Синтез структур преобразователей частотно-временных параметров сигналов в код на основе нейросетевых технологий

• Автор: Челебаев, Сергей Валерьевич
• Шифр специальности: 05.13.05
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Рязань
• Количество страниц: 194 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
Глава 1. ОБОСНОВАНИЕ ПРИМЕНЕНИЯ БАЗИСА НЕЙРОСЕТЕВЫХ ОПЕРАЦИЙ ДЛЯ ПРОЕКТИРОВАНИЯ ПРЕОБРАЗОВАТЕЛЕЙ ЧАСТОТНОВРЕМЕННЫХ ПАРАМЕТРОВ СИГНАЛОВ, МОДЕЛИ ИХ СТРУКТУР С ФИКСИРОВАННЫМИ СВЯЗЯМИ
1.1. Состояние применения ИНС для построения преобразователей формы представления информации
1.2. Концепция и направления приложения ИНСтехнологий для проектирования преобразователей формы информации ПФИ
1.3. Методы описания процессов преобразования и модели нейроподобных структур преобразователей аналоговой величины х в унитарный цифровой эквивалент уп
1.4. Подходы к описанию нейроподобных структур преобразователей с позиционным кодированием результата
1.5. Основные рекомендации по применению нейроподобных структур преобразователей х уп и х у,

Глава 2. РАЗРАБОТКА МОДЕЛЕЙ И ПРОЦЕДУР СИНТЕЗА

СТРУКТУР НЕЙРОПРЕОБРАЗОВАТЕЛЕЙ ИМПУЛЬСНОАНАЛОГОВЫХ СИГНАЛОВ С ФУНКЦИЯМИ ОБУЧЕНИЯ на примере сетей прямого распространения

2.1. Процедура синтеза преобразователей импульсно

аналоговых сигналов в цифровой код с функцией обучения
2.2. Целевая функция проектирования синтеза структур преобразователей с минимальными аппаратными затратами
2.3. Модели и процедуры синтеза структур ПФИ на базе многослойных персептронных сетей
2.4. Модели нейросетевых структур преобразователей с последовательным вычислением базовых активационных функций
Глава 3. ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ ПРИМЕНЕНИЯ
РЕКУРЕНТНЫХ И ГИБРИДНЫХ СЕТЕЙ ДЛЯ ПО
СТРОЕНИЯ СТРУКТУР ИМПУЛЬСНОЦИФРОВЫХ
ПРЕОБРАЗОВАТЕЛЕЙ, МЕТОДИКА ИХ СИНТЕЗА КАК
ЦИФРОВОГО АВТОМАТА
3.1. Принципы применения рекуррентных нейронных сетей для синтеза структур преобразователей импульсноаналоговой информации
3.2. Принципы применения гибридных нейронов для проектирования многокаскадных нейропреобразователей с позиционным кодированием
3.3. Особенности построения импульсноцифровых функциональных преобразователей на основе радиалыю
Ф базисных сетей
3.4. Методика синтеза нейропреобразователей импульсноаналоговых сигналов как цифрового автомата
3.5. Основные принципы реализации и верификации преобразователей с функциями обучения на ПЛИС, их внедрение
Глава 4. АНАЛИЗ И МОДЕЛИРОВАНИЕ ОСНОВНЫХ ХАРАК
ТЕРИСТИК НЕЙРОЭЛЕМЕНТОВ И ОЦЕНКА ИХ
ВЛИЯНИЯ НА ВЫБОР СТРУКТУРЫ
ИНСПРЕОБРАЗОВАТЕЛЯ
Ф 4.1. Анализ нейроузлов ИНСпреобразователей аналог
4.2. Применение имитационного моделирования для анализа
нейроузлов импульсноцифровых преобразователей
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Проектирование это процесс создания описания, необходимого для построения в заданных условиях еще не существующего технического объекта устройства, на основе первичного описания этого объекта . В случае если этот процесс удается упорядочить формализовать, то такое упорядоченное проектирование часто называют синтезом. Под процедурой синтеза понимается формализованная совокупность действий, выполнение которых заканчивается созданием структуры устройства, подлежащей далее реализации на выбранной элементной базе. Различают структурный и параметрический синтез . Цель структурного синтеза получение структурных схем объекта, содержащих сведения о составе элементов и способах соединения их между собой. При параметрическом синтезе определяются числовые значения параметров элементов структуры. При создании ИНСпреобразователей эти два вида синтеза интегрируются в единый процесс проектирования, в котором при обучении исходной сети одновременно осуществляется оптимизация как структуры синаптические связи и нейроэлементы, так и значений параметров весов этих связей. Хотя можно условно считать, что для данной задачи проектирования осуществляется только структурный синтез, если принять, что элементами структуры являются синаптические связи с весами, полученными в ходе обучения сети. При разработке структур аналогоцифровых преобразователей в роли оптимизируемого показателя эффективности качества устройства чаще всего выступает характеристика затрат С на его реализацию как целевая функция проектирования. Другие выходные параметры системы, в частности определяющие ее быстродействие и точность, относят к ограничениям. В итоге введение целевой функции позволяет в процессе синтеза оптимизировать структуру ПФИ в направлении снижения аппаратных затрат на се реализацию. Создание процедур синтеза ПФИ во многом основано на оперировании их математическими моделями ММ функциональными и структурными . Под ММ преобразователя как технического объекта понимается совокупность математических объектов чисел, переменных, матриц, множеств и т. Функциональная модель, как правило, описывает процесс преобразования в виде системы уравнений. Структурная модель определяет взаимное расположение элементов и связей между ними. Для ее описания используются графы, матрицы смежности и т. Исходя из этих определений ММ удобной исходной формой описания ПФИ является представление этих процессов и структур в базисе нейросетевых операций и структур. Утмх масштаб преобразования л аналоговая величина, представленная в виде временного интервала тх, частоты x или периода Тх в диапазоне 0 . Основная цель такого представления определить основное содержание метода синтеза структуры преобразователя с высокой однородностью и простотой реализации составляющих его элементарных операционных элементов, представленных в виде нейронов или нейроузлов. Для ее достижения возможны два основных подхода рис. АЦ преобразования с использованием операций математического нейрона. МрМ, I2
где ix функции ЛОГИКИ включения базовых функций ix принимающие значения 0 или 1 в зависимости от принадлежности аргумента х е 0 хтах му участку аппроксимации размером Дх, х, хм Дх0 хк . Рис. Реализация зависимости вида 1. ПФИ как важной составляющей их синтеза. Создание нейроподобных структур на основе предлагаемого метода базируется на выборе определенных способов представления и вычисления зависимости 1. Полученные таким путем структуры отличаются наличием фиксированных неизменяемых связей между нейронами, что во многом затрудняет оперативную перестройку схемы на реализацию новой функции преобразования. Тем не менее, этот ряд разрабатываемых устройств следует рассматривать как один из вариантов ИНСпреобразователей, причем отличающихся, для определенных задач преобразования, малыми аппаратными затратами на свою реализацию. В приведенном выражении 1. АЦпреобразования, так и собственно структуру, с помощью которой он реализуется. В итоге, за счет большой гибкости изменения базовых функций, а также их состава, нейросетевое представление приближающей функции по сравнению с классической аппроксимацией позволяет адаптироваться к операции преобразования.