Вариант 15

Ссылки сюда (1) →

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.

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:

1. тело клетки (сома)
   • ядро
   • цитоплазма
   • мембрана
2. дендриты,
3. аксон

Модель нейрона

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 суммируются после умножения на соответствующие веса связи весового вектора , 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) выполняется нелинейное преобразование, определяемое активационной функцией нейрона , т.е. ,где - выходной сигнал. Еще один параметр, которым может обладать нейронный элемент, называется порогом или смещением . Он характеризует смещение функции активации по оси абсцисс. Тогда взвешенная сумма представляется как . Веса связей нейронов удобно представлять в виде матрицы , для которой – вес связи -го нейрона с -м. Функционирование нейрона можно рассматривать как процесс, формирующий выходной сигнал при изменении хотя бы одного из входных сигналов.

VHDL описание нейрона

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;

Классификация нейронные сетей

Рис.3 Перцептрон

По архитектуре и обучению различают следующие известные нейронные сети:

1. Персептронные сети с прямыми связями.
2. Самоорганизующиеся нейронные сети. К ним относятся:
   1. Нейронные сети Кохонена.
   2. Нейронные сети адаптивного резонанса.
   3. Рециркуляционные нейронные сети.
3. Нейронные сети с обратными связями:
   1. Нейронные сети Хопфилда
   2. Нейронные сети Хэмминга.
   3. Двунаправленная ассоциативная память.
   4. Рекуррентные нейронные сети.
4. Гибридные нейронные сети:
   1. Нейронные сети встречного распространения.
   2. Нейронные сети с радиально-базисной функцией активации (РБФ-сети)

Тестирование

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

Название глав дипломной работы	Отметка о выполнении
Биолгический нейронные сети	+
Модель нейрона	+
Искусственные нейронные сети	+
VHDL- модель сети	-
Анализ полученных результатов	-

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

Список литературы

1. http://alife.narod.ru/lectures/neural/Neu_ch03.htm
2. http://ru.wikipedia.org/wiki/Метод_коррекции_ошибки
3. Нейронные сети: Конспект лекций / В. М. Лутковский. - Мн.: БГУ, 2003. - 99 с.
4. Лабораторные работы (MediaWiki)