資訊工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60
本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。
News
Browse
7 results
Search Results
Item 分群演算法之超大型積體電路架構研究(2012) 李惠雅; Hui-Ya Li本論文對於c-平均值(c-means)、競爭式學習(competitive learning)、模糊c-平均值(fuzzy c-means)，以及帶空間約束之模糊c-平均值(fuzzy c-means with spatial constraint)等多種分群演算法分別提出硬體架構。這些架構皆已在場域可程式化閘陣列(Field Programmable Gate Array，FPGA)裝置上實作建構出適用於分群(clustering)的可程式化系統晶片(System on Programmable Chip，SOPC)系統。 由於分割(partitioning)與質心計算(centroid computation)等運算全為管線化運作，故本文所提出的c-平均值架構可同時處理多筆訓練向量(training vector)。查表式除法器(lookup table based divider)則用以減少面積成本及質心計算的延遲。 文中另提出兩種針對k贏家全取(k-winners-take-all，kWTA)操作的硬體實現。第一種架構，經由在小波域(wavelet domain)中執行部分距離搜尋(partial distance search，PDS)來找出關於每一個輸入向量的k個贏家。一種單純利用查表來做計算的硬體除法器則用以構成神經元的更新程序。部分距離搜尋模組及除法器均採取有限精度計算(finite precision calculation)來降低部分距離搜尋及硬體除法器的面積成本。另採用子空間搜尋(subspace search)及多係數累積(multiple-coefficient accumulation)等技巧來降低PDS的運算延遲。第二種則是一個高效率的管線化架構，可同時進行不同訓練向量的kWTA競賽。此管線化架構使用了一個嶄新的碼字交換機制(codeword swapping scheme)，使那些在競賽過程中落敗的神經元可立即投入後續訓練向量的競賽。 文中所提出的模糊c-平均值架構是個高效率的平行計算方案。此架構利用查表式除法來降低計算權重值(membership coefficient)與質心的面積成本及計算複雜度。為了避開龐大的儲存需求，權重矩陣(membership coefficient matrix)及質心的更新，從過去慣用的迭代法，改為合併成單一步驟。這樣的架構還延伸到帶空間約束之模糊c-平均值的實現。並採用查表法來處理開根號運算，以便放寬模糊度(degree of fuzziness)的限制。 實驗結果顯示文中所提出的架構具有成本效益(cost-effective)，且在面對龐大的資料集合及/或眾多的群集數時，較其他軟硬體實現能有更高的加速(speedup)。Item 以FPGA實現非監督式Fuzzy c-means分群演算法之硬體架構設計(2011) 沈宗懋Fuzzy c-means演算法是一個非常常見的分群演算法，但是因在計算分群之前必須給定分群數，然而我們不能知道哪個分群結果是最好的，是屬於一種監督式的演算法。基於這個理由本論文提出了一個完全非監督式的Fuzzy c-means分群演算法(Unsupervised Fuzzy c-means Clustering Algorithm)並且實現其硬體電路架構，當Fuzzy c-means運算收斂結束，利用Xie和Beni所提出的群集有效性指標(Cluster Validity Index)來驗證分群的有效性，並且選擇出最佳的分群數目。在對於分群演算法的更新計算質量中心以及更新權重矩陣這兩個步驟在本電路裡整合為單一個更新步驟，來減少使用的儲存空間。並且藉由管線化來實現運作，可利用較低的資源得到更快的計算速度。 最後我們所提出的架構會在以FPGA(Field Programmable Gate Array)為基礎的可程式化晶片設計(System On a Programmable Chip , SOPC)之平台上做實際的驗證測試，經由數據結果的測試與比對可以發現本論文中的架構可以辨認出最適合的分群結果，達到非監督化。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Fuzzy C-Means硬體架構為基礎之快速影像分割之研究(2010) 張嘉晏; Chia-Yen Chang本論文根據文獻[6]將FCM演算法m值設定為2之硬體架構延伸於適用所有m值的FCM演算法硬體架構。此架構以管線化實現，並且具有平行計算的能力。在論文中我們使用查表法(lookup table)與泰勒展開式，推導出開根號計算之硬體電路，以減少根號運算時所耗費的硬體資源。此外，本論文將模糊分群演算法應用於影像分割的處理，並將FCM演算法之硬體架構延伸至FCM with spatial constraint演算法上，以改善雜訊影響影像分割的結果，以及保有硬體架構平行計算之優點。由實驗結果顯示，所提出的硬體架構能夠快速並有效的將模糊分群演算法應用在影像分割的處理。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 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。Item 在可程式化系統晶片上之C-Means分群演算法設計(2008) 許智傑; Chih Chieh Hsu本論文提出一個新的c-means演算法硬體架構，在做分群處理與質量中心點的計算皆為管線化的運作，因此可以同時處理多筆訓練向量。我們計算質量中心點的除法器是由查表法、乘法器與位移運作所組成，可以大大的降低硬體複雜度且一個時脈週期即可完成除法的運算。最後我們所提出的架構會在以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，經由數據分析可以發現我們的架構會比軟體有更高的效能。