Параллельные цифровые нейрокомпьютеры и их применение в задачах распознавания зрительных образов тема диссертации и автореферата по ВАК РФ 05.13.13, доктор технических наук Галуев, Геннадий Анатольевич

• Галуев, Геннадий Анатольевич
• доктор технических наук
• 1997

Оглавление диссертации доктор технических наук Галуев, Геннадий Анатольевич

ПЕРЕЧЕНЬ ОСНОВНЫХ СОКРАЩЕНИЙ, УСЛОВНЫХ ОБОЗНАЧЕНИЙ,

ЕДИНИЦ И ТЕРМИНОВ.

ВВЕДЕНИЕ .Т

1. ПАРАЛЛЕЛЬНЫЕ ЦИФРОВЫЕ НЕЙРОКОМПЬЮТЕРЫ

С ПРОГРАММИРУЕМОЙ АРХИТЕКТУРОЙ.

1.1. Краткий анализ развития и современное состояние исследований в области моделирования нейронных сетей . . . .¿

1.2. Проблемы создания и основные направления развития нейрокомпьютерной техники. Параллельные цифровые нейрокомпьютеры с программируемой архитектурой . .4*/ вывода

2. СТРУКТУРА ПАРАЛЛЕЛЬНЫХ ЦИФРОВЫХ НЕЙРОКОМПЬЮТЕРОВ

2.1. Структурная организация универсальных и специализированных параллельных цифровых нейрокомпьютеров.,

2.2. Способы построения и классификация параллельных цифровых нейросетевых процессоров

2.3. Структура и свойства полносвязных параллельных цифровых нейросетевых процессоров. Параллельные цифровые нейросетевые процессоры с полным числом каналов связи

2.4. Структура и особенности параллельных цифровых нейросетевых процессоров с неполным числом каналов связи.Сравнительный анализ эффективности различных виде параллельных цифровых нейросетевых процессоров

ВЫВОДЫ

3. ЭЛЕМЕНТНАЯ ВАЗА ПАРАЛЖЯЬНЫХ ЦИФРОВЫХ НЕЙРОКОМПЬЮТЕРОВ.

3.1. Операционный базис и структура цифрового нейропроцессора

3.2. Способы реализации цифрового нейропроцессора на основе современной интегральной технологии . . . .763 ВЫВОДЫ

4. ПАРАЛЛЕЛЬНЫЕ ЦИФРОВЫЕ НЕЙРОКОМПЬЮТЕРНЫЕ СИСТЕМЫ ОБРАБОТКИ И РАСПОЗНАВАНИЯ ЗРИТЕЛЬНЫХ

ОБРАЗОВ - ИЗОБРАЖЕНИЙ.

4.1. Особенности задачи распознавания зрительных образов. Проблема создания эффективных систем обработки и распознавания зрительных образов и предлагаемые подходы к ее решению

4.2. Параллельные цифровые квазинейрокомпьютерные системы обработки и распознавания зрительных образов

4.3. Параллельные цифровые нейрокомпьютерные системы обработки и распознавания зрительных образов . . 21Н

ВЫВОДЫ

5. ПАРАЛЛЕЛЬНЫЕ ЦИФРОВЫЕ НЕЙРОСЕТЕВЫЕ ПРОЦЕССОРЫ

ОБРАБОТКИ И РАСПОЗНАВАНИЯ ЗРИТЕЛЬНЫХ ОБРАЗОВ

5.1. Параллельные цифровые нейросетевые процессоры обработки изображений .¿

5.2. Обучающиеся параллельные цифровые нейросетевые процессоры распознавания изображений.

5.3. Эффективность и функциональные возможности параллельных цифровых нейросетевых процессоров обработки и распознавания изображений.

ВЫВОДЫ

Введение диссертации (часть автореферата) на тему «Параллельные цифровые нейрокомпьютеры и их применение в задачах распознавания зрительных образов»

Актуальность проблемы и темы диссертационной работы. Начиная с середины 80-х годов, практически во всех развитых странах мира наблюдается стремительный рост исследований и разработок в области создания систем обработки информации принципиально нового типа, получивших название нейро-ЭВМ или нейрокомпьютеров.

В настоящее время мировая практика разработки и создания нейрокомпьютеров использует три основных подхода. Первый подход предполагает построение нейрокомпьютеров в виде прикладных пакетов программ для стандартных ЭВМ, в качестве которых чаще всего используется обычный персональный компьютер. Второй подход связан с созданием нейрокомпьютеров в виде комбинированных систем, включающих персональный компьютер с соответствующим программным обеспечением и сопроцессор-акселератор для быстрой реализации нейровычислений. И, наконец, третий подход предполагает создание истинных нейрокомпьютеров в виде аппаратно реализованных параллельных нейросетевых систем. Первые два подхода позволяют создавать достаточно гибкие нейрокомпыотерные системы, однако из-за низкого быстродействия область применения таких систем ограничивается научными исследованиями в области нейронаук, учебными целями и некоторыми коммерческими задачами. Полного воплощения всех уникальных свойств нейросетевых методов обработки информации можно добиться только путем использования третьего из указанных подходов, т.е. при создании аппаратных параллельных нейрокомпьютеров.

В настоящее время отсутствуют сведения о промышленном производстве аппаратных нейрокомпьютеров, за исключением нескольких экспериментальных образцов на оптической или опт'оэлектронной аналоговой основе и разработки электронной элементной базы - нейро-СБИС для их реализации, что объясняется не только сложностью этой задачи, но и отсутствием проработанных конструктивных концепций для ее решения.

Наиболее важной и перспективной областью практического применения нейрокомпьютеров является распознавание зрительных образов - изображений, что объясняется с одной стороны значительной сложностью, а во многих случаях и невозможностью формализации указанных задач и, следовательно, возникающими проблемами их решения традиционными средствами вычислительной техники, работающими по1жестко заданным алгоритмам, а с другой -стремительно возрастающими потребностями в решении таких задач во многих прикладных областях гражданского и военного назначения. В этих условиях нейрокомпьютеры, важнейшими отличительными свойствами которых являются способность в - процессе обучения на примерах автоматически формировать алгоритм решения поставленной задачи и естественным образом реализуемый в них массовый параллелизм обработки информации, представляют собой перспективное, а во многих случаях и незаменимое на сегодняшний день средство для эффективного решения задач распознавания зрительных образов. При этом комплексное решение вопросов научно-обоснованного применения нейрокомпыотерной техники при решении задач обработки зрительной информации представляет собой одну из важнейших проблем современного нейрокомпьютинга, которая не только имеет большое практическое значение для широкого спектра прикладных областей народного хозяйства, но и во многом определяет будущее данного научного направления.

