Моделювання нейронної схеми ідентифікації найбільших значень серед низки змінних у часі дискретизованих сигналів

Authors:

Тимощук П. В.,Тимощук М. П.

Національний університет “Львівська політехніка”, кафедра систем автоматизованого проектування;
Одеський національний політехнічний університет, кафедра економіки підприємств

Описана математична модель KWTA-нейронної схеми (“K-winners-take-all”), призначеної для ідентифікації К найбільших серед N змінних у часі дискретизованих сигналів, де <≤ NK1 . Встановлюється, що для забезпечення коректного функціо- нування моделі динамічний зсув вхідних сигналів протягом перехідних процесів повинен змінюватись набагато швидше ніж вхідні сигнали. Наведено відповідні результати комп’ютерного моделювання.

математична модель

KWTA-нейронна схема

дискретизований сигнал

динамічний зсув

комп’ютерне моделювання

1. Lippmann R. P., Gold B. and Malpass M.L. A comparison of Hamming and Hopfield neural nets for pattern classification, MIT Lincoln Laboratory Technical report TR-769 (1987) 1–37. 2. Tymoshchuk P. and Kaszkurewicz E. A Winner-take-all circuit based on second order Hopfield neural networks as building blocks, in: Proc. Int. Joint Conf. on Neural Networks, Vol. II (2003) 891–896. 3. Tymoshchuk P. and Kaszkurewicz E. A winner-take-all circuit using neural networks as building blocks, Neurocomputing 64 (2005) 375–396. 4. Urahama K. and Nagao T. K-Winner-take-all circuit with 0(n) complexity, IEEE Trans. on Neural Networks 6 (1995) 776–778. 5. Yen J. C., Guo J. I. and Chen H.-C. A new k -Winnerstake all neural network and its array architecture, IEEE Trans. on Neural Networks 9 (1998) 901–912. 6. Kwon T. M. and Zervakis M. A parallel sorting network without comparators: A neural-network approach, in: Proc. Int. Joint Conf. on Neural Networks, Vol. 1 (1992) 701–706. 7. Bihn L. N. and Chong , H. C. A neural-network contention controller for packet switching networks, IEEE Trans. on Neural Networks 6 (1995) 1402–1410. 8. Hu X. and Wang J. An improved dual neural network for solving a class of quadratic programming problems and its k-winners-take-all application, IEEE Trans. on Neural Networks, 19 (2008) 2022–2031. 9. Liu S. and Wang J. A simplified dual neural network for quadratic programming with its KWTA application, IEEE Trans. on Neural Networks, 17 (2006) 1500–1510. 10. D. Graupe, Principles of Artificial Neural Networks (2nd Edition), World Scientific Publishing Co., Singapore and River Edge, N.J., 2007. 11. Marinov C. A. and Hopfield J. J. Stable computational dynamics for a class of circuits with 0(N) interconnections capable of KWTA and rank extractions, IEEE Trans. on Cir. and Syst. I: Fundamental Theory and Applications 52 (2005) 949–959. 12. Cichocki A. and Unbehauen R. Neural Networks for Optimization and Signal Processing (New York: John Wiley and Sons, 1993). 13. Yang J. F. and Chen C. M. A Dynamic K-Winners-Take-All Neural Network, IEEE Trans. on Syst., Man and Cyb. 27 (1997) 523–526. 14. Marinov C. A. and Calvert B. D. Performance analysis for a K -winners-take-all analog neural network: basic theory, IEEE Trans. on Neural Networks 14 (2003) 766–780. 15. Wolfe W. J., Mathis D., Anderson C., Rothman J., Gotler M., Bragy G., Walker R., Duane G. and Alaghband G. K-Winner networks, IEEE Trans. on Neural Networks 2 (1991) 310–315. 16. Yen J. C., Guo J. I. and Chen H.-C. A new k -Winners-take all neural network and its array architecture, IEEE Trans. on Neural Networks 9 (1998) 901–912. 17. David H.A. Order Statistics, 2nd ed. (New York: Wiley, 1980).