基于FPGA的SNN脉冲神经网络之LIF神经元verilog实现,包含testbench

1.算法运行效果图预览

(完整程序运行后无水印)

2.算法运行软件版本

vivado2019.2

3.部分核心程序

（完整版代码包含详细中文注释和操作步骤视频）

//Vtn * exp(-dt/tao) 
reg signed[15:0]d1_Vtn;
always @(posedge i_clk or posedge i_rst)
begin
     if(i_rst)
     begin
     d1_Vtn <= 16'd0;
     end
else begin
     d1_Vtn <= i_Vtn;
     end
end
wire signed[31 : 0] P;
mult_gen_0 Vexp (
  //.CLK(i_clk),    // input wire CLK
  .A(d1_Vtn),        // input wire [15 : 0] A
  .B(o_exp),        // input wire [15 : 0] B
  //.SCLR(i_rst),  // input wire SCLR
  .P(P)        // output wire [31 : 0] P
);
assign o_dat1=P[27:12];
//sum sitn*Wij
reg signed[31:0]sw1j;
reg signed[31:0]sw2j;
reg signed[31:0]sw3j;
always @(posedge i_clk or posedge i_rst)
begin
     if(i_rst)
     begin
     sw1j <= 32'd0;
     sw2j <= 32'd0;
     sw3j <= 32'd0;
     end
else begin
     sw1j <= $signed(i_stn1)*$signed(i_W1j);
     sw2j <= $signed(i_stn2)*$signed(i_W2j);
     sw3j <= $signed(i_stn3)*$signed(i_W3j);
     end
end
 
 
reg signed[15:0]d1_dat;
always @(posedge i_clk or posedge i_rst)
begin
     if(i_rst)
     begin
     d1_dat <= 16'd0;
     end
else begin
     d1_dat <= sw1j+sw2j+sw3j;
     end
end
    
assign o_dat2=  d1_dat;   
assign o_Vtn1=  o_dat1 + o_dat2;    
 
       
endmodule

4.算法理论概述

       LIF（Leaky Integrate - and - Fire）神经元是一种常见的脉冲神经元模型。它模拟了生物神经元的基本特性，主要包括对输入信号的积分和脉冲发放机制。从概念上理解，LIF 神经元就像一个带有漏电特性的容器，输入信号不断往这个容器中 “注水”（积分），当水位（膜电位）达到一定高度（阈值）时，就会产生一个脉冲，然后水位（膜电位）又会被重置。

        与简单的线性神经元模型相比，LIF 神经元具有脉冲发放的非线性特性。线性神经元模型的输出通常是输入的线性组合，而 LIF 神经元的输出是脉冲序列，其发放与否取决于膜电位是否达到阈值。与更复杂的生物神经元模型（如 Hodgkin - Huxley 模型）相比，LIF 神经元是一种简化模型。Hodgkin - Huxley 模型考虑了多种离子通道的动态变化，而 LIF 神经元只关注膜电位的积分和脉冲发放，在计算复杂度上较低，更适合于大规模神经网络的模拟和应用。