Sprzętowa implementacja samoorganizującej się, sztucznej sieci neuronowej typu Neural Gas w systemach klasyfikacji danych

• Autorzy: Szulc C. , Talaśka T. , Miciak M.

Warianty tytułu

EN

Hardware implementation of the self-organizing, artificial neural network based on Neural Gas Algorithm used in data classification

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono implementację sieci neuronowej typu Neural Gas na platformie Arduino Uno z procesorem ATmega328P. W pracy przedstawiono pewne modyfikacje procesu uczenia sieci, które wykazują zalety w kontekście realizacji sprzętowej. Dzięki zastosowanym modyfikacjom uzyskano nawet 10-krotne zwiększenie prędkości przetwarzania danych uczących.

EN

The paper presents the implementation of a artificial neural network (based on Neural Gas Algorithm) on Arduino Uno platform with ATmega328P processor. The paper presents some modifications of the learning process that are important for hardware implementation. Thanks, the proposed modifications, we can increase learning datas processing speed, up to 10 times.

Słowa kluczowe

PL

algorytm gazu neuronowego; sprzętowa implementacja sieci neuronowej; Neural Gas

EN

neural gas algorithm; hardware implementation of neural networks; neural gas

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2016
• Tom: nr 1
• Strony: 412--417, CD1
• Opis fizyczny: Bibliogr. 9 poz., rys, tab.

Twórcy

autor

Szulc C.

• Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy

autor

Talaśka T.

• Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy

autor

Miciak M.

• Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy

Bibliografia

• [1] Kaijun Xu, Guangming Zhang, Yang Xu, Intelligent landing control system for civil aviation aircraft with dual fuzzy neural network, 2011 eighth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), Shanghai, China, Vol. 4, 2011.
• [2] LinChih-Min, Chun-Fei Hsu, Neural-network hybrid control for antilock braking systems, IEEE Transactions on Neural Networks, Vol. 14, No. 2, 2003.
• [3] Yadav B., Devi V.S., Novelty detection applied to the classification problem using Probabilistic Neural Network, 2014. IEEE Symposium on Computational Intelligence and Data Mining (CIDM), 2014.
• [4] Yi Sun, Neural network approach to classification using features extracted by mapping, Electronics Letters, VOL. 28, No. 13, 1992
• [5] Farooq U., Amar M., ulHaq E., Asad M.U., Atiq H.M., Microcontroller Based Neural Network Controlled Low Cost Autonomous Vehicle, 2010 Second International Conference on Machine Learning and Computing (ICMLC), India, 2010
• [6] Depari A., Flammini A., Marioli D., Rosa S., Taroni A., Falasconi M., Sberveglieri G., Substance classification and measure for low-cost electronic noses, 2005 IEEE Sensors, 2005.
• [7] Martinetz T., Schulten K., A "neural gas" network learns topologies, Artificial Neural Networks, Elsevier, Amsterdam, 1991.
• [8] Martinetz T., Berkovich S.G., Schulten K., "Neural gas" for vector quantization and its application to time-series prediction, IEEE Transactions on Neural Networks, Vo. 4, No. 4, 1993.
• [9] https://www.arduino.cc/en/Main/ArduinoBoardUno

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.