Основы нейрокомпьютерных технологий icon

Основы нейрокомпьютерных технологий



НазваниеОсновы нейрокомпьютерных технологий
Дата конвертации29.07.2012
Размер231.7 Kb.
ТипЛитература

Основы нейрокомпьютерных технологий


Сазанов В.М.

ОГЛАВЛЕНИЕ

Основы нейрокомпьютерных технологий 1

Введение в теорию нейрокопьютнинга. 2

Простейшая модель нейрона 2

Вычислительная модель нейрона 3

Нейроалгоритмы распознавания образов 5

Обучение нейрона – механизм синаптической передачи с памятью 6

СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ 7

Классификация форм представления изображениний 7

Система признакового распознавания “ПАНДЕМОНИУМ” Селфиджа. 9

^ СИСТЕМА РАСПОЗНАВАНИЯ АВТОМОБИЛЬНЫХ НОМЕРОВ 10

Технические характеристики 10

Возможности системы 11

Разработчик системы 12

Khow - Now 12

Уникальная видео-компьютерная система идентификации
номеров автомобилей “КОБРА” 13


Структура системы 13

Алгоритмы распознавания 14

^ НЕЙРОПРОЦЕССОР NM6403 16

Основные характеристики 16

Применение 16

Структура нейропроцессора 17

RISC - ядро 19

Источники, литература, контакты 20

Литература 20

Контакты 20

Заключение 21



^

Введение в теорию нейрокопьютнинга.

Простейшая модель нейрона


Человеческий мозг состоит примерно из 100 миллиардов (1011) нейронов, и на один нейрон может приходиться до 104 связей. Кроме того, каждый нейрон сам по себе представляет собой сложную систему. Нейроны соединены между собой чрезвычайно сложным образом. Число нейронов невообразимо велико: если нейроны раздуть до таких размеров, чтобы в наперсток объемом, скажем, в один кубический сантиметр помещалось сто нейронов, то такие наперстки заполнили бы здание шириной 10 м, длиной 10 м и высотой 10 м.


Нейрон - основной элемент нервной системы - клетка через которую происходит передача и преобразование информации.







gif" align=left hspace=12>


Синапс на ядре

Синапс

на дендрите Аксон

Ядро




Дендриты

Ядра

следующих клеток




Дендриты




Рис. 1. Пример простейшей нейронной сети


Нервная клетка состоит из тела клетки (называемого также сомой) и отростков: коротких подходящих дендритов и длинного аксона, по которому информация передается от одного нейрона к другому. Область в которой возбуждение от одного нейрона передется к другому называется синапсом или синаптическим переходом.

В соединениях между нейронами участвует либо само тело клетки, либо его тонкие отростки - дендриты. Аксон оканчивается либо небольшим числом ветвей, либо таких ветвей много, и тогда на выходе одного нейрона образуется множество синаптических соединений с другими нейронами. Сходным образом тело одного нейрона может принимать сигналы либо от нескольких, либо от тысяч других нейронов.

Нервные волокна и дендриты можно рассматривать как изолированные проводники, по которым передаются сигналы, характерные для нервной системы - электрические импульсы. Эти электрические, а точнее ионные, сигналы генерируюся в клеточном теле в ответ на активность синаптических входов. В самом синапсе под влиянием поступающего импульса высвобождается особое химическое вещество - медиатор; оно персекает зазор между окончанием аксона и рецепторным участком следующего нейрона и вызывает изменение нормального электрического потенциала данного нейрона; если количество медиатора достаточно велико, изменение электрического потенциала нейрона достигает предела, при превышении которого рождается импульс; затем импульс идет по аксону, пока не достигнет следующего синапсического соединения, где весь процесс повторяется сначала.

Лишь в редких случаях активности в одном синапсе достаточно для появления нового импульса. Как правило нейрон должен получить много импульвов, прежде чем в нем возникнет ответный импульс. Все синапсические соединения делятся на два класса: возбудительные и тормозные. Активность первых увеличивает вероятность отвена нейрона, активность вторых - уменьшает.

