- 相關(guān)推薦
基于神經(jīng)網(wǎng)絡(luò)ZISC的模式識(shí)別系統(tǒng)
摘要：首先介紹人工神經(jīng)網(wǎng)絡(luò)ANN實(shí)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(jì)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(shí)現(xiàn)一個(gè)模式識(shí)別系統(tǒng)。關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) ZISC 超大規(guī)模集成電路 徑向基函數(shù) 模式識(shí)別
引言
當(dāng)前對(duì)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(jì)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(yùn)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(xué)習(xí)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(shí)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(diǎn)。之后，新的網(wǎng)絡(luò)結(jié)構(gòu)和新的學(xué)習(xí)算法層出不窮，目前常見的都已達(dá)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(qiáng)大的矢量分類功能和快速的計(jì)算能力，在非線性函數(shù)逼近等方面，特別是模式識(shí)別領(lǐng)域，獲得了廣泛的應(yīng)用，從而成為當(dāng)前神經(jīng)網(wǎng)絡(luò)研究中的一個(gè)熱點(diǎn)[4]。
模式識(shí)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(shí)別、自然語言理解、語音信號(hào)識(shí)別、生物測量以及圖像識(shí)別等領(lǐng)域。這些領(lǐng)域的共同特點(diǎn)都是通過對(duì)對(duì)象進(jìn)行特征矢量抽取，再按事先由學(xué)習(xí)樣本建立的有代表性的識(shí)別字典，把特征矢量分別與字典中的標(biāo)準(zhǔn)矢量匹配，根據(jù)不同的距離來完成對(duì)象的分類。以識(shí)別手寫數(shù)字為例，字典中有由學(xué)習(xí)樣本建立的10個(gè)標(biāo)準(zhǔn)矢量（代表0～0），把從識(shí)別對(duì)象中抽取的特征矢量分別與這10個(gè)標(biāo)準(zhǔn)矢量匹配，矢量間距離最短的就說明別對(duì)象與這個(gè)標(biāo)準(zhǔn)矢量的分類最接近，進(jìn)而識(shí)別出其表示的數(shù)字。
模式識(shí)別過程中，產(chǎn)生一個(gè)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(bǔ)償變形、提高識(shí)別率的有效途徑，如何確定分類器是識(shí)別系統(tǒng)成功的關(guān)鍵。可以說，模式識(shí)別的本質(zhì)就是分類，就是把特片空間中一個(gè)特定的點(diǎn)（特征矢量）映射到一個(gè)適當(dāng)?shù)哪Ｊ筋悇e中。傳統(tǒng)的模式識(shí)別分類都是基于串行處理的匹配策略：首先由學(xué)習(xí)樣本建立識(shí)別基元（字、詞、音、像素）的標(biāo)準(zhǔn)矢量識(shí)別字典，取取的特征矢量順序與字典中的標(biāo)準(zhǔn)矢量計(jì)算區(qū)別得分；最后根據(jù)概率做出決策，輸出識(shí)別結(jié)果。當(dāng)模式類別很大時(shí)，識(shí)別速度會(huì)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(jì)算機(jī)來實(shí)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(jì)算機(jī)的軟件模擬實(shí)現(xiàn)上。大多數(shù)學(xué)者認(rèn)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(shí)現(xiàn)，即把神經(jīng)元和連接制作在一塊芯片
[1] [2] [3] [4]
【基于神經(jīng)網(wǎng)絡(luò)ZISC的模式識(shí)別系統(tǒng)】相關(guān)文章：
基于信息融合技術(shù)的汽車故障模式識(shí)別系統(tǒng)04-27
基于神經(jīng)網(wǎng)絡(luò)的貨物列車超偏載車號(hào)自動(dòng)識(shí)別系統(tǒng)04-26
基于人工神經(jīng)網(wǎng)絡(luò)算法的某機(jī)場霧的模式識(shí)別預(yù)報(bào)04-29
基于正交試驗(yàn)的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)04-27
基于BP神經(jīng)網(wǎng)絡(luò)的地震預(yù)測04-30
基于神經(jīng)網(wǎng)絡(luò)的GPS高程轉(zhuǎn)換04-29
基于神經(jīng)網(wǎng)絡(luò)的Lyapunov指數(shù)譜的計(jì)算04-29
基于模糊神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別04-29