Всеукраїнська науково-практична конференція



Сторінка53/60
Дата конвертації11.05.2018
Розмір3.74 Mb.
1   ...   49   50   51   52   53   54   55   56   ...   60

МАНТУЛІН Ю.С., КОСАРІМ О.О., ДЕЙБУК В.Г.


ЧЕРНІВЕЦЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ ІМ. Ю. ФЕДЬКОВИЧА

(УКРАЇНА)

МОДЕЛЮВАННЯ ТРІЙКОВИХ ЛОГІЧНИХ ПРИСТРОЇВ НА ОСНОВІ VHDL



В роботі показано можливості VHDL середовища для моделювання трійкових комбінаційних пристроїв. Метод кодування продіагностовано на базових трійкових логічних елементах, що дозволило спроектувати мультиплексор, напівсуматор, суматор, субстрактор, помножувач та найпростіші елементи пам’яті.
Останнім часом у розробників обчислювальної техніки значно зріс інтерес до багатозначної логіки. Трирівнева або трійкова логіка, зокрема, має кілька переваг порівняно з двійковою у схемотехніці цифрових пристроїв [1,2]. Перелічимо лише деякі з них:

  • існує можливість для досягнення простоти і покращення енергоефективності в цифрових схемах;

  • зменшується кількість і складність з’єднань, а відповідно і площа самого кристалу;

  • оптимальніше використання каналів передачі даних;

  • числове представлення інформації є більш економне порівняно з двійковою системою числення;

  • зменшення необхідних кроків обчислень;

  • ефективніше виявлення і виправлення помилок в коді.

Великий вибір і найрізноманітніші обчислювальні можливості інтегральних схем, які є доступними на даний час, можуть забезпечити необхідну обчислювальну потужність для реалізації схем багатозначної логіки.

Для моделювання цифрових комбінаційних пристроїв трійкової логіки в роботі використано середовище VHDL[3]. Окрім двох звичайних станів «true» та «false», використовується третій високоімпенданстний стан Z. Отже, задача полягає у створенні складних цифрових пристроїв, розробка яких, як і в бінарній логіці, починається з моделювання найпростіших трійкових логічних елементів, таких як інвертор, АБО-НЕ, І-НЕ, ВИКЛЮЧНЕ АБО. Для цього був реалізований декодер, який конвертує трійковий вхідний сигнал в унітарний код. На основі створених базових логічних елементів були побудовані: мультиплексор, напівсуматор, суматор, субстрактор, помножувач.

Всі отримані схеми були детально продіагностовані з допомогою розробленого симулятора VHDL, що доводить їх функціональну коректність. Пропонований симулятор може бути успішно використаний для проектування та аналізу складніших як комбінаційних, так і послідовнісних пристроїв трійкової логіки.
ПЕРЕЛІК ЛІТЕРАТУРИ


  1. Miller D. M. and  Thornton M. A. Multiple Valued Logic: Concepts and Representations. - Morgan & Claypool. 2008.- 135 p. 

  2. Sathish Kumar A., Swetha Priya A. Modeling of Combinational Cirquits Based on Ternary Multiplexer Using VHDL // Int. J. Comp. Sci. and Eng. – 2010. –Vol. 2, No.5. -– p.1777-1791.

  3. Сергиенко А.М. VHDL для проектирования вычислительных устройств – К:ЧП «Корнейчук», 2003. - 208 с.


УДК 004.93.1

НАДЖАФИАН ТУМАДЖАНИ М.


МННЦ ІТіС НАН і МОН України (Україна)

КЛАССИФИКАЦИЯ КАРТ РАСПРЕДЕЛЕНИЯ ПЛОТНОСТИ ТОКА В ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ ОБРАБОТКИ МАГНИТОКАРДИОГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ



Для классификации карт распределения плотности тока осуществлена обработка изображений магнитокардиограмм и сформирована многомерная обучающая матрица, в которой каждая строка является вектором-реализацией образа и состоит из 400 признаков распознавания. Для обучения системы классификации применен алгоритм, который представлял собой итерационную процедуру поиска глобального максимума информационного критерия функциональной эффективности (КФЭ).
ВВЕДЕНИЕ. Самыми ценными и информативными изображениями данных магнитокардиографии (МКГ) являются карты распределения плотности тока. Однако визуальная оценка магнитокардиограмм слишком сложна и требует значительного опыта и высокой квалификации доктора-кардиолога для распознавания данных МКГ. Такая оценка особенно трудна в анализе данных в незащищенном окружении из-за шумовых эффектов. Это является основной причиной априорной неопределённости при принятии решений. Основным путём повышения функциональной эффективности магнитокардиографов, по нашему мнению, является построение автоматических систем классификации магнитокардиограмм на основании идей и методов машинного обучения и распознавания образов [1-3]. Для решения этой проблемы предложен алгоритм классификации магнитокардиограмм в рамках прогрессивной информационно-экстремальной интеллектуальной технологии [4].

