پیاده سازی سخت افزاری شبکه های عصبی مرکب با FPGA

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,499

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELECOM01_165

تاریخ نمایه سازی: 9 تیر 1393

چکیده مقاله:

پیاده سازی شبکه های عصبی مرکب می تواند به صورت نرم افزاری، سخت افزاری، نرم افزاری- سخت افزاری صورت پذیرد. معماری پیشنهاد شده در این مقاله برای پیاده سازی سخت افزاری شبکه های عصبی مرکب از نوع تعمیم پشته ای است. توپولوژی طبقه بند های پایه و ترکیب گر، از نوع پرسپترون چند لایه (MLP) است. طرح پیشنهادی دارای خاصیت بازپیکربندی است به طوری که برای انواع مختلفی از مسائل و کاربردهای مختلف یک معماری کلی و جامع را فراهم می کند. با تغییر مسئله امکان تغییر تعداد طبقه بندهای پایه ، تعداد نرون های هر لایه و تعداد لایه های متعلق به هر طبقه بند بدون تغییر در معماری طراحی شده، فراهم می شود. به منظور کاهش زمان پردازش عملیات های ریاضی که در حین پردازش شبکه صورت می پذیرد ، اعداد حقیقی به صورت کسری نمایش داده می شوند که صورت و مخرج آنها اعداد صحیح است. با استفاده از این روش محاسبات صورت گرفته به عملگر های مربوط به اعداد صحیح محدود می شود که توسط مدارات ترکیبی سریع قابل پیاده سازی هستند. در طرح پیشنهادی از تابع سیگموئید به عنوان تابع تحریک استفاده شده است. این تابع به صورت تعدادی چند جمله ای تخمین زده شده است که سبب می شود محاسبات مربوط به تابع تحریک به استفاده از عملگرهای جمع و ضرب محدود شود. مداری که برای محاسبه ی جمع های وزن دار طراحی شده است مجددا برای محاسبه ی تابع تحریک از آن بهره برده می شود که سبب کاهش سطح مورد نیاز برای طراحی سیستم می شود. در طرح پیشنهادی محاسبات مربوط به ترکیب گر که در لایه دوم سیستم مرکب قرار دارد با بهره گیری مجدد از مدار طراحی شده ی یکی از طبقه بندهای پایه ، صورت می گیرد. این نحوه ی پیاده سازی سبب افزایش دقت و کارایی قابل توجه سیستم مرکب نسبت به استفاده از یک شبکه عصبی منفرد می شود در حالی که سطح مورد نیاز برای طراحی افزایش اندکی داشته است که نتایج حاصل از شبیه سازی این امر را تایید می کند.

کلیدواژه ها:

شبکه های عصبی مرکب ، پیاده سازی سخت افزاری ، تابع تحریک سیگموئید FPGA

نویسندگان

رضا ابراهیم پور

استادیار، دانشکده برق و کامپیوتر، دانشگاه تربیت دبیر شهید رجایی

نصور باقری

استادیار، دانشکده برق و کامپیوتر، دانشگاه تربیت دبیر شهید رجایی

انسیه ترکمان

دانشجوی کارشناسی ارشد، رشته ی برق الکترونیک ، دانشکده برق و کامپیوتر، دانشگاه تربیت دبیر شهید رجایی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Neural Network: A Review of Commercil Hardware", Engineering Application of ...
  • R. Polikar, :Ensemble Based System in Decision Making", IEEE Circuis ...
  • N. Nedjah and R. S. Martins and . M. Mourelle, ...
  • R. Omondi and J C. Rajapakse, :FPGA I _ lementations ...
  • J. Zhu and P Sutton, :FPGA I _ lementations of ...
  • C.Chen, "Fuzzy logic and neural network handbook", New York: McGraw-Hill, ...
  • C. J. Lin and . Y. Lee, ،، Impleme ntation ...
  • W.Wolf, "FPGA Based System Design", New Jersey: Prentice Hal PTR ...
  • P. Joes and D. Gu, :Fractional Fixed Point Neural Networks: ...
  • A. S. Tanenbaum, :Computer Organization:, New Jersey: Prentice, 2007 ...
  • N. Nedjah, R. S. Martins, L. M. Mourelle, ، :Rec ...
  • J. P. Uyemura, "Introductio to VLSA Circuit and System:, New ...
  • S. Haykin, :Neural Network: A C omprehensive Foundation , New ...
  • نمایش کامل مراجع