Методы и алгоритмы организации обработки информации на базе нейропроцессорных вычислительных комплексов тема диссертации и автореферата по ВАК РФ 05.13.15, кандидат наук Романчук, Виталий Александрович

  • Романчук, Виталий Александрович
  • кандидат науккандидат наук
  • 2018, Рязань
  • Специальность ВАК РФ05.13.15
  • Количество страниц 356
Романчук, Виталий Александрович. Методы и алгоритмы организации обработки информации на базе нейропроцессорных вычислительных комплексов: дис. кандидат наук: 05.13.15 - Вычислительные машины и системы. Рязань. 2018. 356 с.

Оглавление диссертации кандидат наук Романчук, Виталий Александрович

ОГЛАВЛЕНИЕ

Введение

Глава 1 Анализ основных вопросов функционирования нейропроцессорных вычислительных комплексов

1.1 Задача улучшения технико-экономических характеристик нейропроцессорных вычислительных комплексов

1.2 Анализ методов повышения производительности вычислительных комплексов

1.3 Анализ проблем параллельной обработки информации в нейропроцессорных вычислительных комплексах

1.4 Выводы по главе 1

Глава 2 Методы обработки информации на базе нейропроцессорных вычислительных комплексов

2.1 Обобщенная модель описания нейропроцессорного устройства

2.2 Обобщенная модель описания искусственной нейронной сети

2.3 Методологические основы обработки информации на базе нейропроцессорных вычислительных комплексов

2.3.1 Применение теоретико-множественного подхода к задаче организации обработки информации в нейропроцессорных вычислительных комплексах

2.3.2 Методологические основы организации параллельной обработки информации в нейропроцессорных вычислительных комплексах

2.3.3 Методологические основы выбора наиболее рациональной структуры нейропроцессорного вычислительного комплекса

2.4 Структурные модели нейропроцессорных комплексов, классифицированных по степени территориальной разобщенности узлов

2.4.1 Структурная модель нейропроцессорного вычислительного комплекса

2.4.2 Структурная модель нейропроцессорного вычислительного комплекса распределенного типа

2.4.3 Структурная модель нейропроцессорного вычислительного комплекса облачного типа

2.5 Многокритериальная оптимизация технико-экономических характеристик нейропроцессорных вычислительных комплексов

2.5.1 Выбор критериев многокритериальной оптимизации

2.5.2 Задача многокритериальной оптимизации технико-экономических характеристик нейрокомпьютерных вычислительных комплексов

2.5.3 Решение задачи многокритериальной оптимизации технико-экономических характеристик нейрокомпьютерных вычислительных комплексов

2.6 Методика организации параллельной и распределенной обработки информации в нейропроцессорных вычислительных комплексах

2.7 Выводы по главе 2

Глава 3 Структурные модели и аналитические соотношения характеристик обработки информации нейропроцессорных вычислительных комплексов

3.1 Нейропроцессорный вычислительный комплекс конвейерной структуры

3.1.1 Параллельная обработка информации на базе нейропроцессорного комплекса конвейерной структуры

3.1.2 Распределенная обработка информации на базе

нейропроцессорного комплекса конвейерной структуры

3.2 Нейропроцессорный вычислительный комплекс векторной структуры

3.2.1 Параллельная обработка информации на базе нейропроцессорного комплекса векторной структуры

3.2.2 Распределенная обработка информации на базе

нейропроцессорного комплекса векторной структуры

3.3 Нейропроцессорный вычислительный комплекс конвейерно-векторной структуры

3.3.1 Параллельная обработка информации на базе нейропроцессорного комплекса конвейерно-векторной структуры

3.3.2 Распределенная обработка информации на базе

нейропроцессорного комплекса конвейерно-векторной структуры

3.4 Нейропроцессорный вычислительный комплекс векторно-конвейерной структуры

3.4.1 Параллельная обработка информации на базе нейропроцессорного комплекса векторно-конвейерной структуры

3.4.2 Распределенная обработка информации на базе

нейропроцессорного комплекса векторно-конвейерной структуры

3.5 Нейропроцессорный вычислительный комплекс произвольной структуры

3.5.1 Параллельная обработка информации на базе нейропроцессорного комплекса произвольной структуры

3.5.2 Распределенная обработка информации на базе

нейропроцессорного комплекса произвольной структуры

3.6 Аналитические соотношения значений критериев объема памяти, времени обучения нейронной сети

3.7 Аналитические соотношения значений критериев энергопотребления, стоимости, надежности и достоверности обработки информации

3.8 Выводы по главе 3

Глава 4 Организация обработки информации на базе нейропроцессорных вычислительных комплексов для различных

топологий нейронных сетей и архитектур нейропроцессоров

4.1 Организация обработки информации для нейронных сетей различных топологий

4.1.1 Топология однослойного персептрона

4.1.2 Топология многослойного персептрона

4.1.3 Топология радиально-базисных сетей

4.1.4 Топология Хопфилда

4.1.5 Топология Хемминга

4.1.6 Топология В AM

4.1.7 Топология Джордана

4.1.8 Топология Элмана

4.1.9 Топология APT

4.1.10 Топология сети встречного распространения, сетей Кохонена,

звезд Гроссберга

4.1.11 Топология сверточной нейронной сети

4.2 Организация обработки информации для нейропроцессорных

устройств различных архитектур

4.3 Выводы по главе 4

Глава 5 Алгоритмы и программные средства обработки информации на

базе нейропроцессорных вычислительных комплексов

5.1 Алгоритмическое обеспечение нейропроцессорных вычислительных

комплексов

5.1.1 Алгоритмы организации параллельной обработки информации в нейропроцессорных комплексах

5.1.2 Экспертная система выбора наиболее рациональной структуры нейропроцессорного комплекса

5.2 Программное обеспечение обработки информации на базе нейропроцессорных вычислительных комплексов

5.3 Экспериментальные исследования программных средств обработки информации на базе нейропроцессорных вычислительных комплексов

5.3.1 Задача эмуляции искусственной нейронной сети

5.3.2 Задача управления гексаподом

5.4 Выводы по главе 5

Основные результаты и выводы

Список сокращений

Список литературы

Приложение А. Свидетельства на программы для ЭВМ

Приложение Б. Акты внедрения

Приложение В. Дипломы и другие награды

Рекомендованный список диссертаций по специальности «Вычислительные машины и системы», 05.13.15 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы организации обработки информации на базе нейропроцессорных вычислительных комплексов»

ВВЕДЕНИЕ

Актуальность темы исследования и степень ее разработанности.

В настоящее время наблюдается рост числа приложений, реализованных с использованием нейросетевых технологий. Этот рост вызван увеличением производительности современных компьютеров, однако имеются два препятствия: имеется физический потолок у закона Мура, который связан с приближением проектных норм, используемых в микроэлектронике, к размеру атома; использование вычислительных архитектур фон-Неймана приводит к высокому энергопотреблению из-за высоких рабочих тактовых частот процессоров при необходимости постоянной пересылки данных из памяти в процессор и обратно. Архитектуры нейросетевых вычислителей оказываются перспективнее фон-Неймановских архитектур и являются решением перечисленных проблем, так как экстенсивное наращивание нейропроцессорных модулей в параллельном вычислителе резко улучшает его производительность и снижает энергопотребление в процессе решения задач.

Аппаратная реализация искусственных нейронных сетей может быть организована несколькими способами:

1. Моделирование нейронных сетей на GPU/mGPU.

К достоинствам GPU можно отнести большое количество уже написанных программ, простоту их использования. Недостатки - высокое энергопотребление, ограниченные возможности по масштабированию, высокая стоимость оборудования, невозможность применения в компактных и автономных устройствах, то есть программная симуляция даже на графических платах, сохраняет все ограничения фон-Неймановских вычислительных архитектур.

2. Специализированные ускорители сверточных нейронных сетей. Такие ускорители создаются либо как ASIC-решения, либо как FPGA-решения, и их архитектура специально проектируется только для моделирования сверточных нейронных сетей. Одним из самых продвинутых ускорителей является чип Массачу-сетского Технологического Института (MIT) Eyeriss. К преимуществам такого

подхода можно отнести более высокую эффективность по энергопотреблению в сравнении с решениями на GPU. К недостаткам можно отнести очень ограниченные возможности по масштабированию, возможность моделировать только свер-точные сети, малая эффективность по энергопотреблению и малая производительность в сравнении с нейроморфными процессорами.

3. Нейроморфные процессоры (нейропроцессоры). Под нейроморфными процессорами, как правило, понимают СБИС, предназначенные для моделирования импульсных нейронных сетей. Преимущества нейроморфных процессоров -низкое энергопотребление, высокая производительность, практически неограниченные возможности по масштабированию.

Нейропроцессоры отличаются от цифровых систем, представляющих собой комбинации процессорных и запоминающих блоков, тем, что они содержат память, распределённую в связях между элементарными процессорами, которые могут быть описаны как формальные нейроны или блоки из однотипных формальных нейронов. Тем самым основная нагрузка на выполнение конкретных функций процессорами ложится на архитектуру системы, детали которой в свою очередь определяются межнейронными связями (принцип коннекционизма), что отражает их преимущества - низкое энергопотреблением относительно классических процессоров и ускорителей и высокая производительность при реализации операций, представленных в нейросетевом логическом базисе.

Ранее считалось, что использование в качестве аппаратной базы нейропро-цессорных элементов эффективно только для решения неформализуемых или плохо формализуемых задач (прогнозирование, аппроксимация функций, распознавание образов и т.п.), в которых алгоритм решения представляет собой обучение на каком-либо исходном материале в виде множества реальных данных [9, 23]. В настоящее время к этому классу задач может быть добавлен ряд функций, не требующих обучения, алгоритм которых может быть представлен в нейросетевом логическом базисе, - задачи, обладающие естественным параллелизмом (обработка сигналов, изображений, видео и др.) [112, 196]. Нейрокомпьютеры явля-

ются более эффективными, чем прочие архитектуры, в связи с тенденцией увеличения количества и расширения класса общематематических задач, решаемых в нейросетевом логическом базисе: задачи решения линейных и нелинейных алгебраических уравнений и неравенств большой размерности; системы нелинейных дифференциальных уравнений; системы уравнений в частных производных; задачи управления [14], прогнозирования [86], оптимизации [25], сжатия данных [92].

Множество компаний активно начинают производство нейрочипов: НТЦ «Модуль» [94, 222], Qualcomm [227], IBM [209], Toshiba [24], Human Brain Project [207], KnuEdge Inc.[215], Analog Devices [12], Texas Instruments [19], Darwin, Google, NVidia [225], Fujitsu, Eyeriss, Intel [210] и другие.

