200529095 九、發明說明: 【發明戶斤屬之技術領域j 發明領域 本發明有關一種使得有關一將輸入搜尋資料與數個參 5考資料比較來選出並輸出最相似參考資料的結合式記憶體 的參考資料辨識學習之參考資料辨識學習方法。另外,本 發明有關一種用以實現利用上述方法之參考資料辨識學習 的圖型辨識系統。 10 發明背景 在一圖型辨識系統中,圖型相配是在一辨識處理中的 一重大要素。一種利用處理器作為一基礎所實現的模型是 最常見於一傳統系統,該模型用連續將輸入圖型資料與數 個儲存於記憶體之參考資料比較以偵測最相似的參考資料 15 之方法。然而,該模型所用之方法具有以下問題。連續比 較係需要的;由於此原因,需要許多處理時間。此外,該 處理時間與比較資料之數量增加成比例地增加。該參考資 料被連續比較;由於此原因,無任何學習概念存在於比較 順序之更換與新參考資料的登錄。因此,並未獲得藉由學 20 習來縮短該處理時間的效果。 圖型辨識與學習是增進一具有相同於人腦能力的人工 智慧系統所必需之功能。由於此原因,利用積體電路來實 現上述功能技術上是非常重要的。神經網路被用於目前爲 了實現圖型辨識與學習功能所提出之方法中最多(例如,見 200529095 , 文件1)。然而,根據利用神經網路的方法,無任何有效儲 存圖型的更好方法。由於此原因,圖型資訊必須被獲得於 該網路結構。爲了使該網路學習在已完成網路學習之後做 到新圖型辨識,重新學習最近被要求於整個網路。於是, 5學習同時做_識處理是困難的。最近,藉由利用神經網 路之硬體來實現辨識功能之方法開發係晚於起出所預期 的。由於這些原因,在實現神經之整合與功率消散之觀點, 一神經網路LSI是困難的。由於此原因,想要提供一種藉由 有效結合記憶體tl件之傑出且新的硬體來實現辨識功能之 10 方法。 考慮到上述環境,一具有完全平行結構之簡潔與高速 的結合式記憶體之研究與開發(例如,文件2至7)近來已完 成,所提出的是,利用上述結合式記憶體來圖型相配。該 結合式記憶體具有最小距離搜尋功能,其是實現辨識功能 15的一重要要素。該結合式記憶體利用類比數位合成及完全 平行處理能做到在搜尋資料與每一參考資料之間的比較。 於疋,遠結合式§己憶體具有吸引的特殊興趣,因為實現高 速圖型相配被期望。 然而,在利用上述結合式記憶體作為基礎之圖型辨識 20系統中,未建立一辨識新參考資料的有效學習方法。由於 此原因,相當多的時間被花費在增加或取代參考資料。 參考資料: [文件 1] Iwata 及 Y· Amemiya, u Neural network LSI ’ Denshi Joho Tsmishin Gakkai,1995。 200529095 [文件 2] Η· J. Mattausch 等,“Compact associative-memory architecture with fully-parallel search capability for the minimum Hamming distance” ,IEEE Journal of Solid-State Circuits,vol. 37 o 5 [文件 3] H. J· Mattausch 等,“Fully-parallel pattern-matching engine with dynamic adaptability to Hamming or Manhattan distance” ,2002 Symposiums on VLSI circuit Dig of Tech. Papers,ρρ·252-255,2002。 [文件 4] H. J· Mattausch 等,“ An architecture for 10 compact Associative Memories with Deca-ns Nearest-Match Capability up to Large Distance” ,ISSCC Dig of Tech· Papers,pp.170-171,2001。 [文件5]曰本專利申請案第2002-008783號(曰本專利 申請案KOAKI公開第2002-288985號)。 15 [文件6]曰本專利申請案第2002-159436號(曰本專利 申請案KOAKI公開第2004-005825號)。 [文件7]日本專利申請案第2002-165769號(曰本專利 申請案KOAKI公開第2004-013054號)。 【名务明内】 20 發明概要 如以上所述,辨識新近增加的夢考資料之學習方法不 被建立於利用該結合式記憶體來完成高速相配的傳統圖型 辨識系統。由於此原因,相當多的時間係花在學習參考資 料辨識。 