تحقیق پیاده سازی VLSI یك شبكه عصبی آنالوگ مناسب برای الگوریتم های ژنتیك
خلاصه مفید بودن شبكه عصبی آنالوگ مصنوعی بصورت خیلی نزدیكی با میزان قابلیت آموزش پذیری آن محدود می شود این مقاله یك معماری شبكه عصبی آنالوگ جدید را معرفی می كند كه وزنهای بكار برده شده در آن توسط الگوریتم ژنتیك تعیین می شوند اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیكونی با مساحت كمتر از 1mm كه
| دسته بندی | ژنتیک |
| فرمت فایل | zip |
| حجم فایل | 541 کیلو بایت |
| تعداد صفحات | 39 |
1- مقدمه
شبكه های عصبی مصنوعی به صورت عمومی بعنوان یك راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یك دلیل برای این مسئله مشكلات موجود در تعیین وزنها برای سیناپسها در یك شبكه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یك سیستم متقابل است كه مقادیر صحیح را از خطای خروجی شبكه محاسبه می كند .
یك شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیكه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میكروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشكل روبرو می شویم .
دلیل این مشكل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد كه آنها با دما نیز تغییر كنند .
ساختن مدارات آنالوگی كه بتوانند همه این اثرات را جبران سازی كنند امكان پذیر است ولی این مدارات در مقایسه با مدارهایی كه جبران سازی نشده اند دارای حجم بزرگتر و سرعت كمتر هستند .
برای كسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبكه های عصبی آنالوگ نباید سعی كنند كه مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امكان به فیزیك قطعات متكی باشند تا امكان استخراج یك موازی سازی گسترده در تكنولوژی VLSI مدرن بدست آید .
شبكه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
مطالب زیر را حتما بخوانید:
قوانین ارسال دیدگاه در سایت