автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Разработка методов и средств обработки лингвистических структурно-функциональных моделей цифровых аппаратных средств на основе нейро-семантических сетей

кандидат технических наук
Игонин,
Андрей Геннадьевич
город
Ульяновск
год
2007
специальность ВАК РФ
05.13.12
Автореферат по информатике, вычислительной технике и управлению на тему «Разработка методов и средств обработки лингвистических структурно-функциональных моделей цифровых аппаратных средств на основе нейро-семантических сетей»

Автореферат диссертации по теме "Разработка методов и средств обработки лингвистических структурно-функциональных моделей цифровых аппаратных средств на основе нейро-семантических сетей"

На правах рукописи

□03053279

ИГОНИН АНДРЕЙ ГЕННАДЬЕВИЧ

РАЗРАБОТКА МЕТОДОВ И СРЕДСТВ ОБРАБОТКИ ЛИНГВИСТИЧЕСКИХ СТРУКТУРНО-ФУНКЦИОНАЛЬНЫХ МОДЕЛЕЙ ЦИФРОВЫХ АППАРАТНЫХ СРЕДСТВ НА ОСНОВЕ НЕЙРО-СЕМАНТИЧЕСКИХ СЕТЕЙ

05.13.12 - Системы автоматизации проектирования (промышленность)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Ульяновск 2007

003053279

Работа выполнена на кафедре «Вычислительная техника» Ульяновского государственного технического университета

Научный руководитель: кандидат технических наук, и.о. профессора

АФАНАСЬЕВ АЛЕКСАНДР НИКОЛАЕВИЧ

Официальные оппоненты: доктор технических наук, профессор

МИХЕЕВ МИХАИЛ ЮРЬЕВИЧ кандидат технических наук, профессор ПОХИЛЬКО АЛЕКСАНДР ФЕДОРОВИЧ

Ведущая организация: ФНПЦ ОАО «НПО МАРС»

Защита состоится «21» февраля 2007 г. в 15 часов на заседании диссертационного совета Д212.277.01 при Ульяновском государственном техническом университете, ауд.211.

Отзывы в двух экземплярах, заверенные печатью, просим направлять по адресу: 432027, г. Ульяновск, ул. Северный Венец, д.32, УлГТУ, ученому секретарю совета Д212.277.01.

С диссертацией можно ознакомиться в научной библиотеке Ульяновского государственного технического университета.

Автореферат разослан «18» января 2007 г.

Ученый секретарь диссертационного совета доктор технических наук, профессор _/ Г М.К. Казаков

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы.

Для исследования свойств объектов проектирования используется моделирование. С точки зрения описания объекта проектирования, системы моделирования делятся на системы с графическим вводом и системы, использующие языки описания (ЯО). Системы с графическим вводом являются более наглядными, но не обладают теми преимуществами, которые имеют системы на ЯО (создание систем любой сложности, возможность удобной отладки и верификации, возможность повторного использования кода и т.д.).

Современное состояние в области САПР можно охарактеризовать следующими положениями:

¡.Появилось множество проектов, выполненных с применением различных языков описания. Проектные решения часто хранятся не в должном объеме и форме. Этот недостаток проявляется при передаче проекта из одной среды в другую или при попытке использовать готовое решение другими проектировщиками.

2. Современные САПР должны не только сохранять результаты проектной деятельности, но и обладать средствами интеграции с другими системами проектирования, средствами обработки полученного опыта с последующим использованием различными проектировщиками. Из-за увеличения количества языков описания аппаратуры средства моделирования должны иметь возможность адаптации под различные формы описания объекта проектирования, иметь единую базу данных проектов.

3. Этап проектирования, связанный с построением структурно-функциональной модели на языке описания, на данный момент слабо автоматизирован. Это связано, в частности, со сложностью обработки описания моделей. Большинство операций синтеза в системах моделирования проектировщик выполняет вручную.

4. Автоматизация синтеза лингвистических структурно-функциональных моделей (ЛСФМ), в большинстве систем проектирования реализуется за счет использования шаблонов. Для описания шаблонов используются специальные функции и языки. Зачастую шаблон представляет собой описание интерфейса структурного элемента, подготовленного для внесения в него описания архитектуры. Одним из требований к системам проектирования является наличие средств генерация нового шаблона по результатам разбора модели на языке описания.

5. Существующие коммерческие системы проектирования реализуют синтез ЛСФМ за счет встроенных фирменных алгоритмов, но являются закрытыми системами. Поддерживаемые средства проектирования заставляют пользователя действовать в рамках применяемых класса устройств и языков. Настройка системы проектирования на новый язык описания, без внесения изменений в программный код, не доступно.

Таким образом, в области САПР актуальной и имеющей большое практическое значение задачей, является разработка методов и средств обработки ЛСФМ, позволяющих проводить анализ, классификацию, хранение в единой базе данных и преобразование описания моделей в форму шаблона для реализации процедур синтеза. Разрабатываемые методы должны реализовывать в системе проектирования возможность адаптации под требуемое описание модели, без внесения изменений в программный код.

Целью работы является сокращение сроков проектирования за счет исследования и разработки методов и средств обработки лингвистических структурно-функциональных моделей цифровых аппаратных средств (ЦАС).

В соответствии с поставленной целью в работе формулируются и решаются следующие задачи исследований.

1. Разработка языка описания структурно-функциональных моделей на базе расширения языка моделирования VHDL.

2. Разработка нейро-семантической сети (НСС) для анализа и классификации лингвистических структурно-функциональных моделей.

3. Разработка единой унифицированной формы хранения лингвистических структурно-функциональных моделей.

4. Разработка способа преобразования описания ЛСФМ в форму шаблона, позволяющую осуществить автоматический синтез.

5. Разработка средств интеллектуального поиска в БД ЛСФМ ЦАС.'

