цифровая электроника
вычислительная техника
встраиваемые системы

 
» » Нейрокомпьютеры. Адаптивный классификатор образов, микроэлектронная реализация нейронов

Нейрокомпьютеры. Адаптивный классификатор образов, микроэлектронная реализация нейронов

Автор: Mike(admin) от 13-01-2019, 13:55

Адаптивный классификатор образов


Машина для адаптивной классификации образов была разработана для иллюстрации процессов искусственного обучения и адаптации. Во время обучения на вход адалина подавались геометрические образы путем замыкания ключей на входном массиве 4x4.


Нейрокомпьютеры

Установка специального отдельного ключа говорила, равен ли желаемый выход для конкретного входного образа +1 или -1. Веса адалина менялись после подачи каждого образа. Машина могла обучаться на незашумленных недеформированных образах многократной подачей на вход, пока итеративный процесс не сходился, или на последовательности зашумленных образов, пока процесс не сходился статистически. Можно комбинировать методы обучения. После обучения адалин можно использовать для классификации исходных образов, а также их зашумленных и смещенных вариаций.


Пороговая функция не реализована как устройство, оператор сам по значению выходного сигнала производит квантизацию. С помощью соответствующих шкал реализуются квантизаторы с 2-4 уровнями. Адалин используется для классификации нескольких классов с применением многоуровневого квантизатора при неизменной процедуре обучения.


Образ подается на вход, и специальный ключ устанавливают в положение, соответствующее желаемому выходу. Затем считывается сигнал ошибки. Все веса, включая порог, изменяют на одну и ту же величину так, чтобы эта ошибка стремилась к нулю. Это осуществляется путем изменения каждого веса в таком направлении, которое уменьшает значение ошибки на 1/17. Так как предположительно в примере весов 17, то после изменения всех весов независимо от последовательности операций изменения ошибка станет равной нулю для данного образа. Аналогичные операции повторяют для каждого образа. Если после процесса обучения первый образ снова подать на вход, то ошибка, вообще говоря, не будет нулевой. Сходимость характеризуется малыми значениями ошибок, которые флуктуируют вокруг постоянной среднеквадратичной ошибки. Подобный итеративный процесс чисто механический и не требует со стороны оператора никаких творческих усилий.


Адаптивный классификатор образов


Микроэлектронная реализация нейронов


Структуры нейрона и процесса обучения достаточны просты, чтобы было возможно разработать физическое, электронное, полностью автоматическое устройство. Цель состоит в создании замкнутого, цельного устройства и содержащего линию входных сигналов, желаемого выхода, выходную линию и цепи питания. Устройство должно быть надежным, содержать мало компонентов и быть подходящим для массового производства.


Для адаптивного нейрона необходима также возможность сохранения и изменения электронным способом весов, как положительных, так и отрицательных.


На данный момент усилия сосредоточены на использовании многоапертурных магнитных сердечников. Особые характеристики этих элементов разрешают многоуровневое сохранение данных с непрерывным неразрушающим считыванием. Кроме того, уровни можно легко менять малыми контролируемыми порциями; направление изменения определяется логикой, реализованной на МAD-элементах. Скоро появятся макроскопические нейроны на MAD-элементах, а с использованием ферромагнитных пленок их заменят микроэлектронные нейроны.




© digitrode.ru


Теги: нейронная сеть, искусственный интеллект



   Благодарим Вас за интерес к информационному проекту digitrode.ru.
   Если Вы хотите, чтобы интересные и полезные материалы выходили чаще, и было меньше рекламы,
   Вы можее поддержать наш проект, пожертвовав любую сумму на его развитие.


Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.

Комментарии:

Оставить комментарий