200529095 本發明的目的係提供—括4 種荃考資料辨識學習方 能自動學習新參考資料辨 - 而在一相對紐時間圖型相 配。本發明的另一目的係裎 竹如供一種圖型辨識系統其能 利用上述方法之圖型辨識所花費的時間。 — 旦 根據本發明的一觀點,想 徒供有_種有關一將輪 資料與數個參考資料比較來、竖山 别入技+ 罕乂來選出並輪出最相似參考 結合式記憶體之實現參考可貝討的 學習方法,包含步驟有: 貝寸+辨識 10 15 排序給予步驟,係將―對應_優先獅序給予儲 於該結合式記憶體的數個參考資料· · 一選擇步驟,係每次當該搜尋資料被輸人則貞測—相 似度時將該搜尋資料與料數個參考資料比較並選擇— 具有最南相似度的參考資料; 一識別決定步驟,係蚊賴尋f料與由該選擇步驟 所選出的蒼考資料從它們的相似度來看是否彼此—致;及 一排序控制步驟,係當在該識別決定步驟中決定出二 者貧料一致時,將該對應的參考資料的排提升一預定數同 時放回其它參考資料的排序、並#在該朗歧步驟中決 定出二者資料不一致時,將該搜尋資料登錄到該參考資料 的一預定排序同時放回等於或低於該排序之其它參考資料 的排序。 ^ 根據本發明的另—觀點,提供有一種用以自數個參考 資料選出一最相似於一輪入圖型之搜尋資料的參考資料以 辨識該輸入圖型的圖型辨識系統,包含有: 20 200529095 一結合式記憶體包含:至少參考資料記憶體裝置用以 儲存辨識該輸入圖型之搜尋資料的數個參考資料;最小距 離搜尋裝置用以自該等數個參考資料中搜尋一具有有關該 搜哥貧料之最小距離的蒼考貢料,及一識別決定裝置用以 5 根據該最小距離是否多於一臨界值的結果來決定該搜尋資 料與具有該表小距離之蒼考貢料的識別, 排序控制裝置,用以管理儲存於該結合式記憶體的數 個參考資料以給予一對應每個參考資料之優先權排序;及 學習控制裝置,用以控制該排序控制裝置以至於當識 10 別決定步驟決定出該搜尋資料與該參考資料一致時,該排 序控制裝置提升該參考資料的排序同時放回其它參考資料 的排序、並控制該結合式記憶體與該排序控制裝置以至於 該結合式記憶體儲存該對應的搜尋資料作為新參考資料且 以至於當判斷出該搜尋資料與該參考資料不一致時,該排 15 序控制裝置將該新參考資料之排序設定到一初始值同時放 回等於或少於目前排序之其它參考資料的排序。 本發明之附加目的與優點將被提出於以下之說明、並 在某種程度上將顯而易見於說明、或可藉由本發明之實施 來學習。本發明之目的與優點可利用在下所特別指出的手 20 段與結合來實現並獲得。 圖式簡單說明 該等附圖,其係包含在並構成說明書的一部分,說明 本發明之實施例、並連同以上所給予之一般說明以及以下 所給予之該等實施例的詳細說明,可以解釋本發明的原理。 200529095 第1圖是一方塊圖顯示如同應用有一根據本發明之方 法以結合式記憶體為主之圖型辨識系統的一個範例所給予 的影像辨識系統之結構; 第2圖是一概念圖顯示根據本發明中短項記憶體與長 5 項記憶體的實現一學習功能之狀態; 第3A、3B及3C圖係說明當應用一最小距離搜尋結合式 記憶體到本發明的一辨識系統時的辨識學習之輪廓圖型辨 識; 第4圖是一流程圖說明根據本發明的一辨識學習演算 10 法1之程序; 第5圖是一圖說明第4圖所示之辨識學習演算法1的短 項記憶體與長項記憶體; 第6A、6B及6C圖係顯示根據第4圖所示之辨識學習演 算法1的排序狀態圖; 15 第7圖是一流程圖說明根據本發明的一辨識學習演算 法2之程序; 第8A、8B、8C及8D圖係顯示根據第7圖所示之辨識學 習演算法2的排序狀態圖; 第9圖是一流程圖說明根據本發明的一辨識學習演算 20 法3之程序; 第10A及10B圖係顯示根據第9圖所示之辨識學習演算 法3的排序狀態圖; 第11圖型辨識是一圖型辨識顯示用以證實該等辨識學 習演算法1至3之功效的模擬估算; 10 200529095 第12A、12B及12C圖係顯示以上模擬結果,即學習圖 型的數量與分別在學習演算法1至3的學習速度之間的關係 圖; 第13圖是一方塊圖概要顯示根據本發明用以實現以結 5 合式記憶體為主的辨識學習演算法之結構規劃; 第14A及14B圖是方塊圖顯示用以實現第13圖所示之 排序電路之結構的硬體規劃; 第15圖是一方塊圖顯示一準備作為一樣品之測試晶片 的詳細結構, 10 第16圖是一圖顯示一僅包含第15圖所示之自動學習控 制電路與排序電路的測試晶片; 第17圖是一圖顯示内建有第15圖所示之所有電路的一 測試晶片之佈局;及 第18圖是一顯示該測試晶片的不同特徵之表。 15 方包方式】 較佳實施例之詳細說明 本發明有關一種參考資料辨識學習方法以及一種根據 上述方法之圖型辨識系統。根據上述方法與系統,一結合 式記憶體被用來搜尋(取回)具有賦予至數個參考資料的每 20 一個之取回資料的最小距離。