С учетом сказанного, актуальной проблемой современного нейрокомпьютинга и связанных с ним прикладных областей, имеющей большое практическое значение является поиск и разработка конструктивных подходов к построению аппаратных параллельных нейрокомпьютерных систем и комплексная проработка вопросов их применения в наиболее перспективной и важной области -распознавание зрительных образов - изображений.

В НИМ многопроцессорных вычислительных систем при Таганрогском государственном радиотехническом университете членом-корреспондентом РАН Каляевым A.B., д.т.н., профессором Чернухиным Ю.В., к.т.н., с.н.с. Брюхомицким Ю.А. и автором данной работы была предложена концепция построения нового перспективного класса аппаратных параллельных нейрокомпьютерных систем параллельных цифровых нейрокомпьютеров с программируемой архитектурой, которые на сегодняшний день не имеют мировых аналогов и позволяют не только устранить существующие недостатки подходов, ориентированных на использование аналоговой техники, но и существенно расширить их функциональные возможности. Данная концепция базируется на принципах построения многопроцессорных вычислительных систем с программируемой архитектурой и однородных нейроподобных структур, выдвинутых Каляевым A.B., а также на разработанных Чернухиным Ю.В. принципах построения адаптивных цифровых нейроподобных управляющих и вычислительных структур (см. раздел I).

Наряду с указанными выше специалистами, существенный вклад в разработку указанной концепции внесли д.т.н., профессор Божич В.И., к.т.н. Боровков И.К. и другие (см. раздел I). Вместе с тем, вопросы структурной организации параллельных цифровых нейрокомпьютеров универсального и специализированного типов и основных их функциональных блоков, без решения которых практическая реализация указанной концепции неосуществима, а также задачи, связанные с их применением в наиболее важной и перспективной области - распознавание зрительных образов комплексно и детально не рассматривались и остаются открытыми.

В связи с этим, и учитывая сказанное выше, тема данной диссертационной работы, в которой проводится дальнейшее развитие и разработка концепции параллельных цифровых нейрокомпьютеров с программируемой архитектурой и исследуются вопросы их применения в задачах обработки и распознавания зрительных образов - изображений является актуальной и имеет большое практическое значение для широкого спектра прикладных областей народного хозяйства.

Диссертация квалифицируется как решение актуальной 1 I научно-технической проблемы создания нового класса аппаратных ; параллельных нейрокомпьютеров - параллельных цифровых ; нейрокомпьютеров с программируемой архитектурой и комплексного решения вопросов их применения в наиболее обширной и важной области - распознавание зрительных образов,имеющей важное значение для широкого спектра прикладных областей народного хозяйства.

Цель и задачи исследования. Целью диссертационной работы является разработка принципов построения нового перспективного класса аппаратных параллельных нейрокомпьютерных систем параллельных цифровых нейрокомпьютеров с программируемой архитектурой, направленная на решение вопросов их структурной организации и практической реализации на базе современной интегральной технологии, а также комплексное решение вопросов их применения в наиболее важной и перспективной области распознавание зрительных образов.

Для достижения поставленной цели .в работе ставились и решались следующие задачи:

- разработка принципов структурной организации параллельных цифровых нейрокомпьютеров универсального и специализированного типов;

- разработка широкого спектра способов построения и структур параллельных цифровых нейросетевых процессоров;

- разработка способов построения, комплексирования и технической реализации цифровых нейропроцессоров - элементной базы цифровых нейрокомпьютеров; разработка принципов построения параллельных цифровых нейрокомпьютерных систем обработки и распознавания зрительных образов; разработка моделей нейронных механизмов обработки и распознавания зрительных образов, а также принципов построения и архитектуры параллельных цифровых нейросетевых процессоров для их эффективной реализации;

- комплексный анализ эффективности и функциональных возможностей параллельных цифровых нейросетевых процессоров при решении задач обработки и распознавания зрительных образов.

Предмет и методы исследования. Предметом исследования являются параллельные цифровые нейрокомпьютерные системы и вопросы их применения для эффективной реализации задач обработки и распознавания зрительных образов.

Методы исследования базируются на аппарате теории многопроцессорных вычислительных систем с программируемой архитектурой, теории множеств, теории графов, теории математической статистики, теории распознавания образов, теории цифровой обработки изображений, теории искусственного интеллекта, на данных нейрофизиологических, нейрокибернетических и нейробионических исследований, на экспериментальных исследованиях нейрокомпьютерных систем.

Для подтверждения основных положений диссертации проводилось моделирование нейронных механизмов обработки и распознавания изображений на ЭВМ с дальнейшей обработкой результатов методами математической статистики.

Научная новизна результатов исследования.

В процессе выполнения работы получены следующие новые научные результаты.

Разработаны принципы структурной организации параллельных цифровых нейрокомпьютеров универсального и специализированного типов, обеспечивающие реализацию основных положений концепции их построения и соответствующих преимуществ по сравнению с известными подходами.

Разработаны способы построения и структуры различных видов параллельных цифровых нейросетевых процессоров как с полным, так и с неполным набором межнейропроцессорных связей для нейрокомпьютеров универсального и специализированного типов, а также оценки их основных характеристик - производительности и стоимости, что позволяет дать разработчикам нейрокомпыотерной техники широкий спектр конструктивных подходов к практической реализации параллельных цифровых нейрокомпьютеров.

Разработаны структура цифрового нейропроцессорного модуля ориентированного на СБИС-реализацию, который в отличие от известных позволяет воспроизвести необходимый при моделировании нейронных сетей широкий спектр выходных характеристик моделей нейрона, а также способы комплексирования таких модулей для наращивания числа синаптических входов и построения цифровых нейропроцессоров, воспроизводящих динамические модели нейрона как адаптивного так и неадаптивного типа , что в целом обеспечивает практическую реализуемость параллельных цифровых нейрокомпьютеров в интегральном исполнении.

Разработаны принципы построения не имеющих аналогов в технике параллельных иерархических комбинированных квазинейрокомпьютерных и полностью однородных нейрокомпьютерных систем для эффективной реализации комплексной, нерегулярной задачи обработки и распознавания зрительных образов.

Разработаны структуры специализированных цифровых процессоров обработки изображений, в которых в отличие от известных осуществляется одновременное выполнение целого ряда базовых операций (фильтрация, выделение контуров, выделение признаков контурных препаратов). 1

Разработаны оригинальные модели нейронных механизмов обработки и распознавания зрительной информации, а также принципы построения и архитектуры параллельных цифровых нейросетевых процессоров для их эффективной реализации.

