CC BY
33
Известия ТРТУ
Специальный выпуск
переход ограничивает или делает невозможным применение процедур обучения НС, использующих правило обратного распространения ошибки (ОРО), которое требует наличия гладкой, имеющей непрерывную первую производную ФА нейроэлементов. Поэтому необходимо применять такие методы аппроксимации гладкой ФА, которые, с одной стороны, вели бы к минимизации влияния ошибки метода аппроксимации на динамические характеристики НС, а с другой — характеризовались бы минимальными затратами на ее аппаратную или программную реализацию.
В результате проведенных исследований удалось показать, что для решения рассмотренной задачи может быть использован ряд методов аппроксимации, в качестве которых рассмотрены кусочно-линейная и кусочно-нели-нейная аппроксимация, аппроксимация конечномерными рядами и получение ФА в виде решений определяющих дифференциальных уравнений. При этом учет влияния погрешности аппроксимации может быть произведен путем введения дополнительных термов в алгоритм ОРО, что улучшает динамические характеристики НС. Использование негладких ФА в этом случае позволяет управлять качеством итерационного процесса обучения НС, а именно, расширять область устойчивости и сходимости метода ОРО, а также сокращать время обучения.
Полученные результаты позволяют строить НС с заранее: определяемыми характеристиками качества процесса обучения, а также боотее эффективно использовать цифровые нейропроцессоры для реализации НС, работающих по методу ОРО.
УДК 007:573.6:681.3
Ю. В. Чернухин, М. А. Самарин ;; ; , ОБ ОДНОЙ АРХИТЕКТУРЕ НЕЙРОСУПЕРТРАНСПЫОТЕРА
Специалисты, работающие в области нейроинформатики, сталкиваются с проблемой низкой производительности традиционной вычислительной техники при моделировании поведения нейроподобных элементов и нейросетей, что происходит из-за низких коммутационных возможностей нейроэлемента и большого объема вычислений значений выходных функций.
Существуют различные схемные решения этой проблемы, одним из которых является использование нескольких простейших процессоров или микрокомпьютеров, каждый из которых выполняет функции отдельного нейрона. Однако в этом случае оказывается неэффективным использование параллельных портов связи подобных устройств.
Наиболее оптимальным вариантом может стать применение транспьютеров, которые наряду с высоким быстродействием имеют несколько последовательных портов связи. Еще более эффективным было бы применение специализированной элементной базы, которая включала бы в себя схемы расширения коммуникационных возможностей нейроэлементов и специализированные нейротранспьютеры (НТ).
Разработанное устройство представляет собой простейший нейротрансг пьютер, специализированный для нейровычислений. Он сохраняет такие архитектурные особенности транспьютеров, как наличие шести последовательных портов; использование в качестве регистров общего назначения
простейшего арифметического стека; наличие собственных блоков памяти и системы инструкций, каждая из которых выполняется за один такт. Специализация заключается в следующем: арифметикологическое устройство поддерживает только те операции, которые необходимы для моделирования работы нейроэлемента; специальные аппаратные средства позволяют ускорить процесс вычисления значений выходных функций.
НТ реализован на микросхемах серий К555, К1533, КР1802. Оценена возможность микроэлектронной реализации НТ в виде отдельной БИС и по результатам произведено сравнение производительности НТ с транспьютером Т800. Показано, что наивысшей производительностью обладает НТ, реализованный в виде СБИС на БМК 50000— 1,5 млн. нейроопераций в секунду, производительность разработанного НТ — 0,5 млн. нейроопераций в секунду, а производительность Т800— 0,3 млн. нейроопераций в секунду.
УДК 007:573.6
Ю. В. Чернухин, М. А. Кизогло, Е. А. Грязин ЦИФРОВЫЕ НЕЙРОПРОЦЕССОРЫ КОНВЕЙЕРНОГО ТИПА
В последнее время большое внимание уделяется разработке параллельных нейрокомпьютеров в связи с возросшей необходимостью решения различных задач искусственного интеллекта. Одним из направлений таких исследований является создание нейроноподобных элементов или нейропроцессоров.
В данной работе представлен цифровой нейропроцессор (ЦНП) конвейерной структуры на базе интегральных микросхем серии К1815. Нейропроцессор реализует обобщенный разностный алгоритм динамического нейрона; имеет N синаптических входов, М входов расширения пространственного сумматора; данные разрядности И представлены в избыточной зНакор<Чзрядной системе счисления и обрабатываются в последовательных кодах. На базе ЦНП можно реализовать различные математические модели нейронов с гибко изменяемыми параметрами, что обеспечивает полифункциональность устройства при работе как самостоятельно, так и в составе искусственной нейронной сети.
Разработаны структура и функциональный состав операционного блока (ОБ) ЦНП. Получены соотношения, позволяющие оценить временные и аппаратные затраты данной структуры ОБ ЦНП при вариабельности параметров и использовании различной элементной базы. Произведен сравнительный анализ быстродействия ЦНП с его программной реализацией и аппаратно выполненным аналогом. Сделаны выводы о целесообразности применения конвейерной архитектуры при разработке моделей ЦНП.
Результаты работы позволяют говорить об эффективности данного устройства с точки зрения его производительности: по сравнению с программной эмуляцией она выше на два порядка и на порядок выше по сравнению с аналогом. Однако данный вариант ЦНП требует значительных аппаратных затрат, что ограничивает сферу его применимости.
СПИСОК ЛИТЕРАТУРЫ
1. Чернухин Ю. В. Нейроироцессоры: Учебное пособие. Таганрог: ТРТУ, 1994.
2. Бслоус А. И., Поддубный О. В. и др. Микропроцессорный комплект БИС серии К1815 для цифровой обработки сигналов: Справочник. М.: Радио и связь, 1992.
