مدل سازی دروازه منطقی تمام نوری با شبکه های عصبی رگرسیون کلی و پیش بینی خطی
دروازه های منطقی تمام نوری اصلی ترین واحد در سیستم های پردازشی تمام نوری هستند. ارایه یک روش سریع و کارآمد برای مطالعه رفتار دروازه های منطقی تمام نوری با اهمیت بوده و همواره مورد توجه محققان قرار داشته است. در این مقاله از شبکه های عصبی رگرسیون کلی (GRNN) و پیش بینی خطی (Lin) برای مدلسازی خروجی دروازه منطقی تمام نوری XOR سه ورودی استفاده شده است. نتایج بدست آمده نشان می دهند هر دو روش به خوبی می توانند رفتار قطعه را مدل سازی کنند اما مدت زمان آموزش شبکه عصبی در روش پیش بینی خطی با ساختار بهینه حدود 93 ثانیه است که بسیار بیشتر از روش GRNN با مدت زمان آموزش 8 ثانیه می باشد. هر دو شبکه پس از آموزش می توانند خروجی دروازه مورد نظر را در مدت زمانی کمتر از 1 ثانیه پیش بینی نمایند. این زمان در مقایسه با زمان مورد نیاز برای محاسبه خروجی دروازه منطقی XOR که برابر با 12 ثانیه می باشد کاهش چشمگیری را در مدل سازی این افزاره نشان می دهد. در روش GRNN به ازای مقدار گستردگی 001/. بهترین پاسخ با مقادیر خطاهای MAE, RSE, MSE به ترتیب 7-10×97/1، 6-10×95/5 و 4-10×6/1 به دست آمده است. در روش پیش بینی خطی با مقدار آموزش اولیه 200 داده کمترین مقادیر خطاهای MAE, RSE, MSE به ترتیب 22-10×11/1 ، 16-10×14/2 و 11-10×11/2 و بهترین خروجی برای مدل سازی حاصل شده است. مقدار ضریب همبستگی (R2) بین مقادیر مدل سازی شده و مقادیر مطلوب خروجی دروازه منطقی مذکور برای هر دو روش شبکه عصبی برابر با یک می باشد که نشان دهنده پیش بینی بسیار خوب در این روش است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.