автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы теоретико-множественного анализа сложных вычислительных систем на базе нейропроцессоров

На правах рукописи

484/3/■

Романчук Виталий Александрович

АЛГОРИТМЫ ТЕОРЕТИКО-МНОЖЕСТВЕННОГО АНАЛИЗА СЛОЖНЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ НА БАЗЕ НЕЙРОПРОЦЕССОРОВ

гл —.

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 9 МАЙ 2011

¿1. V V

Рязань-2011

4847371

Работа выполнена на кафедре информатики и вычислительной техники ГОУВПО "Рязанский государственный университет имени С.А. Есенина".

Научный руководитель: доктор технических наук, профессор

Ручкин Владимир Николаевич

Официальные оппоненты: доктор технических наук, профессор

Ларкин Евгений Васильевич

кандидат технических наук, главный специалист филиала ФГУП «ГНПРКЦ «ЦСКБ-Прогресс» - ОКБ «Спектр» Гриць Валерий Матвеевич

Ведущая организация:

ФГУП «Центральный научно-исследовательский институт связи»

Защита состоится 8 июня 2011 года в 12 часов на заседании диссертационного совета Д 212.211.01 в ГОУВПО "Рязанский государственный радиотехнический университет" по адресу: 390005, г. Рязань, ул. Гагарина, д.59/1.

С диссертацией можно ознакомиться в библиотеке ГОУВПО "Рязанский государственный радиотехнический университет"

Автореферат разослан 4 мая 2011 года.

Ученый секретарь диссертационного совета

канд. техн. наук, доцент

В.Н. Пржегорлинский

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время для классических процессоров практически достигнут технологический предел. Одним из выходов из данной ситуации является использование нового поколения вычислительной техники, например, нейрокомпьютеров. Нейрокомпьютер - ЭВМ, основной операционный блок (нейропроцессор) которой построен на основе нейронной сети, то есть реализует нейросетевые алгоритмы.

Сейчас нейрокомпьютерная технология является одним из наиболее быстроразвивающихся разделов вычислительной техники и новым - "интеллектуальным" этапом ее развития. Но для дальнейшего развития в этой области существует ряд проблем, одной из которых является небольшая частота нейрочипов (30-150 МГц). Для ее решения одним из лучших методов является использование многопроцессорных архитектур. Вычислительные системы на базе нейропроцессоров - нейропроцессорные системы (НПС) отличаются высокой эффективностью при их использовании вследствие следующих причин:

• алгоритмы нейроинформатики высокопараллельны за счет использования нейросетевого базиса;

• НПС можно легко сделать устойчивыми к помехам.

Одной из проблем, мешающих созданию эффективных многопроцессорных структур на базе нейропроцессоров является то, что анализ и оценка эффективности специализированных многопроцессорных систем на базе нейропроцессоров являются очень сложными процессами, так как для нейропроцессоров и систем на их базе нет необходимых подходов, алгоритмов и программных средств анализа. Исследования в этой области позволят проводить эксперименты, связанные с анализом и оценкой эффективности НПС различного вида и с различным числом процессорных модулей (ПМ). Поэтому актуальны исследования с целью создания методики, алгоритмов и программных средств на основе новых теоретико-множественных подходов к анализу и оценке эффективности НПС. Актуальность поставленной задачи будет увеличиваться с развитием вычислительной техники в области нейропроцессорных технологий.

Степень разработанности темы. Среди наиболее популярных работ в области исследования нейропроцессорных технологий можно выделить работы А.И. Галушкина, А.И. Горбаня, ИЛ. Акушского, Л.Г. Комар-цовой, A.B. Савельева, М.Г. Доррера, Т.К. Kohonen, J.J. Hopfield, R. HechtNielsen и др. В области многопроцессорных параллельных систем следует отметить труды В.В. Воеводина, Вл.В. Воеводина, A.B. Каляева, И.А. Каляева, В.П. Корячко, В.А. Курчидиса, О.М. Брехова и др., в области программного обеспечения для специализированных средств обработки информации-работы ученых М.С. Долинского, В.Ю. Зотова, В.Е. Чернова.

В работах научных коллективов под руководством А.И. Галушкина и А.И. Горбаня определены возможности организации многопроцессорных систем на базе нейропроцессоров, но не была разработана теория анализа таких систем. Также в работах А.И. Галушкина описаны подходы и даны алгоритмы оценки производительности нейрокомпьютеров, но этот подход не. учитывает структуру нейропроцессора и результатом работы таких алгоритмов является количество выполненных специализированных операций, использованных в качестве тестов. В данной работе предлагается подход, согласно которому исследуются структурные связи и закономерности функционирования ПМ, на основе чего описываются аналитические выражения и разрабатываются алгоритмы оценки его эффективности.

В работах научных коллективов под руководством В.В. Воеводина, Вл.В. Воеводина, A.B. Каляева, И.А. Каляева, В.П. Корячко, В.А. Курчи-диса описана теория для анализа многопроцессорных систем, но нейро-процессоры не были рассмотрены как особый класс процессоров. В данной работе исследуются общие принципы функционирования и описывается обобщенная модель нейропроцессора, выделенного в особый класс.

Цель диссертационной работы состоит в разработке методики, алгоритмов теоретико-множественного анализа и оценки эффективности сложных вычислительных систем на базе нейропроцессоров.

Основные задачи исследования:

• аналитический обзор нейропроцессорных устройств с целью описания их принципов функционирования и сравнительный обзор программных средств анализа многопроцессорных систем и устройств;

• разработка методики теоретико-множественного анализа НПС;

• классификация нейропроцессорных структур;

• описание аналитических выражений оценок эффективности для каждого типа структуры НПС и отдельного ПМ;

• системный анализ и описание закономерностей функционирования нейропроцессоров, разработка алгоритмов их анализа и оценки эффективности;

• системный анализ и описание закономерностей функционирования НПС, разработка алгоритмов их анализа и оценки эффективности;

• разработка алгоритмов для реализации предложенной методики;

• разработка программных средств теоретико-множественного анализа НПС в соответствии с предложенной методикой.

Методы исследования. Для решения поставленных задач используются теоретико-множественный подход, теория графов и конечных автоматов, теория планирования параллельных вычислительных процессов, теория математического и системного анализа.

Научная новизна работы состоит в следующем.

1. Предложена методика теоретико-множественного анализа вычислительных систем на базе нейропроцессоров.

2. С использованием теоретико-множественного подхода предложена классификация многопроцессорных структур на базе нейропроцессоров.

3. На основе использования одного и того же теоретико-множественного подхода применительно к программным и аппаратным средствам системы, предложены аналитические выражения оценок эффективности различных структур НПС и отдельного ПМ.

4. На основе описания закономерностей функционирования сложных НПС и нейропроцессора, предложены алгоритмы оценки их эффективности и теоретико-множественного анализа.

5. Разработаны алгоритмы исследования и описания системных связей элементов нейропроцессорной структуры и определения вида структуры исходя из этого описания.

Достоверность основных положений подтверждается:

• результатами экспериментов, полученными при теоретико-множественном анализе различных вариантов НПС шифрования методом, ГОСТ 28147-89 с использованием алгоритмов анализа, оценки эффективности НПС и ПМ, эмулятора нейропроцессора NM6403 и платы МС4.31;

• • внедрением полученных результатов в НТЦ «Модуль».

Практическая ценность работы состоит в следующем:

1. Разработанные алгоритмы анализа и оценки эффективности, описанная методика теоретико-множественного анализа НПС, позволяют оценить эффективность НПС и каждого ПМ и, в дальнейшем, повысить их эффективность, используя различные методы оптимизации.

2. Разработан программный комплекс "НейроКС", обладающий функциональными возможностями, позволяющими осуществить теоретико-множественный анализ вычислительных систем на базе нейропроцессоров семейства NM640x или их моделей и эмуляторов.

На защиту выносятся:

• методика теоретико-множественного анализа НПС и классификация многопроцессорных структур на базе нейропроцессоров;

• аналитические выражения оценок эффективности НПС конвейерного, векторного, конвейерно-векторного, векторно-конвейерного, произвольного вида, а также отдельного нейропроцессора;

• алгоритмы теоретико-множественного анализа и оценки эффективности сложных НПС и ПМ на основе результатов системного анализа и описания закономерностей их функционирования;

• алгоритмы определения связей элементов вычислительной структуры на базе нейропроцессоров и определения вида структуры НПС

на основе описания связей ее элементов.

Апробация результатов диссертации. Результаты исследования докладывались и обсуждались на пяти международных конференциях: «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2010); «Молодежь. Наука. Инновации» - по 2 доклада (Пенза, 2010, 2011); «Ломоносов» (Москва, 2010, 2011) и четырех всероссийских конференциях: «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, 2009); «Информационные и телекоммуникационные технологии. Подготовка специалистов для инфокоммуникативной среды» (Рязань, 2009); «Приоритетные направления современной российской науки глазами молодых ученых» (Рязань, 2010); «Молодые исследователи - регионам» (Вологда, 2010).

Результаты исследований были представлены на конкурсах, где были получены следующие документы: диплом победителя всероссийской студенческой олимпиады «Конкурс компьютерных программ»; диплом лауреата премии по поддержке талантливой молодежи, установленной Указом Президента РФ; диплом Министерства образования Рязанской области за высокий уровень научно-исследовательского проекта; сертификат лауреата второй премии всероссийского конкурса научных работ; диплом победителя конкурса «Молодой ученый года» им. И.П.Павлова.

Публикации. Основные результаты работы опубликованы в 25-ти печатных работах: 14 статей (из них 3 - в изданиях, рекомендуемых ВАК), 9 тезисов докладов, свидетельства о регистрации электронного ресурса.

Реализация и внедрение результатов работы. Результаты исследования внедрены в ЗАО «НТЦ "Модуль"» и в учебном процессе Рязанского государственного университета имени С.А.Есенина. Завершен НИ-ОКР 1 -го года и выполняется НИОКР 2-го года по заказу ООО «НАНИТ».

