Главная
База знаний "Allbest"
Коммуникации, связь, цифровые приборы и радиоэлектроника
Аналогово-цифровые преобразователи
Аналогово-цифровые преобразователи
Авторская разработка модели измерительного нейрона в рамках эквисторной структуры измерительной нейросети, формируемые на ней ассоциативно-проективные измерительные структуры. Повышение метрологических характеристик аналогово-цифрового преобразователя.
| Рубрика | Коммуникации, связь, цифровые приборы и радиоэлектроника |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 25.10.2013 |
| Размер файла | 1,4 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Следующее, третье, направление развития заключается в интеллектуализации измерительной техники [17]. Интеллектуальные АЦП обеспечивают максимальную степень автоматизации измерений за счет наиболее гибкого осмысленного машинного учета всей суммы априорных данных об измерениях и шумовых процессах, а также данных о технических возможностях АЦП. Методы и средства искусственного интеллекта позволяют значительно облегчить работу человека с АЦ11 за счет резкого упрощении интерфейса, а также обладают свойством, ассоциируемым с "разумностью" [17] (способностью к обучению, логическому рассуждению и решению проблем), которое обеспечит восприятие и переработку измерительной и служебной информации не только на количественном, по и на качественном уровне, широкое использование методов обучения и самообучения, а также методов аналогий, процедур принятия решений, прогнозирования и возможности анализа цепочек причинно-следственных связей. АЦП смогут сами синтезировать программное обеспечение на основе формулировки задач пользователя в любой форме. Именно эти возможности и способность АЦП оценивать ситуации, делать выводы и принимать решения определяются термином "интеллектуальные".
Четвертое направление связано с переходом к структурам магистрально-модульного типа на базе ВС. С появлением концепции ВС [18 начались усиленные разработки сетевых структур измерительных устройств и систем. Большое внимание специалистов в настоящее время привлечено к разработке стандартной объектовой шины (FildBus) [19], которая должна обеспечить взаимосвязь устройств в измерительных системах и стать звеном "замыкания" в иерархии ВС.
FildBus должна стать альтернативой традиционным системам связи типа "точка-точка". Такой стандарт обеспечивает' пользователю все преимущества обмена информацией в цифровой форме, а также способствует сокращению расходов на линии связи и их монтаж благодаря последовательной передаче данных. Еще одним результатом применения FildBus является расширение функциональных возможностей и повышение технических характеристик измерительных устройств благодаря тому, что такая шина позволяет использовать интеллектуальные (т.е. со встроенными вычислительными средствами) преобразователи и датчики.
1.2.2 Конвеерные АЦП
Быстродействие многоступенчатого АЦП можно повысить, применив конвеерный принцип многоступенчатой обработки входного сигнала. В обыкновенном многоступенчатом АЦП (рис.1.6) вначале происходит формирование старших разрядов выходного слова преобразователем АЦП1, а затем идет период установления выходного сигнала ЦАП. На этом интервале АЦП2 простаивает. На втором этапе во время преобразования остатка преобразователем АЦП2 простаивает АЦП1. Введя элементы задержки аналогового и цифрового сигналов между ступенями преобразователя, получим конвеерный АЦП, схема 8-разрядного варианта которого приведена на рис.1.14.
Рис 1.14 Структурная схема конвеерного АЦП
Роль аналогового элемента задержки выполняет устройство выборки-хранения УВХ2, а цифрового - четыре D-триггера. Триггеры задерживают передачу старшего полубайта в выходной регистр на один период тактового сигнала CLK (clock).
Сигналы выборки, формируемые из тактового сигнала, поступают на УВХ1 и УВХ2 в разные моменты времени (рис.1.15). УВХ2 переводится в режим хранения позже, чем УВХ1 на время, равное суммарной задержке распространения сигнала по АЦП1 и ЦАП. Задний фронт тактового сигнала управляет записью кодов в D-триггеры и выходной регистр. Полная обработка входного сигнала занимает около двух периодов CLK, но частота появления новых значений выходного кода равна частоте тактового сигнала.
Рис 1.15 Диаграмма работы конвеерного АЦП
Таким образом, конвеерная архитектура позволяет существенно (в несколько раз) повысить максимальную частоту выборок многоступенчатого АЦП. То, что при этом сохраняется суммарная задержка прохождения сигнала, соответствующая обычному многоступенчатому АЦП с равным числом ступеней, не имеет существенного значения, так как время последующей цифровой обработки этих сигналов все равно многократно превосходит эту задержку. За счет этого можно без проигрыша в быстродействии увеличить число ступеней АЦП, понизив разрядность каждой ступени. В свою очередь, увеличение числа ступеней преобразования уменьшает сложность АЦП. Действительно, например, для построения 12-разрядного АЦП из четырех 3-разрядных необходимо 28 компараторов, тогда как его реализация из двух 6-разрядных потребует 126 компараторов.
Конвеерную архитектуру имеет большое количество выпускаемых в настоящее время многоступенчатых АЦП. В частности, 2-ступенчатый 10-разрядный AD9040А, выполняющий до 40 млн. преобразований в секунду (МПс), 4-ступенчатый 12-разрядный AD9220 (10 МПс), потребляющий всего 250 мВт, и др. При выборе конвеерного АЦП следует иметь в виду, что многие из них не допускают работу с низкой частотой выборок. Например, изготовитель не рекомендует работу ИМС AD9040А с частотой преобразований менее 10 МПс, 3-ступенчатого 12-разрядного AD9022 с частотой менее 2 МПс и т.д. Это вызвано тем, что внутренние УВХ имеют довольно высокую скорость разряда конденсаторов хранения, поэтому работа с большим тактовым периодом приводит к значительному изменению преобразуемого сигнала в ходе преобразования.
Данный вид преобразователей достаточно хорошо сочетает возможности всех ранее рассмотренных видов с более лучшими характеристиками, но и он не везде применим на практике, поэтому остаются востребованы и другие виды преобразователей.
