The method and circuits of the present invention aim to associate a norm to
each component of an input pattern presented to an input space mapping
algorithm based artificial neural network (ANN) during the distance
evaluation process. The set of norms, referred to as the "component" norms
is memorized in specific memorization means in the ANN. In a first
embodiment, the ANN is provided with a global memory, common for all the
neurons of the ANN, that memorizes all the component norms. For each
component of the input pattern, all the neurons perform the elementary (or
partial) distance calculation with the corresponding prototype components
stored therein during the distance evaluation process using the associated
component norm. The distance elementary calculations are then combined
using a "distance" norm to determine the final distance between the input
pattern and the prototypes stored in the neurons. In another embodiment,
the set of component norms is memorized in the neurons themselves in the
prototype memorization means, so that the global memory is no longer
physically necessary. This implementation allows to significantly optimize
the consumed silicon area when the ANN is integrated in a silicon chip.
Il metodo ed i circuiti di presente invenzione mirano ad associare una norma ad ogni componente di un modello dell'input presentato ad uno spazio dell'input che traccia la rete neurale artificiale basata procedura (ANN) durante il processo di valutazione di distanza. L'insieme delle norme, citato come le norme "componenti" è memorizzato nei mezzi specifici di memorizzazione nella ANN. In un primo incorporamento, la ANN è fornita di una memoria globale, comune per tutti i neuroni della ANN, che ha memorizzato tutte le norme componenti. Per ogni componente del modello dell'input, tutti i neuroni effettuano il calcolo di distanza elementare (o parziale) con i componenti corrispondenti del prototipo immagazzinati in ciò durante il processo di valutazione di distanza usando la norma componente collegata. I calcoli elementari di distanza allora sono uniti usando una norma "di distanza" per determinare la distanza finale fra il modello dell'input ed i prototipi immagazzinati nei neuroni. In un altro incorporamento, l'insieme delle norme componenti è memorizzato nei neuroni essi stessi nei mezzi di memorizzazione del prototipo, di modo che la memoria globale non è necessaria più fisicamente. Questa esecuzione concede ottimizzare significativamente la zona consumata del silicone quando la ANN è integrata in una placchetta di silicio.
