交换之中。由于脉冲神经网络使 用脉冲编码(spike encode)，使得该网络能够工作在离散时间，比前 两代神经网络具有更好的生物似真性、且更易于用硬件实现。神经网 络具有并行计算的特点，同时现场可编程门阵列(field programmablegate array，fpga)具有并行处理数据的特性，因而fpga适于神经 网络的硬件实现。
4.移动机器人走廊场景识别是机器人研究领域的关键技术之一，是 机器人进行其他高级任务的前提。目前，移动机器人一般都是基于视 觉的方法对走廊场景进行识别，这种方法受光照条件的影响较大，且 传感器测量数据多，严重影响了场景的识别速度和识别准确率，降低 了移动机器人的环境感知能力。因此研究移动机器人脉冲神经网络走 廊场景分类器的硬件实现方法具有十分重要的意义。


技术实现要素：

5.本发明的目的在于针对现有技术之弊端，提供一种基于fpga移 动机器人脉冲神经网络走廊场景分类方法，以提高移动机器人的环境 感知能力。
6.为实现上述目的，本发明采用如下技术方案：
7.一种基于fpga移动机器人脉冲神经网络走廊场景分类方法，所 述方法利用安装在移动机器人上的超声传感器实时测量不同走廊场 景下移动机器人周围的环境信息，然后将超声传感器测量的信息输入 到利用fpga实现的脉冲神经网络走廊场景分类器中，由设置在脉冲 神经网络走廊场景分类器中的脉冲神经网络对超声传感器测量的信 息进行脉冲编码和场景识别，通过脉冲神经网络的脉冲输出模式来判 断移动机器人所处的走廊场景。
8.上述基于fpga移动机器人脉冲神经网络走廊场景分类方法，所 述超声传感器设置多个，它们在移动机器人本体外侧同一水平面上均 匀分布，对移动机器人所处的环境进行全方位探测。
9.上述基于fpga移动机器人脉冲神经网络走廊场景分类方法，所 述脉冲神经网络包括输入层、隐含层和输出层，各层的具体结构如下：
10.输入层：包括sn×
n个输入神经元，其中sn为每次超声传感器采 集测量信息的个数，n为超声传感器的测量组数，输入层神经元到隐 含层神经元的连接权值均为w1(i1,j1)＝1，其中j1为输入层神经元序号， j1＝1,...,sn×
n，i1为隐含层神经元序号，i1＝1,...,sn×n×
ni，ni为待分 类走廊场景个数；
11.隐含层：包括sn×n×
ni个隐含层神经元，隐含层神经元到输出层 神经元的连接权值均为w2(i2,i1)＝1，其中i2为输出层神经元序号， i2＝1,...,ni；
12.输出层：包括ni个神经元，输出层采用“赢者通吃，胜者为王”的 原则，只要有一个输出神经元的激活潜能超过点火阈值发出脉冲，其 他神经元就不会再点火。
13.上述基于fpga移动机器人脉冲神经网络走廊场景分类方法，在 脉冲神经网络的输入层，由输入时延编码模块将超声传感器测量的信 息处理成脉冲时延编码，完成脉冲神经网络输入层的计算；在脉冲神 经网络的隐含层，由均值与方差运算模块计算出脉冲时延编码的均值 与方差，运算出的方差传递给浮点开方模块完成开方运算，将输入时 延编码模块、均值与方差运算模块和浮点开方模块的输出信号传输给 隐含时延编码模块，完成脉冲神经网络隐含层的计算；在脉冲神经网 络的输出层，由膜潜能计算模块将隐含时延编码模块输出的时延编码 输入脉冲iaf神经元模型进行运算，完成脉冲神经网络输出层的计算； 场景类别输出模块根据输出层神经元的脉冲输出实现走廊场景的分 类。
14.上述基于fpga移动机器人脉冲神经网络走廊场景分类方法，所 述输入时延编码模块的fpga硬件实现方法如下：
15.输入传感器信息的脉冲时延编码为：
[0016][0017]
其中，t
win
为时间窗长，x
ij
(m)为超声传感器在第i个场景的第j组 测量信息中第m个超声传感器的测量数据，max(x)为超声传感器的 最大测量范围，d
ij
(m)为输出的脉冲时延编码；
[0018]
脉冲神经网络的输入为：
[0019]dik
＝[d
ik d
i(k+1)
,...,d
