徑向基函數(shù)神經(jīng)網(wǎng)絡芯片ZISC78及其應用

ＺＩＳＣ７８片內(nèi)有６ ｂｉｔ地址總線和１６ ｂｉｔ數(shù)據(jù)總線，其中數(shù)據(jù)總線用于傳輸矢量數(shù)據(jù)、矢量類型、距離值和其它數(shù)據(jù)。

２．３ ＺＩＳＣ７８的寄存器組

ＺＩＳＣ７８使用兩種寄存器：全局寄存器和神經(jīng)元寄存器。全局寄存器用于存儲與所有神經(jīng)元有關的信息，每片僅有一組全局寄存器。全局寄存器組中的信息可被傳送到所有處于準備學習狀態(tài)和委托狀態(tài)的神經(jīng)元。神經(jīng)元寄存器用于存儲所屬神經(jīng)元的信息，該信息在訓練學習操作中寫入，在識別操作中讀出。

２．４ ＺＩＳＣ７８的操作

ＺＩＳＣ７８的操作包括初始化、矢量數(shù)據(jù)傳播、識別和分類等三部分。

初始化包括復位過程和清除過程。

矢量數(shù)據(jù)傳播包括矢量數(shù)據(jù)輸入過程和神經(jīng)元距離計算過程。神經(jīng)元距離就是輸入矢量和神經(jīng)元中存儲的原型之間的范數(shù)。通?？蛇xＬ１范數(shù)或Ｌｓｕｐ范數(shù)：

其中，Ｘｉ為輸入矢量數(shù)據(jù)，Ｘｓ為存貯的原型數(shù)據(jù)。

對于識別和分類，ＺＩＳＣ７８提供有兩種可選擇的學習算法ＲＢＦ和ＫＮＮ。其中ＲＢＦ是典型的徑向基函數(shù)神經(jīng)網(wǎng)絡。在該ＲＢＦ模式下，可輸出識別、不確定或不認識的狀態(tài)；ＫＮＮ模式是ＲＢＦ模式的限制形式，即在ＫＮＮ模式下，新原型的影響域總被設為１，輸出的是輸入向量和存儲原型之間的距離。需要指出的是，ＺＩＳＣ７８具有自動增加或減小神經(jīng)元個數(shù)以適應輸入信號的分類和識別功能，神經(jīng)元個數(shù)的最大值和最小值在全局寄存器組中設定。

２．５ ＺＩＳＣ７８的組網(wǎng)

一個ＺＩＳＣ７８芯片內(nèi)可以通過寄存器操作定義若干個獨立的網(wǎng)絡。若干個ＺＩＳＣ７８芯片通過層疊可以組成一個更大的神經(jīng)網(wǎng)絡，組網(wǎng)芯片數(shù)量沒有限制，小于１０個ＺＩＳＣ７８組網(wǎng)時，甚至連電源中繼器件也不需要。所以，ＺＩＳＣ７８具有最大的靈活性，能夠滿足不同的需要。

３　仿真實例

為了驗證ＺＩＳＣ７８用于船舶運動實時預報的精度，本文對徑向基函數(shù)神經(jīng)網(wǎng)絡預報進行了仿真，圖４給出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡和船舶運動慣導實測信號預報的０．３秒（１５步）誤差曲線圖。

通過以慣導實測數(shù)據(jù)ＺＨＸ＿ｌｇ．ｄａｔ為例預報０．３秒（１５步）以后的船舶運動，作者運用相空間重構(gòu)理論已經(jīng)判斷出本數(shù)據(jù)為非線性信號。

該仿真的最大預報誤差方差為６．４６６６ｅ－００４，該數(shù)據(jù)可以滿足戰(zhàn)技指標。

４　結(jié)束語

本文根據(jù)船載武器系統(tǒng)的整體要求，結(jié)合船舶運動的特點研究了基于徑向基函數(shù)神經(jīng)網(wǎng)絡芯片ＺＩＳＣ７８在船舶運動實時預報方面的應用情況。仿真表明：這種方案預報精度高，且可進行較長期預報，能夠滿足船搖實時建模預報的要求，因而具有較高的實用價值。