RU2018107531A - A method for controlling the response of a neuroprocessor to input signals - Google Patents

A method for controlling the response of a neuroprocessor to input signals Download PDF

Info

Publication number
RU2018107531A
RU2018107531A RU2018107531A RU2018107531A RU2018107531A RU 2018107531 A RU2018107531 A RU 2018107531A RU 2018107531 A RU2018107531 A RU 2018107531A RU 2018107531 A RU2018107531 A RU 2018107531A RU 2018107531 A RU2018107531 A RU 2018107531A
Authority
RU
Russia
Prior art keywords
formula
values
point
residual
nmin
Prior art date
Application number
RU2018107531A
Other languages
Russian (ru)
Other versions
RU2018107531A3 (en
RU2724784C2 (en
Inventor
Николай Леонидович Дембицкий
Original Assignee
Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский авиационный институт (национальный исследовательский университет)"
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 Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский авиационный институт (национальный исследовательский университет)" filed Critical Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский авиационный институт (национальный исследовательский университет)"
Priority to RU2018107531A priority Critical patent/RU2724784C2/en
Publication of RU2018107531A publication Critical patent/RU2018107531A/en
Publication of RU2018107531A3 publication Critical patent/RU2018107531A3/ru
Application granted granted Critical
Publication of RU2724784C2 publication Critical patent/RU2724784C2/en

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Complex Calculations (AREA)

Claims (7)

