簡易檢索 / 詳目顯示

研究生: 林建旻
論文名稱: 以FPGA實現GRNN演算法之特徵分類硬體系統
The Implementation of GRNN-based Feature Classification System Based on FPGA
指導教授: 黃文吉
學位類別: 碩士
Master
系所名稱: 資訊工程學系
Department of Computer Science and Information Engineering
論文出版年: 2015
畢業學年度: 103
語文別: 中文
論文頁數: 41
中文關鍵詞: FPGA類神經網路特徵分類
論文種類: 學術論文
相關次數: 點閱:114下載:6
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • 本論文針對特徵分類法則實現一套硬體架構,可快速辨認出特徵加以分類。採用的法則是廣義迴歸類神經網路(General Regression Neural Network,GRNN)為監督式學習法則,與其它分類演算法相比,如RBFN (Radial Basis Function Network, RBFN)需要一段時間離線訓練,因此無法適用於即時分類,相較之下GRNN不需要離線訓練且學習速度快,可立刻獲得分類結果。
    本論文GRNN法則是以浮點數格式(Floating-point)為基礎實現並驗證現場可程式化邏輯閘(FPGA, Field Programmable Gate Array)上,在一些文獻中於FPGA已實現GRNN法則,但它們電路面積與訓練資料個數成正比,故資源消耗(area cost)量是很可觀的,相較之下本論文設計的電路面積不會與訓練資料的個數成正比,所以在資源消耗方面佔有一定的優勢。此外,文獻中所提出的GRNN法則是以固定點格式(Fixed-point)實現硬體電路,分類的精確度比本電路設計的浮點數格式低,綜合上述所提到的觀點,本電路具有學習速度快、可用於即時分類、資源消耗低,以及分類精確度高的優點。

    目錄 中文摘要 i 致謝........................ …ii 目錄 iii 附圖目錄 iv 附表目錄 v 第一章 緒論 1 1.1 研究背景與動機 1 1.2 研究目的與方法 3 1.3 全文架構 4 第二章 基礎理論與文獻探討 5 2.1 類神經網路介紹 5 2.2 GRNN(General Regression Neural Network)介紹 9 2.3 GRNN演算法則 10 2.4 FPGA系統設計 14 第三章 系統架構 15 3.1 研究流程 15 3.2 電路架構 16 3.2.1 緩衝(Buffers)單元 ......18 3.2.2 模式(Pattern)單元 21 3.2.3 總和(Summation)單元 22 3.2.4 NIOS Ⅱ系統單元 23 第四章 實驗數據與效能分析 25 4.1 開發平台與實驗環境 25 4.2 實驗結果與效能分析 28 第五章 結論 39 參考文獻 40 附圖目錄 圖2-1 類神經網路方塊圖 5 圖2-2 類神經網路架構圖 7 圖2-3 GRNN的輸入和輸出圖 10 圖2-4 GRNN一般情況架構圖 12 圖2-5 GRNN特例情況架構圖 13 圖3-1 研究流程圖 15 圖3-2 GRNN電路架構圖 17 圖3-3 緩衝(Buffers)架構圖 19 圖3-4 Controller_Table架構圖 19 圖3-5 模式(Pattern)架構圖 21 圖3-6 總和(Summation)架構圖 22 圖3-7 NIOS Ⅱ系統單元架構圖 23 圖3-8 Interface and GRNN Circuit架構圖 24 圖4-1 Altera Stratix IV EP4SGX230KF-40C2開發版外觀圖 25 附表目錄 表3-1 Table 20 表4-1 Altera Stratix IV EP4SGX230KF-40C2規格表 26 表4-2 實驗資料數據 28 表4-3 UCI資料集簡易表 29 表4-4 Iris資料比較表 32 表4-5 Wine資料比較表 32 表4-6 Breast Cancer資料比較表 33 表4-7 GRNN和其他法則分類比較表 33 表4-8 Proposed GRNN和其他文獻提出的GRNN分類比較表 34 表4-9 GRNN的硬體資源消耗表 35 表4-10 UCI三種資料集的硬體資源消耗表 36 表4-11硬體資源消耗、產出量和分類準確率、離線訓練表 37

    [1] Polat, O.; Yildirim, T. FPGA implementation of a General Regression Neural Network: An embedded pattern classification system. Digital Signal Process. 2010, 20, 881–886.

    [2] Yi-Chih, T. and Wen-Jyi, H. and Chih-Hsiang, Ho. A Novel QoS Mapping Algorithm for Heterogeneous Home Networks Using General Regression Neural Networks,2014

    [3] Zhe-Cheng, F. and Wen-Jyi, H. Efficient VLSI Architecture for Training Radial Basis Function Networks,2013

    [4] Kotsiantis, S.B.; Pintelas, P.E. Logitboost of Simple Bayesian Classifier. Informatica 2005, 29,53–59.

    [5] Webb, G.I. Multiboosting: A technique for combining boosting and wagging. Mach. Learn. 2000,40, 159–196.

    [6] Zheng, Z.; Webb, G.I. Lazy learning of Bayesian Rules. Mach. Learn. 2000, 41, 53–84.

    [7] De Falco, I.; Cioppa, A.D.; Tarantino, E. Facing classification problems with particle swarm optimization. Appl. Soft Comput. 2007, 7, 652–658.

    [8] Friedman, N.; Geiger, D.; Goldszmidt, M. Bayesian network classifiers. Mach. Learn. 1997, 29,131–163.

    [9] Melis Ozyildirim B, Avci M Generalized classifier neural network
    Neural Network,2013,20,18-26

    [10] Altera Floating-Point IP Cores User Guide,2014

    [11] Documentation: Quartus II Development Software. Available online: http://www.altera.com/ ,2015

    [12] http://www.ics.uci.edu/~mlearn/MLSummary.html.

    [13] Haykin S, Neural Networks and Learning machines, 3rd edition, Pearson: New Jersey,2009.

    [14] Altera Corporation, NIOS II Processor Reference Handbook,2015

    [15] Altera Corporation, Avalon Interface Specification, 2015.

    下載圖示
    QR CODE