Организация распределенной вычислительной среды для синтеза системы распознавания летательных аппаратов тема диссертации и автореферата по ВАК РФ 05.13.15, кандидат технических наук Аракчеев, Павел Владимирович

• Аракчеев, Павел Владимирович
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Аракчеев, Павел Владимирович

Введение

1. Система распознавания летательных аппаратов

1.1. Задача распознавания летательных аппаратов

1.2. Источники информации о поверхности летательных аппаратов

1.3. Методы формирования пространства признаков изображений летательных аппаратов

1.4. Методы распознавания образов по значениям информативных признаков

1.5. Выводы

2. Разработка и экспериментальные исследования алгоритмов распознавания летательных аппаратов

2.1. Алгоритмы вычисления информативных признаков контрастных изображений летательных аппаратов

2.2. Алгоритмы распознавания летательных аппаратов по значениям информативных признаков контрастных изображений

2.3. Постановка задачи исследования алгоритмов распознавания летательных аппаратов по контрастным изображениям

2.4. Результаты экспериментов

2.5. Вычислительные затраты на синтез системы распознавания летательных аппаратов

2.6. Выводы

3. Методы и средства реализации алгоритмов обучения нейронной сети

3.1. Реализация алгоритмов обучения нейронной сети в многопроцессорных вычислительных системах

3.2. Алгоритм обучения нейронной сети и методы его распараллеливания

3.3. Выводы

4. Разработка архитектуры распределенной вычислительной среды

4.1. Реализация алгоритма обратного распространения ошибки средствами локальной вычислительной сети

4.2. Организация обмена данным между процессорными узлами распределенной вычислительной среды

4.3. Архитектура и программное обеспечение распределенной вычислительной среды

4.4. Выводы

Введение диссертации (часть автореферата) на тему «Организация распределенной вычислительной среды для синтеза системы распознавания летательных аппаратов»

Интенсивное развитие вычислительной техники и искусственного интеллекта вызвало появление практического интереса к реализации систем распознавания образов. В настоящее время большое значение приобретает задача построения системы распознавания летательных аппаратов (JIA). Актуальность этой задачи определяется необходимостью предотвращения применения средств противовоздушной обороны против объектов гражданской авиации. Особое значение приобретают системы распознавания JIA, получающие информацию о поверхности объекта в оптическом диапазоне электромагнитного излучения с использованием телевизионных, тепловизионных и лазерных локационных систем, которые обладают следующими свойствами:

• слабая чувствительность к уровню электромагнитных помех;

• возможность работы телевизионных и тепловизионных систем в режиме пассивной локации;

• возможность распознавания ЛА независимо от технического состояния его бортового оборудования.

Сложность задачи распознавания JIA обусловлена рядом особенностей:

• значительный объем данных, содержащийся в изображениях JIA;

• жесткие требования к быстродействию системы распознавания ЛА, обусловленные высокой скоростью перемещения ЛА и сравнительно небольшой дальностью действия телевизионных и тепловизионных систем;

• большое разнообразие изображений ЛА одного типа, обусловленное различными условиями наблюдения, расположением и пространственной ориентацией ЛА относительно системы наблюдения.

Требования к быстродействию системы распознавания JIA связаны не столько со скоростью принятия решения, сколько с возможностью обобщения решений, принятых в нескольких последовательных циклах локации, с целью повышения качества распознавания J1A. Требования к быстродействию системы распознавания ЛА определяют коренные отличия этой системы от существующих систем распознавания человека по изображению лица, наиболее близких по характеру исходной информации. В отличие от систем распознавания лиц, в которых требуется обеспечить простоту наращивания числа распознаваемых объектов, от системы распознавания ЛА требуется высокая скорость принятия решения. Наилучшим образом этому требованию соответствуют нейросетевые алгоритмы распознавания образов, отличающиеся богатыми функциональными возможностями, простотой реализации и внутренним детерминизмом. Нейросетевые алгоритмы могут быть эффективно реализованы в параллельных вычислительных системах, а также в виде аналоговых и аналогово-цифровых схем.

