步驟1：1.簡介

1。簡介

傳統計算器并不總是能夠解決需要密集計算的問題，例如模式識別，機器人的運動控制，基于大量帶有噪聲的數據的決策等。結果，采用了其他信息處理方法，而分布式處理就是其中之一。滿足上述許多要求的信息處理的這些非常規方向之一是由人工神經網絡（neural calculus）表示的。

本文借助神經網絡進行了仿真。組合邏輯電路（CLC）的網絡。第2部分介紹有關CLC設計的概念，并說明設計復雜CLC的困難。第三部分顯示了使用前饋人工神經網絡進行仿真的示例。在上一節中，顯示了有關我們方法的一些結論。

2。組合邏輯電路

組合邏輯電路（CLC）是具有n個輸入的電子電路，用X1，X2，…，Xn和m個輸出表示，用Z1，Z2，…，Zm表示，為此可以使用數學模型根據輸入來表示輸出

Z1 = f1（X1，X2，…，Xn）

Z2 = f2（X1，X2，…，Xn）

……………………

ZI = fi（X1，X2，…，Xn）

……………………

Zm = fm（X1，X2，…，Xn）

在電路CLC的合成中，通常首先根據真值表以及操作和非操作狀態的規定所施加的要求對功能條件進行分類。涉及以下步驟：

?

問題發聲；制定真值表；

?

真函數的最小化；

?

換向函數的相關最小化；方案分析和

消除危害；

?

邏輯功能的硬件實現。

步驟2：

div在經典的CLC電路合成方法中，一個微妙的問題是，并非總是能夠實現絕對最佳的嚴格方案。因此，在合成具有大量輸入變量（n = 6的那些），具有許多輸出和不確定狀態的復雜函數的情況下，代數和拓撲方法非常困難

在下面，我們通過一個示例來說明設計CLC的問題。在圖2中，我們使用Veitch-Karnaugh圖顯示了最小化過程，在圖3中，顯示了所得的CLC。

步驟3：3。前饋神經網絡幫助的CLC仿真

本文提出了利用神經網絡的方法對這些CLC進行特殊處理的方法。該解決方案由CLC和具有n個輸入和m個輸出的神經網絡之間存在的功能相似性提出。實際上，使用了三層神經網絡，第一層具有n（4）個輸入神經元，而第三m（2）個輸出神經元（圖4）。對于神經網絡，輸入和輸出

數據集由圖2中的真值表給出。

步驟4：

仿真顯示，對于配置4：6：2的網絡，已經實現了CLC的I/O依賴性。如果我們注意到該網絡需要12個神經元（包括被動輸入神經元），則其結果等效于12個門，這與圖3中使用18種多種門的CLC相反。顯然，在硬件實現中，用于實現CLC功能的神經方法可能具有競爭力。在圖5中，可以看到真值表中輸入的每種組合的“神經” CLC的實際輸出和所需的輸出

第5步：4.結論 h2》

最后，在神經網絡的幫助下，組合電路仿真的方法需要執行以下步驟：

步驟1。為所選組合電路建立真值表；

第2步。選擇一個三層神經網絡，在第一層具有n個神經元，在隱藏層中將找到許多神經元，在輸出層中有m個神經元；

第3步：使用真值表訓練神經網絡；

第4步：驗證網絡的正確功能；

第5步。網絡硬件實現。

步驟6：軟件設計

步驟7：

步驟8：3D設計

步驟9：

步驟10：

步驟11：

步驟12：

步驟13：最后

責任編輯：wv