Ответ нейрона на активность всех его стнапсов представляет собой как бы результат “химического голосования”: соотношение “голосов” возбудительных и тормозных синапсов на входе нейрона определяет уровень его активности. Частота ответов нейрона в общем случае зависит от частоты и характера стимулов на его синапсах. Но имеются ограничения. Генерация импульса делает нейрон недееспособным в течении 0,001 секунды. То есть максимальная теоретическая частота ответа нейрона равна 1000 импульсам в секунду. Практически она еще ниже от 300 до 800 импульсов в секунду.

^ Количественные характеристики.

Человеческий мозг состоит примерно из 100 миллиардов (1011) нейронов, и на один нейрон может приходиться до 104 связей. Кроме того, каждый нейрон сам по себе представляет собой сложную систему. Нейроны соединены между собой чрезвычайно сложным образом. Число нейронов невообразимо велико: если нейроны раздуть до таких размеров, чтобы в наперсток объемом, скажем, в один кубический сантиметр помещалось сто нейронов, то такие наперстки заполнили бы здание шириной 10 м, длиной 10 м и высотой 10 м.

Нервная система содержат 10 миллиардов нервных клеток. Зрительная система - 120 миллионов клеток первого уровня и 800 тысяч второго. Для сравнения процессор PENTIUM II - 7,5 миллионов транзисторов.
^

Вычислительная модель нейрона


В основу архитектуры современных нейрочипов положен метод выполнения базовых операций с помощью операционного узла, представляющего однородную вычислительную среду, которая одновременно позволяет проводить операции над синапсами и весами произвольной разрядности.

Взвешивание и сложение синапсов является наиболее сложной операцией и требует значительных аппаратурных и временных затрат. Поэтому на реализацию данной операции ориентирован операционный узел нейрочипа, структурная организация которого позволяет выполнять вызвешивание и сложение синапсов методом параллельного умножения на весовые коэффициенты.


U1

W11 Y1 Z 1

X1

WM1




UM

W1N YM

WMN

XMN


Каждый слой нейросети выполняет следующую функцию:

Zi = f(Yi) = f{Ui + SUM XjWij}, i = 1, ..., M; j = 1, ..., N

где Zi - выходной сигнал i-го нейрона (I- нейрон),

f - функция активации,

Yi - сумма взвешенных входов i-го нейрона,

Ui - смещение i-го нейрона,

Xj - j-й входной сигнал слоя (j-й синапс),

Wij - весовой коэффициент j-го входа i-го нейрона,

M - количество нейронов в слое,

N - количество входных сигналов слоя.




Простейшие функции активации - пороговая и ограничения.

Пороговая Ограничения

Z Z







Y




звешивание и сложение синапсов является наиболее сложной операцией и требует значительных аппаратурных и временных затрат. Поэтому на реализацию данной операции ориентирован операционный узел нейрочипа, структурная организация которого позволяет выполнять вызвешивание и сложение синапсов методом параллельного умножения на весовые коэффициенты.


Операционный узел за один такт осуществляет взвешивание нескольких синапсов и вычисление их сумм одновременно для нескольких нейронов, то есть за один такт ОУ реализует функции фрагмента нейросети, включающего в себя несколько синапсов и несколько нейронов.


U1

W11

X1 Y1

W21


W12


X2

W22 U2

Y2




W13

X3

W23


Работа операционного узла иллюстируется на примере реализации фрагмента слоя нейросети, включающего 2 нейрона и 3 синапса.

В приведенном примере операнды имеют следующие разрядности:

X1=3, X2=4, X3=5;

W11=5, W12=4, W13=3, W21=4, W22=3, W23=2;

U1=10, U2=9,

Y1=10, Y2=9.

Суммарная разрядность входов n=12, выходов m=19.


