LOGIN TO YOUR ACCOUNT

Username
Password
Remember Me
Or use your Academic/Social account:

CREATE AN ACCOUNT

Or use your Academic/Social account:

Congratulations!

You have just completed your registration at OpenAire.

Before you can login to the site, you will need to activate your account. An e-mail will be sent to you with the proper instructions.

Important!

Please note that this site is currently undergoing Beta testing.
Any new content you create is not guaranteed to be present to the final version of the site upon release.

Thank you for your patience,
OpenAire Dev Team.

Close This Message

CREATE AN ACCOUNT

Name:
Username:
Password:
Verify Password:
E-mail:
Verify E-mail:
*All Fields Are Required.
Please Verify You Are Human:
fbtwitterlinkedinvimeoflicker grey 14rssslideshare1
Languages: French
Types: Article
Subjects: Réseaux de neurones artificiels, Réseaux à compétition, Cartes auto-organisatrices de Kohonen, Circuits numériques, Tolérance aux fautes, Environnement spatial, Upsets, Calcul d'attitude, Reconnaissance d'étoiles, Trains alétoires d'impulsions, 621.39, Artificial neural networks, Competition networks, Kohonen self-organized maps, Digital components, Fault tolerance, Space environment, Attitude computation, Star recognition, Random pulse streams
Une qualité souvent prêtée aux réseaux de neurones artificiels est d'être tolérants aux fautes. Dans les ouvrages de présentation générale, cette propriété est presque toujours introduite comme étant "naturelle", c'est-à-dire obtenue sans précaution particulière pendant l'apprentissage. D'autre part, l'environnement spatial est connu pour être agressif pour le matériel embarqué, ce qui se manifeste par divers dysfonctionnements. En particulier, on constate, pour les circuits numériques, le phénomène d'upset, c'est-à-dire l'inversion intempestive d'une bascule mémoire. Partant de ces deux constatations, on peut se demander si des circuits neuronaux ne constitueraient pas une solution intéressante et robuste pour implanter certaines fonctions de bord des engins spatiaux. Dans un premier temps, les différents aspects du problème sont exposés en détail : les réseaux de neurones artificiels et leur tolérance aux fautes, les circuits neuronaux, l'environnement spatial et les défaillances résultantes. En conclusion de cette présentation, une technique particulière pour réaliser des circuits neuronaux est choisie pour sa simplicité, et surtout pour le peu de bascules mémoires qu'elle met en jeu : les trains aléatoires d'impulsions. Une méthode originale de reconnaissance d'étoiles dans un champ de vue est ensuite proposée pour la fonction de bord "calcul d'attitude". Cette méthode s'appuie sur un réseau à compétition de type winner-takes-all, et sur une carte auto-organisatrice de Kohonen. Une implémentation matérielle de ces deux modèles neuronaux est alors proposée à l'aide de trains aléatoires d'impulsions. Cette réalisation permet, d'une part de mettre en lumière les difficultés liées à cette technique particulière d'implantation, et d'autre part de faire une première évaluation quant à sa tolérance aux upsets en pratique. A good quality often attributed to artificial neural networks is fault tolerance. in general presentation works, this property is almost always introduced as "natural", i.e. being obtained without any specific precaution during learning. Besides, space environment is known to be aggressive towards on-board hardware, inducing various abnormal operations. Particularly, digital components suffer , from upset phenomenon, i.e. misplaced switches of memory flip-flops. These two observations lead to the question: would neural chips constitute an interesting and robust solution to implement some board functions of spacecrafts ? First, the various aspects of the problem are detailed: artificial neural networks and their fault tolerance, neural chips, space environment and resulting failures. Further to this presentation, a particular technique to carry out neural chips is selected because of its simplicity, and especially because it requires few memory flip-flops: random pulse streams. An original method for star recognition inside a field-of-view is then proposed for the board function "attitude computation". This method relies on a winner-takes-all competition network, and on a Kohonen self-organized. map. An hardware iinplernentation of those two neural models is then proposed using random pulse streams. Thanks to this realization, on one hand difficulties related to that particular implementation technique can be highlighted, and on the other hand a first evaluation of its practical fault tolerance can be carried out.
  • No references.
  • No related research data.
  • No similar publications.

Share - Bookmark

Cite this article