1.2.3 Принципы построения быстрых АЦП
1.2.3.1 С аналоговым декодированием
Если в структуре АЦП прямого взвешивания компараторы заменить линейными усилителями, а выходные напряжения каждого сравнивать с помощью ряда компараторов с несколькими опорными напряжениями, можно увеличить входной импеданс. Правда, при этом число компараторов и логических вентилей в схеме декодирования не уменьшится.
Hewlett-Packard запатентовала новый метод, названный аналоговым декодированием, теоретически позволяющий для N-разрядного аналого-цифрового преобразования использовать только N компараторов, защелок и логических элементов XOR.
В основе метода лежит использование аналоговых схем декодирования, работающих на нескольких уровнях, в отличие от обычных компараторов, работающих на одном.
В данном разделе были рассмотрены все существующие виды применяемых преобразователей. У каждого из них есть свои достоинства и недостатки, но современные потоки информации, получаемых из вне требуют все большей скорости и времени, поэтому необходимо искать новые пути решения этой задачи.
1.3 Нейронные АЦП
1.3.1 Принципы реализации аналого-цифровых преобразователей на основе нейронных технологий
1.3.1.1 Принципы построения устройств с настраиваемой структурой
Математической моделью устройства с фиксированной структурой является понятие конечного автомата [14], моделью устройства с настраиваемой структурой - понятие автомата с настраиваемой структурой [14]. В автоматах с настраиваемой структурой (АНС) логическая структура может изменяться во времени в зависимости от специфики решаемой задачи. В АНС путем передачи специальной информации о настройке задается требуемая логическая структура в зависимости от решаемой задачи, причем важной особенностью является то, что задание структуры осуществляется аппаратурным способом, т.е. путем изменения связей между элементами.
Автомат с настраиваемой структурой может быть представлен в виде двух частей (см. рис. 1.16).
Рис. 1.16. Структура настраиваемого устройства
С помощью настроечного автомата Р по информации извне задастся структура рабочего автомата Ф (т.е. соответствующие функции выходов лi и переходов дi; из допустимого множества функций fл и переходов Fд). В соответствии с заданной структурой автомата Ф входная информация Х перерабатывается в выходную Y. Путем задания соответствующей входной настроечной информации V осуществляется задание новой структуры.
Основу построения автоматов с настраиваемой структурой составляют притопы: переменности, параллельности, однородности.
Переменность. Надежность, гибкость и структурная универсальность (возможность создания для каждой задачи соответствующей структуры) средств обработки обеспечивается схемно, за счет программного изменения связей между элементами и автоматных функций самих элементов.
Параллельность. Можно получить значительное увеличение производительности. выполняя операции одновременно на разных устройствах. Использование принципа параллельного выполнения операций позволяет увеличивать производительность устройства за счет увеличения числа элементов. Доказательства в общем виде возможности распараллеливания любой сложной задачи нет [14], подобно тому как не существует доказательства принципа нормализации алгоритмов.
Для всякой сложной задачи имеется параллельный алгоритм и по мере роста сложности задачи увеличивается число параллельно выполняемых операций [14].
Однородность. Простота технологии изготовления устройств обеспечивается благодаря использованию одинаковых элементов и однотипных связей между ними. Требование абсолютной однородности не является необходимым при создании сложных устройств с большим числом элементов. Однородность нужна только как один из возможных подходов к обеспечению дешевизны элементов и устройств и их живучести.
Автоматы с настраиваемой структурой, построенные на вышеперечисленных принципах, состоят из одинаковых и однотипно соединенных друг с другом универсальных элементов с программным изменением связей между ними, а также автоматных функций самих элементов. Принципиальным отличием автоматов с настраиваемой структурой от автоматов с фиксированной структурой является то, что при предположении существования алгоритмов с большим числом одновременно выполняемых ветвей вычислений, при их росте со сложностью задачи и при наращивании числа элементов автоматы с настраиваемой структурой не имеют теоретического предела по быстродействию. Другим важным отличием автоматов с настраиваемой структурой является возможность решать задачу не только программным способом, но и структурным (схемным) моделированием, при котором для выполнения каждой операции отводится своя схема (аппаратура).
1.4 Постановка задачи на проектирование
Спроектировать аналого-цифровой преобразователь удовлетворяющий современным требованиям таким как:
1. Скорость обработки информации.
2. Заданная точность преобразования.
3. Реконфигурация под преобразуемый сигнал.
4. Способность обработки максимально возможного числа каналов.
5. Аппаратные затраты минимизированы.
6. Минимальная сложность рабочих алгоритмов.
2. Проектирование каскадного АЦП на основе нейротехнологий
2.1 Нейронный подход к проектированию
2.1.1 Искусственный нейрон
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рис.2.1 представлена модель, реализующая эту идею. Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта конфигурация. Здесь множество входных сигналов, обозначенных x1, x2,…, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2,…, wn, и поступает на суммирующий блок, обозначенный У. Каждый вес соответствует "силе" одной биологической синаптической связи. (Множество весов в совокупности обозначается вектором W.) Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это может быть компактно записано следующим образом:
NET = XW.
Рис. 2.1 Искусственный нейрон
2.1.1.1 Активационные функции
Сигнал NET далее, как правило, преобразуется активационной функцией F и дает выходной нейронный сигнал OUT. Активационная функция может быть обычной линейной функцией
OUT = K (NET),
где К - постоянная, пороговой функции
OUT = 1, если NET > T, OUT = 0 в остальных случаях,
где Т - некоторая постоянная пороговая величина, или же функцией, более точно моделирующей нелинейную передаточную характеристику биологического нейрона и представляющей нейронной сети большие возможности.
Рис. 2.2 Искусственный нейрон с активационной функцией
На рис.2.2 блок, обозначенный F, принимает сигнал NET и выдает сигнал OUT. Если блок F сужает диапазон изменения величины NET так, что при любых значениях NET значения OUT принадлежат некоторому конечному интервалу, то F называется "сжимающей" функцией. В качестве "сжимающей" функции часто используется логистическая или "сигмоидальная" (S-образная) функция, показанная на рис.2.3а. Эта функция математически выражается как F (x) = 1/ (1 + е-x). Таким образом,
.