^

Нейроалгоритмы распознавания образов


<Косяков Ю.Б. Мой мозг.>

С точки зрения распознавания образов любую внешнюю ситуацию – зрительный или звуковой образ-сигнал возможно представить как одномерный массив факторов, которые мы обозначим как b1, b2, b3, …, bn. Нейросистема принятия решения должна преобразовать эти внешние факторы в некоторое решение о принадлежности внешней ситуации к некоторому классу, каждому из которых возможно поставить во взаимно-однозначное отношение некоторое число, назовем его S. Естественно также предположить, что внешние факторы по разному влияют на конечное решение S, что математически возможно отразить через коэффициенты влияния, или весовые коэффицициенты ci.

Одной из самых простых и возможных в природе моделей, а в «природе нет принципа более привлекательного чем принцип простоты», формирования сигнала управления S, будет сумма произведениний bi ci , то есть:


S = b1c1 + b2c2 + … + bncn =  bi ci

^

Обучение нейрона – механизм синаптической передачи с памятью


«Чем активнее «работал» нейрон раньше –
тем эффективнее осуществляется передача сигнала в дальнейшем».

Самое интересное с точки зрения передачи сигнала и самообучения нейрона происходит на уровне электрохимических процессов синаптической щели.

В передаче нервного сигнала участвуют:

- пре- и пост-синаптическая мембрана с ионными каналами;

- ионы кальция, как переносчики электрического сигнала;

- синапотические пузырки, выделяюшие так называемые нейромедиаторы.


Синаптическая передача осуществляется в межсинаптическом пространстве следующим образом.


^

СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ

Классификация форм представления изображениний






Исходное

изображение







Функциональное

представление




Матричное







Дискретизация Выделение
особенностей





Множественное Признаковое
представление представление







Структурное
представление







РАСПОЗНАВАНИЕ


Функциональное представление - яркость задается функцией f(x,y) координат пиксела изображения

Так как координаты могут быть только целочисленными. функция яркости является сеточной.

^ Матричное представление

В матричном представлении выделение объекта производится с помощью подчеркивания перпадов яркости на исходном изображении, что достигается простанственным дифференцированием. Дифференцирование заключается в вычислении модуля градиента яркости на матричном представлении.

^ Множественное представление - Объект задается не функцией яркости, а некоторым множеством на плоскости ( например подграфиком этой функции или объединением точек одного цвета.

При множественном представлении на изображении присутствуют только объект и фон, отличающиеся цветом, то есть первая задача - улучшение качества изображения решена- и остается только решить задачу отделения объекта от фона и его распознавание. Тогда можно рассмативать объект как множество на проскости, существенно уменьшив размерность задачи.

Получить искомое множество можно пороговым разделением тоновой картинки, превратив ее в двоичную, или путем объединения отдельных точек, полученных в результате выделения краев.

Главная идея заключается в исследовании изучаемого объекта путем сравнения с элементарными фигурами - круг, квадрат, шестиугольник - обладающими известными свойствами. Это позволяет добится инвариантности относительно сдвига и изменения масштаба.

Дальнейшая обработка осуществляется путем получения набора числовых характеристик выделенного объекта, что означает переход к признаковому представлению.

Признаковое - непосредственно по исходному изображению формируется вектор признаков и после этого начинается обработка.

Признаковое представление формируется на основе описанных выше представлений путем вычисления некоторых характеристик объекта, составляющих вектор признаков, который и используется в дальнейшем при работе с изображением.

Простейший способ получения такого вектора - последовательная запись в него строк (или столбцов) матрицы яркостей, однако такой способ малоэффективен. Возможно также вычисление геометрических, топологических или характеристик другой природы.

В состав геометрических признаков можно включить:

- площадь, периметр, эксценриситет;

- отношения площади объекта и квадрата периметра;

- отношение объекта и его выпуклой оболочки.

К топологическим признакам относятся:

- число связных компонентов;

- число “дыр”.

Примером иных признаков могут служить следующие пары: локальные минимум-максимум, среднее значение - среднеквадратичное отклонение, собственные значения характаристической матрицы.

После получения вектора признаков приступают непосредственно к распознаванию, проводя в получившемся многомерном пространстве векторов разделяющие поверхности.


