انجام پایان نامه

درخواست همکاری انجام پایان نامه  بانک مقالات رایگان انجام پایان نامه

سفارش پایان نامه

|

انجام پایان نامه ارشد

 پایان نامه 

پایان نامه‏ کامپیوتر

انجام پایان نامه‏ ارشد کامپیوتر

خلاصه
مفيد بودن شبكه عصبي آنالوگ مصنوعي بصورت خيلي نزديكي با ميزان قابليت آموزش پذيري                    آن محدود مي شود .
اين مقاله يك معماري شبكه عصبي آنالوگ جديد را معرفي مي كند كه وزنهاي بكار برده شده در آن توسط الگوريتم ژنتيك تعيين مي شوند .
اولين پياده سازي VLSI ارائه شده در اين مقاله روي سيليكوني با مساحت كمتر از 1mm كه                      شامل 4046 سيناپس و 200 گيگا اتصال در ثانيه است اجرا شده است .
از آنجائيكه آموزش مي تواند در سرعت كامل شبكه انجام شود بنابراين چندين صد حالت منفرد                    در هر ثانيه مي تواند توسط الگوريتم ژنتيك تست شود .
اين باعث مي شود تا پياده سازي مسائل بسيار پيچيده كه نياز به شبكه هاي چند لايه بزرگ دارند                عملي بنظر برسد .







1- مقدمه
شبكه هاي عصبي مصنوعي به صورت عمومي بعنوان يك راه حل خوب براي مسائلي از قبيل تطبيق الگو     مورد پذيرش قرار گرفته اند .
عليرغم مناسب بودن آنها براي پياده سازي موازي ، از آنها در سطح وسيعي بعنوان شبيه سازهاي عددي           در سيستمهاي معمولي استفاده مي شود .
يك دليل براي اين مسئله مشكلات موجود در تعيين وزنها براي سيناپسها در يك شبكه                                    بر پايه مدارات آنالوگ است .
موفقترين الگوريتم آموزش ، الگوريتم Back-Propagation است .
اين الگوريتم بر پايه يك سيستم متقابل است كه مقادير صحيح را از خطاي خروجي شبكه                          محاسبه مي كند .
يك شرط لازم براي اين الگوريتم دانستن مشتق اول تابع تبديل نرون است .
در حاليكه اجراي اين مسئله براي ساختارهاي ديجيتال از قبيل ميكروپروسسورهاي معمولي                                و سخت افزارهاي خاص آسان است ، در ساختار آنالوگ با مشكل روبرو مي شويم .
دليل اين مشكل ، تغييرات قطعه و توابع تبديل نرونها و در نتيجه تغيير مشتقات اول آنها از نروني به نرون ديگر    و از تراشه اي به تراشه ديگر است و چه چيزي مي تواند بدتر از اين باشد كه آنها با دما نيز                             تغيير كنند .
ساختن مدارات آنالوگي كه بتوانند همه اين اثرات را جبران سازي كنند امكان پذير است ولي اين مدارات        در مقايسه با مدارهايي كه جبران سازي نشده اند داراي حجم بزرگتر و سرعت كمتر هستند .
براي كسب موفقيت تحت فشار رقابت شديد از سوي دنياي ديجيتال ، شبكه هاي عصبي آنالوگ                 نبايد سعي كنند كه مفاهيم ديجيتال را به دنياي آنالوگ انتقال دهند .
در عوض آنها بايد تا حد امكان به فيزيك قطعات متكي باشند تا امكان استخراج يك موازي سازي گسترده    در تكنولوژي VLSI مدرن بدست آيد .
شبكه هاي عصبي براي چنين پياده سازيهاي آنالوگ بسيار مناسب هستند زيرا جبران سازي نوسانات               غير قابل اجتناب قطعه مي تواند در وزنها لحاظ شود .


مسئله اصلي كه هنوز بايد حل شود آموزش است .
حجم بزرگي از مفاهيم شبكه عصبي آنالوگ كه در اين زمينه مي توانند يافت شوند ، تكنولوژيهاي گيت شناور را جهت ذخيره سازي وزنهاي آنالوگ بكار مي برند ، مثل EEPROM حافظه هاي Flash .
در نظر اول بنظر مي رسد كه اين مسئله راه حل بهينه اي باشد .
 آن فقط سطح كوچكي را مصرف مي كند و بنابراين حجم سيناپس تا حد امكان فشرده مي شود             (كاهش تا حد فقط يك ترانزيستور) .
دقت آنالوگ مي تواند بيشتر از 8 بيت باشد و زمان ذخيره سازي داده (با دقت 5 بيت) تا 10 سال              افزايش مي يابد .
اگر قطعه بطور متناوب مورد برنامه ريزي قرار گيرد ، يك عامل منفي وجود خواهد داشت                               و آن زمان برنامه ريزي و طول عمر محدود ساختار گيت شناور است .
بنابراين چنين قطعاتي احتياج به وزنهايي دارند كه از پيش تعيين شده باشند .
اما براي محاسبه وزنها يك دانش دقيق از تابع تبديل شبكه ضروري است .
براي شكستن اين چرخه پيچيده ، ذخيره سازي وزن بايد زمان نوشتن كوتاهي داشته باشد .
اين عامل باعث مي شود كه الگوريتم ژنتيك وارد محاسبات شود .
با ارزيابي تعداد زيادي از ساختارهاي تست مي توان وزنها را با بكار بردن يك تراشه واقعي                            تعيين كرد .
همچنين اين مسئله مي تواند حجم عمده اي از تغييرات قطعه را جبران سلزي كند ، زيرا داده متناسب              شامل خطاهايي است كه توسط اين نقايص ايجاد شده اند .








