Einsatz serieller Algorithmen für die Realisierung digitaler neuronaler Netze
|
|
- Heini Fleischer
- vor 6 Jahren
- Abrufe
Transkript
1 Einsatz serieller Algorithmen für die Realisierung digitaler neuronaler Netze Andreas Wassatsch, Marc Haase, Dirk Timmermann Universität Rostock, Fachbereich Elektrotechnik und Informationstechnik Institut für Angewandte Mikroelektronik und Datentechnik Richard-Wagner Str. 31, Rostock-Warnemünde {marc.haase, 1. Einleitung Abstract. In diesem Beitrag beschreiben wir einen Ansatz zur Realisierung von digitalen Neuroalen Netzen mittels serieller Datenverabeitungs-Algorithmen. Digit-Online, als ein Vertreter der Most- Significant-Digit-First Algorithmen besitzt im Vergleich zu parallelen digitalen Algorithmen entscheidende Vorteile. Die serielle Verbindung zwischen Digit-Online Modulen vereinfacht die Implementierung von verbindungsintensiven Netzwerken, da die Anzahl der seriellen Verbindungen im Gegensatz zu parallelen Verbindungen unabhängig von der Bitbreite der Daten ist. Als Beispiel dafür wird in diesem Beitrag die Realisierung eines vollständigen Neuronales Netzes einschließlich Lernverfahren vorgestellt. Neuronale Netze finden ihre Anwendung bei der Implementierung von Steuer- und Regelprozessen, deren Aufgabe bzw. Verhalten sich nur schwer durch einen Algorithmus darstellen, aber sehr gut an Hand von Verhaltensbeispielen beschreiben lässt. Neben der bezüglich der Speicherung der notwendigen Gewichte kritischen analogen Implementierungen finden auch digitale Realisierungen ihre Anwendung. Diese beschränken sich jedoch auf Grund der Komplexität der resultierenden Schaltung auf die Realisierung der für die Funktion des Netzes notwendigen Haupt-Komponenten, wie Verbindungsnetzwerk, Eingangsbewertung und Stimuli-Summierung [RAM92, ZEL97]. Ein weiteres Handicap der meist parallelen digitalen Realisierungen ist der Aufwand für die Verbindung der einzelnen Netzelemente. Daher verfolgen wir hier einen seriellen Ansatz, wodurch der Aufwand für die Verbindungen (interconnections) erheblich reduziert wird. Eine Verschachtelung der Teiloperationen ist nur mittels Most Signifikant Digit (MSD) first Algorithmen, wie dem verwendeten Digit-Online Verfahren möglich. Hiermit kann zugleich auch eine Realisierung eines gesamten digitalen Neuronalen Netzes in Form eines eigenständigen universellen Neuro-Prozessors erreicht werden. Das Design des vorgestellten Prozessors ist bezüglich der Netzparameter der Feed-Forward Architektur parametrisierbar. Als Lernverfahren wurde On- Chip das Backpropagation Lernverfahren in seiner Offline-Variante implementiert. In diesem Beitrag wird die eingesetzte serielle Arithmetik vorgestellt und anschließend die Realisation des Neuronalen Netzes mittels dieser Arithmetik beschrieben. Die Architektur des entwickelten Neuro-Prozessors und die Verifikation des Systems wird im Anschluss daran beschrieben. 2. Serielle Arithmetik Klassische mathematische Algorithmen der Datentechnik verarbeiten Daten parallel, wobei wie in Abbildung 1 dargestellt intern meist eine sequentielle Berechnung stattfindet. Vorteil dieser Verfahren ist die relativ geringe Latenzzeit auf Grund der gleichzeitig möglichen Berechnung von Teilaufgaben. Voraussetzung ist die Unabhängigkeit der Teilaufgaben voneinander, da sich ansonsten die Latenzzeit vergrößert. Deswegen ist dies nur bei einfachen Operationen möglich. Bei komplexeren Operationen stößt die parallele Verarbeitung an ihre Grenzen und man geht auf iterative oder serielle Datenverarbeitung über. Darüber hinaus sind parallele Algorithmen von der Datenbreite der Daten abhängig, und beanspruchen mit zunehmender Bitbreite auch mehr Chipfläche. Die Busstrukturen in diesen Systemen beanspruchen ebenfalls einen nicht unerheblichen Anteil an Chipfläche.
2 Abbildung 1: Datenstrom und interne Verarbeitung bei paralleler Abarbeitung Die serielle Ausführung der Berechnungsoperationen kann sowohl mit der niederwertigsten (Least Significant Digit first) bzw. mit der höchstwertigsten (Most Significant Digit first) Stelle beginnen. Der Schaltungsaufwand ist dabei im Vergleich zu parallelen Schaltungslösungen äußerst gering. Durch die zeitlich versetzte Abarbeitung von nahezu identischen Teilaufgaben ist eine gemeinsame Verwendung von Schaltungsstrukturen möglich. Ein weiterer Vorteil ist, dass durch die effiziente Verkettung von Grundoperationen zu einer komplexen Funktion, im Vergleich zu einer parallelen Realisierung eine kürzere Latenzzeit erzielt werden kann und eine geringere Chipfläche beansprucht wird. Bei der parallelen Berechnung von Grundfunktionen, wie die Addition oder Multiplikation, erfolgt eine sequentielle Bearbeitung von der niederwertigsten Stelle aus beginnend. Dieses Operationsprinzip kann bei der Serialisierung der Berechnung übernommen werden. Für höherwertige Funktionen wie die Berechnung der Division oder der Quadratwurzel existieren jedoch nur MSD Algorithmen. Bei einer Kaskadierung von LSD und MSD Funktionen ist bei jedem Wechsel der Datenrichtungen, wie in Abbildung 2dargestellt, eine Umkehrung der Datenströme durch eine LIFO-Struktur notwendig. Abbildung 2: Umkehr der Bitreihenfolge zwischen MSD und LSD Operationen Durch die Drehrichtungsumkehr erhöht sich die Latenzzeit um den Faktor der Datenwortlänge je Umkehrungsoperation, der Durchsatz einer solchen Architektur kann jedoch durch die doppelte Ausführung der LIFO-Struktur ausgeglichen werden. Als Alternative bietet sich die einheitliche Verwendung von MSD-Architekturen sowohl für die MSD-Funktionen als auch für die eigentlichen LSD-Funktionen, wie in Abbildung 3 dargestellt, an. Die Überführung der LSD-Funktionen in eine MSD-Architektur ist durch den Einsatz von redundanter Arithmetik möglich.
