基于FPGA的尖峰神经网络研究文献综述
1 研究背景
随着时代的发展，智能计算的进步越来越依赖于人工智能，特别是人工神经网络技术，对于神经网络的研究，已经成为当下人工智能研究的热门。基底神经节可以调节和控制生物的运动，与大脑皮层有着广泛的神经联结[2],而尖峰神经元网络是构成基底神经节的基本单元，关于尖峰神经元网络的研究对基底神经节的研究具有重要意义。日常研究中，通过建立尖峰神经元网络模型，利用仿真来验证神经元的性能。国内外许多学者对于尖峰神经元网做了大量研究，并取得了很多成果。本文对相关研究成果进行了概述总结，并作出了相应的思考。
2 发展状况
早期人工智能研究主要涉及心理学，动物的行为、神经科学以及控制论。在人工智能发展的过程中，先后出现了三种不同的流派。以纽厄尔（A.NeWell）和西蒙（H.A.Simon）为代表的符号主义；以麦卡洛克（W.S.McCulloch）和皮兹（W.Pitts）为代表的联结主义；以布鲁克斯（R.A.Brooks）为代表的行为主义[1],但这三种流派对于人工智能的研究所使用的神经元网络都较为简单，不需要大脑的参与，远远达不到人脑的智能水平。且现有的联结主义采用的神经网络，将大脑内部的神经网络局限在3-5层之内，每层采用了相同的神经元网络，忽视了大脑不同区域的神经结构的不同之处，要想达到人脑的智能水平，研究者必须要将生物学与神经网络的研究相结合，通过对于动物的大脑皮层下的基底神经节的研究，重视大脑内部神经元之间的不同，建立符合真实神经元特性的尖峰神经网络，来推动人工智能的发展[10]。
3 从机器人学习行为的研究来认识尖峰神经元网络
最早的尖峰神经元模型由Hodgkin和Huxley建立并以他们的名字命名为H-H方程，开创了用数学和物理学研究生理学的道路。之后出现的Izhikevich模型能够在计算复杂度和模拟神经元的精度方面取得较好的平衡[11]。现代学者往往利用神经元电路来模拟突触的各类放电活动的迁移，从而更好地观察神经元的工作机理[14]。此外从机器人学习行为来研究尖峰神经元网络是一种重要的思想，基于行为的机器人学的关键是行为选择方法，要使机器人在面临不同的环境，不同的问题时能够像人一样做出相应的决断，是机器人行为学研究的难点。目前对于机器人行为选择问题的主要研究方向是：进化计算、神经网络与机器强化学习。如Gnadt W,Grossberg S.[9]赋予机器人自主神经系统，利用渐进学习序列与奖赏学习来达到对于机器人自主智能的提高。Gorostiza J.F,Salichs M.A.[8]利用序列学习来实现语音交互机器人，使得机器人能够自主的与人进行交流。Garforth J,McHale S.L[7]利用神经网络来模拟并控制机器人执行注意力，以及行为选择。
Arkin等人提出了慎思/反应混合式分层控制体系结构用于解决基于行为的控制体系结构所带来的难以在应用过程中学习的问题，该结构底层是反应式使得机器人能够及时的应对外部环境的变化，上层为慎思式使得机器人能够完成全局规划、任务分解、行为学习等工作。同时还有相关学者通过强化学习来改进机器人的学习机制，即以环境作为反馈输入，从而来适应环境的机械学习方法。该思想来源于条件反射以及动物的学习理论。巴普洛夫（Pavlov）提出了经典条件反射理论，有关经典条件反射理论的模型，是研究人工智能以及机器人学习行为的重要课题。杨贝贝[3]从经典条件反射理论出发，模拟生物神经系统，建立了一种以尖峰神经元为基本元素的条件反射行为的认知模型，能够反映“刺激-响应-强化”特征的强化学习算法。王义萍[1]通过对机器人行为选择与行为序列方法研究，利用尖峰神经网络，对大脑进行仿生，研究了基底神经节的强化机制，以及在序列学习过程中的应用。上述相关研究表明，从生物仿生的角度出发来研究机器学习行为，与尖峰神经元网络对于生物仿生的重要性。
4 利用FPGA来实现尖峰神经网络
神经网络是由大量简单的非线性单元分层排列所组成的分布式网络，在知识获取与知识存储方面与人脑相似且具有并行性，模块性和自适应性[15]。目前神经网络的硬件实现主要研究方向有三种方法，VLSI实现、光学实现、分子/化学实现[6]。目前比较成功的实现方法是VLSI实现，在芯片上直接实现神经网络。VLSI实现主要分为，数字式、模拟式以及数字，模拟混合三种实现方式。由于集成度高，抗干扰能力较好的特点，更适合现在的VLSI芯片。数字式VLSI主要有CPU、DSP、FPGA三种，只有FPGA的指令能够适合并行计算，且FPGA还可以实现CPU、DSP的所有功能，所以FPGA特别适合用来实现神经网络。基于可重构技术在FPGA上实现神经网络主要有三种方法[12]：
