果加1，并右移一位后，将计算结果存入输出缓冲单 JL〇
[0059] 同时，当检测到C0畑1C运算单元504结果有效标志位1时，将另一个累加结果寄 存器的值依次输入至C0畑1C运算单元504,执行C0畑1C计算，同时清除C0畑1C结算结果有 效标志，重复W上所描述的步骤，直至将最终C0畑1C计算结果分别存入输出缓冲单元。
[0060]其中，在C0畑1C运算单元504中，选择双曲函数模式下的旋转模式，求得sinh(x)， cosh(X)，将双曲正余弦结果再次作为CORDIC运算单元的输入，选择线性函数模式下的向 量模式，即可求得tanh(x)的值。利用C0畑IC(CoordinateRotationDigitalComputer， 坐标旋转数字计算方法）运算单元用来计算Sigmoid函数，而不是采用耗费大量硬件存储 资源的查找表，且Sigmoid函数中设及的除法运算，仍然采用CORDIC算法实现，节省了除法 器。
[0061] 对于W上所述隐含-输出权值调整单元，请参看图7。该单元包括符号检测单元 401，输出层单元50输出数据，隐含层单元20的输出数据，计数器单元405,学习速率W及惯 性系数单元402,减法器单元403、404,乘法器单元406、407,加法器单元408、409。
[0062] 其中，符号检测单元401为被控对象的输出值W及PI控制器输出值在前后两个时 刻的大小判断，将判断后的符号，正或负，输入至乘法器406。外部参考输入与PI控制器所 作用的被控对象反馈值的偏差缓冲，可W为ek、e&_u，输出经过减法器403后，可为Aek。输 出层单元50的输出经过减法器404后用来计算输出层的导数。隐含层单元20为隐含层各 神经元的直接输出值。计数器单元405包含两个计数器，其中计数器1为输出层单元50 计数，且计数最大值为输出层神经元个数Q减1，计数器2对隐含层神经元输出个数计数，且 计数器的最大计数值为隐含层神经元的个数P减1。学习速率W及惯性系数单元402中的 学习速率为计算新权值时所需学习速率，惯性系数是使捜索快速收敛至全局极小所添加的 惯性项，可配置为可选。乘法器单元406、407、减法器单元403、404、加法器单元408、409执 行算法过程中所设及的乘法和加法。Si缓冲单元存储5 1中间值为输入-隐含权值调整 单元所用。
[0063] 下面举例具体说明其实施方式：
[0064] 承上实例，输入层神经元数目、隐含层神经元数目、输出层神经元数目分别为 3, 6, 2。
[0065] 选取性能指标函数为：E(x) -^(r(k)-y(k))2(公式5)
[0066] 按照梯度下降法修正权值系数，并叠加一个使捜索快速收敛至全局极小的惯性 项：
[0067]
[0068] 其中，n为学习速率，a为惯性系数。
[0069] 接下来化解
[0072] 因为
，该样方式带 来的计算精度问题可W通过调整学习速率n补偿。
[0073]
[0074] 因此，可求得隐含层至输出层的权值系数学习算法为：
[0079] 工作过程如下；
[0080] a.当计数器1为0且计数器2为0时，偏差缓冲单元输出偏差值6k，同时，输出层 输出缓冲单元输出值g("e沪），输入至减法器，与数值1作差，得到(1-各的坤W))的值；对于 符号检测单元，分别判断被控对象的输出值yk、y&_u化及PI控制器的输出值AUk、Au&_u的大小，将符号值，正或负，输入至乘法器。
[00S1]b.依次计算两个6k，谷("却"）、（1-別"却1：))的乘积，并附加符号检测单元的符 号，并将最终结果左移两位后存入乘法结果寄存器与S1缓冲单元。