В 2013 году компания Qualcomm представила свой прототип процессора Zeroth, имитирующего свойства человеческого мозга, в том числе свойство самообучения в процессе работы. В 2015 году компания выпустила одноименную вычислительную платформу для распознавания объектов [227].

В 2014 году компания IBM Research представила чип TrueNorth из миллиона цифровых нейронов и 256 миллионов синапсов, которые входят в состав 4096 синаптических ядер. На демонстрации возможностей чип распознавал на видео с перекрестка автомобили, велосипедистов и пешеходов со скоростью в 100 раз быстрее и потребляя в 1000 меньше энергии, чем существующие вычислительные устройства, построенные на базе архитектуры фон Неймана [209].

Компания KnuEdge Inc. разработала процессор KnuPath Hermosa, представляющий собой 256 процессорных ядра, 64 программируемых модуля DMA, 72 Мб встроенной памяти, 34 Вт потребляемой мощности. В составе процессора имеется 16 двунаправленных каналов ввода-вывода, что позволяет обеспечить пропускную способность подсистемы оперативной памяти до 320 Гбит/с. В 2016 году компания представила программу KnuVerse, которая умеет распознавать и идентифицировать голос [215].

В мобильных устройствах с 2016 года применяются нейроморфные технологии, например, компания Samsung в своих смартфонах Galaxy S7 и S7 Edge ис-

пользует чип FinFET Exynos 8890. Главная его особенность заключается в ядре Ml, в который встроена нейросеть [239]. Компания Apple в ядре процессора All встроила собственный нейрочип Neural Engine.

В рамках проекта Human Brain Project, направленного на создание «искусственного мозга», в Гейдельбергском университете (Германия) разработан нейро-морфный чип, содержащий 384 цифровых нейрона и 100 тыс. синапсов. Также применяется плата SpiNNaker с 48-ю узлами и 864 процессорными ядрами ARM, которая способна в реальном времени математически моделировать процессы, происходящие в мозге пчелы (University of Manchester) [207].

В 2016 году компания NVidia представила модульный компьютер NVidia Jetson ТХ1 на базе собственной архитектуры NVidia Maxwell, имеющей 256 ядер NVidia CUDA и 64-битный центральный процессор с функциями аппаратной реализации систем искусственного интеллекта для поддержки технологий глубокого обучения, машинного зрения и вычислений на GPU [225].

В 2017 года компания Intel представила нейроморфное ядро Loihi, имеющее 130 тыс. цифровых нейронов и 130 тысяч синапсов [210]. Компания Google разработала свой нейрочип TPU (Tensor Processing Unit) и использует его в дата-центрах для собственных интернет-сервисов. В Китае реализован чип Darwin (Neural Processing Unit Darwin), в котором реализовано 2048 цифровых нейронов, более 4 миллионов синапсов и более 15 видов синаптических задержек.

В России лидером производства нейропроцессорных устройств является научно-технический центр «Модуль» (г. Москва), выпускающий семейство процессоров NM640x, которые используются для решения задач в военной, космической сферах и для распознавания объектов, например, в видеокамерах слежения за дорожной ситуацией. Также ведутся разработки по созданию энергоэффективного и быстродействующего нейрокомпьютера при поддержке Российской венчурной компании (создаваемый нейрочип должен эмулировать не менее 65 тыс. нейронов, не менее 16 млн. синапсов, динамический диапазон весов синапсов должен быть не менее 200). Разработан семантический процессор ELISE (ELVEES Image

Semantic Engine) - мультиплатформенная система-на-кристалле (СнК) нового поколения, предназначенная для создания систем видеоаналитики.

Также необходимо отметить, что в настоящее время ведутся разработки с использованием новых технологий: перспективными можно назвать технологии создания оптических, квантовых нейрокомпьютеров, нейрокомпьютеров на пластине, молекулярных и нанонейрокомпьютеров [23, 182].

Среди наиболее известных работ в области исследования нейропроцессо-рных устройств можно выделить работы отечественных ученых: А. И. Галушкина, Я. 3. Цыпкина, А. И. Горбаня, И.Я. Акушского, Л.Г. Комарцовой, A.B. Максимова, А.И. Иванова, В.И. Горбаченко, A.B. Савельева, JI.H. Королева, М.Г. Дор-рера, Е.М. Миркеса, B.JI. Дунина-Барковского; зарубежных ученых: S. Pande, F. Morgan, S. Cawley, Т. Bruintjes, G. Smit, D. McGinley, S. Carrillo, J. Harkin, L. McDaid, N. Izeboudjen, C. Larbes, A. Farah, Т.К. Kohonen, J.J. Hopfield, R. HechtNielsen, P. Kolinummo, P. Pulkkinen, T. Hämäläinen, J. Saarinen, C. Eliasmithet, E. Stromatias, F. Galluppi, C. Patterson, S. Furber, S. K. Esseret, R. Preisslet, M. M. Shu-lakeret, D. S. Modha, R. Singh.

Создаваемые нейрочипы имеют ограниченную производительность, поэтому чаще всего используются кластерные, многопроцессорные системы на базе нейрочипов, как, например, в рамках проекта Human Brain Project [207]. Эффективность нейрокомпьютерных вычислений резко возрастает при использовании многопроцессорных систем за счет архитектурных особенностей и однородности нейробазисных операций [23, 24].

С начала 80-ых годов в мире вычислительной техники развивается направление систолических волновых вычислительных структур или однородных вычислительных сред, предназначенных для потоковой обработки данных, в том числе в режиме реального времени [7]. В настоящее время это направление получило дополнительные возможности развития благодаря совершенствованию технологий производства микрочипов, позволяющих значительно повысить степень интеграции - до сотен миллионов логических вентилей на одном чипе. Возник

новый класс вычислительных систем - реконфигурируемые вычислительные системы на однородных вычислительных средах [213]. Кроме этого, возник подкласс нейропроцессорных реконфигурируемых вычислительных систем (РНПВС) класса MIMD, представляющих собой масштабируемую матрицу однотипных вычислительных элементов - нейропроцессоров, выполненную на системе-на-кристалле (System on Chip, SoC) [54, 56]. Схема линий передачи данных в системе может реализовываться на аппаратном уровне, а может быть обеспечена на основе имеющейся физической топологии при помощи соответствующего программного обеспечения. Введение виртуальных (программно-реализуемых, реконфигурируемых) топологий способствует мобильности разрабатываемых параллельных программ и снижает затраты на программирование.

В основе парадигмы описанной вычислительной архитектуры лежит принцип управления вычислениями потоками данных, а не потоком команд - каждый вычислительный элемент системы предварительно конфигурируется на выполнение конкретной функции в составе заданного алгоритма, а затем, при условии наличия данных на входах процессорного элемента, осуществляется обработка данных в соответствии с заданным функциональным оператором. Процесс вычислений для данных систем организуется как во времени, так и в пространстве. В отличие от традиционных вычислительных систем, которые управляются программным счетчиком, функционирование вычислительных систем, управляемых потоками данных, основано на том, что функциональные операторы, у которых определены все аргументы, могут вычисляться независимо друг от друга, поэтому возможности параллельного вычисления функциональных операторов, заложенные в алгоритме решения задачи, могут быть реализованы естественным образом.

Кроме этого, в настоящее время все большее значение приобретают распределенные вычислительные системы, управляемые узлом-диспетчером [57].

Тем не менее одной из проблем, мешающих созданию эффективной параллельной и распределенной обработки информации на базе нейропроцессорных многопроцессорных структур является то, что организация обработки информа-

ции в специализированных нейропроцессорных комплексах - это очень трудоемкий и сложный процесс, так как в отличие от классических процессоров, для ней-ропроцессоров и комплексов на их базе практически не разработаны необходимые подходы, математическое обеспечение, алгоритмическое обеспечение и программные средства.

В работах научных коллективов под руководством А.И. Галушкина [23], А.И. Горбаня [93], Л.Г. Комарцовой и A.B. Максимова [61] определены возможности организации многопроцессорных комплексов на базе нейропроцессо-ров, приведены подходы и даны алгоритмы оценки некоторых характеристик нейрокомпьютеров в части производительности, но не была разработана специализированная теория создания нейропроцессорных вычислительных комплексов и организации обработки информации в них. В работах научных коллективов зарубежных авторов, например, S. К. Esseret, D. S. Modha, R. Singh предлагаемые решения не являются универсальными и направлены на конкретные архитектуры нейропроцессоров и их технические характеристики.

В области организации параллельной обработки информации в многопроцессорных параллельных комплексах следует отметить труды отечественных ученых: В.В. Воеводина, Вл.В. Воеводина, В.П. Гергеля, A.B. Каляева, И.А. Каляева, О.М. Брехова, П.М. Полежаева, В.Г. Хорошевского, Злобина В.К., Костро-ва Б.В., Ручкина В.Н.; зарубежных ученых: G.S. Almasi, A. Gottlieb, Krste Asanovic, David A. Patterson, John L. Hennessy, Andrew S. Tanenbaum, Maarten van Steen, Kunle Olukotun, Mario Nemirovsky, Dean M. Tullsen.

В работах научных коллективов под руководством перечисленных ученых [21, 26, 27? 55, 56, 63, 64] описаны необходимые научные принципы и основы для организации параллельной и распределенной обработки информации, улучшения технико-экономических характеристик вычислительных комплексов, но нейропроцессоры не выделены в особый класс процессоров, что не позволяет эффективно использовать предложенный математический аппарат. В данной работе предлагается подход, согласно которому исследуются вопросы эффективной ор-

ганизации обработки данных исходя из общих принципов функционирования нейропроцессорных комплексов, выделенных в особых класс вычислительных архитектур.

Проблема, связанная с отсутствием в литературе описаний необходимых подходов, математического, алгоритмического обеспечения и программных средств для нейропроцессорных комплексов подтверждается тем, что направление нейрокомпьютинга получило резкое развитие с 2013 года (на рынке появились более 15-ти новых моделей нейропроцессоров, что позволило сформулировать общие свойства и принципы функционирования современных нейропроцессорных устройств) и за прошедшее время были реализованы лишь узконаправленные решения для конкретных архитектур.

Таким образом, актуальна задача организации параллельной и распределенной обработки информации в вычислительных комплексах для специализированной аппаратной базы - нейропроцессоров. Работа соответствует п. 3 «Информационно-телекоммуникационные системы» приоритетных направлений развития науки, технологий и техники в Российской Федерации и п. 18 «Технологии и программное обеспечение распределенных и высокопроизводительных вычислительных систем» перечня критических технологий Российской Федерации, утвержденных Президентом Российской Федерации.

Исследование основано на следующих исходных положениях и принципах.

