پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك 22 ص

لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : .doc ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 31 صفحه قسمتی از متن .doc : ‏پياده سازي VLSI‏ يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك Johannes Schemmel1, Karlheinz Meier1, and Fel پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك 22 ص |1652818|arshad100| پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك 22 ص ,پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك 22 ص,دانل
با سلام و درود خدمت خدمت شما پژوهشگر عزیز در این مطلب از سایت فایل با عنوان پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك 22 ص هم اکنون آماده دریافت می باشد برای مشاهده جزئیات فایل به ادامه مطلب مراجعه نمایید .

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

نوع فایل : .doc ( قابل ويرايش و آماده پرينت )

تعداد صفحه : 31 صفحه

قسمتی از متن .doc :

‏پياده سازي VLSI‏ يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك

Johannes Schemmel1, Karlheinz Meier1, and Felix Sch¨urmann1

Universit¨at Heidelberg, Kirchho_ Institut f¨ur Physik, Schr¨oderstr. 90, 69120

Heidelberg, Germany,

schemmel@asic.uni-heidelberg.de,

WWW home page: http://www.kip.uni-heidelberg.de/vision.html

‏خلاصه

‏مفيد بودن شبكه عصبي آنالوگ مصنوعي بصورت خيلي نزديكي با ميزان قابليت آموزش پذيري آن محدود مي شود .

2

‏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 .

‏مقدمه صفحه 2

‏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 .

‏مقدمه صفحه 3

‏مسئله اصلي كه هنوز بايد حل شود آموزش است .