рефераты бесплатно

МЕНЮ


Нейрокомпьютеры

Oi – остаток квантования, содержащий nмладших разрядов той же суммы Vi(t.

Для уменьшения погрешности квантования величин Vi(t остатки Oi при

квантовании по алгоритму (75) не отбрасываются, а учитываются в

соответствии с алгоритмом

где Oi-1 – остаток квантования суммы Vi-1(t в предыдущий (i-1)–й момент

времени ti.

Учитывая последнее соотношение, а также то, что выходной блок (ВБ)

модуля формирует значения выходной функции Zi(t, переформулируем алгоритм

(69) БНМ следующим образом:

где (ij - n-разрядное значение синаптического веса j-го входа БНМ в i-й

момент дискретного времени t; ((ji – n-разрядное приращение синаптического

веса j-го входа; Vi(t – 2n-разрядная неквантованная сумма на выходе

сумматора См(N+1); xj(i-1)(t – n-разрядные приращения входных воздействий;

(ji – величины, поступающие на входы rj сумматора См(N+1) с выходов Vi(t

других нейроподобных модулей; Vi(t – n-разрядные квантованные значения

величин Vi(t.

Выходные функции алгоритма (77) формируются выходным блоком ВБ

модуля. Этот блок сравнительно прост, и по количеству используемого

оборудования (совместно с оборудованием квантователя Кв, работающего по

алгоритму (76)) примерно соответствует оборудованию ОБСБ синаптического

блока. Иначе говоря, можно считать, что объем оборудования ОББНМ

нейроподобного модуля может быть оценен соотношением

Условное графическое обозначение БНМ показано на рис. 22. Используя

данное обозначение, представим схему цифрового нейроподобного процессора

так, как это показано на рис. 23. Информационные процессы, протекающие в

данной схеме, могут быть описаны следующей системой разностных уравнений:

где ( – порог моделируемого воздействия; ( – параметр, характеризующий

инерционные свойства нервной клетки.

Сравнивая уравнения системы (79) с математическим описанием

информационных процессов в цифровой модели нейрона, найдем, что

относительно выходной функции Zi+1(t система (79) действительно совпадает с

алгоритмом нейропроцессора динамического типа. Относительно выходной

функции Zi+1 отдельный БНМ работает в режиме обычного формального нейрона.

Таким образом, БНМ представляет собой достаточно универсальный

модуль, который способен работать в режимах пространственного сумматора и

формального нейрона, а также в режиме временного сумматора. Более того, тот

же модуль может служить и в качестве расширителя входов пространственного

сумматора. Поэтому при его микроэлектронной реализации получается

единственная универсальная БИС БНМ, выполняющая функции как БИС1, так и

БИС2.

Очевидно, что в такой БИС желательно иметь как можно больше

синаптических входов, т. е. тех входов, на реализацию которых уходит

основная часть оборудования БНМ. Однако, при проектировании БНМ необходимо

учитывать и то, что в различных режимах оборудование модуля используется

неравномерно. Так, из рис. 23 видно, что в БНМ1, выполняющем функции

пространственного сумматора, используется практически все оборудование

схемы. В то же время в БНМ2, реализующем функции временного сумматора,

используется лишь 2(N+1)-1–я его часть. При возрастании N эффективность

применения модуля БНМ2 уменьшается.

С целью устранения данного недостатка описанных базовых нейронных

модулей используем идею коммутации их синаптических блоков. При этом

появляются модули с внутренней коммутацией.

15. Базовый модуль с внутренней коммутацией

Идею построения коммутируемых БНМ (КБНМ) поясним при помощи схемы,

показанной на рис. 24а (на рис. 24б показано ее условное графическое

обозначение).

Входы ?j (j=1, N+2) являются управляющими. Причем, ?j ({0, 1}. Если

некоторый сигнал ?j =0, то соответствующий j-й синаптический блок

отключается от сумматора и при помощи дополнительного выхода (j может быть

подсоединен к некоторому входу расширения rj другого БНМ.

Эффективность использования оборудования ЦНП, состоящего из двух

коммутируемых БНМ, возрастает почти в два раза.

Следующий этап совершенствования структуры БНМ связан с обеспечением

возможности построения ЦНП не на двух, а на одном нейроподобном модуле.

Достигается это путем обеспечения возможности переключения режимов работы

модуля.

16. Базовый модуль с перестраиваемой структурой

Блок-схема базового модуля с перестраиваемой структурой (БНМ ПС)

имеет вид, показанный на рис. 25а (условное графическое обозначение

приведено на рис. 25б).

При использовании БИС БНМ ПС схема ЦНП может быть построена на одной

микросхеме путем коммутации ее входов и выходов (рис. 26).

