Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mạng nơ-ron dựa trên một vi điều khiển tám bit giá rẻ
Tóm tắt
Trong bài báo này, một mạng nơ-ron được huấn luyện và xác thực bằng cách sử dụng một vi điều khiển giá rẻ và cấp thấp. Thuật toán lan truyền ngược nổi tiếng được triển khai để huấn luyện mô hình mạng nơ-ron. Cả hai phần huấn luyện và xác thực đều được hiển thị thông qua màn hình tinh thể lỏng alphanumeric. Một quá trình hóa học đã được chọn làm hệ thống phi tuyến thực tế để chứng minh tính khả thi và hiệu suất của các kết quả được tìm thấy bằng vi điều khiển. Một so sánh đã được thực hiện giữa kết quả từ vi điều khiển và máy tính.
Từ khóa
#mạng nơ-ron #vi điều khiển giá rẻ #thuật toán lan truyền ngược #hệ thống phi tuyến #hiển thị tinh thể lỏng alphanumericTài liệu tham khảo
Roffel B, Betlem B (2006) Process dynamics and control, modeling for control and prediction. Wiley, England
Duan S, Shi Z, Feng H, Duan Z, Mao Z (2006) An on-line adaptive control based on DO/pH measurements and ANN pattern recognition model for fed-batch cultivation. Biochemical Eng J 30:88–96
Akesson BM, Toivonen HT (2006) A neural network model predictive controller. J Process Control 16:937–946
Al Seyab RK, Cao Yi (2008) Differential recurrent neural network based predictive control. Comput Chem Eng 32–7:1533–1545
Gulbag A, Temurtas F, Tasaltin C, Ozturk ZZ (2009) A neural network implemented microcontroller system for quantitative classification of hazardous organic gases in the ambient air. Int J Environ Pollut 36–3:151–165
Cotton NJ, Wilamowski BM, Dündar G (2008) A neural network implementation on an inexpensive eight bit microcontroller, In: 12th international conference on intelligent engineering systems. Miami, Florida
Liung TK, Mashor MY, Isa NAM, Ali AN, Othman NH (2003) Design of a neural network based cervical cancer diagnosis system: a microcontroller approach, ICAST 2003
Neelamegamand P, Rajendran A (2005) Neural network based density measurement. Bulgarian J Phys 31:163–169
Plett GL (2003) Adaptive inverse control of linear and nonlinear systems using dynamic neural networks. IEEE Trans Neural Netw 14(2):360–372
Liu GP, Kadirkamanathan V, Billings SA (1998) Predictive control for non-linear systems using neural networks. Int J Control 71(6):1119–1132
Testa FJ, FJT Consulting (1997) Floating point math functions [Online]. Available: http://www.microchip.com
Testa FJ, FJT Consulting (1997) IEEE 754 compliant floating point routines [Online]. Available: http://www.microchip.com
Evans R (2001) Floating point to ASCII conversion [Online]. Available: http://www.microchip.com
Testa FJ, FJT Consulting (1996) Fixed point routines [Online]. Available: http://www.microchip.com
Efe MÖ (1996) Identification and control of nonlinear dynamical systems using neural networks M.S. Thesis, Boðaziçi University
McAvoy T, Hsu E, Lowenthal S (1972) Dynamics of pH in CSTRs. Ind Eng Chem Process Des Dev 11:68–70
Zhu Y (2001) Multivariable system identification for process control. Elsevier, Pergamon
Billings SA, Voon WSF (1986) Correlation based model validity tests for non-linear models. Int J Control 44:235–244
Chen S, Billings SA, Grant PM (1990) Non-linear system identification using neural networks. Int J Control 51(6):1191–1214