Implementación de redes neuronales sobre lógica reconfigurable
Fuente:
Universidad Tecnológica de la Mixteca
El presente trabajo de tesis versa sobre el diseño e implementación de un sistema enfocado al modelado e implementación de una Red Neuronal Artificial (RNA) tipo perceptrón multicapa (MLP, Multi-layer Perceptron) sobre un FPGA (Field Programmable Gate Array). Además, el sistema permite monitorear el...
Saved in:
| Main Author: | |
|---|---|
| Format: | Tesis de Maestría |
| Language: | Spanish |
| Published: |
Universidad Tecnológica de la Mixteca
2015
|
| Subjects: | |
| Online Access: | |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | El presente trabajo de tesis versa sobre el diseño e implementación de un sistema enfocado al modelado e implementación de una Red Neuronal Artificial (RNA) tipo perceptrón multicapa (MLP, Multi-layer Perceptron) sobre un FPGA (Field Programmable Gate Array). Además, el sistema permite monitorear el desempeño de la red cuando se adapta a una aplicación específica. El sistema, denominado un Sistema para el modelado de RNA-MLP sobre lógica reconfigurable, tiene como elemento central de procesamiento a un FPGA Spartan-3E 500 manufacturado por la compañía Xilinx. El sistema cuenta con una interfaz gráfica de usuario, la cual implementa el algoritmo de entrenamiento “backpropagation” y envía los pesos sinápticos, resultantes de este procedimiento, a la RNA modelada en el FPGA para su adaptación a una aplicación específica. Además, esta interfaz permite al usuario enviar patrones de prueba a dicha red. El complemento de este sistema es un conjunto de módulos que describen los diferentes elementos, mediante el lenguaje VHDL (Very High Speed Hardware Description Language), que componen a un sistema neuronal, y que pueden ser instanciados para crear la estructura de una RNA. Se realizó el modelado del cálculo del producto punto utilizando una arquitectura convencional y una arquitectura basada en Aritmética Distribuida. Respecto al cálculo de la función de activación, ésta fue modelada usando las técnicas Ley A (Efficient implementation of piecewise linear activation function for digital VLSI neuronal networks), Alippi (Simple Approximation of Sigmoidal Functions: Realistic Design of Digital Neural Networks Capable of Learning), PLAN (Piecewise linear approximation applied to nonlinear function of a neural network) y CRI (Centred Recursive Interpolation). Finalmente, se muestra el desempeño del sistema al modelar RNA para resolver los problemas de la XOR y de la planta Iris, exponiendo un análisis de resultados tomando en cuenta los parámetros de: Porcentaje de reconocimiento, Tiempos de operación, Recursos consumidos. |
|---|