本发明专利技术公开了一种基于增长型环形SOM神经网络的片上光网络映射方法，包括：获取核图中的IP核连通关系矩阵和网络拓扑中的节点通信损耗矩阵；利用节点通信损耗矩阵中的行向量对增长型环形SOM神经网络进行训练，获得经训练的增长型环形SOM神经网络；利用经训练的增长型环形SOM神经网络分别获取节点通信损耗矩阵中每个行向量的获胜神经元索引号以及IP核连通关系矩阵中每个行向量的获胜神经元索引号；根据IP核连通关系矩阵的获胜神经元索引号和节点通信损耗矩阵的获胜神经元索引号获得核图中IP核与网络拓扑节点之间的映射矩阵。本发明专利技术通过自适应方式在保证结果稳定的条件下降低了映射方法复杂度，减少了求解时间。减少了求解时间。减少了求解时间。
【技术实现步骤摘要】
一种基于增长型环形SOM神经网络的片上光网络映射方法
[0001]本专利技术属于片上网络
，具体涉及一种基于增长型环形SOM (Self
‑
Organizing Map，自组织映射)神经网络的片上光网络映射方法。
技术介绍
[0002]片上光网络具有高带宽、快传输速率和抗干扰等许多传统电互连不可比拟的优点，是未来超大规模集成电路的一个发展方向。在片上光网络中，映射是需要关注的一个关键方面；在满足一定映射要求的前提下，映射将核图中的IP核和拓扑中的节点进行对应。IP核映射在网络拓扑中的位置会极大地影响网络的性能，因此，如何在满足一定性能需求的前提下、将核图中的IP核合理地映射到网络拓扑中是需要解决的问题。
[0003]现有的映射算法主要可使用精确算法和群智能类、模拟退火、遗传等启发式算法。然而，现有的算法计算复杂度较高、求解时间较长、且容易陷入局部最优解。
技术实现思路
[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于增长型环形SOM神经网络的片上光网络映射方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0005]本专利技术提供了一种基于增长型环形SOM神经网络的片上光网络映射方法，包括：
[0006]S1：获取核图中的IP核连通关系矩阵和网络拓扑中的节点通信损耗矩阵；
[0007]S2：利用所述节点通信损耗矩阵中的行向量对增长型环形SOM神经网络进行训练，获得经训练的增长型环形SOM神经网络；
[0008]S3：利用所述经训练的增长型环形SOM神经网络分别获取节点通信损耗矩阵中每个行向量的获胜神经元索引号以及IP核连通关系矩阵中每个行向量的获胜神经元索引号；
[0009]S4：根据IP核连通关系矩阵的获胜神经元索引号和节点通信损耗矩阵的获胜神经元索引号获得核图中IP核与网络拓扑节点之间的映射矩阵。
[0010]在本专利技术的一个实施例中，所述S2包括：
[0011]S21：对所述节点通信损耗矩阵S进行抽象化转换，转化为网络拓扑中每个节点对应的特征向量；
[0012]S22：将网络拓扑中每个节点对应的特征向量依次输入所述增长型环形 SOM神经网络中以对所述增长型环形SOM神经网络进行训练。
[0013]在本专利技术的一个实施例中，所述S22包括：
[0014]S221：对所述增长型环形SOM神经网络的参数进行初始化；
[0015]S222：将所述S21中获得的节点通信损耗矩阵S的特征向量输入至所述增长型环形SOM神经网络的输入层，分别计算竞争层每个神经元的权值向量以及输入特征向量的欧式距离；
[0016]S223：根据所述欧式距离选择获胜神经元并对获胜神经元及其左右邻域神经元的权值向量进行更新；
[0017]S224：继续输入节点通信损耗矩阵S的其余特征向量，重复步骤S222
‑ꢀ
S223完成一次迭代；
[0018]S225：迭代预定次数之后，在所述竞争层中增加新神经元并获得新神经元的权值向量；
[0019]S226：新神经元增加完成后，转至步骤S222开始下一次迭代，直至迭代次数到达最大迭代次数T
max
时结束迭代，获得经训练的增长型环形SOM神经网络。
[0020]在本专利技术的一个实施例中，所述S221包括：
[0021]设置增长型环形SOM神经网络的初始竞争层中神经元数量N(0)，对神经元随机赋予权值向量；
[0022]设置第一迭代次数T
int
、每个神经元的初始获胜次数C[]、学习率η以及最大迭代次数T
max
，其中，所述第一迭代次数T
int
表示每迭代T
int
次，在竞争层增加一个新神经元。
[0023]在本专利技术的一个实施例中，所述S223包括：
[0024]选择竞争层中欧式距离最小值对应的神经元y作为当前输入特征向量对应节点的获胜神经元，对获胜神经元及其左右邻域的两个神经元y+1和 y
‑
1进行权值向量更新：
[0025]W
y
＝W
y
+η(S
i
‑
W
y
)
[0026]W
y+1
＝W
y+1
+η(S
i
‑
W
y+1
)
[0027]W
y
‑1＝W
y
‑1+η(S
i
‑
W
y
‑1)
[0028]其中，η表示学习率，更新结束后，将获胜神经元y的获胜次数C(y)加1。
[0029]在本专利技术的一个实施例中，所述S225包括：
[0030]每迭代T
int
次后，在竞争层增加一个新神经元r，将新神经元r增加到获胜次数最多的神经元I与其相距较远的相邻神经元f之间，且新神经元r的权值向量为获胜次数最多的神经元I与其相距较远的相邻神经元f权值向量的均值，同时将获胜次数最多的神经元I的获胜次数减半给新神经元r：
[0031]W
r
＝0.5(W
f
+W
I
)
[0032]C(I)＝C(r)＝0.5C(I)。
[0033]在本专利技术的一个实施例中，所述S3包括：
[0034]S31：将所述矩阵S的N个行向量输入所述经训练的增长型环形SOM神经网络，依据欧氏距离获得矩阵S每个行向量对应的获胜神经元索引号。
[0035]S32：将所述矩阵P的N个行向量输入所述经训练的增长型环形SOM神经网络，依据欧氏距离获得矩阵P每个行向量对应的获胜神经元索引号。
[0036]在本专利技术的一个实施例中，所述S4包括：
[0037]S41：将矩阵S每个行向量对应的获胜神经元索引号按照从小到大的顺序排列；
[0038]S42：将矩阵P每个行向量对应的获胜神经元索引号按照从小到大的顺序排列；
[0039]S43：分别将获胜神经元索引号从小到大对应的核图IP核映射到网络拓扑节点，得到最终的映射方案矩阵V。
[0040]本专利技术的另一方面提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中任一项所述基于SOM神经网络的片上光网络映射方法的步骤。
[0041]本专利技术的又一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存
储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述实施例中任一项所述基于SOM神经网络的片上光网络映射方法的步骤。
[0042]与现有技术相比，本专利技术的有益效果在于：
[0043]1、本专利技术基于增长型环形SOM神经网络的片上光网络映射方法，通过自适应方式在保证结果稳定的条件下降低了映射方法复杂度，减少了求解时间。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于增长型环形SOM神经网络的片上光网络映射方法，其特征在于，包括：S1：获取核图中的IP核连通关系矩阵和网络拓扑中的节点通信损耗矩阵；S2：利用所述节点通信损耗矩阵中的行向量对增长型环形SOM神经网络进行训练，获得经训练的增长型环形SOM神经网络；S3：利用所述经训练的增长型环形SOM神经网络分别获取节点通信损耗矩阵中每个行向量的获胜神经元索引号以及IP核连通关系矩阵中每个行向量的获胜神经元索引号；S4：根据IP核连通关系矩阵的获胜神经元索引号和节点通信损耗矩阵的获胜神经元索引号获得核图中IP核与网络拓扑节点之间的映射矩阵。2.根据权利要求1所述的基于增长型环形SOM神经网络的片上光网络映射方法，其特征在于，所述S2包括：S21：对所述节点通信损耗矩阵S进行抽象化转换，转化为网络拓扑中每个节点对应的特征向量；S22：将网络拓扑中每个节点对应的特征向量依次输入所述增长型环形SOM神经网络中以对所述增长型环形SOM神经网络进行训练。3.根据权利要求2所述的基于增长型环形SOM神经网络的片上光网络映射方法，其特征在于，所述S22包括：S221：对所述增长型环形SOM神经网络的参数进行初始化；S222：将所述S21中获得的节点通信损耗矩阵S的特征向量输入至所述增长型环形SOM神经网络的输入层，分别计算竞争层每个神经元的权值向量以及输入特征向量的欧式距离；S223：根据所述欧式距离选择获胜神经元并对获胜神经元及其左右邻域神经元的权值向量进行更新；S224：继续输入节点通信损耗矩阵S的其余特征向量，重复步骤S222
‑
S223完成一次迭代；S225：迭代预定次数之后，在所述竞争层中增加新神经元并获得新神经元的权值向量；S226：新神经元增加完成后，转至步骤S222开始下一次迭代，直至迭代次数到达最大迭代次数T
max
时结束迭代，获得经训练的增长型环形SOM神经网络。4.根据权利要求3所述的基于增长型环形SOM神经网络的片上光网络映射方法，其特征在于，所述S221包括：设置增长型环形SOM神经网络的初始竞争层中神经元数量N(0)，对神经元随机赋予权值向量；设置第一迭代次数T
int
、每个神经元的初始获胜次数C[]、学习率η以及最大迭代次数T
max
，其中，所述第一迭代次数T
int
表示每迭代T
int
次，在竞争层增加一个新神经元。5.根据权利要求3所述的基于增长型环形SOM神经网络的片上光网络映射方法，其特征在于，所述S223包括：选择竞争层中欧式距离最小值对应的神经元y作为当前输入特征向量对应节点的获胜神经元...
【专利技术属性】
技术研发人员：李慧，牛玉翔，顾华玺，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。