参考数据优化学习方法及模式识别系统技术方案

本发明专利技术旨在能够对要添加的新参考数据有效地进行学习的模式识别系统。在所述模式识别系统中，计算与模式搜索目标的输入数据与多个参考数据之间的相似性等同的距离，并基于与作为已识别的优胜者的参考数据集合相对应的固定次数的输入数据，计算其重心以优化参考数据。此外，改变阈值以扩大／缩小识别区域，从而防止错误识别并提高识别率。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及用于为将要识别的模式匹配过程添加参考数据的参考数据优化学习方法，以及采用该方法识别/学习参考数据的模式识别系统。
技术介绍
在模式识别系统中，模式匹配过程是识别过程的重要因素。根据常规系统，基于处理器实现的模型是最普遍的。该模型采用的方法是依次地将输入模式的数据与存储器中的多个参考数据进行比较以检测表示最相似模式的数据。然而，该模型的方法存在一个问题，即，依次比较必然需要大量处理时间，并且用于处理的时间的增加与比较数据的数目的增加成比例。就参考数据而言，由于依次比较，在比较顺序的改变上或者新参考数据的注册上没有学习的概念，使得不可能通过学习来获得处理时间降低的效果。模式识别和学习是构建人工智能系统所必需的功能，该人工智能系统具有与人脑功能相类似的能力。因此，从技术上讲，在集成电路中实现这些功能是非常重要的。迄今所提出的实现模式识别和学习功能的大多数方法都采用神经网络。在以下的文献1中描述了一个示例。Yoshihito Amamiya，“Neural Network LSI”，Institute ofElectronics，Information and Communication Engineers，1995。然而，采用神经网络的方法存在一个问题，即，每个神经元的阈值和每个网络的负荷必须更新，这必然需要大量的处理时间。由于没有可行的方法来有效地在网络中存储模式，因此模式的信息必须包含在网络结构自身中。此外，为了在完成网络学习之后再进行学习以识别新的模式，就必须对整个网络进行重新学习，并且通过学习同时执行识别过程难以更新网络负荷。目前，在使用采用神经网络的硬件实现方法上的进展没有最初设想的那么快，并且现在难于在集成度和功耗方面实现LSI。在这些情况下，就需要采用新的硬件的更好的实现方法，所述新硬件能够通过结合存储器元件来有效地存储模式。考虑到以上所述，最近已经提出了基于完全并行架构的小面积/高速度的相联存储器的开发。在以下的文献2到8中详细描述了示例。H.J.Mattausch，N.Omori，s.Fukae，T.Koide和T.Gyoten，“Fully-parallel pattern-matching engine with dynamicadaptability to Haming or Manhattan distance”，2002 Symposium onVLSI Circcuit Dig.OfTech.Papers，pp.252-255，2002。T.Koide，Y.Yano，H.J.Mattausch，“An associativememory for real-time applications requiring fully parallel nearestManhattan-distance-search”，Proc.Of the Workshop on Synthesis AndSystem Integration of Mixed Technologies，pp.200-205，2003。H.J.Mattausch，T.Gyohten，Y.Soda，T.Koide，“Compactassociative-memory architecture with fully-parallel search capability forthe minimum Hamming distance”，IEEE Journal of Solid-StateCircuits，Vol.37，pp.218-227，2002。