Структурное - изображение представлено многоуровневой структурой ( графом, деревом )

Основная особенность структурного представления состоит в том, что изображение описывается не одним признаком - матрицей, функцией, вектором - а специальной структурой, в которую могут входить как составные части и указанные признаки.

Например, путем объединения матриц яркости одного изображения, но разных масштабов можно получить так называемое мультразрешение.

На основе выделенных прямых и точек их пересечения строится граф отношений между ними, позволяющий объединять элементы в многоугольгики и и таким образом определять на изображении объекты, созданные человеком.

^

Система признакового распознавания “ПАНДЕМОНИУМ” Селфиджа.


Система “Пандемониум” была предложена Селфиджем 40 лет назад и является примером анализа признаков для распознавания символов алфавита.

Система состоит из последовательности “демонов” - понятия введенного Максвеллом для обозначения неизвестного механизма, выполняющего какую-либо активную функцию.

^ Демоны узнавания изображения регистрируют первичное изображение. Второй отряд “демонов” выделяют признаки - определенного типа линию, или угол, кривую, особые контуры. За реакциями этих демонов следят “демоны” опознавания. Каждый “демон опознавания” отвечает за распознавание одного образа - буквы А один, В - другой. “Демон буквы А” старается отыскать в образе признаки, свойственные букве А. Обнаружив признак - демон начинает кричать, чем больше признаков - тем громче кричит. Наконец, “демон принятия решения” прислушивается к хаосу криков и выбирает того, кто кричит громче всех, делая вывод, что именно соответствующий этому демону образ и поступил извне в качестве сигнала.


Фрагмент таблицы признаков распознавания




Верт.

линии

Гориз. линии

Косые линии

Прям. углы

Остр. углы

Замкн. кривые

Незамк. кривые

A




1

2




3







B

1

3




4










C



















1

D

1

2




2







1

E

1

3




4










F

1

2




3










G

1

1




1







1

H

2

1




4












^

СИСТЕМА РАСПОЗНАВАНИЯ АВТОМОБИЛЬНЫХ НОМЕРОВ



Стандартная IBM PC 586, с платой ввода телесигнала оснащена телевизионной камерой с разрешением 750 x 580 точек и решает за 0,3 сек задачу идентификации номеров движущихся автомобилей.

^

Технические характеристики


  • стандартные аппаратные и системные программные компоненты;

  • режим реального времени с циклом обработки - 0,3 сек. (скорости до 200 км/час);

  • простота сопряжения с базами данных.


^ СТОИМОСТЬ СИСТЕМЫ

I. Программа распознавания

k n o w - h o w - 3 000 $

II. Аппаратная часть - 2 500 $

Станд. IBM PC 486/100

Плата ввода телесигнала

Видеокамера SSC-M370 CE

III. Услуги - 2 000 $

Пусконаладка, обучение

программная адаптация

ИТОГО - от 3 000 до 7 500 $
^

Возможности системы




* К о н т р о л ь *


* У п р а в л е н и е *


* А в т о м а т и з а ц и я *


ОБЛАСТИ ПРИМЕНЕНИЯ


- АВТОТРАНСПОРТ -


- КРУПНЫЕ АВТОХОЗЯЙСТВА -


- КОНТЕЙНЕРНЫЕ ТЕРМИНАЛЫ -


- ЖЕЛЕЗНЫЕ ДОРОГИ -


- АЭРОПОРТЫ -


ПРИМЕРЫ


1. Система автоматического контроля

автотранспорта для Г А И.

2. Контроль и диспетчеризация

в крупных автохозяйствах, охраняемых автостоянках, контейнерных терминалах.


3. Управление воротами, шлакбаумами.


^ РЕАЛИЗОВАННЫЕ СИСТЕМЫ


Базовый образец подсистемы идентификации установлен в Управлении ГАИ ГУВД г. Москвы и


обеспечивает контроль по базам данных

“Угон”, “Задержание“, “Наблюдение”

^

Разработчик системы



Научно - производственный центр “ ИНЭУМ - МИК ” создан в 1991 году на базе ведущего системного отдела Института Электронных Управляющих Машин,

головной организации РФ в области создания и внедрения вычислительных машин СМ ЭВМ.