Объектом исследования является автоматизация процесса обработки

ЛСФМ ЦАС.

Предметом исследования являются разработка комплекса методов на основе НСС и программных средств, обеспечивающих автоматизацию обработки ЛСФМ ЦАС.

Методы исследования основаны на использовании положений и методов теории алгоритмов, теории множеств, теории алгоритмических алгебр, теории графов, теории параллельного программирования и параллельных сетевых схем алгоритмов, теории построения систем искусственного интеллекта, а также использовании основ системотехники и теории автоматизированного проектирования.

Научная новизна определяется разработанным подходом обработки лингвистических структурно-функциональных моделей. Предложенный подход позволяет автоматизировать процесс обработки лингвистических структурно-функциональных моделей со следующими возможностями: 1) настраивать систему проектирования под требуемую форму языкового описания, без изменения программного кода системы проектирования, 2) унифицировать форму хранения артефактов ЛСФМ, 3) классифицировать описание модели, с возможностью обучения системы под новые классы объектов, 4) автоматизировать процесс построения шаблонов артефактов ЛСФМ.

В результате проведенных исследований получены следующие результаты:

1) Разработан язык описания структурно-функциональных моделей проектных решений (БОА - базовый язык аппаратуры), отличающийся от известных наличием классификационных меток используемых объектов, что позволяет проводить анализ и классификацию артефактов ЛСФМ в системах проектирования, созданных на базе НСС.

2) Разработан нейро-семантический подход обработки ЛСФМ, сущность которого определяется хранением формы и правил описания объектов в нейро-подобных структурах, связанных с семантической сетью, хранящей правила обработки описания, что позволяет проектировщику индивидуально настраивать среду проектирования.

3) - Разработана нейро-сетевая модель классификации объектов проектирования на базе карт Кохонена, что позволяет классифицировать артефакты лингвистических структурно-функциональных моделей проектных решений, созданных на разных языках описания.

4) Разработан метод построения шаблонов, который заключается в выявлении зависимостей переменных, составляющих структуру объектов ЛСФМ ЦАС. Это позволяет сократить время создания шаблонов для автоматизации синтеза моделей.

5) Предложены элементы алгебры преобразования описания модели на языке БОА в шаблон, которые позволяют задавать правила преобразования описания ЛСФМ.

Практическая ценность

1) Разработана форма хранения артефактов ЛСФМ ЦАС, которая позволяет хранить в единой базе модели, описываемые на различных языках описания.

2) Разработана методика и алгоритм преобразования структурно-функциональных моделей на БОА в форму шаблона, что позволяет использовать разработанные артефакты моделей при автоматическом синтезе новых ЛСФМ.

3) Разработан язык запросов к БД моделей, который позволяет задать в запросе проектировщика структурные и функциональные вариации параметров, хранимых артефактов моделей, с различным коэффициентом (уровнем) совпадения.

4) Разработана архитектура и реализованы компоненты системы проектирования SMAPU. SMAPU - система структурно-функционального

- проектирования с использованием НСС для обработки лингвистических структурно-функциональных моделей. Использование НСС позволяет сократить сроки разработки модели объектов проектирования, унифицировать форму хранения артефактов, настраивать форму описания моделей под индивидуальные требования проектировщиков.

Компоненты SMAPU позволяют:

- разрабатывать структурно-функциональную модель на ЯО;

- транслировать модель на ЯО, осуществлять ее отладку и верификацию;

- визуализировать процесс функционирования модели в текстовом и графическом виде;

- разрабатывать графическое представление объектов структурно-функциональной модели;

- разрабатывать графическое представление структурно-функциональной модели в целом;

- использовать для проектирования библиотеку графических и языковых описаний объектов ЛСФМ ЦАС;

- генерировать описание процессоров управления на языке БОА на основе представленных данных функционирования устройства;

- настраивать систему под требуемое описание модели. Редактировать, добавлять в графическом виде лексические и синтаксические конструкции языка. Производить настройку нейро-семантической сети для профилирования и классификации моделей;

- преобразовывать описание артефактов ЛСФМ ЦАС на БОА в форму шаблона на ПБОА (ПБОА - промежуточный язык, язык описания шаблонов);

- классифицировать, преобразовывать и добавлять описание новых моделей

- обновлять из архива или через сеть Internet библиотеку элементов.

На систему моделирования SMAPU получено три СВИДЕТЕЛЬСТВА (РОСПАТЕНТ) об официальной регистрации программы для ЭВМ№ 2004611286, 2004611289, 2004611290.

Реализация и внедрение результатов работы

Разработанная система проектирования SMAPU и методика построения шаблонов внедрены в учебный процесс Ульяновского государственного технического университета (г. Ульяновск), в проектную деятельность научно-технического центра "МЕТА" (г. Тольятти), общества с ограниченной ответственностью "Микро" (г. Ульяновск).

Апробация работы

Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях: 5-ой Международной научно-технической конференции: «Интерактивные системы: проблемы человеко-компьютерного взаимодействия», г. Ульяновск, 2004; Международной конференции «Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике» (КЛИН-2005), г. Ульяновск, 2005; 6-ой Международной научно-технической конференции: «Интерактивные системы: проблемы человеко-компьютерного взаимодействия», г. Ульяновск, 2005; на заседании кафедры «Вычислительная техника» (Ульяновск, 2006). Ежегодных внутривузовских конференциях профессорско-преподавательского состава, г. Ульяновск, 2004, 2005,2006.

Публикации

По материалам диссертации опубликовано 11 печатных работ. Получено три СВИДЕТЕЛЬСТВА (РОСПАТЕНТ) об официальной регистрации программы для ЭВМ№ 2004611286, 2004611289, 2004611290.

