A mixed mode neuro-fuzzy classifier named Versatile Adaptive Neuro-Fuzzy Inference System(VANFIS) is presented with versatile structure for different classification problems. The versatile structure which is designed for flexible classification problems is adjustable depending on the number and type of input vectors. Using proposed learning algorithm that evaluates degree of saturation state, the learning sequence is modified according to its speed and accuracy. Additionally, versatile configuration of its front-end architecture sustains more than 90% inference accuracy for all 25 objects in image database.
Exploiting mixed mode systems and its bit width optimization, this classifier is implemented with 1.2mW and $0.765mm^2$ power and area consumption, respectively. Also it achieves 11.35MCUPS(Connection Updates Per Second)/mm2 as learning ability and 1MFLIPS(Fuzzy Logic Inference Per Second) as inference ability. Most of all, this chip can operate on-line learning in real-time . And it is verified with extremely occluded object and novel view of object based on 200 images. It scores 94% object classification accuracy which is improved about 14% from previous approach.
여러 가지 물체 인식 및 분류 알고리즘에 사용 가능한 물체 분류기를 설계하기 위하여, 그 구조 및 분류 능력을 조절 가능한 다용도의 적응형 뉴로-퍼지 시스템을 제안한다. 본 시스템은 실시간으로 학습이 가능한 알고리즘과, 4 개의 조작으로써 구조를 변경하는 하드웨어 그리고 그 것을 디지털/아날로그 혼성 모드로 구현한 특징을 갖는다.
먼저 알고리즘은, 기존의 Parameter Perturbation 방법을 이용한 것으로서 각 학습하는 Perturbation의 속도와 정확도를 조절하기 위하여 누수 지표라를 도입하여 실시간으로 최대한 정확한 학습을 가능하도록 한다. 누수 지표는 각 Perturbation 스텝에 대하여 학습 에러가 포화 상태에 이르렀는지를 판단하고, 그에 따라 가정 적합한 학습 속도와 방법을 선택한다.
이 제안된 학습 알고리즘과 함께 설계하는 분류기의 유연성을 증대시키기 위한 Versatile Granular Architecture를 제안한다. 기존의 적응형 뉴로-퍼지 시스템과 같이 그 하드웨어가 고정된 형태가 아니라, 입력되는 물체의 복잡도에 따라 그 추론 능력을 4가지 모드로 변경 가능한 구조를 지닌다. 이를 이용하여 SSL 데이터 베이스의 모든 물체에 대하여 90% 이상의 추론 정확도를 보장할 수 있게 된다. 전체 분류기는 디지털/아날로그 혼성 모드로 설계 되었는데, 정보 경로와 신호 경로의 Bit Width 를 최적화한 결과, 전력 소모와 면적을 최종적으로 1.2mW와 $0.765mm^2$ 만 소모하면서 효과적으로 구현하였다. 이 분류기는 $11.35MCUPS/mm2$ 의 면적 대비 학습 능력과 27개의 퍼지 룰에 대한 1MFLIPS 의 추론 능력으로 우수한 뉴로-퍼지 성능을 달성함과 더불어 On-Line 학습을 통하여 심각하게 가려진 물체 인식과 새로운 형태의 물체 인식의 성능 향상으로 SSL 데이터 베이스의 물체로 이루어진 200장의 이미지에 대하여 14% 가량 증가된 94% 분류 정확도를 달성하였다.