При разработке системы использован опыт НПЦ “ИНЭУМ - МИК” по созданию ”больших” систем.


К разработке привлекались организации, имеющие опыт создания охранных систем, в том числе

АО “Луис”, АО “Мегапиксел”, АО “Гольфстим”.


Основное финансирование разработки

АО “ РИКА ИНЖИНИРИНГ ”


^

Khow - Now



Нейропрограммный принцип построения телевизионно - компьютерной системы идентификации номеров движущихся объектов (автомобилей, ж/д вагонов), в к л ю ч а ю щ и й фиксацию объекта в зоне контроля, алгоритмы выделения зоны номера на телевизионном изображении, сигнальную и семантическую фильтрацию, распознавание номерного знака.


^

Уникальная видео-компьютерная система идентификации
номеров автомобилей “КОБРА”



КЛЮЧЕВЫЕ СЛОВА:-распознавание образов, мультимедийные технологии, нейросетые принципы, аппаратно - программный комплекс, алгоритмы распознавания

АННОТАЦИЯ - Рассматривается видеокомпьютерная система идентификации номеров движущихся автомобилей, построенная на основе стандартной IBM PC , оснащенной платой ввода телесигнала и видеокамерой. Освещены нейропрограммные принципы построения алгоритмов распознавания номерного знака, обсуждены перспективные области применения.


Рассматриваемый в статье аппаратно-программный комплекс принадлежит к классу активно развивающихся перспективных мультимедейных компьютерных технологий. Компьютеры, прочно захватив в деловой сфере область текстовой обработки (подготовки документации и выполнение учетных бухгалтерских функций), “играючи” начинают находить практическое применение и в более интеллектуальных человеческих делах, ранее не доступных компьютеру, как распознавание текстовой информации. Читатель наверняка слышал, а может быть и применял системы распознавания текста, считанного с помощью сканера, такие как FINE READER или GENUEFORM.


В добрые старые времена во многих отраслях велись работы по распознаванию текстовой информации, считанной с помощью телекамеры. Однако, доведенных до практического использования образцов наблюдать не приходилось. По-видимому, чего то из 3-х принципов теории технического прогресса нехватило (непротиворечивость идеи, потребность - социальный заказ, уровень технологии).


В предлагаемой системе удалось совместить потребность в автоматическом распознавании номеров, существующую во многих отраслях, с уровнем развития компьютерной и телевизионной техники и использовать теоретические основы распознавания образов.

^

Структура системы


Система распознавания построена на основе стандартной персональной ЭВМ класса IBM PC с платой ввода телесигнала, оснащена телевизионной камерой с разрешением 750 на 580 точек и с помощью программы распознавания решает за 0,3 сек задачу идентификации номеров движущихся автомобилей.




Требования к аппаратным компонентам компьютерной части системы не слишком высоки: это не дорогая последняя модель престижного Pentium 200. Хватает производительности простого системного блока с 486 микропроцессором и тактовой частотой 100 Мгц и оперативной памятью не менее 8 Мбайт. Используемая операционная система - Windows.


Компьютер оснащен доступной платой ввода телесигнала - на компьютерной языке называемой платой перехвата видеоизображения (если еще мудрее - видеограбер).

Требования к телевизионной камере также отвечают милому каждому инженеру принципу стандартности - используется недорогая видеокамера фирмы SONY марки SSC-M 370 CE.

Стоимость аппаратной части системы - порядка 2 500 долларов.

Основные научные и технические достижения - KHOW-HOW заключены в программе распознавания. При построении программы распознавания использованы нейроподобные алгоритмы.

^

Алгоритмы распознавания


Собственно программа распознавания состоит из подсистемы фиксации момента пересечения зоны контроля, подсистемы выделения зоны номера, подсистем сигнальной и семантической фильтрации, распознавания номерного знака.

При разработке подсистемы фиксации момента пересечения зоны использовались принципы и алгоритмы обработки изображений, реализованные НПП “Мегапиксел” в системе MegaSence, предназначенной для охраны объектов от несанционированного доступа.

Используя программные модули из состава программной системы MegaVisionLib, подсистема осуществляет сравнение двух последовательных полукадров телевизионной развертки. Если в контролируемой зоне участка дороги отличия в изображении двух полукадров интегрально превышают уровень, определенный подавителями шумов, то вырабатывается сигнал нарушения зоны контроля.

Алгоритм поиска зоны номера построен на выделении в заданной части изображения определенной структуры скоплений вертикальных и горизонтальных линий, параметры которых коррелированы со средними размерами знаков (букв/цифр) при общем соотношении длины /ширины зоны, соответствующим параметрам передних номерных знаков автомобиля.

Программно реализованные алгоритмы используют процедуры свертки и клеточной логики, которые были разработаны при построения аппаратного видеопроцессора MorphoLogic - 2 фирмы “Мегапиксел”.


В подсистеме сигнальной и семантической фильтрации локальная зона номера увеличивается в несколько раз с использованием Гауссовой интерполяции и подвергается бинаризации с использованием клеточной логики. Из библиотеки NeuroVision-Soft и NeuroVision-Lib используются программы и модули, реализующие подавление/усиление отдельных элементов с учетом их возможной принадлежности к фрагментам элементов номерного знака. На выходе подсистемы - бинарный файл номерного знака.

Подсистема распознавания номерного знака настроена на узнавание только ограниченного количества типов номеров, определенных действующим ГОСТ”ом и по окончании работы вызывает программу обслуживания базы данных и передает ей узнанный номер и оценку надежности .

При работе алгоритмов распознавания в первую очередь производиться обнаружение связных объектов - возможных символов.

После процедур улучшения изображения анализируется наличие характерных признаков - наличие и отсутствие углов, узлов и концов.

Список таких признаков - “кортеж” символа - позволяет причислить символ к одному из числа возможных символов номерного знака.


В настоящий момент программно-технический комплекс идентификации номеров, установленный в Управлении ГАИ ГУВД г. Москвы успешно прошел цикл испытаний в реальных условиях Садового кольца. Планируется до конца 1997 года установка 2-х образцов на кольцевой автомобильной дороге.

Возможности системы позволяют вести оперативный контроль за перемещением через пункты видеонаблюдения, проверку по специализированным базам данных на угон, закрывать въезд в определенные зоны города.


Система идентификации номеров автомобилей может найти применение в крупных автохозяйствах для выполнения функций диспетчеризации и учета, крупных охраняемых стоянках для автоматического управления воротами, автоматических автомобильных весах, после некоторой доработки может быть использована на контейнерных терминалах и для распознавания номеров железнодорожных вагонов.


В основу архитектуры нейрочипа положен метод выполнения базовых операций с помощью операционного узла, представляющего однородную вычислительную среду, которая одновременно позволяет проводить операции над синапсами и весами произвольной разрядности ( от 1 до 64).

^

НЕЙРОПРОЦЕССОР NM6403


NM 6403 представляет собой высокопроизводительный микропроцессор со статической суперскалярной архитектурой.

В его состав входят устройства управления, вычисления адреса и обработки скаляров, а также узел для поддержки операций над векторами с элементами переменной разрядности. Кроме этого, имеются два идентичных программируемых интерфейса для работы с внешней памятью различного типа, а также два коммуникационных порта, аппаратно совместимых с портами TMS320C4x, для возможности построения многопроцессорных систем.
^

Основные характеристики


  • тактовая частота - 50 Мгц

  • число эквивалентных вентилей - 115 000

  • технология - 0,5 мкм

  • корпус - 256BGA

  • напряжение питания - 3,0 -3,6 В

  • адресное пространство - 15 Гбайт

  • формат скалярных и векторных данных:

