Экспертная система нечеткой кластеризации нейропроцессорных систем Текст научной статьи по специальности «Компьютерные и информационные науки»

УПРАВЛЕНИЕ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

УДК 004.891

ЭКСПЕРТНАЯ СИСТЕМА НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ НЕЙРОПРОЦЕССОРНЫХ СИСТЕМ

В.Н. Ручкин, В. А. Романчук, В. А. Фулин, А. А. Пролыгина

Рассмотрены возможности экспертной системы нечеткой кластеризации проектирования встраиваемых компьютерных систем в виде конвейерной, векторной, конвейерно-векторной и векторно-конвейерной архитектур на базе современных отечественных нейропроцессоров семейства NM 640X.

Ключевые слова: экспертная система, нейропроцессор, теоретико-

множественная модель, кластеризация, структуры данных.

Практика требует создания автоматизированных систем, принятия решения и создания систем искусственного интеллекта (AI, AGI), заменяющих человека. Экспертные системы (ЭС) в виде базы знаний (БЗ) позволяют быстро вносить, корректировать, удалять некоторые знания с помощью высококвалифицированных специалистов-операторов в различных родах деятельности. К тому же использование высокопроизводительного нейропроцессора цифровой обработки сигналов NM 640Х с векторноконвейерной VLIW/SIMD архитектурой на базе запатентованного 64разрядного процессорного ядра NeuroMatrix позволяет создавать экспертные системы, осуществлять обработку инфракрасных и видеоизображений, обнаружение и сопровождение очагов пожаров и техногенной обстановки, навигационные приемники и векторно-матричные вычислители.

Нечеткий выбор структуры нейропроцессорной системы (НПС) представляет собой сложный трудоемкий процесс с большим объемом исходной информации [1]. Поэтому для сокращения сроков проектирования таких систем была предложена модель, а в данной работе разработана экспертная система [1, 3], в которой основные операции проектирования осуществляются экспертом.

Экспертная система выбора НПС. Известно, что в состав ЭС выбора НПС входят три основные компоненты: база знаний, машина логического вывода и графический интерфейс. В основе базы знаний лежат основные соотношения классификации НПС на базе исследуемых алгоритмов, а все переменные и обозначения взяты в [3]. Таким образом, исходными данными базы знаний являются характеристики алгоритмов [1-3]: число классов эквивалентности кластеров L, порядок каждого кластера

О |, обмен данными между фрагментами кластеров, поступление входных, выдача выходных данных, множество микрокоманд выбранного нейро-микропроцессорного набора и упорядоченное множество критериев в виде стратегии проектирования Z. Каждый из вышеперечисленных параметров является объектом и частью сцепленного списка. Причем обмен данными между фрагментами классов эквивалентности кластеров может быть последовательным, параллельным [4], последовательно-параллельным или параллельно-последовательным.

На практике процесс проектирования и выбор структуры нейропро-цессорной системы являются сложной многокритериальной задачей [5], т. к. из всего полученного многообразия структур Sw е S нейропроцессорной системы лицо, принимающее решение (ЛПР), должно на основании обобщенной оценки каждой альтернативы выбрать наилучшую по совокупности противоречивых критериев: быстродействие (1/ TR), объем микропрограммной памяти | MP |, число микропроцессорных модулей N0, время простоя Тпр и др. Для конкретизации выбора все вышеперечисленные критерии предлагается ранжировать в порядке важности технического проектирования и в дальнейшем называть стратегией проектирования Z.

Предлагаемая в работе методика многокритериального выбора базируется на основе нечетких множеств, в которой характеристическая функция имеет областью определения отрезок E = [а, Ь] и элементами являются лингвистические переменные или термы ? еТ : конвейерная, почти-конвейерная, конвейерно-векторная, вроде конвейерно-векторная, матричная, вроде векторно-конвейерная, векторно-конвейерная, почти векторная, векторная. Причем каждая переменная определена на отрезке E в виде функции принадлежности шг (е), т. е. ^ - {шг (е), е}

Выходными данными предлагаемой экспертной системы являются основные параметры получаемых мультинейропроцессорных структур обработки информации: количество модулей обработки L, объем оперативной памяти |ОЬ|, производительность как время цикла конвейера Т0, время простоя и др.[2,3].

Основой базы знаний была выбрана продукционная модель представления знаний, в которой связи между фактами представлены эвристическими правилами — выражениями декларативного знания об отношениях между объектами. Каждое такое правило имеет составляющую «ЕСЛИ»

163

(предпосылка) и компонент «ТО» (заключение), которые определяют прямую и обратную причинно-следственную связь. Именно эта информация базы знаний и обрабатывается с помощью машины вывода, которая использует эмпирические ассоциации в виде правил «ЕСЛИ — ТО» для формирования и проверки возможных решений. В результате работа экспертной системы сводится к следующей последовательности действий.