Результаты практических исследований были представлены на конкурсах, где были получены следующие документы: дипломы за лучший инновационный проект на международной конференции "Ломоносов" и I Фестивале науки стран СНГ; диплом полуфиналиста конкурса инновационных проектов "Зворыкинский проект"; почетная грамота победителя программы У.М.Н.И.К.

Структура и объем работы. Диссертация состоит из введения, 4-х глав, заключения, библиографического списка (95 наименований) и 4-х приложений. Основной текст работы содержит 148 страниц, 4 таблицы и 102 рисунка.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, изложены цель и задачи исследования, приведена структура работы.

Первая глава посвящена основным вопросам работы и анализа

нейропроцессорных устройств, систем на их базе. Исходя из аналитического обзора нейропроцессорных устройств, выделены их общие свойства и принципы функционирования. Проведен аналитический обзор программного обеспечения для анализа многопроцессорных устройств и процессоров, определены основные направления дальнейших исследований.

Описан предмет исследования - далее под нейрокомпьютером понимается вычислительная система с архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных в нейросетевом логическом базисе.

Далее в работе проведен анализ и выявлены общие принципы функционирования нейропроцессоров: основным операционным блоком является совокупность искусственных нейронных сетей (ИНС), а алгоритм для нейрокомпьютера - это множество операций умножения с накоплением и команд управления, выполняемых в определенном порядке; нейропроцес-соры являются процессорами с высоким уровнем параллелизма; нет четкой привязки к разрядности операндов; наличие в системе команд специализированных операций. На основе перечисленных принципов описана обобщенная модель архитектуры нейропроцессора.

Был произведен обзор и выявлены недостатки программного обеспечения (ПО), близкого по функциональности к теме исследования. Его можно разбить на 2 группы: программы для анализа многопроцессорных систем (Tasking, MDK-ARM, System Studio, Incisive, MATRIXx, Winter) и программы анализа процессора, выполняющего параллельный код (AIMS, Jumpshot, Paradyn, Проект V-Ray).

Поставлены основные задачи диссертационного исследования:

• необходима классификация и разработка методики анализа вычислительных систем на базе нейропроцессоров с использованием теоретико-множественного подхода и с учетом общих принципов функционирования нейропроцессоров;

• анализ эффективности необходимо разделить на статический, в котором эффективность оценивается в целом, и динамический, в котором исследуется эффективность на каждом шаге функционирования. Для статического анализа НПС и ПМ необходимо описание аналитических выражений эффективности для каждого вида структуры, а для динамического анализа необходима разработка алгоритмов анализа с учетом закономерностей функционирования НПС и нейропроцессоров;

• необходимо создание многофункционального программного комплекса, обладающего возможностями анализа и оценки эффективности НПС и отдельного нейропроцессора.

Во второй главе предлагается методика теоретике-

множественного анализа НПС. Описаны классификация структур НПС и выбор критериев анализа. Проведен системный анализ НПС и ПМ и описаны аналитические выражения оценок эффективности для каждого вида структуры и отдельного нейропроцессора.

С учетом задачи исследования объектом теоретико-множественного анализа является вычислительная система на базе нейропроцессора.

Важное значение для дальнейших рассуждений имеет множество подпрограмм - \ь, загруженных на каждый ПМ в НПС и полу-

чаемых методами разделения программы РИи) реализации некоторого алгоритма ли), где программа представляет собой кортеж микрокоманд:

РЛи} =<МК^МКи...,МК„...,МК, >• (!)

Далее в работе предлагается методика теоретико-множественного анализа НПС. На входе имеем множество подпрограмм {ЛО,0)};/ = ГА;] = , загруженных на каждый ПМ в НПС. На выходе имеем оценки эффективности НПС т}'\ту\ту', ..Рассмотрим каждый этап предложенной методики:

1. Исследование связей между ПМ в НПС, на которые загружены подпрограммы из множества {Щ(Л};/ = 1,1;у = ■

2. На данном этапе необходимо определить вид НПС. Введем понятие структуры $ , под которым понимается отношение параллельности

выполнения подпрограмм , Кп между -м и г2 -м процессорными модулями е РЯи)- Отношение параллельности понимается как выполнение одновременно двух или несколько подпрограмм на разных ПМ. Тогда необходимо определить структуру $ е — 1, }¥ из множества всевозможных структур 5 = позволившую у-й программе рки) (1) поставить в соответствие множество подпрограмм

{Ж),0)};/ = и:

: ->{Щ0)};/ = Ц;У/ = ЦУ • (2)

3. На данном этапе необходимо осуществить анализ и получить оценки эффективности каждого нейропроцессора, входящего в состав НПС, например, 7,(<г,,7;(t),7;<',,... ДОЯ некоторого к-го нейропроцессора.

4. На этом этапе необходимо осуществить анализ и получить оценки эффективности НПС структуры для реализации алгоритма лш, например ти),ту\ти\...-

Алгоритм для нейрокомпьютера - это алгоритм реализации совокупности ИНС, а связи между ИНС являются связями между ПМ в НПС.

То есть, все подпрограммы представляют собой однородные алгоритмы реализации ИНС. Поэтому одним из наиболее рациональных вариантов классификации структур является классификация с использованием теоретико-множественного подхода, основанного на понятии равенства подпрограмм. Введем понятие равенства подпрограмм обработки информации НО] = КОк, под которым будет подразумеваться равенство длин подпрограмм и совпадение подпрограмм с точностью до команды:

1ЯО,1 = 1Юк1 п\

1 к {МК}л=МК<к),У1 = \,\1Ю;\ Рассмотренное отношение КО,8,а!Юк структуры 5у1 указывает на то, что любые две произвольно взятые подпрограммы и /ю1, удовлетворяющие (3), могут выполняться одновременно на разных ПМ, т.е.:

УЛО„ЯОк £ РЛи): ЛО^ЛО, • (4)

Справедливо утверждение о том, что отношение структуры обработки 5 есть отношение эквивалентности. Это отношение позволяет

и-

разбить всю программу ря™, определяемую согласно (1), на I классов эквивалентности, то есть на классы неравных между собой подпрограмм согласно (4):

Этот подход позволяет классифицировать получаемые структуры.

1. Если 1 = 1, порядок класса |а'| и информация передается последовательно, то структура конвейерная, если параллельно - векторная. Число ПМ в этом случае д =| ад | • (6)

2. Аналогичные рассуждения дня случая, когда число классов эквивалентности равно I, порядок каждого класса равен |0/ Число

ПМ в этом случае д = Ь- (7)

3. Если число классов эквивалентности равно I и порядок каждого класса равен | Я/1, то возможно несколько вариантов:

а) объединим все смежные подпрограммы, в которых информация передается параллельно, в К множеств в, У/ = 1Д-

Тогда с = {О,......Од-}- Если все подпрограммы 1Ю'1;1>,...,КО'1(' внутри множеств с,у1 = ЪК> обмениваются информацией последовательно, то структура является конвейерно-векторной. Число ПМ будет равно

1=1

б) объединим все смежные подпрограммы, в которых

информация передается последовательно, в V множеств в, = = ■ Тогда в = {в1,...,Су}- Если всем подпрограм-

мам внутри множества с(>у¡=ху информация необходима

одновременно, то структура векторно-конвейерная. Число ПМ будет равно ? = }|" (9)

(-1

3. В остальных случаях имеем НПС с произвольной архитектурой.

Число ПМ в этом случае: ,. (Ю)

ч = 2,1 а11

Одним из самых важных критериев эффективности, является производительность систем и устройств. Такие характеристики, как тактовая частота, позволяют оценить производительность достаточно неоднозначно, поэтому исходя из поставленных целей исследования из всего множества критериев эффективности были выбраны следующие величины:

• время проигрыша ти) - время, равное разности времени выполнения программы на НПС и времени выполнения на одном ПМ;

• время выигрыша т,и) - время, показывающее выигрыш за счет

обработки параллельных потоков данных за время обработки текущего потока.

И дополнительные величины:

• время выполнения 7*(Л - время, в течение которого обрабатывается программа ряи) на НПС структуры

• время простоев Т^ - суммарное для всех ПМ время, в течение

которого ПМ простаивает в ожидании данных;

• время обработки - суммарное для всех ПМ время, в течение

которого ПМ обрабатывает данные.

Далее произведен системный анализ каждого вида структуры НПС и определены аналитические выражения оценок эффективности. Например, если то¡л - время выполнения / -й подпрограммы / -го алгоритма, то для конвейерно-векторной НПС (рисунок 1) оценки следующие:

Время:

- работы: т™ = К*шах/6, ТО}л,У! = й; (И) -выигрыша: (12)

Ы 1-й/

- проигрыша:

Рис. 1 - Пример конвейерно- г<л = к * тах^ щп _ ¿го«', V/ = Ц.' векторной НПС "

ПМ 1

- ПМ2 -

ПМЗ

ПМ4

ПМЗ -1

ПМ6

- ПМ7

ПМ8

- простоев:

П? = - о * (1(тахш - ГО,1» ))),*/ = 1,Л'

- обработки:

(14)

(15)

/-1 Ы1М

Далее произведен системный анализ нейропроцессора, представленного в виде самостоятельной параллельной системы, с применением такого же теоретико-множественного подхода, как к НПС, и определены аналитические оценки его эффективности. В качестве примера выбран процессор семейства КМ640х как наиболее полнофункциональный представитель класса нейропроцессоров.

Блок процессора, выполняющий скалярные команды можно представить как показано на рисунке 2.

Тогда:

мк™ =<тоЦ},то£\тоЦ* > •

Время:

- проигрыша:рк) = гд, _£т,м; (16)

Пр$щхе«р сгюйетн КШ40ж

Рис. 2 - Выполнение скалярной команды процессора

- простоев: =3 * - XТО(1) (17)

- обработки:_ • (18)

Блок процессора, выполняющий векторные команды можно представить как показано на рисунке 3.