i(k+p-1)
]
t
[0020]
其中，i为待分类走廊场景序号，i＝1,2,...,ni，k为某走廊场景 中输入数据的组数(k＝1,2,...,5)，p为在某走廊场景中采用连续时刻 的超声传感器信息的组数(p＝3)，d
ik
为第i个走廊场景中第k个时刻 的16个超声传感器测量信息的脉冲时延编码 (d
ik
＝[d
ik
(1),d
ik
(2),...,d
ik
(m)])；
[0021]
输入时延编码模块的fpga硬件实现步骤如下：
[0022]
用fpga适用的硬件描述语言编程：首先把x
ij
(m)扩大2
10
倍，然 后除以max(x)，再模除1024进行缩放，最后单精度浮点数1减去模 除的结果与时间窗长t
win
相乘，得到d
ij
(m)；
[0023]
利用时钟信号和复位信号，周期性地输入传感器信息，完成输入 时延编码模块的硬件实现。
[0024]
上述基于fpga移动机器人脉冲神经网络走廊场景分类方法，所 述均值与方差运
算模块的fpga硬件实现方法如下：
[0025]
隐含层中神经元的输出为：
[0026][0027]
其中，为脉冲编码的均值，为脉 冲编码的方差，d
ij
为第i个走廊场景中第j组超声传感器测量信息的 脉冲时延编码，n为超声传感器测量组数，即隐含层第 (sn×n×
(i-1)+k)个神经元的输出为o2(sn×n×
(i-1)+k)， [0028]
进行均值硬件实现时，采用fpga适用的硬件描述语言编程，对 读取的d
ij
进行连加运算，然后利用除法器将求和结果与n相除，得到 脉冲编码的均值μi，完成均值运算的硬件实现；
[0029]
进行方差硬件实现时，采用fpga适用的硬件描述语言编程，对 读取的d
ij
分别减去均值取平方，接着对运算出的结果相加求和再除 以n取均值，再将均值输入到浮点开方模块进行开方，得到脉冲编码 的方差σi，完成方差运算的硬件实现。
[0030]
上述基于fpga的移动机器人脉冲神经网络走廊场景分类方法， 所述浮点开方模块的fpga硬件实现采用fpga适用的硬件描述语言 编程，步骤如下：
[0031]
a.输入的运算结果，输入数据为data_in[31:0]；
[0032]
b.设置开方结果输出的试错值，先将试错值data_test[15:0]的最 高位设为1，对其进行平方后与输入值进行比较，如果输入值大于试 错值的平方，最高位置为1，否则最高位置为0；
[0033]
c.按照从高位往低位的顺序，依次将试错值的每一位置1，再将 试错值平方后与输入数据比较，如果输入值大于试错值的平方，则将 该位置为1，否则置为0，以此迭代到最后一位；
[0034]
d.当所有计算结束后，试错值即为最终的开方结果。
[0035]
上述基于fpga移动机器人脉冲神经网络走廊场景分类方法，所 述隐含时延编码模块的fpga硬件实现采用fpga适用的硬件描述语 言编程，方法如下：
[0036]
的运算方法为：
[0037]
隐含层的输出由两部分组成：
[0038]
a.整数部分：利用移位运算符将整数部分左移10位，低10位固 定补0作为小数部分；
[0039]
b.小数部分：时延编码与各个均值用减法器连接后扩大2
10
倍，再 除以方差，运算结果用1024取余作为小数部分；
[0040]
最终，将其两部分直接相加即可得到隐含层神经元输出的时延编 码值。
[0041]
上述基于fpga的移动机器人脉冲神经网络走廊场景分类方法， 所述膜潜能计算模块的fpga硬件实现采用fpga适用的硬件描述语 言编程，方法如下：
[0042]
输出层神经元采用脉冲iaf神经元模型，其脉冲输出为：
[0043][0044]
其中，ui(t)＝w2(i2,i1)ε(t-td(j))为膜潜能，为 核函数，t为输出层的时间窗长，为脉冲神经元的点火阈值， td(j)＝o2(sn×n×
(i-1)+k)为隐含层第j个脉冲输出神经元的时延编 码，τ为膜时间常数；
[0045]
