مقاله از تمام رشته های دانشگاهی

به اضافه مقالات تخصصی انگلیسی ایندکس شده در ISI

مقاله از تمام رشته های دانشگاهی

به اضافه مقالات تخصصی انگلیسی ایندکس شده در ISI

پیاده سازی شبکه عصبی هوپفیلد مجتمع سازی گسترده دیجیتال

عنوان انگلیسی مقاله: Digital very large scale integration (VLSL) Hopfield neural network implementation on field programmable gate arrays (FPGA) for solving constraint satisfaction problems
عنوان فارسی مقاله: پیاده سازی شبکه عصبی هوپفیلد مجتمع سازی گسترده دیجیتال، در آرایه های گیت قابل برنامه ریزی میدان برای حل مسایل محدودیت رضایت
طبقه بندی: برق و الکترونیک
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 30
_______________________________________
چکیده
این مقاله در مورد پیاده سازی شبکه های عصبی Hopfield برای حل مسایل مربوط به محدودیت رضایت با استفاده از آرایه های گیت قابل برنامه ریزی میدان FPGA بحث می کند. این مقاله در مورد روش های فرمول بندی این مسایل همانند شبکه های عصبی گسسته بحث می کند، و سپس مساله N queen را با استفاده از فرمولبندی به دست آمده تشریح می کند. سرانجام، نتایج ارایه شده زمان های محاسبه یک کامپیوتر معمولی برای شبیه سازی اجرای شبکه Hopfield بر روی یک فضای کاری باکیفیت، مقایسه می کنند. در این روش، رشد پیشرفت قابل مشاهده می باشد که نشان می دهد حداکثر رشد 2 تا 3 برابر دامنه با استفاده از ابزارهای FPGA ممکن می باشد.

کلیدواژه: شبکه عصبی هوپفیلد، آرایه های گیت قابل برنامه ریزی میدان، مساله N queen

مقدمه
بسیاری از مسایل بهینه سازی تجارت و صنعت در عمل را می توان با استفاده از متغیرهای تصمیم گیری دودویی (باینری)، به عنوان مسایل برنامه نویسی استاندارد ریاضی فرمول بندی کرد. حل این مسایل به دلیل طبیعت عصب سخت پیچیدگی آنها (NP hard) نیاز به بکاربری از فن آوری های هوشمند و الگوریتم های تقریبی دارند؛ در سال 1985 شبکه های عصبی برای حل این مشکل ارایه شدند، اما باز هم مسایلی همچون کیفیت ضعیف راه حل ها و عدم تضمین راه حل نهایی عملی مشکل ساز بودند. این مسایل اولیه امروزه برطرف شده اند. روش هایی برای کمک به شبکه عصبی Hopfield تا حداقل عملکرد انرژی ناحیه ای را تامین کند، ارایه شده اند و ساختار مناسب این عملکرد انرژی عملی بودن راه حل را تضمین می کند. با استفاده از این پیشرفت ها، نتایج شبکه عصبی به دست آمده اند که به طور موثری (و حتی بهتر) با دیگر فن آوری های هوشمند معروف مانند بازپخت شبیه سازی شده، رقابت می کنند.
ادامه مطلب ...