1. Вычислительные комплексы на базе нейропроцессоров обладают общими свойствами, принципами и закономерностями функционирования, позволяющими исследовать их структурные связи, выделить их в особый класс комплексов и разработать для них научные основы их создания и улучшения их технико-экономических характеристик.

2. Имеет смысл рассматривать вычислительные комплексы не с «жесткой» структурой, а реконфигурируемые, позволяющие «подстраивать» структуру вычислительной системы под тип задачи.

3. Под нейропроцессорным вычислительным модулем (НПВМ) будем понимать процессор, основной блок которого построен на основе нейронной сети, то есть реализует нейросетевые алгоритмы и работает по принципам работы головного мозга человека [35].

4. Под нейропроцессорным вычислительным комплексом (НПВК) будем понимать взаимосвязанную совокупность средств вычислительной техники, в которую входит не менее двух нейропроцессоров, объединенных системой управления, единое математическое обеспечение и общие периферийные устройства [61].

Объектом исследования являются вычислительные многопроцессорные комплексы на базе специализированной вычислительной техники - нейропроцессоров, предназначенных для эмуляции искусственных нейронных сетей (ИНС).

Предмет исследования: методы, структурные модели, алгоритмы и программные средства исследования и организации параллельной и распределенной обработки информации в вычислительных комплексах на базе нейропроцессоров.

Цель диссертационной работы состоит в разработке научных основ организации параллельной и распределенной обработки информации в нейропроцес-сорных вычислительных комплексах, что позволит улучшить их технико-экономические характеристики.

Основные задачи исследования:

- сформулировать задачу организации параллельной и распределенной обработки информации в нейропроцессорных комплексах с целью улучшения их технико-экономических характеристик;

- проанализировать методы повышения производительности вычислительных комплексов с точки зрения использования нестандартной аппаратной базы -нейрокомпьютерных устройств;

- разработать обобщенные модели описания нейрокомпьютера и искусственной нейронной сети;

- разработать методологические основы и описать методику решения задачи организации параллельной и распределенной обработки информации в нейропро-цессорных комплексах;

- разработать классификацию НПВК по степени территориальной разобщенности узлов и моделей описания различных видов структур;

- разработать аналитические соотношения, позволяющие оценить значения критериев эффективности параллельной и распределенной обработки информации в НПВК для возможных её топологий;

- разработать аналитические соотношения расчета значений критериев эффективности параллельной и распределенной обработки информации в НПВК при реализации наиболее используемых топологий ИНС для наиболее распространенных архитектур НПВМ;

- разработать математическое обеспечение многокритериальной оптимизации вычислительных комплексов на базе нейропроцессоров;

- разработать алгоритмические и программные средства, обладающие функциональными возможностями, позволяющими осуществить полный цикл организации параллельной и распределенной обработки информации в вычислительных комплексах на базе нейропроцессоров.

Методы исследования. Для решения поставленных задач использовались теория множеств, теория графов и конечных автоматов, теория планирования параллельных вычислительных процессов, теория математического и системного анализа, методы экспертных оценок, методы линейного программирования, методы оптимизации.

Научная новизна работы состоит в следующем:

1. Разработан метод организации параллельной и распределенной обработки информации в нейропроцессорных комплексах, отличающийся тем, что предложен новый подход к методам распараллеливания операций, представленных в нейросетевом логическом базисе на основе описания общих свойств и принципов функционирования НПВК: предложены методологические основы фрагментиро-

вания кода нейропрограммы и организации параллельной обработки информации в НПВК на основе отношений строгого порядка между нейробазисными операциями и решения задачи раскроя для упаковки данных; методологические основы разбиения фрагментов нейропрограммы на множество подпрограмм; методологические основы выбора наиболее рациональной структуры нейропроцессорной системы на основе матрицы отношений строгого порядка между фрагментами кода. Метод позволяет сделать обработку информации в НПВК более эффективной: улучшить быстродействие, снизить время простоя оборудования, снизить энергопотребление и т.п. (п. 1 и п. 4 паспорта специальности).

2.Предложены структурные и архитектурные принципы создания НПВК в виде метода многокритериальной оптимизации, отличающиеся тем, что предлагаемый математический аппарат выбора наиболее рациональной структуры НПВК, числа НПВМ и их модели базируется на применении теоретико-множественного подхода к исходной задаче в виде нейросети, понятиям «нейро-программа», «нейрооперация», что делает его применимым только к нейропро-цессорным комплексам и позволяет улучшить их технико-экономические характеристики для некоторого исходного класса нейросетевых задач (п. 2 паспорта специальности).

3. Разработаны структурные модели НПВК, включающие аналитические соотношения и математический аппарат оценки специализированных количественных и качественных характеристик обработки команд, представленных в ней-росетевом логическом базисе для НПВК конвейерной, векторной, векторно-конвейерной, конвейерно-векторной и произвольной структур. Предлагаемые модели отличаются подходом к их описанию, согласно которому рассматриваются временные (такие как время эмуляции ИНС), количественные (такие как число аппаратных нейронов в состоянии простоя) характеристики и их соотношения, отражающие разность между пиковой и реальной производительностью системы (п. 2 и п. 4 паспорта специальности).

4. Разработаны структурные модели НПВК и аналитические соотношения,

позволяющие оценить значения характеристик обработки информации для различных наиболее распространенных моделей НПВМ и НПВК при реализации искусственных нейронных сетей наиболее используемых топологий. Предлагаемые модели и соотношения отличаются тем, что для оценки предлагаются принципиально новые характеристики, присущие только нейропроцессорным устройствам при реализации вычислений с высокой степенью операций, представленных в нейросетевом логическом базисе. То есть базисом рассматриваемых характеристик являются кортеж аппаратно-реализуемых нейронов и специализированные технические параметры НПВМ (п. 2 и п. 4 паспорта специальности).

5. На основе разработанного математического аппарата предложено алгоритмическое обеспечение организации обработки информации и многокритериальной оптимизации в НПВК, отличающееся новыми подходами, отражающими разработанный математический аппарат и концептуально новой базой знаний экспертной системы выбора наиболее рациональных для заданного класса задачи числа НПВМ, их моделей и структуры НПВК (п. 2 и п. 4 паспорта специальности).

Теоретическая значимость работы заключается в разработке методов и моделей организации параллельной и распределенной обработки информации в многопроцессорных комплексах на базе концептуально новой, специализированной вычислительной техники - нейропроцессоров.

Достоверность научных положений, теоретических выводов и практических результатов диссертационной работы подтверждается:

- соответствием математических расчетов и результатов работы программных средств для семейства отечественных нейропроцессоров ЫМ640х, полученных при проведении экспериментов эмуляции искусственной нейронной сети и задачи управления гексаподом в режиме, приближенном к реальному времени, с высокой степенью вычислений, представленных в нейросетевом логическом базисе;

- корректным использованием математического аппарата теории графов и

конечных автоматов, теории планирования параллельных вычислительных процессов, теории математического и системного анализа и методов линейного программирования и оптимизации;

- разработкой действующих программных средств, подтвержденных свидетельствами об официальной регистрации;

- практическим внедрением полученных результатов.

Практическая значимость работы состоит в следующем:

- разработанные методы, математические подходы и алгоритмы организации параллельной и распределенной обработки информации в НПВК позволяют улучшить их технические характеристики, такие как производительность, энергопотребление, используемый объем памяти и т.п. Результаты экспериментов показали, что без учета возможности упаковки данных разработанный метод рациональной организации обработки информации в НПВК позволяет уменьшить время работы программы в среднем на 8,7%, а также снизить простои аппаратуры в среднем на 6,5%, повысить скорость обучения ИНС в среднем на 6,7%;

- разработанный метод многокритериальной оптимизации НПВК позволяет улучшить технико-экономические характеристики за счет выбора наиболее рационального структурного и архитектурного решения при создании НПВК: вида структуры, модели используемых НПВМ и числа НПВМ;

- разработана программная платформа «NP Studio», обладающая функциональными возможностями, позволяющими осуществить полный цикл (от постановки задачи в виде нейронной сети до выбора наиболее рациональной структуры, выбора модели и числа НПВМ) организации параллельной и распределенной обработки информации в вычислительных комплексах на базе семейства отечественных нейропроцессоров NM640x, разрабатываемых НТЦ «Модуль» (получено 3 свидетельства о регистрации программы для ЭВМ).

Похожие диссертационные работы по специальности «Вычислительные машины и системы», 05.13.15 шифр ВАК

Список литературы диссертационного исследования кандидат наук Романчук, Виталий Александрович, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1. Авен, О.И. Оценка качества и оптимизация вычислительных систем / О.И. Авен, H.H. Гурин. - М.: Наука, 1982. - 464 с.

2. Антонов, A.C. Введение в параллельные вычисления: методическое пособие / A.C. Антонов. - М.: МГУ им.Ломоносова, 2002. - 69 с.

3. Архитектура и математическое обеспечение многопроцессорных суперЭВМ. Учебное пособие / Л.К. Бабенко, П.П. Кравченко, О.Б. Макаревич, А.Г. Чефранов

- Таганрог: Таганрогский радиотехнический институт, 1992. - 211 с.

4. Бардачев, Ю.Н. Анализ источников неопределенности при решении задач многокритериальной оптимизации / Ю.Н. Бардачев, В.В. Крючковский // Вестник Херсонского национального технического университета. - 2009. - № 2. - С. 62-72.

5. Бардачев, Ю.Н. Структуризация и системный анализ процедуры принятия решений / Ю.Н.Бардачев, В.В.Крючковский // Вестник Херсонского национального технического университета. - 2009. - № 1. - С. 7-12.

6. Баскин, И. И. Применение искусственных нейронных сетей для прогнозирования свойств химических соединений / И. И.Баскин, В. А. Палюлин, Н. С. Зефиров // Нейрокомпьютеры: разработка, применение. - 2005. - № 1-2. - С. 98-101.

7. Бикташев, P.A. Многопроцессорные системы. Архитектура, топология, анализ производительности: учебное пособие / P.A. Бикташев. - Пенза: Пензенский государственный университет, 2003. - 103 с.

8. Богачев, К.Ю. Основы параллельного программирования / К.Ю. Богачев.

- М.: БИНОМ. Лаборатория знаний, 2003. - 342 с.

9. Бодянский, Е.В. Искусственные нейронные сети: архитектуры, обучение, применение / Е.В.Бодянский, О.Г.Руденко. - Харьков: ТЕЛЕТЕХ, 2004. - 370 с.

10. Букатов, A.A. Программирование многопроцессорных вычислительных систем / A.A. Букатов, В. Н. Дацюк, А. И. Жегуло. - Ростов-на-Дону: Издательство ООО «ЦВВР», 2003. - 208 с.

11. Бурцев, B.C. Параллелизм вычислительных процессов и развитие архитектуры суперЭВМ / B.C. Бурцев. - М.: ИВВС РАН, 1997. - 152 с.

12. Вальпа, О.Д. Разработка устройств на основе цифровых сигнальных процессоров фирмы Analog Devices с использованием Visual DSP++ / О.Д. Вальпа. - М.: Горячая линия - Телеком, 2007. - 270 с.

13. Васенков, Д.В. Методы обучения искусственных нейронных сетей / Д.В. Ва-сенков // Компьютерные инструменты в образовании. - 2007. - №1. - С.20-29.

14. Васильев, С.Н. Интеллектное управление динамическими системами / С.Н. Васильев, А.К. Жернов, Е.А. Федосов, Федунов Б.Е. - М.: Физматлит, 2000. -352 с.

15. Васин, А.Ю. Решение производственной задачи одномерного раскроя материалов / А.Ю. Васин, В.Н. Задорожный // Омский научный вестник. - 2012. -№2(110).-С.267-270.

16. Ватсон, К. С# / К. Ватсон. - СПб.: Издательство "Лори", 2006. - 862 с.

17. Введение в нормативную теорию принятия решений. Методы и модели: монография / В.В. Крючковский, Э.Г.Петров, Н.А.Соколова, В.Е.Ходаков. - Херсон: Гринь Д.С., 2013. -284 с.

18. Виксне, П.Е. Однокристальный цифровой нейропроцессор с переменной разрядностью операндов / П.Е. Виксне, Д.В. Фомин, В.М. Черников // Изв. вузов, сер. Приборостроение. - 1996. - Т.39. - №7. - С. 13-21.

19. Витязев, C.B. Texas Instruments : новые разработки DSP / C.B. Витязев // Цифровая обработка сигналов. - 2002. - №1(5). - С. 52-56.

20. Власов, А.И. Аппаратная реализация нейровычислительных управляющих систем / А.И. Власов // Приборы и системы управления. - 1999 . - №2. - С.61-65.

21. Воеводин, В.В. Параллельные вычисления / В.В. Воеводин, Вл. В.Воеводин - СПб.: БХВ-Петербург, 2002. - 602 с.

22. Волин, Ю.М. Многокритериальная оптимизация технологических процессов в условиях неопределенности / Ю.М.Волин, Г.М.Островский // Автоматика и телемеханика. - 2007. - № 3. - С. 165-180.

23. Галушкин, А.И. Нейрокомпьютеры. Кн. 3: учеб. пособие для вузов / А.И. Галушкин. - М.: ИПРЖР, 2000. - 528 с.

24. Галушкин, А.И. Нейронные сети: история развития теории : учеб. пособие для вузов / А.И. Галушкин, ред. ЯЗ. Цыпкин. - М.: ИПРЖР, 2001. - 840 с.

25. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. - Харьков: Основа, 1997. - 112 с.

26. Гергель, В.П. Высокопроизводительные вычисления для многопроцессорных многоядерных систем / В.П. Гергель. - М.: Изд-во МГУ. - 2010. - 544 с.

27. Гергель, В.П. Теоретические основы экспериментального исследования алгоритмов планирования задач для вычислительного кластера с помощью симулято-ра / В.П. Гергель, П.Н. Полежаев // Вестник оренбургского государственного университета. -2010. -№9(115). - С. 115-121.

28. Головкин, Б.А. Вычислительные системы с большим числом процессоров / Б.А. Головкин. - М.: Радио и связь, 1995. - 320 с.

29. Головкин, Б.А. Параллельные вычислительные системы. / Б.А. Головкин. -М.: Наука, 1980.-520 с.

30. Гордеев, A.B. Системное программное обеспечение / A.B. Гордеев, А.Ю. Молчанов. - СПб.: Питер, 2001. - 736 с.

31. Городецкий, А.Е. Математическая модель системы автоматического управления модуля SEMS / А.Е.Городецкий, И.Л. Тарасова, В.Г.Курбанов, В.А. Агапов // Информационно-управляющие системы. - 2015. - №3(76). - С.40-46.

32. Городецкий, А.Е. Управление и нейронные сети / А.Е. Городецкий, И.Л. Тарасова. - СПб.: Изд-во Политехнического ун-та, 2005. - 312 с.

33. Гудман, С. Введение в разработку и анализ алгоритмов / С. Гудман, С. Хидетниеми. - М.: Мир, 1981. - 348 с.

34. Гуц, А.К. Математическая логика и теория алгоритмов: учеб. пособие / А.К. Гуц. - Омск: Изд-во Наследие. Диалог-Сибирь, 2003. - 108 с.

35. Джарратино Д. Экспертные системы: принципы разработки и программирование / Д. Джарратино, Г. Райли. - М.: ООО «И.Д.Вильяме», 2007. - 1152 с.

36. Дискретная математика. Теория графов: учеб. пособие / A.M. Гостии,

В.П. Корячко. -Рязань: РГРТУ, 2006. - 80 с.

37. Доленко, Г.А. Задание вектора предпочтений критериев на интервалах в задачах векторной оптимизации / Г.А. Доленко // Кибернетика и вычислительная техника. - 1981. - Вып. 51. - С. 101-108.

38. Долинский, М.С. Обзор аппаратных и программных средств реализации параллельной обработки/ М.С. Долинский, A.A. Толкачев // Компоненты и технологии. - 2004. - №6. - С. 54-56.

39. Долинский, М.С. Обзор современных подходов и средств к программистской разработке аппаратного обеспечения алгоритмически сложных цифровых систем / М.С. Долинский // Компоненты и технологии. - 2004. - №1. - С. 37-45.

40. Долинский, М.С. Обзор средств разработки программного обеспечения мильтипроцессорных комплексов / М.С. Долинский, И. В. Ермолаев // Компоненты и технологии. - 2003. - №8. - С. 56-58.

41. Долинский, М.С. Программный комплекс для разработки параллельных вычислительных систем / М.С. Долинский, A.A. Толкачев, И.В. Коршунов // Компоненты и технологии. - 2004. - №5. - С. 54-56.

42. Дубов, Ю.А. Многокритериальные модели формирования и выбора вариантов систем / Ю.А.Дубов, С.И.Травкин. - М.: Наука, 1986. - 294 с.

43. Дюран Б. Кластерный анализ / Б.Дюран, П.Оделл. - М.: Книга по требованию, 2012. - 128 с.

44. Еремкин, А.И. Применение нейрокомпьютерных технологий в военной промышленности [Электронный ресурс] / А.И. Еремкин, В.А. Романчук // Современные научные исследования и инновации. - 2015. - № 6. - Режим доступа: http://web. snauka.ru/issues/2015/06/54110.

45. Захаров, Н.Г. Синтез цифровых автоматов: учебное пособие / Н.Г. Захаров, В. Н. Рогов. - Ульяновск: УлГТУ, 2003. - 135 с.

46. Злобин, В.К. Кластеризация и восстанавливаемость нейропроцессорных систем обработки данных / В.К. Злобин, Д.В. Григоренко, В.Н. Ручкин, В.А. Романчук // Известия Тульского государственного университета. Технические науки.

- 2013. - Вып.9. - 4.2. - С. 125-135.

47. Зотов, В.Ю. ModelSim - система моделирования цифровых устройств / В.Ю. Зотов // Компоненты и технологии. - 2002. - №6. - С. 44-46.

48. Зюбин, В.Е. Многоядерные процессоры и программирование / В.Е. Зюбин //Открытые системы. - 2005. - № 7-8. - С. 12-19.

49. Иванников, В.П. Оценка динамических характеристик параллельной программы на модели / В. П. Иванников, С. С. Гайсарян, В. А. Падарян // Программирование. - 2006. - №4. - С. 21-37.

50. Ивахненко, А.Г. Самоорганизующиеся системы распознавания и автоматического управления /А.Г. Ивахненко. - Киев: Техника, 1969. - 293 с.

51. Игнатьев, В.М. Восприятие информации в системах искусственного интеллекта: учеб. пособие / В.М. Игнатьев, Е.В. Ларкин. - Тула: ТГТУ, 1994. - 88 с.

52. Искусственный интеллект и интеллектуальные системы управления / И.М. Макаров, В.М. Лохин, С.В. Манько, М.П. Романов. - М.: Наука, 2006. -333 с.

53. Искусственный интеллект. Кн. 1. Системы общения и экспертные системы: справочник / под. ред. Э.В. Попова. - М.: Радио и связь, 1990. - 464 с.

54. Каляев, A.B. Многопроцессорные системы с программируемой архитектурой / A.B. Каляев. - М.: Радио и связь, 1984. - 240 с.

55. Каляев, И.А. Однородные нейроподобные структуры в системах выбора действий интеллектуальных роботов / И.А. Каляев, А.Р. Гайдук. - М.: Янус-К, 2000.

- С. 280.

56. Каляев, И.А. Реконфигурируемые мультиконвейерные вычислительные структуры / И.А. Каляев, И.И. Левин, Е.А. Семерников.

- Ростов-на-Дону: Издательство ЮНЦ РАН, 2008. - 393 с.

57. Карпов, Л.Е. Архитектура распределенных систем программного обеспечения : учебное пособие / Л.Е. Карпов. - М.: Макс Пресс, 2007. - 130 с.

58. Качала, В.В. Основы теории систем и системного анализа : учебное пособие для вузов / В.В. Качала. - М.: Горячая линия - Телеком, 2007. - 216 с.

59. Каширин, Д.И. Модели представления знаний в системах искусственного интеллекта / Д.И. Каширин, И.Ю. Каширин // Вестник Рязанского государственного радиотехнического университета. - 2010. - № 31. - С. 44-51.

60. Кирсанов, Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника / Э.Ю. Кирсанов. - Казань: Казанский гос. ун-т, 1995. - 131 с.

61. Комарцова, Л.Г. Нейрокомпьютеры: учеб.пособие для вузов / Л.Г. Комарцо-ва, A.B. Максимов. - М.: Изд-во МГТУ им. Н.Э.Баумана, 2004. - 400 с.

62. Корнеев, В.В. Современные микропроцессоры / В.В. Корнеев, A.B. Киселев.

- СПб.: БХВ-Петербург, 2003. - 448 с.

63. Корячко, В. П. Алгоритм планирования вычислительного процесса в мультипроцессорной вычислительной системе реального времени / В. П. Корячко // Автоматика и вычислительная техника. - 1985. -№ 3. - С. 16-18.

64. Корячко, В.П. Модель планирования параллельных процессов в суперскалярных процессорах / В.П. Корячко, C.B. Скворцов, И.А. Телков // Информационные технологии. - 1997. - № 1. - С. 8-12.