1. Если число классов эквивалентности кластеров равно L, И порядок каждого кластера \aj |= 1, И

- И обмен данными между фрагментами в классах осуществляется последовательно, ТО “конвейерная структура”;

- И информация требуется одновременно всем фрагментам классов, ТО “векторная структура”.

2. Если число классов эквивалентности кластеров L равно единице И порядок каждого класса \aj \ равен q, И

- И обмен данными между фрагментами в кластерах осуществляется последовательно, ТО “конвейерная структура”;

- информация требуется одновременно всем фрагментам кластеров, ТО - “векторная структура”.

3. Если число классов эквивалентности кластеров L, И порядок каждого кластера \aj \= 1, И

- И обмен данными между фрагментами в кластерахосуществляется последовательно, ТО - “конвейерная структура”;

- И обмен данными между фрагментами в кластерахосуществляется последовательно c небольшим исключением фрагментов l -го класса, ТО -“почти конвейерная структура”;

- И обмен данными между фрагментами в кластерах, кроме l -го, осуществляется последовательно, а l -му кластеруинформация требуется одновременно, ТО “конвейерно-векторная структура”;

- И фрагменты обмениваются информацией последовательно, однако в некоторых классах информация требуется одновременно, ТО “вроде конвейерно-векторная структура”.

4. Если порядок каждого кластераравен числу классов эквивалентности L, ТО “матричная структура”;

- если информация сразу требуется фрагментам всех кластеров, но в некоторых кластерахтребуется последовательный обмен, ТО “вроде векторно-конвейерная структура”;

- если информация требуется одновременно фрагментам всех кластеров, но фрагменты l -го кластераобмениваются последовательно, ТО “векторно-конвейерная структура”;

- если информация требуется одновременно фрагментам всех кластеров, кроме некоторых фрагментов l -го кластера, ТО “почти векторная структура”;

- если информация требуется одновременно всем фрагментам кластеров, ТО “векторная структура”.

Выходными данными предложенной методики многокритериального нечеткого выбора являются полученные в результате классификации структуры мультинейропроцессорной (МНП) системы в виде нечетких переменных термов и все технические параметры МНП системы: количество модулей НМС, объем микропрограммной памяти, производительность системы в виде времени реализации алгоритмов обработки информации, время простоя и др.

Вышеприведенные данные и заданные стратегии проектирования Z являются входными данными для работы алгоритма логического вывода. Вся полученная информация заносится в таблицу, в которую также включены разделы качественной оценки значимости критериев

2] = 2]+1 о Ял] +1, скалярные оценки X], шкалированные оценки

Иц = 3(у] +1) +1 и, наконец, нормализованные веса Ж] каждого критерия

И]

Ж =------]—, ] = 1, п .

J п

IН]

]=1

Далее строятся лингвистические бинарные отношения полезности вариантов по каждому критерию и производятся аналогичные вычисления скалярных Уу, шкалированных оценок Ну, формализованных весов Г],

которые заносятся также в таблицу.

На основании полученных данных вычисляется аддитивная функция полезности и альтернативных вариантов структур нейромикропро-

цессорной системы реализации нейрокомпьютера по совокупности всех заданных критериев:

п п

и = I Ж] * Г], ] = 0.3;и2 = I Ж] * Г2 ], ] = 0.32;

]=1 ]=1

п

и3 = I Ж] * Гз],] = 0.38.

]=1

В результате согласно сравнению по заданной стратегии проектирования предпочтительным является вариант векторно-конвейерной реализации структуры нейромикропроцессорной системы с максимальной функцией полезности.

Описание интерфейса. Интерфейс экспертной системы(рисунок) включает в себя четыре основные компоненты: 1) ввод исходных данных состоит из следующих окон: число кластеров (3), порядок кластеров (1,2,3) и обмен данными между кластерами; 2) метод нечеткого логического ло-

гического вывода указывает на количество используемых нейропроцессоров (6), объем памяти для всех кластеров (214 КБ), скалярные оценки, шкалированные оценки, нормализованные веса, качественные оценки значимости (0.38) и полезности (0.25); 3) графическое представление полученной наиболее рациональной структуры«вроде векторно-конвейерной структуры», 4) вывод результата решения в виде«вроде векторноконвейерной структуры».