Тогда для левой части команды:

= 4,/сг, / = 1, VI = ТТЕ; МК™ =<ГОЦ>,ТО'Ц,ТО^,ТО^ >. Для правой части команды: ¿ = 5, /о,./ = 1,Уг = 1Д;

мк™ > ■

Мквраше )- —М>евфсмва

—АгтшшХ Агамии X

—Ц АптгааУ —АпхмдшТ

—»] Св«г |- -♦) Св»»г

Еычаэвпи Р —И Вычжжяя М

Рис. 3 - Выполнение векторной команды процессора - время проигрыша: тт -¿го;(1'»)-£го^)-гто?? '

- время простоев:

Т£ = 20* (ЛГ -1) * Г„(" + (Ы -1) * У ГО,""' - X ТО)к) '

- время обработки:

(19)

(20) (21)

= 20 * (Ы -1) * Г„<" + (ЛГ -1) * £ т0'"' -£го1"' Пусть ми) -число скалярных команд, выполняемых в системе, ми)-

число векторных команд. Тогда оценки эффективности НПС с учетом оценок каждого ПМ равны:

- время проигрыша: т _ + ^ym + ' (22)

i-1 i-1

- время выигрыша: Тв = Тва) ; (23)

- время простоев: w Ä {ff ; (24)

np ^ / . * ups ' * ■ ^

i-l

_ _ M> Mi

- время обработки: т _ рл ур» , у тю. (25)

р ~~ р Z-i Р3 pv

tel к-1

В третьей главе приведены алгоритмы определения связей элементов вычислительной структуры на базе нейропроцессоров и определения ее вида. Рассмотрены алгоритмы для анализа и оценки эффективности ПМ и НПС, описаны процесс системного анализа и закономерности функционирования ПМ и НПС.

• Разработаны алгоритмы определения связей элементов вычислительной структуры на базе нейропроцессоров. В основе этого алгоритма лежат алгоритмы заполнения элементов матриц:

- матрица м' = [M]j\ размерности qxN, где q - количество ПМ, а N - это

количество используемых элементов памяти. Элементы матрицы заполняются значениями, получаемыми по результатам работы синтаксического анализатора программы: '0' - элемент процессора не использовался в данной подпрограмме; '1' - элемент был присвоен; '2' - элемент был использован; '3' - элемент был использован, затем присвоен;

- матрица м~[Му] размерности qxq ■ Элементами матрицы являются

значения: '0' - нет связи между подпрограммами ПМ; ' Г - есть связь между подпрограммами ПМ; 'X' - запрещенные ячейки. Заполнение элементов реализуется с помощью реализации конечного автомата K=(S,Z,lV,â,Â,Sl) исходя из матрицы М' следующим образом:

т'Л=1)Л(Л/;,=2мл4 = з)) л (ш'„к=1) V (м'Пк =3))->Mi/=\;n=r+\j;

mt =3)л(м;< = 2) V (м'Л = з)) л {{M'nt =i)v(M;t=3))->My =i;«=Tï!j.

В остальных случаях ми =0 (т-е- нет связи).

• Разработаны алгоритмы определения вида структуры НПС на основе описания связей ее элементов, заключающиеся в проверке соответствия полученной матрицы всем признакам матриц для каждого типа структуры:

отличием матрицы связей конвейерной структуры является наличие значений 'Г по диагонали над главной диагональю матрицы (рис.4а); для векторной структуры: все значения ячеек равны '0' (рис.4б);

и

- для векторно-конвейерной структуры: все элементы равны '0', кроме некоторых значений ' 1' над главной диагональю матрицы (рис 4в);

- для конвейерно-векторной структуры: все значения ' 1' сгруппированы в прямоугольные контуры, которые упорядочены в матрице по принципу лестницы (рис.4г).

а) М,

я

X X X Л'

ООО

Т1о о

"По

х х .г

X X X X X

б) ЛГ =

в) Ы ~

Л"[Т| ооо X Л' о о о X -V А'О] о

X X Л' X

х х х х

Г),И =

|> 1 1 0

X 0 0 1

X X 0 1

X X X 1

X X X X X

Рис. 4 - Примеры матриц связи ПМ для каждого типа структуры

• Разработаны алгоритмы анализа и оценки эффективности ней-ропроцессоров на основе описания закономерностей их функционирования с помощью математического аппарата конечных автоматов.

Приведены конечные автоматы описания функционирования ней-ропроцессора при выполнении скалярной КБ = (5,2, И7, ¿,¿,5,) и векторной команды КУ = {Б,2,IV,8,Л,Ба также автоматов распознавания лексем кода для языка нейроассемблера. Алгоритмы анализа эффективности нейропроцессора используют выходные сигналы ¡¥¡,¿ = 1,3 автомата КБ и сигналы ^,/ = 1,8 автомата КУ.

• Разработаны алгоритмы анализа и оценки эффективности НПС на основе описания закономерностей их функционирования.

Цель состоит в получении матрицы загруженности МХ. Размерность матрицы равна / * д, где I - время выполнения программы на НПС (в тактах). Для получения значений элементов матрицы М2 были разработаны специальные алгоритмы с использованием математического аппарата конечных автоматов.

Конечный автомат ШР8 = (8,2,\¥,8,Л,3{) описания закономерностей функционирования НПС показан на рисунке 5.

г,

г, к,

я, г,

^ «и

Рис. 5 - Конечный автомат ШРБ описания функционирования НПС Значения элементов матрицы М2 можно определить по выходным сигналам алгоритма реализации конечного автомата ШРБ ■

Wl = A(Si) - ПМ находится в ожидании данных;

W.. = Ä(S2) - ПМ в момент времени tt обрабатывает данные;

W, = Я(&) " ПМ закончил обработку и ждет передачи данных следующему ПМ.

Алгоритмы анализа эффективности НПС используют полученную матриц)'загруженности MZ и кортеж ТО =<ТО,,T02....,'I'Ок >, где Щ -время обработки подпрограммы i -м процессором. Пусть кортеж Т0 =<Tm,TQ2,...,T0k > содержит число нулевых элементов MZ для каждого ПМ, а Т, =<Ти.Т]2,...,Ти > - число ненулевых элементов MZ для каждого ПМ. Тогда, например, время обработки для системы равно: Т„ = 1Ти =1 (Щ -TJ, время выигрыша: т = т _ £го .

i=i ¿=1 м

В четвертой главе описан программный комплекс "НейроКС" для теоретико-множественного анализа НПС на базе нейропроцессоров семейства NM64ÖX. Рассматривается экспериментальное исследование программного комплекса "НейроКС" для анализа НПС шифрования информации по методу ГОСТ 28147-89.

Используя результаты исследования, разработан программный комплекс (ПК) "НейроКС", обладающий функциональными возможностями теоретико-множественного анализа НПС и нейропроцессора. В качестве инструментальных средств были использованы язык С# и среда Microsoft Visual Studio 2008. На рисунке б показана структура ПК " НейроКС".

GsÄ.TSbTtv»

П901р1ммяе< (Viani С—>

зе

im c++ ;; ü

Тексте uti рманторхп яшка

нгЬр«*сс(.м6л«ра

5»J4toc nporpK&owt осегаечели* НТЦ "Модул"

nposticjp

Прс>с«г ар NM5JC*

Рис. 6 - Структура ПК "НейроКС" Результатами анализа нейропроцессора являются 25 оценок и 7 графиков, а для НПС - 18 оценок и 8 графиков.

Далее в соответствии с алгоритмом анализа НПС описан процесс теоретико-множественного анализа и оценки эффективности НПС реализации алгоритма шифрования по методу ГОСТ 28147-89 с различным количеством ПМ в ПК "НейроКС". Показано, что для данного алгоритма

наиболее рациональным выбором является конвейерная структура. С помощью ПК построены 11 зависимостей оценок эффективности НПС и каждого нейропроцессора от числа ПМ.

На рисунке 7 показаны зависимости времени проигрыша и выигрыша в зависимости от числа ПМ в НПС.

Рис. 7 - Зависимости времени проигрыша и выигрыша от числа ПМ

Г. ш

г е

г с

Ы 2

5 .а £ ~ ; ! В»

6-85© ^ £ м ^ * н 2

~ % Ф

а е

| е I:

£ § 3

Аналитические выражения оценок эффективности ПМ

40 20

д

I о

н-

-20 -40

□ Аналит.выраж. □ Эксперимент 1.1

□ Эксперимент 1.2 И Эксперимент 1.3

J

К

5 ю

О) Я!

3; а

03

к С

2 X

Ф О

а а.

Ш с

1 !Е

ш ю

2 и

ф О

О- о.

¡XI с

к

2 а. о. о

со

г» ° 2

1? с

Г) ^ ™

I § 1 § ^ й ^

1 Аналит.выраж. ШЭксперимент 2.1 □ Эксперимент 2.2 з 2000 -1500 -1000

500 -I

о

__=,1П

Аналитические выражения оценок эффективности НПС

1 2 3 4 5 6 7 8

Число ПМ

Рис. 8 - Методика и результаты исследования На рисунке 8 рассмотрены результаты экспериментов 1.1-1.3 и экспериментов 2.1, 2.2 на примере времени работы за вычетом 10000 тактов для восьми вариантов НПС шифрования по методу ГОСТ 28147-89. Также проведен анализ системы фрактального сжатия изображений. Отклонения результатов вычисления аналитических выражений для данной задачи: - от результатов вычисления при выполнении эксперимента 2.! состав-

ляют 0.0032 %.

- от результатов вычисления при выполнении эксперимента 2.2 составляют 0.0036%.

В приложениях приведены описание нейропроцессоров семейств ТМБ3200Мххх и N Мб4 Ох, программа шифрования по методу ГОСТ 2814789 на языке нейроассемблера, результаты анализа эффективности этой программы на НПС с различным количеством ПМ, а также акты внедрения и дополнительные документы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработана методика теоретико-множественного анализа вычислительных систем на базе нейропроцессоров, позволяющая оценить эффективность НПС с учетом эффективности каждого ПМ.

2. Предложена классификация многопроцессорных структур на базе нейропроцессоров, позволяющая определить аналитические выражения оценок эффективности для каждого типа структуры. Теоретико-множественный подход, использованный для классификации вычислительных структур* может являться основой для разработки алгоритмов распараллеливания программного кода в НПС.

