Синтез функциональных преобразователей частотно-временных параметров сигналов на основе многоуровневого нейросетевого описания тема диссертации и автореферата по ВАК РФ 05.13.05, кандидат технических наук Антоненко, Андрей Васильевич

  • Антоненко, Андрей Васильевич
  • кандидат технических науккандидат технических наук
  • 2011, Рязань
  • Специальность ВАК РФ05.13.05
  • Количество страниц 234
Антоненко, Андрей Васильевич. Синтез функциональных преобразователей частотно-временных параметров сигналов на основе многоуровневого нейросетевого описания: дис. кандидат технических наук: 05.13.05 - Элементы и устройства вычислительной техники и систем управления. Рязань. 2011. 234 с.

Оглавление диссертации кандидат технических наук Антоненко, Андрей Васильевич

ВВЕДЕНИЕ

Глава

ОСНОВНЫЕ ПОЛОЖЕНИЯ МНОГОУРОВНЕВОГО НЕЙРО-СЕТЕВОГО ОПИСАНИЯ СТРУКТУР ФУНКЦИОНАЛЬНОГО ПРЕОБРАЗОВАТЕЛЯ. ЭТАПЫ ЕГО СИНТЕЗА С ИСПОЛЬЗОВАНИЕМ МАТЕМАТИЧЕСКИХ НЕЙРОНОВ

1.1 Особенности представленияшнформации и структурной организации функциональных преобразователей частотно-временных параметров сигналов

1.2 Выбор-и обоснование уровней описания структур преобразователя при его синтезе на основе нейросетевых технологий. Укрупненная процедура' синтеза с учетом выбранного уровня

1.3 Постановка задачи и целевая функция разработки. ИНС-преобразователя с использованием операций математических нейронов

1.4 Выбор математической модели нейронов для построения аппроксимирующих ИНС-преобразователей

1.5 Этапы синтеза структурношмодели ИНС-преобразователя с использованием операций математических нейронов

Рекомендованный список диссертаций по специальности «Элементы и устройства вычислительной техники и систем управления», 05.13.05 шифр ВАК

Введение диссертации (часть автореферата) на тему «Синтез функциональных преобразователей частотно-временных параметров сигналов на основе многоуровневого нейросетевого описания»

Актуальность работы. Важным направлением кардинального повышения точности и надежности измерительно-управляющих систем является развитие функциональных (интеллектуальных) возможностей преобразователей, осуществляющих аналого-цифровое и цифроаналоговое преобразование, а также первичную математическую переработку частотных и времяимпульсных (или импульс-но-аналоговых) сигналов. Созданию теории, методов и специализированных средств их преобразования и обработки посвящены работы [1 — 12] многих советских и зарубежных ученых: СмоловаВ.Б., Угрюмова Е.И:, Карпова Р.Г., Па-ламарюка Г.О., Шляндина ВМ*, Новицкого П.В., Кнорринга В.Г., Гутнико-ваВ.С., Шахова Э.К., ДанчееваВ.П., Герасимова И.В., Сафьянникова Н.М., Ву-да П., Тейлора Д. и др.

Одной из первопричин« интеллектуализации преобразователей формы информации (ПФИ) является развитие технологий* микроэлектроники. С появлением в последние годы БИС с программируемой структурой, в том.числе программируемых логических (ПЛИС) и аналоговых (ПАИС) интегральных схем, а также «систем на кристалле», появились все необходимые предпосылки для дальнейшего улучшения технико-экономических характеристик функциональных" преобразователей частотно-временных параметров3 и амплитуды измерительных сигналов, схема (структура) которых может быть обучена и оперативно реконфигурирована на решение новой задачи преобразования.

Одним из возможных эффективных направлений построения такого рода устройств- вычислительной техники является применение математического аппарата искусственных нейронных сетей (ИНС). Его использование позволяет в результате обучения нейросети получить математическое описание структуры преобразователя, отличающегося высокой однородностью составляющих его нейроэлементов» и технологической простотой микроэлектронной реализации сети, в том числе, за счет ее топологической однородности. В связи с этим в последние годы, наряду с созданием нейрокомпьютерных средств обработки информации, в стране и за рубежом получен целый ряд научных и практических результатов по разработке перспективных нейросетевых аналого-цифровых (АЦП) и цифроана-логовых (ЦАП) нейросетевых (ИНС-)преобразователей. Повышенное внимание к применению нейросетевых технологий для синтеза структур преобразователей обусловлено также появившейся возможностью их реализации на перспективных элементах обработки сигналов различной природы с использованием молекулярных и атомарных процессов.

Однако до настоящего момента имеется ряд нерешенных вопросов, связанных с проектированием нейросетевых ПФИ с оперативно перестраиваемой структурой; К ним, в первую очередь, следует отнести:

- ограниченное использование возможностей нейросетевого базиса1 операций только за счет применения» наиболее простых (пороговых) > функцию активации и моделей« нейронов для одноразрядных- преобразований (мелкозернистый; уровень); ориентированных в основном для линейных преобразователей;:

- недостаточно полный' учет, в , процедурах синтеза ИНС-преобразователей гибридного (аналого-цифрового)! способа, построения синаптических связей; а. также их разновидностей в» виде? функциональных связей;. особенно при построении вычислительных преобразователей формы информации;

- отсутствие удобных для последующей физической- реализации; нейросетевых описаний (моделей) • функциональных преобразователей ш процедур их синтеза, позволяющих учитывать многообразие вариантов активационных функций, способов представленияшходных и выходных переменных, видов синаптических связей при нейросетевой организации проектируемого устройства;

-отсутствие: детальных алгоритмов оперативной: настройки обучаемых ИНС-преобразователей на выполнение новой; функции преобразования с учетом элементной базы на их реализацию: иррациональным распределением его реализуемых функций между аппаратно-программными: средствами.

