[发明专利]一种基于忆阻器阵列的K-means分类器及其分类方法

说明书

本发明公开了一种基于忆阻器阵列的K‑means分类器及其分类方法，将K‑means算法的聚类中心的维度信息作为训练权重，映射并存储在忆阻器阵列中，以神经网络权重模拟聚类中心的维度信息，基于忆阻器的渐变特性实现欧氏距离的计算，并且直接在硬件电路上实现聚类中心各权重的在线更新，实现了大量非归一化数据在硬件电路基础上的数据聚类，减小了由于数据归一化带来的计算复杂度，以及由于外部电路计算权重变化所带来的电路复杂性，同时也减小了数据距离计算过程中的数据复杂度，降低了数据存储的时间和运算功耗，省去了数据交互的消耗，计算时间较短。

技术领域

本发明属于人工神经网络技术领域，更具体地，涉及一种基于忆阻器阵列的K-means分类器及其分类方法。

背景技术

随着网络时代的到来，大量数据的涌现使得通过对数据进行分类并提取其中有效的数据特征显得越来越困难。数据分类是将具有形同或相似特征的数据点通过算法识别归纳到一起的过程。分类的核心是获取不同样本数据之间特征并计算其广义距离(或称相似度)以达到区分不同样本的目的。伴随着数据量的增加，分类算法的计算量成几何式增长，这要求计算系统CPU要有更高的数据计算和处理能力。现有计算架构下的“冯诺依曼瓶颈”极大限制了大数据环境下的数据归类能力。忆阻器以其高效的存算一体能力以及并行计算能力被认为是突破“冯诺依曼瓶颈”限制的最佳候选方案之一。

K-means算法作为一种基础的无监督聚类算法，具有收敛速度快、操作简单、可调参数少等显著优点，能够有效的处理大数据环境下的数据聚类问题。在现有应用中，基于忆阻器阵列的数据分类研究中的问题主要表现在：(1)忆阻器阵列的应用基于网络化结构实现，现有的利用忆阻器阵列实现分类主要集中在BP神经网络、多层感知机等复杂网络算法，其网络结构需结合软硬件同时实现，无法单独依靠忆阻器硬件结构实现分类，对于诸如K-means等非网络化结构聚类算法的研究尚处在初级阶段。(2)传统的K-means算法，其聚类中心采用无记忆性的均值更新方式，聚类中心更新前后无连续性，无法使其与神经网络的权值更新方式有效结合，无法实现权重的在线更新和欧式距离的完整表达，计算复杂度较高。(3)K-means算法依赖于计算聚类中心与样本数据之间的欧式距离实现聚类，现有的基于硬件实现的欧式距离计算方法无法实现输入数据的平方项计算，致使数据分类结果误差较大，精确度低。

综上所述，提供一种计算复杂度低、精确度高的K-means分类器及其分类方法是亟待解决的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于忆阻器阵列的K-means分类器及其分类方法，其目的在于解决现有技术由于在硬件上无法实现权重的在线更新和欧式距离的完整表达而导致的计算复杂度较高的问题。

为实现上述目的，第一方面，本发明提供了一种基于忆阻器阵列的K-means分类器，包括第一控制模块、忆阻器阵列、第二控制模块、数据比较模块、输出模块；

忆阻器阵列包括第一忆阻器阵列、第二忆阻器阵列、第三忆阻器阵列、第四忆阻器阵列，第一忆阻器阵列和第四忆阻器阵列的各位线相连，第二忆阻器阵列和第三忆阻器阵列的各位线相连，第一忆阻器阵列和第二忆阻器阵列的各字线相连，第三忆阻器阵列和第四忆阻器阵列的各字线相连；

第一控制模块用于从输入的待分类数据集中随机选取聚类中心，经写电压编码后，分别存储到第一忆阻器阵列和第二忆阻器阵列中，同时将待分类数据集中的待分类数据经写电压编码后，分别存储到第三忆阻器阵列和第四忆阻器阵列中；并对待分类数据和聚类中心各权重的相反数进行读电压编码后，分别施加到第二忆阻器阵列和第一忆阻器阵列的位线上，其中，聚类中心各维度信息即为权重；

忆阻器阵列用于分别在聚类中心和待分类数据所在行上，实现第一控制模块输入的读电压编码后的待分类数据和各权重的相反数与自身存储数据之间的点乘运算，并将所得结果按行进行累加后，输出到第二控制模块中；