Feed-Forward Neural Networks: Vector Decomposition Analysis, Modelling and Analog Implementation

شبکه‌های عصبی پیش‌خور: تحلیل تجزیه برداری، مدل‌سازیو پیاده‌سازی آنالوگ روش جدیدی را برای تجزیه و تحلیل ریاضی شبکه‌های عصبی ارائه می‌دهد که بر اساس پس انتشار یاد می‌گیرند. الگوریتم این کتاب همچنین برخی دیگر از الگوریتم‌های جایگزین اخیر را برای شبکه‌های عصبی ادراک‌مانند پیاده‌سازی شده با سخت‌افزار مورد بحث قرار می‌دهد. این روش به تجزیه و تحلیل ساده رفتار یادگیری شبکه های عصبی اجازه می دهد تا مشخصات بلوک های سازنده آنها را به راحتی بدست آوریم.
که با استخراج یک مشخصات شروع می شود و با اجرای سخت افزاری آن ختم می شود، شبکه های عصبی با سیم سخت آنالوگ و پیشخور با یادگیری انتشار پس انتشار روی تراشه به طور کامل طراحی می شوند. یادگیری بر روی تراشه در شرایطی که نمی توان از پیکربندی وزن ثابت استفاده کرد، ضروری است. همچنین برای از بین بردن اکثر عدم تطابق ها و تحمل پارامترها که در تراشه های شبکه عصبی سیمی سخت رخ می دهد مفید است.
شبکه های عصبی کاملا آنالوگ دارای چندین مزیت نسبت به سایر پیاده سازی ها هستند: مساحت تراشه کم، مصرف انرژی کم و سرعت عمل بالا.
شبکه‌های عصبی پیش‌خور یک منبع مرجع عالی است و ممکن است به عنوان متنی برای دوره‌های پیشرفته استفاده شود.

Feed-Forward Neural Networks: Vector Decomposition Analysis, Modellingand Analog Implementation presents a novel method for the mathematical analysis of neural networks that learn according to the back-propagation algorithm. The book also discusses some other recent alternative algorithms for hardware implemented perception-like neural networks. The method permits a simple analysis of the learning behaviour of neural networks, allowing specifications for their building blocks to be readily obtained.
Starting with the derivation of a specification and ending with its hardware implementation, analog hard-wired, feed-forward neural networks with on-chip back-propagation learning are designed in their entirety. On-chip learning is necessary in circumstances where fixed weight configurations cannot be used. It is also useful for the elimination of most mis-matches and parameter tolerances that occur in hard-wired neural network chips.
Fully analog neural networks have several advantages over other implementations: low chip area, low power consumption, and high speed operation.
Feed-Forward Neural Networks is an excellent source of reference and may be used as a text for advanced courses.