3 Abbildung 3: Kaskadierung von MSD Operationen 2.1. Digit-Online Algorithmen Ein Beispiel für serielle Datenverarbeitungsalgorithmen ist Digit Online. Die Daten werden hier mit dem Most Signifikant Digit (MSD) beginnend verarbeitet. Nach einem von der zu berechnenden Operation abhängigen Online-Delay wird das Ergebnis wieder seriell ausgegeben. Im Gegensatz zur Least Signifikant Digit First Methoden können bei MSDF komplexere Funktionen (Exponenzierung, Division) realisiert werden. Voraussetzung für Digit-Online Algorithmen ist die redundante Zahlendarstellung mit der Zahlenbasis r=2. Hierbei wird eine Stelle einer Zahl nicht mehr durch ein Bit repräsentiert, sondern durch 2 Bit. Diese 2 Bit werden zu einem Signed- Digit zusammengefasst, wobei das vordere Bit das Vorzeichen und das hintere die Wertigkeit des Digits repräsentiert. Durch das Vorzeichen-Bit lassen sich jetzt auch negative Zahlen darstellen. Die Tabelle 1 zeigt einige Beispiele für die Signed-Digit Darstellung von Dezimalzahlen. Dabei ist zu beachten, dass für eine Zahl mehrere redundante Zahlendarstellungen existieren können. Dezimale Darstellung Redundante Darstellung 0 [00] 1 [01] -1 [11] 4 [00][01] [00] [00] [01][11] [11] [11] -3 [11] [11] [11] [00][01] Tabelle 1 Redundante Zahlendarstellung Abbildung 4 zeigt den schematischen Aufbau eines Neurons und Abbildung 5 die Umsetzung mittels Digit-Online Algorithmen, die als Module aneinander gereiht werden können. Die Kaskadierung der Module setzt jedoch gleiche Datenwort- Längen voraus, damit die Vektoren stellenrichtig verarbeitet werden. Während einer Digit-Online Operation verlängert sich der Ergebnisvektor in Abhängigkeit der Operation durch hinzukommende Overflow-Digits bei der Addition, oder durch die Verdoppelung der Vektorlänge bei der Multiplikation. Dieser Vektorlängen Zuwachs muss bei nachfolgenden Operationen beachtet werden. In Abbildung 5 wird die jeweilige Vektorlänge und die Repräsentation der Kommastelle durch eine einheitliche Notation {x.y} dargestellt. Dabei gibt x die Anzahl der Vorkommastellen und y die Anzahl der Nachkommastellen an. Für den Fall, dass zueinander verschobene Vektoren verarbeitet werden sollen, müssen zusätzliche Verzögerungsstufen in den Datenstrom eingefügt werden. In Abhängigkeit vom maximal zulässigen Rechenfehler ist es möglich serielle Vektoren hinsichtlich der Vektorlänge zu kürzen. Dabei empfiehlt es sich beim LSD beginnend zu kürzen. An der Stelle des MSD ist es ebenfalls möglich Stellen durch Umkodierung der MSD Stellen einzusparen. Durch die Umkodierung tritt kein Rechenfehler auf, da für redundante Zahlen, wie bereits gesagt, unterschiedliche Repräsentationen existieren.
4 Abbildung 4: Schematischer Aufbau eines Neurons Abbildung 5: Realisierung des Neurons aus Digit Online Modulen 3. Neuronale Netze Neuronale Netze sind informationsverarbeitende Systeme, die aus einfachen Verarbeitungselementen, den Neuronen, aufgebaut sind. Sie sind Nachbildungen von biologischen Strukturen, wie sie sich zum Beispiel beim menschlichen Gehirn wiederfinden lassen. Dabei handelt es sich jedoch um eine starke Abstraktion vom biologischen Vorbild. Die einzelnen Verarbeitungselemente, die Neuronen, sind über gerichtete Verbindungen miteinander verbunden. Jede Verbindung ist durch einen Gewichtsfaktor in ihrer Stärke beeinflussbar. Die Gesamtheit der Neuronen steht für eine komplexe mathematische Funktion, die sich im Gegensatz zu regelbasierten Systemen nicht in Formeln ausdrücken lässt. Über ein Lernverfahren wird diese Funktion dem Netz eingeprägt. Elementarer Bestandteil und Grundverarbeitungselement eines Neuronalen Netzes ist das Neuron (Abbildung 4). Es summiert die am Eingang präsentierten und gewichteten Aktivitäten auf und ermittelt über eine Ausgangsfunktion seine eigene Aktivierung. Die Weiterleitung der Aktivierungen erfolgt entweder nur in eine Richtung (Feed-Forward-Netz), oder auch zurück auf den Eingang des Neurons (Rückgekoppeltes Netz). Im folgenden wird auf die Implementierung einer Feed- Forward-Architektur eingegangen. In Feed-Forward-Netzwerken sind die Neuronen einer Schicht mit allen Neuronen der folgenden Schicht verbunden. Die Anzahl der Verbindungen entspricht dem Produkt m aus der Anzahl der Neuronen benachbarter Schichten. Bei der parallelen digitalen Implementierung dieses Netzes ist jede Verbindung entsprechend der gewählten Zahlenbasis der zu übertragenden Aktivierungen n-bit breit. Die Anzahl der Verbindungen erhöht sich dadurch noch einmal um den Faktor n und führt zu einem vom Wertebereich abhängigen Verbindungsaufwand zwischen zwei Schichten von Neuronen. Diese Abhängigkeit von der Bitbreite n lässt sich durch Serialisierung der zu übertragenden Aktivierungen eliminieren. Die Anzahl der Verbindungen zwischen zwei Schichten von Neuronen reduziert sich dadurch auf ein Minimum [WAS00a] Aktivierungs- bzw. Ausgangsfunktion Die Berechnung des Ausgangszustandes aus der Aktivierung bzw. der gewichteten Netzeingabe des Neurons erfolgt im allgemeinen durch eine nichtlineare sigmoide Funktion, z.bsp. tanh(x), 1/ (1-e -x ). Die Implementierung dieser Funktion durch eine Potenzreihendarstellung überschreitet die durch die Anforderungen an die Chipfläche definierten Grenzen, so dass nach einer alternativen Implementierungsvariante gesucht werden musste. Zum Einsatz kommt daher eine Näherung auf Basis einer linearen Funktion erweitert um eine anschließende Sättigungsfunktion. Der durch diese Approximation entstehende Fehler kann durch die den neuronalen Netzen innewohnende Fähigkeit der Anpassung durch den Lernprozeß kompensiert werden. Zur Validierung der Approximation der Ausgangsfunktion wurden umfangreiche Matlab- Simulationen verschiedener Netzwerkmodelle durchgeführt. Ein Beispiel stellt die Lösungsvariante des akademischen XOR-Netzwerk Problems dar, dessen Ausgangsverhalten in Abbildung 6 dargestellt wird.