該結合式記憶體比較有關該 最小距離資料(“勝利者”)之搜尋資料的相似度。之後,該 結合式記憶體決定該搜尋資料是否被視為是一致的。若決 定出該搜尋資料是不同的,則該搜尋資料被辨識並學習為 新參考資料(資料覆寫係有關已存在的參考資料來實行)。另 200529095 一方面,若該參考資料被辨識為一致,則該參考資料完全 不會是搜尋資料學習中的覆寫目標、並然後被儲存達一段 較長期間。如同自上述解釋所了解,該結合式記憶體具有 自動學習新搜尋資料與經常使用的參考資料之功能。 5 所謂“管理的”學習神經網路外部上具有有關學習速 度的獨特問題。然而,根據以結合式記憶體爲主之方法, 要被學習之資料只被寫入記憶體中。換言之,即使人不教 示有關輸入之正確輸出,不像“非管理的學習”,自動學 習經常給予之資料是有可能的。於是,上述“非管理的學 10 習”是可能的。新資料被學習同時任何資料必須自已儲存 的資料刪除。然而,充分學習之資料被優先儲存不會被刪 除(取消)達一長時間。於是,本發明用一種模仿人類記憶體 模型諸如長項記憶體與短項記憶體之演算法。 完成本發明的最好模式係將參考以下該等附圖來說明 15 在下。 第1圖是一方塊圖顯示如同應用有一根據本發明之方 法以結合式記憶體為主之圖型辨識系統的一個範例所給予 的影像辨識系統之結構。 在該影像辨識系統中,一影像輸入部分11捕獲一影 20 像、並且一校正處理部份12除去雜訊成分。之後,一特徵 擷取部分13擷取該輸入影像之特徵圖型,一搜尋部分14從 先前登錄於一資料庫15之數個參考圖型(參考資料)搜尋對 於該特徵圖型(輸入資料)罪相似的圖型。若對應的參考圖型 被搜尋,則一辨識部分16辨識出該輸入影像是一具有參考 12 200529095 圖型之已知影像、並將該結果送至一輸出部分17諸如一顯 示器裝置。 在該上述系統中,搜尋部分14、資料庫15及辨識部份 16係利用一結合式記憶體a來實現。該結合式記憶體a具有 5將資料寫入到給予之位址並讀取該位址資料的一般R A Μ功 能。除了該功能以外,該結合式記憶體Α具有從記憶體搜尋 對於該給予資料最相似的資料(具有最小距離)之功能。 在遠系統結構中,爲了提升辨識效率,用以搜尋之學 習演异法是必不可少的。特別是,該搜尋被完成;因此, 10若存在無任何相似參考圖型,則登錄一新參考資料、並學 習該先參考圖型之辨識是必要的。 由本發明所提出之辨識學習演算法以以下方法實現學 習。更明確地,不存在於該結合式記憶體之參考資料(樣板) 之資料被g時儲存於一短項記憶體區域而經常給予之資料 15被儲存於一長項記憶體區域。簡言之,該辨識學習演算法 係根據人腦的長項與短項記憶體的概念。第2圖 顯示根據短 項記憶體與長項記憶體來實現一學習功能之狀態。在第2圖 中,垂直軸(縱座標)顯示記憶體的等级、並且上側為一長項 。己隱體區域(用來儲存一長項資料)而下側為一短項記憶體 20區域(用於暫時記憶體)。當-新輸入資料被給予時,該輸入 資料被登錄至該短項記憶體區域的最重要排序。然後,該 新輸入貝料係藉由根據與搜尋資料之相配數量之學習效果 來五錄至忒長項記憶體區域。當該新資料被輸入且登錄 1最不重要的排序資料被ifS (被抛棄)。 13 200529095 當一最小距離搜尋結合式記憶體被應用至該辨識系統 時的辨識學習輪廓將參考第3A至第3C圖而在下說明。 第3 A圖顯示當無參考資料存在於記憶體時的辨識及 果、及第3B圖顯示當蒼考資料错由學習新近被登錄時的辨 5 識結果。 該最小距離搜尋結合式記憶體被應用至該辨識系統。 在此情況下,若無對應輸入(搜尋)資料之參考資料存在於記 憶體,則該結合式記憶體偵測具有該最小距離之資料作為 勝利者。例如,如第3A圖所示,“3”作為輸入資料被輸入 10 至該結合式記憶體,其儲存字元資料“A”、“B”、“C” 及“D”作為參考資料。在此情況下,僅簡單地從該最小距 離搜尋結果判斷,該輸入資料“3”被辨識為“B”。然而, “3”與“B”間之距離實際上具有遠關係;由於此原因, “3”與“B”應被看待為不同資料。 15 根據本發明,以下學習被完成。更明確地,該輸入資 料與該勝利者之間的距離(輸入資料_勝利者距離)被計算、 並且之後,該計算的距離係與一臨界值比較。若該距離小 於该g品界值,則被決定為相配。另一方面,若該距離多於 瀘臥界值,則被決定為不相配。優先權係給予儲存於該結 20合式記憶體的每一參考資料、並且被視為不相配之輸入資 料新近被儲存作為代替具有低優先 權之參考資料的參考資 料右4輸入貧料被視為相配,則該對應的參考資料辨識 ,優先權被提升。例如,如自第3B1K學習前)與第3C圖(學 白後)所了解,被視為不相配之輸入資料“3”新近被儲存 14 200529095 作為代替具有低優先權之參考資料“c”的參考資料。每當 該輸入資料“3”被視為相配時,該參考資料的優先權被提 升。以上所述之學習被完成,並因此,當該資料“3”接著 被輸入時,該輸入資料“3”被正確地識別為“3” 。 5 如之前所述,本發明之學習方法(在下,參考為學習演 算法)具有以下特徵。不存在於參考資料(等效於資料庫)之 資料被暫時儲存、並且經常給予之資料被學習。藉由如此 做法’等效於人腦之短項與長項記憶體之處理被實現。藉 由記憶體為主之結構的學習演算法使能夠在該神經網路貧 ίο 乏時一次寫入學習。 /充刀W練的神經網路做到有關僅新資料的一次
