- 相關推薦
基于神經網絡ZISC的模式識別系統(tǒng)
摘要：首先介紹人工神經網絡ANN實現技術的歷史、現狀和發(fā)展，著重分析RBF網絡的原理及其建立在超大規(guī)模集成電路基礎上的硬件神經網絡的設計方法。然后，介紹一種新的硬件神經網絡技術ZISC的工作原理和應用。最后，以ZISC036芯片為例，實現一個模式識別系統(tǒng)。關鍵詞：人工神經網絡 ZISC 超大規(guī)模集成電路 徑向基函數 模式識別
引言
當前對人工神經網絡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提出了激活函數為非線性的反饋網絡，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網絡感知功能的有限而產生的，使ANN成為了新的研究熱點。之后，新的網絡結構和新的學習算法層出不窮，目前常見的都已達到幾十種。在這些神經網絡中，徑向基函數RBF（Radial Basic Fuction）網絡由于具有強大的矢量分類功能和快速的計算能力，在非線性函數逼近等方面，特別是模式識別領域，獲得了廣泛的應用，從而成為當前神經網絡研究中的一個熱點[4]。
模式識別是人工智能經常遇到的問題之一。其主要的應用領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域。這些領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，根據不同的距離來完成對象的分類。以識別手寫數字為例，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字。
模式識別過程中，產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)成功的關鍵�？梢哉f，模式識別的本質就是分類，就是把特片空間中一個特定的點（特征矢量）映射到一個適當的模式類別中。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；最后根據概率做出決策，輸出識別結果。當模式類別很大時，識別速度會下降得很快，而近年來，用RBF網絡解決這方面的問題得到了很好的效果。
理論模型要求發(fā)展神經網絡型計算機來實現，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上。大多數學者認為，要使人工神經網絡更快、更有效地解決更大規(guī)模的總是，關鍵在于其超大規(guī)模集成電路（V LSI）硬件的實現，即把神經元和連接制作在一塊芯片
[1] [2] [3] [4]
【基于神經網絡ZISC的模式識別系統(tǒng)】相關文章：
基于信息融合技術的汽車故障模式識別系統(tǒng)04-27
基于神經網絡的貨物列車超偏載車號自動識別系統(tǒng)04-26
基于正交試驗的神經網絡設計04-27
基于BP神經網絡的地震預測04-30
基于神經網絡的GPS高程轉換04-29
基于模糊神經網絡的目標識別04-29
基于小波濾波的神經網絡變形預測04-28