CC BY
47
5. 111ФО1М1А1|1Й111 ТЕХНОЛОГИ ГАЛУЗ!
УДК 004.383.8.032.26 Проф. 1.Г. Цмоць, д-р техн. наук;
астр. О.В. Скорохода; acnip. I.€. Ваврук - НУ "Львiвська полiтехнiка"
ПРИНЦИПИ ПОБУДОВИ ТА СПОСОБИ НВ1С-РЕАЛ1ЗАЦН НЕЙРОМЕРЕЖ РЕАЛЬНОГО ЧАСУ
Вибрано шдходи, запропоновано принципи побудови та основш способи НВIС-реалiзацiï штучних нейронних мереж реального часу. Здшснено аналiз реал1за-цiï штучних нейронних мереж на основi нейрочiпiв, ПЛ1С та процесорiв цифровоï оброблення сигналiв. Запропоновано при реалiзацiï штучних нейронних мереж для мобшьних робототехнiчних систем використовувати проблемно-орieнтований шд-хiд, що полягае в поеднанш унiверсальних i спецiалiзованих засобiв.
Ключовг слова: НВIС-реалiзацiя, ШНМ, нейрочш, ПЛ1С, процесор ЦОС.
Постановка проблеми. Сучасний етап розвитку технологш характери-зуеться великою р1зноман1тн1стю напрям1в щодо застосування штучних нейронних мереж (ШНМ). ïх використовують для розтзнавання, прогнозування, стис-ку зображень i вщео, управлшня робототехшчними системами тощо [1].
Практична реатзащя ШНМ може вщбуватись програмно, апаратно й апаратно-програмно [2]. Для р1зних застосувань до реатзацп ШНМ ставляться р1зн1 вимоги за швидкод1ею, продуктивнютю, вартютю, габаритами та енергос-поживанням. Ефективним напрямом реатзацп ШНМ е мобшьш робототехшчш системи (МРС). Для ïх реатзацп необхщно забезпечити невисоке енергоспожи-вання i тепловидшення та високу швидкодт. Зазвичай щ вимоги не можна до-сягнути за програмноï реатзацп на звичайному комп'ютер^ оскшьки при цьому не здiйснюеться реальне розпаралелення операцiй. Апаратно-програмна й апа-ратна реалiзацiï ШНМ е найбiльш перспективними, оскшьки при цьому дося-гаеться висока швидкодiя, надiйнiсть та вщмовостшюсть за допомогою пара-лельноï реалiзацiï нейроалгоритмiв. Тенденцiя до зниження енергоспоживання i тепловидiлення сучасноï елементноï бази е важливою пiд час реалiзацiï мобшь-них систем. Для забезпечення надшносл та вщмовостшкосп, найкращим варь антом е використання паралельних та розподшених архитектур, оскшьки навiть у разi виходу з ладу деяких компонентiв система не перестане функцюнувати, а тiльки зменшиться ïï продуктивнють.
Тому актуальними е аналiз та вибiр елементноï бази та принцитв побудови ШНМ реального часу з використанням паралельних апаратних засобiв, як дають змогу забезпечити високу швидкодт та надiйнiсть i невисоке енергоспоживання та тепловидшення.
Анал1з останн1х дослщжень i публ1кац1й. Зазвичай для апаратноï та апа-ратно-програмжя реалiзацiï ШНМ використовують процесори цифровоï оброблення сигналiв (ПЦОС), системи на кристал (СНК), програмованi лопчш штег-ральнi схеми (ПЛ1С), процесори загального призначення та нейрочiпи [2, 4, 5].
Пд час ре^заци ШНМ необхiдно забезпечити паралельне виконання найпростiших операцiй. Використовуючи процесори загального призначення, паралелiзм можна досягнути шляхом ïx об'еднання у загальну систему. Оскшь-ки кожен iз процесорiв спрямований на автономну роботу, то багато часу витра-чаегься на операцiï обмiну мiж процесорами. Крiм того, процесори загального призначення не задовольняють виконання вимог, яю ставлять до реалiзацiï ШНМ для МРС за швидкодieю, габаритами та енергоспоживанням i тому е ма-лопридатними для створення автономних i мобшьних систем.
