Укр
Eng
Журнал
Автору

АВТОМАТИЗОВАНЕ ПРОЄКТУВАННЯ ШТУЧНОГО НЕЙРОНА ДЛЯ ПРОГРАМОВАНИХ ЛОГІЧНИХ ІНТЕГРАЛЬНИХ СХЕМ НА ОСНОВІ АЛГЕБРО-АЛГОРИТМІЧНОГО ПІДХОДУ

Volume 67, Issue 5, 2022, pages 61-72

DOI: http://doi.org/10.34229/2786-6505-2022-5-6

Завантажити статтю

Дорошенко Анатолій Юхимович, Інститут програмних систем НАН України, м. Київ, doroshenkoanatoliy2@gmail.com

Шимкович Володимир Миколайович, Національний технічний університет України «Київський політехнічний інститутімені Ігоря Сікорського», shymkovych.volodymyr@gmail.com

Мамедов Турал Алірзайович, Інститут програмних систем НАН України, м. Київ, tural.mamedov1@gmail.com

Яценко Олена Анатоліївна, Інститут програмних систем НАН України, м. Київ, oayat@ukr.net

ABSTRACT

Нейромережеві системи керування є високотехнологічним напрямком теорії керування та відносяться до класу нелінійних динамічних систем. Висока швидкодія за рахунок розпаралелювання вхідної інформації в поєднанні зі здатністюдо навчання нейронних мереж робить цю технологію вельми привабливою длястворення пристроїв керування в автоматичних системах. Забезпечення швидкодії мереж у реальному часі здійснюється шляхом їх реалізації на програмованих логічних інтегральних схемах (ПЛІС). Одним із прикладів апаратної реалізації нейронних мереж є проєктування штучного нейрона та його нелінійнихфункцій активації. Технологія розробки додатків для ПЛІС ґрунтується на поданні алгоритму мовою опису апаратури, наприклад VHDL, і автоматичномуперекладі цього опису в специфікацію на рівні логічних таблиць та інших функціональних компонентів інтегральних схем. Програмування мовою VHDL досить складне, тому постає питання про розробку спеціальних засобів автоматизації, які дозволили б ефективно генерувати високопродуктивний програмнийкод. У статті запропоновано засоби автоматизованого проєктування та генераціїпрограм для ПЛІС, що ґрунтуються на алгебрі алгоритмів. Створені засобизастосовано для проєктування штучного нейрона. Розроблено метод конструювання штучного нейрона з сигмоїдальною функцією активації на ПЛІС,який відрізняється від аналогічних підходів тим, що коефіцієнти кусковолінійної апроксимації функції активації зберігаються в пам’яті лише для62 ISSN 2786-6491додатних або лише для від’ємних значень аргументів. Це дозволило оптимізувати кількість використовуваних обчислювальних ресурсів і підвищити продуктивність нейронної мережі. Даний підхід застосовано для розробки системиз нейромережевим контролером для балансування кульки на платформі, реалізованим на ПЛІС.

Ключові слова: автоматизоване проєктування, алгебра алгоритмів, апроксимаційні обчислення, генерація програм, нейронна мережа, програмованілогічні інтегральні схеми, система керування.

