Reconocimiento de caracteres por medio de una red neuronal artificial
Reconocimiento de caracteres por medio de una red neuronal artificial
Barra lateral del artículo
PDF
FLIP
Contenido principal del artículo
En este trabajo se presenta la implementación de un sistema de reconocimientode caracteres en una tarjeta de desarrollo FPGA de propósito general. La clasificación de los caracteres se realiza por medio de un modelo de red neuronal conocido como Feed-forward backpropagation. Se utiliza la herramienta de redes neuronales NNTool de Matlab, para crear, entrenar y simular este tipo de Red Neuronal Artificial (RNA) con cinco diferentes patrones de entrenamiento. Para realizar la implementación, estas RNAs, son traducidas del modelo computacional a un modelo realizable en hardware, el cual es descrito mediante bloques en Matlab/Simulink y Xilinx System Generator (XSG). El archivo de configuración bitstream, necesario para la programación del FPGA, es generado por XSG para posteriormente ser implementado con Xilinx ISE foundation en la FPGA.
Palabras Clave: FPGA, Matlab / Simulink, reconocimiento de caracteres, red neuronal artificial, Xilinx System Generator.
Descargas
Detalles del artículo
CHAPMAN, Rob. SUTANKAYO,Steven. Implementing Artificial Neural
Network Designs. Abril, 1998.
LAU, Tsz Hei. Implementation of Artificial Neural Network on FPGA Devices. Nueva Zelanda, 2005. Universidad de Auckland, Departamento de ingeniería de sistemas de computo.
RESTREPO, H. F. HO_MAN, R. PEREZ-URIBE, A. TEUSCHER, C. y
SANCHEZ E. A networked fpga-based hardware implementation of a neural network application. En: Proceedings of the IEEE Symposium on Field Programmable Custom Computing Machines (FCCM’00), páginas 337-338, Napa, California, USA, Abril 17-19 del 2000.
ACOSTA, Maria Isabel. ZULUAGA, Camilo Alfonso. Tutorial sobre redes neuronales aplicadas en Ingeniería Eléctrica y su implementación en un sitio Web. Pereira, 2000. p. 342. Universidad Tecnológica de Pereira.Disponible en Internet: http://ohm.utp. edu.co/neuronales.
MOCTEZUMA EUGENIO, Juan Carlos. TORRES HUITZIL, Cesar.
Estudio sobre la implementación de redes neuronales artificiales usando Xilinx System Generator. Puebla, México. 2005. P.1. Benemérita Universidad Autónoma de Puebla.
MOUSSA, M. AREIBI, S. y NICHOLS K. Arithmetic precision for bp networks. En: Amos Omondi and Jagath Rajapakse, editors, FPGA Implementations of Neural Networks. Kluwer Academic Publishers, Diciembre de 2003.
MOORE, G.E. Cramming more components onto integrated circuits.
En: Readings in computer architecture. 2000. p. 56–59. Disponible en
Internet: http://portal.acm.org/citation. cfm?id=333074
TOMMISCA, M.T. Efficient digital implementation of the sigmoid function for reprogrammable logic. En: Computers and Digital Techniques. Finlandia. Vol 150, no. 6 (Nov. 2003); p.403-411
VIVAS, Rosa Liliana. Estudio de métodos de inteligencia artificial y
desarrollo de códigos y aplicativos en Matlab para el modelamiento de sistemas basados en árboles de decisión, lógica difusa y redes neuronales. Cúcuta, 2005. P.193. Trabajo de grado en la modalidad
pasantía. Universidad Francisco de Paula Santander. Plan de estudios de
Ingeniería Electrónica.
HAMILTON, Alberto Francisco. Estrategias de control óptimo basadas en programación dinámica y redes neuronales para sistemas MIMO continuos no lineales. España, 2002. Tesis doctoral. Universidad de la Laguna.
RIVERA, Cesar Alexander. SANTIAGO, Jhon Jairo. Metodología de diseño para la implementación de Redes Neuronales Artificiales en Dispositivos Lógicos Programables. Cúcuta, 2007. p.290. Trabajo de grado en la modalidad de proyecto de investigación. Universidad
Francisco de Paula Santander. Plan de estudios de Ingeniería Electrónica.
SMACH, F. ATRI, M. MITÉRAN, J. ABID, M. Design of a Neural Networks Classifier for Face Detection. En: Journal of Computer Science 2. Túnez, Francia, 2006. p. 257-260.
MOLLER, M.F. A Scaled Conjugate Gradient algorithm for fast supervised learning, Neural Networks. Vol. 6, 1993. p. 525-533.
