论文部分内容阅读
传统的冯诺依曼计算机虽然具有快速、高效的逻辑运算等功能,但其形象思维能力差、无自我学习能力等缺点对于形象思维领域的模式识别等问题却是无能为力。人工神经网络是由大量简单处理单元构成的非线性动力学系统,具有分布式的信息存贮、大规模并行处理、自学习和自组织等特点,可以解决传统计算机难以解决或无法解决的人工智能方面问题。本文结合两者特点,提出并实现了一种脱机工作可训练的模式识别专用神经网络系统。 本文基于高维空间点覆盖理论,分析了样本点在高维空间中的分布特性,并从几何的角度详细阐述了高维空间中点与点、点与线和点和面之间的关系及其相应算法。同时介绍了半导体神经计算机的理论基础,以及能实现半导体神经计算机内部双权值神经元的单节拍浮点组合逻辑运算的设计方法。 结合符号主义和连接主义两者的特点,脱机工作可训练的模式识别专用神经网络系统可以在无上位机的情况下,通过一次采样,便可独立完成包括模式采集、特征提取、样本学习以及识别等一整套与实物识别相关的工作。文中对该系统具体实现的硬件单元以及相应软件功能模块进行了详细描述。