Необходимо отметить, что применение столь простых и удобных моделей в системе распознавания становится возможным лишь за счет значительных затрат на этапе обучения нейронной сети (НС), выполняемого при синтезе системы распознавания. Важнейшим условием применимости моделей НС для решения практических задач распознавания образов является обеспечение приемлемой длительности обучения НС. Существует несколько подходов, позволяющих уменьшить временные затраты на обучение НС:

• совершенствование алгоритма обучения НС;

• сокращение размерности задачи обучения НС;

• ускорение выполнения алгоритмов обучения НС за счет применения параллельных вычислительных средств.

Выбор и модификация алгоритма обучения НС является одной из наиболее сложных задач теории нейронных сетей, поскольку свойства алгоритма обучения НС в значительной степени определяют качество обученной НС. Сравнение качества решений, получаемых при помощи различных алгоритмов обучения НС, часто оказывается невозможным, так как показатели качества распознавания объектов при помощи НС определяются для определенных условий эксплуатации, которые не всегда корректно воспроизводятся при помощи математических моделей.

Уменьшение размерности задачи обучения НС достигается в основном за счет преобразования исходных признаков объекта, например, его изображения, в новое пространство признаков, которое отличается от исходного меньшей размерностью, инвариантностью к различным формам представления одного и того же объекта, простотой разделения образов. В результате этих преобразований уменьшается объем обучающей выборки, число нейронов и настраиваемых параметров НС. Несмотря на то, что модель нейронной сети как таковая не требует каких-либо преобразований исходных данных, использование этой особенности на практике приводит как к неприемлемому уровню затрат на обучение НС, так и к снижению качества распознавания образов.

Применение параллельных вычислительных систем позволяет существенно ускорить процесс обучения НС. Этот подход порождает ряд специфических требований как к архитектуре вычислительной системы, так и к ее программному обеспечению, поскольку значительная часть алгоритмов обучения НС, включая классический алгоритм обратного распространения ошибки, не обладает явным параллелизмом, характерным для моделей НС. В настоящее время наибольший интерес с точки зрения параллельной реализации алгоритмов обучения НС представляют параллельные вычислительные системы, создаваемые на основе сетей персональных ЭВМ (ПЭВМ). Актуальность этого подхода определяется:

• высокой производительностью современных ПЭВМ;

• экономической эффективностью, обусловленной возможностью использования для обучения НС существующих сетей ПЭВМ;

• простотой изменения алгоритмов, используемых для обучения НС;

• возможностью применения в составе ПЭВМ дополнительных аппаратных компонентов, ускоряющих обучение НС;

• возможностью использования аппаратных ресурсов системы для решения других задач, возникающих при синтезе системы распознавания JIA.

Для решения задач, возникающих в процессе синтеза систем распознавания JIA, необходимо на основе сети ПЭВМ построить распределенную вычислительную среду (РВС), позволяющую рационально использовать ресурсы ПЭВМ и сетевых каналов для решения следующих задач:

• синтез математических моделей поверхностей распознаваемых ДА;

• синтез изображений ДА с использованием математических моделей ДА, атмосферного и приемного каналов;

• реализация алгоритмов первичной обработки и вычисления значений информативных признаков изображений ДА;

• автоматическая генерация обучающих и контрольных выборок для обучения и тестирования НС;

• реализация алгоритмов обучения для НС с различной структурой;

• выполнение статистических испытаний НС одновременно с ее обучением для достижения оптимального обучения НС;

• проведение статистических испытаний системы распознавания ДА для оценки показателей ее надежности и точности.

Наиболее сложной, с точки зрения объема вычислений и сложности реализации, является задача обучения НС, поэтому настоящая работа ориентирована на создание РВС для реализации алгоритмов обучения НС.