3. Предложены аналитические выражения оценок эффективности НПС и отдельного нейропроцессора: время работы, время проигрыша, время выигрыша, время простоев и время обработки. Их использование позволяет впоследствии разработать методы оптимизации НПС и каждого ПМ с целью повышения эффективности их функционирования.

4. Предложены алгоритмы теоретико-множественного анализа, оценки эффективности ПМ, на основе результатов системного анализа и описания закономерностей функционирования нейропроцессоров, позволяющие оценить эффективность ПМ, входящих в состав НПС.

5. Предложены алгоритмы теоретико-множественного анализа, оценки эффективности сложных НПС, на основе результатов системного анализа и описания закономерностей функционирования вычислительных систем на базе нейропроцессоров, позволяющие оценить эффективность таких систем.

6. Разработаны алгоритмы для реализации методики теоретико-множественного анализа НПС, включающие в себя:

- алгоритмы определения связей элементов вычислительной структуры на базе нейропроцессоров, позволяющие впоследствии определить вид структуры исходя из описания этих связей.

- алгоритмы определения вида структуры на основе описания связей ее элементов, позволяющие впоследствии использовать аналитические выражения оценок эффективности для этого вида структуры.

7. Разработаны программные средства, обладающие функциональными возможностями для реализации всей предложенной методики теоретико-множественного анализа НПС. Показано применение разработанного программного комплекса для разработки и анализа различных вариантов НПС шифрования информации по методу ГОСТ 28147-89. Результаты экспериментального исследования доказывают достоверность полученных в результате исследования алгоритмов, методики и программных средств.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Романчук В.А., Ручкин В.Н. Анализ архитектуры процессора NM6403 как системы параллельной обработки // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2009. С.86-90.

2. Романчук В.А., Ручкин В.Н. Разработка программных средств анализа нейропроцессорных систем // Вестник РГРТУ, 2010. №2. Вып.32. С.61-67.

3. Романчук В.А. Алгоритм заполнения матрицы связи подпрограмм на языках нейроассемблера // Молодежь. Наука. Инновации: тез. докл. междунар. науч.-практ. конф. Пенза: РГУ инновационных технологий и предпринимательства, 2011. URL: http://rgu-penza.ru/mni (дата обращения: 22.03.2011).

4. Романчук В.А., Ручкин В.Н. Разработка программного комплекса для моделирования и анализа нейропроцессорных систем обработки изображений//Цифровая обработка сигналов, 2010. №1. С.53-58.

5. Романчук В.А. Разработка алгоритмов получения нейропроцес-сорной системы для заданного программного кода // Аспирантский вестник РГУ: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2010. №16. С.34-38.

6. Романчук В.А. Разработка методик, моделей и алгоритмов для анализа многопроцессорных структур на базе нейропроцессоров // Ломо-носов-2011: материалы межд. молодежного научного форума. М.: МГУ им.М.В Ломоносова, 2011. С.143-145.

7. Романчук В.А. Обобщенная структурная схема абстрактного нейрокомпьютера // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2010. Вып.16. С.111-116.

8. Романчук В.А., Ручкин В.Н. Описание комплекса анализа и моделирования систем на базе нейропроцессора семейства NM640x // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2009. С.90-93.

9. Романчук В.А. Разработка программно-аппаратного модуля шифрования информации //Молодежь. Наука. Инновации: тез. докл.

междунар. науч.-практ. конф. Пенза: РГУ инновационных технологий и предпринимательства, 2010. URL: http://rgu-penza.ru/mni (дата обращения: 6.03.2011).

10. Романчук В.А., Ручкин В.Н. Разработка программного комплекса проектирования программ для нейропроцессоров NM6403, NM6404 // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2008. С.44-46.

11. Романчук В.А., Ручкин В.Н. Разработка программного комплекса моделирования нейропроцессора и нейропроцессорных систем // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2009. С.23-25.

12. Романчук В.А. Моделирование процессов обработки информации на базе нейропроцессорных структур // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций : тез. докл. 16-й междунар. науч.-техн. конф. Рязань: РГРТУ, 2010. С.153-155.

13. Романчук В.А., Ручкин В.Н., Колмыков М.В. Возможности программного комплекса NM Model для разработки и отладки программ обработки изображений // Вестник РГРТУ, 2008. №2. Вып. 24. С.83-85.

14. Романчук В.А. Разработка модели нейропроцессора и нейропроцессорных систем // Аспирантский вестник РГУ: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2009. №14 С.16-21.

15. Романчук В.А. Возможности комплекса "НейроКС" для разработки программы шифрования по методу ГОСТ 28147-89 // Аспирантский вестник РГУ: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2010. №15. С.11-15.

16. Романчук В.А., Ручкин В.Н. Разработка программного комплекса моделирования нейропроцессора и нейропроцессорных систем // Математическое и программное обеспечение вычислительных систем: межвуз. сб. науч. тр. Рязань: РГРТУ, 2009. 4.1. С.20-23.

17. Романчук В.А., Ручкин В.Н. Эмулятор команд нейропроцессора NM6403/04 // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2007. С.63-67.

18. Романчук В.А. Программный комплекс "НейроКС" // Хроники объединенного фонда электронных ресурсов «Наука и образование», № 5, 2009. URL: http://ofernio.rU/portal/newspaper/ofernio/2009/5.doc. (дата обращения: 20.02.2011).

19. EVECOM-Эмулятор векторных команд нейропроцессора NM6403: свидетельство о регистрации электронного ресурса №7918 / В.А. Романчук. № 50200700586 ; опубл. 20.03.2007.

20. Программный комплекс "НейроКС": свидетельство о регистрации электронного ресурса №15002 / В.А. Романчук. № 50200901056;

опубл. 23.10.2009.

21. Романчук В.А. Программный комплекс «НейроКС" // Приоритетные направления современной российской науки глазами молодых ученых: тез. докл. всерос. конф. Рязань: РГУ им.С.А.Есенина, 2009. С. 111114.

22. Романчук В.А. Программный комплекс «НейрсКС" [Электронный ресурс] // Ломоносов-2010: материалы межд. молодежного научного форума. М.: МГУ им. М.В.Ломоносова, 2010. CD-ROM.

23. Романчук В.А. Программный комплекс «НейроКС" // Новые информационные технологии в научных исследованиях и в образовании: тез. докл. XIV всерос. науч.-техн. конф. Рязань: РГРТУ, 2009. С.254-255.

24. Романчук В.А. Программный комплекс "НейроКС" как инновационный продукт // Молодежь. Наука. Инновации: тез. докл. между-нар. науч.-практ. конф. Пенза: РГУ инновационных технологий и предпринимательства, 2010. URL: http://rgu-penza.ru/mni (дата обращения: 6.03.2011).

25. Романчук В.А. Разработка программных средств для проектирования систем на базе нейропроцессора // Молодые исследователи - регионам : тез. докл. всерос. науч. конф. Вологда: ВоГТУ, 2010. Т.1. С. 125127.

Романчук Виталий Александрович

АЛГОРИТМЫ ТЕОРЕТИКО-МНОЖЕСТВЕННОГО АНАЛИЗА СЛОЖНЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ НА БАЗЕ НЕЙРОПРОЦЕССОРОВ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Редакционно-издательский центр РГРТУ Подписано в печать 25.04.2011. Формат бумаги 60x84/16. Бумага офсетная. Печать трафаретная. Усл. печ. л. 1,0. Тираж 100 экз. Заказ.

Рязанский государственный радиотехнический университет. 390005, г. Рязань, ул.Гагарина, д.59/1.

Введение.

1 Анализ основных вопросов функционирования и анализа нейропроцессорных устройств и систем.

1.1 Обзор и анализ функционирования нейропроцессорных устройств.

1.1.1 Определение предметной области.

1.1.2 Обобщенная модель нейропроцессора.

1.2 Обзор программного обеспечения для анализа процессоров и многопроцессорных систем.

1.2.1 Обзор средств анализа многопроцессорных систем.

1.2.2 Обзор средств анализа процессоров, выполняющих параллельный код.

1.3 Анализ рассмотренного программного обеспечения.

1.4 Выводы по главе 1.

2 Разработка математического обеспечения анализа нейропроцессорных систем.

2.1 Теоретико-множественный подход к анализу нейропроцессорных систем.

2.1.1 Методика теоретико-множественного анализа НПС.

2.1.2 Классификация вычислительных структур на базе нейропроцессоров.

2.1.3 Выбор критериев эффективности НПС.

2.2 Системный анализ НПС и оценка ее эффективности.

2.2.1 Системный анализ конвейерной структуры НПС и оценка ее эффективности.

2.2.2 Системный анализ векторной структуры НПС и оценка ее эффективности.

2.2.3 Системный анализ конвейерно-векторной структуры НПС и оценка ее эффективности.

2.2.4 Системный анализ векторно-конвейерной структуры НПС и оценка ее эффективности.

2.2.5 Системный анализ произвольной структуры НПС и оценка ее эффективности.

2.3 Системный анализ архитектуры нейропроцессора.

2.4 Выводы по главе 2.

3 Разработка алгоритмов анализа нейропроцессорных систем.

3.1 Разработка алгоритмов определения связей элементов вычислительной системы на базе нейропроцессоров.

3.2 Разработка алгоритмов определения вида структуры НПС на основе описания связей ее элементов.

3.3 Исследование закономерностей функционирования нейропроцессора и разработка алгоритмов его анализа и оценки эффективности.

3.4 Исследование закономерностей функционирования НПС и разработка алгоритмов ее анализа и оценки эффективности.

3.5 Выводы по главе 3.

4 Описание программного комплекса "НейроКС" и экспериментальное исследование полученных теоретических результатов.

4.1 Постановка задачи разработки программных средств.

4.2 Описание программного комплекса "НейроКС"

4.3 Экспериментальное исследование с использованием программного комплекса "НейроКС".

