Rezumat teza Alin Tisan - Facultatea de Electronica ...
Rezumat teza Alin Tisan - Facultatea de Electronica ...
Rezumat teza Alin Tisan - Facultatea de Electronica ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Rezumat</strong> pag. 11<br />
Figura 7.8. Reprezentarea biţilor <strong>de</strong> enable scriere memorie pon<strong>de</strong>re<br />
.<br />
7.2.8 Implementarea hardware ale reţelelor neuronale cu autoorganizare şi învăţare on-chip<br />
Implementarea hardware a topologiei reţelei neuronale cu autoorganizare şi învăţare on-chip a constat în: 7<br />
neuroni în stratul <strong>de</strong> intrare şi 25 neuroni în stratul <strong>de</strong> ieşire.<br />
Din analiza datelor am concluzionat că pentru fiecare neuron din stratul <strong>de</strong> ieşire sunt necesare câte 32<br />
LUT-uri, 2 blocuri DSP <strong>de</strong>dicate XtremeDSP şi câte un bloc RAMB <strong>de</strong>dicat pentru implementarea blocului<br />
neuronal şi un număr constant (indiferent <strong>de</strong> numărul <strong>de</strong> neuroni din reţeaua neuronală) <strong>de</strong> 12 multiplicatoare<br />
<strong>de</strong> <strong>de</strong>dicate şi 925 LUT-uri.<br />
Neuronii <strong>de</strong> pe stratul <strong>de</strong> intrare nu contribuie semnificativ la utilizarea resurselor circuitului FPGA.<br />
Luând în consi<strong>de</strong>rare aceste rezultate se poate face o estimare apriorică a consumului <strong>de</strong> resurse exprimat<br />
în blocuri RAM, DSP48 şi LUT-uri pentru o anumită arhitectură a reţelei adoptate:<br />
Nr blocuri RAM = No<br />
Nr blocuri DSP = 2No + 12bloc<br />
calc<br />
(ec.7.9)<br />
Nr LUT − uri = 32 N + 925<br />
o bloccalc<br />
un<strong>de</strong>: No este numărul <strong>de</strong> neuroni <strong>de</strong> pe stratul <strong>de</strong> ieşire iar bloc calc sunt blocurile implicate în calcul<br />
pon<strong>de</strong>rilor neuronilor din stratul <strong>de</strong> ieşire<br />
În acest mod se poate previziona că numărul maxim <strong>de</strong> neuroni ce pot fi implementaţi şi care să utilizeze<br />
strict blocurile Block RAM şi XtremeDSP sunt <strong>de</strong> 95 neuroni în stratul <strong>de</strong> ieşire ce vor utiliza un număr <strong>de</strong><br />
3965 LUT-uri din cele 30720 disponibile. În cazul în care neuronii folosesc multiplicatoarele distribuite si<br />
blocurile Block RAM se mai pot implementa încă 42 <strong>de</strong> neuroni ce ar utiliza ţinând cont <strong>de</strong> consumul <strong>de</strong><br />
resurse la implementarea blocurilor XtremeDSP restul <strong>de</strong> 26755 <strong>de</strong> LUT-uri. Numărul total <strong>de</strong> neuroni<br />
implementabili în circuitul 4VSX35 este <strong>de</strong> aproximativ 135.<br />
7.3 Realizarea bibliotecii <strong>de</strong> componente<br />
Biblioteca <strong>de</strong> componente necesare proiectării reţelelor neuronale cu autoorganizare cu antrenare onchip,<br />
a presupus realizarea unor module <strong>de</strong> calcul specifice, ce au capabilitatea <strong>de</strong> a fi reconfigurate şi<br />
gruparea acestora intr-o bibliotecă <strong>de</strong>numită SOM.<br />
Blocurile proiectate sunt grupate în blocuri <strong>de</strong> control, blocuri neuronale, blocul <strong>de</strong> selectare vecinătate,<br />
blocul <strong>de</strong> selectare neuron câştigător şi blocul <strong>de</strong> setare stare a semnalului <strong>de</strong> activare a memoriei <strong>de</strong> pon<strong>de</strong>ri<br />
şi blocul <strong>de</strong> calcul al funcţiei <strong>de</strong> scalare a pon<strong>de</strong>rilor. Crearea bibliotecii am realizat-o cu ajutorul Toolboxului<br />
Xilinx System Generator din cadrul Simulink al mediului <strong>de</strong> calcul MATLAB.<br />
7.4 Concluzii şi contribuţii<br />
In acest capitol am prezentat implementarea reţelelor neuronale cu autoorganizare şi antrenare on-chip şi<br />
am propus o metodă <strong>de</strong> proiectare a unei reţele neuronale SOM cu ajutorul componentelor pre<strong>de</strong>finite<br />
realizate <strong>de</strong> autor.<br />
Blocurile <strong>de</strong> proiectare a reţelei SOM propuse sunt:<br />
Blocul neuronal. În cadrul acestui bloc am propus două arhitecturi ale unităţii neuronale <strong>de</strong> calcul<br />
“neuron_distribuit” şi “neuron_XtremeDSP” pentru a da posibilitatea creării unor straturi neuronale cu un<br />
număr mai mare <strong>de</strong>cât numărul <strong>de</strong> blocuri <strong>de</strong>dicate XtremeDSP (blocurile ce conţin multiplicatoarele<br />
<strong>de</strong>dicate). Pentru compararea celor doua arhitecturi am realizat o sinteză a frecvenţelor maxime <strong>de</strong> utilizare şi<br />
a consumului <strong>de</strong> resurse necesar implementării neuronului prin intermediul blocurilor XtremeDSP, a<br />
multiplicatoarelor <strong>de</strong>dicate şi a acumulatoarelor.<br />
Blocul <strong>de</strong> control. Blocul <strong>de</strong> control este <strong>de</strong>scris în VHDL şi implementat prin intermediul unui bloc<br />
Black box. Rolul acestui bloc este acela <strong>de</strong> a seta semnalele <strong>de</strong> control ale elementelor <strong>de</strong> calcul din stratul<br />
neuronal şi din blocul <strong>de</strong> selectare a neuronului câştigător