神经网络技术在图像识别,数据挖掘、计算机视觉等领域得到了广泛的应用,随着要处理的数据越来越多,网络结构越来越复杂,从而需要消耗大量的计算资源。为了保证神经网络推断过程的实效性,谷歌、ARM和寒武纪等相继推出神经网络加速器,这类系统对工作环境的要求非常苛刻。尤其是当考虑将将这类加速器应用到卫星系统中时,空间辐照对于加速器存储单元的干扰,尤其是单粒子翻转效应,会使得存储单元的参数出错,该错误映射到神经网络中会造成神经网络最后的输出结果出现偏差。本文从神经网络加速器的结构特点和神经网络算法的特性分析,结合神经网络算法自身的容错能力来展开研究,以达到提高神经网络容错能力的目的。主要研究内容如下:1、分析神经网络加速器的数据流加速方式以及神经网络推断过程的主要特点,权值参数出错随着数据流的扩散会对最后的输出结果造成影响。结合太空辐照对加速器存储单元SRAM造成的单粒子翻转的影响,建立单粒子翻转概率模型,通过软件模拟方式来对网络参数进行注错。2、从激活函数的非线性分析不同激活函数的错误隐蔽能力,通过注错实验分析验证双边抑制效果的函数错误隐蔽能力更强,进一步提出在目标函数中添加惩罚项来寻找CNN最优模型与容错模型之间的平衡。考虑到CNN中卷积层权值共享的特点,其参数出错对输出结果准确率的影响更大,本论文提出在卷积层后加入归一化层,并通过注错实验验证其提高网络的容错能力的可行性。并通过对RNN进行注错实验分析,验证归一化算法依然可以提高网络的容错能力。