2021, випуск 4, c. 80-88
Одержано 17.12.2021; Виправлено 20.12.2021; Прийнято 21.12.2021
Надруковано 30.12.2021; Вперше Online 03.02.2022
https://doi.org/10.34229/2707-451X.21.4.8
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Розробка кластеру з хмарними обчисленнями на базі нейромереж з глибоким навчанням для моделювання багатовимірних полів
М. Косовець 1 * 
, Л. Товстенко 2
1 Науково-виробниче підприємство «Квантор», Київ, Україна
2 Інститут кібернетики імені В.М. Глушкова НАН України, Київ
* Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Розглянуто моделювання багатомірних полів на мультипроцесорах, з нейромережевою архітектурою, яка перебудовується у процесі вирішення задачі шляхом глибокого навчання. Така архітектура обчислювача використовує пристрій для вирішення задач пасивної локації, моніторингової станції, LPI активної локаційної станції, базової телекомунікаційної станції одночасно. Особливу увагу приділено використанню біонічних принципів при роботі з багатовимірними сигналами. Пропонується кластерний обчислювач з хмарними обчисленнями для створення моделюючого комплексу обробки багатомірних сигналів і відлагодження цільової системи.
Кластер виконаний у вигляді мультипроцесора на основі технології нейронної мережі з глибоким навчанням. Кожен із кластерів може рівноцінно ефективно виконувати супервізорні функції, які "перетікають" з одного кластера в інший. Разом з тим будь-який кластер може виконувати всі або більшість загальносистемних функцій. Будь яка задача у процесі виконання може оброблятися в різних кластерах.
Мета роботи. Створення моделюючого комплексу як кластера з хмарними обчисленнями і використанням нейромереж з глибоким навчанням. Кластер являє собою нейромультипроцесор, який перебудовується в процесі роботи.
Результати. У процесі роботи нам вдалося створити моделюючий комплекс з архітектурою мультипроцесора, який у процесі обчислень перебудовується і використовує хмарні обчислення. Комплекс апробовано при моделюванні терагерцового сканера 3D Imager.
Висновки. У процесі виконання роботи створено комплекс для моделювання багатовимірних полів. За основу обчислювача використано мультипроцесор, який перебудовується у процесі роботи. Обчислювальна база мультипроцесора – нейромережі з хмарними обчисленнями.
Ключові слова: когнітивний простір, глибоке навчання, згортка нейронної мережі, архітектура нейронних мереж, кластер.
Цитувати так: Коsovets M., Tovstenko L. Development of a Cluster with Cloud Computing Based on Neural Networks With Deep Learning for Modeling Multidimensional Fields. Cybernetics and Computer Technologies. 2021. 4. P. 80–88. https://doi.org/10.34229/2707-451X.21.4.8
Список літератури
1. Ranneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. Springer International Publishing. 2015. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
2. Kappel D., Nessler B., Maass W. STDP installs in Winner-Take-All circuits an online approximation to hidden Markov model learning. PLoS Computational Biology. 2014. 10(3): e1003511. https://doi.org/10.1371/journal.pcbi.1003511
3. Masci J., Meier U., Dan C., Schmid H.J. Stacked convolutional autoencoders for hierarchical feature extraction. Paper presented at International Conference on Artificial Neural Networks, Espoo, Finland, 2011. P. 52–59. https://doi.org/10.1007/978-3-642-21735-7_7
4. Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A., Fei-Fei L. ImageNet Large Scale Visual Recognition Challenge. Int. J. Computer Vision. 2015. 115. P. 211–252. https://doi.org/10.1007/s11263-015-0816-y
5. Lake B., Salakhutdinov M., Tenenbaum J. Human Level Concept Learning through Probabilistic Program Induction. Science. 2015. 350 (6266). P. 1332–1338. https://doi.org/10.1126/science.aab3050
6. Andreas J., Rohrbach M., Darrell T., Klein D. Learning to Compose Neural Networks for Question Answering. Proceedings of the Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL). 2016. P. 1545–1554. https://doi.org/10.18653/v1/N16-1181
7. Kang D., Kum D. Camera and radar sensor fusion for robust vehicle localization via vehicle part localization. IEEE Access. 2020. 8. P. 75223–75236. https://doi.org/10.1109/ACCESS.2020.2985075
8. Палагин А.В. Об ЭВМ с виртуальной архитектурой. Управляющие системы и машины.1999. № 3. С. 33–43.
9. Косовец Н.А., Косовец Л.Н. Об аппаратных средствах повышения надежности отказоустойчивых микропроцессорных систем. Кибернетика и вычислительная техника. 1993. Выпуск 99. С. 102–104.
10. Косовец Н.А. Особенности архитектуры и структуры микро-ЭВМ с варьируемым соотношением производительности и надежности. Cб.: Специальная электроника. 1990. Серия 10, вып. I (26). С. 23–28.
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна