انجمن کامپیوتر ایران

در دو دهه‌ی گذشته، تکنیک‌های شبکه‌های عصبی به عنوان یک روش متکی بر داده به بلوغ رسیده‌اند و افق کاملاً جدیدی را در عرصه تشخیص خطا به‌وجود آورده‌اند. با گسترش سریع هر دو صنعت مدارهای آنالوگ و دیجیتال، مبحث تست در حال تبدیل شدن به موضوعی فوق العاده مهم است. استفاده از شبکه‌های عصبی روشی موفق در تشخیص خطا است. در این مقاله استفاده از شبکه‌های عصبی در تشخیص خطا در مدارهای mixed-signal و به عنوان نمونه یک ADC 3بیتی از نوعflash را بررسی می‌کنیم. سپس نتایج را با سه روشFFT ، هیستوگرام و sine fit مقایسه می‌کنیم. در نهایت به این نتیجه رسیدیم که روش شبکه عصبی می‌تواند نقش قابل توجهی در تشخیص خطا و تعیین محل وقوع آن داشته باشد.

خطا و عدم قطعیت یکی از همزادهای مجموعه‌های داده‌ای بوده و بطور همزمان در مرحله تولید و جمع‌آوری داده به‌وجود آمده و درمراحل بعدی استفاده از داده‌ها، انتشار یافته و رشد می‌نماید و نهایتاً نتایج و محصولات بدست آمده را متأثر می‌نماید. درسیستم‌های سنجش از دوری، به لحاظ نحوه عمکرد در آنها، بحث عدم قطعیت با شدت بیشتری مطرح می‌گردد. عدم قطعیت در داده‌های سنجش از دوری به طرق مختلف و توسط منابعی متنوع ایجاد می‌شوند. این عدم قطعیت محصولات تولید شده با استفاده از تصاویر سنجش از دوری، از قبیل نقشه موضوعی تولید شده در فرایند طبقه بندی را دچار خطا می‌نماید متصور سازی یا مدل سازی عدم قطعیت بسیار مناسب خواهد بود و می‌تواند فضای جدیدی را برای کاربران این تصاویر بکار گرفته شوند، بسیار مطلوب خواهند بود. از این رو در این مقاله سعی شده است، علاوه بر بررسی عوامل ایجاد کننده عدم قطعیت در نتایج طبقه‌بندی تصاویر سنجش از دوری، پارامترهایی برای اندازه‌گیری عدم قطعیت در نتایج طبقه بندی ارائه گردد. نتایج نشان می‌دهد که این پارامترها می‌توانند بعنوان معیارهای جدیدی برای ارزیابی طبقه بندی‌ها کننده ها علاوه بر صحت و اعتبار مطرح گردند.

روش‌های آماری مانند مدل مخفی مارکوف به خوبی در مسائل بازشناسی گفتار مورد استفاده قرار گرفته‌اند. اخیراً این متدها در بازشناسی دست نوشته نیز بکار گرفته شد ه‌اند. در این مقاله یک روش مبتنی بر گروه‌بندی، جهت بازشناسی حروف مجزای بر خط فارسی مستقل از نویسنده، ارائه می‌شود. مدل‌سازی با استفاده از مدل مخفی مارکوف انجام می‌پذیرد و ویژگی‌های متعددی از دنباله نقاط نمونه‌برداری شده از حروف دست نوشته، جهت تخمین پارامترها، استخراج شده است. آزمایشات مختلفی با ویژگی‌های متفاوت دنباله نقاط و توپولوژی‌های گوناگون مدل مخفی مارکوف با استفاده از روش مبتنی بر گروه‌بندی و روش مبتنی بر هر یک از حروف انجام گرفته و نتایج و تاثیر آنها بر دقت بازشناسی گزارش شده است. با گروه‌بندی حروفی که حرکات دست هنگام نوشتن آن‌ها مشابه است و مدل‌سازی هر گروه، درصد خطای بازشناسی نسبت به روشی که در آن برای هر یک از حروف، مدلی ایجاد می شود، 25,63 درصد کاهش یافته است. بهترین نتیجه با استفاده از ویژگی‌های مشتق زمانی مرتبه اول مولفه‌های افقی و عمودی نقاط روی محورهای مختصات و تفاضل زوایای نقاط پی در پی، به‌دست آمده است.

هدف الگوریتم‌های یادگیری افزایشی در شبكه‌های چند لایه پرسپترونی، حفظ نتایج فازهای آموزشی قبلی و بهبود عملكرد شبكه با آموزش انحصاری آن بر روی نمونه‌های جدید است. الگوریتم‌هایی كه تاكنون برای یادگیری افزایشی در یك شبكه چند لایه پرسپترونی پیشنهاد شده‌اند قابلیت تعریف كلاس‌های جدید را در اختیار نمی‌گذارند. در این مقاله الگوریتمی برای یادگیری افزایشی در شبكه‌های چند لایه پرسپترونی مورد بررسی قرار می‌گیرد كه این نقطه ضعف را رفع كرده است. این الگوریتم از تركیب افزایشی تعدادی شبكه یادگیر ضعیف كه هریك مربوط به تعدادی از نمونه‌های آموزشی است كه در طول زمان به سیستم ارائه شده اند، یك شبكه یادگیر قوی می‌سازند و قابلیت پذیرش كلاس‌های جدید معرفی شده توسط نمونه‌های تازه وارد را نیز دارا می‌باشند. در اینجا تاثیر پارامترهای مختلف بر میزان كارایی الگوریتم مورد بررسی قرار گرفته و بوسیله نتایج بدست آمده، عملكرد الگوریتم مورد تحلیل قرار خواهد گرفت. به علاوه سه راه برای بهبود عملكرد چنین الگوریتمی پیشنهاد شده است. نتایج حاصل از پیاده سازی‌های صورت گرفته، حاكی از موفقیت این روش‌ها در بهبود عملكرد الگوریتم نسبت به نسخه اصلی می‌باشد تا جایی كه استفاده همزمان از این روش‌ها منجر به كاهش پنجاه درصدی خطا نسبت به نسخه اصلی الگوریتم گردیده است.

جایگزین کردن واحدهای عملیاتی یک پردازنده قابل توسعه با واحدهای عملیاتی قابل بازپیکربندی می‌تواند هزینه تولید و زمان ارائه به بازار را بطور چشمگیری کاهش دهد. بعلاوه افزون بر کاهش هزینه تولید، این پردازنده قادر به اجرای دستورات سفارشی بیشتری نیز خواهد بود. در این مقاله یک معماری ناهمگون برای واحدهای عملیاتی قابل بازپیکربندی در پردازنده‌های قابل توسعه ارائه شده است. نتایج آزمایشات نشان می‌دهد که در مقایسه با معماری پیشین، معماری ارائه شده از تعداد زیادی دستورالعمل سفارشی پشتیبانی می‌کند. بعلاوه این معماری قادر است زمان اجرای یک دستورالعمل سفارشی را بین ٢٠ تا ٤٠ درصد بهبود دهد.