Решение отмеченных проблем усложняется тем, что* оно должно проводиться с: учетом достижения таких компромиссных характеристик ИНС-преобразователя, как быстродействие, точность преобразования, аппаратные затраты, необходимость его настройки в < реальном масштабе времени. Наряду с этим также следует при проектировании: учитывать многообразие возможных вариантов физической реализации нейросетевого ПФИ; к которым относятся:

- аппаратная, например, на БИС с программируемой структурой;

- аппаратно-программная, в частности, с использованием микроконтроллеров и «систем на кристалле»;:

- в виде создаваемого специализированного нейрочипа, отличающегося высокой однородностью составляющих нейроэлементов ПФИ и синаптических связей между ними, разнообразием обрабатываемых сигналов и др.

Одним из направлений решения указанных проблем, имеющих место при проектировании ИНС-преобразователей формы информации, является применение многоуровневого описания структур разрабатываемых устройств. Указанный вид описания базируется на использовании нейросетевого базиса функционально-логических операций, отличающегося, степенью- детализации представления операций и элементов, их реализующих, в выбранном для синтеза базисе.

Детализацию называют мелкой (или мелкозернистой), если операции базиса являются несложными (примитивными), например, с использованием пороговой1 функции активации, с единичными или двоично-взвешенными синаптическими связями. К особенностям данного уровня относятся: оперирование' отдельными битами переменных, применение типовых нейроэлементов в составе сети. Для крупнозернистого уровня описания- нейросетевого базиса характерно применение более сложных активационных функций и их модификаций, использование нестандартных видов нейроэлементов, в том-числе нейронов-преобразователей, задание отдельных переменных в виде совокупности битов (двоичных слов), многообразие форм представления обрабатываемых данных.

В-связи с этим является актуальной разработка моделей структур нейросете-вых устройств, ориентированных на преобразование аналоговых величин, представленных в виде значений частоты, периода, временного интервала, амплитуды сигнала, в их цифровой эквивалент (и обратно), а также процедур их синтеза и настройки на реализацию новой функции преобразования, базирующихся на применении многоуровневого нейросетевого описания проектируемого устройства.

Внедрение нейросетевой* организации систем в основу построения функциональных преобразователей импульсно-аналоговых сигналов, называемых часто еще импульсно-цифровыми, позволяет существенно расширить их функциональные (интеллектуальные) возможности. В первую очередь, это обучаемость ИНС-устройства на реализацию1 нелинейной функции преобразования с возможностью коррекции погрешностей датчиков, подключаемых к преобразователю, а также поддержка сетью функций адаптации к входным сигналам (фильтрация помех, выявление и коррекция дрейфа сигнала предсказание результата, динамическая перестройка структуры ПФИ на вид определенного воздействия и т.п.). Повышению эффективности систем обработки информации на основе ИНС посвящены работы [13 - 18] таких известных ученых, как Галушкин А.И., Головко В.А., Комарцова Л.Г., Круглов В.В., Пылькин А.Н., Ясниц-кийЛ.Н., Мак-Каллок У., ПиттсВ., Розенблатт Ф., УидроуБ., Хофф М., Хоп-филд Дж., Кохонен Т. и др.

По виду информационного носителя нейро-ПФИ относятся к классу гибридных (аналого-цифровых) устройств,— как наиболее сложных при их разработке. Вместе с тем, применение нейросетевых технологий переводит трудоемкий» процесс их разработки- в сферу формализованного синтеза по созданию устройства*, преобразования, формы информации, отличающегося высокой' степенью однородности составляющих его нейроэлементов! и топологии его структуры, позволяя сократить сроки и затраты на проектирование, несмотря на большое количество прорабатываемых решений.

Наконец, схожесть представления информации и нейросетевой организации ПФИ с биологическими прототипами нейросетей предопределяет объективную^ возможность применения результатов теории и практики их синтеза при создании перспективных квантовых вычислителей и нейроинплантантов сенсорных систем человек

Работа выполнена в. соответствии с тематикой проектов (грантов) «Теория и проектирование'преобразователей формы« информации на основе нейросетевых технологий» ведомственной целевой программы «Развитие научного потенциала1 Высшей школы» (№ 6390 от 12.12.2008 г.) и Российского фонда фундаментальных исследований «Теория и проектирование медицинских измерительно-информационных систем на основе нейробионических технологий» (№10-08-97525-рцентр-а, 01. 2010 г.), в которых принимал участие соискатель.

Цель диссертационной работы: расширение операционных (интеллектуальных) возможностей функциональных преобразователей частотно-временных параметров1 сигналов и повышение формализации получения проектных решений, обеспечиваемые разработкой моделей и процедур синтеза их структур на основе многоуровневого нейросетевого описания.