4.3.1 Исследование НПС реализации алгоритма шифрования по методу ГОСТ 28147-89.

4.3.2 Результаты экспериментального исследования.

4.4 Выводы по главе 4.

Актуальность темы

В настоящее время для классических процессоров практически достигнут предел роста тактовой частоты, означающий, что они достигли максимального уровня быстродействия. Одним из выходов из данной ситуации является использование процессоров нового поколения, например нейропроцессоров.

Нейрокомпьютер - аналоговая или цифровая ЭВМ, основной операционный блок (центральный процессор) которой построен на основе нейронной сети - реализует нейросетевые алгоритмы и работает по принципам работы головного мозга человека [35].

Как показано в [42], в настоящее время нейрокомпыотерная технология является одиим из наиболее быстроразвивающихся разделов вычислительной техники и является новым - "интеллектуальным" этапом развития вычислительной техники. Это объясняется многими причинами [35]:

• Теория нейровычислителей - ровесница теории машин фон Р1еймана. Поэтому для этого научного направления давно определен свой предмет исследования, сформировались и развиваются свои методы исследования.

• Теория и практика машин фон Неймана начинает качественное перерождение. Наступает эра параллельных, многопроцессорных вычислительных устройств и систем.

• Достижения микроэлектроники стимулируют практическую реализацию быстродействующих и недорогих вычислительных систем.

Это направление одно из самых значимых в истории развития вычислительной техники. Доказательством этому может служить большое количество научных работ 50-70-х годов во всем мире, которые можно и нужно использовать при разработке современных нейрокомпьютеров. В настоящее время во всем мире нейрокомпьютерами занимаются более 300 фирм и практически все университеты. Из фирм, выпускающих вычислительную технику и занимающихся нейрокомпьютерами, можно назвать такие как IBM, DEC, HP, Intel, Motorola, Hitachi, Toshiba, Mitsubishi, Siemens и многие другие, включая отечественные фирмы.

Нейросетевые методы открывают широкие возможности для использования формального математического аппарата в различных сферах деятельности, ранее относящихся лишь к области человеческого интеллекта. Таким образом, нейрокомпьютеры, реализующие нейронные сети, являются перспективным направлением развития вычислительной техники с массовым параллелизмом [42]. А если говорить о главном перспективном направлении - интеллектуализации вычислительных систем, придании им свойств человеческого мышления и восприятия, то нейрокомпьютеры - практически единственный путь развития вычислительной техники в этом направлении [13].

Также необходимо отметить, что в настоящее время ведутся разработки с использованием новых технологий. Перспективными можно назвать технологии создания оптических нейрокомпьютеров, нейрокомпьютеров на пластине, молекулярных и нанонейрокомпьютеров [13].

Сейчас нейропроцессоры широко применяются в следующих задачах [13,35]:

• Алгебраические вычисления (решение уравнений, неравенств, обращение матриц, аппроксимация, экстраполяция функций, задачи оптимизации функций).

• Обработка инфракрасных сигналов, видео, изображений (сжатие, сегментация изображений, обработка ЗЭ, распознавание образов, кластеризация).

• Навигация и сотовые сети (гидро- и радиолокация, навигационные приемники, базовые станции сотовой связи).

Но, для дальнейшего развития в области нейропроцессорных технологий существует ряд проблем, основными из которых являются:

1. Небольшая частота нейрочипов (30-150 МГц).

2. Относительно малое количество программного обеспечения для нейропро-цессоров.

3. Засекреченность информационных материалов в данной области.

4. Слишком большая цена перехода от классических процессоров к нейропро-цессорам (необходимость изменения не только аппаратных, но и программных средств).

Будем рассматривать проблему невысокой частоты нейроустройств и, следовательно, небольшой производительности устройств обработки информации. Одним из лучших методов увеличения производительности, является использование многопроцессорных архитектур по следующим причинам [40]:

• Применение многопроцессорных архитектур - это единственный способ построения наиболее высокопроизводительных вычислительных систем. Построив даже самый мощный процессор для данного уровня развития вычислительной техники, можно еще более увеличить производительность, объединив в единую систему несколько процессоров.

• Отношение стоимости к производительности при требованиях высокой производительности у многопроцессорных систем ниже, чем у однопроцессорных.

• Многопроцессорная система модульного устройства имеет более широкие возможности для изменения производительности, что позволяет обеспечить широкий диапазон требований в рамках одной архитектуры (масштабируемость).

• Многопроцессорная система позволяет обеспечить большую отказоустойчивость за счет использования структурной избыточности.

В настоящее время в области нейропроцессорных технологий ведутся исследования в части ¡многопроцессорности, уже разработаны модули, включающие несколько процессоров с различными связями (плата ВМ1, плата МЦ4.04, плата МЦ4.13 (мезонин), МЦ9.01, разработанные в НТЦ "Модуль"; вычислительные модули SMT302, SMT344, SMT313, SMT315, SMT316 на базе 1,2 и 4 модулей семейства TMS320C4x, разработанные фирмой Sundance).

Вычислительные системы на базе нейропроцессоров - нейропроцессорпые системы (НПС) отличаются высокой эффективностью при их использовании вследствие причин [73]:

1. Все алгоритмы нейроинформатики высокопараллельны за счет использования нейросетевого базиса, что обеспечивает более высокое быстродействие и "интеллектуальность" по сравнению с использованием классического базиса.

2. Нейропроцессорпые системы легко сделать устойчивыми к помехам, т.к устойчивые системы могут создаваться из неустойчивых элементов, имеющих значительный разброс параметров (использование нечеткой логики, нейросетей).

Но, как показано в [42], прогресс в создании и в будущем использовании нейрокомпьютеров в немалой степени зависит от решения двух проблем:

• проектирования вычислительных средств на новой схемотехнической базе;

• создания аппарата вычислений на основе привлечения новых математических конструкций и концепций, в основе которых лежит массовый параллелизм.

Тем не менее, одной из проблем, мешающих созданию эффективных многопроцессорных структур на базе нейропроцессоров является то, что анализ и оценка эффективности специализированных многопроцессорных систем на базе нейропроцессоров являются очень трудоемкими и сложными процессами, так как в отличие от классических процессоров, для нейропроцессоров и систем на их базе нет необходимых подходов, алгоритмов и программных средств анализа. Исследование таких подходов, разработка алгоритмов и программных средств позволит проводить эксперименты, связанные с анализом и оценкой эффективности НПС различной структуры с различным числом ПМ.

Поэтому актуальны исследования с целью создания методики, алгоритмов и программных средств на основе новых теоретико-множественных подходов к анализу и оценке эффективности многопроцессорных вычислительных систем на базе нейропроцессоров.

Актуальность данных задач будет увеличиваться с развитием вычислительной техники и, в частности, развитием нейропроцессорных технологий и высокопроизводительных вычислений.

Разработка средств теоретико-множественного анализа НПС позволит оценить эффективность НПС и каждого процессорного модуля (ПМ) и, в дальнейшем, повысить их эффективность используя методы оптимизации.

Степень разработанности темы

Среди наиболее популярных работ в области исследования нейропроцессоров и нейросетевого базиса можно выделить работы А. И. Галушкина, Я. 3. Цып-кина, А. И. Горбаня, И.Я. Акушского, Л.Г. Комарцовой, A.B. Савельева, М.Г. Дор-рера, Т. Кохонена (Т.К. Kohonen), Дж. Хопфилда (J.J. Hopfield), Роберта Хехт-Нильсена (R. Hecht-Nielsen) и др. В области многопроцессорных параллельных систем следует отметить труды В.В. Воеводина, Вл.В. Воеводина, A.B. Каляева, И.А. Каляева, В.П. Корячко, В.А. Курчидиса, О.М. Брехова и др. В области программного обеспечения для специализированных средств обработки информации работы ученых М.С. Долинского, В.Ю. Зотова, В.Е. Чернова.

Но, на данный момент, остаются проблемы анализа многопроцессорных систем, созданных на базе нейропроцессоров. В работах научных коллективов под руководством А.И. Галушкина и А.И. Горбаня определены возможности организации многопроцессорных систем на базе нейропроцессоров, но не была разработана специализированная теория анализа систем на базе нейропроцессоров.

В работах А.И. Галушкина описапы подходы и даны алгоритмы оценки эффективности нейрокомпьютеров в части производительности, но этот подход не учитывает структуру исйропроцессора и результатом работы алгоритмов оценки производительности является лишь количество выполненных специализированных операций, использованных в качестве тестов. Таким образом, нейропроцессор представляется в виде "черного ящика". В данной работе предлагается подход, согласно которому исследуются структурные связи и закономерности функционирования процессора, на основе чего описываются аналитические выражения и разрабатываются алгоритмы оценки его эффективности.

В работах научных коллективов под руководством В.В. Воеводина, Вл.В. Воеводина, A.B. Каляева, И.А. Каляева, В.П. Корячко, В.А. Курчидиса описана необходимая теория для анализа многопроцессорных систем, но нейропроцсссоры не были рассмотрены отдельно, как особый класс процессоров. В данной работе предлагается подход, согласно которому исследуются общие принципы функционирования нейропроцессора, выделенного в особых класс процессоров.

Цель диссертационной работы состоит в разработке методики, алгоритмов теоретико-множественного анализа и оценки эффективности сложных вычислительных систем на базе нейропроцессоров. Основные задачи исследований:

• аналитический обзор нейропроцессорных устройств с целью описания их принципов функционирования и сравнительный обзор программных средств анализа многопроцессорных систем и устройств;

• разработка методики теоретико-множественного анализа НПС;

• классификация нейропроцессорных структур обработки информации на основе использования теоретико-множественного подхода;

• описание аналитических выражений оценок эффективности для каждого типа структуры НПС и отдельного ПМ;

• системный анализ и описание закономерностей функционирования нейропроцессоров, разработка алгоритмов их анализа и оценки эффективности;

• системный анализ и описание закономерностей функционирования НПС, разработка алгоритмов их анализа и оценки эффективности;

• разработка алгоритмов для реализации предложенной методики;

• разработка программных средств теоретико-множественного анализа НПС в соответствии с предложенной методикой.