Структура и объем работы

Диссертационная работа состоит из введения, четырех глав с выводами, заключения, библиографического списка использованной литературы, изложенных на 188 страницах машинописного текста, а также приложения, на 72 страницах машинописного текста, содержит 32 рисунка и 5 таблиц.

Список литературы включает 141 наименование.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулирована цель, основные задачи исследований, определены объект и предмет исследований.

В первой главе проводится анализ предметной области исследований.

Рассматриваются основные понятия предметной области: «проектирование технического объекта», «проектная деятельность», а также рассматриваются обобщенные подходы к проектированию и структурные элементы процесса проектирования.

Проводится анализ возможностей систем проектирования и применяемых в них средств. Сравниваются возможности систем с графическим вводом описания объекта проектирования, систем основанных на языках описания и смешанных систем. Отмечаются возможности автоматизации синтеза в системах с графическим вводом PCAD, CircuitMaker, SystemView, SystemView, LabView, с текстовым вводом APLAC, System Designer, ModelSim, HFSS, WebPack ISE и

систем сочетающих оба вида ввода MAX+PLUS II, Quartus II, SIMULINK, PSpice, Altium Designer (Protei). Отмечается, что существуют коммерческие системы, основанные на ЯО, с возможностью автоматического синтеза описания, но в них используются фирменные алгоритмы, описание которых не доступно.

Проводится обзор маршрутов структурно-функционального моделирования. Рассмотрены принципы построения систем проектирования для синтеза функциональных и логических схем: кремнивые компиляторы, автоматы с «жесткой» логикой, метод Квайна-Мак-Класки. Автоматический синтез в таких системах ориентирован на определенный, узкий класс устройств. Рассмотрены уровни моделирования и развитие языков описания. Проведен анализ современных инструментальных средств структурно-функционального моделирования.

Рассмотрены методы искусственного интеллекта для синтеза структурно-функциональных моделей. Исследованы способы представления описания объектов в САПР: фреймы, семантические сети, И-ИЛИ деревья. Рассмотрены алгоритмы для автоматизации синтеза лингвистических структурно-функциональных моделей: 1) эволюционные алгоритмы, 2) алгоритм поиска оптимальных структур, 3) алгоритм поиска глобального экстремума, 4) алгоритм физических принципов действия.

Проведен анализ различных моделей представления знаний в системах искусственного интеллекта: логические (исчисление высказываний, исчисление предикатов), продукционные, фреймовые, сетевые, объектно-ориентированные, специальные, комплексные. Показано, что наиболее перспективными являются применение комплексных моделей, например сочетание сетевых и объектно-ориентированных моделей. Наиболее перспективными являются сетевые модели, основанные на нейронных сетях. Рассмотрены различные структуры нейронных сетей.

Формулируется постановка задачи. Определяются требования, которым должны удовлетворять методы и средства обработки описания ЛСФМ ЦАС.

1) Обрабатывать входную цепочку символов, представленную в виде лингвистического структурно-функционального описания, и определять ее структуру.

2) Различать цепочки описания структуры объектов и архитектурной (функциональной) части.

3) Абстрагироваться от синтаксиса написания лингвистических структурно-функциональных моделей.

4) Определять семантические ошибки во входной цепочке.

5) Однородно представлять в БД лингвистические структурно-функциональные описания. Это означает, что для различных видов описания ЛСФМ (синтаксис, семантика) хранение их в БД должно быть в одном унифицированном виде.

6) Хранить ЛСФМ в виде, позволяющем восстанавливать описание на требуемом языке.

7) Организовать многоуровневое хранение проектных решений в БД (структура объектов, функциональное описание объектов, функциональное устройство, пояснения проектировщика).

8) Отображать структурные отношения в хранимых моделях.

Определяются общие требования к системе проектирования ЛСФМ.

Во второй главе разрабатывается структура системы анализа лингвистических структурно-функциональных моделей на базе нейро-семантической сети, которая позволяет настраивать систему проектирования под языковое описание заданное проектировщиком, анализировать и преобразовывать в унифицированный вид входное описание на ЯО.

Система анализа описания ЛСФМ ЦАС включает лексический, синтаксический, семантический анализатор, систему классификации и БД артефактов ЛСФМ.

В ходе анализа описания модели решаются две задачи:

- разбор описания структурно-функциональной модели и приведение его к единому унифицированному виду;

- разбор унифицированного описания, профилирование (определение параметров) и сохранение модели в базе данных.

Грамматика применяемого в системе базового языка описания аппаратуры (БОА) представляется в виде:

G = (VT, VN, Р, Os, К), где VT - множество терминальных символов, VN - множество нетерминальных символов, Р - конечное подмножество (VT U VN)*x (VT U VN)+, Os - начальный символ, К - классификационный признак.

Классификационный признак объектов структурно-функциональных моделей дает возможность проектировщику указывать на объекты, которые необходимо добавить в классификатор или указать системе объекты, которые она классифицировать затрудняется.

Лексический, синтаксический и семантический анализаторы языка описания построены на базе нейро-семантической сети.

Лексический анализатор состоит из слоя нейронов-идентификаторов, управляющего нейрона и нейрона ошибки.

Слой нейронов-идентификаторов предназначен для анализа основных конструкций (лексем) языка: ключевых слов, идентификаторов, чисел, управляющих символов, символов-разделителей.

Нейроны-идентификаторы построены по принципу сетей адаптивно-резонансной теории (APT) и представляют собой векторные классификаторы. Входной вектор классифицируется в зависимости от того, на какой из множества ранее сохраненных образов он похож. Свое классификационное решение сеть APT выражает в форме возбуждения одного из нейронов.

Нейроны-идентификаторы делятся на:

- определяющие зарезервированные слова и разделители,

- определяющие пользовательские идентификаторы и числа.

