В современных системах автоматизированного проектирования ши

64
ГЛАВА 3.
ПОСТРОЕНИЕ ФИЗИКО-
МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ
ПРИ ПРОЕКТИРОВАНИИ
ЭЛЕМЕНТОВ НЕЙРОННЫХ СЕТЕЙ
3.1. Модели ускоренного обучения нейронных сетей
Искусственные нейронные сети находят все более широкое приме-
нение в решении задач искусственного интеллекта. Они доказали свою 
способность решать такие задачи как ассоциативный поиск, кластирование 
и распознавание образов. 
Схема нейронной сети представлена на рис. 3.1. 
Каждый нейрон сети (рис. 3.2) умножает первый входной сигнал 
x
i
на вес входа
k
ij
, складывает полученную величину с сигналом, поступаю- 
Рис. 3.1.
Схема плоской нейронной сети
 

---

65
Рис. 3.2.
Структурная схема нейрона
 
щим на второй вход нейрона, и передает результат на выход нейрона 
y
j
. 
Взаимодействие между нейронами происходит за счёт связей, реали-
зованных в двух дополнительных слоях металлизации, что позволяет изго-
тавливать нейронные сети как цифровые микросхемы высокой степени 
интеграции в рамках существующей планарной технологии. 
Входные сигналы 
x
i
могут иметь как бинарный формат (0 или 1), так 
и формат целого числа. Выходные сигналы 
y
j
имеют формат целого числа. 
Веса входов 
k
ij
так же имеют формат целого числа. 
В результате на каждом выходе 
y
j
получается взвешенная сумма 
входных сигналов 
1
.
n
j
ij
i
i
y
k x



Веса входов 
k
ij
могут быть установлены на основе априорной ин-
формации об алгоритме решаемой задачи или получены в процессе обуче-
ния. 
Электрическая принципиальная схема нейрона представлена на рис. 3.3.
Схема содержит следующие функциональные узлы, представленные 
моделями в стандарте PSPICE: 
1. DD1, DD2 – логические элементы "И-НЕ"; 
2. DD3, DD4 – четырехразрядные реверсивные двоичные счетчики; 
3. DD5 ÷ DD12 – логические элементы "И"; 
4. DD13 ÷ DD20 – четырёхразрядные сусмматоры. 

---