پیاده سازی شبکه عصبی فازی روی fpga و بکارگیری آن در طبقه بندی
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی شاهرود - دانشکده برق
- author فرید فرج زاده اصل
- adviser علی سلیمانی ایوری
- publication year 1391
abstract
شبکه های عصبی فازی min-max، روش های نسبتاً جدیدی در حوزه کاربردی طبقه بندی و خوشه یابی می باشند. این شبکه ها، ویژگی های برتری مانند الگوریتم آموزش برخط یکبارگذر دارند که آنها را برای پیاده سازی سخت افزاری و استفاده در کاربردهای بلادرنگ، ایده آل می سازد. در این پایان نامه یک روش جدید برای طراحی شبکه های عصبی فازی بر پایه ابرجعبه های فازی min-max ارائه شده است. همانند شبکه fmnn، این شبکه از تجمیع ابرجعبه های فازی برای تعیین مرزهای کلاس ها استفاده می کند، با این تفاوت که تست همپوشانی و انقباض ابرجعبه ها از مراحل آموزش حذف شده است. که منجر به الگوریتم آموزش ساده تر و سرعت آموزش بیشتر شده است. شبکه ارائه شده از دو دسته ابرجعبه با ضریب انبساط متفاوت، به منظور استفاده از ابرجعبه های کوچک تر در مرز کلاس ها، استفاده می کند. شبکه با یک بار ارائه داده های آموزش، آموزش می بیند. نتایج حاصل از شبیه سازی های رایانه ای، بیانگر کارایی خوب این شبکه می باشد. روش پیشنهادی در اکثر موارد، نتایج بهتری را، نسبت به بهترین روش های قبلی، با تعداد نرون های کمتر بدست می دهد. در پایان نامه حاضر، یک طرح سخت افزاری، برای پیاده سازی شبکه معرفی شده روی fpga، ارائه شده است. در این طرح تابع عضویت ابرجعبه ها، به منظور صرفه جویی در ناحیه مصرفی fpga، ساده شده است، به طوری که طرح حاصله، از ضرب کننده استفاده نمی کند. همچنین طرح سخت افزاری ارائه شده، به طور موثری از تکنیک خط لوله و موازی کاری، برای افزایش سرعت محاسبات، استفاده می کند.
similar resources
پیاده سازی مودم DPIM بر روی FPGA و مقایسه ی عملکرد آن با مودم PPM
در دهه ی اخیر مخابرات نوری فضای آزاد جذابیت زیادی پیدا کرده است و کاربردهای بالقوه ای برای این تکنولوژی پیشنهاد شده است. از بین مدولاسیون های دیجیتال نظیر MDPIM , DPIM , PPM , OOK که در مخابرات نوری فضای آزاد به کار می روند، DPIM مزیت هایی در زمینه ی ظرفیت انتقال، پهنای باند مورد نیاز، توان مصرفی مورد نیاز و طراحی آن دارد. مدولاسیون DPIM با حذف اسلات های خالی ("صفر") که در هر سمبلPPM بلا استفاد...
full textشبیه سازی و طبقه بندی وقایع کیفیت توان با استفاده از شبکه عصبی
امروزه استفاده ی روز افزون از تجهیزات الکترونیکی و بارهای غیر خطی در سیستم قدرت، مسئله کیفیت توان را به یک موضوع مهم تبدیل کرده است. در این مقاله برای شبیه سازی وقایع کیفیت توان به طور همزمان از دو روش مدل سازی ریاضی و داده های حاصل از شبیه سازی با نرم افزار Pscad استفاده شده است. با توجه به عملکرد بسیار خوب شبکه های عصبی در کارهای تشخیص الگو و طبقه بندی، شبکه عصبی چند لایه برای طبقه بندی وقایع...
full textشناسایی الگو با استفاده از شبکه های عصبی و پیاده سازی آن روی fpga
بازشناسی ارقام دست نویس یکی از مسائل مهم در بازشناسی الگو است. در زمینهی تشخیص ارقام دست-نویس فارسی در دو حوزه ی روش های استخراج ویژگی و استفاده از طبقه بندها تحقیقات زیادی صورت گرفته است. انتخاب روش استخراج ویژگی به عنوان مهم ترین عامل در بازشناسی الگو و به منظورکاهش ابعاد داده-های ورودی مطرح است. هدف از این پایان نامه طراحی و پیاده سازی یک کار برد خاص از شبکه های عصبی و پیاده سازی آن بر روی ...
15 صفحه اولطراحی مدل هوش مصنوعی بر اساس شبکه های عصبی برای پیاده سازی بر روی fpga
در این پایان نامه رهیافتی برای تشخیص خودکار نوع مدولاسیون های دیجیتال بر اساس مفاهیم هوش مصنوعی ارائه شده است. جهت تشخیص نوع مدولاسیون بکار رفته در سیگنال های مخابراتی دو روش وجود دارد: "تئوری آشکار سازی" و "تشخیص الگو یا استخراج ویژگی ها". رهیافت موجود در این پایان نامه بر اساس روش تشخیص الگو با استفاده از شبکه های عصبی مصنوعی ارائه شده است و توانایی تشخیص مدولاسیون های پرکاربرد bask، bfsk، bp...
بازشناسی چهره مستقل از زاویه دید با استفاده از شبکه های عصبی و پیاده سازی سخت افزاری آن روی fpga
مدل ارائه شده برای بازشناسی چهره مستقل از زاویه دید، بر مبنای ترکیبی از ساختارهای دینامیک و استاتیک است. مدل اختلاط خبره های اصلاح شده دارای5 شبکه مستقل از هم میباشد که هر شبکه دارای دو خبره میباشد که با شبکه میانجیگر با هم ترکیب شده اند. خروجی نهایی میانگین گیری ساده ای از خروجی 5 شبکه است. مدل ارائه شده برای پیاده سازی روی fpga طراحی شده است. بخاطر اینکه هر کدام از 5 شبکه با کمترین هزینه روی ...
15 صفحه اولMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی شاهرود - دانشکده برق
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023