Спрощена модель нейронної мережі дискретного часу для паралельного сортування

Simple item page
dc.citation.epage101
dc.citation.issue1
dc.citation.journalTitleКомп’ютерні системи та мережі
dc.citation.spage94
dc.citation.volume2
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorТимощук, П. В.
dc.contributor.authorTymoshchuk, P.
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2021-04-20T12:35:36Z
dc.date.available2021-04-20T12:35:36Z
dc.date.created2020-03-01
dc.date.issued2020-03-01
dc.description.abstractЗапропоновано модель паралельної сортувальної нейронної мережі дискретного часу. Модель описується системою різницевих рівнянь і ступінчастими функціями. Модель базується на спрощеній нейронній схемі дискретного часу, призначеній для ідентифікації максимальних/minimal за значеннями вхідних даних, яка описується різницевим рівнянням і ступінчастими функціями. Визначається обмеження згори на кількість ітерацій, необхідних для досягнення пошуковим процесом збіжності до встановленого стану. Модель не потребує знання діапазону зміни вхідних даних. Для використання моделі має бути відомою мінімальна різниця між значеннями вхідних даних. Мережа придатна для обробки невідомих вхідних даних зі скінченними значеннями, розміщеними у довільному невідомому скінченному діапазоні. Мережа характеризується незначними обчислювальною складністю і складністю програмної реалізації, довільною скінченною роздільною здатністю вхідних даних, швидкодією. Наведено результати комп’ютерного моделювання, які ілюструють ефективність мережі.
dc.description.abstractA model of parallel sorting neural network of discrete-time has been proposed. The model is described by system of difference equations and by step functions. The model is based on simplified neural circuit of discrete-time that identifies maximal/minimal values of input data and is described by difference equation and by step functions. A bound from above on a number of iterations required for reaching convergence of search process to steady state is determined. The model does not need a knowledge of change range of input data. In order to use the model a minimal difference between values of input data should be known. The network can process unknown input data with finite values, located in arbitrary unknown finite range. The network is characterized by moderate computational complexity and complexity of software implementation, any finite resolution of input data, speed,. Computing simulation results illustrating efficiency of the network are given.
dc.format.extent94-101
dc.format.pages8
dc.identifier.citationТимощук П. В. Спрощена модель нейронної мережі дискретного часу для паралельного сортування / П. В. Тимощук // Комп’ютерні системи та мережі. — Львів : Видавництво Львівської політехніки, 2020. — Том 2. — № 1. — С. 94–101.
dc.identifier.citationenTymoshchuk P. Simplified parallel sorting discrete-time Neural network model / P. Tymoshchuk // Kompiuterni systemy ta merezhi. — Lviv : Lviv Politechnic Publishing House, 2020. — Vol 2. — No 1. — P. 94–101.
dc.identifier.issn2707-2371
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/56363
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofКомп’ютерні системи та мережі, 1 (2), 2020
dc.relation.references1. Knuth D. E., The Art of Computer Programming, Sorting and Searching. Reading, MA: Addison-Wesley, 1973.
dc.relation.references2. Akl S. G., Parallel Sorting Algorithms, Orlando, FL: Academic, 1985.
dc.relation.references3. Atkins M., “Sorting by Hopfield nets”, in Proc. Int. Joint Conf. Neural Netw., Washington, DC, USA, 1989, pp. 65–68.
dc.relation.references4. Takefuji Y. and Lee K.-S., “A super parallel sorting algorithm based on neural networks”, IEEE Trans. Circuits Syst., vol. CAS–37, 1990. no. 11, pp. 1425–1429.
dc.relation.references5. W. Chen and K. Hsieh, “A neural sorting network with O(1) time complexity”, in Proc. Int. Joint Conf. Neural Networks, vol. III, San Diego, CA, 1990, pp. 793–798.
dc.relation.references6. Kwon T. M. and Zervakis M., „A parallel sorting network without comparators: A neural network approach,” in Proc. Int. Joint Conf. Neural Networks, vol. I, Baltimore, MD, 1992, pp. 701–706.
dc.relation.references7. Tseng Y.-H. and Wu J.-L., “Solving sorting and related problems by quadratic perceptrons”, Electron. Lett., 1992. vol. 28, no. 10, pp. 906–908,.
dc.relation.references8. Wang J., “Analysis and design of an analog sorting network,” IEEE Trans. Neural Networks, 1995. vol. 6, no. 4, pp. 962–971, Jul.
