學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912
Browse
4 results
Search Results
Item 以GHA實現快速主成分分析之硬體設計(2012) 林秀菊; Shiow-Jyu Lin本論文為實現快速主成分分析之硬體，提出三種GHA的硬體架構，分別為達成高速計算及最少的硬體資源消耗為目的。在高速計算的架構，所有主成分值計算與突觸權重值之更新，皆使用專屬的電路作並行之運算。對於高維度訓練資料之適用架構，以所有主成分值計算共用一個主成分計算電路輪流完成計算，並將訓練資料區塊化方式逐步更新每個神經元的突觸權重值。所有實現的硬體架構訓練取得之權重向量，應用在紋理的分類。Item 應用於棘波分類之硬體架構實現(2012) 李偉豪本論文針對快速棘波分類設計了一套專用的架構，並於硬體中實現此架構。本論文採用Generalized Hebbian Algorithm (GHA) 來擷取棘波的特徵值，搭配Fuzzy C-Means (FCM) 演算法將擷取到的棘波特徵值進行分類。GHA演算法可高速計算主成分特徵值供後續分群演算法進行運算，同時利用FCM演算法對於初始質心選取好壞不敏感的特性可獲得較佳的分類結果。為了減少硬體資源的消耗，GHA架構中在計算調整不同組權重值時皆共享相同一塊計算電路，而FCM採用逐步增量計算權重係數與質量中心點，這可以避免原本需要大量儲存空間儲存權重係數矩陣所造成的空間消耗。因此，本論文所提出的架構同時擁有低area cost與高輸出產量的優點。為了驗證本論文所提出的架構有效性，我們於現場可程式邏輯閘陣列 (Field Programmable Gate Array , FPGA) 中實作出本架構，並於嵌入式System-On-Programmable-Chip (SOPC) 平台中進行實際效能量測。實驗結果證明針對棘波分類本論文所提出的架構同時具有低判斷錯誤率、低area cost與高速計算的優點。Item 以非監督式類神經網路實現高維度平行計算之主成分分析的硬體架構實現(2011) 林坤宏; Kun-Hong Lin本論文針對主成分分析(Principle Components Analysis, PCA)提出一個以Generalized Hebbian Algorithm (GHA)為基礎的高維度平行計算之硬體架構。 我們希望利用硬體的特性來達到平行計算能力，進而加速運算效能，同時希望透過擷取高維度的特徵向量來取得較好的分類成功率，在突觸權重向量更新單元，將原本m筆的資料切割成b等分，重複利用q份硬體電路來運算b次，即m=q×b，m指的是訓練資料的維度，b指的是我們將資料切割成幾等分，q指的是每一等分的資料量，如此一來就可達到硬體共享的機制，也將記憶單元共享給不同的計算元件使用，因此可以降低面積成本(Area Cost)，也能實現較高維度的硬體架構。 我們將硬體電路實作在可程式化系統晶片(System on a Programmable Chip，SOPC)的平台中，並且利用此平台來測試與驗證實驗數據，根據實驗結果來證明我們所提出的硬體架構，是具有較好的分類成功率及較低的硬體資源消耗，也與軟體做時間測量比較，來驗證硬體的加速效能。Item 以Generalized Hebbian Algorithm 為基礎的主成分分析之硬體實現(2010) 洪禕璨本論文針對主成分分析(principle component analysis, PCA)提出一個以generalized Hebbian algorithm (GHA)為基礎的硬體架構。在此硬體架構中，我們讓負責突觸權重向量(synaptic weight vectors)更新的部分分為若干個層級(stages)，前一個層級所計算出來的結果將傳送至下一個層級使用，來達到加快訓練速度以及降低面積成本(area cost)的目的。本文所提出的硬體架構已實作並嵌入於可程式化系統晶片(system-on-programmable-chip, SOPC)之平台。由實驗結果顯示，此硬體架構是一種有效且可代替主成分分析之運算，亦能獲得高性能與低計算時間之結果。