فایل ورد کامل پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی مجدد شبکه های عصبی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی مجدد شبکه های عصبی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

چکیده

این مقاله کوتاه دو پیاده سازی شبکه های عصبی مصنوعی پیشخور در FPGAها را ارائه می دهد. پیاده سازی در نیاز منابع و سرعت محاسبات FPGA متفاوت است. هر دو پیاده سازی با اعمال محاسبات نقطه شناور، توابع فعال سازی با دقت بسیار بالا را اعمال کرده و باعث تغییر آسان ساختار شبکه عصبی بدون نیاز به اجرای دوباره کل پروژه FPGA می شوند.

– نتیجه گیری ها

این نشان داده شده است که پیاده سازی FPGA ANNها ممکن است بیانگر انعطاف پذیری و همچنین سرعت و دقت منطقی محاسباتی بالا در مقایسه با اجرای نرم افزار ANNها باشد. با توجه به کاربرد محاسبات نقطه شناور و دقت بسیار بالای محاسبه تابع فعال سازی، ANN می تواند به صورت آفلاین، به عنوان مثال با استفاده از نرم افزار Matlab یا استفاده از سیستم های پردازش با پردازنده های ARM در پلت فرم هایی مانند Xiliفایل ورد کامل پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی مجدد شبکه های عصبی Zynq آموزش دیده و سپس وزن های محاسبه شده می توانند به طور مستقیم توسط پیاده سازی های توسعه یافته مورد استفاده قرار بگیرند. امکان تغییر در ساختار ANN با یک تغییر ساده در محتوای حافظه RAM باعث می شود که راه حل توسعه یافته انعطاف پذیرتر شود. هر یک از روش های موجود و یا ماژول مخابراتی که قبلا برای سیستم P1-TS [14] توسعه یافته است می تواند برای جایگزینی محتویات حافظه RAM بلوک جاسازی شده FPGA مورد استفاده قرار بگیرد. پیاده سازی های توسعه یافته همچنین می توانند بعنوان بلوک های تابع سخت افزار برای کنترل کننده قابل برنامه ریزی چند پردازنده ای که قبلا توسعه یافته است[] و نیز سرعت بخشیدن به محاسبات ANN ها مورد استفاده قرار بگیرد.

عنوان انگلیسی:Reconfigurable FPGA implementation of neural networks~~en~~

Abstract

This brief paper presents two implementations of feed-forward artificial neural networks in FPGAs. The implementations differ in the FPGA resources requirement and calculations speed. Both implementations exercise floating point arithmetic, apply very high accuracy activation function realization, and enable easy alteration of the neural network’s structure without the need of a re-implementation of the entire FPGA project.

– Conclusions

It has been shown that the FPGA implementations of ANNs may characterize high flexibility as well as high calculations speed and reasonable accuracy in comparison with software realization of ANNs. On account of the application of floating point arithmetic and very high accuracy of the activation function calculation, the ANN can be trained off-line, e.g. by the Matlab software or using processing systems with the ARM processors in such platforms as the Xiliفایل ورد کامل پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی مجدد شبکه های عصبی Zynq, and then the calculated weights can be directly used by the developed implementations. The feasibility of the alteration of the ANN’s structure by a simple change of the RAM memory content makes the developed solution more flexible. Any existing methods or the previously developed communication module for the P1-TS system [14] can be exploited for the replacement of the FPGA-embedded block RAM memory content. The developed implementations can also be applied as hardware function blocks for the previously developed multiprocessor programmable controller [15], accelerating the calculations of ANNs.

$$en!!