Методы исследования. Для решения поставленных задач используется теоретико-множественный подход, теория графов и конечных автоматов, теория планирования параллельных вычислительных процессов, теория математического и системного анализа.

Научная новизна работы состоит в следующем:

1. Предложена классификация вычислительных систем на базе ней-ропроцессоров и методика теоретико-множественного анализа таких систем.

2. На основе использования одного и того же теоретико-множественного подхода, применительно к программным и аппаратным средствам системы, предложены аналитические выражения оценок эффективности различных структур НПС и отдельного ПМ.

3. На основе описания закономерностей функционирования НПС и нейропро-цессора, предложены алгоритмы их оценки эффективности и теоретико-множественного анализа.

4. Разработаны алгоритмы исследования и описания системных связей нейро-процессорной структуры и определения вида структуры исходя из этого описания.

Достоверность

• результатами экспериментов, полученными при теоретико-множественном анализе различных вариантов НПС шифрования методом ГОСТ 28147-89 с использованием алгоритмов анализа, оценки эффективности НПС и ПМ, эмулятора ней-ропроцессора 1ЯМ6403 и платы МС4.31;

• внедрением полученных результатов в НТЦ «Модуль». Практическая значимость работы состоит в следующем:

1. Разработанные алгоритмы анализа и оценки эффективности, описанная методика теоретико-множественного анализа НПС, позволяют оценить эффективность НПС и каждого ПМ и, в дальнейшем, повысить их эффективность, используя различные методы оптимизации.

2. Разработан программный комплекс "НейроКС", обладающий функциональными возможностями, позволяющими осуществить теоретико-множественный анализ вычислительных систем на базе нейропроцессоров семейства NM640x или их моделей и эмуляторов. На защиту выносятся:

• методика теоретико-множественного анализа НПС.

• классификация многопроцессорных структур на базе нейропроцессоров.

• аналитические выражения оценок эффективности НПС конвейерного, векторного, конвейерно-векторного, векторно-конвейерного, произвольного вида,

• аналитические выражения оценок эффективности нейропроцессора.

• алгоритмы анализа и оценки эффективности НПС и ПМ на основе описания закономерностей их функционирования.

• алгоритмы определения связей элементов вычислительной структуры на базе нейропроцессоров и определения вида структуры НПС на основе описания связей ее элементов.

Апробация результатов диссертации. Основные положения диссертационной работы докладывались и обсуждались на:

• XIV всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании», г. Рязань, 2009 г. (диплом за лучший доклад).

• 34-й всероссийской научно-технической конференции "Информационные и телекоммуникационные технологии. Подготовка специалистов для инфокоммуни-кативной среды", г. Рязань, 2009 г.

• Всероссийской научно-практической конференции молодых ученых и специалистов «Приоритетные направления современной российской науки глазами молодых ученых», г. Рязань, 2009 г.

• 16-й международной научно-технической конференции "Проблемы передачи и обработки информации в сетях и системах телекоммуникаций", г.Рязань, 2010 г.

• Всероссийской научной конференции "Молодые исследователи - регионам" г. Вологда, 2011 г.

• II и III международной научно-практической конференции "Молодежь. Наука. Инновации", г. Пенза, 2010 г., 2011 г. (по 2 доклада).

• XVII и XVIII международной научной конференции студентов, аспирантов и молодых ученых "Ломоносов") г. Москва, 2010 г., 2011 г.

Кроме этого, результаты исследований по теме диссертации были представлены на различных конкурсах, где были получены следующие документы (Прил.4):

• Диплом победителя Всероссийской студенческой олимпиады "Конкурс компьютерных программ", г. Вологда, 2007 г. ("Среда для разработки программ на языке нейроассемблера").

• Диплом лауреата премии по поддержке талантливой молодежи, установленной Указом Президента РФ, г. Москва, 2007 г. (За победу на всероссийской олимпиаде).

• Диплом Министерства образования Рязанской области за высокий уровень научно-исследовательского проекта, г. Рязань, 2009 г. ("Программный комплекс «НейроКС»").

• Сертификат лауреата второй премии по направлению "Высокие информационные технологии" конкурса научных работ фонда "Государственный клуб", г. Москва, 2010 г. ("Разработка методики и алгоритмов анализа эффективности ней-ропроцессорных систем").

• Диплом победителя конкурса "Молодой ученый года" имени академика И.П.Павлова, г.Рязань, 2011 г. ("Разработка методики, моделей и алгоритмов для нейропроцессорных устройств и систем")

Публикации. Основные результаты работы опубликованы в 25-ти печатных работах: 14 статей (из них 3 статьи в изданиях, рекомендуемых ВАК), 9 описаний тезисов докладов, свидетельство о регистрации программы и свидетельство о регистрации электронного ресурса.

Реализация и внедрение результатов работы. Выполнен НИОКР по теме «Программный комплекс для разработки программ на языках нейроассемблера, моделирования нейропроцессора и проектирования систем на базе семейства ней-ропроцессоров КМ640х» по заказу ООО "НАНИТ" (программа УМНИК), выполняется НИОКР «Разработка программных средств моделирования и анализа эффективности программного кода для нейропроцессорных систем» по заказу ООО "НАНИТ" (программа УМНИК). Разработки внедрены в научно-техническом центре "Модуль" (ЗАО «НТЦ "Модуль"» - ведущий отечественный разработчик нейропроцессоров, в частности процессоров семейства Му1640х).

Кроме этого, разработки в части практических исследований были представлены на различных конкурсах, где были получены следующие документы (Приложение 4):

• Диплом за лучший инновационный проект, представленный на международной конференции "Ломоносов - 2010", г. Москва, 2010 г. ("Программный комплекс «НейроКС»").

• Диплом за лучший инновационный проект, представленный на I Фестивале Науки стран СНГ, г. Москва, 2010 г. ("Программный комплекс «НейроКС»").

• Диплом участника полуфинала конкурса инновационных проектов "Зворы-кинский проект", г. Москва, 2010 г. ("Программный комплекс «НейроКС»").

• Почетная грамота победителя программы "Участник молодежного научно-инновационного конкурса" ("У.М.Н.И.К"), г. Рязань, 2009 г. ("Программный комплекс «НейроКС»").

Структура диссертации:

Первая глава посвящена вопросам анализа работы нейропроцессорных устройств. Для этого сначала определяется предметная область, какие именно устройства являются нейропроцессорными. Далее, исходя из обзора нейропроцессорных устройств, определены общие свойства и принципы функционирования таких устройств, на основе чего описана обобщенная модель нейропроцессора, определено понятие "алгоритм" применительно к методам вычислений на основе нейробазиса. Затем проведен аналитический обзор распространенного программного обеспечения анализа многопроцессорных систем и устройств, определены общие принципы, функциональные возможности и недостатки описанных программных продуктов. На основе обзора определены основные направления дальнейших исследований.

Во второй главе предлагается методика теоретико-множественного анализа специализированных средств обработки информации на базе нейропроцессоров и классификация на основе параллельности выполнения подпрограмм и передачи данных, использования теоретико-множественного подхода и введения понятия структуры нейропроцессорной системы. Рассмотрены всевозможные структуры систем без обратных связей на примере нейропроцессора КМ6403 и приведены аналитические выражения оценок эффективности для каждого вида структуры: время работы системы, время проигрыша, время выигрыша, время простоев и время обработки. Используя тот же подход и, рассматривая нейропроцес-сор как систему параллельной обработки определенной структуры, приведены аналитические выражения таких же оценок эффективности ПМ, как и для НПС.

В третьей главе разработаны алгоритмы, необходимые для реализации разработанной методики теоретико-множественного анализа НПС: алгоритм определения связей между элементами вычислительной структуры на базе псйропроцес-соров и алгоритм определения вида структуры НПС па основе описания связей между ее элементами. С помощью математического аппарата конечных автоматов описаны закономерности функционирования ПМ и НПС и разработаны алгоритмы анализа и оценки эффективности НПС с учетом оценок каждого ПМ.

В четвертой главе описан программный комплекс "НейроКС" с функциональными возможностями теоретико-множественного анализа нейропроцессорных систем на базе нейропроцессоров семейства №Л640х (эмулятора процессора NM6403, платы МС4.31 и моделей всех процессоров семейства №»Л640х). Проведено экспериментальное исследование программного комплекса "НейроКС": анализ эффективности восьми вариантов нейропроцессорных систем для реализации алгоритма шифрования информации по методу ГОСТ 28147-89. На основе полученных результатов анализа, сделаны выводы и даны рекомендации по повышению эффективности НПС. Показано исследование достоверности приведенных в работе результатов исследований.

В приложениях приведено описание нейропроцессоров семейств ТМ8320БМххх и №У1640х, программа шифрования по методу ГОСТ 28147-89 на языке нейроассемблера, результаты анализа этой программы на многопроцессорных системах с различным количеством ПМ, а также акты внедрения и другие документы.

Основные результаты и выводы

Основными результатами работы являются:

1. Разработана методика теоретико-множественного анализа вычислительных систем на базе нейропроцессоров, позволяющая оценить эффективность НПС с учетом эффективности каждого ПМ.

2. Предложена классификация многопроцессорных структур на базе нейропроцессоров, позволяющая определить аналитические выражения оценок эффективности для каждого типа структуры.

Теоретико-множественный подход, использованный для классификации вычислительных структур, может являться основой для разработки алгоритмов распараллеливания программного кода в НПС.

3. Предложены аналитические выражения оценок эффективности НПС и отдельного нейропроцессора: время работы, время проигрыша, время выигрыша, время простоев и время обработки. Использование предложенных аналитических выражений позволяет впоследствии повысить эффективность НПС и каждого ПМ, используя методы оптимизации.

4. Предложены алгоритмы теоретико-множественного анализа и оценки эффективности ПМ, на основе описания закономерностей функционирования нейропроцессоров, позволяющие оценить эффективность ПМ, входящих в состав НПС.