ПЛ1С позбавленi таких недолшв, осюльки складаються з однотипних елеменпв i можуть забезпечити паралельну реалiзацiю багатьох нейронiв i при цьому обмiн даними мiж нейронами здшснюеться всерединi ПЛ1С з високою швидкодiею. ПЦОС та нейрочiпи орiентованi на виконання нейрообчислень, а використання СНК для реалiзацiï ШНМ дае змогу забезпечити зменшення енер-госпоживання. Тому найчастше реалiзацiя ШНМ реального часу для МРС здшснюеться з використанням СНК, ПЛ1С, ПЦОС та нейрочшв.
Завдання i мета дослщження. Реалiзацiю ШНМ можна здiйснювати з використанням рiзноï елементноï бази. Пд час ïï вибору потрiбно враховувати ефективнють реалiзацiï нейроалгоритмiв та вимоги, яю ставлять до конкретного застосування.
Мета дослщження полягае у виборi пiдxодiв i принципiв побудови ШНМ реального часу та елементноï бази, що дае змогу забезпечити високу швидкодаю, надiйнiсть i невисоке енергоспоживання та тепловидшення.
Виклад основного матерiалу.
Вимоги та принципи побудови ШНМ реального часу. До реалiзацiï ШНМ реального часу ставлять основш вимоги за габаритами, енергоспоживанням, забезпеченням висо^ швидкодп, надiйностi та гнучкостi. Пд час створення МРС необидно, щоб реалiзацiя ШНМ була спецiалiзована та орiентована на виконання лопчних нерегулярних i складних обчислювальних операцш. Для цього потрiбно використовувати проблемно орiентований пiдxiд, що полягае у поеднанш унiверсальниx i спецiалiзованиx засобiв.
Щоб зменшити простоï елементiв та збшьшити швидкодiю, необxiдно здiйснити узгодження швидкодп елементжя бази, каналiв зв'язку i пам'ятi пiд час виконання нейрообчислень. Для цього необхдно здшснити узгодження ш-тенсивностi надходження даних з обчислювальною здатнiстю апаратних засо-бiв. Iнтенсивнiсть надходження даних залежить вiд кiлькостi та розрядност ка-налiв надходження даних, кiлькостi тракпв оброблення та частоти надходження даних [4] :
PD = hknFD, (1)
де: h - кшьюсть тракпв оброблення; k - кшьюсть каналiв надходження даних; n - розрядшсть каналiв надходження даних; FD - частота надходження даних. Обчислювальна здатнють апаратних засобiв визначаеться так [4] :
D = hmmnm (2)
де: mm - кiлькiсть каналiв надходження даних у сходинках конвеера; nm - розрядшсть каналiв надходження даних у сходинках конвеера; Тк - такт кон-
веера. Кшьюсть тракпв оброблення И вiдповiдаe юлькосп нейронiв у кожному шарi ШНМ.
Одним з основних штегральних параметрiв оцiнки структур ШНМ, орiентованих на НВIС-реалiзацiю, е ефективнiсть використання обладнання, який враховуе кiлькiсть виводiв iнтерфейсу, однорiднiсть структури, кiлькiсть i локальнiсть зв'язкiв, пов'язуе продуктивнiсть з витратами обладнання та дае ощнку елементам пристрою за продуктивнiстю. Кшьюсну величину ефектив-ностi використання обладнання визначають так [4]:
де: Я - складшсть алгоритму, яка визначаеться юльюстю елементарних ариф-метичних операцш, необхiдних для його реалiзацп; га - час реалiзацп алго-ритмiв навчання та функцiонування нейромережц WфУi - витрати обладнання на реалiзацiю /'-го функцiонального вузла; di - кiлькiсть функцiональних вуз-лiв 1-го типу; к1 - коефщент врахування однорiдностi к1 = /(я); я - кiлькiсть видiв функцiональних вузлiв; Q - загальна кшьюсть зв'язюв; к2 - коефщент врахування регулярностi зв'язкiв к2 = /(А/); А/ - просторова зв'язкова вщ-даль; У - кшьюсть виводiв iнтерфейсу; к3 - коефщент врахування кiлькостi виводiв штерфейсу зв'язку к3 = / (У).
Для забезпечення вимог та використання переваг сучасно! НВ1С-техно-логл, в основу розробки ШНМ доцiльно покласти такi принципи [4, 5]:
• модульностц
• узгодженосгi штенсивносп надходження даних з обчислювальною здаттстю нейрокомп'югерних систем;
• конвееризацп та просторового паралелiзму оброблення даних;
• однорщносп та регулярност структур нейрокомп'ютерних систем;
• локалiзацil та спрощення зв'язкiв мiж елементами нейрокомп'ютерних систем;
• спецiалiзацil та адаптацп апаратно-програмних засобiв до структури алгоритма оброблення та iнтенсивностi надходження даних;
• програмованосл архiтектури шляхом використання ПЛ1С.