Актуальность темы обусловлена необходимостью применения нейросетевых алгоритмов в системах распознавания J1A, предназначенных для повышения надежности средств противовоздушной обороны. Синтез системы распознавания ЛА возможен при условии обеспечения приемлемой длительности процесса обучения НС. Разработка распределенной вычислительной среды на основе существующих сетей ЭВМ обеспечивает ускорение обучения НС при минимальных затратах на дополнительное оборудование, хотя и не исключает применения специализированных аппаратных компонентов для дополнительного увеличения быстродействия вычислительной системы.

Целью работы является разработка архитектуры распределенной вычислительной среды для синтеза систем распознавания летательных аппаратов. Цель работы предполагает решение следующих задач:

1. Разработка архитектуры распределенной вычислительной среды, позволяющей ускорить обучение нейронных сетей.

2. Исследование потоков данных, передаваемых по сетевому каналу в распределенных реализациях алгоритма обучения нейронных сетей.

3. Исследование влияния числа процессорных узлов распределенной вычислительной среды на скорость обучения нейронной сети.

4. Оценка оптимального числа процессорных узлов распределенной вычислительной среды, предназначенной для обучения нейронных сетей.

5. Разработка широковещательного сетевого протокола с гарантированной доставкой пакетов для обучения нейронных сетей в распределенной вычислительной среде.

6. Исследование влияния организации и технических характеристик сетевого канала на скорость обучения нейронных сетей в распределенной вычислительной среде.

Методы исследования. В работе использовались методы теории синтеза дискретных систем, нейроматематики, математической статистики и объектно-ориентированного программирования.

Научная новизна работы.

1. Предложена архитектура распределенной вычислительной среды, предназначенной для решения задач синтеза системы распознавания Л А, которая позволяет сократить длительность обучения НС средствами сети ЭВМ.

2. На основе проведенного анализа потоков данных в сетевом канале распределенной вычислительной среды разработан широковещательный сетевой протокол с гарантированной доставкой данных, отличающийся от стандартных протоколов применением узла коммутации оповещений, который позволяет повысить эффективность использования сетевого канала в распределенной вычислительной среде.

3. Предложены новые способы распараллеливания алгоритма обучения НС, адаптированные для распределенной вычислительной среды, которые позволяют повысить скорость обучения НС на различных этапах синтеза системы распознавания летательных аппаратов.

Защищаемые положения.

1. Архитектура распределенной вычислительной среды для синтеза системы распознавания летательных аппаратов.

2. Широковещательный сетевой протокол с гарантированной доставкой пакетов для реализации алгоритма обучения нейронной сети в распределенной вычислительной среде.

3. Алгоритм вычисления информативных признаков изображений ЛА.

4. Результаты решения задачи распознавания летательных аппаратов с использованием нейронной сети.

Практическая ценность работы. Результаты работы реализованы в НИР «Юпитер» и «Изображение», выполненных в НИИ Радиоэлектоники и Лазерной техники МГТУ им. Н.Э. Баумана.

Апробация работы. Основные результаты работы докладывались автором на всероссийской конференции «Нейрокомпьютеры и их применение» (Москва, 2000г.) и на международной конференции «Advanced Computer Systems» (Шецин, 2001г.).

Публикации. По результатам работы опубликованы четыре печатные работы.

Личный вклад автора работы. Результаты, представленные в диссертационной работе, получены автором самостоятельно. Для получения экспериментальных данных, представленных во второй главе диссертации, были использованы математические модели поверхностей летательных аппаратов F16 и МиГ-31, предоставленные автору работы научно-исследовательским институтом Радиоэлектроники и лазерной техники Московского государственного технического университета им. Н.Э. Баумана.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы.

Заключение диссертации по теме «Вычислительные машины и системы», Аракчеев, Павел Владимирович

4.4. Выводы

• Предложены новые способы распараллеливания алгоритма обратного распространения ошибки, которые позволяют уменьшить интенсивность обмена данными между процессорными узлами РВС.

• Получены аналитические оценки длительности выполнения алгоритма обучения НС в РВС, позволяющие осуществлять выбор оптимального способа распараллеливания алгоритма обучения НС в зависимости от характеристик НС и сетевого канала.