寫入學習疋困難的。因为* J〇.L A 口為’教師資料係賦予一用以記住先 前學習之資料的網路,祐 並且之後,有需要從開始做到在學 習上的重新校正。如以上 上所返,上述學習需要教師資料。 15 相反地’根據以記彳咅辦炎+ 、體為主之學習方法,若僅新資料被寫 ^記㈣’則學能的。於是,根據本發明之學習 “法;^有可此自動學習具有高頻率之資料而不需教師 資料。因此’許多聰明的應用是有可能的。此處,三種利 用該結合式記憶體之辨識學習演算法被提出。 2〇 (辨識學習演算法υ 第4圖疋說明根據本發明的—辨識學習演算 法1之程序。 —如W4®所見,在料⑷中,當資料被輸人時,在輸 入資料與每一參考資料夕η 貝7寸又間的一距離(例如,漢明距離、曼 15 200529095 =頓距離、歐基里得距離)被計算。具有該漢明距離之參考 資料被偵測為勝利者。 在程序⑼中,在輪入資料與勝利者之間的_距齡被 評估’並且之後,決定出該距_是否是少於或多於該臨界 5 值。 在程序⑷中,若輸入資料與勝利者之間的距離D少於 該臨界值,則被仙為勝利者之參考資料被視為與該輸入 資料相配。然後,顯示該參考資料優先權的排序被提升。 在此情況中,該排序的上位㈣出現為長項記« 1〇另-方面,該排序的下位置係出現為短項記憶體㈣。债 測為勝利者之參考資料排序的提升寬度在該短項記憶體中 為JS而在該長項記憶體中為JL( Js < ^。 在程序⑷中,若輸入資料與勝利者之間的距離d多於 該臨界值,則被偵測為勝利者之參考資料被視為是異於該 15輸入資料的資料。然後,該輸入資料被作為新參考資料被 寫入至該結合式記憶體。在此情況下,新近被學習作為參 考資料之輸入資料被儲存作為該短項記憶體之排序的最上 · 位置,該短項記憶體之其它參考資料的排序被降低。因此, 學4鈾孩最下位置的參考資料被删除(輸入資料被覆寫至 20 該結合式記憶體中的位址)。 該辨識學習演算法1之短項記憶體與長項記憶體將參 考第5圖在下說明。 第5圖顾示一給予儲存於該結合式記憶體之參考資料 排序的狀態。此處,該結合式記憶體具有參考資料最大記 16 200529095 憶體數字=64。在該結合式記憶體中,上排序1到4〇被館存 作為該長項記憶體的參考資料而下排序41到64被儲存作為 該短項記憶體之參考資料。 该短項記憶體意謂一遺忘每當新資料被學習時已儲存 5 之資料的暫時處理之記憶體。相反地,不像該短項記憶體, 該長項記憶體意謂著當新資料被學習時不會接收該影響, 記憶體係持續用於一相對長項。 第6 A圖與第6 B圖顯示上述辨識學習演算法1中該裎序 (c)的情形。更明確地,第5圖中所排列的參考資料被儲存於 10 5亥結合式s己憶體’並且精由該結合式記憶體之最小距離搜 尋被完成。因此,在輸入(搜尋)資料與勝利者之間的距離D 係少於該臨界值。第6C圖顯示上述辨識學習演算法1中該程 序(d)的情形。更明確地,第5圖中所排列的參考資料被儲存 於該結合式記憶體,並且藉由該結合式記憶體之最小距離 15 搜尋被完成。因此,在輸入(搜尋)資料與勝利者之間的距離 D係多於該臨界值。 如第6A圖所描述,當參考資料39是勝利者時,該排序 39屬於該長項記憶體。該勝利者(參考資料39)之排序被提升 Jl (Jl == 5);因此’它被設為排序34。在此情況中,排列等 2〇 於或低於該舊排序34的參考資料被連續地放回。因此,參 考資料是排序34到39被改變。 如第6B圖所描述,當參考資料63是勝利者時,該排序 63屬於該短項記憶體。該勝利者(參考資料63)之排序被提升 Js (Js= 3);因此,它被設為排序60。在此情況中,排列等 17 200529095 於或低於該舊排序60的參考資料被連續地放回。因此,參 考資料是排序60到63被改變。 如第6C圖所見,當輸入資料與勝利者之間之距離多於 該臨界值時,被偵測為勝利者之參考資料被視為是異於該 5 輸入資料的資料。然後,該輸入資料作為新參考資料被小 入到該結合式記憶體 。在此情況下,新近被學習為參考資料的輸入資料被 儲存於該短項記憶體的最上排序41。