模式识别专用神经网络计算机系统技术方案

一种模式识别专用神经网络计算机系统及应用方法，其中的模式识别专用神经网络计算机系统包括：一总线；一存储器部件，该存储器部件在系统中提供数据存储空间；一算术／逻辑运算和控制部件，该算术／逻辑运算和控制部件在系统中承担算术／逻辑运算任务，并通过总线控制系统其它各个部件的运行和数据交换；一神经网络硬件，该神经网络硬件根据算术／逻辑运算和控制部件的指令通过总线从存储器部件接收数据进行神经网络计算，并将结果保存到存储器部件；一环境接口部件，该环境接口部件根据算术／逻辑运算和控制部件的指令从环境获取信息，或将系统运行结果通过语音或其它方式表达出来。（*该技术在2024年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术属于计算机领域，更具体说是一种。
技术介绍
以Fisher、Vapnik为代表的模式识别的发展已经有几十年的历史，取得了显著的成绩。但是这些传统的模式识别方法仅仅重视各种不同样本类型之间的“划分”，而不重视同类样本本身的特征。这种基于“划分”思想的模式识别方法不能克服较大的未训练样本误识率问题，而且每当增加一种新的类型样本的时候，都需要对所有类型的样本进行重新训练。近年来，王守觉院士提出了一种新的仿生模式识别理论，该理论从根本上突破了传统模式识别“划分”的思想，运用拓扑学和高维空间几何学，以多权值突触神经元构造新的神经网络模式识别系统，克服了传统模式识别方法未训练样本的误识率高、新增样本类型需要全局重新训练的问题，显著提高了模式识别系统的性能。基于仿生模式识别理论，本专利技术实现了一种模式识别专用神经网络计算机系统，并提出了一种利用该模式识别专用神经网络计算机系统进行学习与识别分离的模式识别演示应用方法。该演示系统性能价格比高，演示识别效果好，并且操作简单、具有较强的趣味性，可以应用于大、中、小学生的人工智能教学演示教具，以提高学生探索科学知识的兴趣。
技术实现思路
本专利技术的目的在于，提供一种，实践仿生模式识别理论，提高模式识别系统的样本识别率，克服传统模式识别中未训练样本误识率偏高以及加入新样本需要对所有样本进行重新训练的问题。由于采用神经网络学习与识别分离的模式识别应用方法，本专利技术模式识别专用神经网络计算机系统具有较高的性能价格比和易操作性，可应用于人工智能教学演示教具。本专利技术一种模式识别专用神经网络计算机系统，其特征在于，包括一总线一存储器部件，在系统中提供数据存储空间；一算术/逻辑运算和控制部件，该算术/逻辑运算和控制部件在系统中承担算术/逻辑运算任务，并通过总线控制系统其它各个部件的运行和数据交换；一神经网络硬件，该神经网络硬件根据算术/逻辑运算和控制部件的指令通过总线从存储器部件接收数据进行神经网络计算，并将结果保存到存储器部件；一环境接口部件，该环境接口部件根据算术/逻辑运算和控制部件的指令从环境获取信息，或将系统运行结果通过语音或其它方式表达出来。其中神经网络硬件在系统中承担分布式并行神经网络计算。该神经网络硬件以多权值突触通用神经元为基本构造单元，其中多权值突触通用神经元的数学模型基本计算式如下Y＝f其中算术/逻辑运算和控制部件在系统中完成算术/逻辑运算，并通过总线控制神经网络硬件、环境接口部件的运行，以及存储器部件的数据存取操作。本专利技术一种模式识别专用神经网络计算机系统的应用方法，其特征在于，是一种基于仿生模式识别理论，以本专利技术模式识别专用神经网络计算机系统实现的，神经网络学习与识别分离的人工智能演示应用方法。包括如下步骤1)微机协助的神经网络学习过程；2)脱离微机，模式识别专用神经网络计算机系统独立完成的神经网络识别演示过程。其中微机协助的神经网络学习，是指利用微机协助本专利技术模式识别专用神经计算机对训练样本集进行学习，使其对已学习过的事物具有“辨认”能力。其中微机协助的神经网络学习过程，是指借助微机采集样本和特征提取，并根据特征空间中样本点之间的距离，对样本进行选择并排序；然后本专利技术的模式识别专用神经网络计算机系统对选择排序的样本进行学习，构造神经网络，并将神经网络结构保存到非易失性存储器中。其中脱离微机模式识别专用神经网络计算机系统独立完成的神经网络识别演示，是指本专利技术模式识别专用神经网络计算机脱离微机，独立完成神经网络模式识别演示工作。其中脱离微机模式识别专用神经网络计算机系统独立完成的神经网络识别演示过程，是指本专利技术模式识别专用神经网络计算机系统作为一个独立运转的模式识别演示系统，独立完成如下工作采集待识别模式样本并对该样本进行特征提取，通过神经网络计算和判决，输出模式识别结果或(和)执行相应动作。附图说明为进一步说明本专利技术的