Реал1зац1я ШНМ на основ1 нейроч1п1в. Нейрочiпи орiентованi на ви-конання нейромережевих алгоритмiв та забезпечують велику швидкодiю пiд час виконання нейромережевих операцiй. Основною перевагою використання нейрочшв для реалiзацil ШНМ е те, що на 1хнш основi можна реалiзувати висо-копаралельнi системи. Нейрочши бувають загального призначення i спецiальнi. Спецiальнi нейрочiпи здатнi реалiзувати один алгоритм для певного застосуван-ня, а нейрочiпи загального призначення можуть реалiзувати бiльш нiж один алгоритм. Також вони можуть мiстити схеми налаштування ваг тд час навчання, або передбачати зовшшне завантаження ваг [11]. За типом шформацшного но-сiя нейрочiпи подшяють на цифровi, аналоговi та пбридш [2].
Аналоговi нейрочiпи характеризуються бшьшою швидкодiею, тому !х ефективно використовують для реалiзацil ШНМ. Аналоговi нейрочши подшяють на нейрочши з бгтовими ваговими коефщентами, з фжсованими ваговими
Е =
Я
(3)
коефщентами, з частотжймпульсною модуляцieю i клiтиннi [2]. Нейрочши з бiтовими ваговими коефщентами е найпростшими, а використання частотно-iмпульсноl модуляцп дае змогу ре^зувати високонадiйнi системи з низьким енергоспоживанням, що е особливо важливим тд час створення мобiльних або автономних систем. Клiтиннi нейрочiпи найчастiше використовують у робото-технiцi та медицин^ До одного з перших повнютю розроблених аналогових нейрочiпiв вщносять Intel ETANN 80170NX, що може реалiзувати нейромережу з 64 повнозв'язними нейронами i мiстить аналоговi енергонезалежнi ваги [3].
До переваг цифрових нейрочшв вщносять використання простих мето-дiв виготовлення, зберiгання ваг в ОЗП та гнучюсть розробки [3]. Найбшьшою проблемою для розробникiв е реалiзацiя пристрою обчислення скалярного до-бутку входiв нейрона на ваги, який зазвичай е найповiльнiшим елементом об-роблення в мережi. Видiляють таю категорп цифрових нейрочiпiв [3]: розрядно-модульнi, з одним потоком команд та багатьма потоками даних (SIMD) i систо-лiчнi матрицi.
Пщ час використання розрядно-модульно! архiтектури кожен модуль призначений для оброблення декшькох розрядiв машинного слова, а слово зага-лом обробляеться групою модулiв або секцiй, з'еднаних мiж собою. Прикладами таких нейрочшв е [3]: Micro Devices MD1220 Neural Bit Slice, Philips Lneuro chip та Neuralogix NLX-420 Neural Processor. Зазвичай така архитектура передба-чае зовшшне завантаження ваг пiд час навчання ШНМ.
Системи класу SIMD орiентованi на використання паралелiзму даних для тдвищення продуктивностi та тдходять для реалiзацil ШНМ. У такт сис-темi обробляеться декшька потоков даних окремими елементами, але тд загаль-ним керуванням. Прикладом таких нейрочшв е Adaptive Solutions N64000 з 64 процесорними елементами [3].
У випадку реатзацп нейрочiпiв на осжга систолiчноl матрицi, кожен процесорний елемент виконуе один крок обчислення синхронно з шшими процесорними елементами, а потам передае результат обчислення на наступний процесор у конвеер^ внаслщок чого ця архггектура пiдходить для реатзацп основно! операцп нейрообчислень - множення з накопиченням. Зазвичай систо-лiчнi матриц - це спецiалiзованi масиви, для яких характерним е дрiбнозернис-тий паралелiзм. Тому вони добре тдходять для реалiзацil ШНМ iз низькою пропускною здатнiстю. Основним !хтм недолiком е велика складнiсть системи контролю та взаемодп. Прикладом е Siemens MA-16 [3].
Пбридш чти поеднують переваги цифрового та аналогового пiдходiв. 1х подiляють на нейрочши з аналоговими ваговими коефiцiентами i цифровою ло-гiкою та на нейрочши з цифровими ваговими коефщентами та аналоговою ло-гiкою. У [3] наведено приклад пбридно! архггектури, яку подiляють на двi час-тини: аналогову i цифрову. При чому аналоговий блок ШНМ виконуе нейрооб-числення, а блоки корекцп помилок, схеми контролю та блоки генерацп такто-вих сигналiв е повнютю цифровими.
