径向基函数神经网络芯片ZISC78及其应用
径向基函数神经网络芯片ZISC78及其应用摘要：ZISC78是IBM公司和Sillicon公司联合生产的一种具有自学习功能的径向基函数神经网络芯片，文中主要介绍了ZICS78芯片的功能、原理，给出了ZISC78神经网络芯片在舰载武器系统中进行船舶运动实时预报的应用方法。
关键词：ZISC78；径向基函数神经网络（RBFNN）；实时；预报
１ 引言
神经网络是近年来得到广泛关注的一种非线性建模预报技术。它具有自组织、自学习、自适应和非线性处理、并行处理、信息分布存储、容错能力强等特性，对传统方法效果欠佳的预报领域有很强的吸引力。基于神经网络的非线性信息处理方法已应用于军事信息处理及现代武器装备系统的各个方面，并有可能成为未来集成智能化的军事电子信息处理系统的支撑技术。该技术在一些先进国家已部分形成了现实的战斗力。
船舶在波浪中航行，会受到风、浪和流的影响，因而将不可避免地发生摇荡运动。严重的摇荡会使船员工作效率下降、物品损坏、军舰的战斗力下降。如果能够预知未来一段时间船舶的运动情况，不仅有利于尽早采用先进控制算法控制舰载武器平台隔离船舶运动的影响，使其始终稳定瞄准目标，而且还可获得未来一个海浪周期内的船舶运动情况，以研究船载武器上层的控制策略，从而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶运动的短期预报。此外，如能有效准确地预报船舶的横摇运动，对于提高船舶的耐波性和适航性也有重要意义。
国内外学者也将神经网络用于船舶运动预报研究，但往往没有考虑实时性等实现问题，因而不能实用化。神经网络实现技术是神经网络研究的一个重要方面。神经网络实现可分为全硬件实现和软件实现两种。目前神经网络的实现还主要以软件模拟为主，由于现行的冯诺曼计算机体系结构不能实现并行计算，因而神经网络软件的实时应用还受到一定限制。
目前，一些著名集成电路制造公司如Ｉｎｔｅｌ、Ｍｏ-ｔｏｒｏｌａ、松下、日立、富士通等均已推出自己的模拟或数字神经网络芯片，这些芯片无论在网络规模还是运行速度上都已接近实用化的程度，因而给神经网络应用的发展以极大的推动。由于舰载武器系统，需选用具有在片学习功能的神经网络芯片，即将网络训练所需的反馈电路及权值存储、计算和修正电路都集成在了一个芯片，因而可实现全硬件的、具有自学习能力的神经网络系统，也可以说，这是一种具有自适应能力的神经网络。
２ ＺＩＳＣ７８的功能及工作原理
ＺＩＳＣ７８是由ＩＢＭ公司和Ｓｉｌｌｉｃｏｎ联合研制的一种低成本、在线学习、３３ＭＨｚ主频、ＣＭＯＳ型１００脚ＬＱＦＰ封装的ＶＬＳＩ芯片，图１所示是ＺＩＳＣ７８的引脚排列图。ＺＩＳＣ７８的特点如下：
●内含７８个神经元；
●采用并行结构，运行速度与神经元数量无关；
●支持ＲＢＦ／ＫＮＮ算法；
●内部可分为若干独立子网络；
●采用菊花链连接，扩展不受限制；
●具有６４字节宽度向量；
●Ｌ１或ＬＳＵＰ范数可用于距离计算；
●具有同步／异步工作模式。
２．１ ＺＩＳＣ７８神经元结构
ＺＩＳＣ７８采用的神经元结构如图２所示，该神经元有以下几种状态：
(１)休眠状态：神经网络初始化时，通常处于这种状态。