Отличительной особенностью второго типа нейронов является наличие

блока выделения байтов. Функционирование сети происходит аналогично сетям APT.

Выход нейронов-идентификаторов представляет собой вектор ©, который соответствует унифицированному виду языка. Все выхода слоя нейронов-идентификаторов поступают на вход управляющего нейрона. Управляющие нейроны содержат веса входов, которые определяют приоритетность выходов нейронов предыдущего слоя. Наиболее приоритетный вход поступает на выход управляющего нейрона.

С выхода управляющего нейрона лексического анализатора вектор поступает на слой нейронов-идентификаторов синтаксического анализатора.

Синтаксический анализатор состоит из слоя нейронов-идентификаторов, управляющего нейрона и нейрона ошибки. Слой нейронов-идентификаторов работает аналогично слою лексического анализатора.

Отличительной особенностью управляющего нейрона синтаксического анализатора в том, что вектор с его выхода поступает обратно на вход нейронов-идентификаторов.

Нейроны ошибки выдают сигнал, если на входную цепочку символов нет реакции управляющего нейрона.

Параллельно работе синтаксического анализатора обработку входной цепочки осуществляет сеть управления. Сеть управления построена на базе семантической сети и составляет основу контекстного анализатора описания проектного решения. Данная сеть содержит набор правил-действий обработки символа промежуточного представления. Набор правил-действий задается фиксировано, но порядок их применения может варьироваться. Правила содержат действия необходимые для информационного заполнения унифицированного описания артефакта ЛСФМ базы данных.

Формально сеть управления можно описать следующим образом: Сем = £{Sim, Oper, Shag}, где Sim - входной символ, Oper - реакция на данный символ, Shag - шаг, на который необходимо перейти после реакции.

В ходе работы лексического и синтаксического анализатора строится унифицированное представление описания структурно-функциональной модели, которое в дальнейшем поступает на вход нейронов профилирования.

Нейроны профилирования выявляют структурные зависимости структурно-функциональной модели, используемые объем памяти, размерность входов -выходов, операции, выполняемые над ячейками памяти.

Нейроны профилирования заполняют вектора параметров профилирования разбираемого описания. Часть вектора профилирования заполняется в ходе испытания модели проектировщиком (запуск функционирования).

Описание структурно-функциональной модели на разработанном языке описания аппаратуры (БОА) можно рассматривать как совокупность метафрагментов, каждый из которых реализует определенную структуру цифровой схемы. Метафрагменты можно рассматривать как совокупность фрагментов (объектов), каждый из которых реализует определенную функцию элементарной структуры, либо представляет параметры (входы, выходы, память и т.д.) структуры.

В ходе профилирования проектировщиком для метафрагментов определяются законченность структуры, время функционирования модели, измеряются частота использования фрагментов структурно-функциональной модели. Для фрагментов, реализующих элементарные структуры, измеряется время выполнения.

Логико-алгебраическая модель профилируемого описания структурно-функциональной модели имеет вид:

LM = {Ob, S, Е, Р},

где Ob = {obi, ob2,..., ob„ } - множество объектов, каждый из которых описан на языке описания и задается в виде obj = {паше,, type;, ш,, vi, funj, ei5 pj, где namei-

имя объекта; typej - тип объекта (регистр, память, счетчик, триггер и т.д.); ms -множество элементов памяти (входы, выходы, память); Vj - множество переменных, используемых в funi; funj - функциональное описание объекта, которое содержит множество программных функций, формирующих в! -события, активизирующие операции измерения и тестирования для текущего объекта; pi - параметры профилирования фиксируемые для объекта; S -множество связей между объектами; Е - множество событий, активизирующих операции измерения и тестирования для модели; Р - множество фиксируемых параметров профилирования модели.

Множество фиксируемых параметров профилирования Р строится таким образом, чтобы обеспечить классификацию профилируемого объекта.

Для классификации профилируемых объектов используются самоорганизующиеся карты Кохонена (KCN - Kohonen Clastering Networks). Сеть KCN для классификации структурно-функциональной модели проектного решения имеет один слой нейронов. Размерность вектора каждого нейрона равна количеству параметров профилирования Р.

Точность, с которой происходит классификация представленного описания в соответствии с multidimensional scaling (MDS) имеет вид:

E_y(e(i,j)-d(i,j))2 t d(i.j)

где d(ij) - расстояние между вычисленными параметрами структурно-функциональной модели и параметрами, хранящимися в нейроне-классификаторе и e(i,j) - евклидово расстояние между соответствующими параметрами.

Высчитывая Е, определяются модели, хранящиеся в базе данных, наиболее подходящие по типу описания к разработанной проектировщиком.

В зависимости от полноты анализа и представленной информации заполняются ячейки базы данных. Формально такую ячейку можно описать как:

S = 2{Fm,Ip},

где Fm - структурно-функциональная модель, 1р - информационное описание, предоставляемое проектировщиком о данной структурно-функциональной модели.

Информационное описание может содержать чертежи, техническую документацию. Проектировщик при этом указывает ссылки на соответствующие файлы.

Fm = {Ob, Sv, Р, Kl),

где Ob - объекты, входящие в структуру модели, Sv - связи между объектами, Р -параметры профилирования данной модели в виде KCN, К1 - классификационный признак структурно-функциональной модели.

Объекты, входящие в структуру модели, описываются следующим образом.

Ob = {Ar, Р ,К1},

где Ar ~ структурное описание объекта модели, Р - параметры отдельного элементарного объекта, К1 - классификационное описание объекта.