Реал1зац1я ШНМ на основ1 ПЛ1С. ПЛ1С е ефективним ресурсом для апаратно! реалiзацil ШНМ. До основних переваг використання ПЛ1С можна вщ-нести [1, 3, 6]: невисоку вартiсть, що зумовлена масовим виробництвом, доступ-нiсть, високу швидкодiю, продуктивнiсть i надiйнiсть, утверсальнють, рiзнома-
штшсть у B^opi напруг живлення i napaMeTpiB сигналiв вводу/виводу, а також низьке енергоспоживання, що е особливо важливим для pеалiзацiï пopтативнoï апаратури, наявнють piзнoманiтних добре розвинених i ефективних програмних засoбiв автоматизованого проектування та зменшення часу проектування i вщ-лагодження пpoектiв та реконф^рацю, що забезпечуе велику гнучкiсть проектування. Однак реатзащя великих моделей ШНМ iз тисячами нейpoнiв на ПЛ1С пов'язана з проблемами розведення вшх неoбхiдних з'еднань.
1стотними особливостями останшх пoкoлiнь ПЛ1С е забезпечення час-ткoвoï pекoнфiгуpацiï у пpoцесi роботи. Зокрема системи на базi ПЛ1С можуть бути адаптoванi для конкретних кoнфiгуpацiй ШНМ. Наприклад у [8] представлено pеалiзацiю самoopганiзацiйних карт Кохонена за допомогою FPGA Xilinx Virtex XCV 1000E-3G560, а в [9] представлено pеалiзацiю багатошарового пер-цептрона на oснoвi FPGA Xilinx Virtex XCV400 з конвеерним алгоритмом навчання зi зворотшм поширенням помилки.
Пopiвнянo з ПЛ1С попереднього поколшня, спoстеpiгаемo значне зни-ження piвня спoживанoï пoтужнoстi пiд час збшьшення пpoдуктивнoстi роботи. Наприклад, використання ПЛ1С сiмейства Artix-7, пopiвнянo з Spartan-6, дае змогу в 2 рази зменшити енергоспоживання та тдвищити пpoдуктивнiсть на 30 %. Аналопчно, використання Kintex-7 замiсть Virtex-6 також дае змогу вдвь чi зменшити енергоспоживання [7].
ПЛ1С пoдiляють на 4 класи [6]: SPLD (Simple Programmable Logic Devices); CPLD (Complex Programmable Logic Devices); FPGA (Field Programmable Gate Arrays) та ПЛ1С з кoмбiнoванoю архггектурою. Найчаспше для pеалiзацiï ШНМ використовують FPGA, до яких часто вщносять i ПЛ1С з кoмбiнoванoю аpхiтектуpoю, оскшьки в них найбiльш виразно проявляються характеристики класу FPGA. ПЛ1С цього класу дають змогу pеалiзoвувати складш ШНМ, ос-кiльки мiстять бшьшу кiлькiсть лoгiчних блoкiв, пopiвнянo з шшими класами. Наприклад, SPLD мютять декiлька сотень лoгiчних вентилiв, тoдi як FPGA - де-кшька мiльйoнiв.
У [3] представлено загальний огляд pеалiзацiй ШНМ на осжга FPGA. Зокрема, пpедставленi pеалiзацiï ШНМ на базi FPGA для pеалiзацiï системи вщ-слiдкoвування pухiв у вщеопотощ та системи вiдслiдкoвування обличчя i прове-дення iдентифiкацiï людини у вщеопотощ.
Важлива проблема, з якою стикаються розробники ШНМ на осжга ПЛ1С, полягае у вибopi вiдпoвiднoï мoделi ШНМ для конкретного застосуван-ня, яка забезпечить оптимальне використання апаратних pесуpсiв. Пopiвняль-ний аналiз вимог до обладнання для pеалiзацiï чотирьох piзних аpхiтектуp ШНМ на oснoвi FPGA наведено в [3], у якому було пpoаналiзoванo апаpатнi затрати пiд час виршення проблеми класифiкацiï.
