半导体神经计算机硬件实现研究及在全方位实物识别中的应用

摘要

人工神经网络是由大量简单处理构成的非线性动力学系统，具有分布式的信息存储、大规模并行处理、自学习和自组织等特点，可以解决传统计算机难以解决或无法解决的人工智能方面问题。要使神经网络信息处理能力得以充分发挥，则有赖于其硬件神经处理机，以及以此为基础的神经计算机的研制。人工神经网络的研究可分为三个主要领域：神经网络理论研究、神经网络应用研究和神经网络实现技术研究。本论文围绕这三个方面开展了比较全面深入的研究工作。 论文首先研究了神经网络的定义、特点、发展历程，分析了神经网络模式识别与传统模式识别的区别，并着重讨论了仿生模式识别理论。在详细介绍人工神经网络的硬件实现技术的基础上，论文重点研究了CASSANDRA-Ⅰ和CASSANDRA-Ⅱ神经计算机，论文对半导体神经计算机的体系结构、硬件实现、软件组织、调试环境等多方面进行了详细研究。并通过对CASSANDRA-Ⅱ通用神经网络硬件和CNAPS、SYNAPSE-1等国外神经网络硬件进行了性能比较，证明了CASSANN-Ⅱ具有更好的网络性能和计算性能，以及更强的通用性。 基于仿生模式识别理论，本文提出并实现了利用CASSANDRA-Ⅱ神经计算机进行识别的实物识别系统，提出了一种适合CASSANDRA-Ⅱ神经计算机学习和识别的特征提取算法。本文从学习和识别两个流程对基于CASSANDRA-Ⅱ神经计算机的全方位实物识别系统进行实验，并与基于PC机的支持向量机方法(SVM)相比较，实验结果表明本系统具有较好的识别结果。

目录

文摘

英文文摘

浙江工业大学学位论文原创性声明及版权使用授权书

第一章绪论

第二章神经网络模式识别理论

第三章CASSANDRA系列神经计算机的硬件实现

第四章基于CASSANDRA-Ⅱ的全方位实物识别系统

第五章总结和展望

参考文献

致谢

攻读学位期间发表的学术论文目录