Предложен оригинальный подход к решению актуальной для современного нейрокомпьютинга проблемы построения параллельных цифровых нейросетевых процессоров с встроенными на системном уровне глобальными алгоритмами обучения. Разработаны принципы построения и архитектуры обучающихся автономных однородных адаптивных параллельных цифровых нейросетевых процессоров распознавания изображений, в которых на основе указанного подхода в едином базисе нейровычислений параллельно реализуются как процессы распознавания, так и процедуры обучения.

Достоверность основных положений диссертационной работы подтверждается аналитическими исследованиями, математическими выкладками, результатами моделирования на ЭВМ, а также внедрением в разработках НШ МВС и других организаций.

Практическая ценность полученных в работе результатов обусловлена их конструктивным характером, позволяющим осуществить непосредственную техническую реализацию нового и перспективного класса нейрокомпьютерных систем - параллельных цифровых нейрокомпьютеров и их элементной базы, а также возможностью их научно- обоснованного применения для решения практических задач обработки и распознавания изображений в различных прикладных областях.

Результаты, полученные в работе, практически использованы при выполнении целого ряда важнейших госбюджетных и хоздоговорных работ, выполненных в НИИ МВС при ТГРТУ и других организациях в период с 1983г. по настоящее время, а также при создании экспериментальных образцов цифровых нейрокомпьютеров и опытных образцов БИС цифровых нейропроцессоров (см. приложение).

Апробация работы. Основные положения диссертационной работы докладывались, обсуждались и нашли одобрение у научной общественности на 25 Международных, Всесоюзных, Всероссийских и региональных научных конференциях, симпозиумах, семинарах, научных сессиях АН СССР: S Всесоюзной с международным участием конференции по нейрокибернетике, г.Ростов - на - Дону, 1983 ; Региональном научно-техническом семинаре по нейроноподобным вычислительным структурам и проблемам робототехники, г.Таганрог, 1984; УХВсесоюзной школе-семинаре по распараллеливанию обработки информации, г.Львов, 1987; III Всесоюзной конференции по математическим методам распознавания образов, г.Львов, 1987; Y Всесоюзной школе-семинаре по проблемам совершенствования устройств обработки информации, г.Москва, 1988; I Всесоюзной конференции по механике и управлению движением шагаюших машин, г.Волгоград, 1988; 6 Пражском международном симпозиуме по проблемам имитации систем в биологии и медицине, г.Прага (Чехословакия), 1988 ; ix Всесоюзной конференции по проблемам нейрокибернетики, г.Ростов - на - Дону, 1989; Всесоюзной научно-технической конференции по проблемам измерения характеристик случайных сигналов, г.Новосибирск, 1988; 1У Международной конференции "Рагсе11а-88и, г.Берлин (Германия), 1988; Международной конференции по нейрокомпьютерам, г.Москва,; 1989; Международной конференции по дисковым запоминающим устройствам, г.Варна (Болгария), 1989; 1У Всесоюзной конференции по математическим методам распознавания образов, г.Рига, 1989; III Всесоюзной конференции по перспективам развития вычислительной техники, г.Рига, 1989; Международной конференции по нейронным сетям "1ШС-90", г.Париж (Франция), 1990; 11 Всесоюзной конференции по искусственному интеллекту, г.Минск, 1990; Научной сессии Отделения информатики, вычислительной техники и автоматизации АН СССР, г.Ростов-на-Дону, 1990; Всесоюзном семинаре по многопроцессорным вычислительным системам, г.Ростов-на-Дону, 1991; Международном симпозиуме по проблемам оптической памяти и нейронных сетей, г.Звенигород, 1991; Международной конференции по проблемам моделирования в бионике "БИШ0Д-92'\ г.Санкт-Петербург, 1992; х Международной конференции по нейрокибернетике, г.Ростов-на-Дону, 1992; III Всероссийском научно-техническом семинаре по нейросетевым и транспьютерным технологиям, г.Курск, 1994; III Всероссийском семинаре по нейроинформатике и ее приложениям, г.Красноярск, 1995; Симпозиуме по нейроинформатике и нейрокомпьютерам, г.Ростов-на-Дону, 1992; Международной конференции по моделировнию в бионауках, г.Кишкемет (Венгрия), 1995, а также на семинарах НИИ МВС при ТГРТУ.

Публикации. Результаты работы, полученные в диссертации, нашли отражение в 90 научных работах, среди которых 32 статьи в центральной и зарубежной печати, 13 авторских свидетельств и патентов на изобретения, I монография.

Структура и объем диссертационной работы. Диссертация состоит из введения, 5 разделов и заключения, изложенных на 294 страницах машинописного текста и иллюстрируется рисуками, таблицами и графиками на 97 страницах. Имеется список литературы (166 наименований) на 2.Л стр. и приложение на 36 стр., включая таблицы и рисунки. Общий объем диссертации 448 стр.

Заключение диссертации по теме «Телекоммуникационные системы и компьютерные сети», Галуев, Геннадий Анатольевич

ВЫВОДЫ

Разработаны принципы построения и архитектура ПЦНСП, воспроизводящих модели нейронных механизмов обработки и распознавания зрительных образов, а также исследованы их эффективность и функциональные возможности при решении указанных задач.

Разработаны оригинальные модели нейронных механизмов фильтрации, выделения контуров и анализа контурных препаратов изображений.

Предложены архитектуры ПЦНСП для эффективной параллельной реализации указанных моделей.

Проанализирована и показана возможность параллельной реализации в едином базисе нейровычислений наиболее эффективных традиционных алгоритмов фильтрации и выделения контуров изображений и разработаны архитектуры ПЦНСП для их воплощения.

Предложен оригинальный и перспективный подход к построению обучающихся ПЦНСП распознавания изображений на основе единого базиса нейровычислений, реализуемого ЦНП. Данный подход, в отличие от известных, не требует усложнения отдельного ЦНП путем введения в него локальных правил обучения и обеспечивает возможность параллельной реализации глобальных алгоритмов обучения моделей нейронных сетей, что позволяет создавать обучающиеся ПЦНСП с встроенными на системном уровне глобальными алгоритмами обучения и обладающие способностями автономного функционирования и адаптации к изменениям окружающей среды.

Проанализированы модель многослойной нейронной сети и алгоритм ее обучения методом обратного распространения ошибки (ММНС 0Р0). Показаны возможности их параллельной реализации в едином базисе нейровычислений. Синтезированы нейроподобные ансамбли для параллельного вычисления параметров обучения нейроэлементов ММНС 0Р0.

Разработана архитектура обучающегося ПЦНСП, в котором на основе единой элементной базы - ЦНП, параллельно реализуются рабочие режимы (режим распознавания) и процессы обучения методом обратного распространения ошибки.