5 Abbildung 6: Lösungsvariante des akademischen XOR-Netzwerk Problems mit der Ausgangsfunktion tanh und zum Vergleich mit der Näherungsfunktion (mytanh)
6 4. Architektur des Neuro-Prozessors Das implementierte Neuronale Signalverarbeitungssystem besteht aus einem zweischichtigen Neuronalen Netz, mit konfigurierbarer Anzahl von Neuronen, dem Backpropagation Lernverfahren, einem internen Gewichtsspeicher und einem Steuerwerk, das die selbstständige Durchführung des Lernverfahrens ermöglicht. Die Abbildung 7 zeigt den schematischen Aufbau des entwickelten Neuro-Prozessors [HAA00]. Durch die Integration eines Steuerwerkes besitzt der Prozessor die Möglichkeit selbstständig eine gegebene Aufgabe mittels Lernvektoren, die über ein Interface vom externen Speicher eingelesen werden, zu erlernen und anschließend zu erfüllen. Damit der Prozessor in einer Umgebung mit paralleler Datenverarbeitung eingesetzt werden kann, findet die Parallel-Seriell- bzw. Seriell- Parallel-Wandlung im Prozessor statt. Dadurch sind zusätzliche Datenstromkonvertierungen außerhalb des Prozessors nicht erforderlich. Für die Beschreibung des Systems wurde die Hardwarebeschreibungssprache VHDL verwendet [HAA00]. Der Prozessor ist hinsichtlich Eingänge, Ausgänge, Anzahl der Neuronen, Bitbreite der Gewichte und Daten parametrisierbar. Dies wurde durch generische Beschreibung des Systems gewährleistet. Dadurch ist der Prozessor für unterschiedliche Netzwerkanforderungen, beschränkt auf Feed-Forward Architekturen, implementierbar. Der Aufbau des Prozessors ist modular. Dazu wurden die zu Grunde liegenden Digit Online Operationen mit einem zusätzlich erforderlichen Synchronisierungsalgorithmus [WAS00a] erweitert, der die Verkettung von einzelnen Digit-Online Operationen ohne zusätzlich zu implementierende Steuerungssignale ermöglicht. Ein einkommender Datenstrom wird vom Synchronisierungsalgorithmus erkannt, dieser initialisiert die Digit-Online Operation und startet die Abarbeitung. Nach der Operation wird das Digit-Online Modul wieder in den Anfangszustand zurückgesetzt. Das Neuronale Netz als Teilkomponente des Neuro-Prozessors wurde aus einzelnen Neuronen (Abbildung 5) hierarchisch aufgebaut. Neben dem Neuronalen Netz wurde auch der Lernalgorithmus mittels Digit-Online Modulen implementiert. Dieser lässt sich über Parameter an die Netzwerkstruktur generisch anpassen. Die Speicherung der Gewichte erfolgt in einem mit auf dem Prozessor integrierten Speicherbereich. Abbildung 7: Schematischer Aufbau des Neuro-Prozessors
7 5. Verifikation Die Simulation von Komponenten, die mit Hardwarebeschreibungssprachen, wie z.b. VHDL, Verilog entwickelt werden, stehen umfangreiche und leistungsfähige softwarebasierte Simulationsprogramme zur Verfügung. Diese setzen ihrerseits leistungsfähige Rechnersysteme voraus. Im Falle des hier entwickelten Neuro-Prozessors lassen sich derart komplexe Abläufe, wie z.b. das Lernverfahren nicht mehr befriedigend in Software simulieren, da die Simulationszeiten mit bis zu mehreren Stunden oder Tagen keine flexiblen Entwicklungsprozesse gestatten. Aus diesem Grund wurde für die Simulation das Hardware-Emulationssystem APTIX MVP3 eingesetzt [WAS00b]. Der zu simulierende Neuro-Prozessor wird mit Hilfe eines Synthesewerkzeuges auf frei programmierbare Hardwarebausteine (FPGA) abgebildet. Die Simulation lässt sich jetzt nahezu in Echtzeit durchführen und viel kürzere Simulationszeiten sind erreichbar. Im speziellen Fall standen 4 VIRTEX 1000 FPGA s der Firma XILINX zur Verfügung, auf die der Neuro- Prozessor abgebildet wurde. Die Verbindungen zwischen den FPGA s werden über Switch-Matrizen des APTIX Entwicklungssystem verschaltet. Ein an dieses System angeschlossener Logik-Analysator ermöglicht umfangreiche Messungen an den Steuer- und Datenleitungen des Neuro-Prozessors. 6. Zusammenfassung Abbildung 8: Hardware-Emulationssystem APTIX MVP3 Neuronale Netze lassen sich vollständig mit Hilfe von digitalen Signalverarbeitungsalgorithmen implementieren. Dabei konnte gezeigt werden, dass durch den Einsatz von seriellen Algorithmen der bei parallelen Implementierungen entstehende hohe Hardwareaufwand für Verbindungen zwischen benachbarten Neuronenschichten auf ein Minimum reduziert werden kann. Des weiteren lässt sich durch Koppelung von aufeinanderfolgenden Operationen eine bezüglich der Taktzyklen kürzere Latenzzeit erreichen. Der ausschließlich mittels seriellen Datenverarbeitungsalgorithmen implementierte Neuro- Prozessor ist auf Grund des integrierten Backpropagation-Lernverfahrens in der Lage, selbstständig eine Aufgabe zu lernen und anschließend auszuführen.
