با دانلود مقاله در مورد پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك در خدمت شما عزیزان هستیم.این مقاله پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك را با فرمت word و قابل ویرایش و با قیمت بسیار مناسب برای شما قرار دادیم.جهت دانلود مقاله پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك ادامه مطالب را بخوانید.

نام فایل:مقاله در مورد پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك

فرمت فایل:word و قابل ویرایش

تعداد صفحات فایل:22 صفحه

قسمتی از فایل:

 خلاصه

مفيد بودن شبكه عصبي آنالوگ مصنوعي بصورت خيلي نزديكي با ميزان قابليت آموزش پذيري                    آن محدود مي شود .

اين مقاله يك معماري شبكه عصبي آنالوگ جديد را معرفي مي كند كه وزنهاي بكار برده شده در آن توسط الگوريتم ژنتيك تعيين مي شوند .

اولين پياده سازي VLSI ارائه شده در اين مقاله روي سيليكوني با مساحت كمتر از 1mm كه                      شامل 4046 سيناپس و 200 گيگا اتصال در ثانيه است اجرا شده است .

از آنجائيكه آموزش مي تواند در سرعت كامل شبكه انجام شود بنابراين چندين صد حالت منفرد                    در هر ثانيه مي تواند توسط الگوريتم ژنتيك تست شود .

اين باعث مي شود تا پياده سازي مسائل بسيار پيچيده كه نياز به شبكه هاي چند لايه بزرگ دارند                عملي بنظر برسد .

1- مقدمه

شبكه هاي عصبي مصنوعي به صورت عمومي بعنوان يك راه حل خوب براي مسائلي از قبيل تطبيق الگو     مورد پذيرش قرار گرفته اند .

عليرغم مناسب بودن آنها براي پياده سازي موازي ، از آنها در سطح وسيعي بعنوان شبيه سازهاي عددي           در سيستمهاي معمولي استفاده مي شود .

يك دليل براي اين مسئله مشكلات موجود در تعيين وزنها براي سيناپسها در يك شبكه                                    بر پايه مدارات آنالوگ است .

موفقترين الگوريتم آموزش ، الگوريتم Back-Propagation است .

اين الگوريتم بر پايه يك سيستم متقابل است كه مقادير صحيح را از خطاي خروجي شبكه                          محاسبه مي كند .

يك شرط لازم براي اين الگوريتم دانستن مشتق اول تابع تبديل نرون است .

در حاليكه اجراي اين مسئله براي ساختارهاي ديجيتال از قبيل ميكروپروسسورهاي معمولي                                و سخت افزارهاي خاص آسان است ، در ساختار آنالوگ با مشكل روبرو مي شويم .

دليل اين مشكل ، تغييرات قطعه و توابع تبديل نرونها و در نتيجه تغيير مشتقات اول آنها از نروني به نرون ديگر    و از تراشه اي به تراشه ديگر است و چه چيزي مي تواند بدتر از اين باشد كه آنها با دما نيز                             تغيير كنند .

ساختن مدارات آنالوگي كه بتوانند همه اين اثرات را جبران سازي كنند امكان پذير است ولي اين مدارات        در مقايسه با مدارهايي كه جبران سازي نشده اند داراي حجم بزرگتر و سرعت كمتر هستند . 

براي كسب موفقيت تحت فشار رقابت شديد از سوي دنياي ديجيتال ، شبكه هاي عصبي آنالوگ                 نبايد سعي كنند كه مفاهيم ديجيتال را به دنياي آنالوگ انتقال دهند .