Реал1зац1я ШНМ на основ1 ПЦОС. ПЦОС е перспективною елемен-тною базою для pеалiзацiï ШНМ. 1снуе велика кiлькiсть i piзнoманiтнiсть ПЦОС, тому вибip того чи шшого процесора е актуальною i багатокрш^аль-ною задачею, напрям œoï залежить вiд концевого застосування. Рiзнi типи про-цесopiв використовують для piзних галузей застосувань, тому тд час вибору пoтpiбнo враховувати вимоги, що ставлять до всiеï системи. Пopiвнянo з iншoю елементною базою pеалiзацiï ШНМ, oснoвнi переваги ПЦОС полягають в
oрieнтацiï на базoвy oперацiю нейрooбчиcлень - мшження з накoпиченням (MAC) та наявшеть апаратнoгo перемнoжyвача, щo даe змoгy викoнyвати мж>-ження як мшмум двox чиеел за oдин такт.
D^OC мoжна ефективнo викoриcтoвyвати для реатзацп неcкладниx ар-xiтектyр ^EHM, дo якиx не етавлять cкладниx апаратниx вимoг. Зoкрема в [11] бyлo реалiзoванo тришарoвy ШHM, щo фyнкцioнye за алгoритмoм звoрoтньoгo гоширення пoxибки з викoриcтанням E^OC dsPIC30F2011. Ocнoвнoю причи-нoю вибoрy реалiзацiï цieï ШHM на H^OC e йoгo невиcoка вартicть i задoвiльна швидкoдiя. Такoж O^OC мoжна викoриcтoвyвати для рoзв'язання cкладниx задач y реальгому чаci. Першi мicця на ринку B^OC жющають такi фiрми, як Texas Instruments i Analog Devices.
Прoцеcoри ciмейcтва Blackfin (Analog Device) мoжна ефективнo виш-риcтoвyвати для oбрoблення вiдеoзoбражень та аyдioданиx, для медичню заco-бiв, бioметрiï, еиетем вiдеo нагляду i безпеки тoщo [12]. Зoкрема прoцеcoр BFS37 викoриcтoвyвали в [1З] для рoзпiзнавання oбличчя за дoпoмoгoю ШHM зi звoрoтнiм гоширенням пoxибки.
Крiм тoгo, деяю ПЦOC мicтять ефективнi заcoби yзгoдження рoбoти прoцеcoрiв, як дають змoгy реалiзoвyвати етруктури, щo мoжyть працювати па-ралельнo. Зoкрема, ciмейcтва прoцеcoрiв TigerSHARC i SHARC (Analog Device) xарактеризyютьcя виcoкoю прoдyктивнicтю та мають рoзвиненi виcoкoшвидкic-нi заcoби oбмiнy даними, щo призначенi для cтвoрення ефективниx багатoпрo-цеcoрниx еиетем [14]. Ocнoвними oблаcтями заcтocyвання такиx ПЦOC e еиете-ми цифрoвoï oбрoблення аyдiocигналiв, медична апаратура, еиетеми рoзпiзна-вання i еинтезу мoви тoщo.
ПЦOC пoдiляють на бiльш дешевi прoцеcoри для oбрoблення даниx y фoрматi з фiкеoванoю кoмoю i бшьш дoрoгi, щo апаратнo пiдтримyють oперацiï над даними y фoрматi з плавакгою кoмoю. Такoж рiзнi типи прoцеcoрiв виш-риетoвyють для рiзниx галузей. Hаприклад, для такиx пoртативниx приетрoïв, як мoбiльнi телефoни та цифрoвi плеeри, вартiеть i ежживана пoтyжнiеть e найважливiшими вимoгами, а виcoка прoдyктивнiеть найчаетше не пoтрiбна (oекiльки вoна пoтребye значне тдвищення епoживанoï пoтyжнoетi, не даючи переваг тд чае oбрoблення низькoшвидкiениx аудюданю). А для гiдрoакyетич-ниx абo радioлoкацiйниx еиетем визначальними параметрами e швидюеть рoбo-ти, наявнiеть виcoкoшвидкicниx iнтерфейеiв i зручна еиетема рoзрoбки, а вар-тiеть e другорядним критерieм.
Бiльшiеть ПЦOC iз фiкcoванoю кoмoю мають малий oб'eм внутршнкй пам'яп та невиеoкy рoзряднiеть зoвнiшнix шин даниx. ПЦOC iз плаваю^ю ш-мoю зазвичай передбачають рoбoтy з великими маеивами даниx i екладними ал-гoритмами i мають абo вбyдoванy пам'ять великoгo oб'eмy, абo велику рoзряд-нiеть адрееню шин для пiдключення зoвнiшньoï пам'ята (а iнoдi й те, й шше). Oтже, вибiр типу й oб'eмy пам'ягi маe бути результатом ретельнoгo аналiзy o6-лаетi заетоеування, в якiй викoриетoвyють ПЦOC.