8 Literatur [HAA00] Marc Haase, Diplomarbeit: Untersuchung komplexer digitaler Signalverarbeitungsarchitekturen auf Eignung zur Abbildung auf eine sequentielle Zellbibliothek, Universität Rostock, 2000 [RAM92] U. Ramacher; Synapse- A Neurocomputer That Sythesizes Neural Algorithms on a Parallel Systolic Engine; Journal of Parallel and Distributed Computing, Vol. 14, p ;1992 [WAS00a] Wassatsch, A.; Haase, M.; Timmermann, D.; DOLFIN - Digit Online For Integrating Neural Networks; The IEEE International Symposium on Circuits and Systems (ISCAS 2000), Geneva, Switzerland, ISBN: , S. III , Mai 2000 [WAS00b] Wassatsch, A.; Haase, M.; Timmermann, D.; The DOLFIN Project: An application report on a consistent design and verification flow for a large digital neural network.; SNUGE 2000, Paris (France), S. A , März 2000 [ZEL97] Zell, A.; Simulation neuronaler Netze ; R. Oldenburg Verlag;München; 2. Auflage; 1997
Institut für Angewandte Mikroelektronik und Datentechnik Fachbereich Elektrotechnik und Informationstechnik Universität Rostock.
Seite 1 Optimierung der Verbindungsstrukturen in Digitalen Neuronalen Netzwerken Workshop on Biologically Inspired Methods on Modelling and Design of Circuits and Systems 5.10.2001 in Ilmenau, Germany
MehrInstitut für Angewandte Mikroelektronik und Datentechnik Fachbereich Elektrotechnik und Informationstechnik Universität Rostock.
Seite 1 Implementierung Neuronaler Netze mittels Digit-Online Algorithmen Vortrag im Rahmen des 10. Symposium Maritime Elektronik 2001 M.Haase, A.Wassatsch, D.Timmermann Seite 2 Gliederung Was sind Neuronale
MehrAn den Vizepräsident für Forschung, Entwicklung und Technologietransfer der Fachhochschule Braunschweig/Wolfenbüttel
An den Vizepräsident für Forschung, Entwicklung und Technologietransfer der Fachhochschule Braunschweig/Wolfenbüttel Forschungsbericht (Kurzfassung) WS 02/03 Kreyßig, Jürgen, Prof. Dr., Institut für Verteilte
MehrAlgorithmen zur Division
Algorithmen zur Division Umkehrung der Multiplikation: Berechnung von q = a / b durch wiederholte bedingte Subtraktionen und Schiebeoperationen in jedem Schritt wird Divisor b testweise vom aktuellen Rest
MehrLaufzeitoptimierte VHDL Bibliothek zur Verifikation und Simulation kryptographischer Prozessoren
Laufzeitoptimierte VHDL Bibliothek zur Verifikation und Simulation kryptographischer Prozessoren Mathias Schmalisch Hagen Ploog Dirk Timmermann Universität Rostock Übersicht Motivation Arithmetik Implementierung
MehrMustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12
Mustererkennung: Neuronale Netze D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Feed-Forward Netze y 1 y 2 y m...... x 1 x 2 x n Output Schicht i max... Zwischenschicht i... Zwischenschicht 1
MehrPerzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004
Perzeptronen Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004 1/25 Gliederung Vorbilder Neuron McCulloch-Pitts-Netze Perzeptron
MehrDer Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1
Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrMultiplikation. Grundlagen der Rechnerarchitektur Logik und Arithmetik 79
Multiplikation Grundlagen der Rechnerarchitektur Logik und Arithmetik 79 Multiplikation nach der Schulmethode Gegeben seien die Binärzahlen A und B. Was ist a * b? Beispiel: Multiplikand A: 1 1 0 1 0 Multiplikator
MehrAlgorithmen zur Division
Algorithmen zur Division Umkehrung der Multiplikation: Berechnung von q = a / b durch wiederholte bedingte Subtraktionen und Schiebeoperationen in jedem Schritt wird Divisor b testweise vom aktuellen Rest
MehrDigitale Systeme und Schaltungen
Zusammenfassung meines Vortrages vom 26. Jänner 2017 Digitale Systeme und Schaltungen Andreas Grimmer Pro Scientia Linz Johannes Kepler Universität Linz, Austria andreas.grimmer@jku.at In dieser Zusammenfassung
MehrDas Verfahren in Hardware
Das Verfahren in Hardware Links Shift 8 Bit Multiplikand Demonstration mit 1001 * 0110 = 110110 2.Links Shift 8 Bit ALU Rechts Shift 4 Bit Multiplikator 3.Rechts Shift 8 Bit Produkt 1. Produkt = Produkt
MehrDas negative Zweierkomplementzahlensystem. Ines Junold 23. Februar 2010
Das negative Zweierkomplementzahlensystem Ines Junold 23. Februar 2010 1 Inhaltsverzeichnis 1 Einleitung 3 2 Das konventionelle Zweierkomplement 4 2.1 Definition.......................................
MehrFPGA Systementwurf. Rosbeh Etemadi. Paderborn University. 29. Mai 2007
Paderborn Center for Parallel l Computing Paderborn University 29. Mai 2007 Übersicht 1. FPGAs 2. Entwicklungssprache VHDL 3. Matlab/Simulink 4. Entwicklungssprache Handel-C 5. Fazit Übersicht FPGAs 1.
MehrMathematische Werkzeuge für Computergrafik 2016/17. Gleitkommzahlen
Mathematische Werkzeuge für Computergrafik 2016/17 Gleitkommzahlen 1 Grundlagen 1 Da im Computer nur endliche Ressourcen zur Verfügung stehen, können reelle Zahlen in vielen Fällen nicht exakt dargestellt
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrSPKC. Inhalte der Vorlesung. Signalprozessoren und Kommunikationscontroller. Prof. Dr.-Ing. Peter Schulz. Signalprozessoren
Signalprozessoren und Kommunikationscontroller für den Schwerpunkt Telekommunikationstechnik: für alle anderen Schwerpunkte: Pflichtfach Wahlpflichtfach Inhalte der Vorlesung Signalprozessoren Systemarchitekturen
MehrRechnergrundlagen SS Vorlesung
Rechnergrundlagen SS 2007 3. Vorlesung Inhalt Zahlensysteme Binäre Darstellung von Integer-Zahlen Vorzeichen-Betrag Binary Offset 1er-Komplement 2er-Komplement Addition und Subtraktion binär dargestellter
MehrDiskrete Ereignissysteme. Spezielle Netzstrukturen- Übersicht. Beispiele zu speziellen Netzstrukturen. Petri-Netze und Zustandsautomaten
Diskrete Ereignissysteme 4.4 Spezialisierungen von Petri Netzen Spezielle Netzstrukturen- Übersicht Ein S-T-Netz heisst Zustands-System gdw. gilt:. W(f) = für alle Kanten f F. 2. t = t = für alle Transitionen
Mehr2 Darstellung von Zahlen und Zeichen
2.1 Analoge und digitale Darstellung von Werten 79 2 Darstellung von Zahlen und Zeichen Computer- bzw. Prozessorsysteme führen Transformationen durch, die Eingaben X auf Ausgaben Y abbilden, d.h. Y = f
MehrGroßer Beleg. Arithmetische Optimierung eines kryptographischen Algorithmus für moderne FPGA-Architekturen. Peter Heinzig. 17.
