فصل 1 مقدمه¬ای بر هوش مصنوعی، شبکه¬های عصبی و FPGA 1
1-1 مقدمه 2
1-2 هوش مصنوعی چیست؟ 2
1-2-1 هوشمندی چیست؟ 2
1-3 تاریخچه هوش مصنوعی 4
1-3-1 افقهای هوش مصنوعی 6
1-4 شبکه‌های عصبی زیستی 8
1-5 معرفی شبکه¬های عصبی مصنوعی 8
1-5-1 تاریخچه شبکه‌های عصبی مصنوعی 9
1-5-2 چرا از شبکه‌های عصبی استفاده می‌کنیم؟ 10
1-6 شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی 11
1-6-1 از نورون‌های انسان تا نورون مصنوعی 12
1-2-6 نورون مصنوعی 12
1-6-2-1 توابع فعال ساز 14
1-7 ساختار شبکه‌های عصبی 15
1-8 تقسیم بندی شبکه‌های عصبی 16
1-9 کاربرد شبکه‌های عصبی 17
1-10 معایب شبکه‌های عصبی 17
1-11 روش های پیاده سازی شبکه‌های عصبی مصنوعی 18
1-11-1ASIC و نرو کامپیوترهای FPGA 18
1-12 معرفی ساختار FPGAهای خانواده CycloneII از شرکت Altera 20
1-12-1 عناصر منطقی 21
1-12-2 بلوک¬های منطقی 22
1-12-3 ضرب کننده¬های جاسازی شده 22
1-12-4 بلوک¬های حافظه 24
فصل 2 تشخیص خودکار مدولاسیون به عنوان مدل ارائه شده برای پیاده¬سازی 25
2-1 مقدمه 26
2-2 طبقه بندی کننده خودکار مدولاسیون 26
2-2-1 رهیافت تئوری آشکارسازی 27
2-2-2 رهیافت تشخیص الگو یا استخراج ویژگی¬ها 27
2-3 تشریح مساله 28
2-4 استخراج ویژگی¬های سیگنال دریافت شده 29
2-4-1 استخراج ویژگی¬ها 30
2-4-1-1 قابلیت تفکیک انباشت¬های مختلف 33
2-5 شبکه¬های پرسپترون چند لایه 34
2-5-1 الگوریتم پس انتشار خطا 35
2-6 شبیه¬سازی شبکه با نرم افزارMatlab 36
فصل 3 پیاده¬سازی شبکه¬ی عصبی ارائه¬شده 40
3-1 مقدمه 41
3-2 نمایش اعداد 41
3-2-1 نمایش اعداد ممیز شناور 41
3-2-1-1 نمایش اعداد ممیز شناور دقت ساده 42
3-2-2 نمایش اعداد ممیز ثابت 43
3-2-2-1 نمایش اعداد باینری به صورت صحیح 43
3-2-2-2 نمایش اعداد باینری به صورت کسری 44
3-3 پیاده¬سازی نورون 44
3-3-1 پیاده¬سازی حاصلضرب بردار ورودی¬ها در بردار وزن¬ها 44
3-3-2 پیاده¬سازی تابع Sigmoid 47
3-3-2-1 تقریب چبیشف 49
3-3-2-1-1 تقریب تابع Sigmoid 50
3-3-2-2 روش جدول Look-up 52
3-3-2-3 تقریب خطی-تکه¬ای 52
3-3-2-3-1 تقریب تابع Sigmoid به روش خطی-تکه¬ای 53
3-4 چیدمان نورون¬ها در شبکه 55
3-4-1 پیاده¬سازی تماماً موازی شبکه 56
3-5 واحد کنترل 58
3-6 نتایج پیاده¬سازی تابع Sigmoid 59
3-7 نتایج پیاده¬سازی شبکه 60
3-8 مقایسه شبکه پیاده¬سازی شده با کارهای مشابه 63
فصل 4 نتیجه¬گیری و پیشنهادات 64
4-1 نتیجه¬گیری 65
4-2 پیشنهادات 65

منابع 66

شکل 1 1: نورون مصنوعی 13
شکل ‏1 2: ساختار کلی EP2C20 از خانواده Cyclone II 20
شکل ‏1 3: عناصر منطقی در Cyclone II 21
شکل ‏1 4:ساختار ضرب کننده¬های Cyclone II 23
شکل 1 5: بلوک¬های حافظه M4K 24
شکل ‏2 1: بلوک دیاگرام ADMR 28
شکل ‏2 2: شبکه پرسپترون سه لایه 35
شکل ‏2 3: درصد تشخیص صحیح مدولاسیون¬ها 39
شکل ‏3 1: نمایش اعداد ممیز شناور 42
شکل ‏3 2: عدد ممیز ثابت با فرمت Q2.4 43
شکل ‏3 3: سخت افزار جمع/ضرب همزمان 45
شکل ‏3 4: بلوک MAC پیاده¬سازی شده 46
شکل ‏3 5: تابع Sigmoid 48
شکل ‏3 6: تابع Sigmoid با تقریب چبیشف 51
شکل ‏3 7: خطای تقریب 51
شکل ‏3 8: تقریب تابع Sigmiod به روش خطی-تکه¬ای 53
شکل ‏3 9: خطای حاصل از تقریب تابع به روش خطی-تکه¬ای 54
شکل ‏3 10: واحد Sigmoid پیاده¬سازی شده 54
شکل ‏3 11: پیاده¬سازی سریال شبکه عصبی 55
شکل ‏3 12: پیاده¬سازی تمام موازی شبکه 57
شکل ‏3 13: واحد کنترل 58
شکل ‏3 14: خروجی واحد Sigmoid 59
شکل ‏3 15: گزارش سخت¬افزار استفاده شده برای تابع Sigmoid 60
شکل ‏3 16: سیگنال¬های ورودی و خروجی شبکه 61
شکل ‏3 17: گزارش سخت¬افزار استفاده شده برای کل شبکه 62

جدول 1 1: توابع فعال ساز پرکاربرد 14
جدول ‏2 1: قابلیت تفکیک انباشت¬های رابطه 2-20 برای مدولاسیون¬های مختلف 34
جدول ‏2 2: درصد تشخیص مدولاسیون¬ها برای سیگنال به نویزهای مختلف 39
جدول ‏3 1: چند چمله¬های چبیشف 49
جدول ‏3 2: ضرایب چند جمله¬ای‌‌های چبیشف برای تابع Sigmoid 50
جدول ‏3 3: مقایسه نتایج بدست آمده با کارهای مشابه 63

کلید واژه

شبکه عصبی پرسپترون چند لایه , آرایه گیت برنامه پذیر میدانی , مدار مجتمع کاربرد ویژه , هوش مصنوعی , شبکه های عصبی , ادرام , multilayer perceptron neural network , Artificial intelligence , neural network , perceptron , field programmable gate array , application specific integrated circuit