وبلاگ

۲۰۹٫۰

 

۳۵۴۵٫۰

 

 

 

 

 

 

Total power (mw)

 

Leakage power (pw)

 

Internal power (mw)

 

Switching power (mw)

 

 

 

۰٫۰۳۴۳

 

۴^۱۰*۱۲۶

 

۰٫۰۳۳

 

۰۰۰٫۰

 

 

 

بیشترین توان در گره شبکه حسگر بی سیم در الگوریتن DES مصرف می شود. مطلب فوق نشانگر این موضوع می‌باشد که مقدار توان دینامیک میکرو در مقابل توان دینامیک DES و ADC قابل صرف نظر می‌باشد.
روش ماکروکدل نیز مانند روش تخمین توان در سطح تجرید گیت دارای معایبی می‌باشد. 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. اما این مدل بر روی همه داده های ورودی دقت لازم را ندارد. بنابراین انتخاب مجموعه آموزشی بسیار مهم است. در تحقیق انجام شده راهی برای یافتن نمونه ورودی مناسب جهت استفاده در مراحل اولیه طراحی یافته ایم. توسط یک شبکه عصبی می توان مشخص کرد که مجموعه داده ایی که به عنوان ورودی در نظر گرفته ایم منجر به تخمین درست توان با روش ماکرومدل خواهد شد یا خیر.

۵-۵٫تعیین ورودی مناسب توسط شبکه عصبی مصنوعی
همانطور که در بخش قبل گفته شد داده های ورودی که جهت استفاده در روش ماکرو مدل به شبکه حسگر بی سیم اعمال می کنیم باید ویژگی های خاصی داشته باشند تا بتوان بر صحت توان تخمین زده شده اطمینان حاصل کرد.
برای اینکه در مراحل اولیه طراحی شبکه حسگر بی سیم بتوانیم ورودی مناسب را برگزیده و از معتبر بودن کارمان مطمئن باشیم از یک ANN بهره گرفته ایم.
شبکه عصبی مصنوعی^[۱۶۲]، سیستمی بزرگ از اجزاء پردازشی موازی یا توزیع شده بنام نرون^[۱۶۳] یا سلول‌عصبی است که در یک توپولوژی گراف به هم متصل شده‌اند. نرون‌ها از طریق ارتباطات وزن‌داری بنام سیناپس^[۱۶۴] به هم متصل می‌شوند. داده‌ها جدا از پردازش ذخیره نمی‌شوند، زیرا داده‌ها ذاتاً به هم متصل هستند. به عبارت دیگر، شبکه‌های عصبی مصنوعی، الگوریتم‌های ریاضی هستند که قادر به یادگیری نگاشت‌های پیچیده‌ی بین ورودی(ها) و خروجی(ها) از طریق آموزش تحت نظارت^[۱۶۵] بوده یا قادر به رده‌بندی اطلاعات ورودی به روشی بدون نظارت^[۱۶۶] می‌باشند. قوانین آموزش این شبکه‌ها الهام گرفته از علم زیست‌شناسی بوده و نحوه یادگیری شبکه را تعیین می‌کنند. انواع مختلفی از شبکه‌های عصبی وجود دارند که هرکدام بنا بر کاربرد خود از توانایی‌های مختلفی برخوردار می‌باشند. در اغلب شبکه‌های عصبی، آموزش شبکه بر اساس یادگیری به وسیله مثال^[۱۶۷] انجام می‌شود. یعنی مجموعه‌ای از داده‌های ورودی- خروجیِ‌ درست به شبکه داده می‌شود. شبکه عصبی با بهره گرفتن از این مثال‌ها، مقادیر وزن‌های ارتباطی خود را به گونه‌ای تغییر می‌دهند که داده‌های ورودی جدید بتوانند پاسخ‌های درستی را به ‌عنوان خروجی شبکه تولید کنند. به این فرایند، یادگیری^[۱۶۸] گفته می‌شود.
با توجه به قابلیت‌های به اثبات رسیده شبکه‌های عصبی در زمینه‌های مختلف، شبکه‌های عصبی می‌توانند به‌عنوان ابزاری کارآمد جهت دسته بندی و پیش بینی به کار گرفته شوند.
۵-۵-۱٫پیاده سازی شبکه عصبی و نتایج حاصله
یک شبکه عصبی MLP با دو لایه میانی تعریف کرده ایم. پارامتراهای ماکرومدل ۱۵ مجموعه داده‌ایی که در بخش قبل برای تخمین توان به ماژول DES داده بودیم به همراه پارامترهای تولید شده برای ۵ مجموعه که خواص آماری مناسب نداشته و خطای زیادی در محاسبه توان آن ها وجود دارد را برای راه اندازی شبکه عصبی در نظر گرفته ایم. ماتریس داده های ANN در شکل ۵-۵ نشان داده شده است.

شکل ۵-۵٫ دیتابیس مورد استفاده در ANN
پارامتراهای Pin,Pout,Din,Dout,Sin,Sout به عنوان feature و توان های تخمینی و محاسبه شده به عنوان خروجی در نظر گرفته شده اند.
شبکه عصبی نوشته شده با ۷۰ درصد از داده ها به تعداد ۳۰۰۰ اپک آموزش داده شد و با دقت ۱۰۰% روی ۳۰ درصد باقیمانده از داده ها جواب می دهد. نمودار کاهش خطا در حین آموزش در شکل ۵-۶ آمده است. نتایج حاصل در جدول ۵-۳ آمده است.

شکل ۵-۶٫ نمودار کاهش خطای آموزش شبکه عصبی
جدول ۵-۳٫ نتایج تست شبکه عصبی

 

 

۰٫۰۰۳۴

 

Training averror

 

 

 

۰٫۰۳۷۷