基于浮点数运算内联函数库的神经网络优化方法技术

一种基于浮点数运算内联函数库的神经网络优化方法，其中神经单元的模型为：Y=1/(1+exp(-∑wi×xi))，i取1到n，n为神经单元个数；上述浮点数运算内联函数库构建于双核芯片之中，即函数库IQmathLibrary中。本发明专利技术的基于浮点数运算内联函数库的神经网络优化方法中，除了_IQ(x[i])这一步骤是在循环中执行以外，剩下的步骤都在循环体外执行，所有的步骤执行在整体上比浮点运算的效率大大提升。本发明专利技术将BP神经网络在TMS3206467T上的移植优化，结果的精度由开始的小数定标决定在保证结果精度不影响识别率的同时大大提高了BP网络识别效率。

【技术实现步骤摘要】

本专利技术涉及模式识别的
，具体说是一种的。
技术介绍
模式识别技术在当今社会智能化产品中的应用越来越多，而作为分类识别的主流分类器-误差回传神经网络(BP网络)在字符，指纹，人脸识别的应用也是很普遍。传统的识别算法都是在PC机上运行，不利于产品的便携化，集成化和前端化。神经网络是由仿生神经元的结构和功能的数学模型(处理单元)组成的阵列。这些处理单元线性排列成组，称为层。每一个处理单元有许多输入量，而对每一个输入量都相应有一个相关联的权重。处理单元将输入量经过加权求和，并通过传递函数的作用得到输出量，再传给下一层的神经元。图1是单个神经元的数学模型图。如图1所示,神经元的数学模型为Y = f ( Σ wi*x1- Θ )，其中i取I到n(n为输入信号数目)，Θ为神经元单元的偏置(阈值)，Wi为连接权系数(对于激发状态取正值， 对于抑制状态取负值)，Y为神经元输出，f()为输出变换函数，通常采用采用O和I 二值函数或S形函数。基本BP算法包括两个方面信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。图2是由三层神本文档来自技高网...

【技术保护点】
一种基于浮点数运算内联函数库的神经网络优化方法，其中神经单元的模型为:Y?=?1/(1?+?exp(?∑wi×xi)),?i取1到n,n为神经单元个数；上述浮点数运算内联函数库构建于双核芯片之中,?即函数库IQmath?Library,该函数库包括:格式转化函数,实现定标后的浮点数与整数之间的相互转化；运算函数,实现定标后的浮点数的乘除法；三角函数,实现定标后的浮点数的正弦，余弦，正切运算；数学函数,实现定标后的浮点数的开根，指数，对数和多次方运算；一般运算函数,实现定标后的浮点数的绝对值和限幅运算；上述神经网络优化的步骤为：I、根据实际w和x的取值范围和精度要求，对浮点数w和x进行定标，并定...

【技术特征摘要】

【专利技术属性】
技术研发人员：谢晓霞，靳璐，
申请(专利权)人：天津市天祥世联网络科技有限公司，
类型：发明
国别省市：