抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,学習ベクトル量子化(LVQ)人工ニューラルネットワーク(ANN)の実現のための最適化方法論を提示した。高レベルアルゴリズム仕様から出発して,LVQ(学習ベクトル量子化)専用アーキテクチャの設計方法論を示唆した。著者らの手法は,異なるトポロジーのための著者らのANNの性能を最適化するために部分的に並列アーキテクチャの生成に基づいている。この論文では,著者らは,最小距離,重みとラベルを計算するための原因となる,応用の監督者部分の並列性を用いた応用遅延と電力消費の問題を解いた。本研究では,部分動的再構成(PDR)を統合するユーザが異なる構造の使用を容易にする。後者はそれらの必要性に適合するアーキテクチャと性能を実現できる。,提案アプローチでは,可変トポロジーのためのLVQ(学習ベクトル量子化)の逐次アーキテクチャに関する並列アーキテクチャの潜時を減少させた。この手法を検証するため,最適化されたLVQ(学習ベクトル量子化)実装をZynqデバイスに試みた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】