- 相關(guān)推薦
基于神經(jīng)網(wǎng)絡(luò)ZISC的模式識別系統(tǒng)
摘要：首先介紹人工神經(jīng)網(wǎng)絡(luò)ANN實現(xiàn)技術(shù)的歷史、現(xiàn)狀和發(fā)展，著重分析RBF網(wǎng)絡(luò)的原理及其建立在超大規(guī)模集成電路基礎(chǔ)上的硬件神經(jīng)網(wǎng)絡(luò)的設(shè)計方法。然后，介紹一種新的硬件神經(jīng)網(wǎng)絡(luò)技術(shù)ZISC的工作原理和應(yīng)用。最后，以ZISC036芯片為例，實現(xiàn)一個模式識別系統(tǒng)。引言
當前對人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neutron Network）的研究熱潮源自Hopfield J.[1]和McclellandJ.等人于20世紀80年代發(fā)表的論文[2],[3]。Hopfield提出了激活函數(shù)為非線性的反饋網(wǎng)絡(luò)，并將其成功地運用于組合優(yōu)化問題；Mcclelland和Rumelhart用多層前饋網(wǎng)的反向傳播學習算法（Back Propagation）成功地解決了感知器不能解決的"異或"問題及其它的識別問題。他們的突破打消了此前人們由于簡單線性神經(jīng)網(wǎng)絡(luò)感知功能的有限而產(chǎn)生的，使ANN成為了新的研究熱點。之后，新的網(wǎng)絡(luò)結(jié)構(gòu)和新的學習算法層出不窮，目前常見的都已達到幾十種。在這些神經(jīng)網(wǎng)絡(luò)中，徑向基函數(shù)RBF（Radial Basic Fuction）網(wǎng)絡(luò)由于具有強大的矢量分類功能和快速的計算能力，在非線性函數(shù)逼近等方面，特別是模式識別領(lǐng)域，獲得了廣泛的應(yīng)用，從而成為當前神經(jīng)網(wǎng)絡(luò)研究中的一個熱點[4]。
模式識別是人工智能經(jīng)常遇到的問題之一。其主要的應(yīng)用領(lǐng)域包括手寫字符識別、自然語言理解、語音信號識別、生物測量以及圖像識別等領(lǐng)域。這些領(lǐng)域的共同特點都是通過對對象進行特征矢量抽取，再按事先由學習樣本建立的有代表性的識別字典，把特征矢量分別與字典中的標準矢量匹配，根據(jù)不同的距離來完成對象的分類。以識別手寫數(shù)字為例，字典中有由學習樣本建立的10個標準矢量（代表0～0），把從識別對象中抽取的特征矢量分別與這10個標準矢量匹配，矢量間距離最短的就說明別對象與這個標準矢量的分類最接近，進而識別出其表示的數(shù)字。
模式識別過程中，產(chǎn)生一個具有代表性的、穩(wěn)定且有效的特征矢量分類匹配策略，是補償變形、提高識別率的有效途徑，如何確定分類器是識別系統(tǒng)成功的關(guān)鍵。可以說，模式識別的本質(zhì)就是分類，就是把特片空間中一個特定的點（特征矢量）映射到一個適當?shù)哪Ｊ筋悇e中。傳統(tǒng)的模式識別分類都是基于串行處理的匹配策略：首先由學習樣本建立識別基元（字、詞、音、像素）的標準矢量識別字典，取取的特征矢量順序與字典中的標準矢量計算區(qū)別得分；最后根據(jù)概率做出決策，輸出識別結(jié)果。當模式類別很大時，識別速度會下降得很快，而近年來，用RBF網(wǎng)絡(luò)解決這方面的問題得到了很好的效果。
理論模型要求發(fā)展神經(jīng)網(wǎng)絡(luò)型計算機來實現(xiàn)，但迄今 為止，這方面的工作限于條件還主要集中在傳統(tǒng)計算機的軟件模擬實現(xiàn)上。大多數(shù)學者認為，要使人工神經(jīng)網(wǎng)絡(luò)更快、更有效地解決更大規(guī)模的總是，關(guān)鍵在于其超大規(guī)模集成電路（V LSI）硬件的實現(xiàn)，即把神經(jīng)元和連接制作在一塊芯片上（多為CMOS）構(gòu)成ANN。正是因為上述的原因，其中神經(jīng)網(wǎng)絡(luò)的VLSI設(shè)計方法近年來發(fā)展很快，硬件實現(xiàn)已成為ANN的一個重要分支[5],[6]。
以下介紹IBM的專利硬件RBF神經(jīng)網(wǎng)絡(luò)芯片技術(shù)ZISC(Zero Instruction Set Computer），并給出用ZISC設(shè)計和實現(xiàn)的一種模式識別系統(tǒng)。
1 用VLSI設(shè)計硬件神經(jīng)網(wǎng)絡(luò)的方法
神經(jīng)網(wǎng)絡(luò)的IC實現(xiàn)是比較困難的，設(shè)計者必須把神經(jīng)系統(tǒng)模型的特性反映到受半導體工藝和IC設(shè)計規(guī)則制約的電路中去。用VLSI設(shè)計硬件神經(jīng)網(wǎng)絡(luò)的方法主要分為數(shù)字技術(shù)、模擬技術(shù)和數(shù)�；旌霞夹g(shù)等，下面分別作簡要介紹。
（1）用模擬技術(shù)實現(xiàn)硬件神經(jīng)網(wǎng)絡(luò)