Для ее достижения необходимо решить следующие основные задачи.

1. Выявление и обоснование иерархии нейросетевых описаний (моделей) структур функциональных аналого-цифровых (АЦП) и цифроаналоговых (ЦАП) преобразователей, а также положений их применения для синтеза этих устройств.

2. Разработка функциональных моделей нейронов-преобразователей и синапти-ческих связей с гибридной (аналого-цифровой) формой представления переменных.

3. Разработка моделей и процедур (порядка и содержания этапов) синтеза структур нейропреобразователей, базирующихся на выборе необходимого уровня их нейросетевого описания.

4. Разработка специализированных алгоритмов обучения (настройки) и>коррекции параметров нейросетевых преобразователей частотно-временных параметров сигналов.

Методы исследования. Для решения поставленных задач использовались аппарат теории искусственных нейронных сетей, теория« аппроксимации^ и приближения функций, элементы теории- графов и синтеза операционных устройств вычислительной техники, методы моделирования:

Научная новизна работы:

Г) разработаны и применены положения' многоуровневого нейросетевого описания структур преобразователей информации, отличающегося степенью детализации представления* элементарных нейроопераций при1 осуществлении синтеза устройства;

2) разработаны функциональные модели нейронов-преобразователей и настраиваемых синаптических связей с гибридной (импульсно-цифровой) формой представления переменных, полученные в виде совокупности нейросетевых операций над* ними« и выступающие в качестве необходимых составляющих при синтезе ИНС-преобразователя;

3) предложены модели и процедуры синтеза структур функционального пре образователя, базирующиеся на выборе необходимого уровня, его нейросетевого описания и получении в результате* обучения аппроксимирующей нейросети конфигурации схемы устройства с минимальными аппаратными затратами при обеспечении заданной точности преобразования;

4) разработана методика структурного синтеза нейрона-преобразователя как операционного устройства на основе типовых узлов и элементов вычислительной техники для вариантов непрерывного и циклического принципа действия, позволяющая упорядочить процедуру создания новых структур устройства преобразования формы представления информации;

5) разработаны специализированные алгоритмы обучения, настройки (или коррекции) параметров структур ИНС-преобразователей при решении новой задачи преобразования с использованием принятых видов нейросетей и уровней их описания:

Достоверность полученных результатов подтверждается математическими обоснованиями, корректным использованием математического аппарата-искусственных нейронных сетей и теории аппроксимации, сопоставлением» альтернативных подходов, а также результатами моделирования-.

Практическая значимость и результаты внедрения. Практическая* значимость работы состоит в том, что предложенные модели и процедуры синтеза ней-росетевых структур устройств преобразования формы информации являются основой для создания на базе программируемых БИС линейных и функциональных преобразователей импульсно-аналоговых сигналов с расширенными функциональными возможностями и улучшенными технико-экономическими характеристиками.

Результаты диссертационной работы внедрены в разработках ОАО «Рязанский радиозавод» и использованы при выполнении НИР 14-09Г «Теория-и проектирование преобразователей формы информации на основе нейросетевых технологий» по гранту (№РНП 2.1.2.6390 от 12.12. 2008 г.) ведомственной целевой программы «Развитие научного потенциала Высшей школы» и НИР 6-ЮГ «Теория и проектирование медицинских измерительно-информационных систем на основе нейробионических технологий» (№ 10-08-97525-рцентр-а, 01.2010 г.) по гранту Российского фонда фундаментальных исследований. Результаты работы также использованы в учебном процессе РГРТУ на кафедре биомедицинской и полупроводниковой электроники, что подтверждено соответствующими актами.

Апробация работы. Основные положения и результаты работы докладывались и обсуждались на:

- 15-й и 16-й международной конференции "Проблемы передачи и обработки информации в сетях и системах телекоммуникаций", г. Рязань, 2008, 2010 гг.;

-Международной конференции "Interactive Systems and Technologies: The Problems of Human-Computer Interaction", г. Ульяновск, 2009 г.;

-Международной научной конференции "Технические науки и современное производство", Франция, г. Париж, 2009 г.;

-6-й международной молодежной научно-технической конференции "Современные проблемы радиотехники и телекоммуникаций «РТ-2010»", г. Севастополь, 2010 г.;

- 9-м международном симпозиуме "Интеллектуальные системы", г. Москва, 2010 г.;

12—15-й всероссийской конференции "Новые информационные технологии в научных исследованиях и образовании", г. Рязань, 2007-2010 гг.;

19-21-й-и 23-й всероссийской^ конференции студентов, молодых ученых и специалистов "Биотехнические, медицинские и экологические системы и комплексы", г. Рязань, 2006-2010 гг.;

Международной конференции с элементами научной школы для молодежи «Биотехнические, медицинские и экологические системы и комплексы», г. Рязань, 2009 г.;

Всероссийском молодежном научно-инновационном конкурсе-конференции "Электроника - 2006", г. Москва, МИЭТ, 2006 г.;

- 32-й и 33-й всероссийской научно-практической конференции "Сети, системы связи и телекоммуникации", г. Рязань, 2007 №2008 гг.;

- Всероссийской конференции "Новые технологии в! научных исследованиях, проектировании, управлении, производстве", г. Воронеж, 2007 г.;

- 3-й всероссийской научно-технической конференции "Информационные и управленческие технологии в медицине и экологии", г. Пенза, 2009 г.;

-Всероссийской научно-практической конференции молодых ученых и специалистов "Приоритетные направления современной российской науки глазами молодых ученых", г. Рязань, 2009 г.;

-5-й научно-технической конференции аспирантов и молодых ученых "Вооружение-технология-безопасность-управление", г. Ковров, 2010 г.

