دانلود ترجمه مقاله پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی (ساینس دایرکت – الزویر ۲۰۱۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۸ صفحه در سال ۲۰۱۸ منتشر شده و ترجمه آن ۱۷ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی مجدد شبکه های عصبی |
عنوان انگلیسی مقاله: |
Reconfigurable FPGA implementation of neural networks |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۸ |
تعداد صفحات مقاله انگلیسی | ۱۸ صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع نگارش | مقاله کوتاه (Short Communication) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | هوش مصنوعی |
چاپ شده در مجله (ژورنال) | محاسبات عصبی – Neurocomputing |
کلمات کلیدی | FPGA، شبکه های عصبی |
کلمات کلیدی انگلیسی | FPGA – Neural networks |
ارائه شده از دانشگاه | دانشگاه صنعتی Rzeszów، لهستان |
نمایه (index) | Scopus – Master journals – JCR |
نویسندگان | Zbigniew Hajduk |
شناسه شاپا یا ISSN | ISSN ۰۹۲۵-۲۳۱۲ |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.neucom.2018.04.077 |
ایمپکت فاکتور(IF) مجله | ۵٫۱۸۸ در سال ۲۰۱۸ |
شاخص H_index مجله | ۱۱۰ در سال ۲۰۱۹ |
شاخص SJR مجله | ۰٫۹۹۶ در سال ۲۰۱۸ |
شاخص Q یا Quartile (چارک) | Q1 در سال ۲۰۱۸ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۰۱۷۴ |
لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
نشریه الزویر |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
وضعیت ترجمه | انجام شده و آماده دانلود در فایل ورد و PDF |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۱۷ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه نشده است ☓ |
ترجمه متون داخل جداول | ترجمه نشده است ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده ۱- مقدمه ۲- پیاده سازی صرفه جویی منابع ۳- پیاده سازی موازی ۴- نیاز به منابع، سرعت محاسبات و دقت ۵- نتیجه گیری ها منابع |
بخشی از ترجمه |
چکیده این مقاله کوتاه دو پیاده سازی شبکه های عصبی مصنوعی پیشخور در FPGAها را ارائه می دهد. پیاده سازی در نیاز منابع و سرعت محاسبات FPGA متفاوت است. هر دو پیاده سازی با اعمال محاسبات نقطه شناور، توابع فعال سازی با دقت بسیار بالا را اعمال کرده و باعث تغییر آسان ساختار شبکه عصبی بدون نیاز به اجرای دوباره کل پروژه FPGA می شوند.
۵- نتیجه گیری ها این نشان داده شده است که پیاده سازی FPGA ANNها ممکن است بیانگر انعطاف پذیری و همچنین سرعت و دقت منطقی محاسباتی بالا در مقایسه با اجرای نرم افزار ANNها باشد. با توجه به کاربرد محاسبات نقطه شناور و دقت بسیار بالای محاسبه تابع فعال سازی، ANN می تواند به صورت آفلاین، به عنوان مثال با استفاده از نرم افزار Matlab یا استفاده از سیستم های پردازش با پردازنده های ARM در پلت فرم هایی مانند Xilinx Zynq آموزش دیده و سپس وزن های محاسبه شده می توانند به طور مستقیم توسط پیاده سازی های توسعه یافته مورد استفاده قرار بگیرند. امکان تغییر در ساختار ANN با یک تغییر ساده در محتوای حافظه RAM باعث می شود که راه حل توسعه یافته انعطاف پذیرتر شود. هر یک از روش های موجود و یا ماژول مخابراتی که قبلا برای سیستم P1-TS [14] توسعه یافته است می تواند برای جایگزینی محتویات حافظه RAM بلوک جاسازی شده FPGA مورد استفاده قرار بگیرد. پیاده سازی های توسعه یافته همچنین می توانند بعنوان بلوک های تابع سخت افزار برای کنترل کننده قابل برنامه ریزی چند پردازنده ای که قبلا توسعه یافته است[۱۵] و نیز سرعت بخشیدن به محاسبات ANN ها مورد استفاده قرار بگیرد. |
بخشی از مقاله انگلیسی |
Abstract This brief paper presents two implementations of feed-forward artificial neural networks in FPGAs. The implementations differ in the FPGA resources requirement and calculations speed. Both implementations exercise floating point arithmetic, apply very high accuracy activation function realization, and enable easy alteration of the neural network’s structure without the need of a re-implementation of the entire FPGA project.
۵- Conclusions It has been shown that the FPGA implementations of ANNs may characterize high flexibility as well as high calculations speed and reasonable accuracy in comparison with software realization of ANNs. On account of the application of floating point arithmetic and very high accuracy of the activation function calculation, the ANN can be trained off-line, e.g. by the Matlab software or using processing systems with the ARM processors in such platforms as the Xilinx Zynq, and then the calculated weights can be directly used by the developed implementations. The feasibility of the alteration of the ANN’s structure by a simple change of the RAM memory content makes the developed solution more flexible. Any existing methods or the previously developed communication module for the P1-TS system [14] can be exploited for the replacement of the FPGA-embedded block RAM memory content. The developed implementations can also be applied as hardware function blocks for the previously developed multiprocessor programmable controller [15], accelerating the calculations of ANNs. |
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
پیاده سازی آرایه دریچه ای برنامه پذیر منطقی قابل پیکربندی مجدد شبکه های عصبی |
عنوان انگلیسی مقاله: |
Reconfigurable FPGA implementation of neural networks |
|