Способ управления реакцией нейропроцессора на входные сигналы (стимулы) x1, х2, …, хN, в котором в каждую ячейку запоминающего устройства (ЗУ) НП записывают кортеж значений параметров
Figure 00000001
, где F - фиксированное значение реакции НП на комбинацию значений стимулов
Figure 00000002
комбинации значений стимулов в ЗУ получают перебором значений каждого воздействия хi из возрастающей последовательности фиксированных значений
Figure 00000003
где K - количество фиксированных значений стимулов xi, из соседних значений последовательности Xi в ЗУ образуют K-1 интервалов по каждому стимулу, перебором интервалов по всем переменным x1, х2, …, xN образуют (K-1)N подобластей Ω* в области Ω определения реакции НП F(x1, x2, …, xN), на N входов НП подают стимулы x1 *, х2 *, …, xN *, определяют принадлежность поданных сигналов некоторой подобласти Ω*, ограниченной интервалами x1min≤x1 *<x1max, x2min≤x2 *<x2max, …, xNmin≤xN *<xNmax, где x1min, x1max, x2min, x2max, …, xNmin, xNmax - ближайшие значения стимулов из последовательностей Xi, i изменяется от 1 до N, в интервале (х1min, x1max) вычисляют 2N-1 интерполирующих значений реакции НП (ИЗРН) F по формулеA method for controlling the response of a neuroprocessor to input signals (stimuli) x 1 , x 2 , ..., x N , in which a tuple of parameter values is recorded in each cell of a storage device (memory) NP
Figure 00000001
where F is a fixed value of the response of the NP to a combination of stimulus values
Figure 00000002
combinations of stimulus values in the memory are obtained by enumerating the values of each impact x i from an increasing sequence of fixed values
Figure 00000003
where K is the number of fixed values of the stimuli x i , from adjacent values of the sequence X i in the memory form K-1 intervals for each stimulus, by enumerating the intervals for all variables x 1 , x 2 , ..., x N form (K-1) N subdomains Ω * in the domain Ω of determining the response of the NP F (x 1 , x 2 , ..., x N ), stimuli x 1 * , x 2 * , ..., x N * are applied to the N inputs of the NP, and the belonging of the fed signals to some subdomain Ω * is determined bounded by the intervals x 1min ≤x 1 * <x 1max , x 2min ≤x 2 * <x 2max , ..., x Nmin ≤x N * <x Nmax , where x 1min , x 1max , x 2min , x 2max, ... , x Nmin, x Nmax - the next value from the sequence of stimuli awns X i, i varying from 1 to N, the range (x 1min, x 1max) calculated 2 N-1 values interpolating reaction NP (IZRN) F by the formula
Figure 00000004
Figure 00000004
 , где i - номер промежуточного ИЗРН F на первом шаге вычисления,
Figure 00000005
Figure 00000006
Figure 00000007
- крайние значения стимулов, ограничивающие выбранную подобласть Ω* в N-мерной области определения реакции НП,where i is the number of the intermediate FRI F in the first calculation step,
Figure 00000005
Figure 00000006
Figure 00000007
- extreme values of stimuli that limit the selected subdomain Ω * in the N-dimensional region of the definition of the reaction of NP,
Figure 00000008
Figure 00000008
 на j-м шаге в интервале [xjmin, xjmax) вычисляют 2N-j ИЗРН F по формулеat the jth step, in the interval [x jmin , x jmax ), 2 Nj FRI F are calculated by the formula
Figure 00000009
Figure 00000009
 , где i - номер промежуточного ИЗРН на j-м шаге (j изменяется от 2 до N), на N-м шаге в интервале [хNmin, хNmax) при j=N по формуле (3) вычисляют искомое значение реакции НП F(x1 *, х2 *, …, xN *) на сигналы х1 *, х2 *, …, xN *, для настройки НП в каждую ячейку ЗУ записывают кортежи значений параметров
Figure 00000010
где
Figure 00000011
- комбинация заданных значений стимулов, получаемая для каждого стимула xi из возрастающей последовательности
Figure 00000012
Fj - начальное значение реакции НП при заданных значениях стимулов, формируют обучающие кортежи (d*, х1 *, х2 *, …, xN *), состоящие из эталонного сигнала d* и соответствующих ему стимулов Х*=(х1 *, х2 *, …, xN *), на обучающий вход НП поочередно подают эталонные сигналы d1, d2, …dS, образующие обучающую выборку (эпоху), а на сигнальные входы НП подают соответствующие каждому эталонному сигналу d∈{d1, d2, …dS} стимулы x1 х2, …, xN, эталонные сигналы выбирают так, чтобы в каждой подобласти Ω*∈Ω находился хотя бы один обучающий кортеж, при подаче очередного эталонного сигнала d*∈{d1, d2, …dS} и стимулов Х*=(х1 *, х2 *, …, xN *) определяют подобласть Ω*, внутри которой находится обучающий кортеж (d*, x1 *, x2 *, …, xN *), вычисляют реакцию F* НП на стимулы x1 *, x2 *, …, xN *, вычисляют невязку е*=d*-F*, выполняют пошаговое вычисление невязок в вершинах параллелепипеда, ограничивающего подобласть Ω*, для этого на первом шаге вычисляют невязку в точке (x1 *, х2 *, …, xNmin) по формуле
Figure 00000013
и невязку в точке (х1 *, x2 *, …, xNmax) по формуле
Figure 00000014
, где
Figure 00000015
и
Figure 00000016
, на втором шаге вычисляют невязку в точке (х1 *, …, xN-1min, xNmin) по формуле
Figure 00000017
невязку в точке (х1 *, …, xN-1max, xNmin) по формуле
Figure 00000018
невязку в точке (х1 *, …, xN-1min, xNmax) по формуле
Figure 00000019
невязку в точке (x1 *, …, xN-1max, xNmax) по формуле
Figure 00000020
где
Figure 00000021
и
Figure 00000022
на третьем шаге вычисляют невязку в точке (х1 *, …xN-2min, xN-1min, xNmin) по формуле
Figure 00000023