Описание объекта структурно-функциональной модели представляет собой следующую структуру:

Ar = I(El,T,Z},

где Е1 - естественное описание сохраняемого элемента, Т - тип элемента, Z -значение данного элемента;

Комплексная нейро-семантическая сеть анализа описания выглядит следующим образом:

где I, IV - слои нейронов-идентификаторов, II,V - управляющие нейроны, III,VI -нейроны ошибки, VII - слой нейронов профилирования, ПП - промежуточное представление, fb f2,..., fn - функция преобразования, © - унифицированный вид, НС-БД - нейро-семантическая база данных.

В третьей главе разрабатываются алгоритм преобразования СФМ на БОА в форму шаблона для автоматического синтеза (для описания шаблонов предлагается язык ПБОА), элементы алгебры преобразования описания в шаблон, способы разработки ЛСФМ ЦАС с применением БД и язык запросов к БД ЛСФМ.

Для автоматической генерации программных моделей разработано промежуточное представление проектных решений (ПБОА), которое базируется на встроенном в систему языке моделирования БОА.

В ходе создания шаблона необходимо выполнить следующие этапы:

1. Преобразовать объекты СФМ на БОА в ПБОА.

1.1. Выявить зависимости между входными ячейками, ячейками памяти и выходами.

1.2. Объявить переменные объекта, которые служат для связи.

2. Преобразовать СФМ на БОА в ПБОА.

2.1. Определить переменные сигналов на ПБОА.

2.2. Определить очередность срабатывания объектов.

2.3. Определить объекты, которые получают данные из модуля сопряжения.

2.4. Корректировать очередности срабатывания объектов ЛСФМ.

2.5. Задать алгоритм преобразования переменных сопряжения ЛСФМ.

2.6. Преобразовать описание объектов БОА в ПБОА

2.7. Преобразовать описание СФМ на БОА в ПБОА.

Описание объекта на БОА представляет собой описание структурной и функциональной части.

В описании структуры объекта объявляются входы, выходы и ячейки памяти, участвующие в преобразовании выходов от входов. При анализе данной конструкции языка необходимо выявить все структуры.

Описание функциональной части служит для описания функции преобразования входных сигналов и формирования выходных. Описание производится с помощью стандартных конструкций языка: условий, циклов, математических операции.

В ходе анализа функциональной части выявляются функции зависимости структурных элементов объекта. Введены две функции зависимостей: прямой и косвенной (¿к).

^ (функция прямой зависимости переменных) - функция зависимости называется прямой, если при анализе описания функциональной части объекта на входном языке возможно однозначно определить функцию преобразования одной структурной переменной от другой.

¿к (функция косвенной зависимости переменных) - функция зависимости называется косвенной, если при анализе описания функциональной части объекта на входном языке определить функцию преобразования одной структурной переменной от другой не возможно.

Введены следующие правила вычисления функций друг относительно друга:

1) Ш) = ЪОЦ), если 3 (^а, к), «к, ]));

2) Ш) = если Э^О, к), ^,(к,]))||3(^,(1 к), «к,]));

3) «у) = №,]), если 3 (ад, к), ])).

Дополнительно при анализе объектов необходимо учитывать следующие условия:

1) Если при анализе выявлены только то необходимо задать направление заполнения.

2) Если при анализе не возможно выявить ^(Пвых, Пвх), то необходимо задать правило преобразования адк) такое, чтобы вычислялось (^(Пвых, ¡),зад, Пвх)) V (ад, Пвх),31:п(Пвых, 0), где - переменные участвующие в преобразовании. Вычисление ад, ГГВХ) или ^(Пвых, ¡) определяется направлением заполнения. Пвх -переменная, отвечающая за вход, Пвых- переменная, отвечающая за выход.

Основным связующим звеном между объектами в ЛСФМ являются сигналы, связывающие сигналы выходов с сигналами входов объектов. Все связи между объектами в ЛСФМ являются равноценными, поэтому необходимо определять порядок их заполнения (срабатывания).

Для этого необходимо определить следующие параметры:

1) Связи между объектами. Анализируя связи между объектами, определяются дополнительные функции зависимости переменных объектов. Но данные зависимости возникают между переменными разных объектов, а не переменными внутри одного объекта.

2) Определяются входы ЛСФМ. Входами структурно-функциональной модели на БОА являются те, на которые в теле описания подаются пользовательские сигналы. Обычно данные сигналы являются "висячими", т.е. у данных входных переменных объекта нет связей с выходными переменными других объектов.

3) Определяется порядок следования сигналов в ЛСФМ. Это определяется в ходе испытания модели проектировщиком. В ходе испытания, определяются временные промежутки срабатывания отдельных объектов и порядок следования сигналов по объектам.

Выявление всех функций зависимости и структур объектов происходит в ходе анализа структур языка с помощью нейро-семантической сети, представленной во второй главе.

Для сокращения количества вводимых переменных в шаблон, определяются структурные зависимости объектов внутри ЛСФМ.

СФМ на ПБОА с точки зрения заполнения можно представить следующим образом:

F= {0|(xbyi=f(xi)), 02(x2=yi,y2=f(x2)),..., On(xn=yn. i ,y n=f(x„)); s1->0102.....

s„.i->On.iOn},

где x11y1 - размеры входных и выходных данных объектов, О, - объекты, входящие в структуру ЛСФМ, s, - связи между объектами ЛСФМ, f, - функция преобразования выхода от входа объекта.

Для заключительного представления СФМ на ПБОА необходимо определить порядок следования сигнала(ов) в модели. Это может быть сделано в ходе испытания модели проектировщиком, вместе с профилированием или путем анализа прохождения сигнала по структуре, после указания проектировщиком объектов, параметры которых рассчитываются из выходных данных модуля сопряжения.

После определения порядка срабатывания объектов в СФМ, объектов, функциональность которых не изменяется (изменяется только размерность входных сигналов), объектов, внутренние параметры которых задаются внешними данными и объектов с прямой зависимостью выходных параметров от входных, определяется количество переменных и последовательность разбора. Если количество переменных превышает объем получаемый из модуля сопряжения, то пользователь дополнительно указывает правила расчета лишних переменных.

