Нейросетевые преобразователи импульсно-аналоговых сигналов: Учебное пособие, страница 4

– повышенная помехозащищенность и простота их коммутации;

– совмещение математической переработки информации в виде этих сигналов с ее преобразованием в цифровую форму (или обратно);

– реализация операций преобразования и обработки сигналов указанного вида на основе современных БИС и СБИС с программируемой структурой, в частности ПЛИС, как одной из первопричин развития ИНС с аппаратной реализацией;

– непосредственный ввод этих сигналов как потока единичных бит в микропроцессор (МП) с организацией на его основе их программно-алгоритмической обработки;

– построение отказоустойчивых устройств с реализацией процессов непрерывной и параллельной обработки потоков единичных бит (импульсов) с ее рациональным распределением между аппаратными (ПЛИС) и программными (МП) средствами.

Исходя из предлагаемой в работе классификации сетей по типу входной информации рассматриваемые ИНС-преобразователи можно определить как импульсно-цифровые нейронные сети, строящиеся на базе цифровых логических элементов, в том числе на ПЛИС. Соответственно нейропреобразователи, построенные на основе импульсно-цифровых сетей, могут быть определены как импульсно-цифровые. Для нейросетей такого вида необходимо отметить следующие возможные направления их приложения в области измерительно-вычислительных средств и систем:

– синтез интеллектуальных функциональных и вычислительных преобразователей импульсно-аналоговой информации в виде ИНС-аппроксиматора с функцией обучения на основе адаптации зависимости (1.3) как к решению задачи нелинейного преобразования в целом, так и к генерации структур его нейронных составляющих в виде элементарных, в том числе и линейных, преобразователей (нейронов);

– построение нейропреобразователей, адаптируемых к свойствам и характеристикам входных сигналов путем комплексирования видов исходных сетей и оперативного перепрограммирования ПЛИС на их реализацию;

– построение интеллектуальных измерительных преобразователей, адаптируемых к изменяющимся характеристикам сенсоров (или датчиков), с функциями обучения и возможностями совмещения преобразования с выполнением операций коррекции погрешностей датчика, сглаживания, экстраполяции и др.

Создаваемые нейросетевые структуры импульсно-цифровых преобразователей получаются инвариантными к виду преобразуемого сигнала, поэтому они могут быть также положены в основу структурной организации АЦП "напряжение → код", например на базе исходных аналоговых и аналого-цифровых БИС с программируемой логикой, выпускаемых, в частности, фирмой Lattice.

Наряду с этим, полученные результаты синтеза структур ПФИ могут также составить основу построения математических и структурных моделей квантовых вычислительных устройств, в которых в качестве моделируемых элементарных информационных единиц – квантов – могут выступать единичные импульсы.

Целесообразность приложения нейросетевых технологий для построения структур преобразователей частоты и временного интервала в код также во многом объясняется применением в них частотно- и широтно-импульсной модуляции (ЧИМ и ШИМ) сигналов для передачи параметров состояния возбуждения нейрона и силы (веса) синаптических связей между ними. Установление таких аналогий с биологическими прототипами нейронов предопределяет достижение существенной простоты последующей аппаратной реализации нейроузлов и связей между ними и, следовательно, преобразователей в целом.

На рис. 1.4 и 1.5 соответственно приведены структуры известных линейных преобразователей частоты  в двоичный позиционный код  на базе методов преобразования последовательного счета и поразрядного взвешивания на основе типовых элементов и узлов ВТ. Первый формирует код , а второй – , где  – интервал преобразования (измерения),  – опорная частота,  – число бит формируемого кода. Структура (рис. 1.4) также позволяет реализовать и операцию преобразования временного интервала  в позиционный код  через промежуточное преобразование  в число импульсов .

Эти структуры (рис. 1.4 и 1.5) приведены для того, чтобы показать, что в результате применения предложенных нейросетевых приемов синтеза преобразователей с указанными операциями преобразования могут быть получены абсолютно схожие с известными устройствами конфигурации схем. Это позволяет в итоге сделать положительные заключения о достоверности процедуры синтеза преобразователей на основе ИНС-технологий.

Рис. 1.4. Преобразователь  →  счетно‑импульсного типа

Рис. 1.5. Преобразователь  →  на основе поразрядного взвешивания частот

Известен также целый ряд специализированных структур частотных и время-импульсных функциональных преобразователей, например, отличающихся способами построения аппроксимирующих функций, методами преобразования формы информации даже для одного типа воспроизводимой нелинейной зависимости.

При построении такого рода преобразователей на ПЛИС создаются серьезные затруднения, связанные с выбором известной структуры, которую предстоит интегрировать в программируемую микросхему. Поэтому возникает необходимость создания новой структуры ПФИ, особенно с усложнением задачи преобразования. Однако использование только известных методов построения преобразователей может затянуть процесс ее разработки. Вместе с тем подход к синтезу ПФИ на основе применения нейросетевых технологий позволяет упорядочить и соответственно ускорить процесс проектирования новой структуры преобразователя, причем с одновременным расширением его функциональных возможностей, поддерживаемых, в частности, таким важным свойством ИНС, как ее обучаемость.

Далее, в соответствии с укрупненной процедурой синтеза (см. рис. 1.3), рассматривается содержание проведения ее первого этапа для построения линейных ПФИ прямого преобразования в виде нейроподобных структур, когда их создание базируется на использовании первого подхода к представлению функции преобразования  в виде аппроксимирующей зависимости (1.2).

1.3. Методы описания процессов преобразования и модели нейроподобных структур преобразователей аналоговой величины
в унитарный цифровой эквивалент