М. С. Тарков Математические модели и методы отображения задач обработки изображений на распределенные нейрокомпьютерные системы Диссертация
| Вид материала | Диссертация |
- Рабочей программы учебной дисциплины математические методы и модели в экономике уровень, 37.32kb.
- План чтения лекции по учебной дисциплине «Математические методы» Раздел, 120.82kb.
- Учебная программа дисциплины «Методы цифровой обработки сигналов и изображений» (СД., 220.56kb.
- Программа курса «Математические методы обработки геологической информации», 47.6kb.
- Рабочая программа Наименование дисциплины математические методы обработки изображений, 196.01kb.
- Вопросы к экзамену в 3 учебном семестре По дисциплине «Математические методы и модели, 15.89kb.
- Многоуровневые модели зависимости экономического роста от инвестиций: эконометрический, 321.8kb.
- Математические методы принятия управленческих решений в туризме Мордовченков, 94.86kb.
- О. А. Мишулина московский инженерно-физический институт ( государственный университет, 25.24kb.
- Методика получения математических моделей элементов. Математические модели, используемые, 28.81kb.
М.С. Тарков
Математические модели и методы отображения задач обработки изображений на распределенные нейрокомпьютерные системы
Диссертация на соискание ученой степени доктора технических наук по специальностям:
05.13.15 «Вычислительные машины и системы»
05.13.18 «Математическое моделирование, численные методы и комплексы программ».
Аннотация
Разработана концепция обеспечения эффективности обработки изображений нейросетевыми алгоритмами на основе рационального (оптимизированного) отображения этих алгоритмов на распределенные нейрокомпьютерные ВС с децентрализованным управлением вычислениями. Показано, что нейросетевые алгоритмы обработки изображений эффективно отображаются на распределенные ВС с регулярными графами межмашинных соединений (гиперкуб, кольцо, двух- и трехмерные торы). Установлено, что одномерные типовые графы параллельных программ (линейка, кольцо), в которые отображены нейросетевые алгоритмы обработки изображений, эффективно вкладываются в графы распределенных ВС, регулярность которых нарушена наличием дефектов вершин и ребер (отказами элементарных машин и межмашинных соединений). Предложен подход к организации бесконфликтного одновременного выполнения множества перестановочных операций на структурах данных, распределенных по элементарным машинам ВС. На основе этого подхода разработаны децентрализованные алгоритмы для решения оптимизационных переборных задач вложения графов параллельных программ, реализующих нейросетевые алгоритмы обработки изображений. Разработан децентрализованный алгоритм, обеспечивающий самостабилизацию оптимального корневого дерева, покрывающего граф ВС. Предложен подход к построению децентрализованных алгоритмов, обеспечивающих самостабилизацию вложения графов параллельных программ в графы ВС на основе использования рекуррентных нейронных сетей. Таким образом, использование нейропроцессора в составе элементарной машины распределенной ВС повышает эффективность нейросетевых алгоритмов не только при обработке изображений, но и при решении задач вложения.
Совокупность полученных результатов может рассматриваться как значительный вклад в развитие нового перспективного научного направления – обеспечение эффективности нейросетевых алгоритмов обработки изображений на основе оптимального использования ресурсов распределенной нейрокомпьютерной ВС с децентрализованным управлением.