非线性函数作为一类特殊的变换函数,广泛应用在神经网络算法中,主要作用是给神经网络模型加入非线性因素以及解决线性模型所不能解决的问题,例如sigmoid,tanh,softmax等都是神经网络中常见的非线性函数。此外,非线性函数还普遍应用在数字信号处理以及通信算法中,比如通信算法中常用的对数以及反双曲正切函数。但是由于非线性函数非线性的性质,在非线性函数的电路实现过程中遇到了很多挑战。已有的一些算法不能够事先控制近似精度,或者不能够精确同时高效地近似目标非线性函数。还有一些算法具有局限性,只能够近似某些特殊的函数,不具有通用性。因此,为了改进以上缺陷,本文设计出了一种通用的同时误差可控的分段线性近似方法。本文提出的分段线性近似方法,以常用的查找表和分段线性近似方法作为基础。针对已有算法不能够自主控制近似精度的问题,本文的算法具有自适应性,以最大绝对值作为近似精度,来控制线性分段,即具有自主控制近似精度的能力;针对已有算法不能精确同时高效地近似目标非线性函数的问题,本文改进了传统的分段线性方法的硬件架构,采用并行的段号比较机制来减少计算周期,采用符号位作为比较结果来减少段号生成器的电路面积,而且本文的硬件架构实际的计算周期是一个时钟周期,计算延迟小;针对已有算法只对特定非线性函数进行近似,依赖目标函数的特殊性质的缺点,本文算法不利用目标函数的任何性质,算法具有通用性,近似其他非线性函数时不需要进行二次开发。本文提出的分段近似方法以sigmoid、tanh、对数和反双曲正切函数为实验对象在65nm CMOS工艺库下实现。和参考文献中的结果对比,本文算法的实验结果将四个非线性函数的近似精度分别提高了4.5,2.1,1.3和4.6倍;将电路面积分别减少了49.9%,22.45%,28.5%和50%。在实际的LSTM网络实现过程中,在采用相同的模型时,采用本文的非线性函数分段方式可以将整个模型的识别率提高17%。