ISSN: 1814-3520(print)
ISSN: 2500-1590(online)
12+
Вестник Иркутского государственного технического университета
Поиск по сайту

ОПТИМИЗАЦИЯ ПРОЦЕССА ОТКАЗОУСТОЙЧИВОГО ФУНКЦИОНИРОВАНИЯ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ С НЕЙРОСЕТЕВОЙ АРХИТЕКТУРОЙ

Макаров Михаил Вячеславович

2017 / Том 21 №12 (131) 2017 [ Информатика, вычислительная техника и управление ]

ЦЕЛЬ. Исследование направлено на разработку, а также на теоретическое обоснование и экспериментальное исследование нового метода оптимизации процесса отказоустойчивого функционирования нейросетевых вычислительных систем, которые предназначены для интеллектуального анализа сложных объектов и больших данных. МЕТОДЫ. В рамках данного исследования предлагается новый метод оптимизации процесса отказоустойчивого функционирования систем обработки информации с нейросетевой архитектурой. Данный метод основан на идее инкорпорации двойственности в процессы обработки информации, происходящие внутри нейросетевой вычислительной системы. Для экспериментального исследования предлагаемого метода в системе «MATLAB» была синтезирована и обучена искусственная нейронная сеть, выполняющая функцию кластеризации. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ. Результаты исследования представляют собой количественное изменение точности функционирования искусственной нейронной сети при различном влиянии дестабилизирующих воздействий: зашумления входной информации (20-100 дБ), изменения числовых значений параметров нейронов (2-16%), мгновенных отказов нейронов скрытого слоя (1-8 шт.). Применение разработанного метода позволило повысить точность при всех типах и уровнях дестабилизирующих воздействий. ВЫВОДЫ. В ходе исследования разработан новый метод оптимизации процесса отказоустойчивого функционирования вычислительных систем с нейросетевой архитектурой. Проведены экспериментальные исследования, подтверждающие эффективность применения данного метода в условиях влияния внешних и внутренних дестабилизирующих воздействий на процесс функционирования нейросетевой вычислительной системы.

Ключевые слова:

нейросетевые вычислительные системы, искусственные нейронные сети, нейрокомпьютеры, надежность, отказоустойчивость

Библиографический список:

  1. Галушкин А.И. Стратегия развития современных супернейрокомпьютеров на пути к экзафлопным вычислениям // Приложение к журналу «Информационные технологии». М.: Изд-во «Новые технологии», 2012. № 3. 132 с.
  2. Галушкин А.И. На пути к нейрокомпьютерам с использованием мемристоров // Информационные технологии. 2014. № 4. С. 2–19.
  3. Makarov M.V. Fault-Tolerant Operation of High-Performance Computing Systems With the Parallel Architecture Based on Nanoscale Electronic Elements // Proceedings of International Conference «Russian Supercomputing Days». M.: Moscow State University, 2016. pp. 792–801.
  4. Хайкин С. Нейронные сети: полный курс / пер. с англ. 2-е изд., испр. М.: ООО «И.Д. Вильямс», 2006. 1104 с.
  5. Галушкин А.И. Нейронные сети. Основы теории. М.: Горячая Линия – Телеком, 2010. 416 с.
  6. Makarov M.V., Kuryshov A.V., Tsarev I.S. The Research of Degradation Into the Reliability of Neural Network Computing Systems Made Via Use of Nanoscale Electronic Elements // Proceedings of IEEE International Conference on Soft Computing and Measurements, SCM 2017. Saint Petersburg: LETI, 2017, pp. 436–439.
  7. Makarov M.V., Shchanikov S.A., Trantina N.S. Modeling Nanoscale Objects in Order to Conduct an Empirical Research into their Properties as Part of an Engineering System Designed // Journal of Physics: Conference Series (JPCS).: IOP Publishing, 2017. Vol. 803.
  8. Danilin S.N., Shchanikov S.A. The Research of Operation Accuracy of a Memristor-Based Artificial Neural Network with an Input Signal Containing Noise and Pulse Interference // Proceedings - X International IEEE Scientific and Technical Conference Dynamics of Systems, Mechanisms and Machines.: IEEE , 2016.
  9. Fries T.P. Classification of Network Traffic Using Fuzzy Clustering for Network Security // Lecture Notes in Computer Science: Springer International Publishing, 2017. pp. 278–285.
  10. Bock H-H. Clustering and Neural Network Approaches // Studies in Classification, Data Analysis, and Knowledge Organization: Springer International Publishing, 1999, pp. 42–57.
  11. Axyonov S., Kostin K., Lykom D. A Texture Fuzzy Classifier Based on the Training Set Clustering by a Self-Organizing Neural Network // Communications in Computer and Information Science: Springer International Publishing, 2015. pp. 187–195.
  12. Данилин С.Н., Пантелеев С.В. Алгоритм контроля отказоустойчивости нейронных сетей // Информационные технологии. 2013. № 1. С. 67–70.

Файлы:

Язык

Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная
Количество скачиваний:1479