일정 적응이득과 이진 강화함수를 가진 경쟁학습 신경회로망의 디지탈 칩 개발과 응용에 관한 연구

국문 초록 (Abstract)

본 논문에서는 경쟁학습 신경회로망의 디지탈 칩 구현에서 뉴런의 집적도를 향상시키기 위해 하드웨어 구현이 용이한 새로운 신경회로망 모델로서 일정 적응이득과 이진 강화함수를 가진 여러 가지 경쟁학습 신경회로망 모델들을 제안하고, 그 중 안정성과 분류성능이 가장 우수한 일정 적응이득과 이진 강화함수를 지닌 자기조직화 형상지도(Self-Orgarrizing Feature Map)신경회로망의 FPGA위에서의 하드웨어 구현에 대해서 논한다. 원래의 SOFM 알고리즘에서 적응이득이 시간 종속형인데 반하여, 본 논문에서 하드웨어로 구현한 알고리즘에서는 적응이득이 일정인 값으로 고정되며 이로 인한 성능저하를 보상하기 위하여 이진 강화함수를 부가한다. 제안한 알고리즘은 복잡한 곱셈 연산을 필요로 하지 않으므로 하드웨어 구현이 용이하다는 특징이 있다. 1개의 덧셈/뺄셈기와 2개의 덧셈기로 구성된 단위 뉴런은 형태가 단순하면서 반복적이므로 하나의 FPGA 위에서도 다수의 뉴런을 구현 할 수 있으며 비교적 소수의 제어신호로서 이들을 모두 제어 가능할 수 있도록 설계하였다. 실험결과 각 구성부분은 모두 이상 없이 올바로 동작하였으며 각 부분이 모두 종합된 전체 시스템도 이상 없이 동작함을 알 수 있었다.

다국어 초록 (Multilingual Abstract)

In this paper, we present hardware implementation of self-organizing feature map(SOFM) neural network with constant adaptation gain and binary reinforcement function on FPGA Whereas a time-varying adaptation gain is used in the conventional SOFM, the proposed SOFM has a time-invariant adaptation gain and adds a binary reinforcement function in order to compensate for the lowered ability of SOFM due to the constant adaptation gain Since the proposed algorithm has no multiplication operation, it is much easier to implement than the original SOFM Since a unit neuron is composed of 1 adder/subtracter and 2 adders. its structure is simple, and thus the number of neurons fabricated on FPGA is expected to be large In addition, a few control signal are sufficient for controlling the neurons Experimental results show that each component of the implemented neural network operates correctly and the whole system also works well.

목차 (Table of Contents)

• 요약
• ABSTRACT
• 1. 서론
• 2. 일정 적응이득과 이진 강화함수를 가진 경쟁학습 신경회로망
• 4. 일정 적응이득과 이진 강화함수를 가진 자기조직화 형상지도 신경회로망의 하드웨어 구성
• 4. 실험결과
• 5. 결론
• 참고문헌