於是,該短項記憶體 的其它參考資料之排序被放回。因此,學習前該最下位置 10的參考資料被刪除(輸入資料被覆寫至該結合式記憶體中 的位址)。 根據該辨識學習演算法1,該參考資料之記憶體每當辨 識被完成時(即,排序被提升)變得強大。另一方面,不具任 何辨識之參考資料的記憶體變弱(排序被降低)。因此,以下 15操作被實現;更明確地,經常使用之的資料係難以被遺忘 而幾乎無用之資料被遺忘。因此,是有可能提高辨識效率、 並有效地使用具有有限的記憶體容量之硬體資源。 (辨識學習演算法2) 第7圖是一流程圖說明根據本發明的一辨識學習演曾 20法2之程序。在第7圖中,相同的參考數字被用來指示完全 相同於第4圖的部分、並且重複的說明被省略。 根據該辨識學習演算法2, 一程序(c)包含以下步驟(cl) 至(c4)。更明確地,係決定出勝利者是否是長項或短項記憶 體(cl)。若決定出該勝利者是短項記憶體,則決定該勝利者 200529095 作為短項記憶體之次數是否大到一預定次k被決定(c2)。若 該次數未達該預定次k,則該勝利者被看待為短項記憶體 (c3)。若該次數達到該預定,則該勝利者被儲存域一任 意排序作為長項記憶體。 5 換言之,該辨識學習演算法2具有以下所賦予之特徵。 該預定次k的辨識(搜尋資料=勝利者)被要求於該短項記憶 月且以使得從被決定為短項記憶體之該短項記憶體到該長項 5己憶體之轉移。當k次的辨識被完成時,該勝利者係從該短 項記憶體轉移到該長項記憶體的一任意排序。根據上述辨 · 1〇硪學習演算法1,該勝利者之排序被提升JL或Js。相反地, 根據該辨識學習演算法2,當該辨識少於k次時,該排序被 轉移至該勝利者之記憶體區域的最上位置。於是,當比起 °亥紐項記憶體,儲存於該長項記憶體之資料係難以被遺 忘,像該上述辨識學習演算法i。 第8A圖至第8D圖其每一圖顯示該辨識學習演算法2的 程序。附帶地,排序與參考資料之間的關係是同於第5圖型 辨識。 β 第8Α圖顯示輸入(搜尋)資料與勝利者之間的距離少於 該臨界值的情況;因此,該輸入(搜尋)資料被視為勝利者。 在此情況下,該勝利者為參考資料63、並屬於短項記憶體。 於是,該勝利者之排序被提升至該短項記憶體的最上位置 (即,排序41)。因此,舊排序41至62之參考資料的棑序被連 績地放回。 第8Β圖顯示輪入(搜尋)資料被視為有關一參考資料之 19 200529095 勝利者、及一將該排序提升至該短項記憶體的最上位置 操作係經由該預定次(k次)完成的情況。在此情況 △ 考資料係自該短項記憶體轉移至一出現於該長項 / 被連續地放回。 排序(即’排序20)。同時,舊排序2〇至62之參考資料的排序
第8C圖顯示輸入(搜尋)資料被視為有關一參考資料 勝利者、並且該勝利者屬於該長項記憶體的情況。二此^ ,中,該勝利者是參考資料39、並屬於該長項記憶體。二 是’該勝利者之排序被提升至該長項記,_體的最上位置 10 (即’排序υ。因此,舊排和㈣之參考資料的排序被連續 地放回。 第8D圖顯示輸入(搜尋)資料與勝利者之間的距離係多 於該臨界值的情況;因此,該輸入(搜尋)資料不被視為勝利 者。在此情況下,該搜尋資料被儲存於該短項記憶體之排 15序的最上位置(即,排序41)。另一方面,處理前該最下位置 (即’排序64)的參考資料被刪除。
(辨識學習演算法3) '第9圖是-流程圖說明根據本發明的一辨識學習演算 法3之裎序。在第9圖中,相同的參考數字被用來指示完全 2〇相同於第4圖的部分、並且重複的說明被省略。 該辨識學習演算法3具有以下所賦予之特徵 。更明確 。為排序未被劃分成短項與長項記憶體(無對應第4圖之 轾序(=之步驟)。在程序⑷中,當學習新資料時(輸入轉 利者)日寸,摘貢料被_存於該最下位置之資料位址,並且 20 200529095 該貧料之排序被提升至最上位置。在此情況下,其它資料 之排序被一個一個地降低。在辨識中(輸入=勝利者),該勝 利者被轉移至該排序的最上位置而存在於這些排序之間之 資料的排序被一個一個地降低。在新資料經常出現的環境 5下,所有參考資料立刻被覆寫。 弟10A圖至苐ιοΒ圖其每一圖顯示該辨識學習演算法3 的程序。附帶地,排序與參考資料之間的關係係同於第5圖。 第10A圖顯示輸入(搜尋)資料與勝利者之間的距離〇是 多於該臨界值的情況;因此,該輸入(搜尋)資料不被視為勝 參 10利者。在此情況下,根據該辨識學習演算法3,該輪入(搜 哥)資料被儲存作為排序1而該最低排序之參考資料64被刪 除(程序(d)’)。 第10B圖顯示輸入(搜尋)資料與勝利者之間的距離D是 少於該臨界值的情況;因此,該輸入(搜尋)資料被視為勝利 15者(=參考資料63)。