21079

۲۱۰۷۹

شبيه سازي و طراحي شبكه عصبي بر پايه ممريستور

كارشناسي ارشد

ميكرو و افزاره هاي نانو الكترونيك

۱۳۹۵

۱۳۹۷/۱۱/۱۷

دكتر جمشيد فريبرز

برق

امروزه شبكه¬هاي¬ عصبي به دليل دارا بودن ويژگي¬هاي زياد از جمله عدم وابستگي به مدل رياضياتي، قابليت يادگيري، توانمندي در تقريب توابع غيرخطي و غيره بسيار مورد توجه محققان قرارگرفته¬اند. اين شبكه¬ها در كاربردهاي مختلفي مانند تـشخيص الگـو، تخمين و تقريـب توابـع، مـدل¬سـازي سيـستم-هـاي ديناميكي خطي و غيرخطي،كنترل سيستم¬هاي غيرخطي و غيره به¬كار برده شده¬اند. به طور معمول، پياده¬سازي يك شبكه عصبي مصنوعي در كامپيوترها و به صورت نرم¬افزاري انجام مي¬شود. روش ديگر، پياده¬سازي به صورت سخت¬افزاري و بر روي يك تراشه مي¬باشد. يكي از چالش¬هاي اساسي در پياده¬سازي سخت افزاري اين است كه پس از انتخاب ساختار شبكه عصبي و آموزش آن، وزن¬هاي شبكه عصبي همواره ثابت بوده و براي تنظيم مجدد آن¬ها بايد تراشه مجدداً كامپايل شود. طراحي شبكه¬ عصبي با استفاده از سيستم¬هاي ممرستيو يا ممريستور مي¬تواند راه كاري براي رفع مشكل مذكور باشد. رفتار غيرخطي و متغير با زمان مقاومت در اين سيستم¬ها مي¬تواند منجر به ايجاد يك شبكه عصبي شود كه با توجه به شرايط عملكردي مختلف تطبيق¬پذير بوده و وزن¬هاي آن بروز مي¬شوند. در اين پايان¬نامه، طرحي نو براي پياده¬سازي سخت افزاري شبكه عصبي مبتني بر عنصر نو ظهور ممريستور ارائه شده است. در طرح پيشنهادي براي پياده¬سازي سوئيچ و سيناپس از ممريستور استفاده شده است كه علاوه بر غيرفعال بودن، سـطح مصـرفي بسـيار كمي را نيز اشـغال مي¬كند. آموزش شبكه عصبي با روش سخت افزار در حلقه انجام شده است. براي اين منظور دو نرم افزار HSPISE و MATLAB با هم متصل شده و شبكه عصبي آموزش داده شده است. پس از طراحي و تعيين روش آموزش، عملكرد شبكه عصبي پيشنهادي براي خوشه¬بندي الگوي سيستم آونگ در شرايط مختلف ارزيابي شده است. نتايج شبيه سازي نشان مي-دهد كه طرح پيشنهادي به خوبي توانسته است عملكردي قابل قبول براي تشخيص الگوي رفتاري سيستم مورد مطالعه داشته باشد.

1398/07/03

Design and simulation of Memristor-Base artificial neural networks

2/6/2020 12:00:00 AM

Nowadays, neural network due to its considerable characteristics such as learning ability, capability to approximate nonlinear function and independency to mathematical model attracts researchers attention in variety fields of science. These network are employed for different applications such as pattern recognition, system identification, control system and etc. Neural networks is usually implemented via software in computer. However, hardware implementation of them has been the considerable challenge in recent years. In hardware implementation, the weights of neural network is always constant and their regulation needs chip compiling. The design of a neural network using a system of memories or memristors can be a solution to this problem. Nonlinear and time invariant behavior of resistance in these systems can lead to the creation of a neural network that can be adapted to different operating conditions. In this thesis, a novel scheme for hardware implementing of the neural network based on the emergence of the memristor element is presented. In the proposed method, Memristor is used to implemented switch and synapse performance, which, in addition to being inactive, also occupies a very low level of consumption. Furthermore, hardware in loop structure is considered to train the neural network. In order to realize training process, two soft wares called HSPISE and MATLAB are connected. The proposed scheme is simulated to cluster the pendulum system pattern and the simulation results confirm the effectiveness of this method.