برچسب: الگوريتم

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 .

دانلود فایل”پروژه پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك”