Professional Documents
Culture Documents
DISEO VLSI
INFORME DE TRABAJO DE INVESTIGACION
Autoras y autores:
Nombre completo: Claudia Maricela Anaguano Lamia.
Firma:
Fecha:
INFORME
Objetivos
Mx.
15
40
15
5
5
10
10
100
1,5
DEFENSA
Mx.
Mx.
1,5
2,5
4
Nota:
Para ser aceptado el informe debe estar debidamente firmado por cada uno de los
integrantes. La presente matriz de evaluacin debe ser llenada con esferogrfico azul.
Observaciones:
Contenido
1.
2.
OBJETIVOS............................................................................................... 5
2.1
GENERAL...................................................................................................................5
2.2
ESPECIFICOS.............................................................................................................5
MARCO TERICO..................................................................................... 5
3.
3.1
Redes Neuronales........................................................................................................5
3.1.1
3.1.2
3.1.3
3.1.4
3.1.5
3.1.6
3.1.7
3.1.8
Neuronas artificiales........................................................................10
3.1.9
3.1.10
3.2
DIAGRAMAS........................................................................................... 16
4.
4.1
Diagramas de bloques..............................................................................................16
4.2
4.3
Diagramas elctricos.................................................................................................17
4.4
Diagramas esquemticos..........................................................................................18
5.
LISTA DE COMPONENTES.......................................................................18
6.
MAPA DE VARIABLES.............................................................................. 18
7.
8.
9.
CONCLUSIONES..................................................................................... 20
10.
RECOMENDACIONES..........................................................................20
11.
CRONOGRAMA.................................................................................... 20
12.
BIBLIOGRAFIA.................................................................................... 21
13.
ANEXOS.............................................................................................. 21
13.1
MANUAL DE USUARIO.........................................................................................21
MANUAL DE USUARIO.................................................................................. 21
REDES NEURONALES
1. PLANTEAMIENTO DEL PROBLEMA
Las redes neuronales artificiales constituyen modelos de comportamiento inteligente
que pueden ser construidos como sistemas artificiales basados en el sistema nervioso de
seres vivos pues presenta caractersticas similares a las del cerebro. Por ejernplo, son
capaces
de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos.
Las aplicaciones de sistemas basados en redes neuronales han permitido disear redes
con propsitos especficos como el reconocimiento de patrones buscando solucin a
sistemas complejos, es as que el presente trabajo esta enfocado a conocer el
funcionamiento de una red neuronal, sus pricipanles caractersticas estructura, las
categoras que maneja y presentar un ejemplo implemetado mediente un el lenguaje
descriptor VHDL a travs ISE Xilinx.
2. OBJETIVOS
2.1
GENERAL.
2.2
3. MARCO TERICO
3.1
Redes Neuronales
Las redes neuronales son modelos de cmputo paralelo que se conocen en ingeniera
con el nombre de redes neuronales artificiales, estas son modelos de comportamiento
inteligente que pueden ser construidos como sistemas artificiales inspirados en el
sistema nervioso de seres vivos.
Las aplicaciones de sistemas basados en redes neuronales han permitido disear redes
con propsitos especficos como el reconocimiento de patrones. Este esquema es
novedoso en el rea de la computacin y es muy interesante dado que una computadora
digital, aun la ms sencilla, supera la velocidad y precisin del cerebro en la relacin de
operaciones numricas; aunque las operaciones como reconocimiento de patrones,
memoria asociativa y en general todas las relaciones con el comportamiento inteligente
parecen imposibles de alcanzar mediante las concepciones computacionales
tradicionales de la computacin incluyendo el campo de la inteligencia artificial.
Las aplicaciones de redes neuronales y de la computacin son abundantes, entre las que
se destacan:
Aplicacione
s RNA
3.1.3
Extraccin de caractersticas.
Inspeccin Industrial.
Pronstico de negocios.
Clasificacin de crditos.
Seleccin de seguridad.
Diagnstico mdico.
Procesamiento de voz.
Control de robots.