Полюсы r1( rM позволяют увеличивать число входов ЦНП до нужного

числа. В качестве расширителей входов используются такие же БИС. (Выходы (,

(’, (1((N+2). При (=1 и отсутствии обратных связей БНМ ПС является

обучаемым формальным нейроном или расширителем входов ЦНП. С показанными на

рис. 26 обратными связями та же БИС выполняет функции ЦНП.

Подключение такой же БИС на входы расширения позволяют увеличить

число входов ЦНП.

Таким образом, рассмотренный базовый модуль является

полифункциональным и, кроме того, позволяет повышать эффективность

использования своего оборудования путем переключения синаптических блоков.

Достигается это путем незначительных аппаратных затрат внутри модуля и

использования дополнительных управляющих, входных и выходных линий.

17. Расчет экономического эффекта

Расчет экономического эффекта от производства новой продукции, не

имеющей базы сравнения (принципиально новой продукции), осуществляется

исходя из прибыли реализации единицы этой продукции, удельных капитальных

вложений с учетом нормативного коэффициента их эффективности и годового

объема производства принципиально новой продукции:

Э = ( П – Ен*К)*А2 (80)

где Э – годовой экономический эффект от производства нового продукта, руб.;

П – прибыль от реализации единицы нового продукта, руб.; Ен – нормативный

коэффициент эффективности капитальных вложений, равный 1,5; К – удельные

капитальные вложения в производство нового продукта, руб.; А2 – годовой

объем производства новых продуктов, ед.

Для выбора наиболее экономичного варианта производства производятся

расчеты сравнительной экономической эффективности на основе определения

минимума приведенных задач:

Зi = Сi + Ен*Кi ( min (81)

где Зi – удельные (на единицу продукции) приведенные затраты на

производство продукта, руб.; Сi – удельные текущие затраты (себестоимость)

на производство продукта, руб.; Кi – удельные капитальные вложения в

продукт, руб.

Расчеты по формуле (81) позволяют из всего множества вариантов

выпуска одинаковых по объему и качеству продуктов при различных текущих

затратах и капитальных вложений выбрать вариант с наименьшими совокупными

затратами.

Решение о выборе варианта для постановки его на производство

формируется на основе анализа экономической эффективности и

народнохозяйственного значения продукта при его использовании с учетом

расчетов, выполненных по формуле (81).

Заключение

Изложенный материал отражает один из важных подходов к проектированию

искусственных нейронов и нейронных сетей. Суть этого подхода состоит в

синтезе и аппаратной реализации разностных алгоритмов обработки информации

в нервных клетках, воспроизводящих как моделирующие, так и вычислительные

свойства нейронов. Данное обстоятельство оправдывает использование для

обозначения синтезированного цифрового динамического нейроподобного

элемента термина «цифровой нейропроцессор». Особенность такого ЦНП

заключается в том, что, помимо выполнения крупных математических операций,

он структурно настраивается на выполнение крупных моделирующих операторов

типа формального нейрона, адаптивного нейрона и т. д.

Нейронные операторы позволяют использовать ЦНП для имитационного

моделирования неформализованных нейросетевых процессов в мозге.

Математические операции позволяют создавать обучаемые сети систем

распознавания образов. Более того, эти операции позволяют строить

нейропроцессорные сети для решения таких задач вычислительной математики,

как решение систем линейных алгебраических уравнений с произвольной, в том

числе прямоугольной и квадратной особенной матрицей коэффициентов; решение

задач линейного программирования; решение систем дифференциальных уравнений

со сложными граничными условиями, решение интегральных уравнений и т. п.

В то же время следует отметить, что данный подход не является

единственным. В настоящее время многие фирмы США, Японии, Европы ведут

интенсивные исследования, направленные на создание нейрокомпьютеров и

нейроэлементов различных модификаций. Прежде всего это касается

симуляционных (моделирующих) нейрокомпьютеров, разрабатываемых в виде

пакетов прикладных программ для персональных ЭВМ и суперЭВМ.

Разрабатываются нейроЭВМ на новой технологической основе, например

оптической, оптоэлектронной, молекулярной.

Литература

1. Чернухин Ю. В. Нейропроцессоры. Таганрог, ТРТИ, 1994.

2. Чернухин Ю. В. Искусственный интеллект и нейрокомпьютеры.

Таганрог, ТРТИ, 1997.

-----------------------

(1)

[pic]

(2)

[pic]

[pic]

(3)

[pic]

(4)

[pic]

[pic]

(5)

[pic]

[pic]

(6)

(8)

[pic]

[pic]

[pic]

(10)

[pic]

(12)

1

2

V(t)

Z(t),V(t)

(13)

[pic]

[pic]

[pic]

[pic]

(14)

[pic]

[pic]

(15)

[pic]

(16)

(17)

[pic]

(18)

[pic]

(19)

[pic]

[pic]

(20)

[pic]

[pic]

(21)

[pic]

[pic]

(22)

(23)

[pic]

[pic]

(26)

[pic]

(25)

[pic]

[pic]

[pic]

x(ti)

xN(ti)

(1

.