По аналогии с электронными системами активационную функцию можно считать нелинейной усилительной характеристикой искусственного нейрона. Коэффициент усиления вычисляется как отношение приращения величины OUT к вызвавшему его небольшому приращению величины NET. Он выражается наклоном кривой при определенном уровне возбуждения и изменяется от малых значений при больших отрицательных возбуждениях (кривая почти горизонтальна) до максимального значения при нулевом возбуждении и снова уменьшается, когда возбуждение становится большим положительным. Гроссберг (1973) обнаружил, что подобная нелинейная характеристика решает поставленную им дилемму шумового насыщения. Каким образом одна и та же сеть может обрабатывать как слабые, так и сильные сигналы? Слабые сигналы нуждаются в большом сетевом усилении, чтобы дать пригодный к использованию выходной сигнал. Однако усилительные каскады с большими коэффициентами усиления могут привести к насыщению выхода шумами усилителей (случайными флуктуациями), которые присутствуют в любой физически реализованной сети. Сильные входные сигналы в свою очередь также будут приводить к насыщению усилительных каскадов, исключая возможность полезного использования выхода. Центральная область логистической функции, имеющая большой коэффициент усиления, решает проблему обработки слабых сигналов, в то время как области с падающим усилением на положительном и отрицательном концах подходят для больших возбуждений. Таким образом, нейрон функционирует с большим усилением в широком диапазоне уровня входного сигнала.
.
Рис. 2.3а. Сигмоидальная логистическая функция
Другой широко используемой активационной функцией является гиперболический тангенс. По форме она сходна с логистической функцией и часто используется биологами в качестве математической модели активации нервной клетки. В качестве активационной функции искусственной нейронной сети она записывается следующим образом:
OUT = th (x).
Рис. 2.3б. Функция гиперболического тангенса
Подобно логистической функции гиперболический тангенс является S-образной функцией, но он симметричен относительно начала координат, и в точке NET = 0 значение выходного сигнала OUT равно нулю (см. рис.2.3б). В отличие от логистической функции гиперболический тангенс принимает значения различных знаков, что оказывается выгодным для ряда сетей. Рассмотренная простая модель искусственного нейрона игнорирует многие свойства своего биологического двойника. Например, она не принимает во внимание задержки во времени, которые воздействуют на динамику системы. Входные сигналы сразу же порождают выходной сигнал. И, что более важно, она не учитывает воздействий функции частотной модуляции или синхронизирующей функции биологического нейрона, которые ряд исследователей считают решающими.
Несмотря на эти ограничения, сети, построенные из этих нейронов, обнаруживают свойства, сильно напоминающие биологическую систему. Только время и исследования смогут ответить на вопрос, являются ли подобные совпадения случайными или следствием того, что в модели верно схвачены важнейшие черты биологического нейрона.
Из рассмотренного материала видно, что нейрон сам по себе очень эффективный элемент и очень полезен при принятии решения, зависящего от нескольких факторов. Также особенностью является непрерывность выходной функции, что повышает точность.
Но наиболее полно те или иные свойства проявляются при соединении нейронов в сеть, тогда можно добиться параллельности обработки информации, что значительно увеличит скорость обработки и достоверность получаемой после обработки системой данных.
2.1.2 Нейронные сети
По характеру организации взаимосвязей нейронные сети разбиваются в основном на два класса: случайные и детерминированные. Если связи между нейронами сети случайные, то такая сеть называется случайной или стохастической. Разновидностью стохастических сетей являются вероятностные сети. В подобных сетях процессы переработки информации имеют вероятностный характер. Функцию или поведение стохастической сети невозможно предсказать заранее.
Если в сети связи и взаимодействие нейронов предопределены и описываются известными математическими соотношениями, то такая сеть называется детерминированной. Функция такой сети вполне предсказуема. ЛЦП ПДА представляет собой структуру с детерминированным взаимодействием нейронов и математически однозначной их взаимосвязью.
Поэтому в дальнейшем будут рассматриваться только детерминированные сети. На рис.2.4 приведен пример нейронной сети.
Величины Иi (i = 1ч5) показывают пороги нейронов, Шi, (j = 1ч7) - функции нейронов при фиксированных порогах, а стрелки - связи нейронов вообще, т.е. они являются функциональными входами нейронов сети; Xi,., Х4 - входы сети; Fi,., Fз - выходы.
Рис. 2.4 Пример нейронной сети
Введем два признака классификации нейронных сетей:
1) топологический,
2) наличие запаздывания при передаче информации между нейронами. Проведем классификацию нейронных сетей но указанным признакам.
С топологической точки зрения сети, представленные на рис.2.4, т.е. сети, содержащие обратные связи, называются нерегулярными. Сети без обратных связей называются регулярными (невременными или комбинационными) [] Упорядоченной правильной сетью называется сеть, в которой выполнены следующие ограничения:
входы сети соединены только с нейронами первого ранга;
нейроны данного ранга связаны непосредственно только с нейронами последующего ранга;
выходами сети являются выходы нейронов последнего ранга.
Правильная сеть, в которой каждый нейрон первого ранга соединен со всеми входами сети и каждый нейрон последующего ранга соединен со всеми нейронами предыдущего ранга, называется канонической.
Если все нейроны сети имеют одинаковое число функциональных входов, т.е. число аргументов всех функций Шj одинаково, то такая сеть называется однородной.
По второму признаку (запаздывание в передаче сигналов) в [14] выделено два принципиально важных класса сетей:
1) с мгновенной передачей сигналов в нейроне (отсутствие задержки),
2) с конечной скоростью передачи сигнала в нейроне (с задержкой).
С помощью указанных двух классов сетей могут быть представлены при микроструктурном моделировании всевозможные АНС.
В связи с этим целесообразно рассмотреть методы проектирования устройств с учетом особенностей нейронных сетей. Большое значение имеют вопросы конструирования нейронов и сетей в целом с учетом технологии БИС и СБИС. Интересно также рассмотреть основные свойства нейронных сетей и особенности их применения в области создания АЦП ПДА.
2.1.2.1 Однослойные искусственные нейронные сети
Рис. 2.5 Однослойная нейронная сеть
Хотя один нейрон и способен выполнять простейшие процедуры распознавания, сила нейронных вычислений проистекает от соединений нейронов в сетях. Простейшая сеть состоит из группы нейронов, образующих слой, как показано в правой части рис. 2.5. Отметим, что вершины-круги слева служат лишь для распределения входных сигналов. Они не выполняют каких - либо вычислений, и поэтому не будут считаться слоем. По этой причине они обозначены кругами, чтобы отличать их от вычисляющих нейронов, обозначенных квадратами. Каждый элемент из множества входов Х отдельным весом соединен с каждым искусственным нейроном. А каждый нейрон выдает взвешенную сумму входов в сеть. В искусственных и биологических сетях многие соединения могут отсутствовать, все соединения показаны в целях общности. Могут иметь место также соединения между выходами и входами элементов в слое.
Удобно считать веса элементами матрицы W. Матрица имеет т строк и п столбцов, где m - число входов, а n - число нейронов. Например, w2,3 - это вес, связывающий третий вход со вторым нейроном. Таким образом, вычисление выходного вектора N, компонентами которого являются выходы OUT нейронов, сводится к матричному умножению N = XW, где N и Х - векторы-строки.
Данный вид сети, достаточно прост, но позволяет решать сложные задачи. У него есть свои недостатки и достоинства, но при большом количестве решаемых задач, и высокой трудности этих задач, необходимо искать другие пути решения.
2.1.2.2 Многослойные искусственные нейронные сети
Более крупные и сложные нейронные сети обладают, как правило, и большими вычислительными возможностями. Хотя созданы сети всех конфигураций, какие только можно себе представить, послойная организация нейронов копирует слоистые структуры определенных отделов мозга. Оказалось, что такие многослойные сети обладают большими возможностями, чем однослойные, и в последние годы были разработаны алгоритмы для их обучения.
Рис. 2.6 Двухслойная нейронная сеть
Многослойные сети могут образовываться каскадами слоев. Выход одного слоя является входом для последующего слоя. Подобная сеть показана на рис.2.6 и снова изображена со всеми соединениями.
2.1.2.2.1 Нелинейная активационная функция
Многослойные сети не могут привести к увеличению вычислительной мощности по сравнению с однослойной сетью лишь в том случае, если активационная функция между слоями будет нелинейной. Вычисление выхода слоя заключается в умножении входного вектора на первую весовую матрицу с последующим умножением (если отсутствует нелинейная активационная функция) результирующего вектора на вторую весовую матрицу.
(XW1) W2
Так как умножение матриц ассоциативно, то
X (W1W2).
Это показывает, что двухслойная линейная сеть эквивалентна одному слою с весовой матрицей, равной произведению двух весовых матриц. Следовательно, любая многослойная линейная сеть может быть заменена эквивалентной однослойной сетью. В гл.2 показано, что однослойные сети весьма ограниченны по своим вычислительным возможностям. Таким образом, для расширения возможностей сетей по сравнению с однослойной сетью необходима нелинейная активационная функция.
Представленные виды сетей имеют непростую структуру, но они не обладают рядом свойств, необходимых для решения более сложных задач. Также они не могут обучаться или запоминать что либо. Для проявления этих или других свойств необходимо произвести реструктуризацию или добавить дополнительные элементы.
2.1.2.4 Сети с обратными связями
У сетей, рассмотренных до сих пор, не было обратных связей, т.е. соединений, идущих от выходов некоторого слоя к входам этого же слоя или предшествующих слоев. Этот специальный класс сетей, называемых сетями без обратных связей или сетями прямого распространения, представляет интерес и широко используется. Сети более общего вида, имеющие соединения от выходов к входам, называются сетями с обратными связями. У сетей без обратных связей нет памяти, их выход полностью определяется текущими входами и значениями весов. В некоторых конфигурациях сетей с обратными связями предыдущие значения выходов возвращаются на входы; выход, следовательно, определяется как текущим входом, так и предыдущими выходами. По этой причине сети с обратными связями могут обладать свойствами, сходными с кратковременной человеческой памятью, сетевые выходы частично зависят от предыдущих видов.
2.1.2.5 Применение нейронных сетей
В предыдущем разделе в несколько упрощенном виде было описано, как нейронная сеть преобразует входные сигналы в выходные. Теперь возникает следующий важный вопрос: как применить нейронную сеть к решению конкретной задачи?
Класс задач, которые можно решить с помощью нейронной сети, определяется тем, как сеть работает и тем, как она обучается. При работе нейронная сеть принимает значения входных переменных и выдает значения выходных переменных. Таким образом, сеть можно применять в ситуации, когда у Вас имеется определенная известная информация, и Вы хотите из нее получить некоторую пока не известную информацию (Patterson, 1996; Fausett, 1994). Разумеется, вовсе не любую задачу можно решить с помощью нейронная сеть . Если Вы хотите определить результаты лотереи, тираж которой состоится через неделю, зная свой размер обуви, то едва ли это получится, поскольку эти вещи не связаны друг с другом. На самом деле, если тираж проводится честно, то не существует такой информации, на основании которой можно было бы предсказать результат. Многие финансовые структуры уже используют нейронные сети или экспериментируют с ними с целью прогнозирования ситуации на фондовом рынке, и похоже, что любой тренд, прогнозируемый с помощью нейронных методов, всякий раз уже бывает "дисконтирован" рынком, и поэтому (к сожалению) эту задачу Вам тоже вряд ли удастся решить.
Итак, мы приходим ко второму важному условию применения нейронных сетей: Вы должны знать (или хотя бы иметь серьезные подозрения), что между известными входными значениями и неизвестными выходами имеется связь. Эта связь может быть искажена шумом (так, едва ли можно ожидать, что по данным из примера с прогнозированием цен акций можно построить абсолютно точный прогноз, поскольку на цену влияют и другие факторы, не представленные во входном наборе данных, и кроме того в задаче присутствует элемент случайности), но она должна существовать.
Как правило, нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами, - если бы он был известен, то связь можно было бы моделировать непосредственно. Другая существенная особенность нейронных сетей состоит в том, что зависимость между входом и выходом находится в процессе обучения сети. Для обучения нейронных сетей применяются алгоритмы двух типов (разные типы сетей используют разные типы обучения): управляемое ("обучение с учителем") и не управляемое ("без учителя"). Чаще всего применяется обучение с учителем, и именно этот метод мы сейчас рассмотрим (о неуправляемом обучении будет рассказано позже).
Для управляемого обучения сети пользователь должен подготовить набор обучающих данных. Эти данные представляют собой примеры входных данных и соответствующих им выходов. Сеть учится устанавливать связь между первыми и вторыми. Обычно обучающие данные берутся из исторических сведений. В рассмотренных выше примерах это могут быть предыдущие значения цен акций и индекса FTSE, сведения о прошлых заемщиках - их анкетные данные и то, успешно ли они выполнили свои обязательства, примеры положений робота и его правильной реакции.
Затем нейронная сеть обучается с помощью того или иного алгоритма управляемого обучения (наиболее известным из них является метод обратного распространения, предложенный в работе Rumelhart et al., 1986), при котором имеющиеся данные используются для корректировки весов и пороговых значений сети таким образом, чтобы минимизировать ошибку прогноза на обучающем множестве. Если сеть обучена хорошо, она приобретает способность моделировать (неизвестную) функцию, связывающую значения входных и выходных переменных, и впоследствии такую сеть можно использовать для прогнозирования в ситуации, когда выходные значения неизвестны.
2.2 Структура проектируемого преобразователя
2.2.1 Расширенная структурная схема АЦП.
Аналогово-цифровой преобразователь первоначально можно представить в следующем виде, его расширенная структурная схема представлена на (рис 2.7)
Рис. 2.7 Расширенная структурная схема АЦП
По выводу Uпит поступает стабилизированное питание, значение которого не меньше измеряемого. Сами аналоговые сигналы поступают по второй группе выводов Х1…Хn, параллельно которой поступает группа управляющих сигналов У1…Уn, определяющих точность и начало измерения. На выводах N1… Nn, получаем оцифрованные сигналы соответственно с первого по n-ый канал. Как видно из представленной схемы, количество выводов велико, на в то же время растет линейно количеству цифруемых каналов.
2.2.1.1 Работа устройства осуществляется следующим образом
По каналу поступает аналоговый сигнал, одновременно с ним по каналу управления поступает управляющий сигнал, который определяет точность необходимого измерения и одновременно с этим задает начало измерения.
Далее информация обрабатывается в соответствие с точностью, указанной по управляющему каналу и через определенный промежуток времени на выходе четном или не четном выходе N1…Nk формируется выходная комбинация символов, удовлетворяющая заданной точности. На выходах С1… Сn формируется маска выхода, какие два канала разной четности присутствуют в данный момент на выходе.
2.2.1.2 Пример
Пусть на аналоговые входы поступает информация по трем каналом Х1, Х2 и Х5 для которых определена следующая точность: Х1 - 8 разрядов цифрового кода, Х2 - 12, разрядов цифрового кода и Х5 - 16 разрядов цифрового кода. Тогда ввиду того, что минимальная разрядность каскадного - 3 разряда, то управляющие сигналы тоже будут соответствовать этому факту, так для У1 = 011, так как будет использовать не менее 9 разрядов, У2 = 100, он будет использовать ровно 12 разрядов и У5 = 110. Нетрудно заметить, что максимальная точность измеряемого сигнала на данном АЦП не превышает 21 разряда. Далее через определенный промежуток времени на выводах формируется код. Для первого канала это 9 разрядов, для второго - 12 и для пятого - 18, при этом формирование будет происходить следующим образом: в первый момент вектор С примет значение 11000000 и на первой группе выводов появится оцифрованный сигнал первого канала, а на второй группе вводов оцифрованный сигнал второго канала, через минимально заданное время и готовности пятого канала, вектор С примет следующее значение С = 01001000 и на первой группе выводов появится код пятого канала, при этом вторая группа не меняет свое состояние.
Как видно, принцип работы достаточно прост, но количество каналов и точность их измерения могут быть различными, соответственно от этого зависит структурная сложность.
2.2.2 Структурная схема АЦП
Для более полного понимания работы АЦП как системы рассмотри м структурную схему АЦП. Она представлена на рис.2.8.
Рис. 2.8 Структурная схема АЦП
В состав АЦП входят следующие блоки:
БСП - Блок стабилизации питания. Необходим для стабильного питания и обеспечения расхода нужной мощности.
УВХ1…УВХn - Устройство выборки-хранения. Необходим для устранения апертурной погрешности, и позволяет какое-то время сохранять сигнал.
БРС - Бок распределения сигнала. Необходим для согласования внешних сигналов управления с внутренними настройками на заданную точность сигнала.
УУ - Устройство управления. Является основным управляющим органом данной системы и согласует между собой работу всех блоков.
НП - Нейронный преобразователь. Осуществляет преобразование входных сигналов с заданной точностью одновременно.
УВ - Устройство вывода. Подает на выход АЦП - код преобразованного сигнала с информацией об обновлении вывода.
2.2.2.1 Работа устройства
При подаче на вход АЦП аналогового сигнала, одновременно с ним подается управляющий сигнал. Аналоговый сигнал запоминается в этот момент в УВХ, а управляющий идет на БРС. БРС сигнализирует о готовности УУ и передает точность измерения в НП. Далее сигнал с УВХ поступает на вход НП и после преобразования поступает на УВ, а затем на выход преобразователя.
