وبلاگ

Testing averror

۱

SENSITIVITY

۱

SPECIFICITY

۱

ACC

۳۰۰۰

eppoch

۲۰ data

ANN_{6 25 20 2}

فصل ششم. نتیجه گیری و پیشنهادات
۶-۱٫یافته های تحقیق
محبوبیت شبکه‌های بی‌سیم حسگر در استفاده از تعداد زیادی گره کوچک است که می توانند با هم سازماندهی کرده و در مواردی چون مسیریابی هم‌زمان، نظارت بر شرایط محیطی(مانند دمای محیط، وجود گازها در تونل‌ها)، نظارت بر زیر ساخت‌ها یا تجهیزات یک سیستم به کار گرفته شوند.هر گره حسگر دارای یک پردازشگر است و خود یک سری پردازش‌های اولیه روی اطلاعات دریافتی انجام می‌دهد و سپس داده‌ها را ارسال می‌کند. در شبکه های حسگر بی‌سیم، گره ها بایستی مدت‌های طولانی با یک منبع تغذیه‌ی معین و محدود کار کنند. انرژی مصرفی گره‌ها معمولاً از طریق باتری تامین می‌شود که در اکثر موارد امکان جایگزینی این باتری‌ها وجود ندارد و با اتمام باتری عمر حسگر پایان می‌یابد. چهار عملکرد اصلی که سبب مصرف انرژی در گره‌ها می‌گردد عبارتند از: ۱)دریافت، ۲)ارتباطات، ۳)محاسبات ۴)ذخیره سازی. در هریک از این فرآیندها میزان تاخیر و مصرف انرژی متفاوت است. محدودیت انرژی منجر به تکنیک‌های مدل نمودن و مدیریت توان مصرفی شده است.
توان مصرفی در یک مدار تنها به ولتاژ تغذیه و ساختار مدار بستگی ندارد، الگوی ورودی در توان مصرفی نقش مهمی ایفا می‌کند. پارامترهایی مانند فعالیت سیگنال به عنوان معیار مقایسه توان مصرفی مدارهای دارای کارایی یکسان مورد استفاده قرار می‌گیرند.
روش تخمین توان به ۴ سطح تجرید تقسیم می‌شود: ۱)سطح سیستم، ۲)سطح RTL، ۳)سطح گیت، ۴)سطح جانمایی. دقت محاسبه توان در سطح گیت و جانمایی بین ۷۰ تا ۹۵% است. ولی مشکل محاسبه توان در این سطوح زمان شبیه سازی طولانی می‌باشد. محاسبه توان در سطح سیستم کمترین زمان شبیه سازی را دارا می‌باشد اما دقت آن بین ۴۰ تا ۷۵% است. پایین بودن دقت در سطح سیستم و طولانی بودن زمان شبیه سازی در سطح گیت و جانمایی سبب مهم شدن تخمین توان در سطح RTL شده است. . در سطح RTL زمان شبیه سازی جهت تخمین توان کاهش یافته است و مقدار توان مصرفی در زمان کوتاهتری مشخص می گردد که بر روی طراحی موثر است.
روش macro-model از پارامترهای آماری مانند احتمال سیگنال، تغییرات سیگنال و همبستگی مکانی سیگنال برای تخمین توان مصرفی استفاده می‌کند.