在对膜潜能计算模块进行fpga硬件实现时，设定时间轴长度为 t ms，以便产生脉冲时延编码，每个时间轴上包含m个时间窗，各 个时间窗口上的点火阈值分别设置不同的动态阈值，利用上述参数， 使用减法器和除法器分别计算每个时间窗上核函数的值，将计算结果 与对应时间窗上的阈值进行比较，根据比较的结果判断是否发放脉冲， 若某一神经元发放脉冲，则其他神经元不会再点火。
[0046]
本发明采用基于fpga的脉冲神经网络走廊场景分类器对移动 机器人所处的走廊场景进行分类，与基于视觉的方法相比，该方法不 受光照条件的影响，需要的传感器测量信息少，分类速度快、准确率 高，可提高移动机器人的环境感知能力。此外，本发明还具有分类器 结构简单，易于实施，通用性好，实用性广等优点。
附图说明
[0047]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0048]
图1是本发明的总体框图；
[0049]
图2是机器人超声传感器环形探测范围示意图；
[0050]
图3是七种结构化走廊场景，其中图3(a)为后通行场景；3(b)为 前通行场景；3(c)为前左右通行场景；3(d)为后左右通行场景；3(e) 为前后右通行场景；3(f)为前后左通行场景；3(g)为前后通行场景；
[0051]
图4是本发明实施例的脉冲神经网络结构；
[0052]
图5是本发明实施例的fpga设计顶层原理图；
[0053]
图6是本发明实施例的逐位循环开方算法框图；
[0054]
图7是本发明实施例的逐位循环开方算法流程图。
[0055]
文中所用符号：sn为每次超声传感器采集测量信息的个数，n为 超声传感器的测量组数，w1(i1,j1)为输入层神经元到隐含层神经元的 连接权值，j1为输入层神经元序号，i1为隐含层神经元序号，ni为待 分类走廊场景个数，w2(i2,i1)为隐含层神经元到输出层神经元的连接 权值，i2为输出层神经元序号，t
win
为时间窗长，x
ij
(m)为超声传感器 在第i个场景的第j组测量信息中第m个超声传感器的测量数据， max(x)为超声传感器的最大测量范
围，d
ij
(m)为输出的脉冲时延编码， k为某走廊场景中输入数据的组数，p为在某走廊场景中采用连续时 刻的超声传感器信息的组数，d
ik
为第i个走廊场景中第k个时刻的多 个超声传感器测量信息的脉冲时延编码，μi为脉冲编码的均值，σi为 脉冲编码的方差，d
ij
为第i个走廊场景中第j组超声传感器测量信息 的脉冲时延编码，n为超声传感器测量组数，ui(t)为膜潜能，为脉 冲神经元的点火阈值，t为输出层的时间窗长，td(j)为隐含层第j个 脉冲输出神经元的时延编码，ε(t-td(j))为核函数。
具体实施方式
[0056]
本发明提供了一种基于fpga移动机器人脉冲神经网络走廊场 景分类方法，解决了目前神经网络应用算法多处于计算机仿真、没有 实用化的问题。
[0057]
参见图1，本发明将移动机器人在不同走廊场景下采集的超声传 感器信息输入到所设计的脉冲神经网络走廊场景分类器中，利用 fpga进行脉冲编码，并对脉冲编码进行识别，通过脉冲神经网络的 脉冲输出模式判断移动机器人所处的走廊场景。本发明利用fpga实 现了脉冲积分点火(integrated-and-fire，iaf)神经元模型，在此基础上 实现了基于脉冲iaf神经元模型的移动机器人脉冲神经网络走廊场 景分类器，该分类器可对7类走廊场景进行有效分类。
[0058]
图2是机器人超声传感器环形探测范围示意图，图中xoy为机器 人坐标系，为机器人前行方向，圆环为机器人本体，1——16为机 器人本体外部设有的16个超声传感器或测距传感器，它们在360
°
范围 中均匀分布，采用这种结构可以使移动机器人无需旋转就能实现对所 处环境的全方位探测。
[0059]
参见图3，常见的七种结构化待分类走廊场景如图3(a)-图3(g) 所示，分别为后通行场景、前通行场景、前左右通行场景、后左右通 行场景、前后右通行场景、前后左通行场景和前后通行场景。图中的 圆圈表示移动机器人，圆圈内部的小矩形表示移动机器人的单目摄像 机，箭头表示机器人移动的方向，图中的直线代表障碍物，障碍物的 不同组合表示不同的走廊场景。
