SimHardWiki - Вклад участника [ru]

Вариант 15

2013-12-02T14:43:25Z

Устилко Катя:

=Синтезируемое VHDL-описание нейронной сети=
==Введение==
Исследования по искусственным нейронным сетям связаны с тем, что способ обработки информации человеческим мозгом в корне отличается от методов, применяемых обычными цифровыми компьютерами. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение
==Биологические нейронные сети==
Структура, размеры и форма нейронов различаются в зависимости от их местонахождения в нервной системе и особенностей функционирования. Рассмотрим строение нейрона, преобладающего в центральной нервной системе, его упрощенная схема приведена на рис. 1.
[[Файл:111.jpg|300px|thumb|right|Рис.1 Биолгический нейрон]]
Нейрон включает в себя сому или тело клетки, дендриты – совокупность отростков, по которым в нейрон приходят нервные импульсы от других нейронов, т. е. входные сигналы, и аксон – отросток, передающий выходной сигнал нейрона к другим клеткам. Длина аксонов обычно заметно превосходит размеры дендритов, достигая десятков сантиметров. Тело нейрона состоит из ядра и цитоплазмы, заключенных в мембрану. Синапс - место контакта между аксоном одного нейрона и дендритами второго, служит для передачи нервного импульса между двумя клетками.

Нейрон:
#тело клетки (''сома'')
#*ядро
#*цитоплазма
#*мембрана
#дендриты,
#аксон
==Модель нейрона==
[[Файл:222.gif|400px|thumb|left|Рис.2 Модель нейрона]]
В 1943 году '''Маккалок''' и '''Питтс''' предложили математическую модель нейрона, ''формальный нейрон''. Как и его биологический прототип, модель нейрона содержит несколько входов и один выход (рис. 1.2).
Все компоненты вектора входного сигнала <math>x=(x_1,x_2,…,x_n)</math> суммируются после умножения на соответствующие веса связи весового вектора <math>w=(w_1,w_2,…,w_n)</math>, которые определяют силу синаптической связи. Вес связи является скалярной величиной, положительной для усиливающих и отрицательной величиной для тормозящих связей. Над полученным суммарным сигналом ('''''взвешенной суммой''''') <math>\sum^{n}_{i=1} {x_i\cdot w_i}</math> выполняется нелинейное преобразование, определяемое '''''активационной функцией''''' нейрона <math>F</math>, т.е. <math>Y=F(S)</math>,где <math>Y</math> - выходной сигнал. Еще один параметр, которым может обладать нейронный элемент, называется '''''порогом''''' или '''''смещением''''' <math>S_0</math>. Он характеризует смещение функции активации <math>F</math> по оси абсцисс. Тогда взвешенная сумма представляется как <math>\sum^{n}_{i=1} {x_i\cdot w_i-S_0}</math>. Веса связей нейронов удобно представлять в виде матрицы <m>W</m>, для которой <math>w_i_j</math> – вес связи <m>i</m>-го нейрона с <m>j</m>-м.
Функционирование нейрона можно рассматривать как процесс, формирующий выходной сигнал при изменении хотя бы одного из входных сигналов.
==VHDL описание нейрона==
<source lang="vhdl">
entity my_neuron1 is
generic (N:positive;
fun:activ_f);
port (x: in real_vector(0 to N-1); -- входы нейрона
w: in real_vector(0 to N); -- весовые коэффициенты, где w(N)- -- смещение или порог
y: out real); --выход нейрона
end entity;

architecture behav of my_neuron1 is
begin
process(x, w)
variable S: real:=0.0;
begin
S:=0.0;
for i in x'range
loop
if (x(i) < real'high and x(i)>real'low) then
S := S+w(i)*x(i); -- взвешенная сумма входных сигналов
end if;
end loop;
case fun is
when sigm => y <= sigmoid(S-w(N));
when sum => y <= S-w(N);
end case;
end process;
end;</source>

==Классификация нейронные сетей==
[[Файл:333.png|400px|thumb|right|Рис.3 Перцептрон]]
По архитектуре и обучению различают следующие известные нейронные сети:
# Персептронные сети с прямыми связями.
# Самоорганизующиеся нейронные сети. К ним относятся:
## Нейронные сети Кохонена.
## Нейронные сети адаптивного резонанса.
## Рециркуляционные нейронные сети.
# Нейронные сети с обратными связями:
## Нейронные сети Хопфилда
## Нейронные сети Хэмминга.
## Двунаправленная ассоциативная память.
## Рекуррентные нейронные сети.
# Гибридные нейронные сети:
## Нейронные сети встречного распространения.
## Нейронные сети с радиально-базисной функцией активации (РБФ-сети)

== Тестирование==
{| class="wikitable"
|+ Результаты опроса сети
|-
!x
!y
!f(x,y)
!Выход сети
|-
|0.5
|0.5
|1.25
|1.2472
|-
|0.001
|0.001
|2.96
|3.00201
|-
|0.1
|0.95
|0.995
|1.0366
|-
|0.3
|0.3
|1.89
|1.88799
|}

{| class="wikitable"
|-
! Название глав дипломной работы !! Отметка о выполнении
|-
| Биолгический нейронные сети || align="center"|+
|-
| Модель нейрона || align="center"|+
|-
| Искусственные нейронные сети || align="center"|+
|-
| VHDL- модель сети || align="center"|-
|-
| Анализ полученных результатов|| align="center"|-
|}

{| class="wikitable"
|-
! Название глав дипломной работы !! Дата начала выполнения !! Дата конца выполнения
|-
| Разработка VHDL-модели нейронной сети ||01.12.2013 || 10.05.2014
|-
| Биолгический нейронные сети || 01.12.2013 || 01.02.2014
|-
| Искусственные нейронные сети || 02.02.2014 || 10.05.2014
|}

<graph>
digraph G {"Изучение литературы" -> "Выбор структуры сети и метода обучения" -> "Разарботка VHDL-модели" -> "Тетирование" -> "Анализ полученных результатов"} </graph>

==Список литературы==
# http://alife.narod.ru/lectures/neural/Neu_ch03.htm
# http://ru.wikipedia.org/wiki/Метод_коррекции_ошибки
# Нейронные сети: Конспект лекций / В. М. Лутковский. - Мн.: БГУ, 2003. - 99 с.
# [[Лабораторные работы (MediaWiki)]]

Вариант 15

2013-12-02T10:13:14Z

Устилко Катя: Новая страница: «=Синтезируемое VHDL-описание нейронной сети= ==Введение== Исследования по искусственным не…»

Файл:333.png

2013-12-02T09:57:21Z

Устилко Катя:

Файл:222.gif

2013-12-02T09:31:26Z

Устилко Катя:

Файл:111.jpg

2013-12-02T09:00:37Z

Устилко Катя: