Формирование начальной базы знаний



 

Для формирования начальной базы удачных и неудачных фактов были выбраны DSP фирм Microchip, Analog Devices и Texas Instruments. Удачные факты приведены в таблице 5, неудачные приведены в таблице 6.

 

Таблица 5. Примеры удачных фактов из начальной таблицы знаний

Имя факта

Вес

Вектор значений

1 2 3 4 5 6 7 8
Microchip PIC ds33FJ256GP710A 0 Нет <50 16K-32K 16K-32K Нет Есть 12 Есть
Analog Devices ADSP-2187N 0 Есть 50-100 16K-32K 16K-32K Есть Есть 0 Есть
Texas Instruments 320UC5402-100 0 Есть 100-200 16K-32K 16K-32K Есть Есть 0 Есть

 

Таблица 6. Примеры неудачных фактов из начальной таблицы знаний

Имя факта

Вес

Вектор значений

1 2 3 4 5 6 7 8
Microchip PIC ds33FJ06GS102 0 Нет <50 <8K <4K Нет Нет 0 Нет
Analog Devices ADSP-2184N 0 Есть 50-100 <8K <4K Нет Нет 0 Нет
Texas Instruments 320UC54A1-532 0 Есть >200 <8K >32K Есть Есть 0 Нет

 

Решение открытой задачи

 

Критерии остановки:

1. Слабая динамика изменения коэффициентов функции выбора

2. Близкое к нулю количество противоречивых гипотез

Начальный вид функции выбора представлен в таблице 7.

 

Таблица 7. Начальный вид функции выбора

  Параметр 1 2 3 4
1 Поддержка расширенных вычислений

0

0

2 Производительность, MIPS 0 0 0 -3
3 Объем памяти программ (ROM) -9 0 9 0
4 Объем памяти данных (RAM) -6 0 9 -3
5 Оптимизированный набор инструкций

-3

3

6 Поддержка JTAG

-6

6

7 Разрядность АЦП -3 0 3 0
8 Встроенное FFT ускорение

-9

9

 

Протокол обучения решателя представлен в таблице 8.

 

Таблица 8. Протокол обучения решателя

Уровень знаний

Общее число фактов

Число гипотез

Число подтвержденных гипотез

Число опровергнутых гипотез

+

-

1

6

9

46

8

47

2

61

31

31

31

31

3

123

61

31

50

42

4

215

31

31

42

20

5

277

31

61

44

48

6

369

32

60

63

29

7

461

61

91

97

55

8

613

32

86

82

36

9

731

31

31

39

23

10

793

61

31

54

38

11

885

31

31

40

22

12

947

31

53

51

33

13

1031

84

31

82

33

14

1146

61

31

67

25

15

1238

31

16

24

23

16

1285

31

20

28

23

17

1336

31

13

33

11

18

1380

26

7

22

11

19

1413

24

15

27

12

Уровень знаний

Общее число фактов

Число гипотез

Число подтвержденных гипотез

Число опровергнутых гипотез

+

-

20

1452

27

12

31

8

21

1491

17

9

22

4

22

1517

10

8

13

5

23

1535

11

11

15

7

24

1557

12

4

11

5

25

1573

18

1

14

5

26

1592

7

3

8

2

27

1602

9

4

10

3

28

1615

8

4

10

2

29

1627

 

 

 

 

                 

 

К 29-ой итерации количество генерируемых гипотез упало и выровнялось, а количество опровергнутых гипотез среди них стало минимальным. Таким образом, можно отметить факт окончания обучения решателя. Конечный вид функции выбора представлен в таблице 9. График зависимости числа генерируемых гипотез и числа противоречий от уровня знаний Решателя представлен на рисунке 2.

 

Таблица 9. Конечный вид функции выбора

  Параметр 1 2 3 4
1 Поддержка расширенных вычислений

-10653

581

2 Производительность, MIPS -112640 29200 42690 30421
3 Объем памяти программ (ROM) -85037 21601 34143 21601
4 Объем памяти данных (RAM) -73648 16875 16875 16875
5 Оптимизированный набор инструкций

-34779

34401

6 Поддержка JTAG

-18946

18512

7 Разрядность АЦП -138105 -68925 120625 86405
8 Встроенное FFT ускорение

-28302

20390

 


 

Анализ результатов решения задачи

 

Анализ весовых коэффициентов параметров

Результат ранжирования параметров, с учетом полученных весовых коэффициентов Cij, по формуле

 

wi = |maxjij) - minj(Cij)|

 

Таблица 10. Проранжированные параметры

  Параметр wi Ранг
1 Поддержка расширенных вычислений 11234 8
2 Производительность, MIPS 155330 2
3 Объем памяти программ (ROM) 119180 3
4 Объем памяти данных (RAM) 90523 4
5 Оптимизированный набор инструкций 69180 5
6 Поддержка JTAG 37458 7
7 Разрядность АЦП 258730 1
8 Встроенное FFT ускорение 48692 6

 

Ранжирование показывает, что Решатель правильно определил важность параметров в их влиянии на ВПК. Так от разрядности АЦП будет зависеть достоверность распознавания, производительность системы оказывает прямое влияние на быстродействие и косвенно влияет на достоверность распознавания, ведь недостаток вычислительной мощности процессора не позволит реализовать более сложные программные алгоритмы, сохранив при этом приемлемое время отклика всего устройства. Объем памяти данных и объем памяти программ так же должны быть достаточными для реализации программного алгоритма, иначе придется использовать внешнюю память, что уменьшит быстродействие системы, но увеличит её ресурсоёмкость. Далее по списку расположены параметры, влияющие на удобство разработки системы. Эти параметры важны для разработчика, но не оказывают прямого влияния на ВПК.


Анализ нелинейных компонент

В результате обучения Решателя было получено 167 нелинейных компонент. В таблице 11 приведены 5 наиболее весомых из них.

 

Таблица 11. Нелинейные компоненты

  Вес Параметр Значение

1

-144705

Встроенное FFT ускорение Нет
Объем памяти данных (RAM) <4K
Поддержка JTAG Есть
Поддержка расширенных вычислений Нет
Разрядность АЦП 12

21

-122996

Оптимизированный набор инструкций Нет
Поддержка расширенных вычислений Нет
Производительность 50-100
Разрядность АЦП 12
Объем памяти данных (RAM) <4K
Объем памяти программ (ROM) <8K

114

-143484

Объем памяти данных (RAM) <4K
Объем памяти программ (ROM) >32K
Поддержка JTAG Нет
Поддержка расширенных вычислений Нет
Производительность 50-100
Разрядность АЦП 12

130

-144705

Объем памяти данных (RAM) <4K
Объем памяти программ (ROM) >32K
Поддержка JTAG Нет
Поддержка расширенных вычислений Нет
Производительность >200
Разрядность АЦП 12

122

-124217

Встроенное FFT ускорение Есть
Поддержка JTAG Есть
Поддержка расширенных вычислений Нет
Производительность >200
Разрядность АЦП 12

 

Все приведенные нелинейные компоненты, кроме компоненты №122, являются безусловно слабыми, так как имеют недостаточный объем внутренней памяти данных. Компонента №122 является слишком сильным решением, так подобная производительность будет излишней в условиях данной задачи.

Анализ полученных решений

Из рисунка 4 хорошо видно, что Решатель выдает реалистичные и, самое главное, сбалансированные решения, которые можно использовать для применения в заданной проблемной области. В подтверждение этого в таблице 12 приведены примеры DSP, рекомендованные производителями для применения в аудиоустройствах.

 

Таблица 13. Пример существующих решений

DSP

Вектор значений

1 2 3 4 5 6 7 8
Analog Devices ADSP-2185N Есть 100-200 8K-16K 4K-16K Есть Есть 12 Есть
Texas Instrument 320UC5409-100 Есть 100-200 16К-32К  4К-16К Есть Есть 12 Есть

 


Дата добавления: 2019-07-15; просмотров: 132; Мы поможем в написании вашей работы!

Поделиться с друзьями:






Мы поможем в написании ваших работ!