索引词 |
| 人工神经网络、多层感知器,径向基函数,乙状结肠函数 |
介绍 |
| 人类的智力因素,区分人类和机器。人工智能在新兴技术的机器可以执行通过调用人工神经元。这就导致了人工神经网络的发展,一种很有前途的技术,就像人类的大脑在解决问题。“人工神经网络”一词是创造系统的功能单元称为人工神经元功能一样的生物神经系统按照不同的拓扑结构。它是一个功能强大的技术,解决了许多实时应用程序。它从过去的经验中学习和适应自己的更改不同的训练环境。此外,它用于解决问题和不完整的信息在一个有效的方式。 |
| 安是一个很好的分类器,并提供可靠的解决方案在各种各样的应用,如模式识别、语音识别和字符识别[1]。安类似于哺乳动物的鼻子用于识别周围环境中的气体[2],[3]。数组的传感器,如温度、气体传感器基于sno2薄膜是用以改善非线性特征和准确的气体在嘈杂的环境中识别。安用于气体歧视以及一系列传感器[4]、[5],[6]是一种很有前途的技术,给出了准确的结果。给出了传感器的输出作为输入模式来安。安是由高度相互关联的处理元素称为人工神经元。人工神经元可以用MAC单元来实现。实现MAC单位radix-4布斯乘数和携带保存加法器设计[7],[8]。火神经元,重要参数称为激活函数是必需的。有不同类型的激活函数如阶跃函数恒等函数,单极乙状结肠功能,双s形的函数,双曲正切函数,对称的硬限制激活函数,饱和线性激活功能、物流功能等等。双曲正切函数与其他函数相比,提供了准确的结果[9],[10]。因此,这里的双曲正切函数是用来激活人工神经元。 |
| 安可以设计不同类型的分类器等多层感知器[2],径向基函数[12],[13],自组织映射(SOM) [3], K -最近邻(事例)等等。大部分的安气体识别系统用MLP分类器[2],[4],[6]。中长期规划有一个缓慢的学习速率收敛的最优结果,而RBF发现更快的学习速率,保证最佳解决方案[14]。因此提出了安建筑使用延时和RBF更快更准确的气体歧视。安采用三种方式学习,即监督、非监督和强化学习。安认识到气体通过监督学习与反向传播算法训练网络[15]。安是使用FPGA实现。本文剩余部分提供了视图如下组织。第二部分是关于气体的识别系统。第三节处理气体传感器技术。第四部分提供了一个了解安。第五节处理结果和结论。 |
气体识别系统 |
| 环境气体可以被使用传感器和人工神经网络架构的一个数组。 |
 |
| 一组传感器包括四个气体传感器基于锡氧化膜。二氧化锡材料选择是由于更高的灵敏度和低成本。4个传感器选择与三个不同的传感元素识别四种气体如氢气(H2),一氧化碳(CO),甲烷(CH4)有限公司-甲烷混合物。传感器,传感器,传感器3 & 4传感器由非盟/ SnO2, Pt /铜/ SnO2和Pt / SnO2分别。传感器的气体混合物是美联储通过气体流量控制器(GFC)。气体的流量取决于GFC。每个气体将在一个特定的温度高度敏感。例如,氢和甲烷在300摄氏度高灵敏度是明智的在260摄氏度。因此,通过加热温度传感元件在不同气体可以被认可。热传感器的装置称为微电炉使用微加工技术开发。 The output from sensors are highly nonlinear exponential voltage curve and hence it should be preprocessed with various normalization process and is converted to digital samples from analog to digital converter and applied to ANN implemented in FPGA. |
| 安首先读取电压值存储在内存处理器。输入模式分为两组,即训练样本和测试样本。训练样本分为不同的类。类似的输入模式与相应的分组在一个类标签。每个类显示特定的气体。安将使用这些训练样本训练。在训练阶段,安从培训中获得自我组织数据库。训练后,测试样品给安。训练有素的安采用测试样品,比较样品和数据库存储和识别样本所属的类。识别的类之后,它承认的气体环境中。 The proposed ANN architecture includes multiply and accumulator unit (MAC), neuron activation function and classifiers. The MAC unit is implemented using modified radix-4 booth multiplier for improving multiplication speed and carry save adder for less power consumption. Toactivate the ANN, tanhSigmoid activation function is used. Two classifiers namely Multilayer Perceptron and Radial basis function are used. The network is trained using back propagation algorithm. |