В результате всех расчетов строится шаблон артефакта СФМ на ПБОА.

Для упрощения представления правил преобразования описания СФМ на БОА в ПБОА введены элементы алгебра разбора СФМ. С помощью операторов данной алгебры пользователь может корректировать или создавать правила (последовательность) преобразования СФМ в шаблон.

Арм= { CU(V), Ffm }, где CU(0)= {Ai(Oi), А2(02), ... , An(On) | n e N} - множество объектов-операторов алгебры. Каждый элемент множества ассоциирован с объектами, описанными в ЛСФМ (Оп);

Ffm = Cm" (Aj, А2,..., Ап) | n, m е N} - множество операций над множеством CU(O);

N - множество натуральных чисел.

Рассмотрим состав множества алгебраических операций Ffm подробнее.

Операции алгебры разбора СФМ:

1) "шаг операции разбора" (сОператор 1> • <Оператор 2>) - состоит в том, что сначала выполняется <Оператор1>, а затем <Оператор2>. оператор N -ассоциирован с элементарным объектом СФМ.

2) "дизъюнкция" <Оператор1> • (<АльтВыражение1> V <АльтВыражение2>) *<Оператор2> - состоит в том, что если выполняется оператор 1 (срабатывает объект с которым ассоциирован оператор1), то выполняется АльтВыражение!, если нет, то АльтВыражение2.

3) "параллельный разбор" <Оператор1> • [<Выраж1> П <Выраж2>... П ... <Выраж№>] • <Оператор2>- состоит в том, что если выполняется оператор 1, то параллельно выполняются Выраж1,..., ВыражЫ.

4) "УДО" (условие достижения объекта) <ПровОператоры> <Оператор> -состоит в том, что Оператор не может начать выполнение, пока не закончатся ПровОператоры.

Анализируя возможные применения БД ЛСФМ и формы представления ЛСФМ на ПБОА, можно выделить четыре способа разработки ЛСФМ: прямое программирование, программирование с подстановкой, автоматическая генерация ЛСФМ, автоматическая генерация ЛСФМ с подстановкой.

Прямое программирование.

Это самый быстрый способ достижения результата в случаях, когда требуется разработать программную модель относительно несложной схемы, либо модифицировать имеющийся исходный код для расширения функционачьных возможностей модели.

Программирование с подстановкой

На основе результатов анализа объекта моделирования проектировщик строит структуру модели. Объекты, которые участвуют в описании функционирования модели, подставляются в модель из БД. Выбор объектов производится по критериальным параметрам, заданным проектировщиком.

Автоматическая генераг1ия ЛСФМ

Производится при помощи сохраненных в БД струюур СФМ на ПБОА. Количество входных данных определяется в ходе преобразования БОА в ПБОА.

После генерации структуры программы проводится тестирование, основная цель которого в том, чтобы создать условия для испытания и оптимизации, в ходе испытаний проводятся измерения критериальных параметров сгенерированной структуры и делаются улучшения значений за счет выбора других структур аналогичных моделей.

За счет автоматической генерации различных структур значительно сокращается время на разработку нового устройства, т.к. за достаточно короткий промежуток времени Удается протестировать несколько конструкций. Если в ходе выбора конструкций не удалось получить устройство с требуемыми параметрами, выбирается наиболее близкая модель и в нее вносятся изменения.

При автоматической генерации сокращается количество параметров тестирования сгенерированной программы, т.к. считается, что в ПБОА хранится полностью отлаженная программа.

Автоматическая генераг{ш ЛСФМ с подстановкой

Автоматическая генерация ЛСФМ с подстановкой является сочетанием второго и третьего метода разработки, при этом на основе сохраненных в ПБОА конструкций можно создать абсолютно новое устройство.

В процессе проектирования проектировщик запрашивает у системы артефакты сохраненных лингвистических структурно-функциональных моделей. Система на запросы проектировщика должна обладать средствами для поиска и выдачи, наиболее подходящих под запрос, артефактов моделей. Совокупность операций, методов и процедур, направленных на отбор данных, хранящихся в БД и соответствующих заданным условиям называется информационным поиском.

Система проектирования лингвистических структурно-функциональных моделей с БД должна обладать несколькими видами поиска: документальным, фактографическим, структурным.

Документальный и фактографический поиски предназначены для поиска в описании артефакта проектного решения, в документах и описании самих документов и проектного решения, которые дает проектировщик.

Структурный поиск предназначен для поиска артефактов моделей по параметрам, заданным пользователем.

Документальный поиск предназначен для поиска документов в больших хранилищах данных. Документальный поиск выдает сведения о документах, основное содержимое которых представлено в виде текста.

Фактографический поиск ищет полное совпадение в тексте описания текста запросу проектировщика. Но при данном подходе, если проектировщик не дал хорошего описания документации, поиск завершается с нулевым результатом.

Структурный поиск дополняет предыдущие два поиска, отражая найденные артефакты в виде семантической структуры.

Для описания механизма структурного поиска в БД введем следующие обозначения: D — множество хранимых артефактов ЛСФМ в БД, d, е D — i-й артефакт ЛСФМ, D, с D — подмножество артефактов ЛСФМ. Под артефактом ЛСФМ в данном контексте понимается как описание программной модели, так выявленные и сохраненные параметры данной модели в виде карты Кохонена.

Зададим на D оценку смысловой близости пары моделей rCd^dj) > 0. При г = 0 модели d, и dj эквивалентны по смыслу. Для несопоставимых моделей г не определена. Также введем оценки параметров ЛСФМ S = (Si,S2,...,Sk), k>0. Пусть оценка каждого параметра Sf выражается действительным числом, принадлежащим некоторому интервалу. Для определенности примем, что чем больше значение Sf, тем важнее для пользователя данный параметр.