• Получены аналитические оценки оптимального числа процессорных узлов системы, позволяющие ограничить область поиска оптимального значения этого параметра при обучении НС средствами РВС.

• Разработан широковещательный сетевой протокол с гарантированной доставкой пакетов с применением коммутатора оповещений, обеспечивающий высокую эффективность использования сетевого канала при реализации алгоритма обучения НС средствами РВС.

• Разработана программная модель взаимодействия процессов в РВС на основе обмена сообщениями, которая позволяет сократить вычислительные затраты, связанные с преобразованиями формата данных и обращениями к операционной системе при обучении НС.

• На основе предложенной модели взаимодействия процессов и широковещательного протокола с гарантированной доставкой сообщений разработана архитектура РВС, предназначенной для решения задач синтеза систем распознавания JIA с использованием технических средств ЛВС.

Заключение

• На основе анализа современных методов распознавания образов сделан вывод о целесообразности применения модели искусственной НС для распознавания JIA по телевизионному изображению;

• Разработан алгоритм вычисления значений признаков изображения, инвариантных к сдвигу, повороту и изменению масштаба изображения, который позволяет сократить длительность обучения НС при синтезе системы распознавания JIA;

• Проведен вычислительный эксперимент, в ходе которого решалась задача синтеза системы распознавания тестовых объектов: ДА F16 и МиГ-31 по телевизионному изображению. Результаты эксперимента позволяют сделать следующие выводы: применение НС в сочетании с алгоритмом вычисления признаков изображения для распознавания J1A позволило решить тестовую задачу с приемлемой точностью; алгоритм вычисления значений признаков изображения обеспечивает устойчивость системы распознавания к сдвигу и повороту изображения объекта, а также к изменению масштаба изображения в некоторых пределах; для обеспечения приемлемой длительности синтеза системы распознавания JIA необходимо ускорить обучение НС за счет применения параллельных вычислительных средств.

• Предложено использовать технические средства ЛВС для организации РВС, обеспечивающей эффективное решение задач синтеза систем распознавания ЛА.

Предложены новые способы распараллеливания алгоритма обратного распространения ошибки для обучения НС в РВС; Получены аналитические оценки скорости обучения НС и оптимального числа процессорных узлов РВС, позволяющие управлять распределением вычислительных ресурсов в РВС; Разработан широковещательный сетевой протокол с гарантированной доставкой сообщений для реализации обмена данными между процессорными узлами РВС;

Разработаны программные модели, обеспечивающие синхронизацию фрагментов приложений в РВС; Разработана архитектура РВС, позволяющей использовать технические средства ЛВС для решения задач синтеза ЛА.

Список литературы диссертационного исследования кандидат технических наук Аракчеев, Павел Владимирович, 2003 год

1. Горелик А.Л. и др. Селекция и распознавание на основе локационной информации. - М.: Радио и связь, 1990. - 240 с.

2. Небабин В.Г., Сергеев В.В. Методы и техника радиолокационного распознавания. М.: Радио и связь, 1984. - 152 с.

3. Бурый Е.В., Рождествин В.Н. Перспективы развития методов получения информации о форме объектов в лазерных локационных системах и способы ее использования / Вестник МГТУ им. Баумана. Сер. Приборостроение. 1998. - Спец. вып. - С. 62 - 67.

4. Бурый Е.В., Зубцов С.А., Савельев С.Б. Использование ультракоротких импульсов в лазерных локационных системах для задач распознавания: Обзор по материалам отечественной и зарубежной печати 1966 1990 гг. -М.: ГОНТИ МГТУ им. Н.Э. Баумана, 1990. - 61 с.

5. Бурый Е.В., Смирнова Ю.Л. Анализ устойчивости распознавания объектов в оптическом диапазоне при изменении характеристик рассеянияих поверхностей // Нейрокомпьютеры и их применение. Труды VIII Всеросс. конф. М., 2002. - С. 86 - 87.