技术实现思路
，以下结合附图和实施例对本专利技术作进一步说明，其中图1本专利技术中的模式识别专用神经网络计算机系统的系统结构图；图2本专利技术中的模式识别专用神经网络计算机系统应用微机协助的神经网络学习流程图；图3本专利技术中的模式识别专用神经网络计算机系统脱离微机独立完成的神经网络模式识别流程图。具体实施例方式本专利技术提供一种脱离微机本专利技术中。本专利技术中的模式识别专用神经网络计算机系统的实施方式请参阅图1，描述如下一种模式识别专用神经网络计算机系统，其特征在于，包括 一总线50；一存储器部件10，该存储器部件10包括非易失性存储器11和易矢性存储器RAM 12，或者全部由非易失性存储器实现，在系统中提供数据存储空间；一算术/逻辑运算和控制部件30，该算术/逻辑运算和控制部件在系统中承担算术/逻辑运算任务，并通过总线50控制系统其它各个部件的运行和数据交换；一神经网络硬件20，该神经网络硬件20根据算术/逻辑运算和控制部件30的指令通过总线50从存储器部件10接收数据进行神经网络计算，并将结果保存到存储器部件10；一接口部件40，该环境接口部件40根据算术/逻辑运算和控制部件30的指令从环境获取信息，或将系统运行结果通过语音或其它方式表达出来。其中神经网络硬件20在系统中承担分布式并行神经计算，该神经网络硬件20采用硬件神经元复用的方式实现，其中的硬件神经元是一种多权值突触通用神经元，多权值突触通用神经元的数学模型基本计算式如下Y＝f其中算术/逻辑运算和控制部件30，采用MCU 31(MicrocontrolerUnit单片机)和利用可编程逻辑器件开发的协控制器32实现，也可以采用一个功能强大的通用处理器实现。该算术/逻辑运算和控制部件30在系统中完成算术/逻辑运算，并通过总线50控制神经网络硬件20、环境接口部件40的运行，以及存储器部件10的数据存取操作。本专利技术一种模式识别专用神经网络计算机系统的应用方法，其特征在于，是一种基于仿生模式识别理论，以本专利技术模式识别专用神经网络计算机系统实现的，神经网络学习与识别分离的人工智能演示应用方法。包括如下步骤1)微机协助的神经网络学习过程；该微机协助的神经网络学习，是指利用微机协助本专利技术模式识别专用神经计算机对训练样本集进行学习，使其对已学习过的事物具有“辨认”能力。其中微机协助的神经网络学习过程，是指借助微机采集样本和特征提取，并根据特征空间中样本点之间的距离，对样本进行选择并排序；然后本专利技术的模式识别专用神经网络计算机系统对选择排序的样本进行学习，构造神经网络，并将神经网络结构保存到非易失性存储器中。2)脱离微机，模式识别专用神经网络计算机系统独立完成的神经网络识别演示过程。其中脱离微机模式识别专用神经网络计算机系统独立完成的神经网络识别演示，是指本专利技术模式识别专用神经网络计算机脱离微机，独立完成神经网络模式识别演示工作。其中脱离微机模式识别专用神经网络计算机系统独立完成的神经网络识别演示过程，是指本专利技术模式识别专用神经网络计算机系统作为一个独立运转的模式识别演示系统，独立完成如下工作采集待识别模式样本并对该样本进行特征提取，通过神经网络计算和判决，输出模式识别结果或(和)执行相应动作。本专利技术中的模式识别专用神经网络计算机系统应用方法是一种基于非划分的仿生模式识别理论，以本专利技术模式识别专用神经网络计算机系统实现的本文档来自技高网...

【技术保护点】
一种模式识别专用神经网络计算机系统，其特征在于，包括：一总线一存储器部件在系统中提供数据存储空间；一算术／逻辑运算和控制部件，该算术／逻辑运算和控制部件在系统中承担算术／逻辑运算任务，并通过总线控制系统其它各个部件的 运行和数据交换；一神经网络硬件，该神经网络硬件根据算术／逻辑运算和控制部件的指令通过总线从存储器部件接收数据进行神经网络计算，并将结果保存到存储器部件；一环境接口部件，该环境接口部件根据算术／逻辑运算和控制部件的指令从环境获 取信息，或将系统运行结果通过语音或其它方式表达出来。

【技术特征摘要】

【专利技术属性】
技术研发人员：王守觉，李卫军，赵顾良，孙华，
申请(专利权)人：中国科学院半导体研究所，
类型：发明
国别省市：11[中国|北京]