Пoрiвняння реалiзацiï ШHM на ПЦOC i ПЛГС в [1S] пoказали, щo перевагами реалiзацiï ШHM на ПЦOC e прoетoта i нетривалicть рoзрoбки. Тoдi за реалiзацiï на ПЛГС MHM мають бiльшy швидшдт. I xoч oперацiï в ПЦOC здiйенюютьея не паралельнo, як на ПЛГС, а ^ел^вго, y деякю випадкаx ви-кoриетання ПЦOC e ефектившшим пiд чае реалiзацiï ШВЫ.
Реал1зац1я ШНМ на основ1 проблемно ор1ентованого тдходу. Для за-
безпечення реалiзацiï ШНМ на ochobî проблемно-opieHTOBaHoro пiдходу можуть використовуватись поеднання ПЛ1С i ПЦОС або ж СНК [16, 17].
Ид час поеднання ПЛ1С i ПЦОС, ПЛ1С використовують для ре^зацп частини алгоритму, у яких переважають складнi арифметичнi обчислення, а ПЦОС - для реалiзацiï нелшшних операцiй. Такий пiдхiд можна використову-вати для реалiзацiï мобiльних систем, оскшьки iснують ПЛ1С i ПЦОС з малим енергоспоживанням i тепловидшенням. Також такий пiдхiд можна використо-вувати для МРС. Зокрема в [18] представлено поеднання ПЛ1С EP20K300EQC240 i ПЦОС TMS320C6711 внаслiдок реалiзацiï ШНМ для керу-вання рухом руки робота.
СНК - це НВ1С, що iнтегруе на кристалi рiзнi функцiональнi вузли заюн-ченого пристрою для автономного використання в електроннш апаратурi. Використання СНК для реалiзацiï ШНМ дае змогу забезпечити зменшення енергоспоживання, габарипв та узгодження роботи рiзних модулiв. У загальному ви-падку СНК складаеться з процесора, перифершних вузлiв, iнтерфейсiв та пам'ятi. 1снують рiзнi типи реалiзацiï СНК [19]: СНК на одному чш (Single-Chip SoC); СНК у корнусi (System-in-Package SiP, System-on-Package SoP, System-on-Chipset); конф^роваш СНК (configurable SoC) та програмоваш СНК (System-on-Programmable Chip). Для реалiзацiï ШНМ краще використовувати програмоваш СНК, оскшьки вони мютять програмовану лопку та дають змогу здшснюва-ти реконфiгурацiю системи вщповщно до вимог [19]. Основною перевагою ре-алiзацiï ШНМ на СНК е використання готових ядер (IР-модулiв). При цьому го-товi IP-модулi можна або спроектувати, або купити вже готовi в шших розроб-ниюв. Перевагою першого варiанта е те, що зменшуеться вартють системи, недо-лiком - збшьшення часу розробки. Перевагами другого випадку е зменшення часу проектування i затрат пращ, але при цьому ютотно зростае вартiсть розробки.
Висновки. Для найповшшого використання переваг НВIС-реалiзацiï ШНМ реального часу доцшьно використовувати такi принципи: модульнiсть; узгодженють iнтенсивностi надходження даних з обчислювальною здатнiстю нейрокомп'ютерних систем; конвееризацiю та просторовий паралелiзм оброблення даних; однорщнють та регулярнiсть структур нейрокомп'ютерних систем; локалiзацiю та спрощення зв'язюв мiж елементами нейрокомп'ютерних систем; спецiалiзацiю та адаптацiю апаратно-програмних засобiв до структури алгорит-мiв оброблення та штенсивносп надходження даних; програмованостi архггек-тури шляхом використання ПЛ1С.
Щоб зменшити простоï елементiв та збшьшити швидкодiю, необхiдно здiйснити узгодження швидкодн елементноï бази, каналiв зв'язку i пам'яп пiд час виконання нейрообчислень.
Пiд час реалiзацiï ШНМ ефективною елементною базою е нейрочши, ПЛ1С, ПЦОС та СНК. За реалiзацiï ШНМ для МРС доцшьно використовувати проблемно орiентований пщхщ, що полягае в поеднаннi ушверсальних i спець алiзованих засобiв. Такий шдхщ Трунтуеться на поеднаннi ПЛ1С i ПЦОС або ви-користанш СНК. При цьому ПЛ1С класу FPGA дае змогу реалiзовувати складш ШНМ, оскiльки вони мiстять бшьшу кшьюсть лопчних блоков, порiвняно з ш-шими класами. Реалiзацiя на СНК дае змогу зменшити енергоспоживання, що е
особливо важливим тд час реатзацп мобiльних систем, а використання гото-вих IР-модулiв дае змогу зменшити час проектування.
