文献

J-GLOBAL ID：201502276390612820   整理番号：15A0700869

異なる適用のためのハードウェア/ソフトウェア・コデザインによる学習ベクトル量子化のVLSI実現

VLSI realization of leaning vector quantization with hardware/software co-design for different applications

著者 (5件)： AN Fengwei (Hiroshima Univ., Hiroshima, JPN) ,  AKAZAWA Toshinobu (Hiroshima Univ., Hiroshima, JPN) ,  YAMASAKI Shogo (Hiroshima Univ., Hiroshima, JPN) ,  CHEN Lei (Hiroshima Univ., Hiroshima, JPN) ,  MATTAUSCH Hans Juergen (Hiroshima Univ., Hiroshima, JPN)
資料名： Japanese Journal of Applied Physics  (Japanese Journal of Applied Physics)
巻： 54  号： 4S  ページ： 04DE05.1-04DE05.5  発行年： 2015年04月 
JST資料番号： G0520B  ISSN： 0021-4922  CODEN： JJAPB6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本稿は,異なる適用のための高い柔軟性のある学習ベクトル量子化(LVQ)のVLSI実現を報告した。それは,オンチップ学習と認知のために,ハードウェア/ソフトウェア(HW/SW)コデザイン概念に基づきそして,180nmのCMOSのSoCとして設計された。LVQアルゴリズムの競合層の時間がかかる最近隣ユークリッド距離検索は,平行したp-単語入力によるパイプラインとして,効率的に実現した。競合層のニューロン数,重量値,入力と出力数は,スケーラブルなので,多くの異なる適用の要求は,ハードウェアの変更なしで満たせる。d次元入力ベクトルの分類は,n×[d/ρ]+R クロックサイクルで完了する。ここでRはパイプライン深さ,そして,nは参照特徴ベクトル(FVs)の数である。学習の間の記憶した参照FVsの調整は,この動作がタイム・クリティカルでないので埋め込み32ビットRISC CPUで行う。FVsの次元のために,異なる数の人間の検出の適用によって高い柔軟性を確かめた。(翻訳著者抄録)

シソーラス用語： *超LSI ,  *学習 ,  量子化 ,  ベクトル ,  ハードウェア ,  ソフトウェア ,  設計 ,  距離
準シソーラス用語： VLSI

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (31件)：

• L. M. Reyneri, IEEE Trans. Neurol Networks 14, 176 (2003).
• R. Genov and G. Cauwenberghsi, IEEE Trans. Neurol Networks 14, 1426 (2003).
• D. Anguita, A. Bon, and S. A. Ridella, IEEE Trans. Neurol Networks 14, 993 (2003).
• D. Anguita, A. Boni, and S. Ridella, IEEE Trans. Neurol Networks 14, 993 (2006).
• J. Liu, M. A. Brooke, and K. Hirotsu, IEEE Trans. Neurol Networks 13, 1178 (2002).

タイトルに関連する用語 (5件)： ハードウェア ,  ソフトウェア ,  コデザイン ,  学習ベクトル量子化 ,  VLSI