ЦЕЛЬ РАБОТЫ – развитие метода распознавания образов, основанного на анализе карт распределения плотности тока (РПТ) для автоматизированной обработки магнетокардиографических изображений.

РЕЗУЛЬТАТЫ. Алфавит классов распознавания состоял из магнитокардиограмм четырёх классов, характеризующих контрольную группу с нормальной кардиофизиологией и группы пациентов с ишемической болезнью сердца (ИБС), миокардитом или миокардитическим кардиосклерозом и с высокоуровневыми шумами.

Опытным кардиологом с помощью пакета программ MAGWIN были сформированы четыре выше названных класса распознавания, каждый из которых включал по 40 цветных магнитокардиограмм, в которых длина, угол и яркость векторов рассматривались как признаки распознавания.

Формирование обучающей матрицы рассмотрим на примере изображений здоровых добровольцев и пациентов с ИБС. С целью обеспечения алгоритма классификации, инвариантной к перемещению, повороту и смене масштаба, обработка RGB-компонент изображений осуществлялась в полярных координатах по формуле:

,(1)

где j – усреднённое значения яркости пикселей изображений, находящихся в окружности считывания j-го радиуса, ; i - значение яркости i-го пикселя окружности считывания; Nj – количество пикселей в окружности считывания j-го радиуса, R – радиус изображения.

В результате получены спектры яркости RGB-компонент изображений (рис. 1).

Дополнительно в словарь признаков распознавания включались геометрические характеристики векторов распределение плотности тока, определяющие прямоугольники, расположение и площадь которых зависели от длины и направления векторов. В результате обработки изображений магнитокардиограмм была сформирована многомерная обучающая матрица, в которой каждая строка являлась вектором-реализацией образа и состояла из 400 признаков распознавания: 300 признаков характеризовали яркость RGB-компонент изображений и 100 - топологию карты.

Алгоритм обучения представлял собой итерационную процедуру поиска глобального

максимума информационного критерия функциональной эффективности (КФЭ) обучения системы классификации в допустимой области определения его функции.



описание: fig4aописание: fig4b

а б


Рис. 1. Графики зависимости усреднённого значения яркости пикселей RGB-компонент изображений от радиуса поляризации: а –здоровые добровольцы; б –добровольцы с некоронарогенными заболевания сердца.
В качестве КФЭ обучения системы классификации магнитокардиограмм применялся модифицированный критерий Кульбака [4]:

(2)


где Pt, Pf – полные вероятности правильного и ошибочного принятия решений соответственно; , − первая и вторая достоверности, вычисленные на k-м шаге обучения соответственно; , − ошибки первого и второго рода соответственно.

На рис. 2 показан график зависимости нормированного КФЭ от параметра , характеризующего ширину симметричного поля контрольных допусков на признаки распознавания, полученный в процессе параллельной оптимизации системы контрольных допусков на признаки распознавания. Тёмным цветом обозначены рабочие (допустимые) области определения функции (2), в которых первая и вторая достоверности превышают ошибки первого и второго рода.



описание: fig3_1

Рис. 2.


График зависимости нормированного критерия Кульбака (3) от параметра  для четырёх

классов распознавания


Анализ рис. 2 показывает, что максимальное значение нормированного КФЭ достигается при оптимальном значении параметра *=51 градаций яркости пикселей изображений. Кроме того, нормированный КФЕ принимает в рабочей области определения его функции максимальное граничное значение , что свидетельствует о построении безошибочных по обучающей матрице решающих правил.

ВЫВОДЫ. Предлагаемый алгоритм обучения, который представляет собой итерационную процедуру поиска глобального максимума информационного критерия функциональной эффективности, обеспечивает распознавание магнитокардиографических изображений.
СПИСОК ЛИТЕРАТУРЫ

1. Fainzilberg L, Chaikovsky I, Hailer B et al. (2007) Sensitivity and specificity of magnetocardiography, using computerized classification of current density vectors maps, in ischemic patients with normal ECG and echocardiogram, Int Congress Series 1300, New Frontiers in Biomagnetism, Elsevier, Rotterdam, pp 468-471

2. Van Leeuwen P, Hailer B, Lange S et al. (2008) Quantification of cardiac magnetic field orientation during ventricular de- and repolarization. Phys Med Biol 53:2291-2301

3. Tantimongcolwat T, Naenna T, Isarankura-Na-Ayudhyu Ch et al. (2008) Identification of ischemic heart disease via machine learning analysis on magnetocardiograms. Computers in Biol and Med 38(7):817-825

4. Довбиш А.С. Основи проектування інтелектуальних систем. Навчальний посібник . Суми , СумДУ,2009.171с.

УДК 681.518:004.9



Поділіться з Вашими друзьями:
1   ...   49   50   51   52   53   54   55   56   ...   60


База даних захищена авторським правом ©wishenko.org 2017
звернутися до адміністрації

    Головна сторінка