65. Костров, Б.В. Многокритериальное нечеткое управление вычислительными ресурсами / Б.В. Костров, В.Н. Ручкин, В.А. Романчук, В.А. Фулин // Известия Тульского государственного университета. Технические науки. - 2017. - Вып.2.

- С.173-181.

66. Косяков, М.С. Введение в распределенные вычисления : учебное пособие / М.С. Косяков. - СПб.: НИУ ИТМО, 2014. - 155 с.

67. Круг, П.Г. Нейронные сети и нейрокомпьютеры: учебное пособие по курсу «Микропроцессоры» / П.Г. Круг. - М.: Издательство МЭИ, 2002. - 176 с.

68. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком, 2002. - 382 с.

69. Крупский, В.Н. Теория алгоритмов: учеб. пособие для студ. вузов / В.Н. Крупский, В.Е. Плиско. - М.: Издательский центр «Академия», 2009. - 208 с.

70. Крючковский, В.В. Детерминизация модели многофакторного оценивания при различных видах неопределенности задания параметров /В.В. Крючковский,

A.B. Усов // Труды Одесского политехнического университета. - 2009. -Вып. 2(32).-С. 154-160.

71. Лаборатория параллельных информационных технологий НИВЦ МГУ [Электронный ресурс]. М.: НИВЦ МГУ, 2009. - Режим доступа : http://www.parallel.ru (дата обращения 06.03.2016).

72. Ларкин, Е.В. «Соревнования» в многопроцессорных компьютерных системах / Е.В. Ларкин, А.Н. Ивутин // Известия ТулГУ. Серия: Технические науки. -2012. - Вып. 12. - 4.2. - С. 198-204.

73. Логический подход к искусственному интеллекту: от классической логики к логическому программированию / А. Тейз, П. Грибомон, Ж. Луи и др. - М.: Мир, 1990.-432 с.

74. Лукашенко, В.В. Модель оптимального расписания планировщика ресурсов кластера нейрокомпьютеров для решения задачи управления гексаподом / В.В. Лукашенко, В.А. Романчук, Г.А. Солдатов // Современные проблемы теории машин. - 2017.-№ 5. - С. 108-112.

75. Лукашенко, В.В. Модификация работы алгоритма преобразования обратной польской записи программы в абстрактное синтаксическое дерево / В.В. Лукашенко, В.А. Романчук // Информационные технологии в управлении и экономике. -2017.-№9(4).

76. Лукашенко, В. В. Разработка алгоритма разбиения задач на подзадачи в системах распределенной обработки данных / В.В. Лукашенко, В.А. Романчук // Вестник астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. -2017.-№4.-С.31-38.

77. Лукашенко, В.В. Разработка алгоритма эмулирования и оптимизации топологии и динамического резервирования ресурсов вычислительной сети кластера нейрокомпьютеров / В.В. Лукашенко, В.А. Романчук, В.Н. Ручкин // Информационные технологии в управлении и экономике. - 2017. - №8(3).

78. Лукьяница, A.A. Ускорение процесса обучения нейросети за счет использо-

вания графического акселератора / А.А. Лукьяница, Б.Г. Севрюков // Труды международной научной конференции "Параллельные вычислительные технологии". -2009. -С.579-587.

79. Лунин, Д.В. Организация параллельных вычислений на платформе CUDA / Д.В. Лунин, C.B.Скворцов //Вестник Рязанского государственного радиотехнического университета. - 2014. - № 49. - С. 77-82.

80. Люгер, Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Дж.Ф. Люгер. - М.: Издательский дом «Вильяме», 2003. - 864 с.

81. Макаров, Д.В.Облачные SaaS, IaaS, PaaS системы для искусственного интеллекта [Электронный ресурс] / Д.В. Макаров, В.А. Романчук // Современная техника и технологии. - 2015. - №5. - Режим доступа: http://technology. snauka.ru/2015/05/6731.

82. Мальковский, М.Г. Диалог с системой искусственного интеллекта / М.Г. Мальковский. - М.: Изд-во МГУ, 1985. - 214 с.

83. Мандель, И.Д. Кластерный анализ / И.Д. Мандель. - М.: Финансы и статистика, 1988. - 176 с.

84. Мелехин, В.Ф. Вычислительные машины, системы и сети / В.Ф. Мелехин, Е.Г. Павловский. - М.: Издательский центр "Академия", 2007. - 560 с.

85. Методы увеличения вычислительной производительности [Электронный ресурс]. - Режим доступа: http://www.ixbt.com/cpu/cpuspeed.shtml (дата обращения 06.03.2016).

86. Минаев, Ю.Н. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе / Ю.Н. Минаев, О.Ю. Филимонова, Л. Бенамеур. - М.: Горячая линия-Телеком, 2003.-206 с.

87. Многопроцессорные ЭВМ и методы их проектирования / Б.А. Бабаян, А.В. Бочаров, B.C. Волин и др. - М.: Высшая школа, 1990. - 486 с.

88. Многокритериальная оптимизация: математические аспекты / Б.А. Березовский, Ю.М. Барышников, В.И. Бозенко, Л.М. Кемпнер. - М.: Наука,

1989.-230 с.

89. Моисеев, H.H. Методы оптимизации / Н.Н.Моисеев, Ю.П.Иванилов, Е.М. Столярова. -М.: Наука, 1978.-352 с.

90. Муромцев, Д.И. Введение в технологию экспертных систем / Д.И. Муромцев.

- СПб: СПб ИТМО, 2005. - 93 с.

91. Нагендра, Г. Система мультипроцессорного моделирования / Г. Нагендра, В. Прем Кумар, Шешандри Б. Чакраварти // Компоненты и технологии. - 2004. -№4. - С.35-48.

92. Назаров, JI.E. Нейросетевой, фрактальный и JPEG алгоритмы сжатия изображений / JI.E. Назаров, З.Т. Назарова // Информационные технологии.

- 2001. - №1. - С.3-10.

93. Нейроинформатика / А.Н. Горбань, B.JI. Дунин-Барковский, А.Н. Кирдин и др. - Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296 с.

94. Нейропроцессор NM6403. Введение в архитектуру. - М.: НТЦ "Модуль", 1998.-52 с.

95. Некоторые требования к проектированию программного обеспечения для многоядерных многопроцессорных архитектур [Электронный ресурс]. - Режим доступа: https ://www. ibm. com/developerworks/ru/library/au-aix-multicore-multiprocessor/index.html (дата обращения 06.03.2016).

96. Немнюгин, С.А. Средства программирования для многопроцессорных вычислительных систем / С. А. Немнюгин. - СПб, 2007. - 88 с.

97. Ногин, В.Д. Принятие решений в многокритериальной среде: количественный подход / В. Д. Ногин. - М.: ФИЗМАТ ЛИТ, 2002. - 144 с.

98. НТЦ "Модуль" [Электронный ресурс]. - Режим доступа: http://www.module.ru. (дата обращения: 20.02.2017).

99. Овезгельдыев, А.О. Синтез и идентификация моделей многофакторного оценивания и оптимизации / А.О. Овезгельдыев, Э.Г. Петров, К.Э. Петров.

- Киев: Наукова думка, 2002. - 164 с.

100. Осовский, С. Нейронные сети для обработки информации / С. Осовский.

- M.: Финансы и статистика, 2002. - 344 с.

101. Петров, К.Э. Компараторная структурно-параметрическая идентификация моделей скалярного многофакторного оценивания: монография / К.Э.Петров, В.В.Крючковский. - Херсон: ОЛД1-плюс, 2009. - 294 с.

102. Петров, Э.Г. Детерминизация нечетких параметров модели многокритериального оценивания/ Э.Г. Петров, О.А. Писклакова, Н.А. Брынза // Вестник ХГТУ. - 2008. - №2(31). - С. 71-75.

103. Питерсон Дж. Теория сетей Петри и моделирование систем / Дж. Питерсон. - М.: Мир, 1984. - 264 с.

104. Платт, Д. С. Знакомство с Microsoft .NET / Платт Д. С. - М.: Издательско-торговый дом «Русская Редакция», 2001. - 240 с.

105. Полежаев, П.Н. Исследование алгоритмов планирования задач для грид-системы с использованием эмулятора / П.Н. Полежаев // Труды шестой международной конференции "Параллельные вычисления и задачи управления". -2012.-С. 325-340.

106. Полежаев, П.Н. Математическая модель распределенного вычислительного центра обработки данных с программно конфигурируемыми сетями его сегментов / П.Н. Полежаев // Вестник Оренбургского государственного университета. -2013. -№5(154). - С. 198-204.

107. Полежаев, П.Н. Система управления ресурсами для высокопроизводительных вычислений, основанная на использовании программно-конфигурируемой сети / П.Н. Полежаев, Ю.А. Ушаков, А.Е. Шухман // Системы управления и информационные технологии: научно-технический журнал. - 2013. - №4(54).

- С. 6569.

108. Полежаев, П.Н. Экспериментальное исследование алгоритмов планирования задач для вычислительной грид-системы / П.Н. Полежаев // Системы управления и информационные технологии. - 2011. - №3.2(45). - С. 266-270.

109. Поликарпова, Н.И. Автоматное программирование / Н.И. Поликарпова, А.А. Шалыто. - СПб.: НИУ ИТМО, 2008. - 167 с.

110. Проблемы вычислений в распределенной среде: организация вычислений в глобальных сетях / ред. C.B. Емельянова, А.П. Афанасьева. - M.: РОХОС, 2004.

- 173 с.

111. Просиз Дж. Программирование для Microsoft.NET / Дж. Просиз. - М.: Изда-тельско-торговый дом "Русская Редакция", 2003. - 704 с.

112. Прэтт У. Цифровая обработка изображений / У. Прэтт. - М.: Мир, 1982. -Кн.1,-257 с.

113. Реконфигурируемые мультиконвейерные вычислительные структуры / И.А. Каляев, И.И. Левин, Е.А. Семерников, В.И. Шмойлов. - Ростов-на-Дону: ЮНЦ РАН. - 320 с.

114. Риз Дж. Облачные вычисления / Дж. Риз. -С Пб.: БХВ-Петербург, 2011. -288 с.

115. Рихтер Дж. Программирование на платформе Microsoft.NET Framework / Дж. Рихтер. -М.: Издательско-торговый дом «Русская Редакция», 2003. - 512 с.

116. Романчук, В.А. Алгоритмическое и программное обеспечение выбора структуры распределенного облачного кластера на базе нейрокомпьютеров / В.А. Романчук, В.В. Лукашенко, В.Н. Ручкин // Известия Тульского государственного университета. Технические науки. - 2016. - Вып.9. - С. 188-197.