[0060]
参见图4，本发明由安装在移动机器人上的超声传感器在不同走 廊场景下采集场景信息，由脉冲神经网络判断移动机器人所处的走廊 场景，本发明基于脉冲iaf神经元模型，提出一种脉冲神经网络结构， 该脉冲神经网络结构如下：
[0061]
第一层为输入层，其是由sn×
n个输入神经元组成，其中sn为每 次超声传感器采集测量信息的个数，n为超声传感器的测量组数。第 一层神经元到第二层神经元的连接权值均为w1(i1,j1)＝1，其中j1为输 入层神经元序号，j1＝1,...,sn×
n，i1为隐含层神经元序号， i1＝1,...,sn×n×
ni，ni为待分类走廊场景个数。
[0062]
第二层为隐含层，其是在输入层上乘以连接权值w1(i1,j1)组合而 成，隐含层有sn×n×
ni个神经元。第二层神经元到第三层神经元的连 接权值均为w2(i2,i1)＝1，其中i2为输出层神经元序号，i2＝1,...,ni。
[0063]
第三层为输出层，输出层有ni个神经元。输出层采用“赢者通吃， 胜者为王(winners-take-all，wta)”的原则，只要有一个输出神经元 的激活潜能超过点火阈值发出脉冲，其他神经元就不会再点火。
[0064]
仍参见图1，在输入层，由输入时延编码模块将超声传感器测量 的信息处理成脉
冲时延编码，完成脉冲神经网络输入层的计算；
[0065]
在隐含层，由均值与方差运算模块计算出脉冲时延编码的均值与 方差，运算出的方差传递给浮点开方模块完成开方运算，将输入时延 编码模块、均值与方差运算模块和浮点开方模块的输出信号传输给隐 含时延编码模块，完成脉冲神经网络隐含层的计算；
[0066]
在输出层，由膜潜能计算模块将隐含时延编码模块输出的时延编 码输入脉冲iaf神经元模型进行运算，完成脉冲神经网络输出层的计 算；场景类别输出模块根据输出层神经元的脉冲输出实现走廊场景的 分类。
[0067]
参见图5，将移动机器人超声传感器测量信息进行脉冲编码，后 输入到所设计的脉冲神经网络走廊场景分类器中，通过脉冲神经网络 的脉冲输出模式判断移动机器人所处的走廊场景。具体实现细节包括 如下步骤：
[0068]
步骤1：输入层的fpga硬件实现
[0069]
1.输入时延编码模块的fpga硬件实现方法
[0070]
脉冲神经网络第一层为输入层，由16个超声传感器信息融合向 量作为输入。采用连续测得的n组超声传感信息，经过脉冲时延编码 后构造融合向量，作为脉冲神经元的输入，则输入层由16
×
n个神经 元组成。
[0071]
将超声传感器信息处理成脉冲时延编码步骤如下：
[0072]
(1)输入传感器信息的脉冲时延编码为：
[0073][0074]
其中，t
win
为时间窗长，时间窗(time window)指的是神经元将外 界输入转换为脉冲序列所需的时间长度，设置为20ms，x
ij
(m)为超声 传感器在第i个场景的第j(j＝1,2,...,14)组测量信息中第 m(m＝1,2,l,16)个超声传感器的测量数据，max(x)为超声传感器的 最大测量范围，本实施例中max(x)为400cm，d
ij
(m)为输出的脉冲时 延编码。d
ij
(m)值越小，表明输出脉冲时刻越早，脉冲时延最短，脉 冲刺激越强。
[0075]
(2)脉冲神经网络的输入为d
ik
：
[0076]dik
＝[d
ik d
i(k+1)
,...,d
i(k+p-1)
]
t
[0077]
(2)
[0078]
其中，i为待分类走廊场景序号，i＝1,2,...,ni，ni＝7，k为某走 廊场景中输入数据的组数(k＝1,2,...,5)，p为在某走廊场景中采用连 续时刻的超声传感器信息的组数(p＝3)，d
ik
为第i个走廊场景中第k 个时刻的16个超声传感器测量信息的脉冲时延编码 (d
ik