  • 32-разрядные скалярные данные

  • вектора с элементами переменной разрядности от 1 до 64, упакованныве в 64 разрядные блоки данных;

  • аппаратная поддержка операций умножения вектора на матрицу или матрицы на матрицу;

  • два устройства генерации адресов данных;

  • регистры:

  • восемь 32-разрядных регистров общего назначения,

  • восемь 32-разрядных адресных регистров,

  • три блока внутренней памяти по 32 * 64 разряда,

  • специальные регистры управления и состояния;

  • команды нейропроцессора 32-х и 64-х разрядные
    (одна команда задает две операции);

  • два 64-х разрядных программируемых интерфейса для работы с любым типом внешней памяти;

  • два скоростных байтовых коммуникационных порта ввода/вывода, аппаратно совместимых с TMS320C4x.



Применение


  • акселераторы для PC и рабочих станций;

  • эмуляция нейронных сетей,

  • цифровая обработка сигналов,

  • аппаратная поддержка
    векторно-матричных операций;

  • основной блок для построения
    больших суперскалярных вычислительных систем и реализация нейросетевых технологий.



Производительность

  • скалярные операции:

  • 50 MIPS,

  • 200 MOPS для 32-х разрядных данных;

  • векторные операции:

  • 1 200 000 000 умножений и сложений в секунду ( при перемножении матриц с 8 разрядными элементами);

  • внешний интерфейс:

  • пропускная способность каждого 64-х разрядного интерфейса с внешней памятью - до 400 Мбайт/сек,

  • темп обмена по каждому коммуникационному порту ввода/вывода - до 20 Мбайт/сек.



^

Структура нейропроцессора



Нейропроцессор предназначен для обработки 32-х разрядных скалярных данных и данных программируемой разрядности, упакованных в 64-х разрядные слова, которые в дальнейшем будут называться векторами упакованных данных.


В состав нейрочипа входят:

- VP - Векторный процессор - предназначен для реализации базовых операций в нейросетях над массивами данных, представленных в виде векторов с элементами, которые могут иметь переменную разрядность.

- SP - Скалярный процессор - предназначен для вычисления адресов команд, управления их выборкой, вычисления адресов операндов и весовых коэффициентов при работе нейрочипа с памятью, а также для поддержки скалярных операций над данными.

- MUX - два идентичных программируемых интерфейса с локальной и глобальной шинами - предназначены для работы с двумя внешними памятями (SRAM DRAM) по 64-разрядным шинам данных.

- DMA - прямой доступ к памяти - два коммуникационных порта с сопроцессорами прямого доступа в память - предназначены для поддержки доступа в память по двунаправленным байтовым линкам (Link1 Link2) через коммуникационные порты на фоне вычислений.

- Control unit - устройство управления и арбитраж использования внешней памяти.


Нейрочип использует следующие внутренние шины:

- Instruction bus - 32-разрядную шину команд;

- Instruction address bus - 32 разрядную шину адреса команд;

- Data bus1,2 - 64-разрядные шины данных обеспечивающие возможность одновременной работы с операндами и подкачку весовых коэффициентов в векторный процессор;

- DMA bus - 64-разрядную шину прямого доступа в память


- DMA address bus - 32-разрядную шину адреса прямого доступа в память.


Система команд. Нейрочип работает с командами фиксированной длины по 32 разряда, которые можно разделить на 4 группы: команды скалярного процессора по обработке операндов, команды векторного процессора, команды управления и команды пересылки.


Структурная схема нейропроцессора NM6403 представлена на рис. 3-1.


Основными узлами нейропроцессора являются:

  • RISC CORE - центральный процессорный узел, предназначенный для выполнения операций сдвига и арифметико-логических операций над 32-х разрядными скалярными данными, формирования 32-х разрядных адресов команд и данных при обращении к внешней памяти и выполнения всех основных функций по управлению работой нейропроцессора.

  • VCP - векторных процессор, предназначенный для выполнения арифметических и логических операций над 64-х разрядными длинными программируемой разрядности.

