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 基於RBF實現紋理辨識之硬體架構(2012) 范哲誠; Zhe-Cheng Fan本論文提出以Recursive Least Mean Square為基礎，結合Fuzzy c-Means分群演算法實作出Radial Basis Function類神經網路之紋理圖辨識系統。在本論文中，Fuzzy c-Means計算紋理圖的質量中心點，Recursive Least Mean Square計算類神經網中的權重係數，希望利用硬體的特性來實現快速運算、低資源消耗、低功率消耗以及擁有良好的效能之硬體架構。 最後我們所提出的硬體架構會在以FPGA為基礎的可程式化系統晶片設計(System On a Programmable Chip，SOPC)之平台上作實際的效能測試。根據使用不同的紋理圖作為測試資料，實驗結果顯示本架構對於紋理圖辨識有良好的分類正確率，且此硬體架構提供了日後高度的延伸性。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 適於多叢集Fuzzy C-Means分群演算法之硬體架構設計(2010) 楊政諺; Cheng-Yen Yang本論文提出一個適合在高叢集的Fuzzy c-means分群演算法硬體架構，同時對分群質量中心點和訓練向量作管線化架構(pipeline)，可以獲得更低的硬體資源消耗和更高的計算速度。此外，合併以往迭代更新權重矩陣(membership coefficient matrix)以及質量中心成為單一的更新步驟，可以避免使用大量的儲存空間。 最後本論文所提出的硬體架構會在以FPGA為基礎的可程式化系統晶片設計(System On a Programmable Chip，SOPC)之平台上作實際的效能測試。由實驗的結果可知，本架構具備較低的計算複雜度、較低的硬體資源複雜度以及更高的效能。Item 在可程式化系統晶片上之Fuzzy C-Means分群演算法設計(2009) 楊正存; Cheng-Tsun Yang本論文提出一個具平行計算能力的Fuzzy c-means(FCM)演算法硬體架構，並且使用查表法(lookup table)為基礎的除法器，來減少分群處理及計算質量中心點的硬體資源複雜度和計算複雜度。此外，本硬體架構不需儲存權重矩陣(membership coefficients matrix)，而是將權重值(membership coefficinets)的計算結果直接送入質量中心點的更新計算，達到減少記憶體資源消耗的目的。最後本論文所提出的硬體架構會在以FPGA為基礎的可程式化系統晶片設計(System On a Programmable Chip，SOPC)之平台上作實際的效能測試，由實驗的結果可知，本架構具備較低的計算複雜度與更高的效能。