Las redes neuronales son importantes de estudiar por las siguientes razones:
3.1.6
Capa
Simple:
Una capa
de
entrada y
una de
salida de
las
unidades
de
MultiCapa
procesam
procesam
:Una
ientode
capa
entrada,
una de
salida, y
una o
m s
ms
capas
ocultas
de las
unidades
de
procesam
procesam
iento.
Red
Recurrent
e:
Cualquier
red con al
menos
una
conexin
de
retroalim
retroalim
entacin
3.1.7
Las neuronas biolgicas codifican sus activaciones y salidas como una serie
de breves pulsos elctricos.
El cuerpo de la neurona procesa las activaciones de entrada y las convierte
en activaciones de salida.
Las neuronas biolgicas se componen de: Sinapsis, dendritas, axones y
cuerpos
Las dendritas son fibras que emanan del cuerpo de la clula y proveen la
zona receptiva que recibe la activacin de los axones de otras neuronas.
Los axones son fibras actuando como lneas de transmisin que envan
activaciones a otras neuronas.
3.1.8
La unin permite que la seal de transmisin entre los axones y las dendritas
son llamadas sinapsis.
Una neurona no hace nada a menos que la influencia colectiva de todas sus
entradas alcance un nivel de umbral, ah produce una salida que consiste en
un pulso estrecho que se desplaza del cuerpo de la clula, por el axn, hasta
las ramas de este, en este caso se dice que la neurona se dispara. Debido a
que la neurona se dispara o no hace nada, se dice que es un dispositivo todo
o nada
Neuronas artificiales
Constituyen unidades de procesamiento comparables con dispositivos simples de
clculo que bien, a partir de un vector de entrada procedente del mundo exterior,
bien a partir de estmulos recibidos de otras neuronas; proporciona una respuesta
nica (salida)
Las neuronas artificiales es un nodo conectado con otros mediante enlaces que
corresponden a conexiones axn-sinapsis-dendrita, a cada enlace est asociado
un peso, que determina la naturaleza e intensidad de la influencia de un nodo
sobre otro
En estas neuronas:
o Los pesos modelan propiedades de las sinapsis
o Los sumadores modelan la capacidad de combinar influencias de
las dendritas.
o La funcin de activacin no lineal modela la caracterstica de
todo o nada que imponen los mecanismos electroqumicos en el
cuerpo de la clula.
3.1.9
(1)
Donde w es la matriz de pesos, x es el vector de entrada y b es una constante
inicializada en 1.
Si el valor de la entrada ponderada es mayor o igual a cero, la salida de la neurona es
igual a +1; si es menor a cero, la salida es 1.
(2)
Toda red neuronal se debe entrenar para que responda como se desee. En otras palabras,
es necesario calcular el vector de ponderaciones (pesos) w que le permita comportarse
de acuerdo con la informacin de entrada. El proceso de entrenamiento para una
neurona hebbiana es muy simple. Basta cambiar el vector de ponderaciones w, por cada
patrn de entrenamiento, de acuerdo con la siguiente regla hebbiana:
(3)
3.1.9.2 Algoritmo de entrenamiento de una neurona Hebbiana
3.1.9.3 Perceptrn
Warren S. McCulloch y Walter Pitts desarrollaron la red neuronal perceptrn en 1943
proponiendo las ecuaciones generales y el diagrama de la figura 8.
(4)
La ecuacin compara la seal con un valor de umbral 0. Si es mayor, la salida es +1. De
lo contrario, es -1.
(5)
(6)
Por cada iteracin el vector de ponderaciones w cambiar de acuerdo con la ley de
Rosenblatt.
