南开大学学报（自然科学）单微处理器控制的集成化光电混合神经网络模式识别系统孙杰翟宏琛张延昕张铁群刘钥唐怡亮（南开大学现代光学研究所，教育部光电信息技术科学开放实验室，天津， 300071）摘要本文首次报道了应用单微处理器和单LCD结构的光电混合神经网络模式识别系统，该系统使用了单微处理器控制的多屏幕显示及适用于多层光电神经网络的软硬件接口方法，充分利用了高性能LCD的分辨率，提高了网络光电接口的数据传送速度及整机的集成化程度，使系统与高性能计算机的兼容性及系统识别速度得到很大提高。
　　0引言人工神经网络是进行模式识别*有效的方法之一。实现人工神经网络的传统手段一般有三个： （ 1）虚拟神经网络。此方法是基于计算机程序实现的。虽然这种方法方便、可靠、成本低，但由于本质仍然是串行计算，因而在神经元数目增加到一定规模时，串行运算的瓶颈效应会使识别速度降低 （ 2）大规模集成芯片神经网络。该种系统的体积小、速度快，但由于引线占用的芯片面积随引线数的三次幂而增加，严重限制了神经元的数目，因而目前用LISI技术只能制造出几十个神经元的网络 （ 3）光学神经网络。光学系统具有光学固有的并行性和立体互连能力，可很容易地实现较大规模的互连网络， 10个神经元系统已见报道[3～5 ].但纯光学神经网络的灵活性、网络权重调整及逻辑处理能力差、体积大、一些关键的光学运算（如非线性取阈）器件的性能还不十分理想，因此在网络中同时应用电子学方法和光学方法构成优势互补的混合系统，是目前神经网络硬件实现的主要趋势[3～5 ].南开大学研制的N P1024通用型神经网络处理器，用32×32个神经元的光学器件完成网络的并行全双极性求和运算，用电子计算机及接口电路完成网络的正负相减、非线性取阈、识别及控制等操作，能够实现单层反馈型、多层前馈型和前馈与反馈混合型等不同拓扑结构的神经网络[ 7].但由于该系统采用微机与单片机混合控制的方法，系统硬件不仅复杂，而且光学系统信息显示受单片机低速时钟的限制，不能充分适应高分辨率LCD的工作性能。本文报道了一种应用新型标准微机显示接口的高性能的单一微处理器控制的集成化光电混合神经网络目标识别系统。与N P1024神经网络处理器相比，本系统结构简单，光学神经元数目和光电接口数据传输速度都有很大提高。
　　1网络工作原理单微处理器控制式集成化光电混合神经网络识别系统是一个光电混合的级联式神经网络系统。其整体结构框图如图1所示。系统包括图象采集及预处理，学习和识别及输出等部分。其中预处理部分包括：数据抽样及二值化处理，目标定位，图象分割及目标提取。学习和识别部分是该神经网络的核心部分，它是一国家863高技术研究计划（ 86330702（ 10） ）资助项目个光电互连的三层二级级联式结构的神经网络。*一层是整体网络的输入层，同时也是*一级网络的输入层，*一级网络可以实现对输入目标的不变性编码，此级网络可以被看成是一个多对一的异联想网络。*一级的输出层同时也是第二级的输入层，此级网络是一个W TA（Winner Take All）网络，其功能是将*一级网络输出的异联想结果和三种待识别目标对应的编码进行比较。*后，根据匹配度判断输入目标。其结果通过第三层输出。显示部分可以用计算机显示器显示或用其它方法实现。
　　为了用光学方法实现全双级向量运算以提高系统的容错能力[8 ]，我们将权重通道及输入通道都分为分别代表正负单极向量的两个通道，各自完成内积运算，*后在输出端对两个通道的结果进行综合，作为网络的输出结果。
　　用神经网络进行目标识别的过程分为两个阶段，即学习或训练阶段及识别阶段。在学习阶段，分别将三个目标编码分为八位码值。按前馈型神经网络方法对神经网络进行训练并对多灰度的训练结果二值化，以便于光学硬件实现在识别阶段，用训练后的互连权重与目标作相乘运算，再经求和、取阈、比较，对目标进行判定并由计算机显示器输出判断结果。
　　2光学系统及器件2. 1光学系统本系统的光学结构部分如图2所示。此部分的作用是完成神经网络中的求和运算。在计算机内完成互连权重与目标相乘后，将相乘结果输出个80×80象素组成的区域，分属于代表正、负单极向量的两个通道，即其中有8个是正互连权重与目标相乘的结果，另有8个是负互连权重与目标相乘的结果。 M LA是4×4规模的微透镜阵列，用于LCD上16个固定区域的80×80象素光强的求和，也就是神经网络运算中的求和运算。
　　是成象透镜，在实际光路中它是一个复合透镜，其作用是将M LA得到的光点列阵成象在CCD上，光点的光强代表光学求和运算结果。由CCD采集到的光点列阵经图象采集系统转变为数字信号输入计算机作相减、非线性取阈、判断，并*后输出结果。光运算的数据用LCD显示，系统状态及识别结果用计算机显示器显示，两种显示的控制用一个多输出显示控制器实现。