Реализация результатов работы. На основе предложенных в работе порядка и содержания этапов синтеза нейросетевых структур преобразователей частотно-временных параметров сигналов разработана и внедрена на ОАО "Рязанский радиозавод" для микроконтроллеров архитектуры АУЯ представленная на языке С библиотека этих устройств как основа сокращения сроков на разработку систем, содержащих в своем составе преобразователи формы информации. Результаты диссертационных исследований также используются в учебном1 процессе Рязанского государственного радиотехнического университета на кафедре "Биомедицинской и полупроводниковой* электроники" по направлению 200400' "Биомедицинскаяинженерия".

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликованы 42 работы, из которых 11 статей (4 в журналах по перечню ВАК РФ)* 25 тезисов докладов на конференциях, 1 патент на изобретение, 4 свидетельства об отраслевой регистрации разработки программ для ЭВМ, 1 монографиями соавторстве).

Структура работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 105 наименований. Содержит 148 страниц основного текста и 69 страниц рисунков и таблиц (79 рисунков и 29 таблиц).

Похожие диссертационные работы по специальности «Элементы и устройства вычислительной техники и систем управления», 05.13.05 шифр ВАК

Заключение диссертации по теме «Элементы и устройства вычислительной техники и систем управления», Антоненко, Андрей Васильевич

4.7. Основные выводы

1. Предложены процедуры коррекции весовых коэффициентов и порогов нейронов преобразователя частотно-временных параметров сигналов в код на основе двухслойного персептрона, которые в общем случае позволяют:

-выявить значения весов w и порогов в нейронов, неэффективных для последующей физической реализации структуры ИНС-преобразователя при заданной форме представления входной переменной; обеспечить уменьшение аппаратных затрат С на формирование синаптических связей за счет приведения их весовых коэффициентов w к виду, приводящему к минимизации затрат с —> min на реализацию преобразователя.

2. Предложен специализированный алгоритм настройки персептронных сетей на решение задачи преобразования« частотно-временных параметров сигналов в код, позволяющий существенно сократить затраты- на реализацию ИНС-преобразователя»" за- счет приведения? весовых коэффициентов и порогов нейронов sk нулевым и единичным значениям.

3. Предложено применение радиально-базисной сети в качестве интерполятора- требуемой характеристики преобразования, заданной в. табличном виде, для. получения ее* в виде аналитического выражения, что позволяет увеличить объем обучающей выборки с целью1 более точной настройки ИНС-преобразователя.

4. Предложен специализированный алгоритм настройки радиально-базисной сети как нейросетевого преобразователя позиционного кода в частоту на основе заменяющей активационной функции первого порядка. Алгоритм позволяет получить значения требуемых параметров (весовых коэффициентов^ и центров активации нейронов) ИНС без применения» итеративных алгоритмов -обучения.

5. Предложен специализированный алгоритм настройки рекуррентной сети на решение задачи- нелинейного^ преобразования- частотно-временных параметров сигналов в код с применением алгоритма Розенблатта для обучения отдельных составляющих сети (подсетей). Алгоритм позволяет получить значения .требуемых параметров (весовых коэффициентов и центров* активации нейронов) ИНС, имеющие только нулевые и единичные значения.

6. Приведен пример» настройки ИНС-преобразователя как формируемой нейросети с обучаемыми связями, решающего задачу линеаризации функции преобразования частотного датчика уровня с помощью ее аппроксимации суммой простых дробей («упрощенных» сигмоид). Рассмотрены особенности реализации данного преобразователя на основе ПЛИС.

213

ЗАКЛЮЧЕНИЕ

Важным направлением кардинального повышения точности и надежности измерения частотно-временных параметров сигналов является развитие функциональных (операционных) возможностей преобразователей, осуществляющих аналого-цифровое и цифро-аналоговое преобразование: и первичную математическую переработку этих (импульсно-аналоговых) сигналов.