Л1тература
1. Круг П.Г. Нейронные сети и нейрокомпьютеры : учебн. пособ. по курсу "Микропроцессоры" / П.Г. Круг. - М. : Изд-во МЭИ, 2002. - 176 с.
2. Комарцова Л.Г. Нейрокомпьютеры : учебн. пособ. [для студ. ВУЗов] / Л.Г. Комарцо-ва, А.В. Максимов. - М. : Изд-во им. Н.Э. Баумана, 2004. - 400 с.
3. Janardan Misra and Indranil Saha. Articial neu-ral networks in hardware: A survey of two decades of progress. Neurocomputing, 2010. - 214 p.
4. Скорохода О. Особливосп реашзаци нейромереж реального часу / О. Скорохода, I. Цмоць, Б. Сенах // Техшчш вютг Науково-публщистичний часопис. - 2011/1(33), 2(34),. - С. 77-78.
5. Цмоць 1.Г. Проблемно-ор1ентований шдхщ до реашзаци штучних нейронних систем / 1.Г. Цмоць, I.C. Ваврук // Системш технологи : регюн. М1жвуз. зб. наук. праць. - Випуск 6(71). - Дншропетровськ, 2010. - С. 217-226.
6. Грушвицкнй Р.И. Проектирование систем на микросхемах программируемой логики / Р.И. Грушвицкнй, А.Х. Мурсаев, Е.П. Угрюмов. - СПб. : Изд-во БХВ-Петербург, 2002. - 608 с.
7. Зотов В. особенности архитектуры нового поколения ПЛИС с архитектурой FPGA фирмы Xilinx / В. Зотов // Компоненты и технологии. - 2010. - № 12. - С. 17-24.
8. Khalifa K. Ben, 2004. Parallel FPGA implementation of self-organizing maps ICM 2004 Proceedings / K. Ben Khalifa, B. Girau, F. Alexandre, M.H. Bedoui // The 16th International Conference on Microelectronics, pp.709-712.
9. Gadea R. Artificial neural network implementation on a single FPGA of a pipelined on-line back-propagation / R. Gadea, J. Cerda, F. Ballester, A. Macholi // In: Proceedings of the 13th International Symposium on System Synthesis,2000, pP. 225-230.
10. Корнеев В.В. Современные микропроцессоры / В.В. Корнеев, А.В. Киселев. - Изд. 3-ое, [перераб. и доп.]. - СПб. : Изд-во БХВ-Петербург,2003. - 448 с.
11. Behan Thomas. Chunting Yang Accelerating Integer Neural Networks On Low Cost DSPs / Behan Thomas, Liao Zaiyi, Zhao Lian // World Academy of Science, Engineering and Technology, 2008, P. 439-442.
12. Синх Кунал. Использование процессоров Blackfin для обработки видеоизображений / Кунал Синх, Рамеш Бабу, Вадим Торганов // Компоненты и технологии, 2006. - № 2.
13. Delong P. Face Detection by DSP Using Directly Connected Camera / P. Delong, B. Poli-karpov, and M. Krumnikl // In Radioelektronika, 2007. - 234 p.
14. Охрименко В. Blackfin - сигнальные процессоры для встраиваемых приложений / В. Охрименко // Электронные компоненты, 2005. - № 7. - С. 16-23.
15. Szabat K. Comparison of DSP and FPGA Realization of Neural Speed Estimator for 2-mass System / K. Szabat, T. Orlowska-Kowalska // IEEE Transaction, 2011. - Pp. 1543-1548.
16. Цмоць I. Особливосп реашзаци штелектуальних компоненпв робототехшчних систем / I. Цмоць. I. Ваврук // Техшчш вютг Науково-публщистичний часопис. - 2011. - Вип. 1(33), 2(34). - С. 77-78.
17. Цмоць IX. Проблемно-ор1ентована концепщя синтезу нейромереж реального часу / IX. Цмоць, I.C. Ваврук // Ытелектуальш системи прийняття ршень i проблеми обчислюваль-ного штелекту : матер. М1жнар. наук. конф. ISDMCI'2011. Том1. - Херсон : Вид-во ХНТУ,2011. - С. 328-330.
