.1-1جدول: : توابع مهم قابل استفاده در شبکه های عصبی 12………………………………………………………………………………………… …………………………………………..

.1-2 جدول : سطح آماری گروههای تحت درمان و کنترل 31                                                                        ……………………………………………………………………………………..

.2-2جدول: درصدلارو آلوده در 38 دسته از گروههای تحت کنترل و بررسی 33                                                                                                    …………………………………………

.3-2جدول: نشان دهنده درصد وجود انگلهادر دامهای موردا زمایش 38          2

.4-2جدول: نتایج شبیه سازی برای داده های تست 41…………………….. ………..

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

فهرست شکل ها  
عنوان صفحه
.1-1شکل: جریان اطلاعات در سیستم عصبی انسان 7
.2-1شکل: مدل سازی یک نورون مصنوعی 11
.3-1شکل: شبکه عصبی با طراحی پیش رو سه لایه 15
.4-1شکل: ساختار شبکه عصبی با طراحی پس انتشار سه لایه 17
.5-1شکل: منحنی تغییرات تابع انعطاف پذیر تک قطبی نسبت به پارامتر a 23
.6-1شکل: منحنی تغییرات تابع انعطاف پذیر دو قطبی نسبت به پارامتر a ٢٣
.1-2شکل: ساختار شبکه عصبی طراحی شده 39
.2-2شکل: کاهش خطا در حین شبیه سازی 40
.1-3شکل: ساختار آرایه ای یک PLA 45
.2-3شکل: ساختار آرایه ای یکSPLD 46
.3-3شکل: یک ساختار LUTچهار ورودی که عمل AND را انجام می دهد 47
.4-3شکل: شمای کلی شبکه پیاده سازی شده با FPGA 50
.5-3شکل: پیاده سازی تابع فعالیت برای نورون های ورودی 52
.6-3شکل: پیاده سازی تابع فعالیت برای نورون های خروجی 53
.7-3شکل: پیاده سازی تابع مجموع حاصل ضرب 54
.8-3شکل: جمع کننده 16 بیتی 55
.9-3شکل: جمع کننده 32 بیتی 56
.10-3شکل: مقایسه تابع سیگموئید و بسط مک لورن تا جمله X 11 58
.11-3شکل: پیاده سازی تابع سیگموئید 61
.12-3شکل: شمارنده 16 بیتی 62
.13-3شکل: T Flip Flop 63
.14-3شکل: مالتی پلکسر دو به یک 63
.15-3شکل: شیفت رجیستر 64
.16-3شکل: لچ 16 بیتی 65
.17-3شکل: شیفت دهنده به چپ و راست 66
.18-3شکل:مقایسه کننده 32 بیتی 67

چکیده :

شبکه های عصبی با توجه به توان بالا درپـردازش موازی،قابلیـت یـادگیری، تعمـیم، طبقـه بندی، قدرت تقریب، به خاطر سپردن و به خـاطر آوردن الگوهـا، خیـزش وسـیعی در زمینـه هـای مختلف هوش مصنوعی ایجاد کرده اند. از این رو به دلیل عملکرد خوب شبکه های عصبی مصنوعی برای شناسایی الگو، در این پایان نامه از شبکه های عصبی چنـد لایـه جهـت پیـاده سـازی سـخت افزاری سیستم استفاده شده است و روش جدیدی برای پیاده سازی شـبکه هـای عـصبی بـر روی

FPGA ارائه شده است . برای پیاده سـازی شـبکه عـصبی از داده هـای آمـاری اداره دامپزشـکی منطقه مغان استان اردبیل به عنوان مثال کاربردی استفاده شده است .

ضرایب وزن و بایاس شبکه عصبی MLP که از شبیه سازی توسط MATLAB بـه دسـت آمـده

است، برای پیاده سازی برروی FPGA، از سری XC 4000 استفاده شده است. برای پیاده سازی

برروی FPGA، از نرم افزار Foundation 4,1 بهره جستیم وتمام مدارات منطقی توسط این نـرم

افزار طراحی شده است . نتایج به دست آمده گویای این مطلب است که FPGA به دلیـل داشـتن

انعطاف پذیری و گیت های منطقی زیاد، برای پیاده سازی شبکه های عصبی ،IC مناسبی است .

مقدمه
مقدمه:

شبکه های عصبی با توجه به توان بالا درپردازش موازی،قابلیت یادگیری، تعمیم، طبقه بندی، قدرت تقریب، به خاطر سپردن و به خاطر آوردن الگوها، خیزش وسیعی در زمینه های مختلف هوش مصنوعی ایجاد کرده اند.از این رو به دلیل عملکرد خوب شبکه های عصبی مصنوعی برای شناسایی الگو، در این پایان نامه از شبکه های عصبی چند لایه جهت پیاده سازی سخت افزاری سیستم استفاده شده است. با توجه به طراحی سیستم های هوشمند و کوچکی که در لوازم روزمره امروزی کاربرد دارند، و از طرفی امکان ارتباط آنها به کا مپیوتر وجود ندارد نیاز به پیاده سازی سخت افزاری شبکه های عصبی در حجم کوچک احساس می شود و با توجه به این که آی

یک مطلب دیگر :

 
 

سی های FPGA بسیار انعطاف پذیر می باشند و به صورت نرم افزاری تمام طرح های سخت افزاری را می توان پیاده نمود لذا گزینه مناسبی جهت پیاده سازی سخت افزاری شبکه های عصبی می باشد.