В" диссертации« исследован» и- разработан комплекс научно обоснованных методов; моделей;, процедур' синтеза и алгоритмов, настройки; параметров; структур функциональных преобразователей^ частотно-временных, параметров? сигналов в код (и обратно)? наг основе применения- многоуровневого» нейросетевого описания;, что обеспечивает сокращение сроков проектирования создаваемых устройств с расширенными операционными возможностями- при заданной? точности преобразования; Исследование проведено; с учетом использования математического аппарата искусственных нейронных сетей и теоришаппроксимации:. •

Полученные в работе основные результаты, исходя из поставленной цели и определенных для: ее. достижения задач; можно сформулировать следующим-образом:

1. Предложены и реализованы основные положения многоуровневого» нейросетевого описания структур функциональных преобразователей информации (ФП), отличающегося? степенью? детализации представления \ ■ ■ элементарных нейроопераций при осуществлении синтеза устройства, обеспечивающего сокращение сроков- проектирования преобразователя:

Основные положения: многоуровневого нейросетевого описания: структур функциональных преобразователей информации::

1) применение трех уровней нейросетевого описания структур ФГ1И, отличающихся степенью абстрагирования (детализации)-их моделей;

2) учет в алгоритме синтеза ФПИ уровней детализации его нейросетевого описания и необходимости его настройки при обеспечении целевой функции С —> min минимизации аппаратных затрат проектируемого ФП;

3) многообразие исходного представления синтезируемой» структуры преобразователя в виде: 1) ИНС с обучаемой структурой; 2) ИНС с обучаемыми связями; 3) формируемой нейросети, 4) комбинированной (смешанной) сети, преимущественно на основе 1-й 2-го видов.

Обоснована целесообразность комплексного применение различных уровней описания ИНС-преобразователя. Рекомендовано применение крупнозернистого уровня нейросетевого описания для синтеза вычислительных и функциональных преобразователей информации. Определено, что применение описаний на мелкозернистом уровне целесообразно; когда, например, необходимо^ детализировать содержание отдельных элементов структуры, полученных на более «крупном» уровне его описания, а также для' синтеза линейных преобразователей.

Предложены порядок и содержание этапов синтеза структуры ИНС-преобразователя на 1-ом < (мета-) уровне его описания: 1 - выбор и обоснование* вида исходной ИНС; 2 — определение базовой конфигурации' ее структуры; 3 — обучение сети; 4 — оценка возможных аппаратных затрат на реализацию устройства. Реализация данного порядка позволяет сократить время на разработку ФПИ при его представлении в виде связанных друг с другом математических нейронов. Целенаправленное получение- структуры осуществляется в соответствии»* со сформулированной постановкой задачи и целевой^ функции разработки ИНС-преобразователя с использованием математических нейронов.

2. Предложена методика построения' функциональных моделей* нейронов-преобразователей (НП); базирующая на сформулированных положениях их получения, которые задают порядок и основное содержание операций и приемов по формированию совокупности математических выражений в нейросетевом функционально-логическом^ базисе операций, отражающих функционирование НП и являющихся основой выявления формульной зависимости, описывающей операцию преобразования, выполняемую НП.

На основе предложенной методики разработаны функциональные модели нейронов-преобразователей «код - аналог», НП «аналог - код» прямого и замкнутого* принципов действия, а также нейронов-сумматоров и нейронов-вычитателей, образующих библиотеку базовых элементов синтезируемых структур ИНС-преобразователей, использование которой сокращает сроки проектирования устройства с необходимыми техническими характеристиками.

3. Произведены оценки точности и быстродействия нейронов-преобразователей «код - аналог» и «аналог - код», позволяющие определить в предполагаемых структурах НП разрядность операционных узлов, а также время формирования результата преобразования. Показана взаимосвязь значений погрешности и времени преобразования.

4. Разработана методика структурного синтеза ИНС-преобразователя как операционного устройства на основе типовых узлов и элементов, цифровой вычислительной техники для вариантов их непрерывного и циклического принципа действия, позволяющая упорядочить процедуру создания новых структур устройства преобразования от этапа постановки задачи до его* аппаратнойреализации.

При этом рассмотрен ряд подходов к получению' структур ИНС-преобразователя, базирующихся^ на- классификации сетей по способу решения» задачи: формируемые сети, сети с формируемой матрицей связей, обучаемые сети и комбинированные. Приведена последовательность этапов синтеза, крторая позволяет упорядочить проектирование устройств функционального преобразования частотно-временных параметров, сигналов* в код (и* обратно) с осуществлением поиска технического решения» с минимальными аппаратными затратами на реализацию при заданной» точности преобразования.

В рамках предложенной процедуры разработана методика (порядок и содержание стадий) синтеза логических схем нейронов-преобразователей как операционных устройств на основе типовых узлов вычислительной техники, которая- позволяет создать, библиотеку нейроэлементов для построения, схем-ИНС-преобразователей.

5. Предложены специализированные алгоритмы обучения, настройки (или коррекции) параметров» структур ИНС-преобразователей при решении' новой задачи- преобразования с использованием принятых видов, нейросетей и уровней их описания, обеспечивающих улучшение характеристик устройства.

Так, предложены процедуры коррекции весовых коэффициентов и порогов нейронов преобразователя частотно-временных параметров сигналов, в, код на основе двухслойного персептрона, которые в общем случае позволяют обеспечить приведение весов синаптических связей к виду, приводящему к минимизации затрат на реализацию преобразователя, в частности, для

8-разрядного устройства производится снижение аппаратных затрат на реализацию в 5 раз (в числе логических ячеек).

Предложен специализированный алгоритм настройки персептронных аналого-цифровых сетей, позволяющий существенно сократить затраты на; реализацию ИНС-преобразователя за счет приведения весовых коэффициентов? и порогов нейронов к нулевым и единичным значениям.