Поисковый запрос может рассматриваться как виртуальный артефакт z. ему точно соответствует модель d,. Чем меньше г, тем найденная модель более соответствует требуемым параметрам. В идеальном случае (r(z, d,) = 0).

Эффективность поиска артефактов оценивается по информационной полноте и информационному шуму. Задавая параметры точности и полноты, проектировщик может указать системе, каким параметрам при отборе хранимых в БД ЛСФМ отдавать предпочтение.

В четвертой главе рассматривается авторская разработка - система проектирования SMAPU, в которой для анализа и синтеза артефактов лингвистических структурно-функциональных моделей используется нейро-семантическая сеть.

В разделе приводится общая структура разработанной системы проектирования, в состав которой входят:

- система структурно-функционального моделирования;

- подсистема графического оформления объектов ЛСФМ;

- подсистема графического оформления СФМ;

- текстовый редактор для лингвистического структурно-функционального описания моделей;

- транслятор языка БОА;

- текстовый визуализатор процесса функционирования СФМ;

- графический визуализатор процесса функционирования СФМ;

- библиотека графических и языковых описаний объектов СФМ;

- система сопряжения с авторскими САПР;

- подсистема выбора структуры СФМ;

- подсистема преобразования и кодирования выходных сигналов авторской САПР;

- подсистема преобразования ПБОА в БОА;

- система анализа СФМ построенная на базе НСС;

- подсистема анализа языкового описания СФМ;

- подсистема преобразования описания в унифицированную форму;

- подсистема классификации описания;

- подсистема хранения СФМ (БД);

- подсистема поиска СФМ в БД;

- подсистема обратного преобразования унифицированной формы;

- блок преобразования описания на БОА в ПБОА;

- система профилирования СФМ;

- подсистема обновления БД.

Приводится описание построения каждой системы, подсистемы и выполняемых ими функций. Приводится описание особенностей разработанного и встроенного в систему базового языка описания аппаратуры БОА, транслятора построенного по стандартному принципу. Описывается процесс разработки и описания компонентов, структуры модели проектного решения: разработка графического представления объектов, целиком схемы, текстового описания и средства пополнения библиотечных элементов. Описание процесса отладки, верификации модели, просмотр результатов моделирования. Возможности -системы по автоматической генерации моделей.

Описывается реализация нейро-семантической сети в системе извлечения знаний для анализа описания артефактов ЛСФМ ЦАС.

Приводится описание возможностей системы для анализа структурно-функционального описания модели артефакта проектного решения:

1) Настройка нейро-семантической сети для лексического и синтаксического анализа пользовательского описания. На настройку влияет форма унифицированного вида хранения структурно-функциональных моделей. Приведено описание основных компонентов унифицированного вида, в которое должна быть преобразована модель в результате работы анализатора описания.

2) Настройка системы под параметры профилирования ЛСФМ.

Для классификации объектов модели вводятся определяемые параметры профилирования: время срабатывания, наличие функций прямой зависимости ^(ячейка памяти, вход) , ^(выход, ячейка памяти), ^(выход, вход), наличие массива в структуре, операции цикла, сдвига, наличие флагов: размерность входа равна выходу, размерность выхода больше входа, размерность выхода меньше входа, еденичные входы и выходы. В данном случае количество параметров 12. Но, в общем случае, количество параметров профилирования может изменяться и задаваться пользователем. Правила и порядок заполнения параметров происходит с помощью применяемых в п.1. событий.

Приведено описание настройки и структуры карт Кохонена для классификации отдельных объектов и структурно-функциональных моделей в целом.

3) Приведено описание структуры базы данных ЛСФМ. Описывается система поиска; язык запросов, который имеет возможность настройки по точности требуемых параметров. • Рассматривается форма выдачи описания модели, вид которой определяется пользователем.

Для оценивания эффективности применения нейро-семантической сети для обработки ЛСФМ была разработана методика оценки по 3 позициям: анализ описания, эффективность поиска, построение шаблонов. Сравнение производилось на основе описания микропрограммных устройств управления. Эффект от применения НСС и языка с классификационными метками для анализа ЛСФМ составляет выигрыш по времени описания параметров модели в 1,5 - 4,54 раз. Эффект применения предпочтений в поисковом запросе оценивался при помощи показателя эффективности Ван Ризбергена и составляет выигрыш от 1,01 до 1,19 раза. Эффективность построения шаблонов производилось на основе сравнения с системой проектирования Quartus (применение мегафункций). Эффект от применения метода построения шаблонов микропрограммных устройств управления составляет выигрыш по срокам создания шаблона в 1,83 - 2,8 раза.

В заключении приведены основные выводы и результаты диссертационной работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработан язык описания структурно-функциональных моделей проектных решений (БОА - базовый язык аппаратуры), отличающийся от известных наличием классификационных меток используемых объектов, что позволяет проводить анализ и классификацию артефактов ЛСФМ в системах проектирования, созданных на базе НСС.

2. Разработан нейро-семантический подход обработки ЛСФМ. Применение данного подхода позволяет реализовать в системе проектирования обучение распознаванию подаваемых на вход образов описаний без использования программирования, что дает возможность настраивать систему проектирования на заданное описание самим проектировщикам. Использование для хранения правил описания и составления слов сетевой формы, позволяет представить лексический и синтаксический анализатор в удобном для восприятия виде, что дает возможность реализовать в системе проектирования настройку редактора под требуемый лексический и синтаксический вид описания.

Анализатор, построенный на базе нейро-семантической сети, позволяет перевести описание во внутреннее унифицированное представление, которое может быть использовано для проектирования новых моделей, провести профилирование ЛСФМ ЦАС. Унифицированная форма позволяет представлять ранее разработанные проекты в требуемом проектировщиком виде, отображать структуру и параметры моделей, что дает возможность упростить процесс реинжиниринга.