[0082] C.根据乘法结果寄存器的输出结果S1?与隐含层输出值巧W及学习速率n， 上一时刻权值差值缓冲单元的输出值Av墙i与惯性系数a，分别执行乘法运算，并将两个最 终结果值输入至加法器，加法结果存入权值差值缓冲寄存器。注意，结构框图中的乘法器单 元并不代表乘法器的个数。
[0083] d.将权值差值缓冲器与上一时刻的隐含-输出权值求和，得到新的隐含-输出权 值，将其输入至隐含-输出新权值缓冲寄存器。
[0084] e.计数器2加1，重复步骤c-d，即将乘法结果寄存器的输出结果S1?与隐含层 输出值巧W及学习速率n，上一时刻权值差值缓冲单元的输出值Av哲-与惯性系数a，分 别执行乘法运算。依此类推，直到计数器2的计数值达到5。
[00财 f.计数器1加1，计数器2清0,将偏差单元中的6k、e(k_i)输入至减法器后得到 A6k，同时，将输出层输出缓冲单元输出值別"啤'），输入至减法器，与数值1作差，得到 (1-各(/Wf))的值输入至乘法器。
[008引g.依次计算6k、Aek、g("wf)、則化沁')）的乘积，并附加符号检测单元的符 号，并将结果最终结果左移两位后存入乘法结果寄存器W及S1?缓冲单元。
[0087] h.计数器2加1，重复步骤c-e，直至计数器2的计数值达到5,完成所有隐含-输 出权值的更新。
[0088] 对于W上所述输入-隐含权值调整单元，请参看图8。该单元包括输入层单元10 的输出数据，隐含层单元20的输出数据，隐含-输出权值调整单元40,计数器单元301，学 习速率W及惯性系数单元302,减法器单元307,乘法器单元303、305、308,加法器单元306、 309,累加器单元304、310。
[0089] 其中，隐含层单元20的输出经过减法器后用来求隐含层输出的导数。隐含-输出 权值调整输出缓冲单元为隐含-输出新权值W及Si的输出缓冲。计数器单元301包含= 个计数器，其中计数器1为计数隐含层神经元计数，计数最大值为隐含层神经元的个数P减 1，计数器2为输入层神经元输出个数计数，且计数最大值为输入层神经元个数M减1，计数 器3为输出层神经元个数计数，且计数最大值为输出层神经元个数Q减1。学习速率W及惯 性系数单元中的学习速率为计算新权值时所需学习速率，惯性系数是使捜索快速收敛至全 局极小所添加的惯性项，可配置为可选。乘法器单元、减法器单元、加法器单元执行算法过 程中所设及的乘法和加法运算。下面举例具体说明其实施方式：
[0090] 承上实例，输入层神经元数目、隐含层神经元数目、输出层神经元数目分别为 3, 6, 2。
[0091] 根据隐含层至输出层加权系数学习算法的推导原理，可得输入层至隐含层的加权 系数学习算法为：
[0096] 工作过程如下；
[0097]a.当计数器1为0,计数器2为0,且计数器3为0时，隐含-输出权值调整输出值 S与wi甲相乘，并将乘法结果输入至累加器，累加器结果存储在累加器结果寄存器。
[009引b.计数器3加1，隐含-输出权值调整输出缓冲单元输出值5,?与H皆相乘，将 乘法结果输入至累加器后，与前一次计算结果累加。
[0099] C.计数器3清零，隐含层输出缓冲值./川却^')分别经过加法器和减法器后得 至。（l-/(n<'))，（1+./-(n如')），与步骤b中的累加结果，依次输入至乘法器，依次计算
的乘积，并将最终结果输入至乘法结果寄存器。
[0100] d.根据乘法结果寄存器的输出结果s/2)与输入层单元输出值W及学习速率 n，化及上一时刻权值差值缓冲单元的输出值Av你与惯性系数a，分别执行乘法运算，并 将两个最终结果值输入至加法器，加法结果存入权值差值缓冲寄存器。注意，结构框图中的 乘法器单元并不代表乘法器的个数。
[0101]e.将权值差值缓冲器与上一时刻的输入-隐含权值求和，得到新的输入-隐含权 值，将其输入至输入-隐含新权值寄存器。
[0102