在此情況下,根據該辨識學習演算法3, 被視為勝利者之參考資料63被提升至排序1而不管該勝利 者之排序。另一方面,處理前存在自舊排序丨至63的每一參 · 考資料之排序被一個_個地降低(程序(e))。 爲了證實上述辨識學習演算法1至3的有效性,藉由c 20程式語言之模擬被準備,並且之後,已做出第11圖所示的 一操作位準模擬。所準備的是一結合式記憶體,其能夠儲 存30個圖型每一個具有256位元的參考資料。如第u圖所描 述,該結合式記憶體先前儲存30種的字元位元圖資料作為 荟考資料。3〇個參考資料中的上排序2〇(Nl)被設為長項記 21 200529095 憶體而剩下的排序1〇(Ns)被設為短項記憶體 根據該演算 :於辨 在上述演算法1至3中,給予不同的參數。 法1 ’當勝利者=長項記憶體時該排序提升寬度】 5 10 識被設定到5而當勝利者=短項記憶體時該^提升宽产 Js被設定到3。根據該演算法2,對於從短項
長項記憶料次辨識被設” 2,並且於轉移的排序 變化被蚊幻4。㈣雜算法2,不存在財考資料之搜 尋資料被儲存作為解i。以下Μ圖資料(雜期型)被輸 入至該結合式記憶體。在該位元圖資料(雜訊圖型)中,2〇 種不存在於參考資料_字母位元圖資_用來作為輸入 資料’並且256個位元中的每個位元任意地被設制“〇” 或“Γ。辨解習被完成,並且之後,係證實纖字母是 否最終被學習。
在此情況下,輸入資料係以以下方式來產生。首先, 15決定出所給予之資料是否是字元資料或雜訊資料。若給予 之資料是字元資料,則該字元資料係自2〇個字母中選出。 當雜訊資料被選擇時,雜訊資料在被任意產生後被輸入。 子元資料與雜汛資料之選擇機率是相同的。在此方式下, 輸入資料係根據上述方法給予。第12Α圖至第12C圖顯示被 20學習作為長項記憶體(上排序2〇參考資料)之新字母資料數 量以及對於上述學習所需之搜尋次數的模擬結果。 第12A圖顯示該演算法3之情況。根據該演算法3,該雜 sfl圖型被學習作為排序卜因此,新資料的影響:完整無缺 地給予雜訊資料=1 : 1。 22 200529095 5 10 15 第12B圖顯+ # 、、“馮鼻法2之情況。根據該演算法2,當被 學習的資料數量姆Λ 一 攸 曰ϋ(4>苔資料減少)時,花費於學習的時間 變多:广而’財新資料最後被學習。 ,第、圖’h 4演算法1之情況。根據該演算法1,資料 被學習為短項記憮髀# 、 豆象μ ’幾异法2,由於此原因,該雜訊圖 型係位儲存於該县馆—& M 貝记fe體。比起該演算法2導因於對該長 項減體之轉移條件的差異,所_資料被迅速學習。 、°果根據4演算法3,不存在於參考資料之搜尋資料 被儲存於該派排庠〗。a#、 ^ § 5亥初始茶考資料被刪除以至於該搜 :貝料將^推m排序(包含雜訊資料)時,新資料與雜訊 貝料在1 · 1的比例下被儲存於該參考資料。 5亥寺浪异法1與2不同於該演算法3在於它們具有-在 短項兵長項讀、體之間的轉。崎人資料先被儲存於該 短項。己It體’並且之後經由與該短項記憶體中的搜尋資料 相配被轉移至該長項記憶體。於是,不相配資料諸如雜訊 圖型未被儲存於該長項記憶體。因此,僅新資料被學習為 排序1至2〇。換tn該*考資料未受雜訊影響從該長項記 憶體被刪除。
第13圖是一方塊圖說明用以實現以結合式記憶體為主 20的辨識學習演算法之結構規劃。該結構係由三個方塊所組 成,即,用以完成該最小距離搜尋之結合式記憶體1〇〇、排 列處理電路200以及自動學習控制電路3〇〇。 以下記憶體係可用為該最小距離結合式記憶體1〇〇。根 攄目前由發明者所開發的一數位/類比結合電路,它是一完 23 200529095 全平彳丁的mu曼哈頓_臾尋(見文件⑴)。根㈣ 結構’是需要輸人資料與勝利者之間的距離〇。由於此原 因,該上述結合式記憶體係額外提供—距 1 數位計算該距離D。 5 10 15 該排列處理HI路2轉存該結合式·體中對應节 參考資料之位址、並做出該排序程序用以實現第3圖至第 1 圖所速之短項記憶體與長項記憶體。該排列處理器電路細 具有弟14A圖與第14B圖所示的_結構。
第14A圖顯示用以處理64個參考資料之排列處理哭電 路的結構。該洲纽H1路係讀_輕組做出^級 連結的方式來形成,該排序模組係由D型正反則卿)斑一 用以決定該DFF之輸入-輸出的三態緩衝器(tbuf)所組 成。在此情況下’ 64個DFF被垂直地配置(在該行方向)而六 個D F F對應6 4個參考資料地被水平配置(在該列方向)。每一 DFF的輸入-輸出係連接有該三態緩衝器。
