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 شبك 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 .
در عوض آنها بايد تا حد امكان به فيزيك قطعات متكي باشند تا امكان استخراج يك موازي سازي گسترده در تكنولوژي VLSI مدرن بدست آيد .
شبكه
هاي عصبي براي چنين پياده سازيهاي آنالوگ بسيار مناسب هستند زيرا جبران
سازي نوسانات غير قابل اجتناب قطعه مي تواند در وزنها لحاظ
شود .
برچسب ها:
دانلود تحقیق پياده سازي VLSI شبكه عصبي آنالوگ الگوريتم هاي ژنتيك قابليت آموزش پذيري شبكه هاي چند لايه بزرگ الگوريتم Back Propagation شبيه سازهاي عددي مدارات آنالوگ تابع تبديل شبكه ساختار گيت شناور