5. Предложены алгоритмы теоретико-множественного анализа и оценки эффективности НПС, на основе описания закономерностей функционирования вычислительных систем на базе нейропроцессоров, позволяющие оценить эффективность НПС.

6. Разработаны алгоритмы для реализации методики теоретико-множественного анализа НПС, включающие в себя:

• Алгоритмы определения связей элементов вычислительной структуры на базе нейропроцессоров, позволяющие впоследствии определить вид структуры исходя из описания этих связей.

• Алгоритмы определения вида структуры на основе описания связей ее элементов, позволяющие впоследствии использовать аналитические выражения оценок эффективности для этого вида структуры.

7. Разработаны программные средства, обладающие функциональными возможностями для реализации всей предложенной методики теоретико-множественного анализа НПС. Показано применение разработанного программного комплекса для разработки и анализа различных вариантов НПС шифрования информации по методу ГОСТ 28147-89. Результаты экспериментального исследования доказывают достоверность полученных в результате исследования алгоритмов, методики и программных средств.

1. Агуров П.В. С#. Сборник рецептов. СПб.:БХВ-Петербург, 2007. 432 с.

2. Антонов A.C. Введение в параллельные вычисления: методическое пособие . М.: МГУ им.Ломоносова, 2002. 69 с.

3. Архитектура и математическое обеспечение многопроцессорных суперЭВМ. Учебное пособие / JI.K. Бабенко и др.. Таганрог: Таганрогский радиотехнический институт, 1992. 211 с.

4. Бикташев P.A. Многопроцессорные системы. Архитектура, топология, анализ производительности: Учебное пособие. Пенза: Пенз.гос.университет, 2003. 103 с.

5. Богачев К.Ю. Основы параллельного программирования. М.: БИНОМ. Лаборатория знаний, 2003. 342 с.

6. Букатов A.A., Дацюк В. П., Жегуло А. И. Программирование многопроцессорных вычислительных систем. Ростов-на-Дону: Издательство ООО «ЦВВР», 2003. 208 с.

7. Вальпа О. Д. Разработка устройств на основе цифровых сигнальных процессоров фирмы Analog Devices с использованием Visual DSP++. M.: Горячая линия Телеком, 2007. 270 с.

8. С# / Ватсон К. и др.. СПб.: Издательство "Лори", 2006. 862 с.

9. Виксне П.Е., Фомин Д.В., Черников В.М. Однокристальный цифровой нейропроцессор с переменной разрядностью операндов // Изв. вузов, сер. Приборостроение. 1996. т.39. №7. С. 13-21.

10. Витязев C.B. Texas Instruments: новые разработки DSP // Цифровая обработка сигналов. 2002. №1(5). С. 52-56.

11. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы управления. 1999 . №2. С.61-65.

12. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский и др.. Харьков: Основа, 1997. 112 с.

13. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов. М: ИПРЖР, 2000. 528 с.

14. Головкин Б.А. Вычислительные системы с большим числом процессоров. М.: Радио и связь, 1995. 320 с.

15. Головкин Б.А. Параллельные вычислительные системы. М.: Наука, 1980. 520 е.;

16. ГОСТ Р 34.11-94. Информационная технология. Криптографическая защита информации. Функция хэширования. М.: Издательство стандартов, 1994. 72 с.

17. ГОСТ 28147-89. Системы обработки информации. Защита криптографическая. Алгоритм криптографического преобразования. М.: Госстандарт СССР, 1989. 52 с.

18. Гудман С., Хидетниеми С. Введение в разработку и анализ алгоритмов. М.: Мир, 1981 г. 348 с.

19. Долинский М.С. Обзор современных подходов и средств к программистской разработке аппаратного обеспечения алгоритмически сложных цифровых систем // Компоненты и технологии. 2004. №1. С. 37-45.

20. Долинский М.С., Толкачев A.A. Обзор аппаратных и программных средств реализации параллельной обработки // Компоненты и технологии. 2004. №6. С. 54-56.

21. Долинский М.С. Обзор современных подходов и средств к программистской разработке аппаратного обеспечения алгоритмически сложных цифровых систем // Компоненты и технологии. 2004. №1. С. 3-15.

22. Долинский М.С., Ермолаев И.В. Обзор средств разработки программного обеспечения мильтипроцессорных комплексов // Компоненты и технологии. 2003. №8. С. 56-58.

23. Долинский М.С., Толкачев A.A., Коршунов И.В. Программный комплекс для разработки параллельных вычислительных систем // Компоненты и технологии. 2004. №5. С. 54-56.

24. Долинский М.С. Тенденции развития методов и средств автоматизации проектирования встроенных цифровых систем по материалам Date '2004 // Компоненты и технологии. 2005. №2. С. 41-46.

25. Долинский М.С., Толкачев A.A. Технология автоматизированной разработки компиляторов языков высокого уровня для вычислительных систем с распределенными ресурсами // Компоненты и технологии. 2005. №1. С. 47-53.

26. Захаров Н.Г., Рогов В. Н. Синтез цифровых автоматов: Учебное пособие. Ульяновск: УлГТУ, 2003. 135 с.

27. Зотов В.Ю. ModelSim — система моделирования цифровых устройств // Компоненты и технологии. 2002. №6. С. 44-46.

28. Каляев A.B. Многопроцессорные системы с программируемой архитектурой. М.: Радио и связь, 1984. 240 с.

29. Каляев И.А., Левин И.И., Семерников Е.А. Реконфигурируемые мультиконвейерные вычислительные структуры. Ростов-на-Дону: Издательство ЮНЦ РАН, 2008. 393 с.

30. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника. -Казань: Казанский гос. ун-т, 1995. 131 с.

31. Кодирование и декодирование информации на базе нейропроцессора NM6403/NM6404 / В.А. Романчук и др. // Межвуз. сб. науч. тр. "Информатика и прикладная математика". Рязань: РГУ им. С.А.Есенина. 2006. С.34-40.

32. Колмыков М.В. Методы ускорения фрактального сжатия изображений // Информатика и прикладная математика. Рязань: РГУ им. С.А.Есеиииа. 2008. С. 56-60.

33. Колмыков М.В., Ручкин В.Н., Григоренко Д.В. Нейросстевые возможности фрактального анализа изображений ДЗЗ // К.Э. Циолковский 150 лет со дня рождения. Космонавтика. Радиоэлектроника. Геоинформатика: тез. докл. 5 межд.-тех.конф., Рязань. 2007. С.78-80.

34. Колмыков М.В., Ручкин В.II. Нейросетевые возможности фрактального сжатия // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: тез. докл. Междунар. науч.-техн. конф., Рязань, 2008. С34-35.

35. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб.пособие для вузов. М.: Изд-во МГТУ им. Н.Э.Баумана, 2004. 400 с.

36. Корячко В. П. Алгоритм планирования вычислительного процесса в мультипроцессорной вычислительной системе реального времени // Автоматика и вычислительная техника. 1985. № 3. С. 16-18.

37. Корнеев В.В., Киселев A.B. Современные микропроцессоры. СПб.: БХВ-Петербург, 2003. 448 с.

38. Круглов, В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2002. 382 с.

39. Математическое моделирование / Под ред. Дж. Эндрюса, Р. Мак-Лоуна ; пер. с англ. М.: Мир, 1979. 605 с.

40. Мелехин В.Ф., Павловский Е.Г. Вычислительные машины, системы и сети. М.: Издательский центр "Академия", 2007. 560 с.

41. Многопроцессорные ЭВМ и методы их проектирования / Б.А. Бабаян и др.. М.: Высшая школа, 1990. 486 с.

42. Модулярные параллельные вычислительные структуры нейропроцессорных систем / Н.И.Червяков и др. ; под ред. Н.И.Червякова. М.: ФИЗМАТЛИТ, 2003. 288 с.

43. Нагендра Г., Прем Кумар В., Шешандри Чакраварти Б. Система мультипроцессорного моделирования // Компоненты и технологии. 2004. №4. С.35-48.

44. Назаров Л.Е., Назарова З.Т. Нейросетевой, фрактальный и JPEG алгоритмы сжатия изображений // Информационные технологии. 2001. №1. С.3-10.

45. Нейроинформатика / Горбань, А.Н. и др.. Новосибирск: Наука. Сибирское предприятие РАН, 1998. 296 с.

46. Нейропроцессор NM6403. Введение в архитектуру. М.:НТЦ "Модуль", 1998. 52 с.

47. Нейронные сети: история развития теории. Кн. 5: Учеб. пособие для вузов / под общей ред. А.И. Галушкина, Я.З. Цыпкина. М.: ИПРЖР, 2001. 840 с.1

48. Немиюгин С.А. Средства программирования для многопроцессорных вычислительных систем. СПб, 2007. 88 с.

49. Оценка динамических характеристик параллельной программы на модели / В.П. Иванников и др. // Программирование. 2006. №4. С. 21-37.

50. Петров А.А. Компьютерная безопасность: криптографические методы защиты. М.: ДМК, 2000. 448 с.

51. Питерсои, Дж. Теория сетей Петри и моделирование систем М.: Мир, 1984. 264 с.

52. Платт Д. С. Знакомство с Microsoft .NET; пер. с англ. М.: Издательско-торговый дом «Русская Редакция», 2001. 240 с.

53. Просиз Дж. Программирование для Microsoft .NET ; пер. с англ. М.: Издательско-торговый дом "Русская Редакция", 2003. 704 с.

54. Прэтт У. Цифровая обработка изображений ; пер. с англ. М.: Мир, 1982. Кн. 1. 257 с.

55. Разумов И.А. Электронный мозг: нейрокомпьютеры и перспективы их развития // Спецвыпуск Хакер. №38. С.38-44.

56. Рихтер Дж. Программирование на платформе Microsoft . NET Framework; пер. с англ.; 2-е изд., испр. М.: Издательско-торговый дом «Русская Редакция», 2003. 512 с.

57. Рудковская В., Пилиньский М., Рудковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы ; пер. с польского. М.: Горячая линия-Телеком, 2006. 452 с.