每列的DFF儲存在該結合式記憶體1〇〇的參考資料位 址(6個位元)’並且排序丨至64係連續從上述給予DFp。該三 態緩衝器具有三類: ⑴(TBUF-A)將該DFF之輸出連接至一連接到一匯流 20 排之線; (2) (TBUF-B)利用該匯流排作為輸入、並將一信號輸 出至該DFF的輸入;及 ⑶(TBUF、C)將該DFF之輸出連接至下一個DfF的輸 入0 24 200529095 該TBUF-A與TBUF-B做出在提升該排序時的參考資料 的一位紙路徑;另一方面,該TBUF_C做出一資料路徑用以 放回該排序。例如,爲了實現第6B圖所示之操作,控制信 號a[63] ’ b_ ’ c_ ’ c[61]Ac[62]係轉變到開狀態以控 5制TBUF,並目此,DFF的時脈信號_〇]至啦63]被輸入, 如第14B圖所描述。藉由如此做*,依照第14β圖之箭頭所 是之資料流動被實現。 該排列處理器電路200做出以上所述之操作,該自動學 習控制電路300在所有DFF列當中搜尋一與來自該結合式 修
10記憶體之搜尋結果(勝利者位址)相配之DFF相配列。然後I 該控制電路300獲得勝利者的排序以控制該排列處理器電 路200之排序安排序。在此情況下,第15圖詳細所示之結構 j-完全相配電路⑽獲得勝利者之排序(勝利者之排序°係 藉由搜尋-將儲存於排列處理之參考資料位址與勝利者位 15址相配之列而發現)。該完全相配電路120係包含如主要分 成三個區塊之結構之該自動學習控制電路中的一部分。附 π地’如。异法之域is之值與長項及短項記憶體的數| _ 被任意設定。 該自動學習控制電路3〇〇控制結合式記憶體1〇〇與排列 2〇處理器電路2〇〇,該控制電路3〇〇,根據輸入資料與勝利者 之間的距離D,從該結合式記憶體1〇〇的搜尋結果來產生言亥 排列處理器電路200的控制信號。若該距離D多於該臨界值 (第6C圖的新學智情況則該控制電路,除了該排列處 理器電路2〇〇的控制外,控制該結合式記憶體1〇〇。在此其 25 200529095 況下,該控制電路3〇〇做出控制以至於該結合式記憶體l〇〇 將輸入資料寫入到該最下排序之參考資料。 如上述,該自動學習控制電路300根據所給予之資訊來 控制結合式記憶體1〇〇與排列處理器電路2〇〇。該資訊飾演 5 异法的參數Jl,Js、臨界值、參考資料中的短項記憶體數量、 自該結合式記憶體100的搜尋結果以及搜尋資料與勝利者 之間的距離。 第15圖顯示一實際準備之測試晶片的詳細結構。該結 合式記憶體100包含記憶體區塊1〇1、最小距離搜尋電路 10 1〇2、搜尋資料保留電路103、列解碼器1〇4及RW/行解碼器 /距離計异器電路105。包含SRAM之内部記憶體區塊1〇1儲 存參考資料’並且用於最小距離搜尋之資料被輸入至該搜 尋資料保留電路103。該結合式記憶體具有一内建電路 用以直接計算輸入資料與該記憶體區塊之特定資料之間的 15 距離,該電路1〇5係用來計算演算法所給予之距離d。 該結合式記憶體100係額外設有一優先權編碼器H〇, 該優先權編碼器完成用以在勝利者為數個時選出一個的優 先權編碼、並輸出6位元的勝利者位址。 該排列處理器電路200是第14A圖與第14B圖所述的一 20電路、並完成參考資料的排序操作,其是自動辨識學習演 算法的核心。 該完全相配搜尋電路200搜尋與該排列處理器電路200 之每一參考資料的位址完全相配的優先權變碼器110之輸 出的勝利者位址以獲得勝利者的排序。一第一比較器310將 26 200529095 勝利者之排序與依照外部參數所給予之短項與長項記憶體 之間的邊界排序比較、並且之後決定該勝利者是否屬於短 項°己匕體或長項記憶體,一第二比較器320將該距離計算電 路所叶异之距離〇與外部給予的臨界值⑴^之比較結果送至 5 一控制電路33(3,一第一選擇器130將來自該結合式記憶體 的64個輪出分成八個部分、並之後將它們從一晶片輸出, 一第一選擇器340根據該第一比較器310的輸出結果來決定 在辨識的提升寬度是否應被設定狀或Js。 。亥控制電路33〇根據以下不同的操作模式來控制結合 10式區塊10〇與排列處理器電路2〇〇。一種是一記憶體模式 (RM) ’其是一普通記憶體模式用以讀取與寫入資料到該記 憶體區塊、另一種是一用以完成該最小距離搜尋的CAM模 式(CM)、另一種是一根據該最小距離搜尋操作的學習模式 (LM)。 15 具有上述結構規劃之測試晶片係利用在三層互相連接 之條件下的0.35-//m CMOS技術、4.9-mm正方形封裝及 3.3V的電源供應電壓來製作。能夠處理64個參考資料的一 5-位元X 16-單元曼哈頓距離搜尋結合式記憶體被設計為 根據完全慣例設計的結合式記憶體,該自動學習控制電路 20與該排列處理器電路係以以下方式形成。