6. Носов Ю.Р., Шилин В.А. Основы физики приборов с зарядовой связью. -М.: Наука, 1986.-320 с.

7. Гардан И., Люка М. Машинная графика и автоматизация конструирования: Пер. с франц. О.Н. Родинко; Под ред. Ю.М. Баяковского. М.: Мир, 1987. - 272 с.

8. Математика и САПР: в 2 кн. Кн. 2: Шенен П. и др. Вычислительные методы. Геометрические методы: Пер. с франц. С.Д.Чигиря; Под ред. Н.Г. Волкова. М.: Мир, 1989. - 260 с.

9. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. М.: Наука, 1986. - 544 с.

10. Бутаков Е.А., Островский В.И., Фадеев И.Л. Обработка изображений на ЭВМ. М.: Радио и связь, 1987. - 240 с.

11. Кухарев Г.А. Биометрические системы: методы и средства идентификации личности человека. СПб: Политехника, 2001. -240с.

12. Kukharev G., Kuzminski A. Techniki Biometryczne. Czesc 1: Metody Rozpoznawania Twarzy. Szczecin: Politechnika Szczecinska, Wydzial Informatyki, 2003. -310 c.

13. Дуда P., Харт П. Распознавание образов и анализ сцен: Пер с англ. М.: Мир, 1976.-510 с.

14. Wang Y.F., Wang Jih-Fang. Surface reconstruction using deformable models with interior and boundary constraints // IEEE Trans, on Pattern Analysis and Machine Intelligence. 1992. - V. 14. - № 5. - P. 572-579.

15. Бурый Е.В., Асеф Джафар. Получение инвариантных информативных признаков для распознавания двухмерных контрастных изображений объектов // Нейрокомпьютеры и их применение: Труды VI Всеросс. конф. -М.,2000. С. 32-43.

16. Chen Q., Defrise М., Deconinck F. Symmetric Phase-Only Matched Filtering of Fourier-Mellin Transforms for Image Registration and Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994. V. 16. - № 12. - P. 1156 - 1168.

17. Бурый E.B. Синтез системы распознавания объектов по форме огибающей лазерного импульса при импульсно-периодической локации // Квантовая электроника. 1998. - Т. 25. - № 5. - С. 471 - 475.

18. Справочник по теории вероятностей и математической статистике / B.C. Королюк, Н.И. Портенко, А.В. Скороход и др. М.: Наука, 1985. - 640 с.

19. Вопросы статистической теории распознавания / Ю.Л. Барбаш, Б.В. Варский, В.Т. Зиновьев и др.; Под ред. Б.В. Барского. М.: Сов. радио, 1967. -400 с.

20. Swets D.L., Weng J. Using Discriminant Eigenfeatures for image Retrival.// IEEE Transactions Pattern Analysis and Machine Intelligence, Vol.6 - №8. -1996. -P.831 -836.

21. Классификация и кластер / Под ред. Дж. Вэн Райзина. М.: Мир, 1980. -389 с.

22. Mamistvalov A.G. n-Dimensional Moment Invariant and Conceptual Mathematical Theory of Recognition n-Dimensional Solids // IEEE Transactions Pattern Analysis and Machine Intelligence. 1998. - V. 20. - № 8. -P. 819-831.

23. Buryi E., Jafar A. Invariant Features Extraction Forming for Contrast Planer Objects Recognition // 8-th Int. Conf. ACS'2001. Szczecin (Poland), 2001. -Part. 2.-P. 205-207.

24. Гордиенко Е.К., Лукьяница А.А. Искусственные нейронные сети. Основные определения и модели // Техническая кибернетика. 1994. - № 5.-С. 79-92.

25. Галушкин А.И. Теория нейронных сетей. Кн.1 / под ред. А.И. Галушкина. М.: ИПРЖР. 2000. - 415с.

