隨著4C 技術(shù)的迅猛發(fā)展，以及近十多年來智能控制技術(shù)的成就，智能控制在工業(yè)用儀器儀表和信息電器（ IA）產(chǎn)業(yè)中得到了廣泛應(yīng)用，其實(shí)現(xiàn)手段也趨于多樣化。采用FPGA 實(shí)現(xiàn)控制器與使用馮·諾伊曼（VonNeumann）結(jié)構(gòu)的微控制器（MCU）相比，具有信息流并行性、快速性、靈活性和易于擴(kuò)展等特點(diǎn)。特別在實(shí)現(xiàn)復(fù)雜智能控制策略時(shí)，由于微控制器只能順序執(zhí)行程序，隨著算法復(fù)雜程度的提高，執(zhí)行速度必將受到限制。FPGA 可固件串行與并行實(shí)現(xiàn)算法，從本質(zhì)上提高了處理速度，對(duì)實(shí)時(shí)性要求較高的智能控制過程來說是一種有效的實(shí)現(xiàn)途徑。

隨著FPGA技術(shù)的不斷發(fā)展，各種智能控制策略的FPGA 固核實(shí)現(xiàn)的研究隨之活躍。Henriette Ossoing等人完成了神經(jīng)網(wǎng)絡(luò)的FPGA 實(shí)現(xiàn)并應(yīng)用于監(jiān)控和診斷系統(tǒng)中[1] ,Cirstea Marcian 等人將基于FPGA 的神經(jīng)網(wǎng)絡(luò)控制器用于驅(qū)動(dòng)電機(jī)。在第二次數(shù)字浪潮涌現(xiàn)之際，F(xiàn)PGA 的靈活可編程性等特點(diǎn)非常適合具有生命周期短、批量大的數(shù)字消費(fèi)類電子產(chǎn)品的研制開發(fā)。

單神經(jīng)元PID 控制器是一種具有自學(xué)習(xí)能力和自適應(yīng)能力的良好控制器， 它不但結(jié)構(gòu)簡(jiǎn)單、學(xué)習(xí)算法物理意義明確、計(jì)算量小，參數(shù)調(diào)整容易，且能適應(yīng)環(huán)境變化，具有較強(qiáng)的魯棒性，比較適合實(shí)際使用。仍是實(shí)際工業(yè)過程中廣泛采用的一種比較有效的控制方法。但當(dāng)被控對(duì)象存在非線性和時(shí)變特性時(shí)，傳統(tǒng)的PID 控制器往往難以獲得滿意的控制效果。神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的信息綜合能力為解決復(fù)雜控制系統(tǒng)問題提供了理論基礎(chǔ)，許多學(xué)者也通過軟件仿真的形式驗(yàn)證了神經(jīng)網(wǎng)絡(luò)控制的可行性并提出了一些新的算法，但由于目前沒有相應(yīng)的硬件支持，只通過軟件編程，利用串行方法來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)控制必然導(dǎo)致運(yùn)算速度低，難以保證實(shí)時(shí)控制。而正如前文鎖說的FPGA結(jié)構(gòu)靈活、通用性強(qiáng)、速度快、功耗低，用它來構(gòu)造神經(jīng)網(wǎng)絡(luò)，可以靈活地實(shí)現(xiàn)各種運(yùn)算功能和學(xué)習(xí)規(guī)則，并且設(shè)計(jì)周期短、系統(tǒng)速度快、可靠性高。足以彌補(bǔ)PID控制器出現(xiàn)的各種問題。

本文主要介紹了用FPGA實(shí)現(xiàn)單神經(jīng)元自適應(yīng)PID控制器的方法，并對(duì)基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制器的FPGA設(shè)計(jì)做了概述。

神經(jīng)元自適應(yīng)PID控制器的基本原理和算法

單神經(jīng)元PID控制器的結(jié)構(gòu)

三輸入單神經(jīng)元模型。其中x1，x2，x3是輸入量，w1、w2、w3是對(duì)應(yīng)的權(quán)值，K為比例系數(shù)。
與傳統(tǒng)PID控制器經(jīng)離散處理后的增量表達(dá)式
y（k）=kie（k）+kp（e（k）-e（k-1）+kd（e（k）-2e（k-1）+e（k-2））
比較而知，權(quán)值w1、w2、w3分別對(duì)應(yīng)于傳統(tǒng)PID控制器的ki，kp和kd。

學(xué)習(xí)算法
經(jīng)過大量的實(shí)際應(yīng)用，實(shí)踐表明PID參數(shù)的在線學(xué)習(xí)修正主要與芿（k）和e（k）有關(guān)。因此可將單神經(jīng)元自適應(yīng)PID控制算法中的加權(quán)系數(shù)學(xué)習(xí)修正部分進(jìn)行修改。

本文里用FPGA實(shí)現(xiàn)的單神經(jīng)元學(xué)習(xí)算法就采用了這種基于改進(jìn)規(guī)則的方法。

神經(jīng)元算法在FPGA上的實(shí)現(xiàn)

