Разработка и исследование маршрута проектирования нейросетевого приложения с аппаратной поддержкой

• Автор: Казанцев, Павел Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Москва
• Количество страниц: 117 с. : ил.

ОГЛАВЛЕНИЕ

Введение
Глава 1. Основы построения нейросетевых приложений
1.1 Нейроматематика - новый перспективный раздел вычислительной математики
1.2. Выбор задач, адекватных нейросетевому логическому базису
1.3. Маршрут проектирования нейросетевого приложения
1.4. Алгоритм обратного распространения ошибки для сетей с прямыми последовательными связями
1.5. Выводы по главе
Глава 2. Решение сложных инженерных задач в нейросетевом логическом базисе
2.1. Решение задач гидроакустики с учетом рельефа дна
2.1.1. Нейросетевой алгоритм решения задачи гидроакустики с учетом рельефа дна
2.1.2. Экспериментальные результаты
2.2. Синтез микрополосковых антенн
2.2.1. Нейросетевой синтез однослойной микрополосковой антенны (МПА) с возбуждением пластины коаксиальной линией
2.2.2. Экспериментальные результаты
2.3. Распознавание гранулометрического состава шарообразных тел применительно к горно-рудному производству
2.3.1. Нейросетевой алгоритм распознавания гранулометрического состава шарообразных тел
2.3.2. Экспериментальные результаты
2.4. Выводы по главе
Глава 3. Программный комплекс "Нейроматематика” (ПКНМ)
3.1 Назначение и область применения
3.2. Основные компоненты ПКНМ
3.2.1 Состав ПКНМ
3.2.2 Платформа ПКНМ
3.2.3. Компоненты РПЗ
3.2.4. Общий алгоритм работы ПКНМ
3.3. Выводы но главе
Глава 4. Аппаратная поддержка нейросетевого алгоритма
4.1. Реализация нейросетевых алгоритмов на классическом кластере
4.2. Реализация нейросетевых алгоритмов на графических процессорных устройствах
4.3. Реализация нейросетевых алгоритмов на базе программируемых
логических интегральных схем (ПЛИС)
4.4 Перспективные аппаратные реализации нейросетевых алгоритмов

4.5. Выводы по главе
Заключение
Литература

ВВЕДЕНИЕ
Актуальность темы. Нейросетевые технологии на сегодняшний день зарекомендовали себя как эффективное средство решения многих инженерных и производственных задач. Нейросетевые решения успешно применяются в системах безопасности, системах динамического управления сложными объектами, проектах интеллектуальных зданий, медицинской технике, системах контроля качества на производстве, системах энергосбережения, и многих других.
Одной из причин успешного применения нейросетевых технологий является то, что в настоящее время расчет сложных производственных и инженерных задач требует больших вычислительных мощностей. Характерной особенностью некоторых современных практических задач является то, что. даже кластерные конфигурации с числом процессоров до нескольких сотен, не позволяют получать требуемое время счета. Выигрыш по производительности нейросетевых систем обуславливается принципиально отличной от классических алгоритмизацией этих систем.
Реализация сверхвысоких вычислений для ресурсоемких вычислительных задач все чаще осуществляется на основе использования нейроматематики - новом разделе математики, интенсивно развивающемся в настоящее время как у нас в стране, так и за рубежом. Использование методов нейроматематики позволяет изначально определить параллельный алгоритм - нейро-сетевой алгоритм решаемой задачи и, в зависимости от требований производительности и других ограничений, использовать для его реализации соответствующие вычислительные мощности, специально ориентированные на параллельные вычисления, включая кластеры.
Помимо алгоритмической эффективности, нейросетевой подход обладает существенным уровнем универсализации. Он позволяет обеспечить эффективное решение не только сложных прикладных задач, реализация кото-

расчета производных функции активации.
Выбор структуры многослойных нейронных сетей в соответствии с технологией аппаратной реализации
Отдельные виды структур разомкнутых нейронных сетей вводятся из-за ограничений, связанных с технологией аппаратной реализации. К таким видам структур можно отнести в частности следующие:
- нейронные сети с перекрестными связями (с ього на 1+2
- нейронные сети, формально реализующие континуум признаков, континуум числа нейронов в слое и т.п. при реализации аналого-цифровых нейрокомпьютеров обработки сигналов и изображений[3];
- нейронные сети с формальным описанием конечной разрядности весовых коэффициентов, анализом влияния разрядности на качество работы сети и как следствие в дальнейшем построение алгоритмов адаптации нейронных сетей с управлением разрядностью весовых коэффициентов.
Вопрос выбора разрядности весовых коэффициентов при обработке сигналов или изображений различного частотного диапазона с различной разрядностью представления информации является важным и самостоятельным. Малая разрядность весовых коэффициентов приводит к появлению дополнительных ошибок, а большая - к увеличению стоимости системы или времени обработки. В нейронных сетях, как нелинейных фильтрах, эта разрядность может меняться адаптивно в процессе функционирования НС по некоторому комплексному критерию, включающему в себя показатели точности решения задачи и показатели сложности реализации (стоимости) или времени решения. Введение отдельных ограничений на структуру разомкнутой нейрон-