CC BY
48
зовать для разбиения поля трассировки на подучастки, которые, в последствии будут использоваться как входные данные для НС более «детадьного уровня». Данное разбиение задачи позволит свести к минимуму предварительную подготовку
, , , -
.
В первом слое можно использовать классифицирующую структуру, например, НС Кохонена [2], которая может распознавать кластеры данных и решить за, ,
, .
Дальнейшая оптимизация алгоритма НС возможна путем минимизации синаптических связей [3]. То есть, из НС можно исключить связи с малым или нуле, , , -ровки соединений можем исключить связи большого радиуса, следует заметить, что предел исключения следует подбирать экспериментальным путем. Данная НС будет иметь регулярный характер, что облегчит ее описание в методах объектного .
ЛИТЕРАТУРА
1. http://www.user.cityline.ru/~alphasys/ А.Ю. Дорогое. Модульные нейронные сети.
2. http://www.rl7.bmstu.ru/rus/Library/TextBook/modules/stneunet.html
3. А.Ю. Дорогое, АЛ. Алексеев, Д.А.Буторин. Нейронные сети со структурой быстрого алгоритма // Сборник докладов.6 Всероссийского семинара «Нейроинформатика и ее приложения», 20-25 октября, 1998, Красноярск. - С 53.
УДК 658.512
СМ. Ковалев, А.Н. Шабельников
АДАПТАЦИЯ НЕЧЁТКИХ КЛАССИФИКАЦИОННЫХ РЕГУЛЯТОРОВ НА ОСНОВЕ СТАТИСТИЧЕСКОЙ ИНФОРМАЦИИ
При автоматизации процессов управления замедлителями на сортировочных горках используется экспертная информация, полученная от горочного оператора о его стратегиях управления. Для её формализации строится нечёткая система в виде композиции нечётких регуляторов, описывающих действия оператора на квазиста-ционарных временных интервалах. Серьёзной проблемой является выбор параметров регуляторов и определение соответствующих функций принадлежности. В работе предлагается подход к решению этой задачи на основе использования статистических наблюдений за действиями оператора и последующей адаптации па.
Нечеткий классификационный регулятор, моделирующий процесс управле-( . .) -ду множеством ступеней торможения S замедлителя и текущим значением замедления ve V отцепа в Т.П.. Регулятор определяется нечетким отображением V ~ S,
построенном на основе соотнесения термов ! ^ = 1, п ) лингвистической переменной Ь(У) - "Замедление" с соответствующими решениями из S. Если решающее
Материалы Международной конференции
“Интеллектуальные САПР”
правило определяется в соответствии с принципом arg шах М4 (S) модель сво-
)
дится к такой сегментации шкалы V на интервале ЛV(li), соответствующие термам ^ е Ь(У), при которой каждый из ЛV(li) является максимальным а - срезом и выполняется условие ц ц(V) > М. и (V) ( V ^ ф li).
Для адаптации нечёткого классификационного регулятора используется статистическая информация о работе оператора, представленная в виде множества
точек V с V с соответствующими им решениями S(V) е S. Задача заключается в нахождении такого разбиения шкалы V на п сегментов, соответствующих термам из ЦУ), при котором в один сегмент попадают только точки Vе V1 с одинаковыми S(V). В условиях реальной статистики, как правило, не удаётся найти разбиения, полностью отвечающего поставленным выше условиям. Поэтому возникают задачи оптимизации, целью которой является поиск разбиениям с минимальным числом точек из V1, попадающих не в "свои" сегменты. Такой критерий хорошо согласуется с минимизацией субъективной вероятности неправильного ре, . базируется на одной из схем динамического программирования.
УДК 681.3.062
..
ЗАДАЧИ СИНТЕЗА АРХИТЕКТУР И ПЛАНИРОВАНИЯ ВЫЧИСЛЕНИЙ:
,
ИСПОЛЬЗОВАНИЯ РАЗЛИЧНЫХ МЕТОДОВ ДЛЯ ИХ РЕШЕНИЯ
Задачи синтеза архитектур вычислительных систем (ВС) и планирования параллельных вычислений относятся к классу задач структурного синтеза. В отличии от задач параметрического синтеза, задачи структурного синтеза в общем случае не могут быть отнесены к классу формально разрешимых. При их решении приходится иметь дело с начально не определенными структурными связями, числом и типом компонентов, не метрическими характеристиками компонентов и т.п.
В данной работе предлагается формализм для описания архитектур ВС, сведение задачи синтеза архитектур (в рамках предложенного формализма) к классу многопараметрических и многокритериальных экстремальных задач с ограничениями, рассматриваются основные особенности сформулированной задачи, проводится анализ возможностей использования существующих методов решения по.
Задача синтеза архитектур в самом общем виде может быть поставлена следующим образом. Для заданной модели поведения прикладной программы И(РЯ) требуется синтезировать модель архитектуры ИW, модель параллельной прикладной программы НР и модель организации параллельного вычислительного процесса р. При этом должны оптимизироваться критерии оценки качества решения и выполняться ограничения на допустимые решения ^}. В качестве параметров оптимизации (управляемых переменных) выступают варьируемые параметры моделей ИW, ИР и р. Критерии оценки качества решения, ограничения на допустимые
