использования своего оборудования путем переключения синаптических блоков.
Достигается это путем незначительных аппаратных затрат внутри модуля и
использования дополнительных управляющих, входных и выходных линий.
17. Расчет экономического эффекта
Расчет экономического эффекта от производства новой продукции, не
имеющей базы сравнения (принципиально новой продукции), осуществляется
исходя из прибыли реализации единицы этой продукции, удельных капитальных
вложений с учетом нормативного коэффициента их эффективности и годового
объема производства принципиально новой продукции:
Э = ( П – Ен*К)*А2 (80)
где Э – годовой экономический эффект от производства нового продукта, руб.;
П – прибыль от реализации единицы нового продукта, руб.; Ен – нормативный
коэффициент эффективности капитальных вложений, равный 1,5; К – удельные
капитальные вложения в производство нового продукта, руб.; А2 – годовой
объем производства новых продуктов, ед.
Для выбора наиболее экономичного варианта производства производятся
расчеты сравнительной экономической эффективности на основе определения
минимума приведенных задач:
Зi = Сi + Ен*Кi ( min (81)
где Зi – удельные (на единицу продукции) приведенные затраты на
производство продукта, руб.; Сi – удельные текущие затраты (себестоимость)
на производство продукта, руб.; Кi – удельные капитальные вложения в
продукт, руб.
Расчеты по формуле (81) позволяют из всего множества вариантов
выпуска одинаковых по объему и качеству продуктов при различных текущих
затратах и капитальных вложений выбрать вариант с наименьшими совокупными
затратами.
Решение о выборе варианта для постановки его на производство
формируется на основе анализа экономической эффективности и
народнохозяйственного значения продукта при его использовании с учетом
расчетов, выполненных по формуле (81).
Заключение
Изложенный материал отражает один из важных подходов к проектированию
искусственных нейронов и нейронных сетей. Суть этого подхода состоит в
синтезе и аппаратной реализации разностных алгоритмов обработки информации
в нервных клетках, воспроизводящих как моделирующие, так и вычислительные
свойства нейронов. Данное обстоятельство оправдывает использование для
обозначения синтезированного цифрового динамического нейроподобного
элемента термина «цифровой нейропроцессор». Особенность такого ЦНП
заключается в том, что, помимо выполнения крупных математических операций,
он структурно настраивается на выполнение крупных моделирующих операторов
типа формального нейрона, адаптивного нейрона и т. д.
Нейронные операторы позволяют использовать ЦНП для имитационного
моделирования неформализованных нейросетевых процессов в мозге.
Математические операции позволяют создавать обучаемые сети систем
распознавания образов. Более того, эти операции позволяют строить
нейропроцессорные сети для решения таких задач вычислительной математики,
как решение систем линейных алгебраических уравнений с произвольной, в том
числе прямоугольной и квадратной особенной матрицей коэффициентов; решение
задач линейного программирования; решение систем дифференциальных уравнений
со сложными граничными условиями, решение интегральных уравнений и т. п.
В то же время следует отметить, что данный подход не является
единственным. В настоящее время многие фирмы США, Японии, Европы ведут
интенсивные исследования, направленные на создание нейрокомпьютеров и
нейроэлементов различных модификаций. Прежде всего это касается
симуляционных (моделирующих) нейрокомпьютеров, разрабатываемых в виде
пакетов прикладных программ для персональных ЭВМ и суперЭВМ.
Разрабатываются нейроЭВМ на новой технологической основе, например
оптической, оптоэлектронной, молекулярной.
Литература
1. Чернухин Ю. В. Нейропроцессоры. Таганрог, ТРТИ, 1994.
2. Чернухин Ю. В. Искусственный интеллект и нейрокомпьютеры.
Таганрог, ТРТИ, 1997.
-----------------------
(1)
[pic]
(2)
[pic]
[pic]
(3)
[pic]
(4)
[pic]
[pic]
(5)
[pic]
[pic]
(6)
(8)
[pic]
[pic]
[pic]
(10)
[pic]
(12)
1
2
V(t)
Z(t),V(t)
(13)
[pic]
[pic]
[pic]
[pic]
(14)
[pic]
[pic]
(15)
[pic]
(16)
(17)
[pic]
(18)
[pic]
(19)
[pic]
[pic]
(20)
[pic]
[pic]
(21)
[pic]
[pic]
(22)
(23)
[pic]
[pic]
(26)
[pic]
(25)
[pic]
[pic]
[pic]
x(ti)
xN(ti)
(1
.
. ПС
.
(N
–1
Sign ky(ti)
Z(ti+1)
y(ti)
(n
k
(1
.
. ПС1
.
(N
.
.
.
(
(( ПС2
–(
x(ti)
.
.
.
xN(ti)
(п
И
k ВБ
Z(t)
y’(t)
y(t0)
V(t)
(1
.
. ПС
.
(N
–1
–(
.
.
.
x(ti)
.
.
.
xN(ti)
(п
И
ВБ
Z(t)
y(t0)
y’(t)
y(t)
Пвв1
Пвв2
ПввN
ПЗУ
Программа алгоритма
ОЗУ
(1 (
. (
. k
.
(N (
Пв
МПУ
Z(ti+1)
x1(ti)
x2(ti)
xN(ti)
[pic]
[pic]
[pic]
(Wi+1
(m)
( yq(i+1)
(m)
См
Мн
Кв
Рг yi-1
(n)
yi=yi-1+( yi
(Wi
(n+m)
( yi
(m)
ЦИ
См
&1
&2
Рг Oi
(n)
(Wi+Oi-1
(Wi+1
(m)
Кв1
(Wi
(n+m)
Ио Ип
&
Кв2
(Wi+1
Ип
(Wi
ЦИ
yi-1
(Wi+1
(yq(i+1)
(yi
ЦИ
yi-1
(Wi+1
(yq(i+1)
(yi
Кв
(Wi+1
(Wi+1
ЦИ
yi-1
(Wi+1
(yq(i+1)
(yi
(yi
(yq(i+1)
Э
(yqi
(yq(i+1)= (y эqi
[pic]
[pic]
ЦИ
(1
ЦИ
(N
См1
...
Vi(t
ЦИ
(
(Vi(t
См1
См2
-((t
ЦИ
yi-1
(yi
ЦИ
k
(
Zi+1(t
-(yi(t
(
ЦИ
-
(
(
ЦИ
-
yi(t
X1(t
XN(t
(t
ЦИ
(1
ЦИ
(N
...
См
ЦИ
yi-1
(
ЦИ
-
(
X1(t
ЦИ
k
(
Zi+1(t
(
ЦИ
-
XN(t
(t
t
t
t
t
Vi
yi
Zi+1(t (k=1)
Zi+1(t (k=0.5)
[pic]
(27)
[pic]
(30)
(29)
(28)
[pic]
[pic]
[pic]
(31)
[pic]
[pic]
[pic]
(32)
[pic]
(34)
(36)
(35)
(33)
[pic]
Страницы: 1, 2, 3, 4, 5, 6, 7, 8
