![](/images/graphics-bg.png)
Hardware implementation of an ANN trained by GA and PSO based on FPGA
Other Title(s)
التنفيذ العملي للشبكات العصبية الاصطناعية المدربة بواسطة الخوارزمية الجينية و أمثلية الحشد الجزيئي باستخدام مصفوفة البوابات المنطقية المبرمجة
Joint Authors
Akkar, Hanan Abd al-Rida
Hasan, Sundus Dahham
Source
Iraqi Journal of Computer, Communications and Control Engineering
Issue
Vol. 11, Issue 2 (31 Dec. 2011), pp.89-98, 10 p.
Publisher
Publication Date
2011-12-31
Country of Publication
Iraq
No. of Pages
10
Main Subjects
Information Technology and Computer Science
Topics
Abstract AR
تم في هذا البحث التنفيذ العملي للشبكات العصبية الاصطناعية (ANN) المدربة باستخدام الخوارزمية الجينية (GA) و أمثلية الحشد الجزيئي (PSO) باستخدام مصفوفة البوابات المنطقية المبرمجة حيث تم اقتراح برنامجين هما خوارزمية أمثلية الحشد الجزيئي التي تدرب الشبكات العصبية (PSONN)، و الخوارزمية الجينية التي تستخدم في تدريب الشبكات العصبية (GANN) لزيادة عملية التعلم من حيث معدل التقارب و دقة التصنيف.
حيث تم اختبارهما و مقارنة النتائج في تطبيق تصنيف الأشكال (Pattern Classification).
بينت النتائج بأن الـ GANN أسرع من PSONN مع أقل دقة، تبعا لنتائج كل مثال.
و أن كلا الخوارزميتين ذواتا تأثير متساوي و لكن يمتلك PSONN كفاءة جيدة على GANN.
و بشكل عام، بينت التجارب أن كلا الخوارزميات تحقق نتائج جيدة من حيث الوقت و النسبة المئوية للتقارب.
تظهر النتائج أن ANN التي صممت باستخدام الـ GA ذات قدرة أفضل في التعميم و عدد أقل من التكرار لتدريب الشبكة العصبية الاصطناعية المصممة.
تم اقتراح (HDANN) لتمثيل ANN باستخدام (XSA-3S1000 Board) FPGA-spartan3 board.
بواسطة HDANN يتم إنشاء الملفات الخاصة بتصميم ANN باستخدام برنامج WebPACKTM ISE 9.2i، التي يتم تحويلها إلى ملفات البرمجة التي يعتمد عليها لتحميلها إلى FPGA باستخدام برنامج GXSLOAD من مجموعة برامج XSTOOLS.
Abstract EN
In this paper, Particle Swarm Optimization-feed forward Neural Network (PSONN) and Genetic Algorithm-Neural Network (GANN) are proposed to enhance the learning process of ANN in term of convergence rate and classification accuracy.
They have been tested and compared and the results applied in pattern classification.
The experiments show that both algorithms produce feasible results in terms of convergence time and classification percentage.
At the end of the evolutionary process of GANN for optimal structure, not only the best network structure for a particular application but also the trained network with few numbers of epochs is provided.
A Hardware Design of ANN platform (HDANN) is proposed to evolve the architecture of ANN circuits using FPGA-spartan3 board (XSA-3S1000 Board).
The HDANN design platform creates ANN design files using Web PACKTM ISE 9.2i, and converted into device-dependent programming files for eventual downloading into an FPGA device by using GXSLOAD program from the XSTOOLS programs.
American Psychological Association (APA)
Akkar, Hanan Abd al-Rida& Hasan, Sundus Dahham. 2011. Hardware implementation of an ANN trained by GA and PSO based on FPGA. Iraqi Journal of Computer, Communications and Control Engineering،Vol. 11, no. 2, pp.89-98.
https://search.emarefa.net/detail/BIM-308712
Modern Language Association (MLA)
Akkar, Hanan Abd al-Rida& Hasan, Sundus Dahham. Hardware implementation of an ANN trained by GA and PSO based on FPGA. Iraqi Journal of Computer, Communications and Control Engineering Vol. 11, no. 2 (Dec. 2011), pp.89-98.
https://search.emarefa.net/detail/BIM-308712
American Medical Association (AMA)
Akkar, Hanan Abd al-Rida& Hasan, Sundus Dahham. Hardware implementation of an ANN trained by GA and PSO based on FPGA. Iraqi Journal of Computer, Communications and Control Engineering. 2011. Vol. 11, no. 2, pp.89-98.
https://search.emarefa.net/detail/BIM-308712
Data Type
Journal Articles
Language
English
Notes
Includes appendices : p. 94-98
Record ID
BIM-308712