Database of knowledge

СПЮТ

Data entry

Number of eauivalence clasters: 3

Order of equivalence clasters: 3 2 1

Data interchange between clasters: Sequential Parallel

Data output

I Nearly pipeline-vector structure Graphical representation---------

Fh —

—EM

Method of an indistinct fuzzy logical output

Structure realization

General parameters

Number of

neuroorocessors:

Memory sizes: 214 Кб

High-speed □erfomance: 400 Мгц

Scalar estimates: 0,1 0,2 0,3 0, 0.5

Scaled estimates: 4,3 4,6 4,9 5, 5,5

Normalized weights- 0,17551 0,187755 0,2 0,212245 0,22448

Quality standard of the sianificance: 0,38

Quality standard of usefulness: 0,25

Oh |

Интерфейс экспертной системы

Выводы

1. Кластеризация представляет решение задачи многокритериального выбора мультинейропроцессорной структуры в виде продукционной модели базы знаний для создания экспертной системы.

2. Машина логического вывода анализирует не только известные

МНП структуры -конвейерную, конвейерно-векторную, матричную, векторно-конвейерную, векторную, но и новые лингвистические -«почти-конвейерную», «почти конвейерно-векторную», «вроде векторно-

конвейерную», «почти векторную» и др., число которых можно изменять.

3.Разработанный графический интерфейс позволяет вводить исходные данные и получать основные параметры мультинейропроцессорных структур обработки информации: количество модулей обработки, объем оперативной памяти, производительность как время цикла Т0, время простоя Тпр и др.

4. Экспертная система имеет два режима работы: обучение для конкретной предметной области и самообучение в процессе решения задачи.

Работа выполнена в рамках гранта РФФИ № 14-07-0026.

Список литературы

1. Злобин В.К., Ручкин В.Н. Нейросети и нейрокомпьютеры: учеб. пособие. СПб.: БХВ-Петербург, 2011.

166

2. Кластеризация и восстанавливаемость нейропроцессорных систем обработки данных / Злобин В.К. [и др.] // Известия ТулГУ Технические науки. 2013. C. 9-2.

3. RuchkinV., RomanchukV., SulitsaR.Clustering, Restorability and Designing Of Embedded Computer Systems Based On Neuroprocessors// 2nd Mediterranean Conference on Embedded Computing MECO. 2013, Budva, Monte-negro.P. 58-61.

4. Ивутин А.Н., Дараган Е.И. Построение схемы распараллеливания последовательного алгоритма программы // ИзвестияТулГУ. Технические науки. 2012. №. 5. С. 101-109.

5. Ларкин Е.В., Ивутин А.Н. Соревнования в многопроцессорных компьютерных системах // Известия ТулГУ Технические науки. 2012.

С. 12-2.

Ручкин Владимир Николаевич, д-р техн. наук, проф., [email protected], Россия, Рязань, Рязанский государственный университет имени С. А. Есенина,

Романчук Виталий Александрович, канд. техн. наук, доц., [email protected], Россия, Рязань, Рязанский государственный университет имени С. А. Есенина,

Фулин Владимир Андреевич, ст. преподаватель, v. [email protected], Россия, Рязань, Рязанский государственный университет имени С. А. Есенина,

Пролыгина Анастасия Анатольевна, студент, a.proligina@rsu. edu.ru, Россия, Рязань, Рязанский государственный университет имени С.А. Есенина

EXPER TSYSTEMFUZZYCL US TERINGNE UROPROCESSORSYSTEMS V.N. Ruchkin, V.A. Romanchuk, V.A. Fulin, А.A.Prolygina

Thearticleis devoted to the possibilities of Expert System choose cluster neuroprocessor systems of pipeline, vector, pipeline-vector, vector-pipeline or ester fuzzy processing data structures on the base of modern Russian microset NM 640Х.

Key words: expert system, neuroprocessor, set-theoretic model, clustering, data structures.

Ruchkin Vladimir Nikolaevich, doctor of technical sciences, professor, v. ruchkin@rsu. edu. ru,Russia, Ryazan, Ryazan State University named after S.A. Esenina,

Romanchuk Vitaliy Alexandrovich, candidate of technical sciences, docent, v. romanchuk@rsu. edu. ru,Russia, Ryazan State University named after S.A. Esenina,

Fulin Vladimir Andreevich, senior lecturer, v. fulin@rsu. edu. ru, Russia, Ryazan, Ryazan State University named after S.A. Esenina,

Prolygina Аnastasia Anatolievna, student, a. proliginaarsu. edu. ru, Russia, Ryazan, Ryazan State University named after S.A. Esenina

167