Projektthemen für die Prüfungsleistung
(EN google-translate)
(PL google-translate)
Da nach aktuellem Stand noch die Lösung einer ganzen Reihe an
Teilproblemen ansteht, bevor ein durchgängiger
Entwicklungsprozess vom Entwurf, über eine Testimplementierung mit
Java, bis hin zu einer FPGA-Umsetzung mit vertretbarem
Aufwand möglich ist, werden beide Bereich, also KI und FPGA,
durch jeweils ein kleineres Projekt abgebildet.
Jede Gruppe sollte also ein Projekt im Bereich FPGA-Programmierung
übernhemen und eines im Bereich KI.
Dabei wurden die Themen so gewählt, dass sich im Endergebnis
zusammenpassende Komponenten ergeben, die dann immerhin
nach diesem Kurs zu einem großen Ganzen verbunden werden könnten.
Jede Gruppe sollte also ein Thema aus dem FPGA-Bereich und eines
aus dem KI-Bereich wählen.
Die Gruppen sollten sich untereinander so einigen, dass
kein Thema mehrmals vergeben wird.
FPGA-Themen
- Gewinnung eines analogen Eingangs unter Verwendung mehrerer digitaler Eingänge und unter Einbeziehung der mit std_logic erfaßbaren Zwischenzustände am Beispiel eines analogen Entfernungssensors.
- Emulation einer einfachen UART/RS232 Verbindung an zwei digitalen Pins. Simples Sendebeispiel und simples Empfangsbeispiel als erster Test, dann Modularisierung mit Beispiel und Anleitung. Arduino dient als Zwischenstation zum PC. Eventuell Erweiterung hin zu einer Midi-Schnittstelle.
- Recherche zu effizienten Möglichkeiten PWM-Signale zu erzeugen. Testfall: Ausgabe eines hörbaren, möglichst gletten Sinustones an einem Digitalen Ausgang durch hochfrequente Pulsung.
- Konzept und Umsetzung: Fuzzy-Implementierung auf einem FPGA.
|
KI-Themen
- Abbildung eines flexibel beschreibbaren Fuzzy-Systems auf ein "gängiges" Neuronales Netzwerk mit Nachweis des Fehleranteils und mit Codegenerator für Java. Hier funktioniert Backpropagation.
- Abbildung eines flexibel beschreibbaren Fuzzy-Systems auf ein diskretisiertes Neuronales Netzwerk mit Nachweis des Fehleranteils und mit Codegenerator für VHDL. Hier funktioniert Backpropagation nicht.
- Untersuchung zu Reinforced Learning eines diskretisierten Neuronalen Netzes mit Unterstützung durch ein Fuzzy-System.
- Fuzzy-Regler mit nachgeschaltetem vor belerntem Neuronalen Netz, das sich automatisch an Parameterveränderungen bei einem invertierenden Pendel anpaßt.
|