2.2.2.2 Пример
Пусть на вход устройства поступает три аналоговых сигнала Х1, Х2 и Х5 для которых определена следующая точность: Х1 - 8 разрядов цифрового кода, Х2 - 12, разрядов цифрового кода и Х5 - 16 разрядов цифрового кода.
Таким образом, после появления управляющего сигнала на 1, 2 и 5 входных каналов БРС, БРС подаст сигнал на устройства УВХ1, УВХ2 и УВХ5 соответственно, они откроются и запомнят аналоговый сигнал. Одновременно с этим БРС сигнализирует УУ об изменении своего состояния и выставляет на вход НП - заданную точность для каждого канала. Далее о готовности по тому или иному каналу НП сигнализирует УУ и выставляет код на вход УВ, после чего информация поступает на внешнее устройство. Так как у разных входов разная точность, то и время преобразования соответственно будет разным. Таким образом наименьшее время преобразования будет по 1 каналу, далее завершится преобразование второго канала, а затем пятого. Поэтому сперва появится код первого канала по первой группе, затем код второго канала на выходе второй группы, после этого через минимально заданное время или после того как будет закончено преобразование по пятому каналу на выводах первой группы появится код пятого канала.
Так как основным устройством является нейронный преобразователь, осуществляющий преобразование аналоговых сигналов по нескольким выводам одновременно и с определенной точностью. Рассмотрим его структуру и принципы работы.
2.2.3 Структура нейронного преобразователя
Основным блоком АЦП, является нейронный преобразователь, выполняющий основные функции. Его структурная схема представлена на рис 2.9.
Рис. 2.9 Нейронный преобразователь.
В состав преобразователя, входят следующие компоненты.
С - стабилизатор входного сигнала, для удержания его в течение какого-нибудь промежутка.
УУНС - устройство управления нейросетью. Определяет в какой последовательности и с какой точностью будут соединены нейроны.
НС - основной элемент данного преобразователя, обеспечивающий заданную скорость преобразования.
2.2.3.1 Работа схемы
На выход стабилизаторов поступает аналоговый сигнал, с выходов УВХ и стабилизируется, для того что бы изменить свое значение под действием последующей нагрузки в нейросети. В это время на УУНС поступают управляющие сигналы с БРС, определяющие точность измерения и в соответствие с этим УУНС принимает решение о формирование группы нейронов в цепочку. Далее оно образует канал от каждого нейрона в цепочке, по очереди с УВ и уже с устройства вывода поступает на внешнее устройство.
Важнейшей частью в данном блоке является нейросеть, которая и осуществляет основное преобразование
2.2.3.2 Пример
Пусть по трем каналам поступает аналоговый сигнал - Х1, Х2 и Х5. В этот момент на УУНС поступает сигнал от БРС от точности каждого из каналов. В блоках стабилизации сигналы стабилизируются и после этого поступает на вход НС, где уже сформированы цепочки из нейронов, для первого канала это цель из трех нейронов, для второго из 4 и для пятого из 6. После этого последовательно по три разряда в каждый такт поступает информация на УВ, где хранится определенный период, после чего обновляется. Важнейшей частью в данном блоке является нейросеть, которая и осуществляет основное преобразование
2.2.4 Структура нейросети
Спроектированная сеть является слабосвязной и имеет эквисторную структуру. Слабосвязная - потому, что количество связей каждого нейрона с остальными всего четыре нейрона, при этом они все являются, равноправными, только восемь нейронов связано аналоговыми входными сигналами, и далее связи между собой, но управлеие и цифровой сигнал снимается с каждого нейрона. Структура сети для восьми входов и 32 элементов, представлена на рис.2.10
Рис 2.10 Структура сети.
2.2.4.1 Структура сети
вся сеть разбита на восемь групп, в каждой из которых по четыре нейрона. Один нейрон из группы является входным, остальные обычными каскадами и больше ни чем не отличаются от входного.
2.2.4.2 Работа схемы
Пусть на вход одного из нейронов поступает аналоговый сигнал, он его преобразует и через такт выставляет на цифровые выходы полученную информацию. А следующему нейрону передает остатки сигнала от вычитания, с опорным напряжением в восемь раз меньше текущего. Следующий нейрон действует по тому же принципу и также выставляет те же сигналы на аналогичные выводы.
2.2.4.3 Пример
Пусть на вход первого нейрона поступил аналоговый сигнал, он вычитает определенное значение и посылает его на следующий нейрон, при этом формирует цифровой сигнал. Так как количество требуемых нейронов не превышает трех, то распределение будет простым, и следующими в группе нейронами будут второй и третий. Аналогично для второго сигнала, который занимает также число нейронов в рамках группы. Пятый сигнал должен оцифровываться шестью нейронами и поэтому необходимо будет искать еще два свободных нейрона. В нашем примере можно использовать один свободные нейроны восьмой группы, если бы эта цепь была занята, то устройство осуществило бы поиск новой цепи или в крайнем случае начало переформировывать структуру связей.
2.2.5 Структура нейрона
2.2.5.1 Состав нейрона
Структура элементарного нейрона представлена на рис. 2.11
БСП - блок стабилизации питания, осуществляет питание основных элементов нейрона.
УУН - устройство управления нейрона - управляет всеми процессами внутри нейрона и его работой в целом.
МХ - мультиплексор, подает аналоговый сигнал со входаопределенного нейрона.
ДМ - демультиплексор, аналогично МХ но передает на выход следующего нейрона.
УВ - устройство вывода, при подаче управляющего сигнала выдает на выход УВ полученную комбинацию разрядов.
У - усилитель, усиливает входной сигнал на определенный коэффициент.
АЦП - аналого-цифровой преобразователь, ключевой элемент преобразующий аналоговый сигнал в цифровой код.