＝[d
ik
(1),d
ik
(2),...,d
ik
(m)])。
[0079]
2.输入时延编码模块的fpga硬件实现
[0080]
在对脉冲神经网络进行fpga硬件实现时，采用fpga适用的硬 件描述语言编程：为减少资源消耗、提高运算速度和提升计算精度， 减法、乘法、除法和取余运算结果的精度均为32位单精度浮点数， 其中整数部分用高12位二进制数代表，小数部分用低10位二进制数 代表。时延编码的fpga硬件实现方法如下：
[0081]
(1)对超声传感器采集的信息进行预处理后写入；
[0082]
(2)将公式(1)用硬件描述语言编程：为保证后续计算的准确性， 首先把x
ij
(m)扩大2
10
倍，然后除以max(x)，再模除1024进行缩放， 扩大与缩小2
10
的目的是为了解决精度不足的问题，其中的低10位二 进制数用来表示小数部分，取低10位二进制数表示小数部分可满足 使用要求，最后单精度浮点数1减去模除的结果与时间窗长t
win
相乘；
[0083]
(3)利用时钟信号和复位信号，周期性地输入传感器信息，进 而完成对脉冲时延编码的硬件实现。
[0084]
步骤2：隐含层的fpga硬件实现
[0085]
1.隐含层fpga硬件实现的总体方案
[0086]
由于第一层神经元到第二层神经元的连接权值均为w1(i1,j1)＝1， 故隐含层的输入为输入层的脉冲时延编码。隐含层的输出有着向聚类 中心汇集的作用。在第i个走廊场景中分别采集n组传感器信息，计 算该组向量脉冲编码的均值μi和方差σi。
[0087][0088][0089]
其中，d
ij
为第i个走廊场景中第j组超声传感器测量信息的脉冲 时延编码，n为超声传感器测量组数(n＝14)。
[0090]
因此，隐含层中神经元的输出为
[0091][0092]
即隐含层第(sn×n×
(i-1)+k)个神经元的输出为 o2(sn×n×
(i-1)+k)，
[0093]
令td(j)＝o2(16
×n×
(i-1)+k)
[0094]
(6)
[0095]
则td(j)(j＝1,2,...,sn×n×
ni)为隐含层第j个脉冲输出神经元的 时延编码。
[0096]
2.隐含层均值与方差运算模块的fpga硬件实现
[0097]
在对脉冲神经网络的隐含层公式(3)进行均值硬件实现时，采用 fpga适用的硬件描述语言编程：对读取的2组k个时刻的数据进行 连加运算，然后利用除法器对求和结果与n相除取其平均，实现均值 运算的硬件实现。
[0098]
对公式(4)进行方差硬件实现时，先将其变换成公式(7)，对读取 的2组k个时刻的数据分别减去均值取平方，接着对运算出的结果相 加求和再除以n取均值，对结果以二
进制的方式写入到文件中，作 为浮点开方模块的输入信号。
[0099][0100]
3.隐含层浮点开方模块的fpga硬件实现
[0101]
逐位循环(digit-recurrence)开方算法是一种类似于试平方根的手 算方法。逐位循环开方算法框图如图6所示，实施过程为：通过时钟 周期不断迭代，利用折半遍历比较，计算差值不断去逼近真实值，最 终判断最接近的根即为开方结果。
[0102]
浮点开方模块利用逐位循环开方算法的基本原理进行fpga硬 件实现，采用fpga适用的硬件描述语言编程：逐位循环开方算法流 程图如图7，具体步骤如下：
[0103]
第一步：输入公式(7)运算的结果，输入数据为data_in[31:0]；
[0104]
第二步：设置开方结果输出的试错值，先将试错值 data_test[15:0]的最高位(第16位)设为1，对其进行平方与输入 值进行比较，如果输入值大于试错值的平方，最高位置为1，否则最 高位置为0，公式(8)对其有更形象地展现
[0105][0106]
第三步：按照从高位往低位的顺序，依次将每一位置1，再将试 错值平方后与输入数据比较，以此迭代到最后一位；
[0107]
第四步：当所有计算结束后，将试错值输出，即为最终的开方结 果。
[0108]
