В современных системах автоматизированного проектирования ши

41
1.
Для каждого графического объекта формируется множество эталонов, 
отличающихся масштабом, сдвигом, контрастностью и т.д. То, что все 
эти эталоны относятся к заданному объекту, определяет оператор. На 
первом этапе система распознавания должна определить эталон, наи-
более похожий на графический объект, выбирая его в каждой группе 
эталонов. 
2.
На втором этапе из группы отобранных эталонов выбирается один, 
наиболее похожий на заданный графический объект. 
В процессе распознавания каждому эталону назначается число (вес), 
определяющее близость эталона и графического объекта. В результате 
анализа выбирается образ (группа эталонов), к которому относится графи-
ческий объект. 
Понятно, что получение однозначного результата при распознавании 
графических изображений возможно с определенной вероятностью узна-
вания. На экране видеокамеры может появиться изображение, для которо-
го нет эталона. Тогда результат распознавания может быть неоднознач-
ным, например, система обнаружит два или три похожих эталона. 
Рассмотренный алгоритм соответствует алгоритму работы двух-
слойной нейронной сети с прямым распространением сигналов. 
Рассмотрим технологические ограничения на архитектуру нейрон-
ной сети. Характерным элементом конструкции ПЛИС является наличие 
трассировочных матриц, состоящих из параллельных проводников. Две 
трассировочные матрицы с взаимно пересекающимися проводниками вы-
полняется в двух изолированных друг от друга технологических слоях. 
Связь проводников с другими элементами микросхемы осуществляется 
через колодцы, выполненные в слоях изоляции микросхемы. 
Эти особенности технологии делают обоснованным выбор регуляр-
ной плоской архитектуры нейронной сети, согласованной с технологией её 
изготовления. 

---

42
Первый слой нейронной сети работает по следующему алгоритму. 
Графическое изображение, не уменьшая общности, можно представить в 
виде вектора 
X
i
, заданного компонентами {
x
0
, 
x
1
, 
x
2
, ... 
x
n
} в 
n
-мерном евк-
лидовом пространстве. Каждая координата вектора соответствует пикселю 
графического изображения. Величина 
x
i
соответствует яркости пикселя 
изображения. 
Изображение-эталон 
j
также представлено в виде группы из 
k
, вектор 
Y
jk
, компоненты которого {
y
1
k
, 
y
2 
k
, 
y
3 
k
, ... 
y
nk
} соответствуют яркости соот-
ветствующего пикселя в эталонном изображении. 
Результат сравнения изображения и эталона вычисляется как скаляр-
ное произведение 
B
j
= (
X
, 
Y
j
) = (
x
1 
y
1
j
+ … + 
x
n
y
nj
) .
(2.1)
Величина скалярного произведения 
B
j
зависит от выбранного этало-
на. Поэтому в качестве меры близости двух векторов необходимо взять 
нормированное на единицу скалярное произведение (или косинус угла ме-
жду векторами 
X
i
Y
ij
). 
1 1
2
2
2
2
2
2
2
2
1
2
1
2
...
.
...
...
j
j
j
n
nj
j
j
n
j
j
nj
B
x y
x y
x y
b
X Y
x
x
x
y
y
y











(2.2) 
Максимальное значение нормированного скалярного произведения 
b
j
(2.2) равно единице, если на вход системы подан вектор-эталон. Для про-
извольного вектора 
X
величина 
b
j
меньше единицы. 
Нормированное скалярное произведение принимается за меру близо-
сти вектора-изображения X и вектора-эталона Y
j
. 
Вычисление скалярного произведения и нормировка проводится ап-
паратно в плоском модуле сети (матрице нейронов), представленном на 
рис. 2.9. Вектор-изображение 
X
= {
X
i
}
подается на входы сети. В строках 
сети расположены формальные нейроны, в которые записаны компоненты

---