Предложено применение радиально-базисной сети в качестве интерполятора требуемой; характеристики; преобразования, заданной- в табличном виде, для получения ее* в виде, аналитического выражения« в нейросетевом базисе: операций; что? позволяет увеличить, объем? обучающей* выборки с целью более точной настройки ИНС-преобразователя.

Предложен специализированный; алгоритм настройки радиально-базисной? сети для нейросетевого преобразователя «код - частота» на основе применения ¡замещающей (приближенной)- активационной функции первого порядка, что позволяет получить значения« параметров? сети без применениям итеративных методов обучения.

6: Рассмотрен пример настройки и реализацию на ПЛИС ИНС-преобразователя как формируемой; нейросети с обучаемыми синаптическими связями, решающего задачу линеаризации характеристики частотного датчика-для.уровнемера электропроводных сред с помощью<ее аппроксимации суммой простых дробей («упрощенных» сигмоид). Наличие в устройстве функций обучения' значительно расширяет его * операционные (интеллектуальные) - возможности, так. как при смене датчика преобразователь может быть оперативно «перестроен» на реализацию новой аппроксимирующей зависимости.

На основе проведенного диссертационного исследования решена важная научно-прикладная задача, разработки моделей' и процедур синтеза структур функциональных преобразователей частотно-временных параметров сигналов в код (и обратно) с использованием многоуровневого нейросетевого описания; что обеспечивает расширение: операционных возможностей; разрабатываемых преобразователей и повышение формализации полученияшроектных решений.

Решение данной задачи является определенным вкладом в развитие новых методов; описания процессов преобразования^ а также методов синтеза и анализа преобразователей информации как важных устройств вычислительной техники и систем управления.

Практическая значимость работы состоит в том, что предложенные процедуры синтеза структур ИНС-преобразователей являются основой создания на базе программируемых БИС линейных и функциональных преобразователей импульсно-аналоговых сигналов с улучшенными технико-экономическими характеристиками и расширенными функциональными возможностями. Предложенная с использованием многоуровневого нейросетевого описания методика структурного синтеза этих преобразователей на основе операционных узлов вычислительной, техники позволяет существенно упорядочить процесс и сократить сроки; их проектирования.

Дальнейшее расширение функциональных возможностей и улучшение технико-экономических параметров проектируемых ИНС-преобразователей может достигаться за счет применения других видов сетей (Хопфилда, гетерогенных и др.), а также комплексирования различных видов сетей и применения аппарата нечеткой логики» как эффективного- приема улучшения динамических характеристик преобразования. Для улучшения* эффективности обучения (настройки) ИНС-преобразователей на необходимую функцию преобразования могут быть использованы генетические алгоритмы. Решение этих вопросов может стать предметом последующих исследований.

Результаты, полученные в диссертации, внедрены в разработки ОАО «Рязанский радиозавод», в научно-исследовательских работах по грантам ВЦП (НИР 14-09Р) и РФФИ (НИР* 6-ЮР), а также внедрены в учебный* процесс РГРТУ на кафедре биомедицинской и полупроводниковой электроники, что подтверждено соответствующими актами.

Список литературы диссертационного исследования кандидат технических наук Антоненко, Андрей Васильевич, 2011 год

1. Смолов В.Б. Функциональные преобразователи информации / JL: Энерго-издат. Ленингр. отделение, 1981. 248 с.

2. Микроэлектронные цифро-аналоговые и аналого-цифровые преобразователи информации / под ред. В.Б. Смолова. Л.: Энергия, 1976. 336 с.

3. СмоловВ.Б., Угрюмов Е.П., Артамонов А.Б. и др. Время-импульсные вычислительные устройства / под ред. В.Б. Смолова, Е.П. Угрюмова. Ml: Радио и связь, 1983. 288 с.

4. A.c. № 353343 СССР1 Время-импульсный функциональный преобразователь / Паламарюк Г.О., Кйстрин A.B., Локтюхин BlH:, Никифоров М:Б: // Открытия. Изобретения. 1972, №19.

5. А. с. № 754407 СССР. МКИ G 06 F 5/04. Функциональный преобразователь "код-частота" / Смолов В1Б., Балашов Е.П., Локтюхин В.Н:, Паламарюк Г.О. // Открытия. Изобретения. 1980, № 29.

6. Данчеев В.П: Цифрочастотные вычислительные устройства. М.: Энергия, ¿976. 176 с.

7. Грушвицкий Р.И., МурсаевА.Х., Смолов В.Б. Аналого-цифровые периферийные устройства. Л.: Энергоатомиздат. Ленингр. отд-ние, 1989. 160 с.

8. Смолов В.Б., Фомичев В.С. Аналого-цифровые и цифро-аналоговые нелинейные вычислительные устройства / Л.: Энергия, 1974. 264 с.

9. Карпов Р.Г. Техника частотно-импульсного моделирования / М.: Машиностроение, 1969. 247 с.

10. Ясницкий JI.H. Введение в искусственный интеллект: учеб. пособие для студ. высш. учеб. заведений. М.: Издательский центр "Академия", 2005.176 с.

11. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: Учеб. пособие для вузов. Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001.256 с.

12. McCulloch W., Pitts W. A logical calculus of the ideas imminent in nervous activity//Bulletin of Mathematical'Biophysics, 1943'№5, pp. 115-133.

