автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Разработка алгоритмического и аппаратного обеспечения бортовых устройств обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей

На правах рукописи

УДК: 681.518.3+621.391.08+ + 681.782.473+629.7.05+ + 004.8.032.26+629.7.018] (043.3)

Г>

НЕРЕТИН Евгений Сергеевич

РАЗРАБОТКА АЛГОРИТМИЧЕСКОГО И АППАРАТНОГО ОБЕСПЕЧЕНИЯ БОРТОВЫХ УСТРОЙСТВ ОБРАБОТКИ ИНФОРМАЦИИ НА ОСНОВЕ ОПТОЭЛЕКТРОННЫХ МАТРИЧНЫХ УМНОЖИТЕЛЕЙ И НЕЙРОННЫХ СЕТЕЙ

Специальность 05.11.16 - Информационно-измерительные и управляющие системы (авиационная и ракетно-космическая техника)

- 8 ЛЕК ?011

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Москва-2011

005003995

005003995

Работа выполнена на кафедре «Приборы и измерительно-вычислительные комплексы» ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» (МАИ).

Научный руководитель:

кандидат технических наук, доцент Князева Валентина Валентиновна

Официальные оппоненты: доктор технических наук, профессор

Бусурин Владимир Игоревич доктор технических наук, профессор Зайцев Александр Владимирович

Ведущая организация:

ОАО «ГСКБ «Алмаз-Антей» им. академика А.А. Расплетина

Защита диссертации состоится 26 декабря 2011 г. в 09 часов 00 минут на заседании диссертационного Совета Д212.125.11 при ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» (МАИ) по адресу: 125993, г. Москва, Волоколамское шоссе, д. 4.

С диссертацией можно ознакомиться в библиотеке МАИ.

Отзывы на автореферат, заверенные печатью организации, просьба направлять по адресу: 125993, г. Москва, Волоколамское шоссе, д. 4.

Автореферат разослан «/¿3 » ноября 2011 г.

Учёный секретарь

диссертационного совета,

канд. техн. наук, доцент

Ю.В. Горбачёв

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В авиации и ракетно-космической технике в настоящее время широкое применение находят электронные устройства обработки информации (УОИ). Цифровые электронные УОИ, как правило, выполняют последовательную обработку информации, и наиболее естественными для них являются логические операции. Современные и перспективные информационно-измерительные и управляющие системы (ИИиУС), во многом определяющие эффективность всей бортовой аппаратуры, выполняют, как правило, интегральные преобразования данных и должны обеспечивать более жёсткие требования к быстродействию.

Основными направлениями совершенствования БУОИ в настоящее время являются модернизация архитектуры, использование новых технологий и поиск эффективных альтернатив чисто электронным системам.

Для компенсации недостатков чисто электронных БУОИ одним из возможных подходов является использование оптических средств обработки информации. Наиболее значимым преимуществом этих средств является высокая скорость передачи данных, которая обеспечивается высокой частотой оптического излучения, изменяющейся в пределах от 310й до 3-Ю17 Гц. Известно, что теоретически использование оптоэлектронных элементов и узлов в ИИиУС может значительно повысить их производительность вплоть до 1014 операций в секунду за счёт использования таких преимуществ оптики, как пикосекундное быстродействие активных элементов, массовый параллелизм вычислений и глобальный характер связей между процессорными элементами.

Совместное использование оптических и электронных методов обработки информации даёт возможность построения высокопроизводительных оптоэлектронных БУОИ.

Работы по разработке и внедрению оптоэлектронных технологий в ИИиУС нового поколения проводятся во всём мире в течение последних тридцати лет (наиболее активно - в США, России, Японии, Великобритании, Франции и Германии), при этом при разработке высокопроизводительных ИИиУС с БУОИ реального времени, решающих такие сложные задачи, как обработка сигналов и изображений, распознавание образов, аэрокосмическая навигация и ряд других, их производительность зачастую является ограничительным фактором по отношению к характеристикам ИИиУС в целом.

Одним из многообещающих направлений построения эффективных БУОИ, широко применяемым за рубежом, является использование новой информационной технологии - нейронных сетей, обладающих столь привлекательными чертами как гибкость, способность адаптироваться к изменениям внешних условий, сохраняя устойчиво высокое качество работы.

Кроме того, за счёт использования специальных архитектур на базе множества одинаковых, достаточно простых элементов, появляется возможность применения вычислительных средств, реализующих массовую параллельность

вычислений. Достигаемое с помощью распараллеливания повышение быстродействия теоретически может достигать сотен и даже тысяч раз.

При применении этого перспективного подхода ограничением является необходимость разработки программно-алгоритмического обеспечения для узкой предметной области, поскольку особенности обучения нейронных сетей делают сегодня невозможным построение универсальной нейронной сети для обработки любой информации.

Одной из актуальных задач, решение которой возможно с использованием новых технологий, является повышение быстродействия существующих ИИиУС с БУОИ за счёт выполнения операций параллельными оптическими методами на основе алгоритмов нейронных сетей, которые рассчитаны на применение в БУОИ для обработки информации с радиолокаторов с синтезируемой апертурой.

По результатам анализа критичных задач для различных этапов обработки радиолокационной информации для перспективных радиолокаторов, представленным 3-им Центральным научно-исследовательским институтом Министерства обороны (3 ЦНИИ МО) Российской Федерации (РФ) на 4-й международной конференции ОБРА было отмечено, что одним из узких мест при обработке этой информации является отождествление целей на последовательных периодах обзора с использованием нейросетевого решения задачи о назначениях. Проблема может быть решена за счёт применения мощных аппаратных средств с массовым параллелизмом в нейросетевом базисе, что позволит достичь требуемого быстродействия 10-100 миллионов операций в секунду при отождествлении цели.

Таким образом, актуальной задачей является повышение быстродействия существующих БУОИ для распознавания объектов на радиолокационных изображениях на базе использования оптоэлектронной аппаратуры и методов искусственного интеллекта.

Цель диссертационной работы - обеспечение адаптации к повышению быстродействия существующих БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене за счёт применения оптоэлектронных матричных умножителей и нейронных сетей.

Объект исследования - высокопроизводительные БУОИ на основе опто-электронного матричного умножителя и нейронных сетей Хопфилда для распознавания объектов на радиолокационных изображениях на плоской сцене.

Предмет исследования - алгоритмическое и аппаратное обеспечение высокопроизводительных БУОИ на базе нейронных сетей для распознавания объектов на радиолокационных изображениях на плоской сцене.

Задачи диссертационной работы: -разработать структуру БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене;

-выбрать тип и модифицировать модели нейронных сетей, ориентированных на реализацию в БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене;

-обучить нейронные сети, выбранные для решения задач распознавания объектов на радиолокационных изображениях на плоской сцене;

-разработать программно-алгоритмическое и аппаратное обеспечение БУОИ на базе нейронных сетей для распознавания объектов на радиолокационных изображениях на плоской сцене;

-экспериментально проверить предложенные решения на основе полунатурных экспериментов и моделирования.

Методы исследования, применённые в работе: методы обработки информации в сложных системах, методы искусственного интеллекта, методы анализа параллельных алгоритмов вычислений, методы экспериментальных исследований и методы контроля и испытаний образцов ИИиУС.

Научная новизна диссертационной работы заключается в следующем: -разработана структура БУОИ на основе оптоэлектронного матричного умножителя и нейронных сетей Хопфилда;

-разработаны модификации моделей одномерной и двумерной биполярных нейронных сетей Хопфилда, применимые для реализации в БУОИ на основе оптоэлектронных матричных умножителей для распознавания объектов на радиолокационных изображениях на плоской сцене;

-разработаны алгоритмы, реализующие модифицированные одномерную и двумерную биполярные нейронные сети Хопфилда, применимые для реализации в БУОИ на основе оптоэлектронных матричных умножителей для распознавания объектов на радиолокационных изображениях на плоской сцене;

-структура программно-аппаратного комплекса (ПАК) для отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ на основе нейронных сетей. .

Научные результаты, выносимые на защиту: -структура БУОИ, включающая оптоэлектронные матричные умножители и нейронные сети Хопфилда;

-модифицированные модели одномерной и двумерной биполярных нейронных сетей Хопфилда, применимые для реализации в оптоэлектронных БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене;

-новое алгоритмическое обеспечение на базе одномерной и двумерной биполярных нейронных сетей Хопфилда, применимое для обработки информации в перспективных высокопроизводительных оптоэлектронных БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене;

-структура ПАК для отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ на основе нейронных сетей.

Практическая значимость полученных в диссертационной работе результатов состоит в следующем:

-созданы программное и аппаратное обеспечения, реализующие полученные научные результаты и позволяющее автоматизировать отработку БУОИ на базе нейронных сетей;

-полученные результаты применены для отработки и контроля оптоэлек-тронных элементов и блоков БУОИ.

Внедрение и реализация. Основные результаты диссертационной работы внедрены при выполнении научно-исследовательских работ в ОАО «Концерн «Вега» и в учебный процесс на кафедре «Приборы и измерительно-вычислительные комплексы» МАИ, что подтверждается соответствующими актами о внедрении. Результаты отражены в двух научно-технических отчётах о НИР.

