CN1091539A - 人工神经网并行计算机实现方法 - Google Patents

人工神经网并行计算机实现方法 Download PDF

Info

Publication number
CN1091539A
CN1091539A CN 93114990 CN93114990A CN1091539A CN 1091539 A CN1091539 A CN 1091539A CN 93114990 CN93114990 CN 93114990 CN 93114990 A CN93114990 A CN 93114990A CN 1091539 A CN1091539 A CN 1091539A
Authority
CN
China
Prior art keywords
ann
artificial
processing unit
association
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 93114990
Other languages
English (en)
Inventor
罗四维
丁嘉种
朱克勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN 93114990 priority Critical patent/CN1091539A/zh
Publication of CN1091539A publication Critical patent/CN1091539A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种人工神经网信息处理的计算 机实现方法。它是由处理人工神经元的大量数字式 简单处理单元，用以实现人机对话和控制各处理单元 的主控制器，以及为处理单元提供并行数据通道的开 关网构成；人工神经网采用带有反馈的分层前馈网结 构，可以实现自联想和模式联想；由于采用了虚拟和 并行的方法，提高了人工神经网并行计算机的灵活 性、处理速度，同时降低了人工神经网并行计算机的 成本。

Description

本发明涉及一种人工神经网信息处理的计算机实现方法。
人工神经网计算机是处理人工神经网的专用计算机。当今世界上为实现人工神经网处理大体可分为两大类：一是硬件实现，二是基于现代数字计算机技术的软件实现。前者要求硬件处理单元与被处理神经元一一对应，处理单元可以是电路构成的简单处理器，也可以是光学处理器。由此构造的神经网计算机处理的人工神经网结构不可改变。因而适用于专用神经网处理，其优点是处理速度快，但缺乏通用性、灵活性。软件模拟方法使用较为广泛，已有多种神经网软件包出售。该方法灵活性好、通用性强，但是消耗资源大，需要使用中大型机、工作站或并行机（如Cray等并行机）才可以对实际课题进行研究，这就限制了不具备上述条件的研究人员的研究工作，另外软件方法的处理速度大大低于硬件方法。
人工神经网计算机在学习能力和联想能力方面大大优于数字式计算机。联想一般分为自联想和模式联想，两种联想各有不同的应用领域。例如在模式识别中，自联想适用于从模糊不清或残缺的模式中寻找模式的本来面目，如恢复残缺的图象。模式联想适用于不同模式子集之间的联想。如在医学中，病症是一模式子集，疾病是另一模式子集，从不同的病症中可以联想出不同的疾病。现有的硬件神经网芯片只适用于一种联想，因而限制了使用范围。
本发明的目的是提供一种具有通用性、灵活性、消耗资源少、制造廉价的人工神经网计算机的实现方法，用于处理人工神经网。
本发明的实现方法是利用大量的并行的简单数字式处理单元完成人工神经元的功能，人工神经元的数量与处理单元数量并无对应关系。当人工神经元的数量大于处理单元数量时，一个处理单元可以分配到多个人工神经元，按时间顺序完成人工神经元功能，这就是虚拟的方法。处理单元应实现人工神经元简单的计算、存储以及数据的传送。处理单元带有输入输出接口，用以实现处理单元数据的输入和输出，完成处理单元间的信息交换。处理单元间的信息交换是并行的，由开关网建立数据并行通道，开关网的状态转换由开关网处理器控制。人与人工神经网并行计算机的接口以及所有处理单元的并行运行均由主控制器完成。主控制器用个人微机（PC机）配以接口卡实现。
人工神经网并行计算机的学习算法采用“误差反传递算法”或改进的“误差反传递算法”。实现算法的运算、存储、传送数据功能程序存放在处理单元的固化存储器中或由处理单元中特别设计的硬件电路完成。人工神经网的拓扑结构采用带有网络输出端向网络输入端反馈的分层的前馈网，在人工神经网学习过程，反馈端断开;联想过程反馈端连通。模式联想时，输入模式输入到人工神经网的输入端，从人工神经网的输出端得到联想结果。自联想时，人工神经网初始的输入来自网络外界的输入模式，当网络的输出端得到输出后，将其输出模式通过反馈线反馈到人工神经网的输入端，如此过程不断反复，直至人工神经网连续两次输出结果相同为止，此时的输出结果就是自联想的结果。这样就实现了模式联想和自联想统一的人工神经网并行计算机。
由于本发明的人工神经网并行计算机具有大量并行处理的处理单元，另外，人工神经网的拓扑结构为分层前馈网，这样在物理和逻辑上保证了并行性，因而大大提高了人工神经网并行计算机的运行速度。又由于大量的处理单元具有同样简单的结构，这就为超大规模集成电路化、降低成本提供了可能。虚拟的实现方法使得硬件的处理单元数量与人工神经网的神经元数量无一一对应关系，因而提高了人工神经网并行计算机使用的灵活性。
图1人工神经网并行计算机结构框图。
根据本发明的实现方法研制了一实际人工神经网并行计算机。主控制器采用IBM-PC计算机，并在其总线槽内插入一接口卡用以实现主控制器对处理单元的控制、数据交换，以及与开关网处理器的信息交换。每个独立运行处理单元由处理器（8031单片机）和存储器构成，处理器用于执行人工神经元的处理，存储器用于存放处理单元所执行的人工神经网算法和神经网信息。开关网用可编程器件或逻辑电路构成，实际组装时用了多片GAL16V8可编程芯片。开关网处理器（8031单片机）控制开关网的状态转换。人工神经网并行计算机工作过程：利用IBM-PC计算机，根据屏幕显示的操作菜单用键盘输入人工神经网结构、输入输出模式等有关参数和命令。IBM-PC计算机自动将人工神经元分配给各个处理单元。如果人工神经元个数大于处理单元数量时，IBM-PC计算机根据神经元在时间上执行的顺序将多个人工神经元分配给一个处理单元，处理单元按时间顺序执行人工神经元的处理。各处理单元把要交换的信息传送给开关网的输入，其输出传送到哪个处理单元由开关网的状态决定，开关网的状态转换受开关网处理器的控制。在各处理单元处理结束后，处理结果和有关信息通过接口卡传送给IBM-PC计算机。这样的系统弥补了硬件和软件方法实现人工神经网处理的不足，为人工神经网的研究和应用提供了良好的人工神经网计算机系统。