　　2. 2高分辨率LCD LCD上的每一个象素是一个光神经元。为增加神经元的规模，本文首次在神经网络系统中采用英国孙杰等：单微处理器控制的集成化光电混合神经网络模式识别系统研究中心制造的高分辨率型此不仅体积小，为本系统能够做到集成化、小型化提供了可能，而且其高分辨率可将神经元数目提高到640×480的规模，比已实现的32×32规模的LCD提高了300倍[6 ].这种大显示容量的LCD不仅可以单独组成大规模神经网络，而且还可组合成多种级联方式，级联组合方式可通过LCD显示编程得到，以实现所设计的光学神经网络的特定运算。
　　3单微处理器控制及多屏显示3. 1单微处理器控制方法由于系统的整体速度受速度*低的工作单元的限制，所以单一微处理器控制比多处理器组合控制的速度快。 N P1024神经网络处理器采用了微机与单片机的组合方式系列单片机只有几的时钟频率，因而显示数据传输速度被限制在较低水平，而本文报道的单处理器控制系统中使用的CPU时钟是300M Hz，数据通道的宽度是32位，这样显示数据的传输速度能够得到大大提高。此外，由于计算机执行一条指令的时间与指令所占用的机器节拍数有关，所以所用的机器节拍数越少，速度就越快。
　　若使用单片机，执行一条指令至少用6个机器节拍，而Intel 80386以上的CPU，执行一条普通指令只用4个机器节拍[9， 10 ].这样，综合考虑到CPU时钟速度的差别、数据总线宽度的不同和指令周期使用的机器节拍的多少，用微机CPU统一控制后，系统的数据传输速度可提高300倍。
　　采用型时，由于V GA型LCD有标准微机V GA视频接口，使系统为提高LCD显示速度而使用微机处理器（即高档CPU控制显示）提供了必要条件。虽然多CPU方式也有很多优点，但系统之间的通信及资源分配等问题不仅增加系统的复杂性，而且系统LCD驱动显示接口硬件也很难兼容各种档次的CPU.用微机CPU统一控制神经网络接口时，就没有这样的问题，所以我们改变了以往的高低档混合控制方式而采用单一微机控制方式。单CPU控制系统硬件结构如图3所示。使用V GA型LCD时， LCD的显示将占用微机显示通道。为便于系统操作员观察系统状态和操作，我们采用多屏幕显示控制器完成多通道显示输出。
　　3. 2多屏显示控制器原理及编程多屏显示控制器是一个多输出端口的专用显示接口卡，也称多屏卡。其多端口输出是通过分时实现的。多屏显示卡与普通单输出显示卡所使用的计算机总线接口标准没有区别。应当注意的是，微机系统在插入多输出显示卡以后，需将原显示卡取出，否则显示卡硬件间会发生冲突而死机，这一点有别于传统双显示微机系统。传统双显示系统中有两个显示卡，但一个用于彩色显示，另一个用于单色显示。单色和彩色显示卡能够共存于系统中的原因是，彩色和单色占用不同的内存地址，没有资源使用冲突问题。由于本系统使用的多输出显示都是彩色输出，所以不能使用原技术。使用多屏卡显示时，通过向固定端口输出显示内容或视频中断方法实现通道转换，显示通道的通道号和目的端口的地址在向固定通道输出前由程序给出或由中断入口参数决定。多通道显示卡的通道数目一般为2～4个，也可通过组合扩充到16个，甚至更多。
　　安装了多通道显示控制器后，在计算机启动后的初始阶段，显示输出将自动使用0号通道，必需经软件驱动以后才能使用其他通道。多屏显示驱动程序是一个内存驻留程序，其功能的调用要在运行多屏驱动程序以后才能实现。下面给出的一段程序是由固定显示通道输出的汇编程序实例。
　　南开大学学报（自然科学版）显示通道口地址：通道号。
　　下面的程序是通过中断方法实现显示通道转换的汇编程序：此汇编程序很容易地嵌套在语言中，用于编写显示通道实时转换及指定通道信息输出的应用程序中。
　　4结论本文的单微处理器集成控制式光电混合神经网络模式识别系统采用了单一微处理器控制，使用了标准计算机视频接口LCD和专用多通道显示控制器。与使用单片机的N P1024神经网络处理器比较，在使用主频为300M Hz的微机时，光电接口数据传输速度提高了300倍，系统采用高分辨率的LCD后，提高了网络的神经元数目，为系统实现全双极，不同规模网络的级联，提高识别正确率等创造了条件。由于本系统对计算机微处理器的档次和速度没有限制，所以为系统进一步升级换代提供了有效的硬件基础。实验表明，该系统可完成三种不同目标的面内和面外旋转及有限尺度的复合不变性识别，目标在面内旋转0～360°、面外旋转0～±45°和尺度变化为±10 ，正确识别率大于90 .
　　6李文臣，章志广。 32×32元神经网络处理器控制系统。南开大学学报， 1997， 30（ 1）： 9～14 7张延昕，常胜江。大规模光电混合神经网络中的可编程拓扑重构。光学学报， 1998， 18（ 10）： 1305～1 9李华。 M CS51系列单片机实用接口。北京：北京航空航天出版社， 1993， 1～50孙杰等：单微处理器控制的集成化光电混合神经网络模式识别系统南开大学学报（自然科学版）