Großer Beleg Arithmetische Optimierung eines kryptographischen Algorithmus für moderne FPGA-Architekturen Peter Heinzig 17. Januar 2011 1/23 Peter Heinzig Großer Beleg Überblick Einleitung 1 Einleitung
MehrInhalt. Zahlendarstellungen
Inhalt 1 Motivation 2 Integer- und Festkomma-Arithmetik Zahlendarstellungen Algorithmen für Integer-Operationen Integer-Rechenwerke Rechnen bei eingeschränkter Präzision 3 Gleitkomma-Arithmetik Zahlendarstellungen
MehrBACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON
BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe
MehrGrundlagen der Rechnerarchitektur. Binäre Logik und Arithmetik
Grundlagen der Rechnerarchitektur Binäre Logik und Arithmetik Übersicht Logische Operationen Addition, Subtraktion und negative Zahlen Logische Bausteine Darstellung von Algorithmen Multiplikation Division
MehrZellulare Neuronale Netzwerke
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Zellulare Neuronale Netzwerke Florian Bilstein Dresden, 13.06.2012 Gliederung 1.
MehrVHDL - CORDIC Verfahren
VHDL - CORDIC Verfahren Marc Reichenbach und Michael Schmidt Informatik 3 / Rechnerarchitektur Universität Erlangen Nürnberg 04/12 1 / 30 Gliederung Motivation und Geschichte des CORDIC-Verfahrens CORDIC-Verfahren
MehrGrundlagen der Informatik I. Übung
Grundlagen der Informatik I Übung Studiengang Wirtschaftsingenieurwesen Wintersemester 1/13 Autor: Prof. Dr.-Ing. habil. Hans-Joachim Böhme HTW Dresden, Fachbereich Informatik/Mathematik Friedrich-List-Platz
Mehr2.2 Register-Transfer-Synthese
2.2 Register-Transfer-Synthese Register-Transfer-Synthese Überblick digitale Synthese Register-Transfer- Synthese Makrozellgeneratoren Beispiel Addierer Beispiel Speicher Synthese endlicher Automaten Zustandskodierung
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrImplementierung von Neuronalen Netzen mit LabVIEW und LabVIEW FPGA
Virtuelle Instrumente in der Praxis VIP 2017 Implementierung von Neuronalen Netzen mit LabVIEW und LabVIEW FPGA Prof. Dr.-Ing. Alfred Rozek, Dirk Naparty Beuth Hochschule für Technik Berlin Kurzfassung
MehrEntwurf eines FPGA-Cores zur Simulationsbeschleunigung zeitkontinuierlicher Modelle im HiL Kontext
Entwurf eines FPGA-Cores zur Simulationsbeschleunigung zeitkontinuierlicher Modelle im HiL Kontext Till Fischer 03.11.2011 FZI Forschungszentrum Informatik Embedded Systems & Sensors Engineering (ESS)
MehrRechnergrundlagen SS Vorlesung
Rechnergrundlagen SS 27 4. Vorlesung Inhalt Binäre Darstellung von Integer-Zahlen Vorzeichen-Betrag 2er-Komplement BCD Addition und Subtraktion binär dargestellter Zahlen Carry und Overflow Little Endian
MehrInnovative Rechnerarchitekturen Matthias Jauernig (B. Sc.),
Neurocomputer-Architekturen I ti R h hit kt Innovative Rechnerarchitekturen Matthias Jauernig (B. Sc.), 12.06.07 Überblick 1. Künstliche Neuronale Netze 2. Möglichkeiten der Parallelisierung 3. Neurocomputer-Architekturen
Mehr4. Zahlendarstellungen
121 4. Zahlendarstellungen Wertebereich der Typen int, float und double Gemischte Ausdrücke und Konversionen; Löcher im Wertebereich; Fliesskommazahlensysteme; IEEE Standard; Grenzen der Fliesskommaarithmetik;
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
MehrEinführung in die Informatik I
Einführung in die Informatik I Das Rechnen in Zahlensystemen zur Basis b=2, 8, 10 und 16 Prof. Dr. Nikolaus Wulff Zahlensysteme Neben dem üblichen dezimalen Zahlensystem zur Basis 10 sind in der Informatik
MehrChapter 1 Einführung. CCNA 1 version 3.0 Wolfgang Riggert, FH Flensburg auf der Grundlage von
Chapter 1 Einführung CCNA 1 version 3.0 Wolfgang Riggert, FH Flensburg auf der Grundlage von Rick Graziani Cabrillo College Vorbemerkung Die englische Originalversion finden Sie unter : http://www.cabrillo.cc.ca.us/~rgraziani/
MehrPerzeptronen. Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Perzeptronen Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Perzeptronen 1 / 22 Gliederung 1 Schwellwert-Logik (MCCULLOCH-PITTS-Neuron)
MehrWertebereiche, Overflow und Underflow
Wertebereiche, Overflow und Underflow s exponent fraction 1 Bit 8 Bits 23 Bits Kleinste darstellbare nicht negative Zahl annähernd 2,0 * 10 38 Größte darstellbare Zahl annähernd 2,0 * 10 38 Was, wenn die
MehrCOOL HASHING MIT FPGAS. Robert Bachran
COOL HASHING MIT FPGAS Robert Bachran Dresden, 16.1.2012 Einführung Grundlagen Kriterien für gute Hashverfahren Grundlagen FPGAs Hashverfahren auf FPGAs Skein auf FPGA Evolutionäre Hashverfahren Energiesparendes
MehrZur Multiplikation von Gleitkommazahlen müssen die Mantissen inkl. führender 1, als Festkommazahlen multipliziert werden.
