Spelling suggestions: "subject:"badial basis networks"" "subject:"fadial basis networks""
1 |
Proposta de implementação de redes de base radial em tecnologias CMOS e BiCMOSLucks, Marcio Barbosa [UNESP] 20 March 2009 (has links) (PDF)
Made available in DSpace on 2014-06-11T19:30:32Z (GMT). No. of bitstreams: 0
Previous issue date: 2009-03-20Bitstream added on 2014-06-13T19:19:27Z : No. of bitstreams: 1
lucks_mb_dr_ilha.pdf: 2462450 bytes, checksum: 86757d12f991c55cad8d80bcd63f9b61 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Neste trabalho, apresenta-se o desenvolvimento de redes de base radial em tecnologia CMOS. Para tanto, dois circuitos unidimensionais, denominados RBF1 e RBF2, são propostos. Sua funcionalidade é demonstrada por meio de simulações SPICE e também pela sua implementação prática com a utilização de conjuntos de MOSFETs presentes em circuitos integrados comerciais. Demonstra-se também o desenvolvimento dos circuitos para o caso multidimensional, com o uso de simulações SPICE e a implementação de um circuito RBF1 bidimensional. Além disso, são apresentadas versões dos circuitos RBF1 e RBF2 para tecnologia BiCMOS. Os circuitos propostos são utilizados no projeto de redes de base radial bidimensionais em processo CMOS AMS 0.35 μm. No intuito de testar sua funcionalidade, as redes foram simuladas para algumas aplicações, apresentando bons resultados. A questão da quantização no armazenamento dos parâmetros das redes de base radial e da sua influência na aproximação de funções também é tratada na tese. Foram realizadas várias simulações com diferentes níveis de quantização para algumas tarefas de aproximação de funções. Os resultados obtidos mostram que, mesmo com uma quantização severa, as redes apresentam a capacidade de aproximação de funções, porém de maneira limitada, ou seja, o erro obtido aumenta para um número menor de níveis de quantização. A quantização dos parâmetros diminui o tamanho da memória e a complexidade necessária para armazenar os parâmetros das redes, permitindo a implementação de circuitos compactos e adequados para aplicações de baixo consumo de potência. / In this work, we present the development of radial basis function circuits in CMOS technology. Two one-dimensional circuits, namely RBF1 and RBF2, are proposed for radial basis function realization, and their functionality is demonstrated by SPICE simulations and by their implementation with commercial MOSFET array integrated circuits. Multidimensional capability is demonstrated by the implementation of a bidimensional RBF1 circuit and by SPICE simulation results. In addition, BiCMOS versions are also presented for RBF1 and RBF2. The proposed cells are used in the design of bidimensional radial basis function neural networks in AMS 0.35μm CMOS process. In order to test their functionality, the networks were simulated for some applications with good results achieved. The issue of parameter quantization and its influence on the network function approximation capability is also dealt with in this dissertation. We carried out several simulations with different levels of quantization. The results obtained show that the network presents a capability of learning functions, even with a severe parameter quantization. As expected, the error increases for less bits of quantization. Nevertheless, the parameter quantization decreases the memory size and complexity necessary for network parameter storage, allowing the implementation of compact circuits and being adequate for low power applications.
|
2 |
Proposta de implementação de redes de base radial em tecnologias CMOS e BiCMOS /Lucks, Marcio Barbosa. January 2009 (has links)
Orientador: Nobuo Oki / Banca: Carlos Roberto Minussi / Banca: Suely Cunha Amaro Mantovani / Banca: Alberto Martins Jorge / Banca: Marcelo Arturo Jara Perez / Resumo: Neste trabalho, apresenta-se o desenvolvimento de redes de base radial em tecnologia CMOS. Para tanto, dois circuitos unidimensionais, denominados RBF1 e RBF2, são propostos. Sua funcionalidade é demonstrada por meio de simulações SPICE e também pela sua implementação prática com a utilização de conjuntos de MOSFETs presentes em circuitos integrados comerciais. Demonstra-se também o desenvolvimento dos circuitos para o caso multidimensional, com o uso de simulações SPICE e a implementação de um circuito RBF1 bidimensional. Além disso, são apresentadas versões dos circuitos RBF1 e RBF2 para tecnologia BiCMOS. Os circuitos propostos são utilizados no projeto de redes de base radial bidimensionais em processo CMOS AMS 0.35 μm. No intuito de testar sua funcionalidade, as redes foram simuladas para algumas aplicações, apresentando bons resultados. A questão da quantização no armazenamento dos parâmetros das redes de base radial e da sua influência na aproximação de funções também é tratada na tese. Foram realizadas várias simulações com diferentes níveis de quantização para algumas tarefas de aproximação de funções. Os resultados obtidos mostram que, mesmo com uma quantização severa, as redes apresentam a capacidade de aproximação de funções, porém de maneira limitada, ou seja, o erro obtido aumenta para um número menor de níveis de quantização. A quantização dos parâmetros diminui o tamanho da memória e a complexidade necessária para armazenar os parâmetros das redes, permitindo a implementação de circuitos compactos e adequados para aplicações de baixo consumo de potência. / Abstract: In this work, we present the development of radial basis function circuits in CMOS technology. Two one-dimensional circuits, namely RBF1 and RBF2, are proposed for radial basis function realization, and their functionality is demonstrated by SPICE simulations and by their implementation with commercial MOSFET array integrated circuits. Multidimensional capability is demonstrated by the implementation of a bidimensional RBF1 circuit and by SPICE simulation results. In addition, BiCMOS versions are also presented for RBF1 and RBF2. The proposed cells are used in the design of bidimensional radial basis function neural networks in AMS 0.35μm CMOS process. In order to test their functionality, the networks were simulated for some applications with good results achieved. The issue of parameter quantization and its influence on the network function approximation capability is also dealt with in this dissertation. We carried out several simulations with different levels of quantization. The results obtained show that the network presents a capability of learning functions, even with a severe parameter quantization. As expected, the error increases for less bits of quantization. Nevertheless, the parameter quantization decreases the memory size and complexity necessary for network parameter storage, allowing the implementation of compact circuits and being adequate for low power applications. / Doutor
|
Page generated in 0.0719 seconds