Claims (2)

1、人工神经网并行计算机实现方法，其特征是：利用大量的并行的简单数字式处理单元完成人工神经元的功能，人工神经元的数量与处理单元数量并无对应关系；当人工神经元的数量大于处理单元数量时，一个处理单元可以分配到多个人工神经元，按时间顺序完成人工神经元功能，这就是虚拟的方法；处理单元实现人工神经元简单的计算、存储和数据的传送；处理单元带有输入输出接口，用以实现处理单元数据的输入和输出，完成处理单元间的信息交换；处理单元间的信息交换是并行的，由开关网建立数据并行通道；人与人工神经网并行计算机的接口以及所有处理单元的并行运行均由主控制器完成；主控制器用个人微机配以接口卡实现。
2、人工神经网并行计算机实现方法，其特征是：人工神经网的拓扑结构采用带有网络输出端向网络输入端反馈的分层的前馈网，在人工神经网学习过程，反馈端断开，联想过程反馈端连通;模式联想时，输入模式输入到人工神经网的输入端，从人工神经网的输出端得到联想结果;自联想时，人工神经网初始的输入来自网络外界的输入模式，当网络的输出端得到输出后，将其输出模式通过反馈线反馈到人工神经网络的输入端，如此过程不断反复，直至人工神经网连续两次输出结果相同为止，此时的输出结果就是自联想的结果;这样就实现了模式联想和自联想统一的人工神经网并行计算机。
CN 93114990 1993-11-27 1993-11-27 人工神经网并行计算机实现方法 Pending CN1091539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 93114990 CN1091539A (zh) 1993-11-27 1993-11-27 人工神经网并行计算机实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 93114990 CN1091539A (zh) 1993-11-27 1993-11-27 人工神经网并行计算机实现方法

Publications (1)

Publication Number Publication Date
CN1091539A true CN1091539A (zh) 1994-08-31

Family

ID=4990732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 93114990 Pending CN1091539A (zh) 1993-11-27 1993-11-27 人工神经网并行计算机实现方法

Country Status (1)

Country Link
CN (1) CN1091539A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100402708C (zh) * 2005-04-25 2008-07-16 周玉成 金属电沉积过程中基于神经元网络进行实时控制的方法
CN110321585A (zh) * 2019-04-09 2019-10-11 国网山西省电力公司电力科学研究院 基于ga-bp神经网络开关柜绝缘缺陷检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100402708C (zh) * 2005-04-25 2008-07-16 周玉成 金属电沉积过程中基于神经元网络进行实时控制的方法
CN110321585A (zh) * 2019-04-09 2019-10-11 国网山西省电力公司电力科学研究院 基于ga-bp神经网络开关柜绝缘缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
Zhou et al. Design and implementation of a Petri net based supervisor for a flexible manufacturing system
Indurkhya et al. Optimal partitioning of randomly generated distributed programs
Sikora A genetic algorithm for integrating lot-sizing and sequencing in scheduling a capacitated flow line
Piramuthu et al. Learning-based scheduling in a flexible manufacturing flow line
CN110162388A (zh) 一种任务调度方法、系统及终端设备
CA2386272A1 (en) Collaborative design
US20040123291A1 (en) Deterministic real time hierarchical distributed computing system
Merabet Synchronization of operations in a flexible manufacturing cell: the Petri net approach
CN101872335A (zh) Cpu控制台重定向方法、系统及cpu
Bray Computer Integrated Manufacturing: The Data Management Strategy.
CN113954679B (zh) 一种应用于电动汽车有序充电控制的边缘控制设备
CN1091539A (zh) 人工神经网并行计算机实现方法
Dorigo Using transputers to increase speed and flexibility of genetics-based machine learning systems
Shih et al. Distributed artificial intelligence in manufacturing systems control
CN115934365A (zh) 一种应用于cpu的任务调度耦合系统
CN106599116B (zh) 云平台数据集成管理系统和方法
CN103455374A (zh) 一种基于MapReduce的分布式计算方法和装置
Holsapple et al. Distributed decision making: a research agenda
AU709604B2 (en) Method of linking processor units in exchange control
Emelyanov et al. An AI-based object-oriented tool for discrete manufacturing systems simulation
CN109116820A (zh) 一种基于海量云运行模式的智能制造系统
Kuo et al. System modeling and real-time simulator for highly model-mixed assembly systems
Mayrand et al. Agent-Oriented Simulation Model of Manufacturing Activities
Kristensen et al. Component composition and interaction
CN117873734B (zh) 一种智能算力动态优化调度的分布式模型训练装置及方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C01 Deemed withdrawal of patent application (patent law 1993)
WD01 Invention patent application deemed withdrawn after publication