13. ОсовскийС. Нейронные сети?для обработки информации;/ пер. с польского И.Д. Рудинского. М.: Финансы и.статистика, 2002. 344 с.

14. Галушкин А.И. Ироблемьгискусственного интеллекта и нейрокомпьютеры. // Нейрокомпьютеры: разработка; применение. № 6, 2005. М.: Радиотехника, 2005. С. 3-8.

15. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1966.

16. Челебаев,C.B., Антоненко A.B. Обучение персептрона на реализацию операции преобразования временного интервала в унитарный код // Сети, системы связи и телекоммуникации: материалы 32-й- всероссийской научно-практической конференции. Рязань, 2007. С. 55.

17. Локтюхин В.Н., Челебаев С.В:, Антоненко A.B. Проектирование интеллектуальных преобразователей информации на базе программируемых СБИС // Интеллектуальные системы: труды 8-го международного симпозиума. М.: 2008. С. 289-292.

18. Локтюхин В.Н., Челебаев С.В., Антоненко А.В. Построение подсистем преобразования и идентификации частотно-временных параметров биосигналов с использованием персептронных сетей // Биотехносфера, № 5. СПб.: Политехника, 2009. С. 18-24.

19. Локтюхин В.Н., Челебаев С.В., Антоненко А.В. Специализированные алгоритмы обучения и настройки рекуррентной- сети преобразователя! частотно-временных параметров, сигналов^ в; код // Успехи современного естествознания. Париж, 2009. №11. С. 72-74.

20. Локтюхин В.Н., Челебаев С.В., Антоненко А.В. Analogue signals input-output processors with trained structure // Интеллектуальные системы: труды-9-го международного симпозиума. М-.: РУСАКИ,.2010: С. 312-315.

21. Локтюхин В.Н., Челебаев C.B., Антоненко A.B. Об унификации инвариантной к виду входного сигнала структуры нейросетевого аналого-цифрового преобразователя // Нейрокомпьютеры, № 4. 2010. С. 54-61.

22. Антоненко A.B. Модели нейронов сети, как компонентов'. ИНС-преобразователей // Межвузовский сборник научных трудов: Физика полупроводников. Микроэлектроника. Радиоэлектронные устройства. Рязань: РГРТУ, 2010. С. 17-25.

23. Локтюхин В.Н., Челебаев С.В*, Антоненко А.В1 Нейросетевые аналого-цифровые преобразователи // под общей редакцией- А.И: Галушкина. М!: Горячая линия-Телеком, 2010. 128 с.

24. Пат. 2420804. Российская Федерация, МПК G 06 F 15/00. Нейросетевой преобразователь кода в частоту Текст. // Локтюхин В.Н., Челебаев C.B., Анто-ненко^АЛЗ.; Заявитель и патентообладатель РГРТУ. №2009137684/08. Бюл. № 16 от 10.06.2011. 2 е.: ил.

25. Локтюхин В.Н., Челебаев C.B. Методика синтеза преобразователей им-пульсно-аналоговых сигналов с использованием операций нейросетевого базиса//Нейрокомпьютеры: разработка, применение. № 10, 2006. С. 57-71.

26. Локтюхин В.Н., Челебаев C.B. Принципы,применения технологии искусственных нейронных сетей для проектирования преобразователей частотно-временных параметров сигналов в код // Датчики и системы. № 2, 2006. С. 43-56.

27. Подлепецкий Б.И., Коваленко A.B., Никифорова М.Ю. Оценка погрешности интегральных датчиков водорода на основе МДП-транзисторных чувствительных элементов // Датчики и системы, № 1. 2010. С. 2-6.

28. Агафонов В.М., Антонов А.Н., Зайцев Д.Л. Собственный шум и нелинейность миниатюрных молекулярно-электронных измерителей угловых движений // Датчики и системы, № 1. 2010. С. 7-12.

29. Воронов Ю.А., Коваленко A.B., Никифорова М.Ю., Подлепецкий Б.И., Са-матаев H.H., Висильев A.A. Элементы газочувствительных датчиков на основе микротехнологий // Датчики и системы, № 3. 2010. С. 28-35'.

30. Исаев М.М., Мехтизаде Э.К. Алгоритмическая коррекция погрешности в-вибрационно-частотном преобразователе плотности нефтепродуктов. // Датчики и системы, № 4. 2010. С. 11-13.

31. Тихоненков В.А., Винокуров Л.Н. Компенсация аддитивной температурной погрешности тензорезисторного датчика // Датчики« и системы, № 6. 2010. С. 7-11.

32. АлакозГ.М. Нейрокомпиляция i как основа инструктированного синтеза квантовых вычислительных структур //Нейрокомпьютеры, №10. 2010. С. 3-10:

33. Рамбиди Н.Г. Нанотехнологии и молекулярные компьютеры / М'.: ФИЗМАТЛИТ, 2007. 256 с.

34. Буренева О.И. Отказоустойчивые устройства с реализацией процессов следящего преобразования* потоков* информационных квантов: автореф: дис. на соискание ученой, степени кандидата технических наук. Санкт-Петербург, 2005. С. 18.

35. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / общ. ред. А.И. Галушкина М. : ИПРЖР; 2000: 416с. .

