شبیه سازی یک شبکه عصبی MLP با قابلیت پیکربندی مجدد در زمان اجرا و یادگیری شبکه بصورت online با زبان VHDL

امروزه پیاده سازی های سخت افزای شبکه های عصبی مساله ای مهم در دنیا بوده و پژوهشهای زیادی درباره ی آن صورت گرفته است هدف این مقاله طراحی و شبیه سازی یک شبکه عصبی پرسپترون چندلایه به صورت همه منظوره و پارامترپذیر با استفاده از زبان توصیف سخت افزار VHDL است. پارامترهای این شبکه مانند تعداد لایه ها و نرونهای هرلایه توسط کاربر تعیین می شوند همچنین فاز آموزش شبکه ی یاد شده بصورت برخط اجرا خواهد شد. در شبکه های مذکور اعداد مورد استفاده در محاسبات به صورت ممیز شناور بیان شده اند و جهت انجام محاسبات مورد نیاز در شبکه الگوریتم های ممیز شناور طراحی شده است. برخلاف سایر پژوهشهای مشابه دراین پژوهش سعی شده است محدودیتی بر وزنها و ورودی های شبکه ی پرسپترون چند لایه ی مورد نظر اعمال نشود. شبیه سازی شبکه ی فوق برای شبکه های پرسپترون دولایه تا چهارلایه انجام شده و آزمایش شبکه برای یک کاربرد معمول در شناسایی الگوها که تفکیک الگوهای عددی 0 تا 9 است صورت گرفته است.

کلیدواژه ها:

شبکه های عصبی ، دقت وزن ها و اعداد ، VHDL ، تابع تحریک ، FPGA ، الگوریتم یادگیری انتشار به عقب