电子产品世界

本项目中改进的DA算法主要应用于：64阶低通滤波器的设计，其结构如图8所示：

图8 基于改进DA算法的128阶低通滤波器的实现

（2）人工神经网络算法简介

人工神经网络（Artificial Neural Networks,ANN）是在现代神经生物学研究基础上提出的模拟生物过程以反映人脑某些特性的计算结构。它不是人脑神经系统的真实描写，而只是它的某种抽象、简化和模拟。神经元及其突触是神经网络的基本器件。因此，模拟生物神经网络应首先模拟生物神经元。在人工神经网络中，神经元常被称为“处理单元”。有时从网络的观点出发常把它称为“节点”。人工神经元是对生物神经元的一种形式化描述，它对生物神经元的信息处理过程进行抽象，并用数学语言予以描述；对生物神经元的结构和功能进行模拟，并用模型予以表达。

为了模拟生物神经元，一个简化的人工神经元，如图9所示。该神经元是一个多输入单输出的非线性元件。

图9 简化的神经元模型

人工神经元模型可以看成是由三个基本要素组成：

• 一组连接权（对应于生物神经元的突触），连接强度由各连接上的权值表示，权值为正表示激励，为负值表示抑制。
• 一个求和单元，用于求取各输入信息的加权和（线性组合）。
• 一个非线性激活函数，起非线性映射作用并限制神经元输出幅度在一定的范围之内。此外还有一个阈值。阈值也被看作是一个输入分量，也就是阈值也是一个权值。在网络的设计中，偏差起着重要的作用，它使得激活函数的图形可以左右移动而增加了解决问题的可能性。

通常所说的人工神经网络结构，主要指它的连接方式。从拓扑结构上考虑，神经网络属于以神经元为节点，以节点间的连接为边的一种图。从连接方式来看，主要有两种，即前馈型神经网络和反馈型网络。一个神经网络的拓扑结构确定后，为了使它具有某种智能特性，必须有相应的学习方法与之配合。权值如何设置是区分不同人工神经网络学习算法的重要特征。一般可以把人工神经网络的学习分为两种类型，即监督学习（有教师学习）和无监督学习（无教师学习）。

关键词： 超声波 瓶体厚度检测 FPGA 人工神经网络算法