Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

A Flexible Winner Takes All Neural Network with the conscience mechanism realized on microcontrollers

Przedwojski P., Talaśka T., Długosz R.

Elektronika : konstrukcje, technologie, zastosowania

2011

Vol. 52, nr 12

14-17

A flexible, fully programmable Self-Organizing Artificial Neural Network (ANN) nas been realized on two microcontrollers (μC) with the AVR and the ARM cores placed on a single printed board. The implemented device is equipped with a single 4-channel analog-to-digital (ADC) and four (4-channel each) digital-to-analog (DAC) converters. This allows the system to operate with four analog input signals in parallel in the real time. One of the objectives of the device is to be used as a hardware very accurate model of ANNs realized as very large scale of integration application specific integrated circuits (VLSI ASIC)- In this paper the authors focus on the problem of the, so called, dead neurons that increase the quantization error and the, so called, conscience mechanism that allows eliminating this problem. In this paper an alternative realization of such mechanism has been proposed that is especially suitable for transistor level implementations of both the analog and digital ANNs.

Elastyczna, w pełni programowalna samoorganizująca się sztuczna sieć neuronowa (NN) została zaimplementowana na dwóch mikrokontrolerach z rdzeniem ARM i AVR na specjalnej płytce elektronicznej. Wykonane urządzenie wyposażone jest w zewnętrzny przetwornik analogowo-cyfrowy (A/C) i 4 przetworniki cyfrowo-analogowe (C/A). Dzięki temu może wykonywać operacje na sygnałach analogowych w czasie rzeczywistym. Jednym z celów realizacji urządzenia było wykonanie bardzo dokładnego modelu sieci neuronowej, która docelowo będzie zaimplementowana w postaci specjalizowanego układu scalonego wielkiej skali integracji (VLSI). W artykule tym skupiono się na problemie martwych neuronów, które zwiększają wartość błędu kwantyzacji i mechanizmie sumienia, który eliminuje ten problem. W pracy przedstawiono nowy sposób realizacji tego mechanizmu, który dobrze sprawdza się w analogowych i cyfrowych implementacjach sieci neuronowych.

Comparison of different hardware realizations of the winner takes all neural network

Talaśka T., Przedwojski P., Dalecki J., Długosz R.

Zeszyty Naukowe. Telekomunikacja i Elektronika / Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy

2010

z. 13

67--78

This paper presents realization and the laboratory tests of the Kohonen winner takes all (WTA) neural network (NN) realized on microcontrollers (μC) with the AVR and ARM CortexM3 cores, as well as the comparison with the full custom implementation of analog network of this type in the CMOS technology. The two μCs have been placed on a single testing board to facilitate the comparison. The board allows for switching between the two μCs, it enables selection of either the Euclidean (L2) or the Manhattan (L1) distance measures. It also allows for turning on/off the so-called conscience mechanism. Some signals illustrating the training of the network can be observed directly on the board. The full learning process with all essential parameters can be viewed on PC using the USB port. The prospective application of the system is in on-line analysis of the ECG and EMG biomedical signals in the health care diagnostic systems, as well as in the student laboratories on neural networks and programmable devices.

W pracy przedstawiono projekt oraz wyniki badań laboratoryjnych sieci neuronowej Kohonena typu Winner Takes All (WTA) zaimplementowanej na mikrokontrolerach z rdzeniami AVR oraz ARM. W pracy przedstawiono też porównanie z wcześniejszą realizacją podobnej sieci jako specjalizowany analogowy układ scalony. Dwa mikrokontrolery, na których zaimplementowano algorytm uczący umieszczone zostały na jednej płytce testowej aby umożliwić bezpośrednie porównanie ich parametrów. Za pomocą przełączników umieszczonych bezpośrednio na płytce możliwe jest wybranie jednego z mikrokontrolerów, jednej z dwóch miar podobieństwa między wektorami (Euklidesa L2 lub typu Manhattan L1) oraz włączenie lub wyłączenie mechanizmu sumienia. Niektóre sygnały przedstawiające proces uczenia (sygnału sygnalizującego zwycięski neuron) możemy bezpośrednio obserwować na płytce. Proces uczenia możemy też w całości obserwować na komputerze PC, poprzez złącze USB. Do potencjalnych zastosowań wykonanej płytki testowej oraz sprzętowych realizacji sieci neuronowej należą systemy do ciągłego monitoringu zdrowia pacjentów (obserwacja oraz analiza sygnałów typu EKG oraz EMG), a także jako wyposażenie laboratorium studenckiego.