REFERENCES

  1. Barron A.R. Universal approximation bounds for superposition of a sigmoidal function. IEEETransactions on Information Theory. 1993. Vol. 39, N 3. P. 930–945. http://doi.org/https://doi.org/10.1109/18.256500.
  2. Jhang J.-Y., Tang K.-H., Huang C.-K., Lin C.-J., Young K.-Y. FPGA implementation of a functional neuro-fuzzy network for nonlinear system control. Electronics. 2018. Vol. 7, N 145. P. 1–22.http://doi.org/10.3390/electronics7080145.
  3. Costarelli D., Spigler R. Approximation results for neural network operators activated by sigmoidal functions. Neural Networks. 2013. Vol. 44. P. 101–106. http://doi.org/10.1016/j.neunet.2013.03.015.
  4. Godse A.P., Godse D.A. VHDL programming: concepts, modeling styles and programming. Seattle: Amazon Digital Services LLC, 2020. 206 p.
  5. Doroshenko A., Yatsenko O. Formal and adaptive methods for automation of parallel programsconstruction: emerging research and opportunities. Hershey : IGI Global, 2021. 279 p. http://doi.org/10.4018/978-1-5225-9384-3.
  6. Pohl C., Paiz C., Porrmann M. vMAGIC — automatic code generation for VHDL. InternationalJournal of Reconfigurable Computing. 2009. Vol. 2009, Article ID 205149. P. 1–9. http://doi.org/10.1155/2009/205149.
  7. Martín P., Bueno E., Rodríguez Fco. J., Machado O., Vuksanovic B. An FPGA-based approach tothe automatic generation of VHDL code for industrial control systems applications: a case studyof MSOGIs implementation. Mathematics and Computers in Simulation. 2013. Vol. 91. P. 178–192.http://doi.org/10.1016/j.matcom.2012.07.004.
  8. de Bulnes D.R.F., Maldonado Y. VHDL code generation as state machine from a data flow graph.Proc. 2016 IEEE International Autumn Meeting on Power, Electronics and Computing(ROPEC 2016) (09–11 November 2016, Ixtapa, Mexico). New York : IEEE, 2016. P. 1–6. http://doi.org/10.1109/ROPEC.2016.7830518.
  9. Benáček P., Puš V., Kubátová H., Čejka T. P4-To-VHDL: automatic generation of high-speed input and output network blocks. Microprocessors and Microsystems. 2018. Vol. 56. P. 22–33.http://doi.org/10.1016/j.micpro.2017.10.012.
  10. Goel K., Arun U., Sinha A. K. An efficient hardwired realization of embedded neural controlleron System-On-Programmable-Chip (SOPC). International Journal of Engineering Research &Technology. 2014. Vol. 3, N 1. P. 276–284.
  11. Singh S., Sanjeevi S., Suma V., Talashi A. FPGA implementation of a trained neural network.IOSR Journal of Electronics and Communication Engineering. 2015. Vol. 10, N 3. P. 45–54.
  12. Mohammadi A., Ryu J.-C. Neural network-based PID compensation for nonlinear systems: ballon-plate example. International Journal of Dynamics and Control. 2020. Vol. 8. P. 178–188.http://doi.org/10.1007/s40435-018-0480-5.
  13. Shaheer M., Hashmi H., Khan S., Atif M., Shabbir Z., Ali A., Kamal K., Zafar T., Awan A. Control of a ball-bot using a PSO trained neural network. Proc. 2nd International Conference onControl, Automation and Robotics (ICCAR 2016) (28–30 April 2016, Hong Kong, China). NewYork : IEEE, 2016. P. 24–28. http://doi.org/10.1109/ICCAR.2016.7486692.
  14. Han K., Tian Y., Kong Y., Li J.,. Zhang Y. Tracking control of ball and plate system using an improved PSO on-line training PID neural network. Proc. 2012 IEEE International Conference onMechatronics and Automation (5–8 August 2012, Chengdu, China). New York : IEEE, 2012.P. 2297–2302.
  15. Doroshenko A., Shymkovych V., Yatsenko O., Mamedov T. Automated software design forFPGAs on an example of developing a genetic algorithm. Proc. 17th International Conference«ICT in Education, Research and Industrial Applications. Integration, Harmonization andKnowledge Transfer» (ICTERI 2021) (28 September – 2 October 2021, Kherson, Ukraine). 2021.P. 74–85.
  16. Camponogara E., Nazari L.F. Models and algorithms for optimal piecewise-linear function approximation. Mathematical Problems in Engineering. 2015. Vol. 2015, Article ID 876862.P. 1–9. http://doi.org/10.1155/2015/876862.
  17. Shymkovych V., Samotyy V., Telenyk S., Kravets P., Posvistak T. A real time control system forbalancing a ball on a platform with FPGA parallel implementation. Technical Transactions. 2018.Vol. 5. P. 109–117. http://doi.org/10.4467/2353737XCT.18.077.8559.