4.隐含时延编码模块的fpga硬件实现
[0109]
通过上面输入时延编码模块、均值与方差运算模块和浮点开方模 块分别计算出的脉冲时延编码、均值和方差的结果，采用fpga适用 的硬件描述语言编程来完成隐含时延编码模块的fpga硬件实现。由 公式(5)知，涉及到绝对值运算考虑两种情况，公式(9)有更明确的展 示。考虑到计算精度问题，隐含层的输出由两部分组成：
[0110]
(1)整数部分：通过观察运算出的时延编码的高10位均为0， 所以可利用移位运算符左移10位，也就是被移位的数据高10位0被 丢弃，而低10位固定补0作为小数部分；
[0111]
(2)小数部分：时延编码与各个均值用减法器连接后扩大2
10
倍， 再除以方差，运算结果用1024取余作为小数部分。
[0112]
[0113]
最终，将其两部分直接相加即可得到隐含层神经元输出的脉冲时 延编码值。
[0114]
步骤3：输出层的fpga硬件实现
[0115]
1.膜潜能计算模块的fpga硬件实现方法
[0116]
采用fpga适用的硬件描述语言编程：输出层神经元采用脉冲 iaf神经元模型，其膜潜能ui(t)是由隐含层神经元的激活潜能组成， 第二层神经元到第三层神经元的连接权值均为w2(i2,i1)。为了便于硬 件实现，将复杂的iaf神经元模型近似处理，逼近后的iaf神经元 模型为
[0117]
ui(t)＝w2(i2,i1)ε(t-td(j))
[0118]
(10)
[0119]
式中t为输出层的时间窗长，核函数ε近似为
[0120][0121]
其中膜时间常数τ＝800ms。
[0122]
输出层神经元的脉冲输出为
[0123][0124]
其中，为脉冲神经元的点火阈值，其根据在时间轴上每个时间 窗的变化而变化，设置不同的动态阈值。
[0125]
2.膜潜能计算模块的fpga硬件实现
[0126]
在对输出层的膜潜能计算模块fpga硬件实现时，采用fpga适 用的硬件描述语言编程：最为关键的是计算出膜潜能，而其中最为核 心的部分是计算核函数ε。在本发明中，设定一个足够大的时间轴长 度为t＝10000ms，以便产生脉冲时延编码，每个时间轴上包含m＝5 个时间窗，每一时间窗口长度均为2000ms，各个时间窗口上的点火 阈值分别设置为119.908、239.908、359.909、479.911、599.914。
[0127]
利用上述的参数，使用减法器和除法器分别计算每个时间窗上核 函数的值，其结果与对应时间窗上的阈值进行比较，来判断是否发放 脉冲。如先有一神经元发放脉冲，因最先点火的神经元对其他神经元 有侧向抑制的作用，其他神经元就不会再点火。
[0128]
本发明具有如下特点：
[0129]
本发明实现了基于fpga移动机器人脉冲神经网络走廊场景分 类方法，此分类器结构简单，算法易于实现，通用性好，实用性广， 易于实施，分类准确率满足使用要求，可提高移动机器人环境感知能 力。
[0130]
本发明在保留脉冲iaf神经元模型的神经计算特征和动力学特 征的同时，提出模型逼近的近似处理方法，通过fpga实现了脉冲iaf 神经元模型的相应功能和逻辑。
[0131]
本发明在隐含层模块用硬件完成均值、方差运算，将输入减去均 值除以方差，实现人工神经网络中的批规范化运算。批规范化技术用 硬件实现，能加速神经网络的训练和
模型的收敛。
[0132]
本发明提出的基于脉冲iaf神经元模型的数据运算方法：被除数 扩大相应的位数2
t
，即左移t位，以此提高有效位数，可解决神经网 络硬件实现结果精度不足的问题。所提方法计算误差小、保证了所需 运算的精度。
[0133]
本发明在基于fpga的脉冲神经网络硬件实现方面具有占用芯 片资源少，计算效率高的优点。
[0134]
实验结果证明了本发明对于结构化走廊场景分类的可行性和有效性， 验证了所提基于脉冲iaf神经元模型的脉冲神经网络fpga硬件实 现方法的正确性，为脉冲神经网络的实用化提供了一种新思路，是对 脉冲神经网络硬件实现的有益探索。