  • LMI и GMI - два одинаковых блока программируемого интерфейса с локальной и глобальной 64-х разрядными внешними шинами.

  • CPO и CP1 - два идентичных коммуникационных порта






CPO VCP CP1





G L

M M

I I





RISC

CORE


^

RISC - ядро



Блок схема RISC - ядра представлена на рис. 3-2.

В состав входят следующие устройства:

  • RALU -

  • DAG1 DAG2 -

  • PROGRAM SEQUENCER

  • ^ CONTROL UNIT


Для пересылки между блоками имеются шины:

  • шины первого и второго операндов AU1,

  • шина результата арифметико-логической операции или операции сдвига

  • шины первого и второго операндов AU2,

  • входная шина счетчика команд PC





Рис. 3-2. Структурная схема RISC ядра нейропроцессора


^

Источники, литература, контакты

Литература





  1. Галушкин А.И.



  2. Косяков Ю.Б.
    Мой мозг. Строение, принципы работы, моделирование.
    М.: СИНТЕГ, 2001, 164 с.

  3. Турчин В.Ф.
    Феноменология науки



  4. Хакен Герман
    Принципы работы головного мозга
    Синергетический подход к активности мозга, поведению и когнитивной деятельности

  5. Шумский С.
    Нейросетевые агенты в Интернете, Компьютерра, #4 (333), 8 февраля 2000, стр. 20-23








Контакты




Заключение





mailto:wmsazanow@mtu-net.ru




Похожие:

Основы нейрокомпьютерных технологий iconРаспоряжение Правительства РФ от 29 октября 2009 г. N 1578-р (с изменениями от 8 сентября 2010 г.)
Основы религиозных культур и светской этики, включающего основы православной культуры, основы исламской культуры, основы буддийской...
Основы нейрокомпьютерных технологий iconПрактические ссылки с инсталляцией по использованию икт для интенсивного дистанционного обучения Интенсивное дистанционное обучение основы и подробности Возможности сетевых технологий для диалогового и коллективного общения
Возможности сетевых технологий для диалогового и коллективного общения через чат и форум, с использованием голосовой и видеосвязи,...
Основы нейрокомпьютерных технологий iconЧто будут изучать ваши дети? Учебный курс «Основы религиозных культур и светской этики»
Учебный курс «Основы религиозных культур и светской этики» состоит из 6 модулей: основы православной культуры, основы исламской культуры,...
Основы нейрокомпьютерных технологий iconИспользование компьютерных информационных технологий в начальной школе. План выступления. Использование икт в учебном процессе. Иип «км-школа»
В письме Министерства образования России от 13. 08. 2002 г. №01- 51-088 ин предлагается «осуществить организацию образовательного...
Основы нейрокомпьютерных технологий iconТеоретические основы инженерной геологии
Теоретические основы инженерной геологии. Механико-математические основы/Под ред акад. Е. М. Сергеева.— М.: Недра, 1986. 254 с.,...
Основы нейрокомпьютерных технологий iconДокументы
1. /Info.txt
2. /Информационные технологии в...

Основы нейрокомпьютерных технологий iconКурсовая работа по «Основам информационных технологий» «Применение информационных технологий в изучении военного дела вкл в XVI веке»

Основы нейрокомпьютерных технологий iconОтчета: «Построение школы новых технологий»
«Организация эффективной образовательной среды с использованием информационно-коммуникационных технологий». Критериями эффективности...
Основы нейрокомпьютерных технологий iconОтчета: «Построение школы новых технологий»
«Организация эффективной образовательной среды с использованием информационно-коммуникационных технологий». Критериями эффективности...
Основы нейрокомпьютерных технологий iconОтчета: «Построение школы новых технологий»
«Организация эффективной образовательной среды с использованием информационно-коммуникационных технологий». Критериями эффективности...
Разместите кнопку на своём сайте:
Документы


База данных защищена авторским правом ©podelise.ru 2000-2014
При копировании материала обязательно указание активной ссылки открытой для индексации.
обратиться к администрации
Документы

Разработка сайта — Веб студия Адаманов