تخمین وزن دینامیکی به کمک شبکهصهای عصبی و شبیهصسازی آن جهت پیادهصسازی در مدارات مجتمع FPGA با استفاده از VHDL
First Statement of Responsibility
/طه دوزدوزانی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
تبریز: دانشگاه تبریز،دانشکده مهندسی برق و کامپیوتر، گروه مهندسی الکترونیک
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۱۳۴ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی
INTERNAL BIBLIOGRAPHIES/INDEXES NOTE
Text of Note
واژه نامه بصورت زیرنویس
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
کامپیوتر، گروه مهندسی الکترونیک
Date of degree
۱۳۸۹/۰۶/۲۵
Body granting the degree
تبریز: دانشگاه تبریز،دانشکده مهندسی برق و کامپیوتر، گروه مهندسی الکترونیک
SUMMARY OR ABSTRACT
Text of Note
امروزه تعیین دقیق و سریع وزن اجسام در شرایط دینامیکی، در بسیاری از حوزه های صنعتی، مدنظر قرار دارد .خصوصا با پیشرفت تکنولوژی این مسئله برای برخی صنایع به شکل یک نیاز حیاتی در آمده است.طراحان سیستم های توزین روش های مختلفی را برای افزایش سرعت توزین، با حفظ دقت آن، بررسی نموده اند .یکی از این روش های کارآمد، تخمین وزن اجسام در شرایط دینامیکی سیستم توزین است که در این پایان نامه نیز بعنوان نقطه ی شروع مطرح گردیده است.این پروژه از سه فاز تشکیل شده است که به اختصار عبارتند ازفاز نخست-ارائه مدل مکانیکی نسبتا دقیق از یک سیستم توزین واقعی و بدست آوردن روابط ریاضی حاکم بر آن در شرایط نوسانی سیستمهدف نهایی از این فاز، بدست آوردن شکل موج نوسان به ازای اوزان مختلف قرار گرفته بر روی ترازو و سپس نمونه برداری از هر کدام از شکل موج ها با پریود زمانی مشخص است فاز دوم-انتخاب یک مدل مناسب از شبکه های عصبی مصنوعی و سپس خلق و آموزش این شبکه با استفاده از نمونه های حاصل از فاز نخست هدف نهایی از این فاز، بدست آوردن تمام مشخصات شبکه، اعم از نوع شبکه، تعداد لایه ها، تعداد نرون ها در هر لایه، توابع راه انداز در هر لایه و اوزان مربوط به اتصالات شبکه است فاز سوم-در فاز نهایی که اصلی ترین بخش از پروژه می باشد، به توصیف سخت افزاری شبکه ی عصبی مصنوعی به کمک زبانVHDL ، جهت پیاده سازی در تراشه های FPGA می پردازیم .در این فاز کدنویسی در سطح RTL انجام شده و تمامی اجزاء شبکه عصبی، به صورت قطعات به هم مرتبط سخت افزاری، توصیف خواهند شدیک معماری کامل از شبکه، ارائه شده و نهایتا جهت ارزیابی میزان موفقیت پروژه، به مقایسه ی سرعت و دقت مدل سخت افزاری توصیف شده با شبکه ی عصبی موردنظر خواهیم پرداخت
Text of Note
Today, fast and precise determination of object's weights is considered in many industrial areas.With technology improvement, This issue becomes as a critical need for some industries.Weighing system designers study different methods for increasing weighing speed.One of this effective methods is Dynamic weight estimation which used in this thesis as a starting point.This project consists of three phases:Phase 1-In this phase, a mechanical model of a real weighing system and mathematical relationships which describe oscillating conditions are presented.The ultimate goals of this phase are obtaining dynamic condition waveforms for various weights which placed on the plate of system and sampeling from each waveform with a specified time period.Phase 2-Selecting a suitable model of Artificial neural network. Then creating and training the network by using samples achieved from the first phase.The ultimate goals of this phase are obtaining all the network's parameters such as network type, number of layers, number of neurons in each layer, Activation functions in each layer and values of Connection weights.Phase 3- In the final phase, which is the main part of the project, Hardware Description Of Artificial Neural Network with VHDL in RTL level for FPGA Implemantation is presented.In this phase all of neural network elements will be described as Hardware Components which are connected together. Finally a complete network architechture is presented. In order to evaluate success, speed and accuracy of hardware described model compare with the desired neural network