26. Widrow В., Winter R., Baxter R. Layered Neural Nets for Pattern Recognition //IEEE Trans. ASSP. 1988. - V. 36. -№ 7. - P. 1109 - 1118.

27. Горбань A.H. Обучение нейронных сетей. СПб.: ПараГраф, 1990.-159 с.

28. Исследование характеристик распознавания тестовых объектов в оптическом диапазоне. Отчет о НИР / НИИ Радиоэлектроники и лазерной техники Моск. гос. техн. ун-та им. Н.Э. Баумана; Руководитель Бурый Е.В. Л210201. - Инв. № РЛМ-64/02. - М., 2002. - 29 с.

29. Щербаков Ю.Н., Якунин Ф.Н., Метод построения треугольных адаптивных конечно-элементных сеток и его приближения // Математическое моделирование. 1992. - Т. 4. - № 4. - С. 109 - 118.

30. Шадуров В.В. Многосеточные методы конечных элементов,- М.: Наука, 1989, 288 с.

31. Шахнов В.А., Власов А.И., Кузнецов А.С., Поляков Ю.А. Элементная база для реализации параллельных вычислений: тенденции развития // Нейрокомпьютеры и их применение: Труды VII Всеросс. конф. М. ИПУ РАН, 2001.-С. 499-531.

32. Zhang D. Parallel VLSI Neural System Design for Time-Delay Speech Recognition Computing // Advances in Parallel and Distributed Computing: International Conference Proceedings. Shanghai, 1997 - P. 12-14.

33. Назарян K.M. Аппаратная реализация функционально полного цифрового нейрона и алгоритма обучения // Нейрокомпьютеры: разработка, применение 2001. - №1. - С. 22-28.

34. Шевченко П.А., Фомин Д.В., Черников В.М., Виксне П.Е. Архитектура нейропроцессора NeuroMatrix NM6403 // Нейрокомпьютеры и их применение: Труды VII Всеросс. конф. М. ИЛУ РАН, 1999. - С. 322 -326.

35. Нейронный процессор NM6403. Введение в архитектуру. М.: НТЦ Модуль, 1998. -43 с.

36. NLX420 Data Sheet. San Jose: Neurologix Inc., 1992. - 48p.

37. Шевченко П.А., Фомин Д.В., Черников В.М., Виксне П.Е. Применение микропроцессора NM6403 для эмуляции нейронных сетей // Нейрокомпьютеры и их применение: Труды VII Всеросс. конф. М. ИПУ РАН, 1999. - С. 322-326.

38. Hammerstrom D. A VLSI Architecture for High Performance, Low Cost, On-chip Learning // Int. Joint Conf. On Neural Networks: Proceedings. San Diego, 1990. - v.2. - P.537-544

39. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника / Под ред. А.И.Галушкина. Казань: Казанский Гос. У-т. 1995. 131 с.

40. Алюшин М.В. Аппаратная реализация быстродействующих нейросетей на основе программируемой логики фирм AMD, ALTERA, XILINX // Нейроинформатика-99: Сборник докладов конференции. М.: МИФИ. -С.18-24.

41. Kumar V., Shekhar S., Amin M.B. A Scalable Parallel Formulation of the Backpropagation Algorithm for Hypercubes and Related Architectures. // IEEE Transactions on Parallel and Distributed Systems. 1994. - Vol. 5. - № 10.1. P.1073-1090.

42. D. Aberdeen, J. Baxter and R. Edwards, A 98c/MFLOP Ultra-Large Scale Neural Network Training on a PIII Cluster // Supercomputing 2000: Proceedings of the International Conference. - Dallas, 2000. P. 23-29.

43. Минский M.JI., Пейперт С. Персептроны. М.: Мир, 1971. - 261 с.

44. Grossberg S. Nonlinear Neural Networks: Principles, Mechanism and Architectures //Neural Networks. 1988. -V. 1. - № 1. - P. 17 - 62.

45. Jacques de Villiers, Etienne Barnard. Backpropagation Neural Networks with One and Two Hidden Layers // IEEE Trans, on Neural Networks. 1992. - V. 4. -№ 1. -P. 136-141.

46. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика: Пер. с англ. М.: Мир, 1992. - 240 с.

47. Васильев Ф. П. Методы оптимизации. М.: Факториал Пресс, 2002. -823 с.

48. Реклейтис Г., Ревиндран А., Регсдел К. Оптимизация в технике. М.: Мир, 1986.-320 с.

49. Скурихин. А. Генетические алгоритмы // Новости искусственного интеллекта. 1995. - № 4. С. 6 -17.

50. Комарцова Л.Г. Двухэтапный алгоритм обучения нейронной сети на основе генетического поиска. II Нейрокомпьютеры: разработка, применение 2001. - №1. - С. 3-9.

51. Sakaue S., Kohba Т., Yamamoto H. Reduction of required precision bits for back-propagation applied to pattern recognition // IEEE Trans, on neural networks. 1993. - V. 4. - № 2. - P. 270 - 275.

52. Torresen J. The Convergence of Backpropagation Trained Neural Networks for Various Weight Update Frequencies. // International Journal of Neural Systems 1997. - Vol. 8. - No. 3.

53. Arakcheev P.V., Buryi E.V. The Distributed Implementation of Neural Networks Training Algorithms // Advanced Computer Systems: 8-th Int. Conference proceedings Szczecin: Informa, 2001. - P. 335 - 339.

54. Аракчеев П.В., Бурый E.B. Обучение нейронных сетей с использованием интегрированных вычислительных ресурсов // Нейрокомпьютеры и их применение: Труды VI Всеросс. конф. М., 2000. - С. 32 - 43.

55. Sundararajan N., Saratchandran P. Parallel Architectures for Artificial Neural Networks: Paradigms and Implementations. IEEE Computer Society Press,. 1998,409р.

56. Torresen J., Landsverk O., Mori S., Nakashima H., Tomita S. Exploiting Parallel Computers to Reduce Neural Network Training Time of Real Applications. // Int. Symp. High Performance Computing: Proceedings. -Springer-Verlag, 1997. P. 405-414.

57. Корнеев В. Параллельные вычислительные системы. М.: Нолидж., 1999. -320 с.

58. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. М.: Мир, 1979.

59. Gupta A., Kumar. V. Performance Properties of Large Scale Parallel Systems // Journal of Parallel and Distributed Computing. 1993. -Vol. 19. - P. 234-244, 1993.

60. Фролов A.B., Фролов Г.В. Локальные сети персональных компьютеров. Использование протоколов IPX, SPX, NETBIOS. М.: ДИАЛОГ-МИФИ, 1995.- 160 с.

61. Gropp W., Lusk E., Doss N., Skjellum A. A High-Performance Portable Implementation of the Message Passing Interface // Parallel Computing. 1996. -Vol. 22.-P. 789-828.

62. Kanevski A., Skjellum A., Rounbehler A. MPI/RT An Emerging Standard for High-Performance Real-Time Systems //31st Annual Hawaii International Conference on Systems Sciences: Proceedings. 1998. - Vol. 3. - P: 157-164.

63. Jannotti J., Gifford L ., Johnson M. Overcast: Reliable Multicasting with an Overlay Network. // 4th USENIX OSDI Symposium: Proceedings. 2000.-P.197-212.

64. Lauria M., Chien A. MPI-FM: High-Performance MPI on Workstation Clusters // Journal of Parallel and Distributed Computing. 1997. - No. 1. - P. 4-18.

65. Шейнин Ю.Е. Обобщенная модель параллельных ВС для разработки и анализа параллельных архитектур и алгоритмов // Интеллектуальные и многопроцессорные системы-2001: Материалы Международной научной конференции. Таганрог, 2001, С. 106-109.

66. Коваленко В., Коваленко Е., Корягин Д., Любимский Э., Хухлаев Е. Управление заданиями в распределенной вычислительной среде. // Открытые системы. 2001. - № 5. - С. 12-17.