К.В. Селиванов, В.С. Климачев

кафедра ИУ4 «Проектирование и технология производства электронной аппаратуры», МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Развитие программных средств электронной аппаратуры привело к разработке и широкому распространению технологии нейронных сетей. Они применяются для обработки и принятия решений на базе получаемой информации, которая не является дискретной, а имеет полиморфную сущность. Для обработки данных сущностей и вычисления принимаемых решений требуются значительные объемы вычислительных мощностей и операционной памяти устройства. Это не позволяет широко использовать технологии нейронных сетей в портативных устройствах и устройствах, созданных на базе микроконтроллеров.

Цель. Адаптировать технологию нейронных сетей для использования на портативных условиях и электронных средствах на базе микроконтроллеров.

Результаты. Показано, что реализация нейронной сети на базе ресурсосберегающего алгоритма Хемминга и оптимизированного программного кода на языке Си дало возможность значительно уменьшить требования к аппаратной части устройства, на котором может быть осуществлена данная технология. Проведен анализ современных микроконтроллеров, позволивший выбрать и применить оптимальный по соотношению мощности и энергосбережения микроконтроллер – STM32, с помощью которого можно реализовать упрощенную нейронную сеть. Показаны перспективы использования новейших вариантов реализации нейровычислителей на микроконтроллерах.

Практическая значимость. Разработанная технология реализована на отладочной плате с микроконтроллером STM32 в устройстве, позволяющем распознавать рукописные цифры, вводимые с сенсорного экрана. Созданное портативное устройство для распознавания рукописных цифр применимо как модуль в других изделиях электронной аппаратуры. 

Селиванов К.В., Климачев В.С. Системное проектирование нейровычислителей на микроконтроллерах в условиях ограниченных ресурсов // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 3. С. 35−42. DOI: https://doi.org/10.18127/ j19998554-202103-04

1. Юсупова Н.И., Сметанина О.Н., Гаянова М.М. Технологии искусственного интеллекта и машинного обучения в задачах семантического представления и анализа данных. М.: Инновационное машиностроение. 2020. 241 с.
2. Юрков Н.К. Машинный интеллект и обучение человека: монография. Пенза: ПГУ. 2008. 224 с.
3. Аминев Д.А., Данилевич В.А., Дёмин А.А., Самман А. Распознавание рукописных символов на сенсорной матрице с использованием нейронной сети // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 32–42.
4. Демин А.А., Власов А.И., Шахнов В.А. Методы и средства визуальных упражнений для адаптивной коррекции тонкой моторики кистей рук в условиях невесомости // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Приборостроение. 2015. № 3 (102). С. 23–38.
5. Демин А.А. Методы автоматизированной оценки каллиграфии // Программные продукты и системы. 2011. № 1. С. 20–23.
6. Романюк А.Г. Использование глубокого обучения нейросети для распознавания голосовых команд пользователя // Журнал радиоэлектроники. 2019. С. 10–20.
7. Чучалин А.Г., Черешнев В.А. Биоэтика, искусственный интеллект и медицинская диагностика. В кн: Посвящается 150летию открытия Периодического закона химических элементов. Пермь: Пермский государственный медицинский университет им. Ак. Е.А. Вагнера. 2019. 208 с.
8. Хомутов Р.А., Фешина Е.В. Искусственный интеллект в медицине – перспективы развития. Сб. материалов I всерос. студенч. научно-практич. конф. Краснодар: Кубанский государственный аграрный университет им. И.Т. Трубилина. 2019 С. 234–236.
9. Иванов Е.С. Информационные технологии. Пятигорск: РИА-КМВ. 2017. 847 с.
10. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31.
11. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
12. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
13. Власов А.И., Захаров Е.Р., Захарова В.О. Нейросетевая система обнаружения и нейтрализации удаленного несанкционированного вмешательства в компоненты интернета вещей // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 63–80.
14. Зайцев Д.Е. Искусственный интеллект в информационных системах // Информационные технологии в современном мире. 2019. С. 113–115.
15. Кротов А.Д., Петров А.А. Использование искусственного интеллекта в сельском хозяйстве // Информационное общество: современное состояние и перспективы развития. 2020. С. 153–156.
16. Ning J. Derong L. Wavelet Basis Function Neural Networks for Sequential Learning // IEEE Transactions on Neural Networks. 2008. V. 19. Iss. 3. P. 523–528. doi: 10.1109/TNN.2007.911749
17. Kouhara T., Okabe Y. Learning algorithm based on moderationism for multi-layer neural networks // Proceedings of 1993 International Conference on Neural Networks (IJCNN-93-Nagoya, Japan). doi: 10.1109/IJCNN.1993.713960
18. Восьмирко С.О. Разработка математического и программного обеспечения среды моделирования нейронных сетей для решения задач прогнозирования: диссертация... канд. техн. наук. М.: 2004. 158 с.
19. Margrave F., Babu N.R., Bradshaw A., Collins I. MATLAB-neural networks toolbox hardware post-processor // IEE Colloquium on Applied Control Techniques Using MATLAB. 2002. doi: 10.1049/ic:19950057
20. Солдатова О.П. Основы нейроинформатики: учебное пособие. Самара: Изд-во СГАУ. 2006. 131 с.
21. Shamsul A.Z. Nurrul A.Z. Fathin J.B. Mohamad H.H. Applications on STM32 Nucleo Microcontroller for Pulse Switching Using Time Delay and Trigonometric Function with MATLAB Simulink // 2020 IEEE International Conference on Power and Energy (PECon). 2021. doi: 10.1109/PECon48942.2020.9314509
22. Patrik J., Dobroslav K., Radoslav B., Tibor V., Oleksii K. 2017 International Conference on Modern Electrical and Energy Systems (MEES). 2017. Kremenchuk, Ukraine. doi: 10.1109/MEES.2017.8248906