350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №3 за 2017 г.
Статья в номере:
Модель вентильной нейронной сети и алгоритм ее обучения
Ключевые слова: логическая сеть булева нейронная сеть правило Видроу-Хоффа булева алгебра
Авторы:
Т.Е. Михайлюк - аспирант, кафедра электроники и биомедицинских технологий, Уфимский государственный авиационный технический университет (УГАТУ) E-mail: realotoim@mail.ru С.В. Жернаков - д.т.н., зав. каф. электроники и биомедицинских технологий, Уфимский государственный авиационный технический университет (УГАТУ) E-mail: zhsviit@mail.ru
Аннотация:
Разработан метод построения вентильной нейронной сети на основе дискретных обучаемых структур, предназначенной для повышения совместимости моделей искусственных нейронных сетей с цифровым базисом микросхем программируемой логики и процессоров общего назначения. Приведено математическое обоснование выбора обучаемого логического базиса. Предложен алгоритм обучения сети на основе правила Видроу-Хоффа в бинарном представлении. Показаны преимущества и возможные области применения таких нейронных сетей.
Страницы: 27-33
Список источников

 

  1. Аляутдинов М.А., Галушкин А.И., Казанцев П.А., Остапенко Г.П. Нейрокомпьютеры: от программной к аппаратной реализации. М.: Горячая линия - Телеком. 2008. 152 с.
  2. Мезенцева О.С., Мезенцев Д.В., Лагунов Н.А., Савченко Н.С. Реализация нестандартных моделей нейронов на векторном процессоре Neuromatrix // Изв. ЮФУ. Технические науки. 2012. Т. 131. № 6. С. 178-182.
  3. Adetiba E., Ibikunle F.A., Daramola S.A., Olajide A.T. Implementation of Efficient Multilayer Perceptron ANN Neurons on Field Programmable Gate Array Chip // International Journal of Engineering & Technology. 2014. V. 14. № 1. P. 151-159.
  4. Manchev O., Donchev B., Pavlitov K. FPGA implementation of artificial neurons // Electronics: An Open Access Journal (Sozopol, Bulgaria, Sept. 22-24 2004) [Online]. Available: https://www.researchgate.net/publication/251757109_ FPGA_IMPLEMENTATION_OF_ARTIFICIAL_NEURONS (accessed: 28.01.2017).
  5. Kohut R., Steinbach B. The Structure of Boolean Neuron for the Optimal Mapping to FPGAs [Online]. Available:http://www.informatik.tu-freiberg.de/prof2/publikationen/ CADSM2005_BN_FPGA.pdf (accessed: 1.02.2017)
  6. Korani R., Hajera H., Imthiazunnisa B., Chandra Sekhar R. FPGA modelling of neuron for future artificial intelligence applications // International Journal of Advanced Research in Computer and Communication Engineering. 2013. V. 2. № 12. P. 4763-4768.
  7. Omondi A. R., Rajapakse J. C. FPGA Implementations of Neural Networks // Springer. 2006 [Online]. Available:http://lab.fs.uni-lj.si/lasin/wp/IMIT_files/neural/doc/Omondi 2006.pdf (accessed: 28.01.2017).
  8. Грибачев В. Элементная база аппаратных реализаций нейронных сетей [Электронный ресурс] // Компоненты и технологии: сайт. Режим доступа: http://kit-e.ru/articles/elcomp/2006_8_100.php(дата обращения: 30.06.2016).
  9. Михайлюк Т.Е., Жернаков С.В. Повышение эффективности использования ресурсов микросхемы ППВМ при реализации нейронных сетей // Нейрокомпьютеры: разработка, применение. 2016. № 11. С. 30-39.
  10. Михайлюк Т.Е., Жернаков С.В. Об одном подходе к выбору оптимальной архитектуры ПЛИС в нейросетевом логическом базисе // Информационные технологии. 2017. Т. 23. № 3. C. 233-240.
  11. Kohut R., Steinbach B. Decomposition of Boolean Function Sets for Boolean Neural Networks [Online]. Available: https://www.researchgate.net/publication/228865096_Decomposition_of_Boolean_Function_Sets_for_Boolean_Neural_ Networks (accessed: 1.02.2017)
  12. Anthony M. Boolean Functions and Artificial Neural Networks [Online]. Available: http://www.cdam.lse.ac.uk/ Reports/Files/cdam-2003-01.pdf (accessed: 29.01.2017)
  13. Kohut R., Steinbach B. Boolean Neural Networks // WSEAS Transactions on Systems. 2004. Vol. 3, no. 2. P. 420-425.
  14. Steinbach B., Kohut R. Neural Networks - A Model of Boolean Functions [Online]. Available: https://www.researchgate.net/publication/246931125_Neural_Networks_-_A_Model_of_Boolean_Functions(accessed: 1.02.2017)
  15. Vinay D. Mapping Boolean Functions with Neural Networks having Binary Weights and Zero Thresholds // IEEE Transactions on Neural Networks. 2001. V. 12. № 3. P. 639-642.
  16. Zhang C., Yang J., Wu W. Binary Higher Order Neural Networks for Realizing Boolean Functions. // IEEE Transactions on Neural Networks. 2011. V. 22. № 5. P. 701-713.
  17. Rademacher H. Einige Sätze über Reihen von allgemeinen Orthogonalfunktionen // Math. Ann. 1922. V. 87. № 1-2. P. 112-138.
  18. Хайкин С. Нейронные сети: Полный курс. М.: Вильямс. 2008. 1104 с.
  19. Осовский С. Нейронные сети для обработки информации: Пер. с польск. И.Д. Рудинского. М.: Финансы и статистика. 2002. 344 с.
  20. Shin Y., Ghosh J. Efficient Higher-order Neural Networks for Classification and Function Approximation // The University of Texas at Austin. 1995 [Online]. Available: https://www.researchgate.net/publication/2793545_Efficient_Higher-order_Neural_Networks_for_Classification_and_ Function_Approximation (accessed: 28.01.2017).
  21. Шевелев Ю. П. Дискретная математика. Ч. 1: Теория множеств. Булева алгебра (Автоматизированная технология обучения «Символ»): Уч. пособие. Томск: ТУСУР. 2003. 118 с.
  22. Omondi A., Premkumar B. Residue Number Systems: Theory and Implementation // London, Imperial College Press. 2007. 312 p.