36. ПрошинЕ.М. Цифровые измерительные устройства: учеб. пособие / Рязань: РГРТУ, 2011.224 с.

37. Челебаев C.B. Синтез структур преобразователей частотно-временных параметров сигналов в код на основе нейросетевых технологий: дис. канд. техн. наук. Рязань, 2006. 193 с.

38. Локтюхин В.Н., Челебаев C.B. Нейросетевые преобразователи импульсно-аналоговой информации: организация, синтез, реализация / под общей редакцией А.И. Галушкина. М.: Горячая линия Телеком, 2008. 144 с.

39. Теоретические основы САПР: учебник для вузов / В.П. Корячко, В.М. Курейчик, И.П. Норенков. М.: Энергоатомиздат, 1987. 400 с.

40. Галушкин А.И: Нейронные сети: основы теории / М.: Горячая линия Телеком, 2010: 496 с.

41. Нейроматематика. Кн. 6: Учеб: пособие для вузов / А.Д. Агеев; и др.; общ. ред. А.И. Галушкина. М.: ИПРЖР, 2002. 448 с.

42. Нейрокомпьютеры в системах обработки сигналов. Кн. 9. Коллективная монография / под. Ред. Ю:В. Гуляева и А.И. Галушкина. М:: Радиотехника, 2003': 224 с.

43. Комарцова Л:Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. 2-е изд., перераб. и доп. / М!: Изд-во МГТУ им. Н~Э. Баумана, 2004. 400 с. ~

44. ВичуговВ.Н:, Суходоев M.G., ЦапкоГ.П. Динамическое формирование структуры радиально-базисной нейронной сети // Нейрокомпьютеры, № 12. 2010. С. 7-11.

45. Локтюхин В.Н. Микропроцессоры и ЭВМ (в 4-х кн.). Кн. 4. Микропроцессорные системы сбора и первичной обработки импульсно-аналоговой информации: учеб. пособие для вузов. М:. Энергоатомиздат. 2000. 156 с.

46. Andras Р. Orthogonal RBF neural network approximation // Neural Process. Lett. (Netherlands), vol. 9; no. 2, April 1999. (p. 141-151).

47. Bahnasawi A.A., Abdel Wahab A.H., Shaheen S.I. Logical radial basis function networks a hybrid intelligent model for function: approximation // Adv. Eng. Softw. (UK), vol. 30, no. 6, June 1999, (p. 407-417).

48. Li Xin. On simultaneous approximations by radial basis function neural networks // Appl. Math. Comput. (USA), vol. 95, no 1,1 Sept. 1998. (p. 75-89).

49. Терехов B.A. Нейросетевые системы управления: Учеб. пособие для вузов / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. М.: Высш. шк. 2002. 183 с.

50. Локтюхин В.Н., Челебаев C.B. Применение рекуррентных сетей для синтеза импульсно-цифровых преобразователей // Вестник Рязанского государственного радиотехнического университета, № 19. Рязань: РГРТУ, 2006. С. 94-103.

51. Рахимов Т.М. Справочник по микросхемам серии К155. 1991. 250 с.

52. Майоров С.А., Новиков Г.И. Принципы организации цифровых машин. Л.: «Машиностроение» (Ленингр. отд-ние), 1974. 432 с.

53. Баранов С.И. Синтез микропрограммных автоматов (граф-схемы и автоматы).N- 2-е изд., перераб. и доп. Л:: Энергия. Ленингр. отделение, 1979.232 с.

54. А. с. № 529558 СССР, МКИ H ОЗК 13/20. Функциональный преобразователь частоты в код / Иопа Н.И., Локтюхин В.Н. // Открытия. Изобретения. 1976. № 35.

55. Локтюхин В.Н., Иопа Н.И. Об одной структуре функционального преобразователя для линеаризации характеристик частотных датчиков // Специализированные и комбинированные вычислительные устройства: Межвуз. сб., вып. 3. Рязань. РРТИ. 1975. С. 110-113.

56. А. с. № 632081 СССР, МКИ H ОЗК 13/20. Время-импульсный преобразователь / Локтюхин В.Н., Быценко С.Г. // Открытия. Изобретения. 1978. № 41.

57. Вихров С.П., Холомина Т.А. Нанотехнологии и биосистемы: научное издание / Рязань: Рязан. гос. радиотехн. ун-т, 2010. 236 с.

58. Белов П.А., Симовский K.P. Отражение электромагнитных волн от фотонных кристаллов и обобщенная теорема погашения // Сборник трудов: проблемы когерентной и нелинейной оптики. СПб: СПбГУИТМО, 2004. С. 154-169.

59. Адамов Ю.Ф., Сибагатуллин А.Г., Сомов O.A. Тенденции развития сенсорных систем и интеллектуальных датчиков // Датчики и системы, № 5. 2011. С. 58-59.

60. Астафьев A.A., ИопаН.И., Локтюхин В.И., Мясников А.Г., Полетаев Б.К. Вычислительный преобразователь для уровнемеров электропроводных сред // Приборы и системы управления. 1981. № 9. С. 18-20.

61. Уоссермен. Нейрокомпьютерная техника. М.: Мир, 1992.

62. Жидков E.H. Численные методы для научных работников и инженеров / пер. с англ. М.: Наука, 1972. 400 с.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.