117. Романчук, В.А. Алгоритмическое и программное обеспечение управления и диагностики функционирования нейрокомпьютерных облачных систем [Электронный ресурс] / В.А. Романчук // Современная техника и технологии. - 2016. -№9. - Режим доступа: http://technology.snauka.ru/2016/09/10557.

118. Романчук, В.А. Алгоритмы анализа вычислительных структур на базе нейро-процессоров / В.А. Романчук, В.Н. Ручкин // Вестник РГРТУ. - 2012. - №2.

- Вып.40. - С.60-66.

119. Романчук, В.А. Анализ производительности параллельных, распределенных и облачных систем на базе нейропроцессоров / В.А. Романчук // Фэн-наука. -2015.-№8(47).-С.8-11.

120. Романчук, В.А. Инновационный программный комплекс моделирования вы-

числительных систем на базе нейропроцессоров "НейроКС" [Электронный ресурс] / В.А. Романчук // Современные научные исследования и инновации. - 2012.

- Режим доступа: http://web.snauka.ru/ 18зие8/2012/12/19407.

121. Романчук, В.А. Логическое проектирование вычислительных систем на базе нейропроцессоров [Электронный ресурс] / В.А. Романчук // Современные научные исследования и инновации. - 2014. - № 12. - Режим доступа: Ьйр:/ДуеЬ. snauka.ru/issues/2014/12/41496.

122. Романчук, В.А. Математические модели, алгоритмическое и программное обеспечение организации и логического проектирования сложных и распределенных систем на базе нейропроцессоров / В.А. Романчук, В.Н. Ручкин // Известия Тульского государственного университета. Технические науки. - 2015. - Вып.9.

- С.209-220.

123. Романчук, В.А. Математическое и программное обеспечение логического проектирования облачных нейрокомпьютерных систем / В.А. Романчук, В.Н. Ручкин // Известия Тульского государственного университета. Технические науки. - 2016. - Вып.2. - С.235-241.

124. Романчук, В.А. Математическое обеспечение оценки производительности систем нейрокомпьютерной обработки информации / В.А. Романчук // Известия Тульского государственного университета. Технические науки. - 2016. - Вып.2.

- С.242-251.

125. Романчук, В.А. Математическое обеспечение логического проектирования и кластеризации вычислительных систем на базе нейропроцессоров / В.А. Романчук, В.Н. Ручкин // Известия Тульского государственного университета. Технические науки. - Тула, 2015. - Вып.9. - С.221-235.

126. Романчук, В.А. Методика и практические исследования теоретико-множественного анализа и оптимизации вычислительных систем на базе нейропроцессоров [Электронный ресурс] / В.А. Романчук // Электронный научный журнал "Исследования технических наук". - 2015. - №1(15). - С. 20-34. - Режим доступа: http://www.researches-of-technical-sciences.ingnpublishing.com/

archive/2015/release-1 -15-j anuary-march/romanchuk_v_a_metodika_i_ praklicheskieissledovaniyateoretiko-mnozhestvennogoanalizaioptimizacii vychislitelnyhsistemnab/.

127. Романчук, В.А. Методика оптимизации вычислительных систем на базе ней-ропроцессоров / В.А. Романчук // Информатика и прикладная математика: меж-вуз. сб. науч. тр. -2015. -Вып.21. -С.93-99.

128. Романчук, В.А. Моделирование нейропроцессорных систем / В.А. Романчук // Отраслевые аспекты технических наук : научно-практический журнал. - 2013. -№10(34). -С. 19-24.

129. Романчук, В.А. Моделирование структуры нейрокомпьютерного вычислительного кластера / В.А. Романчук, В.В. Лукашенко // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2017. - №21. - С.25-35.

130. Романчук, В.А. Методика распараллеливания нейрокомпьютерных программ / В.А. Романчук // Информатика и прикладная математика : межвуз. сб. науч. тр. -2015.-Вып.21.-С. 100-105.

131. Романчук, В.А. Модель и методы организации вычислительных систем параллельной и распределенной обработки данных на базе нейропроцессоров / В.А. Романчук // Автоматизация и управление в технических системах. - 2015. - № 2. -Режим доступа: auts.esrae.ru/14-281.

132. Романчук, В.А. Модель описания функционирования нейропроцессора как сложной параллельной системы / В.А. Романчук, В.В. Лукашенко // Автоматизация и управление в технических системах. - 2015. - № 2. - Режим доступа: http: //auts. esrae. ru/14-266.

133. Романчук, В.А. Обобщенная модель функционирования облачной вычислительной системы на базе нейрокомпьютеров / В.А. Романчук, В.В. Лукашенко, В.И. Ручкин // Известия Тульского государственного университета. Технические науки. -2016. -Вып.9. - С. 197-208.

134. Романчук, В.А. Оптимизация параллельных вычислений в нейрокомпьютер-

ных системах / В.А. Ромаичук // Информатика и прикладная математика: межвузовский сборник научных трудов. - 2016. - №22. - С. 84-89.

135. Романчук, В.А. Оптимизация программных и аппаратных средств сложных вычислительных систем на базе нейропроцессоров [Электронный ресурс] / В.А. Романчук // Моделирование, оптимизация и информационные технологии.

- 2015. - №1(8). - Режим доступа: http://moit.vivt.ru/wp-content/uploads/ 2015/03/Romanchuk_l_l 51 .pdf.

136. Романчук, В.А. Оценка результатов моделирования вычислительных систем на базе нейропроцессоров / В.А. Романчук, В.Н. Ручкин // Известия Тульского государственного университета. Технические науки. - 2013 - Вып.9-2 - С. 194-203.

137. Романчук, В.А. Оценка эффективности функционирования нейрокомпьютеров [Электронный ресурс] / В.А. Романчук // Исследования технических наук.

- 2015. - №3(17). - Режим доступа: http://www.researches-of-technical-sciences.ingnpublishing.com/archive/2015/release-3-17-july-september/ romanchuk_v_a_ocenka_effektivnosti_fiinkcionirovaniya_nejrokomp_yuterov.

138. Романчук, В.А. Проектирование нейропроцессорных систем на основе нечеткой кластеризации / В.Н. Ручкин, В.А. Романчук, В.А. Фулин // Вестник РГРТУ.

- 2014. - №4. - Вып.50-1. - С.87-93.

139. Романчук, В.А. Разработка алгоритма оптимизации вычислений в нейроком-пьютерных системах / В.А. Романчук // Теория. Практика. Инновации. - 2017. -№10.

140. Романчук, В.А. Разработка алгоритма оптимизации задачи кластеризации распределенных вычислительных систем на базе нейропроцессоров / В.А. Романчук // Информатика и прикладная математика: межвузовский сборник научных трудов. - 2016. - №22. - С. 79-83.

141. Романчук, В.А. Разработка алгоритмического и программного обеспечения контроля функционирования сложных, распределенных и облачных систем на базе нейропроцессоров [Электронный ресурс] / В.А. Романчук // Моделирование, оптимизация и информационные технологии. - 2015. - №3(10). - Режим доступа:

http://moit.vivt.ru/wp-content/uploads/2015/10/Romanchuk_3_l 51 .pdf.

142. Романчук, В.А. Разработка алгоритмического и программного обеспечения нейрокомпьютерного модуля автоматического управления интеллектуальными электромеханическими системами / В.А. Романчук // Информатика и системы управления. - 2015. - № 4 (46). - С. 67-74.

143. Романчук, В. А. Разработка алгоритмического и программного обеспечения управления сложными, распределенными и облачными системами на базе нейро-процессоров / В. А. Романчук // Молодой ученый. - 2015. - №17 - С.24-26.

144. Романчук В.А. Разработка и оптимизация алгоритмического и программного обеспечения нейропроцессорной системы матричных вычислений управляющих воздействий и коэффициентов регуляторов двигателей ног на примере гексапода [Электронный ресурс] / В.А. Романчук // Современные научные исследования и инновации. - 2015. - № 3. - Режим доступа: http://web.snauka.ru/issues/ 2015/03/49244.

145. Романчук, В.А. Разработка и оптимизация программного кода нейропроцессорной системы управления динамическими объектами на примере гексапода / В.А. Романчук // Вестник РГУ имени С.А.Есенина. - 2015. -№2(47). - С. 150-157.

146. Романчук, В.А. Разработка математического и алгоритмического аппарата вычислительного устройства управления динамическими объектами в реальном масштабе времени на примере гексапода [Электронный ресурс] / В.А. Романчук, Н.И. Пономарев // Современная техника и технологии. - 2015. - №7. - Режим доступа: http://technology. snauka.ru/2015/07/7448.

147. Романчук, В.А. Разработка математической модели реструктуризуемого под классы задач, виртуализируемого кластера GRID-системы на базе нейропроцес-соров / В.А. Романчук, В.В. Лукашенко // Вестник РГУ имени С.А.Есенина. - 2014. - №1(42). - С. 177-182.

148. Романчук, В. А. Разработка методологических основ программной оптимизации систем нейрокомпьютерной обработки информации / В. А. Романчук // Молодой ученый. -2015. -№15. - С. 56-61.

149. Романчук, В.А. Разработка модели сложной нейропроцессорной системы / В.А. Романчук, В.Н. Ручкин, В.А. Фулин // Цифровая обработка сигналов. - 2012.

- №4. - С.70-74.

150. Романчук, В. А. Разработка обобщенной модели архитектуры нейрокомпьютера / В. А. Романчук // Молодой ученый. - 2015. - №15. - С.61-65.

151. Романчук, В.А. Разработка программного комплекса моделирования вычислительных систем на базе нейропроцессора / В.А. Романчук // Информатика и прикладная математика: межвуз. сб. науч. тр. - 2012. - С.94-97.

152. Романчук, В.А. Разработка программных средств оптимизации систем ней-рокомпьютерной обработки информации / В.А. Романчук // Информатика и прикладная математика: межвузовский сборник научных трудов. - 2017. - № 23.

- С. 92-96.

153. Романчук, В.А. Свидетельство о регистрации программы для ЭВМ №2013614083 от 23.02.2013, Россия «Программный комплекс "Нейро-КС"» / В.А. Романчук.

154. Романчук, В.А. Свидетельство о регистрации программы для ЭВМ №2015616099 от 29.05.2015, Россия «Модульная программная платформа "NP Studio"» / В.А.Романчук.

155. Романчук, В.А. Свидетельство о регистрации программы для ЭВМ №2017616265 от 07.06.2017, Россия «Программный модуль оптимизации нейро-процессорных устройств и систем» / В.А.Романчук.