Разработана оригинальная модель нейронной сети, работающая по методу кластерного анализа (МСНС КА) и предложены алгоритмы ее самообучения и обучения с учителем. В отличие от известных, данная модель не требует осуществления предварительных трудоемких процедур нормализации векторов обучаемых синаптических весов и векторов изображений и обеспечивает возможность построения в процессе обучения сложных кусочно-линейных функций дискриминанта. Показаны возможности параллельной реализации МСНС КА и алгоритмов ее обучения в едином базисе нейровычислений.

Синтезированы нейроподобные ансамбли для параллельного вычисления параметров обучения нейроэлементов МСНС КА. Разработана архитектура обучающегося ПЦНСП с встроенным обучением, в котором на основе единой элементной базы - ЦНП, параллельно реализуются режим распознавания и процедуры обучения.

Определены понятия эффективности и функциональных возможностей обучающихся ПЦНСП распознавания изображений. Введены количественные критерии для оценки эффективности обучающихся ПЦНСП при решении задач распознавания изображений. Определен класс тестовых задач распознавания изображений, отражающий особенности и уровень сложности широкого круга реальных прикладных задач распознавания и синтезированы обучающие и тестовые последовательности изображений для этих задач. Методом моделирования проведены исследования эффективности и функциональных возможностей обучающихся ПЦНСП, воспроизводящих ММНС 0P0 и МСНС КА, при решении выбранных тестовых задач. Для обучающихся ПЦНСП, воспроизводящих ММНС 0Р0, в процессе исследования определены наиболее целесообразные значения важнейших структурных параметров: число слоев ЦНП и количество нейропроцессоров в слое. По результатам исследований впервые сделаны обоснованные рекомендации о границах эффективной применимости рассмотренных обучающихся ПЦНСП при решении практических задач распознавания изображений.

Среди работ /129-142/, в работах написанных в соавторстве, автором разработаны оригинальная модель нейронного механизма выделения контуров и сегментации изображений, модель нейронного механизма анализа контурных препаратов изображений с целью выделения их характерных признаков в виде прямолинейных участков контура различной ориентации и точек перегиба контурных линий, а также архитектуры ПЦНСП для параллельной реализации указанных моделей.

Модели нейронных механизмов фильтрации и сглаживания шумовых неоднородностей изображений и архитектуры ПЦНСП для их параллельной реализации, а также архитектуры ППДСП для параллельной реализации традиционных градиентных операторов выделения контуров разработаны автором самостоятельно и представлены в авторских работах /133, 135, 136/. Способ реализации моделей нейронных сетей и алгоритмов их обучения в едином базисе нейровычислений, оригинальная архитектура обучающегося ПЦНСП для параллельной реализации ММНС 0Р0, оригинальная модель нейронной сети и алгоритмы ее обучения - МСНС КА и архитектура обучающегося ПЦНСП для ее параллельной реализации разработаны автором самостоятельно и представлены в авторских работах /138-142/.

Среди работ /143, 144/, написанных в соавторстве, автором разработаны программа исследований эффективности и функциональных возможностей обучающихся ШЩСП при решении задач распознавания изображений и соответствующие схемы экспериментов, определен набор тестовых задач для исследования, проведена обработка и дано описание результатов исследования, сформулированы рекомендации по применению обучающихся ПЦНСП для решения задач распознавания изображений и указаны перспективы дальнейших исследований.

ЗАКЛЮЧЕНИЕ

В диссертационной работе автором получены следующие основные результаты.

Разработаны новые структуры параллельных цифровых нейрокомпьютеров универсального и специализированного типов, основным функциональным блоком которых является параллельный цифровой нейросетевой процессор для эффективной аппаратной реализации заданных моделей нейронных механизмов обработки информации. Введена классификация различных видов параллельных цифровых нейросетевых процессоров в зависимости от способа их построения и выбранного алгоритма межнейропроцессорного обмена. Разработаны новые структуры параллельных цифровых нейросетевых процессоров различных видов в соответствии с предложенной классификацией и для каждого из них получены оценки стоимости и общего минимального времени межнейропроцессорного обмена. Предложенные структуры и полученные оценки дают разработчикам широкий спектр альтернативных и обоснованных способов построения аппаратных параллельных нейрокомпьютеров.

Предложена новая структура базового нейропроцессорного модуля, позволяющая в отличие от известных воспроизводить широкий спектр выходных характеристик моделей нейрона. Научная и техническая новизна предложенного базового нейропроцессорного модуля подтверждена патентом на изобретение /88/. Показано, что такой нейропроцессорный модуль имеет достаточно широкие функциональные возможности и обладает способностью к функциональной перестройке на аппаратную реализацию формально-логических и градуальных суммирующих моделей нейрона с широким спектром различных выходных характеристик.

Предложены способы комплексирования таких модулей в цифровые нейропроцессоры,воспроизводящие динамические адаптивные и неадаптивные модели нейрона. Разработаны способы модульного наращивания числа синаптических входов цифровых нейропроцессоров, реализуемых в виде БИС, и получены оценки временных параметров задержки сигналов для каждого из них. Показано, что за счет гибкой функциональной перестройки на аппаратную цифровую реализацию различных математических моделей нейрона предложенные цифровые нейропроцессорные модули и нейропроцессоры полностью отвечают требованиям принятой концепции ПЦНК ПА и могут служить эффективной элементной базой для создания аппаратных параллельных цифровых нейрокомпьютеров универсального и специализированного типов.

На основе анализа важнейших особенностей задачи распознавания реальных зрительных образов в естественных условиях наблюдения и существующих методов и технических средств для ее решения поставлена актуальная проблема поиска новых подходов к созданию эффективных систем обработки и распознавания изображений. Для решения этой проблемы предложены два новых альтернативных подхода. На основе предложенных подходов разработаны принципы построения иерархических параллельных комбинированных квазинейрокомпьютерных и полностью однородных нейрокомпьютерных систем для решения комплексных нерегулярных задач обработки и распознавания изображений, которые обладают научной новизной так как не имеют аналогов среди существующих технических средств решения указанных задач. Для квазинейрокомпьютерных систем разработаны архитектуры параллельных специализированных цифровых процессоров обработки бинарных и полутоновых изображений, которые обладают научной новизной и защищены авторскими свидетельствами на изобретения /120, 122/.