FPGA上浮點(diǎn)數(shù)的運(yùn)算

浮點(diǎn)加、減、乘、除運(yùn)算單元的設(shè)計(jì)

神經(jīng)元PID算法離不開浮點(diǎn)運(yùn)算，浮點(diǎn)運(yùn)算在高級(jí)語言中使用很方便，但是通過硬件來實(shí)現(xiàn)就比較復(fù)雜，所以大多數(shù)的EDA軟件目前還不支持浮點(diǎn)運(yùn)算，浮點(diǎn)運(yùn)算器件只能自行設(shè)計(jì)，其中主要考慮的是運(yùn)算精度、運(yùn)算速度、資源占用以及設(shè)計(jì)復(fù)雜度。

浮點(diǎn)數(shù)的加法和減法需要經(jīng)過對(duì)階、尾數(shù)運(yùn)算、規(guī)格化、舍入操作和判斷結(jié)果正確性5個(gè)步驟，整個(gè)運(yùn)算過程由op_state狀態(tài)機(jī)控制，op輸入端決定運(yùn)算法則（0為加法，1為減法），a、b兩端分別輸入24位浮點(diǎn)數(shù)格式的加數(shù)和被加數(shù)，經(jīng)過float_add_minus模塊的對(duì)階、尾數(shù)加（減）、舍入操作和判斷結(jié)果正確性四步運(yùn)算，再由result_ normalization模塊規(guī)格化處理后輸出。

浮點(diǎn)乘法相對(duì)比較簡(jiǎn)單，兩個(gè)浮點(diǎn)數(shù)相乘，其乘積的階碼是兩個(gè)數(shù)的階碼之和，乘積的尾數(shù)是兩個(gè)數(shù)尾數(shù)的乘積，符號(hào)是相乘數(shù)符號(hào)的異或，結(jié)果一樣需要規(guī)格化。

同理，浮點(diǎn)除法運(yùn)算中，商的階碼是兩個(gè)數(shù)的階碼之差（被除數(shù)減除數(shù)），商的尾數(shù)是兩個(gè)數(shù)尾數(shù)的商，符號(hào)是兩個(gè)數(shù)符號(hào)的異或，注意這里結(jié)果的規(guī)格化與以往不同，是向右規(guī)格化操作。

在具體實(shí)現(xiàn)中，乘法器的尾數(shù)乘積運(yùn)算采用了booth算法，除法器的尾數(shù)相除運(yùn)算采用了移位相減的方法。

二進(jìn)制與十進(jìn)制浮點(diǎn)數(shù)相互轉(zhuǎn)換電路的設(shè)計(jì)

系統(tǒng)輸入值、從傳感器反饋回來的系統(tǒng)輸出值以及送給DAC的輸出控制量都不是上述二進(jìn)制的浮點(diǎn)數(shù)類型，因此就需要能夠?qū)煞N類型的數(shù)據(jù)進(jìn)行相互轉(zhuǎn)換的電路。完成二進(jìn)制浮點(diǎn)數(shù)轉(zhuǎn)換成十進(jìn)制浮點(diǎn)數(shù)的全部操作所需要的時(shí)鐘數(shù)取決于二進(jìn)制浮點(diǎn)數(shù)的大小，最少232個(gè)，最多1069個(gè)；而十進(jìn)制浮點(diǎn)數(shù)轉(zhuǎn)換成二進(jìn)制浮點(diǎn)數(shù)時(shí)，不論浮點(diǎn)數(shù)的大小，都只需要194個(gè)時(shí)鐘周期。

神經(jīng)元算法在FPGA上的實(shí)現(xiàn)

有了以上加、減、乘、除浮點(diǎn)運(yùn)算模塊以及進(jìn)制轉(zhuǎn)換模塊，要實(shí)現(xiàn)神經(jīng)元算法只需合理地把他們組織到一起。在FPGA里，是通過一個(gè)狀態(tài)機(jī)來完成這一功能的。狀態(tài)轉(zhuǎn)換圖如圖3所示，在圖中每個(gè)標(biāo)有計(jì)算字樣的狀態(tài)里，所有運(yùn)算都是并行完成的，大大節(jié)省了運(yùn)算時(shí)間。圖中的START信號(hào)可以由微控制器給出，需要注意的是，并不只是在最后的狀態(tài)里START=0才使?fàn)顟B(tài)機(jī)復(fù)原到IDLE狀態(tài)，實(shí)際情況是，任意時(shí)刻只要START=0，狀態(tài)機(jī)都會(huì)復(fù)原。

使用 Synplify Pro 7.1在Xilinx Virtex2 XC2V1500fg676-4上實(shí)現(xiàn)了該系統(tǒng)的綜合，時(shí)鐘頻率為98.4MHz，LUT資源占用率為76%。