(２)准备学习状态：任何时侯，神经网络中的神经元都处于这种状态。
(３)委托状态：一个包含有原型和类型的神经元处于委托状态。
(４)激活状态：一个处于委托状态的神经元，通过评估，其输入矢量处于其影响域时，神经元就被激活而处于激活状态。
(５)退化状态：当一个神经元的原型处于其它神经元类型空间内，而大部分被其他神经元类型空间重叠时，这个神经元被宣布处于退化状态。
２．２ ＺＩＳＣ７８神经网络结构
从图３所示的ＺＩＳＣ７８神经网络结构可以看出，所有神经元均通过“片内通信总线”进行通信，以实现网络内所有神经元的“真正” 并行操作。“片内通信总线”允许若干个ＺＩＳＣ７８芯片进行连接以扩大神经网络的规模，而这种操作不影响网络性能。
ＺＩＳＣ７８片内有６ ｂｉｔ地址总线和１６ ｂｉｔ数据总线，其中数据总线用于传输矢量数据、矢量类型、距离值和其它数据。
２．３ ＺＩＳＣ７８的寄存器组
ＺＩＳＣ７８使用两种寄存器：全局寄存器和神经元寄存器。全局寄存器用于存储与所有神经元有关的信息，每片仅有一组全局寄存器。全局寄存器组中的信息可被传送到所有处于准备学习状态和委托状态的神经元。神经元寄存器用于存储所属神经元的信息，该信息在训练学习操作中写入，在识别操作中读出。
２．４ ＺＩＳＣ７８的操作
ＺＩＳＣ７８的操作包括初始化、矢量数据传播、识别和分类等三部分。
初始化包括复位过程和清除过程。
矢量数据传播包括矢量数据输入过程和神经元距离计算过程。神经元距离就是输入矢量和神经元中存储的原型之间的范数。通常可选Ｌ１范数或Ｌｓｕｐ范数：
其中，Ｘｉ为输入矢量数据，Ｘｓ为存贮的原型数据。
对于识别和分类，ＺＩＳＣ７８提供有两种可选择的学习算法ＲＢＦ和ＫＮＮ。其中ＲＢＦ是典型的径向基函数神经网络。在该ＲＢＦ模式下，可输出识别、不确定或不认识的状态；ＫＮＮ模式是ＲＢＦ模式的限制形式，即在ＫＮＮ模式下，新原型的影响域总被设为１，输出的是输入向量和存储原型之间的距离。需要指出的是，ＺＩＳＣ７８具有自动增加或减小神经元个数以适应输入信号的分类和识别功能，神经元个数的最大值和最小值在全局寄存器组中设定。
２．５ ＺＩＳＣ７８的组网
一个ＺＩＳＣ７８芯片内可以通过寄存器操作定义若干个独立的网络。若干个ＺＩＳＣ７８芯片通过层叠可以组成一个更大的神经网络，组网芯片数量没有限制，小于１０个ＺＩＳＣ７８组网时，甚至连电源中继器件也不需要。所以，ＺＩＳＣ７８具有最大的灵活性，能够满足不同的需要。
３ 仿真实例
为了验证ＺＩＳＣ７８用于船舶运动实时预报的精度，本文对径向基函数神经网络预报进行了仿真，图４给出了基于径向基函数神经网络和船舶运动惯导实测信号预报的０．３秒（１５步）误差曲线图。
通过以惯导实测数据ＺＨＸ＿ｌｇ．ｄａｔ为例预报０．３秒（１５步）以后的船舶运动，作者运用相空间重构理论已经判断出本数据为非线性信号。
该仿真的最大预报误差方差为６．４６６６ｅ－００４，该数据可以满足战技指标。
４ 结束语
本文根据船载武器系统的整体要求，结合船舶运动的特点研究了基于径向基函数神经网络芯片ＺＩＳＣ７８在船舶运动实时预报方面的应用情况。仿真表明：这种方案预报精度高，且可进行较长期预报，能够满足船摇实时建模预报的要求，因而具有较高的实用价值。 谢谢分享！:D
页:
[1]