Search academic texts

Information × Registration Number 0518U000426, Doctoral dissertation Status Доктор технічних наук Date 29-03-2018 popup.evolution o Title Models and methods of building architecture and components of neuromorphic computer systems Author Parzhin Yuri Vladimirovich Yuri Volodymirovich, Кандидат технічних наук Description Метою дисертаційної роботи є вирішення науково-технічної проблеми підвищення ефективності побудови та використання нейроморфних комп'ютерних систем (НКС) в результаті розробки моделей побудови їх компонентів та загальної архітектури, а також методів їх навчання на основі формалізованого детекторного принципу. Об'єкт дослідження - процес побудови НКС та їх компонентів. Методи дослідження: фундаментальні положення теорій: математичної логіки, формальних мов та формальних систем, а також: методи системного аналізу та теорії систем; математичний апарат теорії ймовірностей, теорії графів, теорії інформації, теорії управління, теорії розпізнавання образів; методи математичної статистики. Наукова новизна дисертації. Вперше отримано: 1) багатосегментні порогові моделі компонентів НКС, а саме: блоку-детектора, блоку-аналізатора, блоку новизни, в яких в результаті зустрічного навчання формуються концепти Conі, що визначають необхідні і достатні умови формування їх реакцій, та які дозволяють реалізувати розроблену модель мережевої архітектури детекторної нейроморфної комп'ютерної системи (ДНКС); 2) модель мережевої архітектури НКС, що складається з двох шарів нейроморфних компонентів первинного та вторинного рівнів обробки інформації, та яка дозволяє скоротити кількість необхідних компонентів системи при вирішенні практичних задач розпізнавання зображень; 3) метод зустрічного навчання компонентів НКС, що засновується на корекції їх концептів при синхронному збудженні компонентів різних підсистем НКС, та який дозволяє скоротити час навчання НКС при вирішенні практичних задач розпізнавання зображень до однієї епохи та скоротити розмірність навчальної вибірки; 4) метод самоорганізації карти блоків-детекторів вторинного рівня обробки інформації під управлінням блоку новизни, який дозволяє вирішити проблему стабільності-пластичності пам'яті НКС та проблему її перенавчання. Вдосконалено: 1) метод сегментації структури зображення, що розпізнається, який на відміну від відомих методів дозволяє побудувати структуру концепту блоку-детектора інваріантну до різних типів перетворень вхідного зображення; 2) логіко-лінгвістичну модель побудови формальної інформаційної системи, яка на відміну від відомих математичних моделей використовує принцип геделівської нумерації гіпотез репрезентативної підсистеми, що можуть бути доведені або спростовані тільки за допомогою аксіом презентативної підсистеми, та яка доводить необхідність використання в НКС як мінімум однієї презентативної та однієї репрезентативної підсистеми. Отримали подальший розвиток: 1) загальна архітектура НКС, яка на відміну від існуючих архітектур, що мають однорідну структуру зв'язків між однотипними компонентами, складається з перцептивної, презентативної та репрезентативної підсистем, що мають структурні зв'язки та компоненти різного типу, та яка дозволяє реалізувати розроблені методи зустрічного навчання та самоорганізації компонентів НКС; 2) метод навчання компонентів НКС, який на відміну від відомих взаємовиключних парадигм навчання, об'єднує всі ці підходи у взаємопов'язаній процедурі зустрічного навчання та самоорганізації карт блоків-детекторів вторинного рівня обробки інформації. Практичне значення отриманих результатів для галузі інформаційних технологій, комп'ютерних систем та компонентів полягає у наступному: 1) розроблено ДНКС автоматизованого моніторингу та аналізу зовнішньої електромагнітної обстановки на основі детекторної штучної нейронної мережі (ДШНМ), яка дозволяє підвищити точність результатів вимірювань параметрів електромагнітних імпульсів на 5-7% у порівнянні з існуючими автоматизованими системами моніторингу, скоротити час навчання системи на 40% у порівняння з системами, що вирішують завдання розпізнавання контурних зображень. Це дозволяє проводити аналіз зовнішньої електромагнітної обстановки в режимі реального часу; 2) розроблено ДНКС для розпізнавання рукописних цифр бази даних MNIST на основі ДШНМ, яка дозволяє у порівнянні з шестишаровою загортковою штучною нейронною мережею (ШНМ) на порядок зменшити кількість нейроелементів (НЕ) у прихованих шарах при незначному збільшенні помилки розпізнавання на 0,09%, зменшити час навчання зі 100 епох до 1 епохи при незначному зменшенні помилки розпізнавання . Registration Date 2018-03-29 popup.nrat_date 2020-04-03 Close