基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制器的FPGA設(shè)計(jì)概述

基于BP（Back Propagation）網(wǎng)絡(luò)的PID控制系統(tǒng)參數(shù)整定結(jié)構(gòu)，控制器由兩部分構(gòu)成：
（1） 經(jīng)典的PID控制器：直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制，三個(gè)參數(shù)kp、ki、kd為在線調(diào)整方式；
（2）神經(jīng)網(wǎng)絡(luò)：根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達(dá)到某種性能指標(biāo)的最優(yōu)化。即使輸出層神經(jīng)元的輸出狀態(tài)對(duì)應(yīng)于PID控制器的三個(gè)可調(diào)參數(shù)kp、ki、kd，通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、加權(quán)系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡(luò)的輸出對(duì)應(yīng)于某種最優(yōu)控制率下的PID控制器參數(shù)。

用FPGA實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，除了各個(gè)浮點(diǎn)運(yùn)算模塊之外，還需要實(shí)現(xiàn)隱層神經(jīng)元的活化函數(shù)——正負(fù)對(duì)稱的Sigmoid函數(shù)和輸出層神經(jīng)元的活化函數(shù)——非負(fù)的Sigmoid函數(shù)：

其中超越函數(shù)ex的實(shí)現(xiàn)，常用的有兩大類：一是多項(xiàng)式迭代，該方法實(shí)現(xiàn)速度快，但需要乘法器，當(dāng)計(jì)算精度較高時(shí)，硬件成本大；二是移位加迭代，此方法只需加法器，結(jié)構(gòu)簡(jiǎn)單易于實(shí)現(xiàn)，但實(shí)現(xiàn)速度慢。不過還有一種采用分段線性化的方法，雖然實(shí)現(xiàn)容易，但是精度較低。筆者擬在現(xiàn)有浮點(diǎn)四則運(yùn)算模塊的基礎(chǔ)上，采用指數(shù)函數(shù)冪級(jí)數(shù)展開式前n項(xiàng)和的形式實(shí)現(xiàn)超越函數(shù)ex。這雖然也是采用了多項(xiàng)式迭代的方式，但采用FPGA實(shí)現(xiàn)，可以在保證精度的前提下，減少硬件成本。有了這一模塊后，經(jīng)過合理安排BP算法的運(yùn)算順序，就可以在FPGA上實(shí)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制器了。

結(jié)語
當(dāng)今神經(jīng)網(wǎng)絡(luò)的應(yīng)用大多以軟件方式完成核心算法，但受限于微處理器（或DSP）工作頻率太慢或PC機(jī)體積較大的弱點(diǎn)，難以大規(guī)模應(yīng)用。鑒于此，本文提出了一種基于FPGA、以硬件方式完成神經(jīng)網(wǎng)絡(luò)算法的方案，在保證運(yùn)算精度的前提下，運(yùn)算速度可比同頻率的處理器以軟件方式實(shí)現(xiàn)快上百倍。另外，文中各個(gè)浮點(diǎn)運(yùn)算模塊的實(shí)現(xiàn)還有一些有待優(yōu)化的地方，因此可以在硬件資源上更為節(jié)省。由此可見，硬神經(jīng)網(wǎng)絡(luò)是解決其學(xué)習(xí)速度慢、滿足實(shí)時(shí)控制需要的必由之路。本文提出了一種用FPGA實(shí)現(xiàn)神經(jīng)元自適應(yīng)PID控制器的方案，采用modelsim 5.6d進(jìn)行仿真驗(yàn)證并在Synplify Pro 7.1平臺(tái)上進(jìn)行綜合，結(jié)果表明該方案具有運(yùn)算速度快、精度高和易于實(shí)現(xiàn)的特點(diǎn)。

參考文獻(xiàn)：
[1]舒懷林。PID神經(jīng)元網(wǎng)絡(luò)及其控制系統(tǒng)[M].北京：國(guó)防工業(yè)出版社，2006.2.
[2]徐光輝，程?hào)|旭等?；贔PGA的嵌入式開發(fā)與應(yīng)用[M].北京：電子工業(yè)出版社，2006.9.
[3]林灶生，劉紹漢等。verilog FPGA芯片設(shè)計(jì)[M].北京：北京航空航天大學(xué)出版社，2006.7.
[4]韓少鋒，王***等，基于FPGA的神經(jīng)元自適應(yīng)PID控制器設(shè)計(jì)[J].電子設(shè)計(jì)應(yīng)用，2005.2:72-74.
[5]李昂，王沁等?；贔PGA的神經(jīng)網(wǎng)絡(luò)硬件實(shí)現(xiàn)方法[J]北京科技大學(xué)學(xué)報(bào)，2007.（1）：90-95.
[6]FAIEDH H,GAFSI Z,TORKI K,et al.Digital hardware implementation of a neural network used forclassification[C].Proceedings of the 16th International Conference on Microelectronics.Tunis,2004:551-553.
[7]4C datasheet +_2235680.html.