Y.Yano，T.Koide，H.J.Mattausch，“Fully parallel nearestManhattan-distance search memory with large reference-patternnumber”，Extend.Abst.Of the International Conf.On Solid-StateDevices and Materials，pp.254-255，2002日本专利申请特许公开No.2001-011760日本专利申请特许公开No.2002-159436日本专利申请特许公开No.2002-165759相联存储器具有最小距离搜索功能，该功能是实现识别功能的重要元素，并且相联存储器能够通过基于数字比较运算和模拟最小值运算将搜索数据与每个参考数据进行比较，从而在所有的数据之间进行并行比较。因此，由于相联存储器能够实现高速模式匹配过程，所以相联存储器引人关注。然而，即使是在基于相联存储器的模式识别系统的情况中，仍然需要确立能够有效学习以识别新参考数据的特定方法，并且添加或者替换参考数据的过程需要大量时间。
技术实现思路
如上所述，在人工智能系统中，执行与输入环境中的变化对应的模式识别的功能是必需的，并且通过学习执行广范围的识别也是重要的。根据常规系统，采用基于处理器或者神经网络的方法进行学习。为了实现学习，在基于处理器的系统中，必须采用一种方法或者其他方法更新参考数据，并且在基于神经网络的系统中，整个网络的每个网络负荷都必须更新。因此，在共同执行模式识别和学习的情况中，上述常规系统存在一个问题，即，在功耗和电路尺寸方面难以集成。基于用于实现高速匹配过程的相联存储器的模式识别系统已经提出。然而，仍然需要建立特别的方法来执行有效学习以识别将要添加的新参考数据，对于参考数据的识别/学习过程而言，大量的时间是必需的。本专利技术的一个目的是提供一种参考数据优化学习方法，其能够在相对短的时间内，实现对模式匹配过程所必需的新参考数据的识别的自动学习，并且提供了模式识别系统，其通过使用所述方法能够缩短模式识别所必需的时间。本专利技术的参考数据优化学习方法具有以下特征(1)提供了一种参考数据优化学习方法，其执行对与模式搜索目标的输入数据和多个参考数据之间的相似性等同的距离的计算，并且所述方法用于模式识别，以选择在由阈值判定的识别区域中存在的具有最小距离的参考数据作为识别数据，并且所述方法通过学习所述识别数据来优化用于所述模式识别的所述参考数据。所述方法的特征在于其包括对与要被选择作为所述识别数据的所述参考数据相对应的输入数据进行固定次数的读取；获得所述输入数据和所述参考数据之间的距离分布的重心点；以及优化所述参考数据的位置，以将其置于所述重心点上。(2)在段落(1)中所描述的方法中，在对所述参考数据的位置进行优化时，限制移动以防止在所述参考数据的识别区域与相邻参考数据的识别区域之间出现重叠。(3)在段落(1)中所描述的方法中，在对所述参考数据进行优化时，通过改变阈值来扩大/缩小识别区域，以防止在相互邻接的参考数据中设定的识别区域之间出现重叠。(4)所述参考数据优化学习方法可以执行对与模式搜索目标的输入数据和多个参考数据之间的相似性等同的距离的运算，并且所述方法可以用于模式识别，所述模式识别选择在由阈值判定的识别区域中存在的具有最小距离的参考数据作为识别数据，并且所述方法通过学习所述识别数据来优化用于所述模式识别的所述参考数据。所述方法可以包括对在识别区域内部和外部存在的输入数据的数量进行计数；以及确定所述识别区域内部和外部的输入数据本文档来自技高网...

【技术保护点】
一种参考数据优化学习方法，其执行对与模式搜索目标的输入数据与多个参考数据之间的相似性等同的距离的计算，并且所述方法用于模式识别，以选择在由阈值所决定的识别区域中存在的具有最小距离的参考数据作为识别数据，并且所述方法通过学习所述识别数据来优化用于所述模式识别的所述参考数据，所述方法的特征在于包括：对与要被选择作为所述识别数据的所述参考数据相对应的输入数据进行固定次数的读取的步骤；获得所述输入数据和所述参考数据之间的距离分布的重心点的步骤；以及优化所述参考 数据的位置，以将其置于所述重心点上的步骤。

【技术特征摘要】
【国外来华专利技术】...

【专利技术属性】
技术研发人员：汉斯于尔根马陶施，小出哲士，白川佳则，
申请(专利权)人：广岛大学，
类型：发明
国别省市：JP[日本]