Разработаны модели нейронных механизмов обработки изображений для решения задач фильтрации, сглаживания, выделения контуров, сегментации и анализа контурных препаратов как бинарных, так и полутоновых изображений и разработаны новые архитектуры параллельных цифровых нейросетевых процессоров для их эффективной реализации. Поставлена актуальная для современного нейрокомпьютинга задача построения параллельных цифровых нейросетевых процессоров распознавания изображений с встроенными на системном уровне глобальными алгоритмами обучения и предложен оригинальный способ ее решения в едином базисе нейровычислений. Разработана новая архитектура обучающегося параллельного цифрового нейросетевого процессора, в котором на основе единого базиса нейровычислений, воспроизводимого цифровыми нейропроцессорами, параллельно реализуется наиболее мощная и широко используемая модель многослойной нейронной сети и алгоритм ее обучения методом обратного распространения ошибки. Предложена оригинальная модель нейронной сети и разработаны алгоритмы ее самообучения и обучения с учителем, которая, в отличие от' известных, обеспечивает построение сложных нелинейных разделяющих границ между классами зрительных образов и не требует предварительного осуществления сложных процедур нормализации векторов изображений. Разработана новая архитектура обучающегося параллельного цифрового нейросетевого процессора для параллельной реализации в едином базисе нейровычислений предложенной модели нейронной сети и алгоритмов ее обучения. Методом моделирования на ЭВМ проведен комплексный анализ эффективности и функциональных возможностей предложенных параллельных цифровых нейросетевых процессоров при решении различных по степени сложности задач обработки и распознавания изображений и получены обоснованные рекомендации по их наиболее целесообразному использованию в различных прикладных областях.

Таким образом, полученные результаты обосновывают актуальность, раскрывают содержание и подтверждают достоверность, научную новизну и практическую ценность выносимых на защиту основных научных положений диссертационной работы.

Список литературы диссертационного исследования доктор технических наук Галуев, Геннадий Анатольевич, 1997 год

1. Мак-Каллок У., Питтс У. Логическое исчисление идей, относящихся к нервной активности (1943)// Автоматы/ Под ред. К.Шеннона, Д.Маккарти. М.: Из-во иностр. лит., 1956. - С.325-340.

2. Дертоузос М. Пороговая логика. М.: Мир, 1967. - 343с.

3. Гутчин И.Б. Формальные нейроны в бионике. М.: Знание, 1967. -62с.

4. Клини С. Представление событий в нервных сетях и конечных автоматах// Автоматы/ Под ред. К.Шеннона и Д.Маккарти. М.: Изд-во иностр. лит.,- 1956. - 403с.

5. Калбертсон Д. Математика и логика цифровых устройств. -. М.: Просвещение, 1965. 165с.

6. Mo Culloch W. Agatha tyche: of nervous nets the lucky reckoners// "Proc. Symposium on mechanization of thought processes", N.P.L., Teddington, 1959- -P.611-626.

7. Блюм M. Свойства нейрона со многими входами// Принципы самоорганизации. М.: Мир, 1966. - С.136-162.

8. Мкртчян С.О. Нейроны и нейронные сети. М.: Энергия, 1971. -231с.

9. Потапов В.И. Формальные нейроны как элементы систем автоматического управления и вычислительной техники// Энциклопедия измерений, контроля и автоматизации. М.: Энергия, 1970. - Вып. 14. - С. 41-44.

10. Павлов В.В Применение нейроноподобных элементов в промышленной автоматике// Приборы и средства автоматизации, 1967. Вып.8.- С. 15-32.

11. Мкртчян С.О. Проектирование логических устройств ЭВМ на нейронных элементах. М.: Энергия, 1977. - 200с.

12. Ходзккин А. Нервный импульс. М.: Мир, 1965. - 126с.

13. Позин Н.В. Моделирование нейронных структур. М.: Наука, 1970. - 264с.

14. Розенблатт Ф. Принципы нейродинамики (перцептроны и теория механизмов мозга). М.: Мир, 1965. - 480с.

15. Kohonen Т. A simple paradigm for the self-organized formation of structured feature maps.// "beet. Notes Biomath.", 1982, 45. P. 248-266.

16. Kohonen T. Self-organized formation of feature maps.// "Cybern. Syst.: Recogn., Learn., Self-organ.'*, Letchworth, N.Y., 1984. P.3-12.

17. Kohonen Т., Mekisara K. Representation of sensory information in self-jrganizing feature maps.// "Neural Networks Comput. Conf., Snowbird, Utah, Apr. 13-16, 1986", N.Y., 1986. -P.271-276.

18. Malsburg G. Nervous structures with dynamical links// "Ber. Bunsenqes. phys. Chem.", 1985, 89- N6. - P.703-710.

19. Pukushima K. Cognitron: a self-organizing multilayered neural network model// "NHK Tech. Monogr.", 1981. N30. - 25p.

20. Fukushima K., Miyake S. Neocognitron: self-organizing network capable of position invariant recognition of patterns// "Proc. 5th Int. Conf. Pattern Recogn., Miami Beach, Ela, 1980. - Vol. 1-2", N.Y., 1980. - P.459-461.

21. Pukushima K., Miyake S. Neocognitron: a self-organizing neural network model for a mechanism of visual pattern recognition// "Lect. Notes Biomath", 1982, 45. P. 267-285.

22. Miyake S., Pukushima K. A neural network model for the mechanism of feature-extraction. A self-organizing network with inhibition// "Biol. Cybern.", 1984, 50. N 5. - P.377.384.

23. Fukuchima K. A neural network model for selective attention in visual pattern recognition// "Biol. Cybern.", 1986, 55.-N1.-P. 5-15.

24. Carpenter G.A., Grossberg S. Absolutely stable learning of recognition codes by a self-organizing neural network,/,/ "Neural networks Comput. Conf., Snowbird, Utah, Apr. 13-16, 1986», N.Y., 1986. P.77-85.

25. Carpenter G.A., Grossberg S. Stable self-organization of invariant recognition properties by real-time neural networks// "Proo. 'IEEE, Int. Conf. Syst., Man and Cybern., Alexandria, Ya, Oct. 20-23, 1987- Vol. 2", N.Y., 1987. -P.571.

26. Amari S. Competitiv and cooperative aspects in dynamics of neural excitation and self-organization// "Lect. Notes Biomath.", 1982,' 45. P. 1-28.

27. Amari S. Field theory of self organizing neural nets// "IEEE Trans . Syst, Man and Cybern.", 1983, 13- - N5- - P.741-748.

28. Hopfield J. Neural networks and physical »¿/stem with emergent collective computational abilities// Proc. Nate. Acad. Sci. USA, 1982, 79- -P. 2554-2558.

29. Hopfield J., Tank D. Neural computation of desisions in optimisation problem /./ Biological Cybernetics, 1985. Yol. 52. - P. 141-142.

30. Hopfield J. Neurons with granded response have collective computational properties like those of two-state neurons// Proc. Nate. Acad, Sci. USA, 1984- Yol. 81. - P. 3088-3092.