. ПС

.

(N

–1

Sign ky(ti)

Z(ti+1)

y(ti)

(n

k

(1

.

. ПС1

.

(N

.

.

.

(

(( ПС2

–(

x(ti)

.

.

.

xN(ti)

(п

И

k ВБ

Z(t)

y’(t)

y(t0)

V(t)

(1

.

. ПС

.

(N

–1

–(

.

.

.

x(ti)

.

.

.

xN(ti)

(п

И

ВБ

Z(t)

y(t0)

y’(t)

y(t)

Пвв1

Пвв2

ПввN

ПЗУ

Программа алгоритма

ОЗУ

(1 (

. (

. k

.

(N (

Пв

МПУ

Z(ti+1)

x1(ti)

x2(ti)

xN(ti)

[pic]

[pic]

[pic]

(Wi+1

(m)

( yq(i+1)

(m)

См

Мн

Кв

Рг yi-1

(n)

yi=yi-1+( yi

(Wi

(n+m)

( yi

(m)

ЦИ

См

&1

&2

Рг Oi

(n)

(Wi+Oi-1

(Wi+1

(m)

Кв1

(Wi

(n+m)

Ио Ип

&

Кв2

(Wi+1

Ип

(Wi

ЦИ

yi-1

(Wi+1

(yq(i+1)

(yi

ЦИ

yi-1

(Wi+1

(yq(i+1)

(yi

Кв

(Wi+1

(Wi+1

ЦИ

yi-1

(Wi+1

(yq(i+1)

(yi

(yi

(yq(i+1)

Э

(yqi

(yq(i+1)= (y эqi

[pic]

[pic]

ЦИ

(1

ЦИ

(N

См1

...

Vi(t

ЦИ

(

(Vi(t

См1

См2

-((t

ЦИ

yi-1

(yi

ЦИ

k

(

Zi+1(t

-(yi(t

(

ЦИ

-

(

(

ЦИ

-

yi(t

X1(t

XN(t

(t

ЦИ

(1

ЦИ

(N

...

См

ЦИ

yi-1

(

ЦИ

-

(

X1(t

ЦИ

k

(

Zi+1(t

(

ЦИ

-

XN(t

(t

t

t

t

t

Vi

yi

Zi+1(t (k=1)

Zi+1(t (k=0.5)

[pic]

(27)

[pic]

(30)

(29)

(28)

[pic]

[pic]

[pic]

(31)

[pic]

[pic]

[pic]

(32)

[pic]

(34)

(36)

(35)

(33)

[pic]

[pic]

[pic]

[pic]

[pic]

(34)

(35)

(36)

[pic]

(37)

(38)

(39)

Пространственный сумматор

[pic]

Временной

сумматор

[pic]

Пространственный сумматор

[pic]

Vi(t

yi(t

. . .

((1 ((N

(t (( (( (( (k

Zi+1(t

X1(i-1)(t

XN(i-1)(t

.

.

.

[pic]

(40)

[pic]

(41)

[pic]

(42)

[pic]

[pic]

(43)

(44)

[pic]

(45)

[pic]

(46)

ЦИ1

(1

ЦИN

(N

См1

Кв

Кв

Кв

ЦИ(N+1)

(

(x1

(xN

.

.

.

.

.

.

См2

ЦИ(N+2)

y

Кв

Кв

ЦИ(N+5)

+

k

ЦИ(N+3)

-(

(Z

ЦИ(N+4)

-(

Кв

(t

Рис.15.ЦНП с ЦИ с квантователями на входах

Рис.16.ЦНП с ЦИ с квантователями на входах с переменными значениями

параметров

(t

Кв

ЦИ(N+4)

-(

(Z

ЦИ(N+3)

-(

ЦИ(N+5)

+

k

(k

Кв

ЦИ(N+2)

y

См2

.

.

.

.

.

.

(x1

ЦИ(N+1)

(

((N

Кв

Кв

См1

ЦИN

(N

ЦИ1

(1

Кв

((1

Кв

((

(x1

Кв

(xN

Кв

(xN

Кв

Кв

Кв

-((

Кв

-((

Рис.17.ЦНП с ЦИ с квантователями на выходах

(t

Кв

ЦИ(N+4)

-(

(Z

ЦИ(N+3)

-(

ЦИ(N+5)

k

Кв

Кв

ЦИ(N+2)

y

См2

.

.

.

.

.

.

