人工神经网络算法作为深度学习的基本组成部分之一,在过去数年间产生了显著影响并被广泛运用于各个领域。贝叶斯神经网络(BNNs)的不同之处在于,其权值和阈值以概率分布的形式表示,对比固定权值的神经网络,相当于引入不确定性而起到正则化的效果。分布式权值、阈值给BNNs带来一些优势,如有效地防止过拟合现象。但在工程应用中将BNNs应用于硬件时,对于传统的数字逻辑电路是不容易实现的,并会占用大量的硬件资源。因而寻找到一种合理的方式来表示贝叶斯神经网络的权值和阈值具有一定工程应用上的价值。为此,本文提出了一种巧妙利用概率计算固有噪声特性的尝试,进行面向贝叶斯神经网络的概率计算电路综合设计。论文所做的研究工作分为三个部分,其内容如下:(1)进行概率计算模块的设计。将概率计算过程中产生的误差引入贝叶斯神经网络,作为其权值、偏置来使用。这一过程分前向转换、概率计算、后向转换三部分完成。一方面,概率计算中使用逻辑门计算乘法和加法,与传统的二进制算法实现相比,可以显著减少功率和硬件占用;另一方面,概率计算方法具有精度不足的缺陷,运算得出的结果会以正确结果为期望波动。利用概率计算的固有误差特性,多次采集概率乘法器的输出,可以得到一个近似正态分布的结果,将作为贝叶斯神经网络的分布式权值使用。(2)基于概率计算的贝叶斯神经网络架构设计。在pycharm软件平台使用python语言以传统方式搭建贝叶斯神经网络,使用MNIST数据集对其进行训练,并提取权值、阈值参数。在使用网络进行预测时,利用概率计算的固有误差特性,产生所需的分布式权值。以概率计算单元为核心模块,对输入数据与权值做概率乘法,所得结果进行累加,完成单个神经元运算电路的设计。在此基础上,明确网络结构,完成整个概率计算贝叶斯神经网络的搭建。(3)进行概率计算神经元仿真验证。使用Verilog语言编写基于概率计算的权值生成模块和概率计算神经元,验证神经元设计在FPGA硬件平台上实现的可能性。仿真结果表明,使用概率计算方法产生的分布式权值能有效应用于贝叶斯神经网络,与传统方式相比能有效的降低硬件开销,其中主要的消耗资源类型LUT减少了86.23%。