31. Personaz L., Guyon I., Dreyfus G. Designing a neural network satisfying a given of constraints// "Neural Networks . Comput.

32. Conf., Snowbird, Utah, Apr. 13-16, 1986", N.Y., 1986. P. 356-359.

33. Personaz L., Guyon I., Johannet A., Dreyfus G., Toulouse G. A simple selectionist learning rule for neural networks// "Neural Networks Comput. Conf., Snowbird, Utah, Apr. 13-16, 1986", N.Y., 1986. P.360-363.

34. Hecht-Nielsen R. Neur о computing: picking the human brain// IEEE Spectrum, 25, N3. 1988. - P.36-41.

35. Segnowski T.J. Higherorder Boltzmann machines// "Neural Networks Gomput. Conf., Snowbird, Utah, Apr. 13-16, 1986", N.Y., 1986. P.398-403.

36. Ackley D., HintonG., Sejnowski T. A learning Algorithm for Boltzmann Machines// "Cogn. Sci.", N1, 9, 1985. P.147-169.

37. Anderson J. Cognitive and psychological computation with neural models// "IEEE Trans. Syst., Man and Cybern.", N5, 13, 1983. P. 799-815.

38. Hecht Nielsen R. Counterpropagation networks// IEEE First Int. Conf. on Neural Networks, Sheraton Harbor Island East. -San Diego, California, June 21-24, 1987. - V.2. - P.19-32.

39. Чернухин Ю.В., Галуев Г.А. Об одном алгоритме самоорганизации . нейронной сети// Проблемы бионики. Харьков: ХГУ, 1982.- Вып.28. С.99-106.

40. Галуев Г.А. Обучающаяся цифровая нейроноподобная система распознавания образов//' Известия Сев. Кавказ. Науч. Центра

41. Высш. Школы. Технические науки. 1985, ЖЗ. - С.89-92.

42. Каляев A.B., Чернухин Ю.В., Галуев Г.А. Распознавание образов на основе цифровых нейроноподобных структур// Известия Сев. Кавказ. Научн. Центра Высш. Школы. Технические науки. 1982, №. - С.44-49.

43. Каляев A.B., Галуев Г.А. Цифровая нейроноподобная система распознавания образов// Депонированные научные работы. М., 1987, №. - С.20, № 325 (Деп. в ВИНИТИ 22.10.86, Jß 735I-B86).

44. Галуев Г.А. Зрительные системы роботов на основе цифровых нейроноподобных сетей с перестраиваемой архитектурой// Депонированные научные работы. М., 1986, №. - С.51, №623 (Деп. в ВИНИТИ 12.II.85, Ж7874-В85).

45. Галуев Г.А. Зрительные системы роботов на основе цифровых нейроноподобных сетей // Зрение организмов и роботов.- Тезисы докладов Всесоюзного симпозиума. Вильнюс, 1985.1. С.140-141.

46. Галуев Г. А. Архитектура цифровых нейрокомпьютеров// Электронное моделирование.- 1991, т. 13, №. С.21-25.

47. Каляев A.B., Галуев Г.А. Современное состояние и перспективы развития нейрокомпьютерной техники // Электронное моделирование. 1990, т.12. - №. - С.14-19.

48. Маховальд М., Мид К. Кремниевая сетчатка// В мире науки. -1991, Ж7. С.32-39.

49. New Scientist. V.123, N 1672, 1989. - P. 143

50. Скоредов О.Б. Некоторые модели нейронных компьютеров и сетей// Радиоэлектроника за рубежом (Обзоры). М., 1990. Вып. 8(48).- С. 32-44.

51. Невражина М.А. О ходе работ по созданию микросхем для нейронных сетей// Информатика и вычислительная техника за рубежом. 1991, М. - 0.93-95.

52. Аналоговый нейропроцессор// Микропроцессоры и их применение. -М., НТИ, Ж}74. 2с.

53. ИС для реализации нейронных сетей// Электроника. 1990, Ш. -С. 101.

54. Работы по СБИС-пластинам в программе Международной конференции по СБИС// Электроника. 1990, *б. - С.8-9.

55. Абу-Мостафа Я.С., Псалтис Д. Оптические нейронно-сетевые компьютеры// В мире науки. 1987, Ж>. - С.42-50.

56. Экспериментальный нейрокомпьютер с ассоциативной памятью// Электроника. 1988, №7. - С.78.

57. Мануэль Т. Готовы ли нейронные сети для коммерческого внедрения?// Электроника. 1988, Ж6. - С.58-65.

58. Мортон С. Аргумент в пользу цифровых нейросетей// Электроника.- 1988, Ш. С.58.

59. Колфилд Х.Д., Роджерс С.К. Оптические нейронные сети// ТИИЭР.- 1989, т.77, ЖО. С. 193-203.

60. Галуев Г.А. Пути создания нейрокомпьютеров// Моделиране и симулиране на човешката памет МНЕМ0'89. - III Научно -техническа конференция с международно участие "ДЗУ-8Э", 16-17 октомври 1989. - Варна 1989. - С.90-91.

61. Галуев Г.А. Цифровые нейрокомпьютеры для параллельной обработки зрительной информации// Проблемы нейрокибернетики.-Тезисы докладов IX Всесоюзной конференции по нейрокибернетике.- Ростов-на-Дону, 1989. С. 347-348.

62. Каляев А.В., Чернухин Ю.В., Врюхомицкий Ю.А., Галуев Г.А. О путях построения нейрокомпьютеров высокой производительности// II Всесоюзная конференция "Искусственный интеллект-90". -Тезисы докладов 21-24 октября 1990. Минск, 1990. - С.16-17.

63. Chemuchin Y.V., Brjuhomitsky Y.А., Galuév G.A. Digital neurocomputers with programmable architecture// Neural Networks-theory and architecture/ Arun Y. Holden, Yitaly I. Kryukov. Manchester University Press, Manchester and New York, 1990. - P. 21-30.

64. Каляев А.В., Галуев P.А., Чернухин Ю.В., Брюхомицкий Ю.А. Интеллектуальные системы на основе цифровых нейрокомпьютеров с программируемой архитектурой// Вопросы радиоэлектроники. Серия: Электронная вычислительная техника. 1991, Вып. 3.-C.3-I5.

65. Каляев А.В, Чернухин Ю.В., Брюхомицкий Ю.А., Галуев Г.А. Аппаратная реализация нейрокомпьютеров// Нейрокомпьютер как основа мыслящих ЭВМ/ Ред. Фролов А.А., Шульгина Г.И.-РАН Отделение физиологии. М.: Наука, 1993. - С.166-182.

66. Хьюбел Д. Глаз, мозг, зрение. М.: Мир, 1990. - 239с.