Рис. 2.11 Структура простейшего нейрона
2.2.5.2 Работа устройства
На вход МХ поступает аналоговый сигнал, вместе с опорным напряжением, какой из входов подключен к выходу МХ определяет УУ. После этого аналоговый сигнал поступает на АЦП, где он преобразуется и выдается полученный код на УВ. В то же время уменьшенное опорное напряжение и остаток от преобразуемого напряжения через канал демультиплексора поступает на считывающее устройство, предворительно сигнал усиливается проходя через усилитель.
2.2.5.3 Пример
Пусть с первого нейрона поступает сигнал на вход этого нейрона, тогда УУ пропустит данный сигнал на вход АЦП. Через один такт информация поступает на вход УВ и оттуда на УУНС. А остаток от сигнала и уменьшенное опорное напряжение, поступают на ДМ и с помощью УУ, откуда на вход последующего нейрона. При чем если при работе нейрона его вход и выход совпадают, то он отключен в данной комбинации, управляющих сигналов. Так как весь смысл нейрона в параллельном преобразовании, рассмотрим более подробно используемый преобразователь.
2.2.6 Параллельное АЦП
2.2.6.1 Состав
В состав входят несколько компараторов, сопротивлений, триггеров, и приоритетный шифратор, с УВС - устройством вычитания сигналов. Вся схема представлена на рис.2.12
2.2.6.2 Работа преобразователя
Если приложенное входное напряжение не выходит за пределы диапазона от 5/2h, до 7/2h, где h=Uоп/7 - квант входного напряжения, соответствующий единице младшего разряда АЦП, то компараторы с 1-го по 3-й устанавливаются в состояние 1, а компараторы с 4-го по 7-й - в состояние 0. Преобразование этой группы кодов в трехзначное двоичное число выполняет логическое устройство, называемое приоритетным шифратором. На выходе получим цифровой код равный 011.
Рис.2.12
Глава 3
В данной главе рассмотрены технические и временные характеристики нейросети. Также рассмотрены различные топологии нейросети, и их сравнительные характеристики. При этом все сравнительные и оценочные характеристики проводятся в пределах нейросети и только на уровнях не превышающих структуру нейросети.
3.1 Структура нейросети
В основе проектирования рассматривалось несколько различных топологий сетей, но в основу проектирования легло две, из которых в процессе расчета и преобразований была выбрана одна топология, которая и стала основной при проектировании.
В общем случае понятие "искусственная нейронная сеть” охватывает ансамбли нейронов любой структуры, однако практическое применение нашли только некоторые из них.
3.1.1 Однослойные прямонаправленные сети
Слойной называется ИНС, состоящая из групп нейронов, разделенных по слоям. ИНС, содержащая k слоев, называется k-слойной. Если сигналы в сети распространяются только по направлению из начала в конец, то такая ИНС называется прямонаправленной. На рис.3.1 изображена однослойная прямонаправленная ИНС.
Рис. 3.1 Прямонаправленная сеть с одним слоем нейронов
Она включает в себя слой входных нейронов и слой выходных. Количество нейронов в одном слое определяет размер слоя. Основной недостаток - большое число связей, при малом числе нейронов
3.1.2 Многослойные прямонаправленные сети
Они характеризуются наличием одного или нескольких скрытых слоев, осуществляющих преобразование информации. Нейроны скрытого слоя называются скрытыми нейронами или скрытыми узлами.
На рис. 3.2 представлена схема трехслойной прямонаправленной ИНС с одним скрытым слоем. Для описания такой сети используется запись NN4-5-2. Здесь 4 - размер входного слоя сети, 5 - скрытого, и 2 - выходного. В общем случае прямонаправленная ИНС с g входными нейронами, q выходными нейронами и n скрытыми слоями размера hi обозначается NNg-h1-h2-. - hn-q. Сигналы с последнего скрытого слоя поступают на нейроны выходного слоя, которые формируют реакцию сети. Основной недостаток - большое число связей между нейронами.
Рис. 3.2 Полностью связанная трехслойная прямонаправленная сеть
3.1.3 Рекуррентные сети
Этот тип ИНС отличается существованием обратных связей и элементов временной задержки сигнала. Наиболее простым случаем рекуррентной сети является один слой нейронов, охваченный обратными связями. При этом каждый нейрон получает задержанные выходные сигналы всех остальных нейронов.
На рис.3.3 представлена рекуррентная ИНС, содержащая скрытый слой нейронов. В этом случае каждый нейрон получает, кроме входных сигналов, еще и все выходные сигналы сети. Часть ИНС, охваченная обратными связями может иметь и большее количество скрытых слоев. Основной недостаток - временная задержка и большое число связей.
Рис. 3.3 Рекуррентная сеть с одним скрытым слоем
3.1.4 Полностью связанные сети
Характерным признаком ИНС этого типа является наличие связей между всеми нейронами.
Наиболее известной разновидностью полностью связанных сетей являются сети Хопфилда (см. рис.3.4). В них каждый нейрон имеет двусторонние связи со всеми остальными нейронами сети. В общем случае сеть Хопфилда имеет симметричную кольцевую структуру, в ней нельзя выделить скрытые нейроны и единое направление распространения сигналов. Работа полностью связанной ИНС и обмен данными контролируется одним главным нейроном.
Сеть Хопфилда является примером полностью связанной динамической сети, основывающейся на принципах самоорганизации, однако в ней не используются в явном виде элементы временной задержки. Основной недостаток - очень сложная реализация для множества каналов.
Рис. 3.4 Полностью связанная сеть Хопфилда
Другим примером служат решетчатые сети (см. рис.3.5). Они представляют собой массив нейронов, каждый из которых связан с входными нейронами.
Размерность массива нейронов определяет размерность решетчатой сети. Такая ИНС является прямонаправленной, так как в ней нет обратных связей, однако в ней нельзя выделить скрытые элементы или слои. Основной недостаток этой сети - долгое время преобразования и неудобство управления.