Figure 00000024
, невязку в точке (х1 *, …, xN-2max, хN-1min, xNmin) по формуле
Figure 00000025
Figure 00000026
невязку в точке (х1 *, …, xN-2min, xN-1max, xNmin) по формуле
Figure 00000027
Figure 00000028
невязку в точке (x1 *, xN-2max, xN-1max, xNmin) по формуле
Figure 00000029
Figure 00000030
, невязку в точке (х1 *, …, xN-2min, xN-1min, xNmax) по формуле
Figure 00000031
Figure 00000032
невязку в точкe (x1 *, …, xN-2max, xN-1min, xNmax) по формуле
Figure 00000033
Figure 00000034
нeвязку в точке (х1 *, …, xN-2min, xN-1max, xNmax) по формуле
Figure 00000035
Figure 00000036
нeвязку в точке (x1 *, …, xN-2max, xN-1max, xNmax) по формуле
Figure 00000037
Figure 00000038
где
Figure 00000039
и
Figure 00000040
и так далее, продолжая вычисления, на N-м шаге рассчитывают невязку во всех 2N вершинах N-мерного параллелепипеда, ограничивающего подобласть значений Ω*, выполняют корректировку значений реакции F в ЗУ во всех 2N вершинах N-мерного параллелепипеда на величины рассчитанных в них невязок, процедуры расчета невязок и коррекции значений реакции НП F повторяют для всех эталонных обучающих сигналов d1, d2, …, dS до тех пор, пока не будет достигнут приемлемое отклонение расчетных значений от эталонных в кортежах., where i is the number of the intermediate SRM at the jth step (j varies from 2 to N), at the Nth step in the interval [xNmin, xNmax) for j = N, by the formula (3), the desired value of the NP reaction F (xone *, x2 *, ..., xN *) to signals xone *, x2 *, ..., xN *, to configure the NP, tuples of parameter values are recorded in each memory cell
Figure 00000010
 Where
Figure 00000011
 - a combination of the given stimulus values obtained for each stimulus xi from increasing order
Figure 00000012
 Fj - the initial value of the reaction of NP at given values of stimuli, form training tuples (d*, xone *, x2 *, ..., xN *) consisting of a reference signal d* and its corresponding stimuli X*= (xone *, x2 *, ..., xN *), reference signals done, d2, ... dSthat form the training sample (era), and the signal inputs of the NP are supplied with corresponding to each reference signal d∈ {done, d2, ... dS} incentives xone x2, ..., xN, reference signals are chosen so that in each subdomain Ω*∈Ω there was at least one learning tuple when the next reference signal d*∈ {done, d2, ... dS} and X incentives*= (xone *, x2 *, ..., xN *) determine the subdomain Ω*inside which there is a training train (d*, xone *, x2 *, ..., xN *), calculate the reaction F* Stimulus NP xone *, x2 *, ..., xN *, calculate the residual e * = d*-F*perform stepwise calculation of residuals at the vertices of the parallelepiped bounding the subdomain Ω*, for this, in the first step, the residual at the point (xone *, x2 *, ..., xNmin) according to the formula
Figure 00000013
 and the residual at the point (xone *, x2 *, ..., xNmax) according to the formula
Figure 00000014
where
Figure 00000015
 and
Figure 00000016
, in the second step, the residual at the point (xone *, ..., xN-1min, xNmin) according to the formula
Figure 00000017
 residual at point (xone *, ..., xN-1max, xNmin) according to the formula
Figure 00000018
 residual at point (xone *, ..., xN-1min,xNmax) according to the formula
Figure 00000019
 residual at point (xone *, ..., xN-1max, xNmax) according to the formula
Figure 00000020
 Where
Figure 00000021
 and
Figure 00000022
 in the third step, the residual at the point (xone *, ... xN-2min, xN-1min, xNmin) according to the formula
Figure 00000023
Figure 00000024
, the residual at the point (xone *, ..., xN-2max, xN-1min, xNmin) according to the formula
Figure 00000025
Figure 00000026
 residual at point (xone *, ..., xN-2min, xN-1max, xNmin) according to the formula
Figure 00000027
Figure 00000028
 residual at point (xone *, xN-2max, xN-1max, xNmin) according to the formula
Figure 00000029
Figure 00000030
, the residual at the point (xone *, ..., xN-2min, xN-1min, xNmax) according to the formula
Figure 00000031
Figure 00000032
 residual at point (xone *, ..., xN-2max, xN-1min, xNmax) according to the formula
Figure 00000033
Figure 00000034
 discrepancy at the point (xone *, ..., xN-2min, xN-1max, xNmax) according to the formula
Figure 00000035
Figure 00000036
 discrepancy at the point (xone *, ..., xN-2max, xN-1max, xNmax) according to the formula
Figure 00000037
Figure 00000038
 Where
Figure 00000039
 and
Figure 00000040
 and so on, continuing the calculations, at the Nth step, the discrepancy in all 2N vertices of an N-dimensional parallelepiped bounding a subdomain of values of Ω*, carry out the correction of the reaction values F in the memory in all 2N the vertices of the N-dimensional parallelepiped by the values of the residuals calculated in them, the procedures for calculating the residuals and correcting the response values of the NP F are repeated for all reference training signals done, d2, ..., dS until an acceptable deviation of the calculated values from the reference values in the tuples is reached.
RU2018107531A 2018-05-18 2018-05-18 Control method of neuroprocessor response to input signals RU2724784C2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2018107531A RU2724784C2 (en) 2018-05-18 2018-05-18 Control method of neuroprocessor response to input signals

