CC BY
36
1) был осуществлен разумный компромисс между сложностью формального описания моделей аппаратом общей теории систем и необходимой степенью детализации и абстрагирования от несущественных свойств (минимизация общего числа моделей и их композицией);
2) при рассмотрении предметной области с тех или иных позиций для синтеза различных моделей семантических сложных объектов максимально использовалась уже сложившаяся классификация;
3) добиться такого разбиения на подмножества и типы отношений, которые образовывали бы древовидные или достаточно простые сети, удобно и наглядно представляемые с помощью графов;
4) выделить иерархию семантических подсистем предметной области для реализации иерархического строения языков описания в комплексной САПР;
5) добиться однородности моделей, объектов внутри семантических подсистем различной сложности с целью структуризации языков комплексной САПР на проблемные разделы, грамматические блоки и отдельные конструкции.
Успешное решение данных задач возможно только при наличии определенного формального аппарата представления знаний (предметной области). Предметная область может быть представлена на примере семантической сети, где она изображается в виде ориентированного графа с помеченными вершинами и дугами, причем вершинам соответствуют определенные семантические объекты, а дугам — семантические отношения между этими объектами.
УДК 007.57
Ю.В. Чернухин, Ю.Г. Соловьева
ОБ ОДНОМ СПОСОБЕ КОНСТРУИРОВАНИЯ ГИБРИДНЫХ НЕЙРОПРОЦЕССОРОВ
Наряду с конструированием цифровых нейропроцессоров в современной нейрокомпьютерной технике широко применяются аналоговые нейропроцессоры. Однако в настоящее время задача обучения аналоговых нейросетей решается путем использования компьютерных моделей, вычисляющих весовые коэффициенты межнейронных связей. Далее эти коэффициенты жестко фиксируют в электронной схеме аналогового устройства в качестве величин постоянных резисторов [1]. Это обстоятельство ограничивает практическое использование таких сетей, поскольку их обучение в режиме функционирования затруднено из-за невозможности оперативного изменения значений величин резисторов.
Одним из возможных способов устранения этого недостатка предлагается конструирование гибридных нейропроцессоров (ГНП) на основе аналоговых нейроэлементов, путем реализации процедуры их обучения посредством изменения синаптических резисторов непосредственно в процессе функционирования, как это делается в цифровых нейропроцессорах [2]. Эту задачу можно решить с по-
мощью цифро-аналоговых преобразователей (ЦАП), используемых в качестве синаптических блоков аналоговых нейронов.
Для этого в известную схему простейшего ЦАП, построенного на базе весовых сопротивлений и ключевых элементов, добавляется вход приращений синаптических весов Vyi, посредством применения сдвигающего регистра с комбинационным сумматором в цепи обратной связи в качестве блока управления ключевыми элементами ЦАП.
Использование таких блоков при построении бинарных или динамических нейронов облегчает организацию процедуры обучения нейросети, поскольку в качестве приращений синаптических весов можно подавать сигналы с выходов других нейронов, имеющих знаковую активационную функцию. Эта функция позволяет кодировать одноразрядные приращения Vy, в виде, пригодном для подачи на входы синаптических блоков обучаемых нейронов.
Построенные таким образом гибридные нейроны могут служить базисом для конструирования гибридных нейропроцессоров.
ЛИТЕРАТУРА
1. Ланкин Ю.П., Барцев С.И. Способ конструирования аналоговых нейропроцессоров.
A.C. 95114668/09. Бюл. № 24, 1997. С. 141.
2. Чернухин Ю.В. Нейропроцессорные сети: Монография. Таганрог: Изд-во ТРТУ, 1999.
439 с.
УДК 681.325
А.П. Самойленко, Е.Р. Чекрыгина
ПРИНЦИПЫ ОРГАНИЗАЦИИ САМОДИАГНОСТИРУЮЩИХСЯ МНОГОПРОЦЕССОРНЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ
Общеизвестно противоречие между сложностью многопроцессорных вычислительных систем (МВС) и их надежностью: чем сложнее система, тем ниже ее надежностные характеристики. Для того, чтобы повысить надежность системы, можно применять стандартные способы резервирования: структурное, информационное или временное. Так как частота работы современной вычислительной техники достигает больших значений (порядка сотен МГц), то можно использовать временное резервирование для диагностирования и восстановления системы. Структурное резервирование приводит к росту проіраммно-аппаратньїх затрат и в то же время не позволяет повысить функциональные возможности системы. В этом случае снижается эксплуатационная надежность системы (затраты на профилактическое обслуживание и т.д.). Парадокс живучих МВС заключается в следующем. Потеря одного или нескольких неисправных процессоров почти не влияет на общую производительность МВС. В то же время одна ошибка в вычис-