(x1

ЦИ(N+1)

(

((N

Кв

Кв

См1

(xN

ЦИ1

(1

((1

Кв

ЦИN

(N

((

-((

Кв

(k

-((

Рис.18.ЦНП, промежуточный вариант

(t

((1 ((N -(( -((

(( (k

ЦИ(N+4)

-(

(t

ЦИ(N+3)

-(

ЦИ(N+2)

y

y(t

Кв

ЦИ(N+5)

k

См2

.

.

.

.

.

.

(x1

ЦИ(N+1)

(

(xN

Vi(t

Кв

См1

ЦИN

(N

ЦИ1

(1

(

[pic]

(47)

[pic]

(48)

(49)

[pic]

(50)

[pic]

[pic]

(51)

[pic]

(52)

[pic]

(53)

[pic]

(54)

[pic]

(55)

[pic]

(56)

[pic]

(57)

[pic]

(58)

[pic]

(59)

[pic]

(60)

[pic]

(61)

[pic]

(62)

[pic]

(63)

[pic]

[pic]

(64)

[pic]

(65)

[pic]

(66)

[pic]

(67)

[pic]

(68)

ЦИ1

(1

ЦИN

(N

.

.

.

См

Кв

x1(t

.

.

.

xN(t

r1

rN

V(t

V(t

((1 ( ((N

БИС1

Рис. 19. БИС1, структурная схема

Рис. 20. БИС2, структурная схема

ЦИ5

k

(( -((

-(( (k

(y

(y

(t

V(t

r

Кв

См

ЦИ4

y

ЦИ2

–(

ЦИ1

(

.

.

.

ЦИ3

–(

(z

БИС2

[pic]

[pic]

[pic]

(69)

[pic]

(70)

[pic]

(71)

[pic]

[pic]

[pic]

(72)

[pic]

(73)

[pic]

(74)

(75)

[pic]

[pic]

(76)

[pic]

(77)

[pic]

(79)

Рг (1

См1

Мн1

См(N+1)

?

?

?

Мнj

Рг (j

Смj

.

.

.

.

.

.

МнN

Рг (N

СмN

.

.

.

(?1

x1(t

(?j

xj(t

(?N

xN(t

r1

rN

?

V

ВБ F1

F2

Кв

БН

V(t

V(t

Z(t

Sign Z

Рис. 21. Базовый нейропроцессорный модуль, структурная схема

[pic]

(78)

?

V

F1

F2

БНМ

?

?

?

?1

?

?N

(?1

?

(?N

r1

?

rm

Рис. 22. Базовый нейропроцессорный модуль, условное обозначение

?

?

(t

x1(t

x(N-2)(t

-(?

-((

?i

?M

V2j(t

V1j(t

g

рV

f

gF1

g

dF2

ББНМ

2

?1=?( i-1)

?

?N

(?1

?

(?N

r1

?

rm

V

БНМ

1

?1

?

?N-2

?N-1=-?

?N =-(

(?1

(?N-2

(?N-1

(?N

r1

?

rM

Рис. 23. Цифровой нейроподобный процессор

Рис. 24а. Коммутируемый БНМ

г1

гМ

( (1 ( (N + 2

(1 (N + 2

(1

(N+2

Vi(t

Vi(t

Zi(t

Sign Vi(t

КБНМ

?

? ?

(

V

ВБ

Z

S

См

(N+2

(N+2

(1

(1

(1

?

(N+2 (

((1 V

?

((N+2 Z

r1 S

?

rM

(1 (1

? ?

(N+2 (N+2

? ?

БИС

КБНМ

Рис. 24б. КБНМ, условное обозначение

БНМ ПС

(t

(t

(t

((1

(’

ВБ2

V’

Рг А

?

(N+3

?

См2

Рис. 25а. БНМ с перестраиваемой структурой

г1

гМ

( (2 ( (N + 3

(

(2

(N+3

?

(

V

ВБ1

Z

S

См1

К

(2

(

(1

Рис. 25б. БНМ ПС, условное обозначение

БИС

КБНМ

ПС

(1 (’

((1 V’

(2

?

(N+3

((2

?

((N+3

r1

?

rM

(

А (N+2

? ?

(1

?

(N+2

(

V

Z

S

(

V

Z

S

(1

?

(N+2

Рис. 26. БНМ ПС, выполняющий функции ЦНП

БИС

КБНМ

ПС

(1=y i-1 (’

((1 V’

(2=-(

(3=-(

(4

?

(N+3

((2

((3

?

((N+3

r1

?

rM

(

А

(t

x1(t

xN-2(t

–((

–((

“0”

Страницы: 1, 2, 3, 4


Copyright © 2012 г.
При использовании материалов - ссылка на сайт обязательна.