Вариант 15

Материал из SimHardWiki
Перейти к: навигация, поиск

Содержание

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


[svg]

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)