18. Seul J. Hardware implementation of a real-time neural network controller with a DSP and an FPGA for nonlinear systems / J. Seul and K. Sung-Su // IEEE Trans. Ind. Electron. - 2007. - Vol. 54, No. 1. - Pp. 265-271, Feb.
19. Немудров В. Системы на кристалле. Проектирование и развитие / В. Немудров, Г. Мартин. - М. : Изд-во "Техносфера", 2004. - 216 с.
Цмоць И.Г., Скорохода О.В., Ваврук И.Е. Принципы построения и способы СБИС-реализации нейросетей реального времени
Выбраны подходы, предложены принципы построения и основные способы СБИС-реализации искусственных нейронных сетей реального времени. Осуществлен анализ реализации искусственных нейронных сетей на основе нейрочипов, ПЛИС и процессоров цифровой обработки сигналов. Предложено при реализации искус-
ственных нейронных сетей для мобильных робототехнических систем использовать проблемно-ориентированный подход, заключающийся в объединении универсальных и специализированных средств.
Ключевые слова: СБИС-реализация, ИНС, нейрочип, ПЛИС, процессор ЦОС.
Tsmots I.G., Skorokhoda O.V., VavrukI.Ye. Principles of construction and methods of VLSI-implementation of real time neural networks
Approaches reselected, principles of construction and basic methods of VLSI-implementation of real time neural networks are proposed. The analysis of neurochips, FPGA and DSP processors which are used for artificial neural networks implementation is made. The implementation of artificial neural networks for mobile robotic systems with usage a problem-oriented approach which is a combination of universal and specialized tools is proposed.
Keywords: VLSI-realization, ANN, neurochip, FPGA, DSP.
УДК 629.113.001 Проф. I.В. Кузьо, д-р техн. наук;
асист. О.В. Житенко, канд. техн. наук - НУ "Львiвська noMimexmrn "
ПРОСТОРОВА МОДЕЛЬ КОЛ1СНОГО ТРАНСПОРТНОГО ЗАСОБУ З ВИКОРИСТАННЯМ MATLAB SIMULINK
Наведено систему диференщальних рiвнянь для просторово! моделi автомоб^ та розглянуто спошб 11 реалiзацil, використовуючи програмний продукт Matlab Simu-link. Вщображено методику та споаб реалiзацil просторово! моделi автомоб^ за до-помогою сучасних програмних продук^в для розв'язку актуальних задач динамжи. Змодельовано випадок пере!зду машини через перешкоду прямокутного перерiзу лише лiвими колесами, тодi як правi колеса рухалися по рiвнiй площиш.
Ключовг слова: просторова модель, динамжа руху, Matlab Simulink.
Вступ. Сучасш автомобш проектують за допомогою комп'ютерних систем автоматизованого проектування. Найважлившим елементом цього процесу е розроблення програмних засобiв аналiзу динамiки. В основi реалiзацií вшх етапiв комп'ютерного проектування лежить розроблення iмiтацiйних моделей в середовищах вщповщних програмних продуктiв, завдання яких - вщображати реальнi процеси, якi вщбуваються в елементах конструкцн. Аналiз останшх дос-лщжень свiдчить, що в обласп проектування, вивчення процесiв руху i взаемо-дн мехашчно1 системи "автомобшь - дорога" вже юнуе велика кiлькiсть матема-тичних моделей колюних машин та розроблено аналггичш методи оцiнювання !х ефективностi, mi застосоваш для окремих випадкiв руху [1].
Незважаючи на те, актуальною задачею залишаеться реалiзацiя матема-тичних моделей динамiчних систем за допомогою сучасних математичних па-кетiв, таких як: MATLAB, MATHCAD, VISSIM, LABVIEW, DERIVE, MAPLE чи MATHEMATICA. Це дасть змогу по-новому розв'язувати задачi динамжи, а саме задачi аналiзу та синтезу.
Анал1з останн1х дослщжень. Для дослiдження динамiки розроблено одно- [2], дво- [3] та багатомасовi математичнi моделi коливань колюних машин [4]. 1х подають у виглядi системи диференцiальних рiвнянь, mi вщображають з деякими прийнятими припущеннями особливостi конструкцн, та наводять взаемозв'язок !х окремих частин. Проте недостатньо повно вщображено методики та способи реалiзацil цих моделей за допомогою сучасних програмних про-дукпв для розв'язку актуальних задач динамжи.
