[发明专利]模式识别处理器

说明书

技术领域

本发明涉及模式识别处理器，包含线性变换处理器和支撑向量机处理器，特别涉及基于超大规模集成电路的线性变换和支撑向量机的硬件实现。

二、背景技术

本发明所指的模式识别处理器(Pattern Recognition Processor)是基于超大规模集成电路技术的线性变换处理器(Linear Transform Processor)和支撑向量机处理器(Support Vector Machine Processor)。这两个处理器系统在信息处理通道上连接在一起构成模式识别处理器的体系核心。

线性变换LTR(Linear Transform)的数学抽象是指输入向量通过线性变换矩阵进行运算生成对应的输出向量。其物理意义是改变研究对象的表达空间，从新的角度去看同一个问题。这样的变换在一些信息处理领域是非常重要的，因为在一个新的空间里，信息的重新排列和组合有助于我们提取有用的信息和除去不需要的信息，简化研究对象的复杂度。事实上离散余弦变换DCT(Discrete Cosine Transform)，数字小波变换DWT(Discrete Wavelet Transform)，以及快速福里哀变换FFT(Fast Fourier Transform)都是特殊的线性变换，它们在信号处理领域的应用非常广泛。一个常见的例子就是离散余弦变换DCT在图像压缩算法里的应用，一个8 x 8的图像点阵通过DCT变换之后，使得这一小片图像的表达从空间范畴(SpatialDomain)转变为频率范畴(Frequency Domain)，从而我们非常容易地在这个新的研究空间里选取能量集中的低频信息，舍去那些能量分散的高频信息，实现图像压缩的目标。

支撑向量机SVM(Support Vector Machine)是一个决策系统的数学模型。具体的应用方法可概括为分类和回归(Classification and Regression)。其中分类的方法用于二值判断，针对某一个输入对象，给出是或者不是的回答。回归的方法用于量化预测，针对某一个输入对象给出它的函数值。我们人的思维过程在很多情况下是二值判断。比如当我们从视觉空间里看到一个物体，我们想知道这个物体是不是一辆小轿车，那么最后的情况只有两种：是或者不是，哪怕是一个错误的回答。通常一个输入对象的描述字是一个高维向量，在一个输入空间里构建一个用于判断的超平面(Decision Hyper-Plane)，使得对于每个输入对象通过运算都能确定落在该平面的哪一边，从而给出一个二值输出。这个超平面就是SVM的决策模型。这个模型通过机器学习(Machine Learning)的方法获得。

举例而言，在一个人脸检测(Human Face Detection)系统中，我们采用统一大小的图像窗口去观测每个子图像，以判别该子图像包含的内容是否一副完整的人脸。我们的检测过程包含对图像的缩小放大和窗口的平移，以确保不同大小，不同位置的人脸都能经过该系统的检测。通常用一个32 x 32点阵的窗口去截取每一副子图像，以此作为一个基本的输入对象。一个32 x 32点阵的图像描述字是一个1024维的向量，其中包含着我们所关心的人脸特征信息，同时也包含更多我们所不关心的信息。要达到我们的目标，首先进行对问题的简化，通过线性变换将1024维的表达空间降低到64维的表达空间，其次在这个64维的表达空间里应用支撑向量机决策系统，最后得到我们所需要的二值输出：那就是针对某个输入给出是人脸或者不是人脸的回答。这就是模式识别处理器的典型应用，至此我们应该知道本系统技术背景的一个方面。

线性变换的数学模型是：

Y＝A(X-X₀)                (1)

其中Y是输出向量，X₀是基准向量，X是输入向量，A是线性变换矩阵。

从一个N维向量输入到一个M维向量输出，其浮点加法和浮点乘法运算量分别在N x M的数量级别上，若用软件的方法实现，将会出现大量的指令迭代，运算速度和效率都难以提高。线性变换处理器是用硬件的方案实现迭代算法。

支撑向量机的数学模型是：