(7)
3.1.9.4 Algoritmo de entrenamiento del perceptrn
Para cada patrn de entrenamiento
{
Calcular las entradas I;
Calcular la salida del perceptrn y;
Si es correcta, entonces
{
Si la respuesta es + 1, entonces nuevo w = anterior w + el patrn de entrada actual;
Si la respuesta es -1, entonces nuevo w = anterior w - el patrn de entrada actual;
}
Si es incorrecta, entonces
{
Si la respuesta es +1, entonces nuevo w = anterior w - el patrn de entrada actual;
Si la respuesta es -1, entonces nuevo w = anterior w + el patrn de entrada actual;
}
3.1.10 Modelamiento de una neurona artificial
En la siguiente figura se representa una neurona "artificial", que intenta modelar el
comportamiento de la neurona biolgica. Aqu el cuerpo de la neurona se representa
como un sumador lineal de los estmulos externos zj, seguida de una funcin no lineal
yj = f(zj). La funcin f(zj) es llamada la funcin de activacin, y es la funcin que
utiliza la suma de estmulos para determinar la actividad de salida de la neurona. Este
modelo se conoce como perceptrn de McCulloch-Pitts.
i w ij j =1 w1 j + 2 w 2 j ++ n wnj j
i=1
(7)
i=1
i=0
i w ij j =1 w1 j + 2 w 2 j ++ n wnj +0 w0 j= i w ij (8)
3.2
(9)
1=0 2=0
w 1 ( 0 ) +w 2 ( 0 ) 0
0
1=0 2=1
w 1 ( 0 ) +w 2 ( 1 ) 0
w 2
1=1 2 =0
w 1 ( 1 )+ w 2 ( 0 ) 0
w 1
1=1 2 =1
w 1 ( 1 )+ w 2 ( 1 ) 0
w 1+w 2
Para que la compuerta OR sea vlida, tiene que ser mayor que cero, asi como w1 y
w2 que tienen que ser mayor
4. DIAGRAMAS
4.1
Diagramas de bloques.
4.2
Diagramas elctricos.
5. LISTA DE COMPONENTES
Hadware
Computador
Software
Windows 7
6. MAPA DE VARIABLES
Tipo
Nomb
re
INTEGER RANGE
0 TO 1
INTEGER RANGE
0 TO 1
INTEGER RANGE
0 TO 1
INTEGER
in1
in2
salida
w1
INTEGER
w2
INTEGER
teta
Descripcin
Dimens
in
Direccin
Asignada
P75
P74
P69
Peso de la entrada 2 al
perceptron
Valor del umbral del
perceptron
8.
umbral begin
: Clculo de la salida de un
entrenamiento
: Comparacin del resultado del
entrenamiento para la asignacin
de su valor a la salida.
9. CONCLUSIONES
Lasredesneuronalescomprendenunagranvariedaddeaplicaciones,quevan
desde aplicaciones bsicas como compuertas, reconocimiento de patrones y
muchasms.Estodebidoalaflexibilidadquebrindanylafciladaptacina
aplicacionesparticulares.
EnbasealaimplementacindelaredneuronaldelacompuertaORparala
resolucin de problemas bsicos, se establece que es posible realizar el
desplieguedeunaredneuronaldegrandesdimensionessinquehayaunaumento
significativoderecursos.
10. RECOMENDACIONES
Esfundamentallacorrectadefinicindelasvariablesdeentrada,salidayla
matrizdeponderacinomasasdelaredneuronaladesplegar,demaneraquese
alcancensatisfactoriamentelosresultadosesperados.
11. CRONOGRAMA
12. BIBLIOGRAFIA
[1]
digitales. Cap9.
[2]
Sandhya Samarasinghe, (2012) Neuronal Networks for applied sciences
and engineering.
[3]
John A. Bullinaria (2004). Introduction to Neural networks: Lecture 1
13. ANEXOS
MANUAL DE USUARIO
1. Iniciar el programa Xilinxs ISE Design Suite. Se desplegar la ventana del
Navegador de Proyectos en la cual se procede a crear un nuevo proyecto
seleccionando la pestaa Archivo y seleccionar Nuevo Proyecto. Elegir el
nombre y la ubicacin del proyecto.
2. Configurar las caractersticas del proyecto de acuerdo al tipo de hardware o
FPGA que se disponga. La figura 1 muestra las configuraciones para una tarjeta
Spartan 3E500.
10. Se abrir una nueva ventana en la cual podemos ver los diagramas de tiempo