dc.relation.references9. Kwon T. M. and Zervakis M., “KWTA networks and their applications”, Multidimensional Syst. and Signal Processing, 1995. vol. 6, no. 4, pp. 333–346, Oct.
dc.relation.references10. Wang J., “Analysis and design of a k-winners-take-all model with a single state variable and the Heaviside step activation function”, IEEE Trans. Neural Networks. Sept. 2010. vol. 21, no. 9, pp. 1496–1506.
dc.relation.references11. Alnuweiri H. M. and Kumar V. K. P., “Optimal VLSI sorting with reduced number of processors”, IEEE Trans. Comput., 1991. vol. C-40, pp. 105–110.
dc.relation.references12. Rovetta S. and Zunino R., “Minimal-connectivity programmable circuit for analog sorting”, IEE Proc. Circuits, Devices Syst., vol. 146, no. 3, pp. 108–110, Aug. 1999.
dc.relation.references13. Cichocki A. and Unbehauen R., Neural Networks for Optimization and Signal Processing. New York, NY, USA: Wiley, 1993.
dc.relation.references14. Tymoshchuk P. V., “A discrete-time dynamic K-winners-take-all neural circuit”, Neurocomputing, vol. 72, 2009, pp. 3191–3202.
dc.relation.referencesen1. Knuth D. E., The Art of Computer Programming, Sorting and Searching. Reading, MA: Addison-Wesley, 1973.
dc.relation.referencesen2. Akl S. G., Parallel Sorting Algorithms, Orlando, FL: Academic, 1985.
dc.relation.referencesen3. Atkins M., "Sorting by Hopfield nets", in Proc. Int. Joint Conf. Neural Netw., Washington, DC, USA, 1989, pp. 65–68.
dc.relation.referencesen4. Takefuji Y. and Lee K.-S., "A super parallel sorting algorithm based on neural networks", IEEE Trans. Circuits Syst., vol. CAS–37, 1990. no. 11, pp. 1425–1429.
dc.relation.referencesen5. W. Chen and K. Hsieh, "A neural sorting network with O(1) time complexity", in Proc. Int. Joint Conf. Neural Networks, vol. III, San Diego, CA, 1990, pp. 793–798.
dc.relation.referencesen6. Kwon T. M. and Zervakis M., "A parallel sorting network without comparators: A neural network approach," in Proc. Int. Joint Conf. Neural Networks, vol. I, Baltimore, MD, 1992, pp. 701–706.
dc.relation.referencesen7. Tseng Y.-H. and Wu J.-L., "Solving sorting and related problems by quadratic perceptrons", Electron. Lett., 1992. vol. 28, no. 10, pp. 906–908,.
dc.relation.referencesen8. Wang J., "Analysis and design of an analog sorting network," IEEE Trans. Neural Networks, 1995. vol. 6, no. 4, pp. 962–971, Jul.
dc.relation.referencesen9. Kwon T. M. and Zervakis M., "KWTA networks and their applications", Multidimensional Syst. and Signal Processing, 1995. vol. 6, no. 4, pp. 333–346, Oct.
dc.relation.referencesen10. Wang J., "Analysis and design of a k-winners-take-all model with a single state variable and the Heaviside step activation function", IEEE Trans. Neural Networks. Sept. 2010. vol. 21, no. 9, pp. 1496–1506.
dc.relation.referencesen11. Alnuweiri H. M. and Kumar V. K. P., "Optimal VLSI sorting with reduced number of processors", IEEE Trans. Comput., 1991. vol. C-40, pp. 105–110.
dc.relation.referencesen12. Rovetta S. and Zunino R., "Minimal-connectivity programmable circuit for analog sorting", IEE Proc. Circuits, Devices Syst., vol. 146, no. 3, pp. 108–110, Aug. 1999.
dc.relation.referencesen13. Cichocki A. and Unbehauen R., Neural Networks for Optimization and Signal Processing. New York, NY, USA: Wiley, 1993.
dc.relation.referencesen14. Tymoshchuk P. V., "A discrete-time dynamic K-winners-take-all neural circuit", Neurocomputing, vol. 72, 2009, pp. 3191–3202.
dc.rights.holder© Національний університет “Львівська політехніка”, 2020
dc.rights.holder© Тимощук П. В., 2020
dc.subjectпаралельне сортування
dc.subjectнейронна мережа
dc.subjectрізницеве рівняння
dc.subjectобчислювальна складність
dc.subjectапаратна реалізація
dc.subjectParallel sorting
dc.subjectneural network
dc.subjectdifference equation
dc.subjectcomputational complexity
dc.subjecthardware implementation
dc.subject.udc004.032.026
dc.titleСпрощена модель нейронної мережі дискретного часу для паралельного сортування
dc.title.alternativeSimplified parallel sorting discrete-time Neural network model
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2020v2n1_Tymoshchuk_P-Simplified_parallel_sorting_94-101.pdf
Size:
943.92 KB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
2020v2n1_Tymoshchuk_P-Simplified_parallel_sorting_94-101__COVER.png
Size:
279.59 KB
Format:
Portable Network Graphics
Download

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.96 KB
Format:
Plain Text
Description:
Download

Collections

Комп'ютерні системи та мережі. – 2020. – Том 2, № 1