更明確地,設計/ 模擬係根據由硬體描述語言Verilog_HDL的暫存器轉換層 次(RTL)描述來完成,邏輯合成係利用具有標準晶胞庫再 20MHz的時脈頻率下的自動邏輯合成工具來完成,具有内 建結合式記憶體的整個佈局係利用一自動佈置與路由工具 27 200529095 來製作。 第16圖顯示一僅包含自動學習控制電路與排序處理器 電路的測試晶片、第17圖顯示包含第15圖所示之所有電路 的一測試晶片之佈局、第18圖顯示一說明該測試晶片的不 5同特U之表U吉合式記憶體在25〇nsec内完成該最小距離 搜尋,一自動學習電路操作在最大操作頻率166MHz(邏輯 閘層次模擬),該自動學習電路接收來自該結合式記憶體之 最小距離搜尋結果以及輸入資料與勝利者之間之距離〇以 便一#號用來產生在一個時脈排列處理。當學習輸入資料 10時,該自動學習電路產生一信號用來對該結合式記憶體資 料更新。 以上述方式來製作之晶片被使用,並因此該模擬測試 被完成;因此,所要的自動學習被實現。因此,本發明以 結合式記憶體為主的辨識學習演算法被利用,並因此是有 15可能實現一具有自動學習功能的積體電路。然而,對傳統 辨識學習系統用處理器或神經網路是不可能實現該自動學 習功能。從今以後,所期望的是圖型辨識學習每一圖型係 在數百nsec内獲得。 根據該實施例’該排序被分成兩個階層、並根據長項 20 §己丨思體與短項5己彳思體來管理。本發明並不限於上述實施 例,例如,排序的數量係任意給予,並且該排序係以優先 權的順序分成三個或更多記憶體階層。在初始登錄中,該 排序被設定至該短項記憶體之記憶體階層的一預定排序。 當“身分”係藉由身分決定來取得時,該排序在同一記憶 28 200529095 體階層中被提升。若一預定條件被滿足,則該排序被登錄 至該長項記憶體的上記憶體階層。當然,在上述多階層結 構中,像兩階層結構,僅當按照身分決定之上述“身分” 被預定時間取得時,於記憶體階層間之提升被完成。 5 本發明係可應用至人工智慧系統、自主機器人、認證 系統、侵入偵測系統(IDS)、圖型辨識系統等。 額外的優點與修是將容易地被熟之此技藝者所發現。 因此,本發明在其較廣的觀點下係不限於此所示及所說明 的特定細節與代表性的實施例。於是,在不脫離依照該等 10 依附之申請專利範圍與其等效所定義的總發明概念的精神 與範圍下,不同的修是可以達成的。 【圖式簡單說明】 第1圖是一方塊圖顯示如同應用有一根據本發明之方 法以結合式記憶體為主之圖型辨識系統的一個範例所給予 15 的影像辨識系統之結構; 第2圖是一概念圖顯示根據本發明中短項記憶體與長 項記憶體的實現一學習功能之狀態; 第3A、3B及3C圖係說明當應用一最小距離搜尋結合式 記憶體到本發明的一辨識系統時的辨識學習之輪廓圖型辨 20 識; 第4圖是一流程圖說明根據本發明的一辨識學習演算 法1之程序; 第5圖是一圖說明第4圖所示之辨識學習演算法1的短 項記憶體與長項記憶體; 200529095 第6A、6B及6C圖係顯示根據第4圖所示之辨識學習演 算法1的排序狀態圖; 第7圖是一流程圖說明根據本發明的一辨識學習演算 法2之程序; 5 第8A、8B、8C及8D圖係顯示根據第7圖所示之辨識學 習演算法2的排序狀態圖; 第9圖是一流程圖說明根據本發明的一辨識學習演算 法3之程序; 第10A及10B圖係顯示根據第9圖所示之辨識學習演算 10 法3的排序狀態圖; 第11圖型辨識是一圖型辨識顯示用以證實該等辨識學 習演算法1至3之功效的模擬估算; 第12A、12B及12C圖係顯示以上模擬結果,即學習圖 型的數量與分別在學習演算法1至3的學習速度之間的關係 15 圖; 第13圖是一方塊圖概要顯示根據本發明用以實現以結 合式記憶體為主的辨識學習演算法之結構規劃; 第14A及14B圖是方塊圖顯示用以實現第13圖所示之 排序電路之結構的硬體規劃; 20 第15圖是一方塊圖顯示一準備作為一樣品之測試晶片 的詳細結構; 第16圖是一圖顯示一僅包含第15圖所示之自動學習控 制電路與排序電路的測試晶片, 第17圖是一圖顯示内建有第15圖所示之所有電路的一 30 200529095 測試晶片之佈局;及 第18圖是一顯示該測試晶片的不同特徵之表。 【主要元件符號說明】 11...影像輸入部分 105 ...RW/行解碼器/距離 12·..校正處理部份 計算器電路 13...特徵擷取部分 110...優先權編碼器 14...搜尋部分 120…完全相配搜尋電路 15...貧料庫 130…第一選擇器 16...辨識部分 200…排列處理電路 17...輸出部分 300...自動學習控制電路 100...結合式記憶體 310…第一比較器 101...記憶體區塊 320···第二比較器 102…最小距離搜尋電路 330...控制電路 103.. .搜尋資料保留電路 104.. .列解碼器 340…第二選擇器 31