气体传感器技术 |
| 它包括毒气室,气体流量控制器和传感器阵列。毒气室包括氢气(H2)的混合物,一氧化碳(CO),甲烷(CH4)和CO -甲烷。这种混合物被用来喂养GFC。GFC由微加工技术。横截面视图如下所示。 |
 |
| 四个桥梁出席GFC的四个角落。保持温度均匀性、聚硅加热器。温度传感器用于监测传感器的热状态的电影。传感器阵列由四个半导体式传感器。传感器薄膜半导体传感器是由像锡氧化物的重金属。锡氧化物沉积在硅表面。的气体会吸收氧化膜进行催化氧化。由于这种化学反应,氧化膜的电阻变化。基于电流通过加热层和传感器电阻、温度计算每一部电影。传感器是加热到200 - 250°C到加快反应速率。 CO reach its peak sensitivity at 300 °C , while H2 reach peak at 260 °C, whereas CH4 at 290°C. Sensor 3& 4 provides accurate response for CO at 300 °C while other sensors recognize it to a lower extent. The output from the sensors is processed through the signal conditioning unit and fed to ANN. |
人工神经网络结构 |
| 、设计识别系统使用安,等参数输入模式,数据分析、预处理、分类器的设计、学习算法和训练样本应该被考虑。首先,也是最重要的一步是数据分析和预处理。在这一步中,数据库分为列与特定的标签。数据是按比例缩小的,编码、过滤,然后给安作为输入。这里应用——n的编码方案。每一列表示特定气体的物种。如果输出响应类似于H2数据库响应然后H2对应的输出值设置为1,而另一个输出设置为0。即(1000)。在下一步中,通过提供的训练集进行训练。安是训练用MLP与BP算法的分类器。 Six data sets are used for training. |
人工神经元作为MAC单元 |
| 人工神经元是关键元素,调用的人工智能神经网络。除了神经元在输入层,每个神经元在其他层从上一层的神经元接收信号加权的神经元之间的相互关联的值。单神经元可能有多个输入信号。每个神经元繁殖它的每个输入信号与相应的权重,最后总结。因此,人工神经元可以建模使用大量增殖和积累单元(MAC)。Radix-4修改布斯乘数和携带保存加法器用于实现mac单位。 |
 |
| 给出的方程 |
| 洗鼻=(©WiXi) +一个Aµ……(1.1) |
| 易= F(洗鼻)……(1.2) |
| W -两层之间的权重。 |
| X -输入神经元。 |
| F -激活函数。 |
| 洗鼻-产品条款和输入相应的权重。 |
| Y -神经元的输出。 |
| 一个Aµ-阈值或偏见的神经元。 |
| B)乘数 |
| 乘法是许多应用程序的重要过程。系统的性能主要依赖于速度和面积的优化。乘数是主要组件占据大面积和慢的组件。有不同类型的乘数即串行和并行乘法器。串行乘数消耗更多的电力。布斯这样的平行乘数乘数计算结果在更少的迭代步骤和只使用几条相对于串行乘法器。有不同的基数布斯乘数可用,如radix-2 radix-4, radix-8等等。在这个设计radix-4修改布斯算法者优先。该算法重新编码三部分。 |
 |
| 因此,在每一个时钟周期3位。因此,时钟周期的数量会减少,导致部分产品少一代。因此,使用较高的基数是强大的技术来实现速度倍增。乘法涉及两个操作数即被乘数和乘数。为重新编码乘数位选择。重新编码后被乘数都乘以相应的记录数字导致部分产品的一代。由于三位记录一次部分产品会减少。 |
C)携带保存加法器 |
| 携带保存加法器(CSA)乘数的设计是最具影响力的组成部分。这是由于大乘法循环迭代中执行的增加。有品种繁多的蛇。中携带节省加法器发现消耗更少的能量和减少延误比其他方案。携带节省加法器可以形成管线式和树结构。华莱士树结构形成的加法器有助于减少传播延迟。携带加法器是执行添加保存在两个步骤。首先,它独自计算总和忽略值并将其保存在内存中。计算下一个总和和携带价值获得结果。 |
D)激活函数 |
| 一个节点的激活函数执行标量的缩放变换加权输入和输出值设置在有限的范围内。触发神经元阈值时。有不同类型的激活函数如阶跃函数恒等函数,单极和双极乙状结肠功能,双曲正切(双曲正切)乙状结肠函数等等。这里的双曲正切函数。双曲正切函数极限1和1之间的输出范围。它是在数学上表示为 |
 |
E)多层感知器 |
| 多层感知器(MLP)是最常用的网络之一。它可以用于分类问题在不同的应用程序。该神经网络模型是由隐藏层添加到一个简单的感知器。 |
 |