模擬神經(jīng)芯片通過單元器件的物理性質(zhì)來進行計算，因而可以獲得很高的速度。神經(jīng)元的核函數(shù)計算功能一般由乘法器或運算放大器來完成，而連接權(quán)值大多以電壓形式存儲在電容上或是以電荷形式存儲在浮點門上。利用模擬神經(jīng)芯片不僅可以制造多層前向感知器那樣的傳統(tǒng)結(jié)構(gòu)，還能從形態(tài)上進行如硅視網(wǎng)膜這樣的生物仿真設(shè)計，從而更有效地模擬生物學功能。
在解決實時感知類的問題中，模擬神經(jīng)芯片扮演著主要的角色。因為這些問題不要求精確的數(shù)學計算，而主要是對大量的信息流進行集合和并行處理，這方面低精度的模擬技術(shù)從硅片面積、速度和功耗來看具有相當大的優(yōu)勢。但是模擬芯片的抗干擾性差，設(shè)計中需要考慮對環(huán)境因素變化引起的誤差進行補償，非常麻煩；它的另一個缺點是，制造一個突觸必須考慮權(quán)值存儲的復雜性，同時要求放大器在很寬的范圍內(nèi)呈現(xiàn)線性[5],[6]。
（2）用數(shù)字技術(shù)實現(xiàn)硬件神經(jīng)網(wǎng)絡(luò)
用高低電平來表示不同狀態(tài)的數(shù)字電路是信息工業(yè)中最常用的技術(shù)。數(shù)字神經(jīng)芯片有非常成熟的生產(chǎn)工藝，它的權(quán)值一般存儲在RAM或EPROM等數(shù)字存儲器中，由乘法器和加法器實現(xiàn)神經(jīng)元并行計算。對設(shè)計者來說，數(shù)字神經(jīng)芯片可以以很高的計算精度（達到32位或者更高）實現(xiàn)神經(jīng)元核函數(shù)。另外，用數(shù)字技術(shù)實現(xiàn)神經(jīng)網(wǎng)絡(luò)時，通�？梢圆捎脴藴蕟卧獛旎蚩删幊涕T陣列直接進行電路設(shè)計，這樣可以大大減少設(shè)計時間[5],[6]。
數(shù)字神經(jīng)芯片不僅具有容錯性好、易于硬件實現(xiàn)及高精度、高速度的優(yōu)點。更重要的是有很多數(shù)字電路CAD的軟件可以作為設(shè)計工具使用。但要實現(xiàn)乘/加運算，需要大量的運算單元和存儲單元。因而對芯睡面積和功耗要求很高。為了適應(yīng)大面積的數(shù)字電路的要求，現(xiàn)在很多數(shù)字神經(jīng)芯片都采用了硅片集成技術(shù)(Wafer-Scale Integration)。
（3）用數(shù)模混合技術(shù)實現(xiàn)硬件神經(jīng)網(wǎng)絡(luò)
出于上述種種考慮，許多研究人員提出并采用了各種數(shù)模混合神經(jīng)芯片，具有數(shù)字及模擬工藝各息的優(yōu)點而避免各自的缺點，運算速率高，芯片面積小，抗噪聲能力強且易于設(shè)計。典型的數(shù)�；旌闲盘柼幚聿糠謩t全是模擬的。這種結(jié)構(gòu)很容易與其它的數(shù)字系統(tǒng)接口以完成模塊化設(shè)計。近年來在各種數(shù)�；旌仙窠�(jīng)芯片設(shè)計中，利用脈沖技術(shù)的數(shù)�；旌仙窠�(jīng)芯片和利用光互連技術(shù)的光電混合神經(jīng)網(wǎng)絡(luò)芯片得到了廣泛的關(guān)系，它們代表神經(jīng)網(wǎng)絡(luò)未來發(fā)展的方向。
盡管數(shù)模混合神經(jīng)芯片有種種優(yōu)點，但它也存在著一些不足。比如，對于大多數(shù)數(shù)�；旌仙窠�(jīng)芯片來說，訓練學習算法的實現(xiàn)往往需要一個附加的協(xié)處理器，這無疑會增加整個神經(jīng)網(wǎng)絡(luò)系統(tǒng)的成本和復雜性[5],[6]。
2 RBF網(wǎng)絡(luò)原理和它的硬件實現(xiàn)
RBF網(wǎng)絡(luò)是一種有導師的三層前饋網(wǎng)絡(luò)。它最重要的特點是中間隱層神經(jīng)元的基函數(shù)只對輸入剩激起局部反應(yīng)，即只有當輸入落在輸入空間的 一個局部區(qū)域時，基函數(shù)才產(chǎn)生一個重要的非零響應(yīng)；而在其它情況下基函數(shù)輸出很�。ǹ山茷榱悖�。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。
【基于神經(jīng)網(wǎng)絡(luò)ZISC的模式識別系統(tǒng)】相關(guān)文章：
試析基于勝任素質(zhì)的薪酬模式構(gòu)建01-03
基于價值網(wǎng)的企業(yè)集群式供給鏈治理模式研究04-28
談基于互聯(lián)網(wǎng)新模式的企業(yè)網(wǎng)絡(luò)營銷方法08-25
淺談基于工作流程的高職《國際貿(mào)易實務(wù)》課程教學模式設(shè)計06-13
基于價值網(wǎng)理論的鐵路多元經(jīng)營物流企業(yè)經(jīng)營模式研究06-04
神經(jīng)網(wǎng)絡(luò)的特點分析論文（精選6篇）04-29
基于戰(zhàn)略治理的企業(yè)環(huán)境風險研究08-28
談?wù)撝艺\管理模式05-03
基于軟交換的固網(wǎng)智能化05-11