70 Arithmetische Schaltungen Multiplikation vorzeichenbehafteter Zahlen Zur Multiplikation vorzeichenbehafteter Zahlen (er-komplement) kann auf die Schaltung für vorzeichenlose Multiplikation zurückgegriffen
MehrRechnergrundlagen SS Vorlesung
Rechnergrundlagen SS 2007 8. Vorlesung Inhalt Gleitkomma-Darstellung Normalisierte Darstellung Denormalisierte Darstellung Rechnerarchitekturen Von Neumann-Architektur Harvard-Architektur Rechenwerk (ALU)
MehrSimulation eines Quantencomputers
Simulation eines Quantencomputers J. Metzner, M. Schmittfull Simulation eines Quantencomputers p.1/34 Ziele des Projekts Entwicklung einer leistungsfähigen und effizienten Simulation eines Quantencomputers
MehrDarstellung von negativen binären Zahlen
Darstellung von negativen binären Zahlen Beobachtung für eine beliebige Binärzahl B, z.b. B=110010: B + NOT(B) ---------------------------------------------- = B + NOT(B) 1 + (Carry) ----------------------------------------------
MehrTutorial Vivado/Verilog Teil 6 Zählerbasierter Taktgenerator
Tutorial Vivado/Verilog Teil 6 Zählerbasierter Taktgenerator Prof. Dr.-Ing. Michael Karagounis Dipl.-Ing. Rolf Paulus 1. Motivation Das Ziel dieses Laborversuchs ist es, die Nutzung von synthetisierbaren
MehrHaDePrak WS 05/ Versuch
HaDePrak WS 05/06 10. Versuch 1 Das IEEE-Format Das Ziel dieser letzten Übung ist es, ein Fließkommapaket für die DLXzu implementieren. Der Einfachheit halber vernachlässigen wir hier im Praktikum jeglichen
MehrN Bit binäre Zahlen (signed)
N Bit binäre Zahlen (signed) n Bit Darstellung ist ein Fenster auf die ersten n Stellen der Binär Zahl 0000000000000000000000000000000000000000000000000110 = 6 1111111111111111111111111111111111111111111111111101
MehrProblemreduktion durch Transformation am Beispiel des. Erweiterten Euklidschen Algorithmus
Problemreduktion durch Transformation am Beispiel des Erweiterten Euklidschen Algorithmus Wolfgang Windsteiger JKU Linz, A 4040 Linz, Austria Kurzfassung Transformation beschreibt im Wesentlichen die algorithmische
MehrComputerarithmetik (15b)
Computerarithmetik (15b) Dazugehöriges Beispiel: Schleife Schritt Multiplikator Multiplikand Produkt 0 Anfangswerte 0011 0000 0010 0000 0000 1 1a: 1 -> Prod. = Prod. + Mcand 0011 0000 0010 0000 0010 2:
MehrModellierung und Codegenerierung von SOC-Beschleunigermodulen am Beispiel eines Kalman-Filters
Modellierung und Codegenerierung von SOC-Beschleunigermodulen am Beispiel eines Kalman-Filters Erik Andresen 26.11.2010 1 / 21 Inhalt Inhalt 2 / 21 Hardware - FPGA FPGA als System on Chip SOC Roadmap Beschleunigung
Mehr2 Darstellung von Zahlen und Zeichen
21 Analoge und digitale Darstellung von Werten 79 2 Darstellung von Zahlen und Zeichen Computer- bzw Prozessorsysteme führen Transformationen durch, die Eingaben X auf Ausgaben Y abbilden, dh Y = f (X
MehrNeuronale Netze. Gehirn: ca Neuronen. stark vernetzt. Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor)
29 Neuronale Netze Gehirn: ca. 10 11 Neuronen stark vernetzt Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor) Mustererkennung in 0.1s 100 Schritte Regel 30 Was ist ein künstl. neuronales Netz? Ein
MehrNumerische Methoden. Thomas Huckle Stefan Schneider. Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker.
Thomas Huckle Stefan Schneider Numerische Methoden Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker 2. Auflage Mit 103 Abbildungen und 9 Tabellen 4Q Springer Inhaltsverzeichnis
MehrVertiefungsrichtung Rechnerarchitektur
srichtung () ( für ) Prof. Dietmar Fey Ziele der srichtung RA Vertiefen des Verständnis vom Aufbau, Funktionsweise von Rechnern und Prozessoren Modellierung und Entwurf von Rechnern und Prozessoren ()
MehrBeschleunigung von Bild-Segmentierungs- Algorithmen mit FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Algorithmen mit FPGAs Vortrag von Jan Frenzel Dresden, Gliederung Was ist Bildsegmentierung?
MehrTECHNISCHE HOCHSCHULE NÜRNBERG GEORG SIMON OHM Die Mikroprogrammebene eines Rechners Das Abarbeiten eines Arbeitszyklus eines einzelnen Befehls besteht selbst wieder aus verschiedenen Schritten, z.b. Befehl
Mehr1 EINLEITUNG MESSKONZEPTE UND IHRE EIGENSCHAFTEN... 7
Property-Based Measurement Inhaltsverzeichnis 1 EINLEITUNG... 3 2 GRUNDLEGENDE DEFINITIONEN... 4 2.1 SYSTEME UND MODULE... 4 2.2 MODULARE SYSTEME...6 3 MESSKONZEPTE UND IHRE EIGENSCHAFTEN... 7 3.1 GRÖSSE...
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training des XOR-Problems mit einem Künstlichen Neuronalen Netz (KNN) in JavaNNS 11.04.2011 2_CI2_Deckblatt_XORbinaer_JNNS_2
MehrAbkürzungen. Kapitel 1 - Einleitung Stand der Automobilelektronik Historische Entwicklung Gegenwärtige Probleme 2
Inhalt Abkürzungen X Kapitel 1 - Einleitung 1 1.1 Stand der Automobilelektronik 1 1.1.1 Historische Entwicklung 1 1.1.2 Gegenwärtige Probleme 2 1.2 Zielsetzung 5 1.3 Aufbau der Arbeit 6 1.4 Veröffentlichungen
MehrVom Chip zum Gehirn Elektronische Systeme zur Informationsverarbeitung
Vom Chip zum Gehirn Elektronische Systeme zur Informationsverarbeitung Johannes Schemmel Forschungsgruppe Electronic Vision(s) Lehrstuhl Prof. K. Meier Ruprecht-Karls-Universität Heidelberg Mitarbeiter:
MehrWandeln Sie die folgenden Zahlen in Binärzahlen und Hexadezimalzahlen. Teilen durch die Basis des Zahlensystems. Der jeweilige Rest ergibt die Ziffer.