Рис. 3.5 Одномерная решетчатая сеть из трех нейронов
Глава 4. Обоснование НИОКР
4.1 Обоснование эффективности НИОКР
Фундаментальные исследования являются базовыми для любого вида исследования, однако степень вероятности получения результатов на стадии фундаментальных исследований очень мала. Как правило, только 5 - 10% (от объема затрат) можно передать для развития в прикладных исследованиях. При фундаментальных исследованиях определяется научно-технический потенциал, в том числе дается характеристика научно-технической, экономической и социально-политический значимости результатов НИР, определяются затраты на проведение НИР.
Прикладные исследования в машиностроении направлены на создание новых механизмов, комплексов, средств автоматизации, технологических процессов, на улучшение параметров и качества продукции, создание новых видов материалов, повышение уровня организации груда. Результатами этих исследований могут быть принципиальные схемы, модели, функциональные структуры с конкретными технико-экономическими параметрами. В ходе прикладных исследований около 80-90% работ могут дать результаты, пригодные для дальнейшего практического использования.
Опытно-конструкторские разработки предполагают конкретное конструктивно-технологическое воплощение результатов прикладных исследований, отработку и внедрение их в производство.
Работу от начала исследования до производства продукции с применением создаваемых средств и способов называют циклом "исследования - производство". Длительность цикла на практике составляет от 3 до 10 лет.
4.1.2 Эффект НИОКР
Расчеты экономической эффективности, проводимые в абсолютном большинстве случаев лишь по прикладным НИОКР, имеют определенные особенности. Это объясняется следующим. НИОКР является начальным этапом в создании новых материальных объектов, поэтому расчеты эффективности носят вероятностный, прогнозный характер. Экономический эффект НИОКР, определенный на стадии ее выполнения, представляет собой экономический потенциал, который может быть реализован по мере использования результатов законченных разработок в производстве и эксплуатации.
Эффективность научных исследований характеризуется в общем виде соотношением результатов и затрат. Трудность в оценке эффективности НИОКР состоит в том, что зачастую невозможно оценить все полученные в ходе исследований результаты в стоимостном виде. Поэтому экономический эффект от внедрения новой техники, созданной в ходе НИОКР, является одним из главных, но не единственным показателем результативности работ.
4.1.3 Рынок научно-технической продукции
Рынок научно-технической продукции - это форма экономических отношений между собственником результата интеллектуального труда (далее - научно-техническая продукция) и покупателем права на эту продукцию.
Объектами рынка научно-технической продукции являются товары в виде научно-технической, проектно-конструкторской и технико-технологической продукции, научно-технической документации, информационных услуг, научных публикаций и специальной литературы, субъектами - контрагенты рынка, дифференцированные по объему своего производственного, научного, информационного и финансового потенциала, по форме собственности.
Предметом купли и продажи могут выступать научно-технические решения, т.е. продукты прикладной науки, поскольку только они в сфере интеллектуального труда обладают коммерческой ценностью и могут обеспечивать добавочную прибыль.
Промышленные предприятия, имеющие в своем составе подразделения НИОКР, также могут продавать и покупать научно-техническую продукцию. В этом случае складываются взаимосвязи между НТО, промышленными предприятиями и отдельными индивидуальными разработчиками.
Подобные документы
Аналогово-цифровые преобразователи последовательного счета и последовательного приближения. Разработка модели аналогово-цифрового преобразователя с сигма-дельта модулятором. Проектирование основных блоков сигма-дельта модулятора на КМОП-структурах.
дипломная работа [2,1 M], добавлен 18.11.2017Назначение, конструкция и принцип работы тепловых расходомеров. Расчёт чувствительного элемента датчика, преобразователей. Структурная схема измерительного устройства. Выбор аналогово-цифрового преобразователя и вторичных приборов, расчет погрешности.
курсовая работа [906,9 K], добавлен 24.05.2015Основные структуры, характеристики и методы контроля интегральных микросхем АЦП. Разработка структурной схемы аналого-цифрового преобразователя. Описание схемы электрической принципиальной. Расчет надежности, быстродействия и потребляемой мощности.
курсовая работа [261,8 K], добавлен 09.02.2012Разработка цифрового устройства шумовой автоматической регулировки усиления для аналогово-цифровых приёмников РЛС. Расчет экономической эффективности проектируемого изделия. Использование программно-аппаратных средств. Оценка рынка, конкурентоспособности.
бизнес-план [96,5 K], добавлен 13.06.2012Анализ справочной литературы, рассмотрение аналогов и прототипов аналого-цифрового преобразователя. Составление функциональной и принципиальной схемы функционального генератора. Описание метрологических характеристик. Выбор дифференциального усилителя.
курсовая работа [460,4 K], добавлен 23.01.2015Общая характеристика цифровых схем, их преимущества по сравнению с аналоговыми. Проектирование цифрового измерительного прибор с функциями индукционного расходомера и вольтметра постоянного напряжения, разработка его функциональной и структурной схемы.
курсовая работа [3,2 M], добавлен 13.02.2013Разработка структурной схемы и нумерации существующей аналогово-цифровой сети. Расчет возникающих и межстанционных нагрузок, емкости пучков связей. Оптимизация топологии кабельной сети. Расчет скорости цифрового потока и выбор структуры цифровой сети.
курсовая работа [1,3 M], добавлен 07.08.2013Адаптивные системы передачи информации. Алгоритмы сжатия данных с однопараметрической адаптацией. Расчет разрядности аналогово-цифрового преобразователя. Расчет коэффициентов экстраполирующего полинома. Функциональная схема: блок датчиков и коммутации.
курсовая работа [443,9 K], добавлен 07.12.2012Использование наилучшего из числа возможных алгоритмов измерения, способность трансформации алгоритма измерений в процессе его выполнения. Высокие требования к точности и надежности приборным интеллектуальным аналогово-цифровым преобразователям.
курсовая работа [581,2 K], добавлен 27.02.2009Принципы построения систем электросвязи и расчёт их параметров. Анализ статических характеристик и параметров передаваемого сообщения, аналогово-цифрового и цифро-аналогового преобразований сообщения, узкополосного непрерывного гауссовского канала связи.
курсовая работа [1,3 M], добавлен 14.12.2012
