Überwachung eines neuronalen Netzes mittels Controller
Versandkostenfrei!
Versandfertig in 1-2 Wochen
48,00 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Studienarbeit aus dem Jahr 2000 im Fachbereich Elektrotechnik, Note: 1,0, Universität Rostock (Elektronik und Informationstechnik), Sprache: Deutsch, Abstract: Inhaltsangabe:Zusammenfassung:Im Rahmen dieser Belegarbeit entstand eine Software, die es erlaubt, die Signalflüsse eines analogen Multiplayerperzeptrons zu überwachen. Grundlage war eine vorangegangene Diplomarbeit, in der die Struktur eines selbstlernenden neuronalen Netzes als Analogschaltung herausgearbeitet wurde.Die Software realisiert die Control-Funktion des analogen Netzes. Diese Funktion überwacht die Ein- und Ausgänge de...
Studienarbeit aus dem Jahr 2000 im Fachbereich Elektrotechnik, Note: 1,0, Universität Rostock (Elektronik und Informationstechnik), Sprache: Deutsch, Abstract: Inhaltsangabe:Zusammenfassung:
Im Rahmen dieser Belegarbeit entstand eine Software, die es erlaubt, die Signalflüsse eines analogen Multiplayerperzeptrons zu überwachen. Grundlage war eine vorangegangene Diplomarbeit, in der die Struktur eines selbstlernenden neuronalen Netzes als Analogschaltung herausgearbeitet wurde.
Die Software realisiert die Control-Funktion des analogen Netzes. Diese Funktion überwacht die Ein- und Ausgänge des Netzes, regelt den Signalfluss zum Musterspeicher und kontrolliert den Lernprozess. Ziel war es, die Einsatzmöglichkeit eines Mikrocontrollers zur Netzsteuerung zu untersuchen. Dabei erwies sich die schnellstmögliche Abarbeitung des Control-Algorithmus als wichtiges Kriterium. Aus diesem Grund wurde das Controllerprogramm im Assemblercode entwickelt.
Das entstandene Programm ermöglicht es, ein neuronales Netz mit bis zu 100 Eingangs- und 20 Ausgangsneuronen zu steuern. Dabei wurde Wert darauf gelegt, die Software möglichst flexibel zu gestalten. So ist es z.B. möglich, die Anzahl der Ein- und Ausgangsneuronen festzulegen und auch die Zahl der Lern- und Testpattern kann bis zum Maximalwert von je 1000 variiert werden.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Kurzreferat1
2.Inhaltsverzeichnis4
3.Verzeichnis der Abbildungen6
4.Grundlagen neuronaler Netze7
4.1Das biologische Vorbild7
4.2Künstliche neuronale Netze8
5.Multilayerperzeptron und Backpropagationalgorithmus10
5.1Aufbau und Funktion des Multilayerperzeptrons (MLP)11
5.2Der Backpropagationalgorithmus12
6.Struktur der technischen Realisierung14
6.1Grundstruktur des Netzes14
6.2Algorithmus zum automatisierten Lernen15
6.3Ermittlung des minimalen Netzfehlers17
6.4Algorithmus der Control-Funktion18
7.Der Mikrocontroller Hitachi H8/53420
7.1Aufbau und Eigenschaften des H8/53420
7.1.1Betriebsmodi der H8-Familie22
7.1.2Festlegen des Betriebsmodus und Speicherplatzbedarf der Software23
7.2Auswahl der Programmiersprache24
7.3Interne Zahlendarstellung25
7.3.1Variablenformate der Control-Funktion25
7.3.2Festkommazahlen26
7.3.3Gleitkommazahlen26
8.Die Software27
8.1Vereinbarungsteil und Speichereinteilung29
8.2Das Hauptprogramm30
8.3Unterprogramm Copy_Tab31
8.4Algorithmus zur Zufallszahlenerzeugung31
8.4.1Algorithmen zur Zufallszahlenerzeugung31
8.4.2Implementation des Zufallszahlengenerators (Unterprogramm Random)34
8.5Unterprogramm Present_Learnpattern35
8.5.1Verwendung der Mikrocontrollerports35
8.5.2Präsentation der Lernpattern39
8.6Unterprogramm Present_Testpattern39
8.6.1Unterprogramm Error_Calc41
8.7Unterprogramme zum Umgang mit Gleitkommawerten41
8.7.1Unterprogramm R_to_I41
8.7.2Unterprogramm IEEE_Mult42
8.8Programmlaufzeit43
9.Softwaretest44
10.Ausblick45
Im Rahmen dieser Belegarbeit entstand eine Software, die es erlaubt, die Signalflüsse eines analogen Multiplayerperzeptrons zu überwachen. Grundlage war eine vorangegangene Diplomarbeit, in der die Struktur eines selbstlernenden neuronalen Netzes als Analogschaltung herausgearbeitet wurde.
