引 言
神经网络(Neural Networks)是人工神经网络(Ar-tificial Neural Networks)的简称，是当前的研究热点之一。人脑在接受视觉感官传来的大量图像信息后，能迅速做出反应，并能在脑海中重现这些图像信息，这不仅与人脑的海量信息存储能力有关，还与人脑的信息处理能力，包括数据压缩能力有关。在各种神经网络中，多层前馈神经网络具有很强的信息处理能力，由于其采用BP算法，因此也称为BP神经网络。采用BP神经网络模型能完成图像数据的压缩处理。在图像压缩中，神经网络的处理优势在于：巨量并行性；信息处理和存储单元结合在一起；自组织自学习功能。
与传统的数字信号处理器DSP(Digital Signal Processor)相比，现场可编程门阵列(Field Programma-ble Gate Array，FPGA)在神经网络的实现上更具优势。DSP处理器在处理时采用指令顺序执行的方式，而且其数据位宽是固定的，因而资源的利用率不高，限制了处理器的数据吞吐量，还需要较大的存储空间。FPGA处理数据的方式是基于硬件的并行处理方式，即一个时钟周期内可并行完成多次运算，特别适合于神经网络的并行特点，而且它还可以根据设计要求配置硬件结构，例如根据实际需要，可灵活设计数据的位宽等。随着数字集成电路技术的飞速发展，FPGA芯片的处理能力得到了极大的提升，已经完全可以承担神经网络数据压缩处理的运算量和数据吞吐量。图像压缩是信息传输和存储系统的关键技术，然而如何进行FPGA设计，以实现给定的功能已经成为神经网络应用的关键。
基于以上原因，选择FPGA作为三层BP神经网络图像压缩算法的实现方式，提出了具体的一种实现方案，并对其中的重点单元进行了FPGA设计与仿真验证。
1 BP神经网络图像压缩算法
一般习惯将单隐层前馈网称为三层前馈网，它包括输入层、隐含层和输出层。三层BP神经网络结构如图1所示，原始数据节点和重建数据节点构成节点数较大的外层(输入层和输出层)，而中间的具有较小节点数的细腰层即构成压缩结果。其基本思想是强迫原始数据通过细腰型网络瓶颈，并期望在网络的瓶颈处能获得较为紧凑的数据表示，以达到压缩的目的。在网络的学习过程中，通过BP训练算法，调整网络的权重，使重建图像在均方误差意义上尽可能近似于训练图像。经过训练的网络即可用来执行数据压缩任务，网络输入层与隐含层之间的加权值相当于一个编码器，隐含层与输出层之间的加权相当于一个解码器。从输入端输入的原始图像数据经过神经网络的处理，在隐含层得到的输出数据就是原始图像的压缩编码，而输出层矢量即为解压后重建的图像数据。
(4)
