Ayarlanabilir Cmos Sınıflandırıcı Devrelerde Yeni Olanaklar

Abstract

Bu çalışmada, ayarlanabilir sınıflandırıcı devreleri ve uygulama alanları incelenmiştir. Sınıflandırma işlemi, benzer özellik taşıyan objelerin farklı özellikte olanlardan ayırt edilmesi şeklinde tanımlanabilir ve otomatik hedef belirleme, yapay zekâ, yapay sinir ağları, analog-sayısal dönüştürücüler, tıbbi tanı, kuantalama, görüntü işleme, istatistik gibi konularda kullanım alanı bulur. Diğer yandan, gerek gerçek dünyada gerekse sayısal dünyada, verilerin sınıflandırılması büyük önem taşımaktadır. Sınıflandırma yöntemleri ilk olarak 1960’lı yıllarda örüntü sınıflandırma adı altında görülmeye başlanmış ve ilişkin algoritmalarda basit yapılar ele alınmıştır; ilk gerçeklenen yapıda en yakın komşu yakınsaması kullanılmıştır. Bugüne kadar sınıflandırma işlemi, çeşitli algoritmalar yardımıyla genellikle yazılımsal olarak yapılmıştır. Oysaki gerçek zamanda çalışma gerektiren bazı uygulamalarda, sınıflandırma işleminin donanımsal olarak da gerçeklenmesi önem kazanmaktadır. Bu amaçla, çalışmanın donanımsal gerçeklemeyle ilgili kısmında, önce çekirdek devre diye adlandırılan temel bir yapı tasarlanmış ve bu çekirdek devrelerden oluşan çok girişli-çok çıkışlı bir sınıflandırıcı mimarisi geliştirilmiştir. Bu sınıflandırıcı mimarisi ile sınıflandırılabilen ve sınıflandırılamayan veri kümeleri incelenmiş, sınıflandırılamayan veri kümelerinin ayırt edilebilmesi için çekirdek devre yapıları ile kullanılabilecek Çarpan Devre yapısı gerçekleştirilmiştir. Dolayısıyla gerek sadece çekirdek devre yapıları, gerekse çarpan devre yapıları ile beraber kullanılarak veri kümelerinin uygun kontrol parametreleri ile sınıflandırılabileceği gösterilmiştir. Bu kontrol parametrelerinin bulunmasını sağlayan eğitim algoritmaları da incelenmiştir. Sonuç olarak bu çalışmada, sınıflandırma işlemini donanımsal yapılar ile gerçekleştirebilecek, ayarlanabilir, eğitilebilen yeni sınıflandırıcı devreleri tasarlanmış, sağladıkları yeni olanakların gerçek dünyada bulunan ve de önemli olan uygulamalarda incelenmesi ile elde edilen sonuçlar verilmiş ve sınıflandırma konusundaki etkinlikleri ortaya konulmuştur.

In this thesis, new possibilities in CMOS classifier circuits and their applications are investigated. Classifier circuits can find applications in various fields of applied science such as pattern recognition, artificial intelligence, neural networks, analog digital converters, quantizers and statistics. Therefore, classification is especially important in the real world applications or in the digital world. Firstly, basic classification methods using the nearest neighbourhood algorithm have been seen in 1960 as pattern recognition. Nowadays classification is generally achieved with the help of some algorithms aided with computer programs. However, hardware implementation of classifier circuits are important for the some applications that require real-time processing. For that reason, in this thesis firstly hardware implementation of a basic classification unit called core cell is presented. A multiple-input and multiple-output classification topology is constructed with these core cells. The data sets that can be classified or non-classified with that multiple-input and multiple-output classifier circuits have been investigated. A Scaler Circuit has been realized with core cells and used to classify data sets. As a result it is shown that the data sets, with only core cells or together with scaler circuits, can be classified with the appropriate control parameters. Learning algorithms have been investigated, developed and applied to obtain these control parameters. To conclude, in this thesis custom tunable CMOS classifier circuits have been designed, tested and applied. The test applications have been chosen from real world problems and the results have verified the effective performance of the classifier topologies and circuits.