67. Куффлер С., Николе Д. От нейрона к мозгу. М.: Мир, 1979. -439с.

68. Caianiello Е.К., Outline of a theory of thought processes andthinking machines// J. of Theoretical Biology. 1961. -1,N2.- P. 204-235.

69. Каляев A.B., Чернухин Ю.В., Галуев Г.А. Об одной цифровой модели нейрона // Проблемы искусственного интеллекта. -Элиста: КГУ, 1979. С. 64-73.

70. Каляев A.B., Чернухин Ю.В., Галуев Г. А. Цифровой нейроноподобный ансамбль // Проблемы искусственнго интеллекта.- Элиста: КГУ, 1979. С.74-83.

71. Каляев A.B., Чернухин Ю.В., Галуев Г.А. Адаптивные цифровые нейроноподобные элементы// Известия Сев. Кавказ. Науч. Центра Высш. Школы. Технические науки. 1980, Ш. - С.13-18.

72. Галуев Г. А. Цифровые нейроноподобные ансамбли с перестраиваемой структурой// Известия Сев. Кавказ. Науч.Центра Высш. Школы. Технические науки.-1983(Деп.II.03.83, № 1311-83).

73. Галуев Г.А. Цифровые нейроноподобные ансамбли и сети с перестраиваемой архитектурой// Многопроцессорные вычислительные структуры. Таганрог: ТРТИ. - Вып. 6 (XV), 1984. - С.70-72.

74. Чернухин Ю.В., Галуев Г.А. Устройство для моделирования нейрона// A.c. Л6829Ю, СССР, МЮТ G06 G7/60. Бюл. Ж32, 1979.

75. Чернухин Ю.В., Галуев Г.А. Устройство для моделирования адаптивного нейрона// A.c. Ж708369 СССР, MKU G06 G 7/60. -Бюл. Ж, 1980.

76. Чернухин Ю.В., Галуев Г.А. Устройство для моделирования адаптивного нейрона// A.c. Ж736130, СССР, MKU G06 G 7/60. -Бюл. ЖЕ 9 , 1980.

77. Каляев A.B., Чернухин Ю.В., Галуев Г.А. Устройство для моделирования нейрона// А.с Л 767788, СССР, ШШ G06 G 7/60. -Бюл. Ж36, 1980.

78. Галуев Г.А., Ровицкий В.К., Чернухин Ю.В. Устройство для моделирования нейрона// A.C. .Ш83927, СССР, жи G06 G 7/60. -Бюл. М7, 1981.

79. Каляев A.B., Чернухин Ю.В., Галуев Г.А., Божич В.И. Устройство для моделирования нейронных ансамблей// A.c. №903910, СССР, MKÜ-G06 G 7/60. Бюл. Ш, 1982.

80. Каляев A.B., Чернухин Ю.В., Брюхомицкий Ю.А., Галуев Г.А. Устройство для моделирования нейрона// A.c. ЖЕ479944; СССР, ЖИ G06 G 7/60.- Бюл. Ш8, 1989.

81. Брюхомицкий Ю.А., Галуев Г.А., Чернухин Ю.В. Устройство для моделирования нейроца// Патент .№2029368 РФ, MKU G06 G 7/60. -Бюл. Jfö, 1995.

82. Галуев Г.А. Устройство для моделирования нейрона// Патент .№ 2059290 РФ, MKU G06 G 7/60. Бюл. JH2f 1996.

83. Hebb D.O. The organization of behaviour. A neuropsychological theory // J. Weley & Sons. 1949- - XIX. - 335p.

84. Соколов E.H., Шмелев Л.А. Нейробионика. M, : Наука, 1983. -280c.

85. Соколов E.H., Вайткявичус Г.Г. Нейроинтеллект. От нейрона к нейрокомпьютеру. М.: Наука, 1989. - 237с.

86. Свечников C.B., Шквар A.M. Нейротехнические системы обработки информатизации. Киев: Наукова Думка, 1983. - 224с.

87. Нейрокомпьютеры и интеллектуальные роботы/ Амосов А.Н., Байдык Т.Н., Гольцев А.Д. и др. Под ред. Амосова А.Н.; АН УССР Ин-т кибернетики. Киев: Наукова Думка, 1991. - 272 с.

88. Перцептрон система распознавания образов/ Под ред. Ивахненко А.Г. - Киев: Наукова Думка, 1975. - 431с.

89. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика// Пер. с анг. М.: Мир, 1992. - 240с.

90. Прибрам К. Языки мозга. М.: Прогресс, 1975. - 464с.

91. Экклс Д. Физиология синапсов. М.: Мир, 1966. - 395с.

92. Антомонов Ю.Г., Котова A.B. Введение в структурно -функциональную теорию нервной клетки. Киев: Наукова Думка, 1976. - 262с.

93. Галуев Г.А., Ветер В.В. Способы реализации цифровых нейроноподобных элементов в интегральном исполнении/./ Многопроцессорные вычислительные структуры. Таганрог: ТРТИ,1986. Вып. 8 (XVII) . - С.72-75.

94. Васильев В.И. Распознающие системы. Киев: Наукова Думка, 1983. - 422с.

95. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. - 512 с.

96. Ту Д., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. - 416с.

97. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977. - 320с.

98. Верхаген К., Дейн Р., Грун Ф. и др. Распознавание образов: состояние и перспективы. Радио и связь, 1985. - 104с.

99. Прэтт У. Цифровая обработка изображений. М.: Мир, 1982.-Кн.1 - 312с., кн. 2 - 480с.

100. НО. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин// Пер. с англ. под ред. Д.С.Лебедева. -М.: Мир, 1972. 232с.

101. Ярославский Л.П. Введение в цифровую обработку изображений. -М.: Сов. радио, 1979. 312с.

102. Обработка изображений / Под ред. В.Р.Ханта. ТШЭР, 1981. -Т.69, Jfö. - 212с.

103. СВИС для распознавания образов и обработки изображений/ Под ред. К.Фу. М.: Мир, 1988. - 247с.

104. Хуанг Т.О., Эклунд Дж., Нуссбаумер Г.Дж. и др. Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь, 1984. - 224с.

105. Каляев A.B., Галуев Г.А. Нейрокомпьютерные СБМС-системы параллельной обработки зрительной информации// Электронное моделирование. 1989. - Т.Н. - ЖЗ. - С.3-6.

106. Галуев Г.А. Программируемая нейронно-конвейерная SIMDархитектура для параллельной обработки изображений// Микропроцессорные средства и системы.-1990. ЛЗ. - C.II-I3.

107. Kalyaev A.Y., Galuyev G.A. Digital neurocomputer VLSI-systems with, parallel architecture// Proceedings of International Neural Network Connference INNC-90", July 9-13, 1990. -Paris, vol.2. P.599.