Digitaltechnik Aufgaben + Lösungen 2: Zahlen und Arithmetik Aufgabe 1 Wandeln Sie die folgenden Zahlen in Binärzahlen und Hexadezimalzahlen a) 4 D b) 13 D c) 118 D d) 67 D Teilen durch die Basis des Zahlensystems.
MehrRechnerarithmetik. Vorlesung im Sommersemester Eberhard Zehendner. FSU Jena. Thema: Implementierung von Gleitkomma-Operationen
Rechnerarithmetik Vorlesung im Sommersemester 2008 Eberhard Zehendner FSU Jena Thema: Implementierung von Gleitkomma-Operationen Eberhard Zehendner (FSU Jena) Rechnerarithmetik Gleitkomma-Operationen 1
MehrParallele und verteilte Programmierung
Thomas Rauber Gudula Rünger Parallele und verteilte Programmierung Mit 165 Abbildungen und 17 Tabellen Jp Springer Inhaltsverzeichnis 1. Einleitung 1 Teil I. Architektur 2. Architektur von Parallelrechnern
MehrGenerierung von Steuerungsprogrammcode für SPS und μc aus Petri-Netz-Modellen
Fachhochschule Köln Cologne University of Applied Sciences Fakultät für Informations-, Medien- und Elektrotechnik Institut für Automatisierungstechnik Labor für Informations- und Automatisierungstechnik
MehrÜbungen zur Vorlesung Technische Informatik I, SS 2001 Strey / Guenkova-Luy / Prager Übungsblatt 4 Zahlendarstellung/Rechenarithmetik/Rechenwerke
Übungen zur Vorlesung Technische Informatik I, SS 2001 Strey / Guenkova-Luy / Prager Übungsblatt 4 Zahlendarstellung/Rechenarithmetik/Rechenwerke Aufgabe 1: a) Bestimmen Sie die Darstellung der Zahl 113
MehrZahlensysteme und Kodes. Prof. Metzler
Zahlensysteme und Kodes 1 Zahlensysteme und Kodes Alle üblichen Zahlensysteme sind sogenannte Stellenwert-Systeme, bei denen jede Stelle innerhalb einer Zahl ein besonderer Vervielfachungsfaktor in Form
MehrControl Beispiel. Control wird als kombinatorische Schaltung realisiert. Hierzu die Wahrheitstabelle: Control
Control Beispiel Store R1 4 Bit Register R1 SUB 4 Bit Register R2 Store R2 R2 Bit 0 Control wird als kombinatorische Schaltung realisiert. Hierzu die Wahrheitstabelle: Eingabe R2 Bit 0 Zero 0 0 Ausgabe
Mehr5. Aufgabenblatt mit Lösungsvorschlag
Einführung in Computer Microsystems Sommersemester 2010 Wolfgang Heenes 5. Aufgabenblatt mit Lösungsvorschlag 19.05.2010 Aufgabe 1: Logik, Latch, Register Geben Sie für alle folgen reg-variablen an, ob
MehrHigh Performance Embedded Processors
High Performance Embedded Processors Matthias Schwarz Hardware-Software-Co-Design Universität Erlangen-Nürnberg martin.rustler@e-technik.stud.uni-erlangen.de matthias.schwarz@e-technik.stud.uni-erlangen.de
Mehr5 Zahlenformate und deren Grenzen
1 5 Zahlenformate und deren Grenzen 5.1 Erinnerung B-adische Zahlendarstellung Stellenwertsystem: Jede Ziffer hat ihren Wert, und die Stelle der Ziffer in der Zahl modifiziert den Wert. 745 = 7 100 + 4
MehrProgrammieren 1 C Überblick
Programmieren 1 C Überblick 1. Einleitung 2. Graphische Darstellung von Algorithmen 3. Syntax und Semantik 4. Einstieg in C: Einfache Sprachkonstrukte und allgemeiner Programmaufbau 5. Skalare Standarddatentypen
MehrChristoph Niederseer, Michaela Mayr, Alexander Aichinger, Fabian Küppers. Wissenschaftl. Arbeitstechniken und Präsentation
Christoph Niederseer, Michaela Mayr, Alexander Aichinger, Fabian Küppers 1. Was ist paralleles Programmieren 2. Bitoner Sortieralgorithmus 3. Quicksort a) sequenzielles Quicksort b) paralleles Quicksort
Mehr6 Neuronale Modellierung: Der STAA-Ansatz
Bernd J. Kröger: Neuronale Sprachverarbeitung (Version 1.0.4) Seite 150 6 Neuronale Modellierung: Der STAA-Ansatz 6.1 Knoten: die STAA-Neuronensembles 6.1.1 Aktivierungslevel, Aktivierungsfunktion und
MehrGrundlagen der Technische Informatik / Digitaltechnik (GTI/DT)
Klausur zur Vorlesung Grundlagen der Technische Informatik / Digitaltechnik (GTI/DT) Prof. Marco Platzner Fachgebiet Technische Informatik Universität Paderborn 25.3.2 Die Bearbeitungsdauer beträgt für
MehrFPGA. Field Programmable Gate Array
FPGA Field Programmable Gate Array FPGA Was ist das? Das FPGA ist ein relativ neuer, programmierbarer Baustein, der zum Aufbau digitaler, logischer Schaltungen dient. Aufbau Ein FPGA besteht aus einzelnen
MehrGrundlagen der Rechnerarchitektur. Einführung
Grundlagen der Rechnerarchitektur Einführung Unsere erste Amtshandlung: Wir schrauben einen Rechner auf Grundlagen der Rechnerarchitektur Einführung 2 Vorlesungsinhalte Binäre Arithmetik MIPS Assembler
MehrOutline Schieberegister Multiplexer Zähler Addierer. Rechenschaltungen. Marc Reichenbach und Michael Schmidt
Rechenschaltungen Marc Reichenbach und Michael Schmidt Informatik 3 / Rechnerarchitektur Universität Erlangen Nürnberg 05/11 1 / 22 Gliederung Schieberegister Multiplexer Zähler Addierer 2 / 22 Schieberegister
MehrAbschlussklausur Informatik, SS 2012
Abschlussklausur Informatik, SS 202 09.07.202 Name, Vorname: Matr.-Nr.: Unterschrift: Zugelassene Hilfsmittel: außer Stift und Papier keine Hinweis: Geben Sie bei allen Berechnungen den vollständigen Rechenweg
MehrVorwort Teil 1: Grundlagen 1. 1 Einleitung Grundbegriffe Einheiten Geschichte Arten von Computern 8
Inhaltsverzeichnis Vorwort Teil 1: Grundlagen 1 1 Einleitung 3 1.1 Grundbegriffe 3 1.2 Einheiten 5 1.3 Geschichte 6 1.4 Arten von Computern 8 2 Allgemeiner Aufbau eines Computersystems 15 2.1 Blockdiagramm
MehrTeil V. Programmierbare Logische Arrays (PLAs)
Teil V Programmierbare Logische Arrays (PLAs) 1 Aufbau von PLAs Programmierbares Logisches Array (PLA): Programmierbarer Einheitsbaustein aufgebaut als ein Gitter (Array) von Basisbausteinen (Zellen).