| MLP网络由输入、隐层和输出层。除了神经元在输入层神经元出现在另一个层是把其输入相应的连续的节点之间的权重。产品价值的总和是通过激活功能神经元阈值时触发。它是使用反向传播算法训练。BP算法用试错法来减少错误。因为它使用了一个监督学习算法,分类样本用于培训和之前就已经知道了他们期望的响应。获得的实际产出减去从预期的响应和误差计算。误差传播和权重调整,这样误差最小化。系统包括三个神经元在输入层,一个隐藏层和输出层神经元有四个四个神经元。 |
结果 |
F)仿真结果Radix-4乘数 |
| Radix-4乘数是使用硬件描述语言(VHDL)和模拟使用ModelsimSE6.2c建模。 |
 |
| 乘数是用于生成部分产品价值的乘法的两位如= 34和B = -42。变量啊,O1、O2和O3表明部分产品。 |
G)仿真结果保存加法器 |
| 携带保存加法器使用ModelsimSE6.2c使用Xilinx建模和模拟。 |
 |
| 加法器的设计添加radix-4乘数的部分产品。加法器的设计添加17位乘法以来两个8位值为16位值与额外的1位表示结果的迹象。因此11位的值被扩展为17位。 |
结论 |
| 数字气体使用人工神经网络识别系统提出了更快更准确的环境气体识别。人工神经元网络激活的关键元素。这里的人工神经元建模为乘法和积累使用单位Radix-4修改布斯乘数降低部分产品的数量为n / 2 n位乘法和携带保存加法器用于部分产品压缩。双曲激活函数是用于更好的识别精度。在这部作品中,多层感知器网络是andimplemented使用FPGA设计的。开发这个系统识别四个气体种类约300°C。在未来,可以扩展的工作认识有机化合物在高temperatureby添加其他类型的分类器。这个设计可以用于各种各样的应用,如信号处理、图像压缩提供合适的网络模型的输入。 |
|
引用 |
- Jayanthakumarbasu和Debnath Bhattacharyya(2010),“使用人工神经网络在模式识别”,国际软件工程及其应用》杂志上。
- 罗伯特·肯尼迪和SaeidNahavandi(2010),“简易爆炸装置气体识别神经网络装置”,IEEE研讨会工业电子设备和应用程序。
- Tai Huilding Xieguangzhong和江Yadong(2003),“天然气识别使用气体传感器阵列和自组织竞争神经网络”,2日学报》国际会议上新兴工程和管理的趋势。
- 周道和王磊(2009),“混合气体识别基于前馈神经网络”,IITSI第二国际研讨会页面(s): 128 - 131。
- 罗伯特·F·肯尼迪和SaeidNahavandi(2008),“军事应用的低成本的智能气体传感器”,图像和信号处理,卷4页:3 - 12。
- 塞拉诺G。,Chang H. and Zellers E. T. (2009),“A Micro Gas Chromatograph for High-Speed Determinations of Explosive Vapors”, Solid State Sensors, Actuators and Microsystems transducers Page(s):1654 – 1657.
- KavitaandJasbirKaur(2013),“设计和实施一个有效的修改布斯乘数使用硬件描述语言(VHDL)”,程序的第二次国际会议上新兴的趋势在工程和管理。
- 普拉塔普Kumar Dakua AnamikaSinha Shivdhari和格拉。(2012),“MAC单元的硬件实现”,国际电子通信和计算机工程杂志》上。
- 纳文·库马尔马努邦萨尔和Navnish库马尔(2013),“VLSI架构的管线式布斯华莱士MAC单位”,国际期刊的工程科学发明。
- BekirKarlik和VehbiOlgac(2004),“性能分析各种激活函数的广义MLP神经网络架构”,国际期刊的人工智能和专家系统(IJAE)卷(1):问题(4)。
- Rafid艾哈迈德·哈利勒Sa和谐艾哈迈德Al-Kazzaz。(2009),“数字人工NeuronsModels使用FPGA硬件实现”,AlRafidain工程,Vol.17。
- 天使卡斯特罗,安娜马丁内斯(2007),布兰科和Valentin帕伦西亚”的应用径向基神经网络对区域森林”,国际期刊信息的理论和应用,Volume14。
- Pau-Choo涌、肩贞Lee Jea-Rong蔡和Chein-I Chang(1999),“健壮的径向基函数神经网络”,IEEE系统,人与控制论,卷。
- Jayawardena W。,Fernando D. A. K and Zhou M. C. (1997),“Comparison of Multilayer Perceptron and Radial Basis Function networks as tools for flood Forecasting”, Proceedings of the conference held at Anaheim, California.
- Rafid艾哈迈德·哈利勒(2008),“反向传播算法的硬件实现在现场可编程门阵列”,Al-Rafidain工程卷16。
|
菜单
