양자화레벨의 변화에 따른 역전파알고리즘 = Quantization Level for Backpropagation Algorithm

국문 초록 (Abstract)

본 논문은 다층퍼셉트론에서의 양자화 기법의 효과를 연구 하였다. 양자화 기법은 performance를 다소 감소하지만 연결강도치를 효과적으로 압축할수 있기 때문에 실용성이 증가되고 실제 VLSI 설계시 회로의 단순화와 비용등을 줄일 수 있다. 또한 양자화 기법 사용시 가장 중요한 요소인 양자화 레벨을 조사하여 주어진 네트워크에서 적절한 레벨을 구하였고 제안한 방법의 효용성을 입증하기 위하여 여러 가지 함수 발생기에 적용하고 각각의 경우의 양자화 레벨을 조사하여 양자화 레벨의 변화시 생기는 결과의 차이를 고찰하였다.

다국어 초록 (Multilingual Abstract)

In this paper, we propose a quantization method for training multilayer perceptron networks. Although the quantization method may tend to slightly deteriorate the performance, it may reduce a chip size for hardware implementation and cost in application. The loaming method used here is equal to the backpropagation learning method used in multilayer perceptrons. In our method, we investigate the regurred number of bits and approximate the weight vector for each perceptron. In addition, the proposed method employs a network structure that consists of two hidden layers. Due to the two hidden layers, it may require many computations. However, experimental results show that we can achieve satisfactory results. We apply various functions to our network to show the validity of the proposed network. Network variations due to quantization levels are also investigated.

목차 (Table of Contents)

• 1.서론
• 2.신경회로망
• 2.1 신경회로망 모델
• 2.2 역전파 학습알고리즘
• 3.네트워크 구조
• 4.시뮬레이션
• 5.양자화 기법을 이용한 역전파
• 6.결론