در این پروژه یک روش برای پیاده سازی شبکه عصبی بر روی FPGA ارائه شده است .

برای پیاده سازی شبکه عصبی از داده های آماری اداره دامپزشکی منطقه مغان استان اردبیل استفاده شده است .

هدف از جمع آوری این داده های آماری تشخیص و شناسایی یک الگو جهت پیاده سازی در یک

شبکه عصبی از نوع چند لایهMLP است .

برای آموزش شبکه عصبی از روش پس انتشار خطا با 300 بار آموزش برای رسیدن به

حداقل خطای مورد نظر استفاده شده است.

ضرایب وزن و بایاس های به دست آمده از آموزش شبکه عصبی در مرحله بعد برای پیاده سازی آن

روی FPGA استفاده می شود.

مقدمه

تعداد داده های آماری در این پروژه 38 داده می باشد که هر یک دارای سه ورودی و یک خروجی است و به عنوان داده ورودی و خروجی برای آموزش شبکه مورد نظر استفاده شده است .

از این 38 داده 34 داده برای آموزش شبکه و 4 داده به عنوان داده تست انتخاب شدند. بعد از

تعیین ضرایب وزنی و بایاس جهت پیاده سازی آن بر روی FPGA سری XC4000 از نرم افزار

Foundation 4,1 برای طراحی مدارات مربوطه استفاده شده است .  FPGA, IC  سری

XC4000 دارای حجم گیت های منطقی زیاد و انعطاف پذیری خیلی بالا برای پیاده سازی سخت افزاری شبکه های عصبی است. به دلیل استفاده از داده های ثابت در پیاده سازی شبکه بر

روی FPGA، شبکه ، دوباره قابل آموزش نیست.

با توجه به مراحل مختلف به کار گرفته شده در این پروژه جمع بندی و شکل دهی پایان نامه در 4

فصل مورد مطالعه قرار گرفته است .

در فصل اول سیستم های عصبی , انواع شبکه های عصبی , مدل سازی و انواع روشهای آموزش شبکه عصبی مورد بررسی قرار گرفته است .

در فصل دوم روش جمع آوری داده های دامپزشکی بر اساس در صد وجود انگل در گله های

دامی و روش از بین بردن این انگلها بر اساس تزریق داروئی BZD در پیش بینی میزان موفقیت این دارو و در کاهش انگلهای دامی به عنوان داده برای شبکه عصبی انتخاب و توضیح داده شده است.

در فصل سوم روش پیاده سازی سخت افزاری شبکه عصبی بر روی FPGA سری

XC4000 با نرم افزار Foundation 4,1 همراه با مدارهای طراحی شده توضیح داده شده است .

ودر نهایت در فصل چهارم نتیجه گیری کار های انجام شده و پیشنهادات لازم برای افزایش کارائی پژوهش مورد نظر، ارائه شده است.

فصل اول                                                                                                   شبکههای عصبی

پیشگفتار

در این فصل ابتدا به معرفی شبکه های عصبی طبیعی و سپس اهمیت اسـتفاده از شـبکه هـای عصبی مصنوعی و در ادامه به معرفی مدلهای مختلف انواع شبکه های عصبی مصنوعی می پـردازیم.

همچنین روش های آموزش شبکه های عصبی، موضوع مورد بحث این فصل قرار گرفته است.

(1-1 سیستم های عصبی طبیعی

مغزانسان از واحدهای پردازنده ای به نام نورون تشکیل شده اسـت. ایـن نورونهـا از طریـق یـک

شبکه به هم پیوسته از اکسون1 وسیناپس2 با چگالی تقریبی 104 سیناپس در نورون با هم ارتبـاط دارند.در مدل سازی سیستم عصبی طبیعی، فرض بر این است که نورونها با استفاده ازسیگنال هـای الکتریکی با هم ارتباط برقرار می کنند.

عملکرد نورونها در یک محیط شیمیایی صورت می گیرد، ازاین رو می تـوان مغـز را بـه صـورت شبکه ای از سوئیچ های الکتریکی با چگالی زیاد در نظر گرفـت کـه بـه طـور قابـل ملاحظـه ای از

فرایندهای شیمیایی تأثیرمی پذیرد. شبکه عصبی ساختار پیچیده ای از نورونهای بـه هـم پیوسـته

دارد.ورودی شبکه از طریق گیرنده های حسی تأمین می شود.

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...