Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Design of Fully Analogue Artificial Neural Network with Learning Based on Backpropagation

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F21%3A00350555" target="_blank" >RIV/68407700:21230/21:00350555 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.13164/re.2021.0357" target="_blank" >https://doi.org/10.13164/re.2021.0357</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.13164/re.2021.0357" target="_blank" >10.13164/re.2021.0357</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Design of Fully Analogue Artificial Neural Network with Learning Based on Backpropagation

  • Popis výsledku v původním jazyce

    A fully analogue implementation of training algorithms would speed up the training of artificial neural networks. A common choice for training the feedforward networks is the backpropagation with stochastic gradient descent. However, the circuit design that would enable its analogue implementation is still an open problem. This paper proposes a fully analogue training circuit block concept based on the backpropagation for neural networks without clock control. Capacitors are used as memory elements for the presented example. The XOR problem is used as an example for concept-level system validation.

  • Název v anglickém jazyce

    Design of Fully Analogue Artificial Neural Network with Learning Based on Backpropagation

  • Popis výsledku anglicky

    A fully analogue implementation of training algorithms would speed up the training of artificial neural networks. A common choice for training the feedforward networks is the backpropagation with stochastic gradient descent. However, the circuit design that would enable its analogue implementation is still an open problem. This paper proposes a fully analogue training circuit block concept based on the backpropagation for neural networks without clock control. Capacitors are used as memory elements for the presented example. The XOR problem is used as an example for concept-level system validation.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20201 - Electrical and electronic engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Radioengineering

  • ISSN

    1210-2512

  • e-ISSN

    1805-9600

  • Svazek periodika

    2021

  • Číslo periodika v rámci svazku

    30

  • Stát vydavatele periodika

    CZ - Česká republika

  • Počet stran výsledku

    7

  • Strana od-do

    357-363

  • Kód UT WoS článku

    000719147800012

  • EID výsledku v databázi Scopus

    2-s2.0-85108525300