径向基函数神经网络芯片ZISC78及其应用

　　
　　２．１ＺＩＳＣ７８神经元结构
　　
　　ＺＩＳＣ７８采用的神经元结构如图２所示，该神经元有以下几种状态：
　　
　　(１)休眠状态：神经网络初始化时，通常处于这种状态。
　　
　　(２)准备学习状态：任何时侯，神经网络中的神经元都处于这种状态。
　　
　　(３)委托状态：一个包含有原型和类型的神经元处于委托状态。
　　
　　(４)激活状态：一个处于委托状态的神经元，通过评估，其输入矢量处于其影响域时，神经元就被激活而处于激活状态。
　　
　　(５)退化状态：当一个神经元的原型处于其它神经元类型空间内，而大部分被其他神经元类型空间重叠时，这个神经元被宣布处于退化状态。
　　
　　
　　
　　
　　
　　２．２ＺＩＳＣ７８神经网络结构
　　
　　从图３所示的ＺＩＳＣ７８神经网络结构可以看出，所有神经元均通过“片内通信总线”进行通信，以实现网络内所有神经元的“真正”并行操作。“片内通信总线”允许若干个ＺＩＳＣ７８芯片进行连接以扩大神经网络的规模，而这种操作不影响网络性能。
　　
　　ＺＩＳＣ７８片内有６ｂｉｔ地址总线和１６ｂｉｔ数据总线，其中数据总线用于传输矢量数据、矢量类型、距离值和其它数据。
　　
　　２．３ＺＩＳＣ７８的寄存器组
　　
　　ＺＩＳＣ７８使用两种寄存器：全局寄存器和神经元寄存器。全局寄存器用于存储与所有神经元有关的信息，每片仅有一组全局寄存器。全局寄存器组中的信息可被传送到所有处于准备学习状态和委托状态的神经元。神经元寄存器用于存储所属神经元的信息，该信息在训练学习操作中写入，在识别操作中读出。
　　
　　２．４ＺＩＳＣ７８的操作
　　
　　ＺＩＳＣ７８的操作包括初始化、矢量数据传播、识别和分类等三部分。
　　
　　初始化包括复位过程和清除过程。
　　
　　矢量数据传播包括矢量数据输入过程和神经元距离计算过程。神经元距离就是输入矢量和神经元中存储的原型之间的范数。通常可选Ｌ１范数或Ｌｓｕｐ范数：
　　
　　
　　
　　其中，Ｘｉ为输入矢量数据，Ｘｓ为存贮的原型数据。
　　
　　对于识别和分类，ＺＩＳＣ７８提供有两种可选择的学习算法ＲＢＦ和ＫＮＮ。其中ＲＢＦ是典型的径向基函数神经网络。在该ＲＢＦ模式下，可输出识别、不确定或不认识的状态；ＫＮＮ模式是ＲＢＦ模式的限制形式，即在ＫＮＮ模式下，新原型的影响域总被设为１，输出的是输入向量和存储原型之间的距离。需要指出的是，ＺＩＳＣ７８具有自动增加或减小神经元个数以适应输入信号的分类和识别功能，神经元个数的最大值和最小值在全局寄存器组中设定。
　　
　　２．５ＺＩＳＣ７８的组网
　　
　　一个ＺＩＳＣ７８芯片内可以通过寄存器操作定义若干个独立的网络。若干个ＺＩＳＣ７８芯片通过层叠可以组成一个更大的神经网络，组网芯片数量没有限制，小于１０个ＺＩＳＣ７８组网时，甚至连电源中继器件也不需要。所以，ＺＩＳＣ７８具有最大的灵活性，能够满足不同的需要。
　　
　　３仿真实例
　　
　　为了验证ＺＩＳＣ７８用于船舶运动实时预报的精度，本文对径向基函数神经网络预报进行了仿真，图４给出了基于径向基函数神经网络和船舶运动惯导实测信号预报的０．３秒（１５步）误差曲线图。
　　
　　通过以惯导实测数据Ｚ

《径向基函数神经网络芯片ZISC78及其应用(第2页)》