[發明專利]基于徑向基函數的控制裝置

在審

• 申請號: 201811473012.0
• 申請日: 2018-12-04
• 公開（公告）號: CN109919309A
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 戴昕;樸俊榮;崔升戴;申東周;洪成軍
• 申請（專利權）人: 西安新金花智能科技有限公司
• 主分類號: G06N3/063
• 分類號: G06N3/063;G06K9/00
• 代理公司: 西安毅聯專利代理有限公司 61225
• 代理人: 師瑋

本發明提供了基于徑向基函數的控制裝置，包括：預處理模塊，所述預處理模塊將輸入的鐘形函數轉換為發散函數，并送至電流電壓參數至徑向基函數模塊；徑向基函數模塊，所述徑向基函數模塊結合獲取預處理模塊的電流電壓參數后，施加差動電壓以改變徑向基函數的形態或調整參考電流源的電源來調節徑向基函數的高度；以及徑向基函數神經網絡分流器，所述徑向基函數神經網絡分流器用于接收徑向基函數模塊調整之后的徑向基函數，并控制分流器工作在模擬/數碼混合模式，本發明能夠實現低面積，低功率徑向基函數神經網的設計，并且還可以做廣范圍的徑向基函數神經網的操作，達到使用低面積，低功率的技術效果。

技術領域

本發明涉及數據處理領域，尤其涉及基于徑向基函數的控制裝置。

背景技術

目前，徑向基函數在多個領域中被使用，特別是作為分類器(classifier)，由于準確度高和學習速度快，這在最常用的徑向基函數神經網分類器里是必不可少的。該分類器的硬件具體由模擬，數碼，模擬/數碼混合模式三種組成。

模擬實現法作為神經網絡的核心很難給予學習強度上的改變。由于學習只能離線學習，所以沒有接受新的物體并分類學習的功能而且操作速度緩慢。相反能夠獲得面積和功率低消耗的設計。

數碼實現法雖然速度快而且可以進行在線學習，但卻有消耗大面積高功率的缺點。

模擬/數碼混合模式實現法旨在為了獲得上述兩個實現法的全部優點，使得神經網絡的前饋網絡(feedforward)作為模擬，且為了用于學習的反饋網絡(feedback)用數碼實現的方法。通過這樣的方法雖然可以克服上述的缺點，但是為了混合模式，調節匹配數碼模塊和模擬模塊間的運轉速度差異就是關鍵。另外，為了最大限度的發揮上述的優點，需要低功率低面積的電路，并且為了實現高性能必須要擁有徑向基函數的控制能力，但是現有的電路不能給予這樣的支持。

現有的徑向基函數神經網分類器硬件為了減少功率的消耗而使用少量的電流。然而隨著元件的尺寸變小并在各種app上被應用，它受到類似供給電源的變動或者溫度波動這樣的周邊環境變化極大。這是致命的，因為會引起徑向基函數形態變化，導致性能下降。

有鑒于此，針對現有技術的不足之處，提出基于徑向基函數的控制裝置來解決上述問題。

發明內容

本發明的目的在于提供基于徑向基函數的控制裝置，包括發散函數的預處理模塊，徑向基函數模塊以及徑向基函數神經網絡分流器，使得本發明可以不受供給電源和外部因素引起的少量電壓和電流變化的影響，能夠實現低面積，低功率徑向基函數神經網的設計，并且還可以做廣范圍的徑向基函數神經網的操作，達到使用低面積，低功率的技術效果。

本發明采用的技術是：

基于徑向基函數的控制裝置，包括

預處理模塊，所述預處理模塊將輸入的鐘形函數轉換為發散函數，并送至電流電壓參數至徑向基函數模塊；

徑向基函數模塊，所述徑向基函數模塊結合獲取預處理模塊的電流電壓參數后，施加差動電壓以改變徑向基函數的形態或調整參考電流源的電源來調節徑向基函數的高度；

以及徑向基函數神經網絡分流器，所述徑向基函數神經網絡分流器用于接收徑向基函數模塊調整之后的徑向基函數，并控制分流器工作在模擬/數碼混合模式。

在本發明的一個優選實施例中，所述預處理模塊包括多路復用器，與所述多路復用器的輸出端連接的電平移位器和比值器。

在本發明的一個優選實施例中，所述多路復用器用于接受輸入的電壓，并將輸出的電壓一路送至徑向基函數模塊，一路通過比值器通過送至電平移位器，再一路直接送至電平移位器。

在本發明的一個優選實施例中，所述徑向基函數模塊還包括若干組MOS開關和多路復用器，通過MOS開關改變多路復用器，進而調整徑向基函數的傾斜度。