اين مقاله يك معماري شبكه عصبي آنالوگ را توصيف مي كند كه براي الگوريتم هاي ژنتيك                    بهينه شده اند .
سيناپس ها كوچك 10X10μm و سريع هستند .
فركانس اندازه گيري شده شبكه تا 50MHz افزايش مي يابد كه در نتيجه بيش از  200 گيگا اتصال در ثانيه  براي آرايه كاملي از 4096 سيناپس بدست مي آيد .
براي ساختن شبكه هاي بزرگتر بايد امكان تركيب چندين شبكه كوچكتر روي يك سطح يا                        روي تراشه هاي مختلف وجود داشته باشد كه با محدود كردن عملكرد آنالوگ به سيناپس ها و وروديهاي نرون                بدست مي آيد .
وروديهاي شبكه و خروجيهاي نرون بصورت ديجيتالي كدينگ مي شود .
در نتيجه عملكرد سيناپس از ضرب به جمع كاهش مي يابد .
اين مسئله باعث مي شود كه حجم سيناپس كوچكتر شود و عدم تطبيق پذيري قطعه بطوركامل                  جبران سازي شود .
چونكه هر سيناپس يك صفر يا وزن اختصاصي اش را اضافه مي كند كه مي تواند شامل                                 هر تصحيح ضروري باشد .
سيگنالهاي آنالوگ بين لايه هاي شبكه آنالوگ ، بوسيله اتصالات چند بيتي اختياري بيان مي شوند .
شبكه ارائه شده در اين مقاله براي يك جريان عددي real-time‌ در محدوده فركانسي                                      1 – 100MHz و پهناي 64 بيت بهينه شده است .
قصد داريم كه آن را براي كاربردهاي انتقال داده مثل DSL‌ سرعت بالا ، پردازش تصوير                                بر اساس داده ديجيتالي لبه توليد شده توسط تصاوير دوربين بوسيله تراشه پيش پردازش                            آنالوگي و ارزيابي تناسبي آرايه ترانزيستور قابل برنامه ريزي كه در گروه ما توسعه داده شده است                بكار ببريم .





2- تحقق شبكه عصبي

2-1- اصول عملكرد
شكل1 يك بيان سمبوليك از شبكه عصبي دور زننده را نشان مي دهد .
هر نرون ورودي (دايره كوچك) بوسيله يك سيناپس (پيكان) به هر نرون خروجي                                       متصل شده است .
نرونهاي خروجي توسط مجموعه دومي از نرون هاي ورودي به داخل شبكه                                               فيدبك شده اند .
نرون هاي ورودي فقط بجاي تقويت كننده ها بكار گرفته مي شوند در صورتيكه پردازش                               در نرون هاي خروجي انجام مي شود .

اين معماري شبكه هاي چند لايه مجازي را با انتخاب وزنهاي مناسب                                                              ارائه مي دهد .   
يك مثال براي ساختار 2 لايه در سمت راست شكل 1 نشان داده شده است .
وزنهاي سيناپس هايي كه در حالت صفر تنظيم شده اند با پيكانهاي خط چين نشان داده شده اند .
يك شبكه فيدبك آموزش داده شده توسط الگوريتم ژنتيك معمولا تعداد ثابتي                                              از لايه ها ندارد .
البته الگوريتم مي تواند به تعداد ثابتي از لايه ها محدود شود ، همانطوريكه در شكل1 نشان                             داده شده  است .


اما بنظر مي رسد كه معمولا بهتر است اجازه داده شود تا الگوريتم ژنتيك بهترين تعداد لايه ها را                 انتخاب كند .
همچنين بين لايه هاي مجازي مرز دقيقي وجود ندارد .
براي جلوگيري از تلف شدن سيناپس در صورتيكه همه مسيرهاي فيدبك استفاده نشده باشند ،                      شبكه ارائه شده نرون هاي ورودي را بين نرون هاي خروجي و خروجي هاي فيدبك                                  تقسيم (share) مي كند .




















شكل 2 اصول عملكرد يك تك نرون را نشان مي دهد .


وزنهاي سيناپسي تحت عنوان بار روي خازن ذخيره مي شوند (خازن ذخيره ساز) .
عملكرد نرون به دو فاز تقسيم مي شود : پيش شارژ (Precharge) و ارزشيابي (Evaluate)
در فاز پيش شارژ همه كليدهاي موجود در سيناپس ها به سمت بافر تنظيم مي شوند و سيگنال پيش شارژ         در نرون فعال  است .
در هر سيناپس ، خازن خروجي از طريق بافر وزن به همان مقدار ولتاژي كه روي خازن ذخيره قرار دارد      شارژ مي شود .
نرون از يك مقايسه كننده ( Comparator ) و يك Latch تشكيل مي شود .
سيگنال پيش شارژ كليد مابين دو ورودي مقايسه كننده را مي بندد .
و در نتيجه سيگنال Post-Synaptic با ولتاژ مرجعي پيش شارژ مي شود كه سطح صفر شبكه را                     تعيين مي كند .








انجام پایان نامه

انجام پایان نامه کامپیوتر، انجام پایان نامه ارشد کامپیوتر، انجام پایان نامه، پایان نامه

برای دیدن ادامه مطلب از لینک زیر استفاده نمایید

  دانلود مقاله | انجام پایان نامه

سفارش پایان نامه