58. Ручкин В.Н. Анализ аппаратных и программный средств специализированных систем телекомпыотеризации // Электросвязь. 1998. №10. С. 27-33.

59. Ручкин В.Н. Проектирование и выбор специализированных средств обработки информации. М.: Московский государственный открытый университет, 1997. 120 с.

60. Ручкин В.Н. Проектирование мультимикропроцессорных систем цифровой обработки сигналов // Труды DSPA-98. 1998, Т.4. С. 30-32.

61. Рыжов Э.В., Горленко O.A. Математические методы в технологических исследованиях. Киев: Наук, думка, 1990. 184 с.

62. ЗАО "Инструментальные системы" Электронный ресурс. М.: ЗАО "Инструментальные системы", 2009. URL: http://www.insys.ru (дата обращения: 13.10.2010).

63. Лаборатория параллельных информационных технологий НИВЦ МГУ Электронный ресурс. М.: НИВЦ МГУ, 2009. URL: http://www.parallel.ru (дата обращения: 6.03.2010).

64. НТЦ "Модуль" : сайт НТЦ "Модуль", 2009. URL: http://www.module.ru (дата обращения: 20.02.2011).

65. Analog Devices : сайт Analog Devices, 2009. URL: http://www.analog.com (дата обращения: 18.11.2009).

66. ARM : сайт ARM, 2009. URL: http://www.arm.com(flaTa обращения: 18.11.2009).

67. MetaWare : сайт MetaWare, 2009. URL: http://www.metaware.com, (дата обращения: 18.11.2009).

68. Mentor Graphics: сайт Mentor Graphics, 2009. URL: http://www.mentor.com (дата обращения: 18.11.2009).

69. National Instruments : сайт National Instruments, 2009. URL: http://www.ni.com (дата обращения: 18.11.2009).

70. TASKING : сайт Tasking, 2009. URL: http://www.taslcing.com (дата обращения:1811.2009).

71. Texas Instruments : сайт Texas Instruments Inc., 2009. URL: http://www.ti.com (дата обращения: 18.11.2009).72. ' Соколов E.Ii., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Изд-во "Наука", 1989. 238 с.

72. Танненбаум Э., Ван Стен М. Распределенные системы. Принципы и парадигмы. Спб.: Питер, 2003. 877 с.

73. Теоретические основы системного анализа / В.И. Новосельцев и др. ; под ред. В.И.Новосельцева. М.: Майор, 2006. 592 с.

74. Хамахер К., Вранешич 3., Заки С. Организация ЭВМ. СПб.Литер, Киев: Издательская группа BHV, 2003. 848 с.

75. Чернов В.Е. Code Composer Studio для разработки комплексных систем, содержащих множество DSP-плат // Компоненты и технологии. 2000. №8. С. 52-56.

76. Чернов В.Е. Создание приложений на базе процессоров Texas Instruments TMS320F28xx //Компоненты и технологии. 2006. №8. С.6-12.

77. Численные методы, параллельные вычисления и информационные технологии: Сборник научных трудов / под ред. Вл.В. Воеводина и Е.Е. Тартышникова. М.: Издательство Московского Государственного Университета, 2008. 320 с.

78. Архитектура нейропроцессора NeuroMatrix NM6403. / П.А Шевченко и др. // Нейрокомпьютер. 1998. №3, 4. С67-81.

79. Шевченко П.А. Применение микропроцессора NM6403 для эмуляции нейронных сетей // Нейрокомпьютер. 1998. №3, 4. С46-56.

80. Применение микропроцессора NM6403 для эмуляции нейронных сетей / П.А Шевченко и др. // Сб. докл. V Всероссийской конференции "Нейрокомпьютеры и их применение". М.: Радио и связь. 1999. С32-38.

81. Шнайер Б. Алгоритм ГОСТ 28147-89. Прикладная криптография. Протоколы, алгоритмы, исходные тексты на языке Си. М: Триумф, 2002. 815 с.

82. Шпоковский Г.И., Серикова Н.В. Программирование для многопроцессорных систем в стандарте MPI. Минск: БГУ, 2002. 323 с.

83. Яншин В.В. Анализ и обработка изображений: Принципы и алгоритмы: Учебное пособие для студентов вузов. М.: Машиностроение, 1995. 111 с.

84. Neuro Matrix. Руководство пользователя. М.: НТЦ "Модуль", 1999 153 с.

85. Neuro Matrix. Описание языка ассемблер. М.:НТЦ "Модуль", 1999. 180 с.

86. Neuro Matrix. Справочное руководство. М.:НТЦ "Модуль", 1999. 84 с.

87. TMS320 Digital Signal Processor Solution. Texas Instruments Inc., 1997-435 p.

88. TMS320Clx Digital Signal Processor : Production Data. Texas Instruments Inc., 1993. 567 p.

89. TMS320C54x DSPs. Product Bulletin. Texas Instruments Inc., 1996. 135 p.

90. TMS320C54x, TMS320LC54x, TMS320CV54x Fixed-Point Digital Signal Processor. Data Book. Texas Instruments Inc, 1996. 78 p.

91. TMS320C62xx Technical Brief. Texas Instruments Inc., 1997. 340 p.

92. TMS320C62xx CPU and Instruction Set.Reference Guide. Texas Instruments Inc., 1997. 56 p.

93. TMS320C6201 Digital Signal Processor:Product Preview. Texas Instruments Inc., 1997. 90 p.

94. Winter система отладки программного обеспечения мультипроцессорных систем / М.С. Долинский и др. // Компоненты и технологии. 2003. №2. С. 51-59.

95. Список публикаций по теме диссертации

96. Романчук В.А., Ручкин В.Н. Анализ архитектуры процессора NM6403 как системы параллельной обработки // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2009. С.86-90.

97. Романчук В.А., Ручкин В.Н. Разработка программного комплекса для моделирования и анализа нейропроцессорных систем обработки изображений // Цифровая обработка сигналов. 2010. №1. С.53-58.

98. Романчук В.А. Обобщенная структурная схема абстрактного нейрокомпьютера // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2010. Вып. 16. С. 111-116.

99. Романчук В.А., Ручкин В.Н. Разработка программных средств анализа нейропроцессорных систем // Вестник РГРТУ. 2010. №2. Вып.32. С.61-67.

100. Романчук В.А., Ручкин В.Н. Эмулятор команд нейропроцессора NM6403/04 // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2007. С.63-67.

101. Романчук В.А., Ручкин В.Н., М.В. Колмыков. Возможности программного комплекса NM Model для разработки и отладки программ обработки изображений // Вестник РГРТУ. 2008. №2. Вып. 24. С.83-85.

102. Романчук В. А., Ручкин В.Н. Разработка программного комплекса проектирования программ для нейропроцессоров NM6403, NM6404 // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2008. С.44-46.

103. Романчук В.А., Ручкин В.Н. Описание комплекса анализа и моделирования систем на базе нейропроцессора семейства NM640x // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2009. С.90-93.

104. Романчук В. А., Ручкин В.Н. Разработка программного комплекса моделирования нейропроцессора и нейропроцессорных систем // Информатика и прикладная математика: межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2009. С.23-25.

105. Романчук В.А. Разработка методик, моделей и алгоритмов для анализа многопроцессорных структур на базе нейропроцессоров // Ломоносов 2011: материалы межд. молодежного научного форума. М.: МГУ им.М.В .Ломоносова, 2011. С143-145.

106. Романчук В.А. Разработка модели нейропроцессора и нейропроцессорных систем // Аспирантский вестник РГУ : межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2009. №14 С. 16-21.

107. Романчук В.А. Возможности комплекса "НейроКС" для разработки программы шифрования по методу ГОСТ 28147-89 // Аспирантский вестник РГУ : межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2010. №15 - С.11-15.

108. Романчук В.А. Разработка алгоритмов получения нейропроцессорной системы для заданного программного кода // Аспирантский вестник РГУ : межвуз. сб. науч. тр. Рязань: РГУ им. С.А.Есенина, 2010. №16. С.34-38.

109. Романчук В.А., Ручкин В.Н. Разработка программного комплекса моделирования нейропроцессора и нейропроцессорных систем. // Математическое и программное обеспечение вычислительных систем : межвуз. сб. науч. тр. Рязань: РГРТУ, 2009. 4.1. С.20-23.

110. Романчук В.А. Программный комплекс "НейроКС" // Хроники объединенного фонда электронных ресурсов <Наука и образование^ № 5, 2009. URL: http://ofernio.rU/portal/newspaper/ofernio/2009/5.doc. (дата обращения: 20.02.2011)

111. Романчук В.А. Программный комплекс «НейроКС" // Приоритетные направления современной российской науки глазахми молодых ученых : тез. докл. всерос. конф. Рязань: РГУ им.С.А.Есенина, 2009. С. 111-114.

112. Романчук В.А. Программный комплекс «НейроКС" Электронный ресурс. // Ломоносов 2010: материалы межд. молодежного научного форума. М.: МГУ им.М.В .Ломоносова, 2010. CD-ROM.

113. Романчук В.А. Программный комплекс «НейроКС" // Новые информационные технологии в научных исследованиях и в образовании: тез. докл. XIV всерос. науч.-техн. конф. Рязань: РГРТУ, 2009. С.254-255.

114. Романчук В.А. Моделирование процессов обработки информациина базе нейропроцессориых структур // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций : тез. докл. 16-й междунар. науч.-техн. конф. Рязань: РГРТУ, 2010. С.153-155.

115. Романчук В.А. Разработка программных средств для проектирования систем на базе нейропроцессора // Молодые исследователи регионам : тез. докл. всерос. науч. конф. Вологда: ВоГТУ, 2010. Т.1. С. 125-127.

116. EVECOM-Эмулятор векторных команд нейропроцессора NM6403: свидетельство о регистрации электронного ресурса №7918 / В.А. Романчук. № 50200700586 ;■ опубл. 20.03.2007.

117. Программный комплекс "НейроКС" : свидетельство о регистрации электронного ресурса №15002 / В.А. Романчук. № 50200901056 ; опубл. 23.10.2009.