MehrComputergestützter IC- Entwurf
FHTW Berlin Fachbereich 1 Technische Informatik, D5TI Computergestützter IC- Entwurf Simulation eines Lauflichts Übungs- Beleg Abgabetermin: 07.02.2003, 366437 1 Inhaltsverzeichnis 1 Einleitung... 3 2
MehrSeminararbeit Sommersemester 2017
Schaltkreise für die Addition Seminararbeit Sommersemester 2017 Bearbeitet von: Maximilian Breymaier (Matrikelnummer: 57214) Christoph Mantsch (Matrikelnummer: 57266) Betreuer: Prof. Dr. Thomas Thierauf
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrProposal Masterarbeit
Proposal Masterarbeit Martin Zenzes 9. Oktober 2009 Erstprüfer: Frank Kirchner Betreuer: Sebastian Bartsch Forschunggruppe Robotik DFKI Bremen Robert-Hooke-Str. 5 28359 Bremen Inhaltsverzeichnis Thema
MehrLösungsvorschlag 4. Übung Technische Grundlagen der Informatik II Sommersemester 2009
Fachgebiet Rechnerarchitektur Fachbereich Informatik Lösungsvorschlag 4. Übung Technische Grundlagen der Informatik II Sommersemester 2009 Aufgabe 4.1: Zahlensysteme a) Bitte füllen Sie die leeren Zellen
MehrCarry Lookahead Adder
Carry Lookahead Adder Mittels der Generate und Propagate Ausdrücke lässt ich dann für jede Stelle i der Carry (Übertrag) für die Stelle i+1 definieren: Für einen 4 Stelligen Addierer ergibt sich damit:
MehrModellbasierte Systementwicklung für Smarte Sensoren. Dr. Benjamin Schwabe, Andrea Hollenbach
Modellbasierte Systementwicklung für Smarte Sensoren Dr. Benjamin Schwabe, Andrea Hollenbach 26.5.217 Agenda 1 Einführung Smarte Sensoren 2 Entwicklung der Auswertealgorithmen und Code Generierung 3 Erweiterungen
MehrAsynchronous Chain True Single Phase Clock Logik (AC TSPC)
Asynchronous Chain True Single Phase Clock Logik (AC TSPC) F. Grassert, A. Wassatsch, D. Timmermann Übersicht Grundlagen / Stand der Entwicklungen Verlustleistungsreduktion: Latch-freie Strukturen Weiterentwicklung:
MehrSchwerpunktprogramm 1148 Rekonfigurierbare Rechensysteme. Rekonfigurierbare Controller
Schwerpunktprogramm 1148 Rekonfigurierbare Rechensysteme Rekonfigurierbare Controller Roland Kasper Thomas Reinemann Institut für Mechatronik und Antriebstechnik Otto-von-Guericke-Universität Magdeburg
MehrArchitekturen, Werkzeuge und Laufzeitumgebungen für eingebettete Systeme
Farbverlauf Architekturen, Werkzeuge und Laufzeitumgebungen für eingebettete Systeme Embedded Systems Christian Hochberger Professur Mikrorechner Fakultät Informatik Technische Universität Dresden Nötiges
MehrRechnernetze und Organisation
Arithmetic Logic Unit ALU Professor Dr. Johannes Horst Wolkerstorfer Cerjak, 9.2.25 RNO VO4_alu Übersicht Motivation ALU Addition Subtraktion De Morgan Shift Multiplikation Gleitkommazahlen Professor Dr.
MehrSignale und Logik (3)
Signale und Logik (3) Zwischenbilanz der bisherigen Erkenntnisse: Prof. Dr. A. Christidis SS 205 Energieformen (z.b. Elektrizität) können auch als Signale (=Informationsträger) genutzt werden (vgl. Telegraph).
Mehrb i Ergänzung zu Vollkonjunktionen (ohne Indizierung i = 0... n-1): q = a b a b q = a b q = a b a b a b
Ansatz: Die Realisierung von arithmetischen Operationen mit Logikgattern führt zu ähnlichen Verarbeitungsstrukturen für arithmetische und logische Befehle Parallele Zahlwort/oder Logikverarbeitung ist
MehrOptimierung auf rekonfigurierbaren Rechensystemen
Optimierung auf rekonfigurierbaren Rechensystemen Evolution in dynamisch rekonfigurierbarer Hardware Peter Bungert Hartmut Schmeck Institut für Angewandte Informatik und Formale Bescheibungsverfahren (AIFB)
Mehr, 2015S Übungstermin: Mi.,
VU Grundlagen digitaler Systeme Übung 1: Zahlendarstellungen, Numerik 183.580, 2015S Übungstermin: Mi., 18.03.2015 Allgemeine Hinweise: Versuchen Sie beim Lösen der Beispiele keine elektronischen Hilfsmittel
MehrRekurrente / rückgekoppelte neuronale Netzwerke
Rekurrente / rückgekoppelte neuronale Netzwerke Forschungsseminar Deep Learning 2018 Universität Leipzig 12.01.2018 Vortragender: Andreas Haselhuhn Neuronale Netzwerke Neuron besteht aus: Eingängen Summenfunktion
Mehr4. Daten. K. Bothe, Institut für Informatik, HU Berlin, GdP, WS 2015/16
4. Daten K. Bothe, Institut für Informatik, HU Berlin, GdP, WS 2015/16 Version: 19. Okt. 2015 Was ist Informatik? Begriffsbestimmung (Gegenstand): "Informatik ist die Wissenschaft... der maschinellen Verarbeitung,
Mehr