技術(shù)特征：

1. 基于FPGA+ARM多層卷積神經(jīng)網(wǎng)絡(luò)的手寫體字符識(shí)別方法，其特征在于：基于一個(gè)6層卷積神經(jīng)網(wǎng)絡(luò)模型，該卷積神經(jīng)網(wǎng)絡(luò)模型包括：1個(gè)輸入層，2個(gè)卷積層，2個(gè)池化層，1個(gè)全連接層；卷積核大小為5×5，卷積核滑動(dòng)步長(zhǎng)為1；池化層采用均值法，其滑動(dòng)窗口大小為2×2，滑動(dòng)步長(zhǎng)為2；其中，卷積層和池化層的計(jì)算在FPGA端實(shí)現(xiàn)，輸入層和全連接層的計(jì)算在ARM端實(shí)現(xiàn)；具體步驟為：

步驟一、模型參數(shù)處理與加載

（1）離線訓(xùn)練所使用的多層卷積神經(jīng)網(wǎng)絡(luò)模型；

（2）算法模型離線訓(xùn)練完畢后，將卷積層的參數(shù)包括卷積核與偏置量取負(fù)，并保存在ARM端；

（3）系統(tǒng)運(yùn)行后，首先加載算法模型參數(shù)，并通過APB總線傳輸并緩存至FPGA端；

步驟二、待識(shí)別圖像預(yù)處理

（1）選擇待識(shí)別的手寫字符體圖像；

（2）對(duì)輸入圖像進(jìn)行歸一化處理，使其滿足模型的計(jì)算需要；

（3）ARM端將歸一化結(jié)果通過APB總線傳輸?shù)紽PGA端，經(jīng)FIFO緩存后，存放到Block RAM(塊隨機(jī)存儲(chǔ)器)中；

步驟三、卷積和池化計(jì)算

在FPGA端對(duì)輸入圖像數(shù)據(jù)進(jìn)行卷積層和池化層計(jì)算，算法模型設(shè)定有2個(gè)卷積層和2個(gè)池化層，具體步驟為：

（1）第1個(gè)卷積層與池化層計(jì)算

對(duì)圖像數(shù)據(jù)與網(wǎng)絡(luò)模型中第1個(gè)卷積層的卷積核進(jìn)行卷積計(jì)算，將結(jié)果矩陣的各元素加上網(wǎng)絡(luò)模型第1層的偏置參數(shù)，利用網(wǎng)絡(luò)模型中的激活函數(shù)Sigmoid激活, 激活函數(shù)Sigmoid的數(shù)學(xué)公式如下：

（1）

第1個(gè)卷積層采用1個(gè)卷積核，大小為5×5的矩陣；卷積時(shí)，滑動(dòng)窗尺度與卷積核大小相同，橫向與縱向滑動(dòng)步長(zhǎng)均為1；

然后對(duì)第1個(gè)卷積層計(jì)算結(jié)果進(jìn)行池化計(jì)算，采用平均值池化方法，滑動(dòng)窗尺度為2×2，步長(zhǎng)為2，將滑動(dòng)窗口中的4個(gè)數(shù)值相加后取均值；將第1個(gè)卷積層結(jié)果將存入Block RAM；

（2）第2個(gè)卷積層與池化層計(jì)算

將第1個(gè)池化層計(jì)算結(jié)果矩陣作為第2個(gè)卷積層計(jì)算的輸入數(shù)據(jù)，參照第（1）步的實(shí)現(xiàn)過程，進(jìn)行第2個(gè)卷積層和第2個(gè)池化層計(jì)算；將第2個(gè)池化層結(jié)果存入Block RAM；

步驟四、分類識(shí)別計(jì)算

（1）特征向量從FPGA端傳回ARM端

在FPGA端，將兩層卷積計(jì)算與池化計(jì)算的結(jié)果，即輸入圖像的特征向量傳回ARM端；具體步驟為：將Block RAM中存儲(chǔ)的結(jié)果矩陣，經(jīng)過FIFO緩存后，通過APB總線傳輸回ARM端；

（2）Softmax計(jì)算獲得識(shí)別結(jié)果

第（1）步返回的特征向量與網(wǎng)絡(luò)模型中的Softmax相關(guān)數(shù)據(jù)進(jìn)行計(jì)算并得出結(jié)果；具體步驟為：用Softmax權(quán)值參數(shù)矩陣乘以特征向量，加上Softmax偏置參數(shù)，并通過公式（1）的Sigmoid函數(shù)計(jì)算，在結(jié)果中取最大值對(duì)應(yīng)的索引作為結(jié)果輸出；

（3）往復(fù)循環(huán)，實(shí)現(xiàn)多個(gè)手寫體字符圖像的識(shí)別。