Снижение аппаратурных затрат местного фрагментарного устройства управления в нейросетевом аналого-цифровом преобразователе

Рассматривается самомаршрутизирующийся аналого-цифровой преобразователь на основе однослойной нейронной сети, состоящей из основных измерительных нейронов. Для основного измерительного нейрона представлена система управления, реализующая самомаршрутизацию сигналов в нейронной сети методом „эхолокации“ при формировании индивидуального измерителя требуемой разрядности. Предложен способ уменьшения аппаратурных затрат на реализацию системы управления за счет использования местного фрагментарного устройства управления, элементы которого распределены между нейронами и могут объединяться для управления работой аналого-цифрового преобразователя. Разработаны функциональные схемы местного фрагментарного устройства управления с разделением счетчиков, используемых при „эхолокации“, на основании которых в среде Quartus построены модели, с помощью последних оценены аппаратурные затраты, измеряемые в числе используемых логических блоков LUT и регистров. Компиляция проекта для программируемой логической интегральной схемы показала уменьшение аппаратурных затрат на 20–25 % (в зависимости от параметров нейронной сети), по сравнению с использованием устройства управления без разделения счетчиков. Следует отметить, что местное фрагментарное устройство управления позволяет упростить масштабирование сети и увеличить ее отказоустойчивость.

1. Чертовской В. Д. Теория управления: автоматические и автоматизированные системы // Вестник Вологодского государственного университета. Сер. Технические науки. 2023. № 3(21). С. 44–50.

2. Пупков К. А., Егупов Н. Д., Рыбаков К. А., Сотскова И. Л. и др. Нестационарные системы автоматического управления: анализ, синтез и оптимизация. М.: Изд-во МГТУ им. Н. Э. Баумана, 2007. 631 с.

3. Бродин В. Б. Шагурин И. И. Микроконтроллеры. Архитектура, программирование, интерфейс. М.: Изд-во ЭКОМ, 1999. 400 с.

4. Liu G., Li G., Peng Z., Pan H. Adaptive neural network dynamic surface control algorithm for pneumatic servosystem // Proc. of the 11th Intern. Conf. on Modelling, Identification and Control (ICMIC2019). Lecture Notes in Electrical Engineering, Tianjin, China, 2019. P. 821–829.

5. Бойков В. И., Быстров С. В., Волков И. С., Коровьяков А. Н. Экспериментальная оценка показателей аналого-цифровых преобразователей микроконтроллеров // Изв. вузов. Приборостроение. 2007. Т. 50, № 11. С. 73–76.

6. Самойлов Л. К., Денисенко Д. Ю., Прокопенко Н. Н. Динамические погрешности процесса ввода аналоговых сигналов датчиков в системах управления и контроля. М.: СОЛОН-Пресс, 2021. 240 с.

7. Мартьянов П. С. Применение цифровой элементной базы для реализации аналоговых устройств // Акустооптические и радиолокационные методы измерений и обработки информации: Тр. XVI Междунар. науч.-техн. конф. Суздаль, 09–12 октября 2023 года. М.: Научно-технологический центр уникального приборостроения РАН, 2023. С. 234–238.

8. Пикина Г. А., Пащенко Ф. Ф., Пащенко А. Ф. О некоторых проблемах реализации теории оптимального управления в задачах автоматического регулирования // Датчики и системы. 2022. № 3(262). С. 3–8.

9. Lee C., Lee S., Chu B. Extension of Quadcopter Flight Range Based on Quadcopter Transport System and Autonomous Ramp Flight Algorithm // IEEE Access. 2020. Vol. 8. P. 156422–156432.

10. Каразин В. И., Хисамов А. В. Разработка систем автопилотирования транспортными средствами // Теория механизмов и машин. 2019. Т. 17, № 4(44). С. 149–157.

11. Волков Д. А., Саяпин А. В., Сафонов К. В., Кузнецов А. А. Дистанционно управляемый подводный аппарат в форме квадрокоптера: особенности конструкции и системы управления // Сибирский журнал науки и технологий. 2020. Т. 21, № 2. С. 163–169. DOI: 10.31772/2587-6066-2020-21-2-163-169.

12. Глазунов А. Н., Ефимов А. А. Исследование интегрированных схем изолирования аналого-цифровых преобразователей // I-methods. 2023. Т. 15, № 2.

13. Жолондковский В. В., Бочаров Ю. И., Таранин М. В. и др. Средства аппаратной поддержки вычислений в области искусственного интеллекта // Датчики и системы. 2021. № 5(258). С. 20–25.

14. Фомин А. В. Адаптивное управление печами отжига металла на основе нейросетевой настройки параметров линейных регуляторов. М.: РОСА, 2023. 146 с.

15. Yuguo Xiang, Min Chen, Danfeng Zhai, Yutong Zhao, Junyan Ren, Fan Ye. A neural network based background calibration for pipelined-SAR ADCs at low hardware cost // Electronics Letters. 2023. Vol. 59, N 15. P. 1–3.

16. Посягин А. И., Южаков А. А. Парадигма построения самомаршрутизирующегося аналого-цифрового преобразователя на основе нейронной сети // XII Всерос. совещание по проблемам управления ВСПУ-2014. М., 16–19 июля 2014 г. М.: Институт проблем управления им. В.А. Трапезникова РАН, 2014. С. 7159–7165.

17. Макагонов Н. Г., Посягин А. И., Южаков А. А. Принципы самомаршрутизации сигналов в аналого-цифровом преобразователе на основе однослойной нейронной сети // Электротехника. 2016. № 11. С. 3–6.

18. Васбиева А. Ф., Елтышев А. В., Посягин А. И., Южаков А. А. Обзор нейросетевого аналого-цифрового преобразователя с архитектурой многоуровневого кольца // Междунар. конф. по мягким вычислениям и измерениям. 2017. Т. 2. С. 228–231.

19. Наборщиков А. А., Посягин А. И., Южаков А. А. Анализ алгоритмов проведения процедуры самодиагностики в аналого-цифровом преобразователе на основе нейронной сети // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. 2024. № 1(61). С. 35–46.