3. Разработана модель классификации объектов проектирования на базе карт Кохонена, что позволяет автоматически классифицировать артефакты моделей проектных решений по типам, хранить параметры уже обработанных артефактов.

4. Разработана методика и алгоритм преобразования структурно-функциональных моделей на БОА в форму шаблона, что позволяет использовать разработанные артефакты моделей при автоматическом синтезе новых ЛСФМ.

Шаблонная форма описания модели на ПБОА позволяет:

- в автоматическом режиме генерировать структурно-функциональную модель нового устройства на основе заданных входных данных.

- сократить время на разработку структурно-функциональных моделей проектирования за счет широкого варьирования функциональными и структурными особенностями.

5. Предложены элементы алгебры преобразования описания модели на языке БОА в шаблон. Применение алгебры позволяет вносить изменения в процесс преобразования описания ЛСФМ в шаблон и определять собственный алгоритм преобразования.

6. Разработана форма хранения артефактов ЛСФМ ЦАС, которая позволяет хранить в единой базе модели, описываемые на различных языках описания.

7. Разработан язык запросов системы поиска в БД, позволяющий пользователю определять системе, какие параметры ему более предпочтительны.

8. Разработана система проектирования SMAPU, эксперименты с которой позволили добиться снижения времени описания и преобразования моделей в 1,4 - 2,8 раза за счет применения разработанных методов обработки ЛСФМ ЦАС.

ПУБЛИКАЦИИ

1. РОСПАТЕНТ: СВИДЕТЕЛЬСТВО об официальной регистрации программы для ЭВМ № 2004611286. Система графического редактирования и визуализирования схемных объектов - Москва, 2004.

2. РОСПАТЕНТ: СВИДЕТЕЛЬСТВО об официальной регистрации программы для ЭВМ № 2004611289. Транслятор схемных описаний - Москва, 2004.

3. РОСПАТЕНТ: СВИДЕТЕЛЬСТВО об официальной регистрации программы для ЭВМ № 2004611290. Система моделирования событийно управляемых процессоров - Москва, 2004.

4. Игонин А.Г. Система моделирования ассоциативных устройств управления // Interactive Systems: The Problems of Human-Computer Interaction 2003: Proceedings of the International Conference.- Ulyanovsk: U1STU, 2003, ISBN 5-89146-677-5-pp.161-162

5. Афанасьев A.H., Игонин А.Г. Проектирование ассоциативных процессоров управления с применением нейронной семантической сети // Сборник статей Международной конференции "Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике" (КЛИН-2005), 2005, ISBN 589146-587-3 - с. 4-6.

6. Афанасьев А.Н., Игонин А.Г. Применение нейронной семантической сети в принятии решений в САПР // Сборник статей Международной конференции "Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике" (КЛИН-2005), 2005, ISBN 5-89146-587-3 -с.7-8.

7. Афанасьев А.Н., Игонин А.Г. Применив нейро-семантических сетей для обработки функциональных моделей проектных решений // Вестник УлГТУ, Ульяновск, №2,2006, ISSN 1674-7016 - с. 69-73.

8. Афанасьев А.Н., Игонин А.Г. Разработка метода синтеза проектных решений на основе нейросетевого подхода // Interactive Systems: The Problems of Human-Computer Interaction 2005: Proceedings of the International Conference-Ulyanovsk: U1STU, 2005, ISBN 5-89146-677-5 - pp. 44-46

9. Игонин А.Г. Система моделирования ассоциативных устройств управления // Сборник статей Международной конференции "Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике" (КЛИН-2005), 2005, ISBN 5-89146-587-3 - с.45-46.

10. Афанасьев А.Н., Игонин А.Г. Нейро-семантический подход к обработке функциональных моделей вычислительной техники // Известия высших учебных заведений Поволжский регион Серия Технические науки №6, Пенза, 2006, ISSN 1728-628Х

11. Афанасьев А.Н. Игонин А.Г. Применение нейро-семантических сетей для анализа и синтеза структурно-функциональных моделей в системах проектирования // Системы управления и информационные технологии №4(26), Воронеж, 2006, ISSN 1729-5068 - с. 12-15

СПИСОК СОКРАЩЕНИЙ

APT -адаптивно-резонансная теория БД - база данных

БОА - название разработанного и встроенного в систему проектирования языка описания

ЛСФМ - лингвистическая структурно-функциональная модель

НСС - нейро-семантическая сеть

ПБОА - язык шаблонов

ПП - промежуточное представление

СФМ - структурно-функциональная модель

ЦАС - цифровые аппаратные средства

ЯО - язык описания

KCN - самоорганизующиеся карты Кохонена

АВТОРЕФЕРАТ

ИГОНИН Андрей Геннадьевич

Разработка методов и 'средств обработки лингвистических структурно-функциональных моделей цифровых аппаратных средств на основе нейро-семантических сетей

Подписано в печать 17.01.2007. Формат 60x84/16. Бумага писчая. Усл. п. л. 1,17.

_Тираж 100 экз. Заказ № 36_

Типография УлГТУ, 432027. Ульяновск, Сев. Венец, 32

Оглавление автор диссертации — кандидат технических наук Игонин, Андрей Геннадьевич

Введение 2007 год, диссертация по информатике, вычислительной технике и управлению, Игонин, Андрей Геннадьевич

Заключение диссертация на тему "Разработка методов и средств обработки лингвистических структурно-функциональных моделей цифровых аппаратных средств на основе нейро-семантических сетей"

БиблиографияИгонин, Андрей Геннадьевич, диссертация по теме "Системы автоматизации проектирования (по отраслям)"