STUDY OF A PWM-ELEMENT WITH A SPIKING NEURAL NETWORK
https://doi.org/10.21285/1814-3520-2018-8-63-71
Abstract
The PURPOSE of the study is to show the application possibility of the spike (pulse) model of a neuron in automatic control systems with a pulse-width modulation controller that has an artificial neural network in its composition. METHODS. The use of this type regulators makes us solve the problem of parametric optimization that is understood as the determination of the optimal tuning (training) of the synaptic weights of an artificial neural network according to the chosen criterion. Therefore, the neural network training algorithm formed on the basis of the Nelder-Meade method is used in the article. RESULTS. The study has shown that the model of a generalized neuron element provides the lowest values of the integral quadratic criterion under the binary coding of information. CONCLUSIONS. Spiking neural networks can be used in control systems with pulse-width modulation.
References
1. Сабанин В.Р., Смирнов Н.И., Репин А.И. Автоматический системы регулирования на основе нейросетевых технологий // Вестник Московского энергетического института: сб. статей. 2005. С. 10-18.
2. Шаровин И.М., Смирнов Н.И., Репин А.И. Применение искусственных нейронных сетей для адаптации САР в процессе их эксплуатации // Промышленные АСУ и контроллеры. 2012. № 4. С. 27-32.
3. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. М.: Изд-во ИПРЖР, 2002. 480 с.
4. Воробьев Ю.Б., Кудинов П., Ельцов М., Кёоп К., Чыонг Ван К.Н. Применение информационных технологий (генетические алгоритмы, нейронные сети, параллельные вычисления) в анализе безопасности АЭС // Труды Института системного программирования РАН. 2014. Т. 26. № 2. С. 137-158.
5. Kucherenko Ye. I., Trokhimchuk S.N., Driuk O.D. Knowledge-oriented technologies in highly automated production // Радіоелектроніка, інформатика, управління. 2014. No. 2. С. 79-84. DOI: 10.15588/1607-3274-2014-2-12
6. Ponulak F., Kasiński A. Introduction to spiking neural networks: Information processing, learning and applications // Acta Neurobiologiae Experimentalis. 2011. No. 71. C. 409-433.
7. Бендерская Е.Н., Никитин К.В. Возможности использования импульсных рекуррентных нейронных сетей для анализа электрокардиограмм // Информационно-управляющие системы. 2015. № 1. С. 85-91. DOI: 10.15217/issn1684-8853.2015.1.85
8. Колесницкий О.К., Бокоцей И.В., Яремчук С.С. Аппаратная реализация элементов импульсных нейронных сетей с использованием биспин-приборов // Нейроинформатика. 2010. № 1. С. 121-131.
9. Игумнов И.В., Куцый Н.Н. Формирование ШИМ-элемента с использованием искусственных нейронных сетей // Вестник Иркутского государственного технического университета. 2014. № 6 (89). С. 31-35.
10. Игумнов И.В., Куцый Н.Н. Нейросетевая реализация и настройка ШИМ-элементов в автоматических системах // Вестник Новосибирского государственного технического университета. 2015. № 3 (60). С. 23-32.
11. Gerstner W., Kistler W.M. Spiking Neuron Models Single Neurons, Populations, Plasticity. Cambridge University Press, 2002, 504 с.
12. Ануфренко С.Е., Коновалов Е.В. Нейронные модели на основе импульсного нейрона. Ярославль: Ярославский гос. ун-т им. П.Г. Демидова, 2012. 80 с.
13. Копылов В.Д., Дунаева О.А., Мячин М.Л. Импульсный нейрон и нейронный клеточный автомат асимптотически эквивалентны // Моделирование и анализ информационных систем. 2014. Т. 21. № 3. С. 62-80.
14. Leonard M. Reyneri A performance analysis of pulse stream neural and fuzzy computing systems // IEEE transactions on circuits and systems analog and digital signal processing, T. 42. №. 10.1995. С. 642-660.
15. Химмелъблау Д. Прикладное нелинейное программирование. М.: МИР, 1975. 536 с.
Review
For citations:
Igumnov I.V. STUDY OF A PWM-ELEMENT WITH A SPIKING NEURAL NETWORK. Proceedings of Irkutsk State Technical University. 2018;22(8):63-71. (In Russ.) https://doi.org/10.21285/1814-3520-2018-8-63-71
Views:
195
Email this article 