[发明专利]基于智能芯片的SOM神经网络算法处理方法

权利要求书

1.一种基于智能芯片的SOM神经网络算法处理方法，其特征在于，包括以下步骤：

(1)初始化，归一化权值向量，建立初始优胜领域，学习率赋予初始值；

(2)输入归一化样本：

(2a)数据点集X被平均分为s份，s是计算X子集中所有数据点标记的处理器的个数，每个线程执行赋予X_i单独的处理器的坐标和计算范围；

(3)计算点积，并选出点积值最大的获胜节点：

(3a)确定每一个work-group的线程规模，在本发明优化中，设置work-group大小为128；

(3b)确定每一个thread可使用的寄存器规模，大小为m个float4类型的栈内存(float4reg_Buffer[m])，并且加一个大小为m个int类型内存空间(int counter_Buffer[m])；

(3c)每一个thread间隔128位访问输入的归一化样本，对于每一个归一化样本，计算其与权值向量的点积，得到点积值最大的获胜神经元c，并把数据点加入到Buffer[m]中，并对counter[m]进行加1操作；

(3d)对样本集完成一次遍历后，在每一个work-group的128个线程的寄存器中保存着它们所处理的数据点的对应获胜神经元；

(4)对优胜领域内节点调整权值：

(4a)在Global Memory中设置长度为work-group的int型volatile数组，并赋予初始值为0；

(4b)当每个work-group完成工作后，使用原子操作，将其在数组中对应位置的值变为1；

(4c)使用while循环访问volatile数组，直到数组全部为1，再进行后续操作；

(4d)在实现全局同步后，在本处将线程分配给获胜神经元，并对获胜神经元拓扑邻域N_c(n)内的兴奋神经元进行神经元权值向量的更新；

(4e)对学习速率和拓扑邻域进行更新，并且对学习后的权值重新进行归一化处理；

(5)判断迭代过程是否结束：

(5a)将每个工作组中的所有线程进行阈值判断，判断迭代次数n是否超过N,如果n≤N，就跳到步骤(3)，否则结束迭代过程；

(6)计算聚合度并写入标签集：

(6a)每个workgroup工作完成后，使用原子操作访问volatile型数组的方式实现全局同步，当每个workgroup工作完成后，根据输出节点的响应，完成实验数据的聚类。

2.根据权利要求1所述一种基于智能芯片的SOM神经网络算法处理方法，其特征在于，步骤(1)所示的设置初始变量的参数和初始化的具体步骤如下：

第一步：设置初始变量和参数，设置输入向量X(n)＝[x₁(n),x₂(n),…,x_N(n)]^T；再设置权值向量W_i(n)＝[w_i1(n),w_i2(n),…,w_iN(n)]^T，其中i＝1,2,…,M；最后设置迭代总次数为N；

第二步：进行初始化，将权值向量W_i用小的随机值进行初始化；设置初始学习速率为η(0)；对权值向量初始值W_i(0)和所有的输入向量X进行归一化处理；即：

其中它们分别为权值向量和输入向量的欧氏范数。

3.根据权利要求1所述一种基于智能芯片的SOM神经网络算法处理方法，其特征在于，步骤(3c)所示的点积操作的具体步骤如下：

将每个输入向量X(n)＝[x₁(n),x₂(n),…,x_N(n)]^T和竞争层所有神经元对应的权值向量W_i(n)＝[w_i1(n),w_i2(n),…,w_iN(n)]^T进行点积操作，根据式(1)来选取获胜神经元c；

其中||X-W_i||表示输入向量X与权值向量W_i的欧式距离。