دانلود ترجمه مقاله اجرای شبکه عصبی هوپفیلد VLSIدر FPGA جهت حل مشکلات محدودیت رضایت – ژورنال Academic Journals
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
پیاده سازی شبکه عصبی هوپفیلد مجتمع سازی گسترده ی دیجیتال، در آرایه های گیت قابل برنامه ریزی میدان برای حل مسایل محدودیت رضایت |
عنوان انگلیسی مقاله: |
Digital very-large-scale integration (VLSI) Hopfield neural network implementation on field programmable gate arrays (FPGA) for solving constraint satisfaction problems |
|
مشخصات مقاله انگلیسی و ترجمه فارسی | |
سال انتشار | ۲۰۱۲ |
تعداد صفحات مقاله انگلیسی | ۱۱ صفحه با فرمت pdf |
تعداد صفحات ترجمه مقاله | ۳۰ صفحه با فرمت word به صورت تایپ شده با قابلیت ویرایش |
رشته های مرتبط با این مقاله | مهندسی برق |
گرایش های مرتبط با این مفاله | انتقال و توزیع، الکترونیک و برق قدرت |
مجله | ژورنال مهندسی و تحقیقات فناوری (Journal of Engineering and Technology Research) |
دانشگاه | موسسه تکنولوژی و علوم Vaagdevi، هند |
کلمات کلیدی | شبکه عصبی هوپفیلد، آرایه های گیت قابل برنامه ریزی میدان، مساله ی N-queen |
رفرنس | دارد |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت Academic Journals |
نشریه Academic Journals |
بخشی از ترجمه:
چکیده ترجمه:
این مقاله در مورد پیاده سازی شبکه های عصبی Hopfield برای حل مسایل مربوط به محدودیت رضایت با استفاده از آرایه های گیت قابل برنامه ریزی میدان FPGA بحث می کند. این مقاله در مورد روش های فرمول بندی این مسایل همانند شبکه های عصبی گسسته بحث می کند، و سپس مساله ی N-queen را با استفاده از فرمولبندی بدست آمده تشریح می کند. سرانجام، نتایج ارایه شده زمان های محاسبه ی یک کامپیوتر معمولی برای شبیه سازی اجرای شبکه Hopfield بر روی یک فضای کاری باکیفیت، مقایسه می کنند. در این روش، رشد پیشرفت قابل مشاهده می باشد که نشان می دهد حداکثر رشد ٢ تا ٣ برابر دامنه _با استفاده از ابزارهای FPGA ممکن می باشد.
مقدمه
بسیاری از مسایل بهینه سازی تجارت و صنعت در عمل را می توان با استفاده از متغیرهای تصمیم گیری دودویی (باینری)، به عنوان مسایل برنامه نویسی استاندارد ریاضی فرمول بندی کرد. حل این مسایل _به دلیل طبیعت عصب سخت پیچیدگی آنها (NP-hard) نیاز به بکاربری از فن آوری های هوشمند و الگوریتم های تقریبی دارند؛ در سال ١٩٨۵ شبکه های عصبی برای حل این مشکل ارایه شدند، اما باز هم مسایلی همچون کیفیت ضعیف راه حل ها و عدم تضمین راه حل نهایی عملی مشکل ساز بودند. این مسایل اولیه امروزه برطرف شده اند. روش هایی برای کمک به شبکه عصبی Hopfield تا حداقل عملکرد انرژی ناحیه ای را تامین کند، ارایه شده اند و ساختار مناسب این عملکرد انرژی عملی بودن راه حل را تضمین می کند. با استفاده از این پیشرفت ها، نتایج شبکه ی عصبی بدست آمده اند که بطور موثری (و حتی بهتر) با دیگر فن آوری های هوشمند معروف مانند بازپخت شبیه سازی شده، رقابت می کنند.
بخشی از مقاله انگلیسی:
Abstract
This paper discusses the implementation of Hopfield neural networks for solving constraint satisfaction problems using field programmable gate arrays (FPGAs). It discusses techniques for formulating such problems as discrete neural networks, and then it describes the N-Queen problem using this formulation. Finally results will be presented which compare the computation times for the custom computer against the simulation of the Hopfield network run on a high end workstation. In this way, the speed-up can be determined, that illustrate a speedup of up to 2 to 3 orders of magnitude is possible using current FPGAs devices. Key words: Hopfield neural network, field programmable gate arrays (FPGA), N-Queen problem.
INTRODUCTION
Many practical optimization problems from business and industry can be formulated as standard mathematical programming problems using binary decision variables. Solution of these problems requires the use of heuristics or approximate algorithms due to the NP {(Neuro Psychology)-hard nature of their complexity; Fred and Gary, 1989}. Neural networks were proposed to solve such problems in 1985 (David, 1998), but the field has been plagued with problems of poor solution quality and inability to guarantee feasible final solutions (Hopfield and Tank, 1985). These initial problems have now been overcome. Techniques have been proposed to help the Hopfield neural network escape from local minima of its energy function and suitable construction of that energy function has been shown to guarantee the feasibility of solutions (Silvio, 1992). Using these improvements, neural network results have been obtained which compete effectively (and even outperform) other popular heuristics such as simulated annealing.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
پیاده سازی شبکه عصبی هوپفیلد مجتمع سازی گسترده ی دیجیتال، در آرایه های گیت قابل برنامه ریزی میدان برای حل مسایل محدودیت رضایت |
عنوان انگلیسی مقاله: |
Digital very-large-scale integration (VLSI) Hopfield neural network implementation on field programmable gate arrays (FPGA) for solving constraint satisfaction problems |
|