156. Романчук, В.А. Системный анализ архитектуры нейропроцессора [Электронный ресурс] / В.А. Романчук // Современная техника и технологии. - 2015. - №8. -Режим доступа: http://technology.snauka.ru/2015/08/7695.

157. Романчук, В.А. Формализованное описание параллельных, распределенных и облачных систем на базе нейропроцессоров / В.А. Романчук // Новый университет. Серия: Технические науки. - 2015. - № 7-8. - С.37-41.

158. Романчук, В.А. Экспертная система выбора наиболее рациональной нейро-компьютерной структуры [Электронный ресурс] / В.А. Романчук // Современная

техника и технологии. - 2016. - №12. - Режим доступа: http ://technology. snauka. ru/2016/12/11259.

159. Ротштейн А.П. Прогнозирование надежности алгоритмических процессов при нечетких исходных данных / А.П.Ротштейн, С.Д. Штовба // Кибернетика и системный анализ. - 1998. -№ 4. - С. 85-93.

160. Рудковская, В. Нейронные сети, генетические алгоритмы и нечеткие системы / В. Рудковская, М. Пилиньский, JI. Рудковский. - М.: Горячая линия-Телеком. -2006. - 452 с.

161. Ручкин, В.Н. Анализ аппаратных и программный средств специализированных систем телекомпьютеризации / В.Н. Ручкин // Электросвязь. - 1998. - №10. -С. 27-33.

162. Ручкин, В.Н. Анализ явного и неявного параллелелизма на основе кластеризации компьютерных систем / В.Н. Ручкин, Б.В. Костров, В.А. Романчук,

B.А. Фулин // Динамика сложных систем - XXI век. - 2015. - Вып.9-2. - С.20-28.

163. Ручкин, В.Н. Естественный параллелизм квантовых компьютеров и нейровы-числителей / В.Н. Ручкин, В.А. Романчук, В.А. Фулин // Вестник РГУ имени

C.А.Есенина. - 2013. - №2(39). - С. 147-156.

164. Ручкин, В.Н. Кластерное представление явного и неявного параллелизма нейропроцессорных систем / В.Н. Ручкин, В.А. Романчук, В.А. Фулин // Вестник РГРТУ. -2015. -№4. - Вып.54. - С. 127-132.

165. Ручкин, В.Н. Когнитология и искусственный интеллект / В.Н. Ручкин, В.А.Романчук, В.А. Фулин. - Рязань: Узорочье, 2012. - 260 с.

166. Ручкин, В.Н. Многокритериальный нечеткий выбор вычислительной структуры на основе кластеризации / В.Н. Ручкин, Б.В. Костров, В.А. Романчук, В.А. Фулин // Динамика сложных систем - XXI век. - 2016. - №1. - С.33-40.

167. Ручкин, В.Н. Модель вычислений реструктуризуемого под задачу кластера на базе нейрокомпьютеров [Электронный ресурс] / В.Н. Ручкин, В.А. Романчук, В.В. Лукашенко // Современная техника и технологии. - 2015. - № 3. - Режим доступа: http: //technology. snauka. ru/2015/03/5896.

168. Ручкин, В.H. Обобщенная модель вычислений кластера нейрокомпьютеров / В.Н. Ручкин, В.А. Романчук, В.В. Лукашенко // Вестник РГУ имени С.А.Есенина. -2015.-№2(47).-С. 146-150.

169. Ручкин, В.Н. Представление явного и неявного параллелелизма на основе кластеризации компьютерных систем / В.Н. Ручкин, В.А. Романчук, В.А. Фулин // Известия Тульского государственного университета. Технические науки. - 2015. - Вып.5-2. - С.274-284.

170. Ручкин, В.Н. Проектирование и выбор специализированных средств обработки информации / В.Н. Ручкин - М.: Московский государственный открытый университет, 1997. - 120 с.

171. Ручкин, В.Н. Проектирование мультимикропроцессорных систем цифровой обработки сигналов / В.Н. Ручкин // Труды DSPA-98. - 1998. - Т.4.- С. 30-32.

172. Ручкин, В.Н. Разработка алгоритма выбора вычислительной структуры распределенного кластера с нейрокомпьютерной архитектурой / В.А. Романчук, В.Н. Ручкин, В.А. Фулин, В.В. Лукашенко // Известия Тульского государственного университета. Технические науки. - 2015. - Вып.9. - С.236-244.

173. Ручкин, В.Н. Экспертная система нечеткой кластеризации нейропроцессор-ных систем / В.Н. Ручкин, В.А. Романчук, В.А. Фулин, A.A. Иролыгина // Известия Тульского государственного университета. Технические науки. - 2014. -Вып.6. - С. 162-167.

174. Рыжов, Э.В. Математические методы в технологических исследованиях / Э.В. Рыжов, O.A. Горленко - Киев: Наук, думка, 1990. - 184 с.

175. Рыков, С.А. Возможности нейрокомпьютеров в робототехнике [Электронный ресурс] / С.А. Рыков, В.А. Романчук // Современная техника и технологии. - 2015. -№6. - Режим доступа: http://technology.snauka.ru/2015/06/7003.

176. Скворцов, C.B. Целочисленные модели оптимизации кода по критерию времени / C.B. Скворцов // Информационные технологии. - 1997. - № 10. - С. 2-7.

177. Соколов, E.H. Нейроинтеллект: от нейрона к нейрокомпьютеру / E.H. Соколов, Г.Г. Вайткявичус. - М.: Изд-во "Наука", 1989. - 238 с.

178. Солсо Р. Когнитивная психология / Р. Солсо. - СПб.: Питер, 2006. - 589 с.

179. Стернин, М.Ю. Метод представления знаний в интеллектуальных системах поддержки экспертных решений / М.Ю. Стернин, Г.И. Шепелев // Новости искусственного интеллекта. -2003. -№4 (58). - С. 24-33.

180. Танненбаум Э. Распределенные системы. Принципы и парадигмы / Э. Танненбаум, М. Ван Стен - СПб.: Питер, 2003. - 877 с.

181. Тарасов, В.Н. Математические модели облачного вычислительного центра обработки данных с использованием OpenFlow / В.Н. Тарасов, Полежаев П.Н., Шухман А.Е. и др. // Вестник оренбургского государственного университета. -2012. -№9(145). - С. 150-155.

182. Тархов, Д.А. Нейронные сети. Модели и алгоритмы / Д.А. Тархов.

- М.: Радиотехника, 2005. - 256 с.

183. Taxa X. Введение в исследование операций / Taxa Хэмди А. - М.: Вильяме, 2001.-911 с.

184. Тель Ж. Введение в распределенные алгоритмы / Ж. Тель. - М.: МЦНМО, 2009.-616 с.

185. Теоретические основы системного анализа / ред. В.Н. Новосельцев

- М.: Майор, 2006. - 592 с.

186. Факторный, дискриминантный и кластерный анализ / Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка и др. - М.: Финансы и статистика, 1989. - 215 с.

187. Хайкин С. Нейронные сети: полный курс / С. Хайкин. - М.: ООО "И.Д. Вильяме", 2006. - 1104 с.

188. Хамахер К. Организация ЭВМ / К. Хамахер, 3. Вранешич, С. Заки.

- СПб.: Питер, 2003. - 848 с.

189. Хорошевский, Б.Г. Архитектура вычислительных систем: учеб. пособие / В.Г. Хорошевский. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2008. - 520 с.

190. Чернов, В.Е. Code Composer Studio для разработки комплексных систем, содержащих множество DSP-плат / В.Е. Чернов // Компоненты и технологии.

- 2000. - №8. - С. 52-56.

191. Чернов, В.Е. Создание приложений на базе процессоров Texas Instruments TMS320F28xx / В.Е. Чернов // Компоненты и технологии. - 2006. - №8. - С.6-12.

192. Численные методы, параллельные вычисления и информационные технологии: сборник научных трудов / ред. Вл.В. Воеводина, Е.Е. Тартышникова.

- М.: Издательство Московского Государственного Университета, 2008. - 320 с.

193. Шевченко, П.А. Применение микропроцессора NM6403 для эмуляции нейронных сетей / П.А. Шевченко // Нейрокомпьютер. - 1998. - №3^1. - С46-56.

194. Шпоковский, Г.И. Программирование для многопроцессорных систем в стандарте MPI / Г.И. Шпоковский, Н.В. Серикова. - Минск: БГУ, 2002. - 323 с.

195. Эндрюс, Г.Р. Основы многопоточного, параллельного и распределенного программирования / Г.Р. Эндрюс. - М.: Вильяме, 2003. - 512 с.

196. Яншин, В.В. Анализ и обработка изображений: принципы и алгоритмы: учебное пособие для студентов вузов / В.В. Яншин. - М.: Машиностроение, 1995. -111 с.

197. Aida, К. Job Scheduling Scheme for Pure Space Sharing among Rigid Jobs / K. Aida, H. Kasahara, S. Narita // Lecture Notes In Computer Science, Proceedings of the Workshop on Job Scheduling Strategies for Parallel Processing. - 1998. - Vol. 1459.-P. 98-121.

198. Analog Devices [Электронный ресурс]. - Режим доступа: http://www.analog.com (дата обращения: 18.11.2016).

199. ARM [Электронный ресурс]. - Режим доступа: http://www.arm.com (дата обращения: 18.11.2016).

200. Bender, М.А. Communication-aware processor allocation for supercomputers: finding point sets of small average distance / M.A. Bender, D.P. Bunde, S.P. Fekete и др. // Algorithmica.- 2008. - V. 50. - N. 2. - P. 279-298.

201. Card, H. C. Competitive learning algorithms and neurocomputer architecture / H. C. Card, G. K. Rosendahl, D. K. McNeill, R. D. McLeod // IEEE Trans. Сотр.

- 1998. -№47. -P.847-858.

202. Cognitive computing programming paradigm: A corelet language for composing

networks of neurosynaptic cores [Электронный ресурс]. - Режим доступа: http://www.research.ibm.com/software/IBMResearch/multimedia/ IJCNN2013.corelet-language.pdf (дата обращения: 08.02.2017).

203. Cornu Т. Design, implementation and test of a multi-model systolic neural network accelerator / T. Cornu, P. Ienne, D. Neibur и др. // Scient. Program. -1996. -№5. - P. 47-61.

204. David V. On the design a class of neutral networks / V. David, A. Sanchez // Journal of Network and Computer Applications. - 1996. -№19.-P.111-118.

205. Dynamically reconfigurable silicon array of spiking neurons with conductance-based synapses / R.J. Vogelstein, U. Mallik, J.T. Vogelstein, G. Cauwenberghs // IEEE Trans Neural Netw. - 2007. - 18(1). - P.253-265.

