Синтез структур нейропреобразователей импульсно‑аналоговых сигналов в код с функциями обучения

2. СИНТЕЗ СТРУКТУР НЕЙРОПРЕОБРАЗОВАТЕЛЕЙ ИМПУЛЬСНО‑АНАЛОГОВЫХ СИГНАЛОВ В КОД С ФУНКЦИЯМИ ОБУЧЕНИЯ (на примере сетей прямого распространения)

2.1. Процедура синтеза преобразователей импульсно-аналоговых сигналов в цифровой код с функцией обучения

Рассматриваемое далее решение задачи синтеза новой структуры преобразователя сводится к обучению выбранной аппроксимирующей нейросети с целью получения на ее основе конфигурации схемы устройства с минимально возможными затратами на ее последующую реализацию. Приводимые при этом этапы синтеза и их содержание определяют последовательность применения принципов организации ИНС для конкретных задач преобразования аналоговой величины , заданной в виде частоты  или интервала , в ее цифровой эквивалент , представленный в виде унитарного кода . Необходимость их реализации часто возникает для выявления принадлежности измеряемой величины  определенным диапазонам ее изменения, а также при получении на основе  результата АЦ‑преобразования в виде двоичного позиционного кода .

Этап 1. Выбор и обоснование архитектуры исходной нейросети

Выполнение этого этапа требует определения: вида сети (персептронная, рекуррентная и т.д.), возможного количества ее слоев, структуры связей между ними, разновидностей применяемых активационных функций (все эти характеристики могут уточняться). Наряду с этим, необходимо проведение анализа аналитического и матричного описания исходной сети с возможностью ее обучения с целью построения нейросетевой модели преобразователя.

Выбор вида сети в значительной степени обосновывается ее характерными свойствами, а также известными предпочтениями в ее применении, зависящими от конкретных характеристик задачи преобразования информации. В частности, к ним относится необходимость адаптации преобразователя к динамическим и статистическим характеристикам преобразуемого сигнала, что требует, наряду с аппроксимацией, реализации ряда дополнительных операций, например сглаживания и экстраполяции (предсказания). Так, на их выполнение ориентированы гетерогенные ИНС и сети с обратными связями, относящиеся к классу систем следящего типа. При необходимости возможно комплексирование различных видов сетей. Таким образом, можно утверждать, что уже на уровне выбора вида сети предопределяется направление успешного выполнения поставленной задачи преобразования, что в значительной степени повышает эффективность разработки преобразователей с нейросетевой структурой, в том числе за счет сокращения сроков и затрат на ее проведение.

Для ИНС-преобразователей  прямого действия (преобразования) целесообразно в основу их построения положить использование персептронного нейрона. Такой выбор обусловлен формированием им результирующего бинарного сигнала  посредством реализации активационной функции  релейного типа:

.                                               (2.1)

По своей сути операция  (2.1) может, в частности, интерпретироваться как однобитное аналого-цифровое преобразование. Однонейронный персептрон состоит из суммирующего и порогового устройств. Сумматор образует сумму  взвешенных значений  для каждой входной переменной  как аргумент функции . Если  больше заданного порога , то значение переменной  на выходе порогового устройства нейрона равно, например, единице, в противном случае – нулю. На основе таких нейронов строятся одно- и многослойные персептроны.

Однослойный персептрон является двухуровневой нерекуррентной