شبكة العصبية مستقلة عن منصة لميكروسنترولر التعلم الذاتي معالجة البيانات الاستشعار

"باستخدام المكتبات المعيارية المستندة إلى مجموعة مترجم جنو (GCC) وشفرة المصدر إلى أدنى حد ممكن ، حتى التكامل بما في ذلك خوارزميات التعلم على متحكم محتمل" ، قالت المنظمة. "إن الشبكة العصبية الاصطناعية لا تركز بشكل سطحي على معالجة البيانات الضخمة ، ولكن يجب أن تتيح إمكانية تطبيق الإلكترونيات الدقيقة ذاتية التعلم التي لا تتطلب اتصالًا بسحابة أو أجهزة كمبيوتر أكثر قوة."

من المتوقع تقديم تطبيقات حول أجهزة الاستشعار ومراقبة الحالة لتطبيقات الصناعة 4.0 ، وكذلك أغراض إنترنت الأشياء الأكثر عمومية.

تعد الشبكة نموذجية لتناسبها مع المهام المختلفة - حيث تكون المعلمات من تطبيع بيانات المستشعر ، وبنية الشبكة ، ووظيفة التنشيط الأكثر ملاءمة ، وخوارزمية التعلم قابلة للتهيئة.

كخوارزمية تعلم ، تم تنفيذ خوارزمية الانتشار الخلفي عبر الإنترنت متعددة الخيارات ، واستراتيجية التعلم التطوري قيد التطوير.

"إن البرمجة مع دول مجلس التعاون الخليجي تسمح بالنقل إلى جميع المنصات تقريبًا" ، على حد قول فراونهوفر. ويمكّن هذا من التكامل الذاتي الكامل بما في ذلك خوارزمية التعلم على نظام مدمج. من الممكن أيضًا استخدام الشكل الكلاسيكي الذي يتم فيه تنفيذ مرحلة التعلم على وحدة أكثر كفاءة. وتتمثل الميزة في هذه الحالة في أنه يمكن استخدام نفس شفرة المصدر لمنصات مختلفة - يجب فقط تجميعها في النظام الأساسي المعني. "

عند استخدام Windows ، على سبيل المثال ، يتم تصنيف التعليمات البرمجية المصدر كمكتبة ارتباطات ديناميكية (DLL) مما يسمح بدمجها في أدوات مثل Labview أو Matlab أو Visual Studio.

للتطوير الأولي ، يقترح جهاز كمبيوتر لحساب سريع. بمجرد أن يكون التكوين صحيحًا ، يمكن تطبيقه على النظام المضمن.

تم بالفعل عرض إصدارات الشبكة المحايدة على Raspberry Pi مع Raspbian و ATMega32U4 - هذا الأخير كان موضوع "حساس لاسلكي ذكي ذاتي الاكتفاء الذاتيورقة مقدمة في المؤتمر الأوروبي للأجسام الذكية والأنظمة والتكنولوجيات. وسيتم تقديم تطبيق آخر في جناح Fraunhofer IMS في SPS IPC Drives 2018 في نورمبرغ.

تتضمن الخطط المستقبلية مسرع الأجهزة الموفرة للطاقة خصيصًا للشبكة.