108. Галуев Г.А. Устройство для выделения контура изображения// A.c. Ж444837, СССР, MKU G06 К 9/00. Бюл. Мб, 1988.

109. Галуев Г.А. Специализированный матричный процессор для обработки бинарных изображений// Микропроцессорные средства и системы. 1989. - М. - С.3-4.

110. Галуев Г.А. Устройство для выделения контура изображения// A.c. Ж538176, СССР, MKU G06 К 9/36. Бюл. Ш, 1990.

111. Kalyaev A., Brykhomitsky Y., Galuyev G. Parallel processing by cellular automata and. arrays// The IV International Workchop "Parcella'88". Berlin, october 17-21, 1988. -P.28-29.

112. Галуев Г.А., Брюхомицкий Ю.А. Устройство для выделения контура изображения// A.c. Ж451741, СССР, MKU G06 К 9/36.1. Бюл. Ш, 1989.

113. Дудкин К.Н. Зрительное восприятие и память: Информационные процессы и нейронные механизмы . Л.: Наука, 1985. - 205с.

114. Шаповалов А.И.' Нейроны и синапсы супраспинальных моторных систем. -Л.: Наука, 1975. 228с.

115. Галуев Г.А., Мильков H.A. Обработка изображений на основе цифровых нейроноподобных сетей// Депонированные научные работы. М., 1987. - Jig. - С. 18, Ж304 (деп. в ВИНИТИ 22.10.86. № 7352-В86.).

116. Галуев Г.А., Брюхомицкий Ю.А. Параллельная обработка и анализ изображений на основе цифровых нейроноподобных структур// Многопроцессорные вычислительные структуры. Таганрог: ТРТИ, 1988. - Вып. 10 (XIX). - С. 21-23.

117. Брюхомицкий Ю.А., Галуев Г.А. Об одном алгоритме выделения контура изображения// Дискретные системы обработки информации. Ижевск: ИМИ, 1987. - С.10-14.

118. Брюхомицкий Ю.А., Галуев Г.А. Об одном методе определенияконтура изображений// Электронное моделирование. 1989. -Т.Н. - М. - С. 84-88.

119. Галуев Г.А. Параллельная обработка и распознавание образов на основе однородных цифровых нейроноподобных структур// Распараллеливание обработки информации.- Тезисы докладов VI Всесоюзной школы-семинара "РОМ 87". Львов, 1987.1. С.161-162.

120. Галуев Г.А., Врюхомицкий Ю.А. Параллельная обработка и анализ изображений на основе цифровых нейроноподобных структур// Математические методы распознавания образов (MMPO-Ш).- Тезисы докладов Ш Всесоюзной конференции. Львов, 1987. - С.62-63.

121. Галуев Г.А. Параллельная фильтрация изображений на основе цифровых нейроноподобных сетей// Известия Сев. Кавказ. Науч. Центра Высш. Школы. Технические науки. 1988, Ш. -С.46-52.

122. Галуев Г.А. Параллельная реализация алгоритма медианной фильтрации на основе цифровых нейроноподобных структур// Проблемы бионики. Харьков: "Основа" при ХГУ. - 1990. - Вып. MA. - С.84-89.

123. Врюхомицкий Ю.А., Галуев Г.А. Нейроноподобная модель для анализа изображения// A.c. JH497627, СССР, мки G06 G 7/60. -Бюл. JB28, 1989.

124. Галуев Г.А. Параллельная цифровая нейрокомпьютерная реализация моделей нейронных сетей, обучаемых методом обратного распространения ошибки// Электронное моделирование. 1992. - Т.14, Л6. - С.14-19.

125. Galuyev G.A. Parallel neurocomputer realization of the bac propagation algoritm// Weuroinformatics and neurocomputers/ The RNNS/ IEEE Symposium, Rostov-on-Don, Russia, October

126. Ю, 1992. УоЗллпе 1. - Р.560-571.

127. Галуев Г.А. Параллельные цифровые ' нейрокомпьютерные системы и нейросетевые процессоры обработки и распознавания зрительных образов. Таганрог: НИИ МВС ТРТУ, 1997. - 133с.

128. Чернухин Ю.В., Брюхомицкий Ю.А., Галуев Г.А., Ветер В.В. Моделирующий комплекс для автоматизации нейробионических исследований// Депонированные научные работы. М., 1987. -т. - С. 12, Ш43 (деп. в ВИНИТИ 17.03.87, ЖЕ893 - В87).

129. Каляев A.B., Чернухин Ю.В., Галуев Г.А., Брюхомицкий Ю.А., Ветер В.В. Моделирующий комплекс для автоматизации нейробионических исследований// Многопроцессорные вычислительные структуры.- Таганрог: ТРТМ, 1987. - Вып. 9 (XVIII). - С. 68-71.

130. Чернухин Ю.В., Галуев Г.А. Цифровое моделирование процессов обработки информации в нейронных сетях// Депонированные научные работы. М., 1988. - Ш. - C.I6, №230 (деп. в ВИНИТИ 27.08.87, №6338 - В87).

131. Разработка, создание и исследование элементной базы параллельных цифровых нейрокомпьютеров/./ Отчет по НИР 5.23.57, Л гос. регистрации 0189. 00797 89, инв. № 02.9.10 013007. Таганрог, 1990. - 163с. (разделы 2,3).

132. Галуев Г.А., Брюхомицкий Ю.А., Чернухин Ю.В., Боровков И.К. Цифровой нейропроцессор как элемент структурно самопрограммируемых систем управления интеллектуальных роботов// Программирование прикладных систем. М.: Наука, 1992. - С.19-27.

133. Чернухин Ю.В., Брюхомицкий Ю.А., Галуев Г.А., Гайдученко Г.В. Принципы построения цифровых нейроподобных структур на пластине// Депонированные научные работы. М., 1988. - Ш.

134. С.12, Ж74 (деп. в ВИНИТИ 09.10.87, Ж7179-В87).

135. Чернухин Ю.В., Брюхомицкий Ю.А., Галуев Г.А., Гайдученко Г.В. Однородная нейроноподобная вычислительная структура на пластине// Высокопроизводительные вычислительные системы/ Под ред. Я.А.Дуброва. Львов: ШШММ АН УССР, 1989. - С.34-35.

136. Боровков И.К., Брюхомицкий Ю.А., Галуев Г.А., Чернухин Ю.В.

137. Гибридная интегральная схема- цифрового нейроноподобного процессора// Перспективные системы обработки информации/ Под ред. Я.А.Дуброва. Львов: ШШММ АН УССР, 1990. - C.II-I3.