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2018107531A RU2724784C2 (en) 2018-05-18 2018-05-18 Control method of neuroprocessor response to input signals

Publications (3)

Publication Number Publication Date
RU2018107531A true RU2018107531A (en) 2019-11-19
RU2018107531A3 RU2018107531A3 (en) 2020-03-16
RU2724784C2 RU2724784C2 (en) 2020-06-25

Family

ID=68579409

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018107531A RU2724784C2 (en) 2018-05-18 2018-05-18 Control method of neuroprocessor response to input signals

Country Status (1)

Country Link
RU (1) RU2724784C2 (en)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2193797C2 (en) * 1990-04-26 2002-11-27 Джон СУТЕРЛАНД Content-addressable memory device (alternatives) and image identification method (alternatives)
DE4215179A1 (en) * 1991-05-08 1992-11-12 Caterpillar Inc Synaptic processor for neural network - initialises input expectation limited by maximum and neutral expectations then modifies expectation using increase and reduction terms
RU2269155C2 (en) * 2003-08-22 2006-01-27 Евгений Александрович Самойлин Neuron model, realizing logical nonequivalence function
RU2402813C1 (en) * 2009-06-18 2010-10-27 Евгений Александрович Самойлин Neuron simulation method
RU148932U1 (en) * 2014-02-17 2014-12-20 Александр Николаевич Цуриков TRAINING DEVICE FOR AN ARTIFICIAL NEURAL NETWORK (OPTIONS)

Also Published As

Publication number Publication date
RU2018107531A3 (en) 2020-03-16
RU2724784C2 (en) 2020-06-25

Similar Documents

Publication Publication Date Title
DE102016224954B4 (en) Device and method for optimizing an ultrasonic signal
JP4499920B2 (en) Generation of nonlinear model and generation of driving signal for simulation test using it
GB2601663A (en) Automated neural network generation using fitness estimation
CN109738669B (en) Temperature drift compensation method of piezoelectric type acceleration sensor
CN111679735A (en) Excitation signal generation method, device, terminal and storage medium
JP6897360B2 (en) Control devices, control programs and control systems
CN102163972A (en) Correction of non-linearities in adcs
CN112650388B (en) Motor vibration signal generation method and device, computer equipment and storage medium
JP5027170B2 (en) Method and apparatus for generating an input signal in a physical system
DE102014207683A1 (en) Method and device for creating a data-based function model
DE102016013918A1 (en) Method and system for inverse chirp-Z transformation
US20210397951A1 (en) Data processing apparatus, data processing method, and program
RU2018107531A (en) A method for controlling the response of a neuroprocessor to input signals
JP3979358B2 (en) Nonlinearity correction device for A / D conversion output data
US20030033058A1 (en) Method and apparatus for generating input signals in a physical system
US10499885B2 (en) Ultrasound system and method, and ultrasound probe
JP2019194827A (en) Data estimating method
JP6767355B2 (en) Model building system and model building method
US20140310211A1 (en) Method and device for creating a nonparametric, data-based function model
US3497684A (en) Direct reading statistical distributor estimator
JP7458641B2 (en) Method for estimating electrode placement in biological tissue
RU2626338C1 (en) Adaptive digital smoothing and predictive device
CN111859810A (en) Temperature field reconstruction method, device, equipment and medium based on weighted dictionary learning
Zhidong et al. Iterative approach of tire-coupled road simulator based on singularity threshold criterion
US20210182679A1 (en) Data processing system and data processing method