206. Hammerstrom, D. An implementation of Kohonen feature maps on the adaptive solutions neurocomputer / D.Hammerstrom, N.Nguyen // Artificial Neural Networks, Vol. 1, Proceedings of the ICANN-91. - 1991. - P. 715-720.

207. Human Brain Project [Электронный ресурс]. - Режим доступа: https://www.humanbrainproject.eu (дата обращения: 08.02.2017).

208. Goldberg, D.E. Genetic algorithms in search, optimization and machine learning / D.E. Goldberg. - Addison Wesley, New York, 1989. - 412 p.

209. IBM [Электронный ресурс]. - Режим доступа: https://www.ibm.com/ru-ru (дата обращения: 18.11.2016).

210. Intel [Электронный ресурс]. - Режим доступа: http://www.intel.ru/content/www/ru/ru/homepage.html (дата обращения: 18.11.2016).

211. Introducing a Brain-inspired Computer TrueNorth's neurons to revolutionize system architecture [Электронный ресурс]. - Режим доступа: http://www.research.ibm.com/articles/brain-chip.shtml (дата обращения: 18.11.2016).

212. Izeboudjen, N. A new classification approach for neural networks hardware: from standards chips to embedded systems on chip / N. Izeboudjen, C. Larbes, A. Farah // Artificial Intelligence Review. 2014.-41(4). -P.491-534.

213. Harkin J. Reconfigurable platforms and the challenges for large-scale implementa-

tions of spiking neural networks / J. Harkin, F. Morgan, S. Hall, P Dud: International conference on field programmable logic and applications. - 2008. - IEEE, Heidelberg. -P.483-486.

214. Kostrov, B.V. Expert system of multi-criterion fuzzy management in selection of computing resources / B.V. Kostrov, V.N. Ruchkin, M.N. Makhmudov, V.A. Roman-chuk, V.A. Fulin // International Conference on Mechanical, System and Control Engineering, ICMSC. -2017. -DOI: http://dx.doi.org/10.1109/ICMSC.2017.7959499.

215. KNUPATH Hermosa Processors [Электронный ресурс]. - Режим доступа: https://www.knupath.com/products/hermosa-processors(дaтa обращения: 18.11.2016).

216. Lublin U. The workload on parallel supercomputers: modeling the characteristics of rigid job / U. Lublin, G. Feitelson // Journal of Parallel and Distributed Computing archive. - Volume 63. - Issue 11. - 2003. - P. 542-546.

217. Mache J. Dispersal metrics for non-contiguous processor allocation / J. Mache, V. Lo // University of Oregon, Technical Report CIS-TR-96-13. - 1996.

218. Moore S. The effects of network contention on processor allocation strategies

/ S. Moore, L. Ni // Proceedings of the 10th International Parallel Processing Symposium. - 1996. - P. 268-273.

219. Muller, U. Fast neural net simulation with a DSP processor array / U. Muller, A. Gunzinger, W. Guggenbuhl // IEEE Trans. Neural Networks. - 1995. - №6. -P.203-213.

220. National Instruments [Электронный ресурс]. - Режим доступа: http://www.ni.com (дата обращения: 18.11.2016).

221. Neuro Matrix. Описание языка ассемблер. - М.: НТЦ "Модуль", 1999.

- 180 с.

222. Neuro Matrix. Руководство пользователя. - М.: НТЦ "Модуль", 1999.

- 153 с.

223. Neuro Matrix. Справочное руководство. - М.: НТЦ "Модуль", 1999. - 84 с.

224. Nordstrom Т. Using and designing massively parallel computers for artificial neural networks / T.Nordstrom, B. Svensson // J. Parallel Distrib. Сотр. - 1992.

-№14. - P.260-285.

225. NVidia [Электронный ресурс]. - Режим доступа: http://www.nvidia.ru (дата обращения: 18.11.2016).

226. Pearson, M.J. Implementing spiking neural networks for real-time signal-processing and control applications: a model-validated FPGA approach / M.J. Pearson, A.G. Pipe, B. Mitchinson и др. // IEEE Trans Neural Netw - 2007. -18(5).-P. 1472-1487.

227. Qualcomm [Электронный ресурс]. - Режим доступа: https://www.qualcomm.com (дата обращения: 18.11.2016).

228. Real-time computing platform for spiking neurons (RT-spike) / E. Ros, E.M. Ortigosa, R. Agis и др. // IEEE Trans Neural Netw. - 2006. - 17(4). P. 1050-1063.

229. Romanchuk, V.A. Algorithms and software for modules of automatic neurocomputer control of smart electromechanical system such as hexapods / V.A. Romanchuk // IOP Conference Series: Materials Science and Engineering. -Tomsk. -2015. -DOI: http://dx.doi.Org/10.1088/1757-899X/93/l/012057.

230. Romanchuk, V.A. The method of optimization of neuro-based concurrent operations in neurocomputers / V.A. Romanchuk // IOP Conference Series: Materials Science and Engineering. -2017. - DOI: http://dx.doi.Org/10.1088/1757-899X/177/l/012033.

231. Ruchkin, V.N. Cluster management of computing resources / V.N. Ruchkin, M.N. Makhmudov, V.A. Romanchuk, V.A. Fulin, Kostrov B.V. // MATEC Web of Conferences. -2016. -DOI: http://dx.doi.org/10.1051/matecconf/20167508004.

232. Ruchkin V. Cluster parallelism of the neuroprocessor systems based on the fuzzy logic / V. Ruchkin, V. Romanchuk, V. Fulin, B. Kostrov, E. Ruchkina // Proceedings of the International Conference on Information Processing and Control Engeneering (ICIPCE). - 2015. - С. 154-160.

233. Ruchkin, V. Clustering & High Availability of Neuroprocessor System / V. Ruchkin, V. Romanchuk, B. Kostrov // Proceedings of the VHIth Interna-tional Scientific and Technical Conference (CSIT). - 2013. - C.63-66.

234. Ruchkin V. Clustering, restorability and designing of embedded computer system based on neuroprocessors / V. Ruchkin, V. Romanchuk, R. Sulitsa // Proceedings of the 2nd Mediterranean Conference on Embedded Computing (MECO). - 2013. - C.58-62. -DOI: http://dx.doi.org/10.1109/MECO.2013.6601318.

235. Ruchkin V. Development of algorithms and software for neurocomputer systems of SEMS automatic control modules / V. Ruchkin, V. Romanchuk // Smart Electromechanical Systems, Studies in Systems, Decision and Control. - 2015. - Вып.49. - С.93-103. - DOI: http://dx.doi.org/10.1007/978-3-319-27547-5_9.

236. Ruchkin V. Frame model of a compiler of cluster parallelism for embedded computing systems / V. Ruchkin, V. Romanchuk, V. Fulin, V. Lukashenko, B. Kostrov, E. Ruchkina // Proceedings of the 6th Mediterranean Conference on Embedded Computing (MECO). -2017. - DOI: http://dx.doi.org/10.1109/MECO.2017.7977243.

237. Ruchkin V. Parallelism in embedded microprocessor system based on clustering / V. Ruchkin, V. Fulin, V. Romanchuk, B. Kostrov, E. Ruchkina // Proceedings of the 4nd Mediterranean Conference on Embedded Computing (MECO). - 2015. - C.45-50. -DOI: http://dx.doi.org/10.1109/MECO.2015.7181951.

238. Ruchkin, V.N. Smart compiler embedded computing systems based on cluster parallelism / V.N. Ruchkin, V.A. Romanchuk, V.A. Fulin, B.V. Kostrov, E.V. Ruchkina, M.N. Makhmudov // Proceedings of the 5th Mediterranean Conference on Embedded Computing (MECO). - 2016. - C. 59-61. - DOI: http://dx.doi.org/10.1109/MEC0.2016.7525697.

239. Samsung [Электронный ресурс]. - Режим доступа: http://www.samsung.com/ru (дата обращения: 18.11.2016).

240. Sinnen, О. Task scheduling for parallel systems / О. Sinnen. - New-Jersey, 2007. -315 p.

Приложение А. Свидетельства на программы для ЭВМ

м ийсза-Я дарллцмя

И «

п а я

а »

в я

я я

Я ш я ж я а

а #

«

я !Й Е' Я Я

а

я я я я

й

я

*

а а Я Я Я

я А

5 5 Е й ?

Я С- £

СВИДЕТЕЛЬСТВО

п (ос? арстненной цтичршии прогррччч 1ЛЯ ЭВМ

ЛЬ 2018614088

Программный комплгк« "Нсйро-КС"

(Iрашмх'.|д.иIIь(.Iи). Обще ство г ограниченной ответе ми нностью Р-Веком (КГ)

Лито(Км, Романчцк Виталий Александрович (ИГ)

Лчл.г...ч2013611182

1л.| шк тик-Инн 25 февраля 2013 г.

1ц|к1 и(-п)и;к>и;||1Г» • РРТОМЯ протаым хчл ММ

23 апреля 2013 г

НиттхНш/ ч> ФвОщ><ш,гшй тижоы но инп. ггктца.1г>нии гЫн т ■ НПО та

¡¡.II Симонов

V

"я я я

я я я я я я я я я я я я я я я я я я я я я я я я я я я я я я

I

я я

к

ч

я

8 &

*

Гу

йЭ^ЯКШ И «я ¡ЯК * ж и Я Я Я Я Я Я Я Я Лея»»»

р о с curШскаш тцщрмря

с

©

•3

й 81 ж <8 Я

й я з

К; 5L-й

й а

й »

м

К я

ГА Й

Ш ■

о

«S

as а к

г?. Cr И Я

Я

й

*

Й £

JS *S Я г

я es Й я а

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для *-)ВМ

№ 20156160^9

Молу.и.иая программная платформа "NP Studie" Правоо&юдаи.-и Рачанчуь Випчыии А-1ексиндро«ич (RL1)

Л. ир: Романчук Вита лии An кеанАрович (RL)

Г-ч

т Гш»Л 1 [-.# * 1

JA

Я: SJ й й й 15 Я й Я

ъ™ а> 21115613091

Дата (iocimlicmhi 15 апреля 2015 I.

Дата rocv лрствсннон регистрации ь Реестре программ дл» )НМ 29 .иая 2015 г.

Врио ршмтёигтмж <t\'ozpa tbuuu службы по ш-m иекттп-ной собственности

c/f^

Л Л Кирый

п й я

П

к

5 й я

а

•к

■3

я

№ С №

й

Я

«

Л У

а

ш я

Я

е

N

Q

$

S

к

а

V

П S* й

£5 $

SH

4v

1ИЮСШПЙ ИКАЯ Ф*ш ЕРАЩПаШ

£

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.