در رابطه فوق P توان تخمینی توسط شبیه ساز سطح مدار می‌باشد و  ،…،  مقادیر ثابتی هستند که ضرایب رگرسیون نامیده می‌شوند و X₁،…،X_k متغیرهای استخراجی از جفت بردار ورودی (مانند احتمال سیگنال، تغییرات سیگنال و همبستگی مکانی سیگنال) می‌باشند. از مجموعه‌های آموزشی برای محاسبه ضرایب  ،…،  استفاده می‌شود. مجموعه‌های آموزشی باید بخش بزرگی از فضای آماری را بپوشانند تا توان مصرفی تخمینی دارای دقت بیشتری باشد. پارامترهای آماری احتمال سیگنال، تغییرات سیگنال و همبستگی مکانی سیگنال برای مجموعه‌های آموزشی محاسبه می‌شوند، سپس توان مصرفی این مجموعه‌های آموزشی توسط نرم افزار Synopsys Power Compiler محاسبه می‌شوند. با بهره گرفتن از توان مصرفی و پارامترهای آماری ضرایب  ،…،  توسط رابطه فوق بدست می‌آیند. با مشخص شدن ضرایب  ،…،  ، تخمین توان مصرفی برای هر مجموعه داده امکان پذیر می‌باشد. این روش دارای معایبی می باشد: اول اینکه روش ماکرومدل بر پایه فرضیاتی می‌باشد که این فرضیات بر روی دقت مدل اثر می‌گذارند. دوم مجموعه آموزشی (training set) تنها نشانگر بخش کوچکی از نمونه‌داده‌ها می‌باشد. ماکرو مدل کیفیت خوبی روی مجموعه آموزشی و داده‌های که خواص آماری مشابه مجموعه آماری دارند نشان می‌دهد. بنابراین انتخاب مجموعه آموزشی بسیار مهم است. برای یافتن مجموعه داده های مناسب که تخمین توان برای آنها با دقت انجام شود از یک شبکه عصبی استفاده شده است. با آموزش تعدادی از مجموعه های داده مناسب و نامناسب به ANN، شبکه عصبی می‌تواند مجموعه درست را برای استفاده در طراحی مدار برایمان مشخص کند.
۶-۲ نوآوری تحقیق در مقایسه با کارهای گذشته
برای تخمین زدن در سطح تجرید، اطلاعات مربوط به خازن های ورودی و خروجی هر گیت مورد نیاز می باشد. همچنین در روش تخمین توان در سطح تجرید گیت مدار باید بر اساس گیت های پایه مدل گردد یعنی هر ماژول پیچیده با گیت های اولیه پیاده سازی گردد که مدل نمودن در این سطح نیازمند صرف زمان بسیار می‌باشد.در روش پیشنهادی توان پردازشی مصرفی در عرض چند ثانیه و با سرعت و دقت بسیار بالا تخمین زده می‌شود.
استراتژی تخمین توان در سطح RTL، سیستم را به بلوک‌ها و ماژول‌هایی مانند مالتی پلکسر، ضرب کننده و … می‌شکند. توان مصرفی این بلوک‌ها با روش‌های مختلفی مانند نرم افزار Synopsys Power Compiler محاسبه می‌شوند، این نرم افزار بسیار گران قیمت بوده و در دسترس همگان نمی‌باشد بنابراین توسط روش پیشنهادی یا همان روش ماکرو مدل محاسبه توان در مراحل طراحی بسیار آسان و کم هزینه قابل انجام خواهد بود.
روش ماکروکدل نیز دارای معایبی می‌باشد. مانند اینکه روش ماکرومدل بر پایه فرضیاتی می‌باشد که این فرضیات بر روی دقت مدل اثر می‌گذارند. همچنین این مدل بر روی همه داده های ورودی دقت لازم را ندارد. بنابراین انتخاب مجموعه ورودی بسیار مهم است. در تحقیق انجام شده
یک شبکه عصبی در نظر گرفته شده است که می تواند ورودی های مناسب را شناسایی کرده و بدین طریق خطا به حداقل ممکن خواهد رسید.
۶-۳٫پیشنهادات
۱٫ روش مورد استفاده برای همه مجموعه های ورودی پاسخگو نیست و به جای استفاده از شبکه عصبی می توان رابطه‌ای بین پارامترهای ماکرومدل یافت تا از ابتدا ورودی های صحیح تعریف کرد.
۲٫ از مهم ترین منابع خطا در این روش در نظر نگرفتن اتصالات داخلی و توان مصرفی آن است که با توسعه روش می‌توان بر دقت کار افزود.
۳٫ با یافتن رابطه بین پارامترهای ورودی و خروجی می توان با کاهش مراحل محاسبه بر سرعت اجرا افزود.
۴٫ می توان با گسترش مجموعه داده های ورودی و بزرگ تر کردن داده های آموزشی شبکه عصبی، MLP را به گونه ایی طراحی کرد که توان صحیح را برایمان پیش بینی کند.
مراجع
[۱] Akyildiz, I.F.; Su, W.; Sankarasubramaniam, Y. ; Cayirci, E. ; “A Survey on Sensor Networks”, IEEE Communications Magazine, vol. 40, no. 8, pp. 102-114, August 2002.
[۲] Stankovic, J. A; “Wireless Sensor Networks”, June 19, 2006.
[۳] Lewis, F. L. ; “Wireless Sensor Networks”, John Wiley, New York, 2004.