Die Software realisiert die Control-Funktion des analogen Netzes. Diese Funktion überwacht die Ein- und Ausgänge des Netzes, regelt den Signalfluss zum Musterspeicher und kontrolliert den Lernprozess. Ziel war es, die Einsatzmöglichkeit eines Mikrocontrollers zur Netzsteuerung zu untersuchen. Dabei erwies sich die schnellstmögliche Abarbeitung des Control-Algorithmus als wichtiges Kriterium. Aus diesem Grund wurde das Controllerprogramm im Assemblercode entwickelt.
Das entstandene Programm ermöglicht es, ein neuronales Netz mit bis zu 100 Eingangs- und 20 Ausgangsneuronen zu steuern. Dabei wurde Wert darauf gelegt, die Software möglichst flexibel zu gestalten. So ist es z.B. möglich, die Anzahl der Ein- und Ausgangsneuronen festzulegen und auch die Zahl der Lern- und Testpattern kann bis zum Maximalwert von je 1000 variiert werden.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Kurzreferat1
2.Inhaltsverzeichnis4
3.Verzeichnis der Abbildungen6
4.Grundlagen neuronaler Netze7
4.1Das biologische Vorbild7
4.2Künstliche neuronale Netze8
5.Multilayerperzeptron und Backpropagationalgorithmus10
5.1Aufbau und Funktion des Multilayerperzeptrons (MLP)11
5.2Der Backpropagationalgorithmus12
6.Struktur der technischen Realisierung14
6.1Grundstruktur des Netzes14
6.2Algorithmus zum automatisierten Lernen15
6.3Ermittlung des minimalen Netzfehlers17
6.4Algorithmus der Control-Funktion18
7.Der Mikrocontroller Hitachi H8/53420
7.1Aufbau und Eigenschaften des H8/53420
7.1.1Betriebsmodi der H8-Familie22
7.1.2Festlegen des Betriebsmodus und Speicherplatzbedarf der Software23
7.2Auswahl der Programmiersprache24
7.3Interne Zahlendarstellung25
7.3.1Variablenformate der Control-Funktion25
7.3.2Festkommazahlen26
7.3.3Gleitkommazahlen26
8.Die Software27
8.1Vereinbarungsteil und Speichereinteilung29
8.2Das Hauptprogramm30
8.3Unterprogramm Copy_Tab31
8.4Algorithmus zur Zufallszahlenerzeugung31
8.4.1Algorithmen zur Zufallszahlenerzeugung31
8.4.2Implementation des Zufallszahlengenerators (Unterprogramm Random)34
8.5Unterprogramm Present_Learnpattern35
8.5.1Verwendung der Mikrocontrollerports35
8.5.2Präsentation der Lernpattern39
8.6Unterprogramm Present_Testpattern39
8.6.1Unterprogramm Error_Calc41
8.7Unterprogramme zum Umgang mit Gleitkommawerten41
8.7.1Unterprogramm R_to_I41
8.7.2Unterprogramm IEEE_Mult42
8.8Programmlaufzeit43
9.Softwaretest44
10.Ausblick45
Andere Kunden interessierten sich für