Достоверность полученных результатов обеспечивается корректным применением математического аппарата и их экспериментальной проверкой на разработанном ПАК.

Апробация работы. Основные положения диссертационной работы представлены и обсуждены на XVI и XVIII международных научно-технических семинарах «Современные технологии в задачах управления, автоматики и обработки информации» (Украина, г. Алушта, 2007, 2009 гг.), Конкурсе молодых специалистов авиационно-космической отрасли (Комитет по развитию авиационно-космического комплекса Торгово-промышленной палаты РФ, г. Москва, 2008 г.), Всероссийской студенческой научно-технической школе-семинаре «Аэрокосмическая декада» (Украина, г. Алушта, 2008 г.), XXI Международной научной конференции «Математические методы в технике и технологиях - ММТТ-21» (г. Саратов, 2008 г.), V и VII Межрегиональных научно-практических конференциях студентов и аспирантов «Инновационные технологии в экономике, информатике и медицине» (г. Пенза, 2008, 2010 гг.), Международной технической конференции «Современные информационные технологии (Contemporary information technologies» (г. Пенза, 2009 г.), 16-й Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика - 2009» (г. Москва, г. Зеленоград, 2009 г.).

Публикации. Основные результаты диссертационной работы полностью отражены в 5-ти статьях (три из которых - в рецензируемых журналах), 7-ми трудах и тезисах докладов международных, всероссийских и межрегиональных конференций и семинаров, а также зарегистрированы в государственном Реестре программ для ЭВМ.

Структура и объём диссертационной работы. Диссертация состоит из введения, четырёх глав, заключения и списка использованных источников. Общий объём работы составляет 190 страниц, включая 105 рисунков и 21 таблицу. Список использованных источников содержит 137 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении даётся общая характеристика работы, сформулированы основная цель и вытекающие из неё задачи исследования, указаны объект, предмет и методы исследования, приведён обзор исследований по рассматриваемой тематике, отражены актуальность, научная новизна и практическая значимость диссертационной работы. Кратко излагается содержание работы по главам.

Первая глава диссертационной работы посвящена анализу современных и перспективных оптоэлектронных ИИиУС и алгоритмов обработки бортовой информации, для чего рассмотрены характеристики, классификация и конструктивно-технологические особенности оптоэлектронных устройств, исследованы алгоритмы, методы и средства обработки информации в БУОИ, проведён анализ существующих нейросетевых парадигм и возможностей их применения.

Проведённый анализ оптоэлектронных устройств и систем обработки информации показал, что в перспективных ИИиУС целесообразно сочетать оптические и электронные средства обработки информации. Повышение быстродействия существующих систем возможно за счёт выполнения последовательных операций параллельными оптическими методами на основе алгоритмов нейронных сетей.

Анализ существующих нейросетевых парадигм показал, что большинство из них подходит для обработки информации в бортовых системах распознавания образов, однако, парадигмой, позволяющей не только распознать образ, но и восстановить данные по их фрагментам (что крайне необходимо при распознавании бортовой аппаратурой зашумлённых изображений), является нейронная сеть Хопфилда. Она может быть обучена решению задачи обработки информации бортовыми устройствами.

Проведён обзор работ в области реализации нейронных сетей Хопфилда с применением оптоэлектронных транспарантов, который выявил трудности при построении одноканальных оптоэлектронных ИИиУС на базе нейронной сети Хопфилда из-за необходимости реализации как положительных, так и отрицательных значений весов матрицы взаимосвязей.

Изучение существующих методов обучения нейронной сети Хопфилда показало, что наиболее подходящим для данной сети является правило обучения Хебба, которое может быть базовым для разработки алгоритма обучения нейронной сети решению поставленной задачи.

На основе проведённого анализа сформулированы требования к высокопроизводительным БУОИ при распознавании образов на основе нейронных сетей.

Во второй главе диссертационной работы модифицированы модели одномерной и двумерной биполярных нейронных сетей Хопфилда с целью их применения в автоматизированных ИИиУС отработки БУОИ, а также алгоритмы их обучения.

Рассмотрим оптическую реализацию одномерной модели Хопфилда. Предположим, что есть М бинарных («О», «1») векторов Г,1"0 длины /V,

где / = 1, 2..., N и т = I, 2..., М. Информация в векторах хранится в форме межнейронных связей сети. Сила взаимосвязи между г-м иу'-м нейронами описывается правилом обучения Хебба:

т<>=%}2'~[2• С -Ч-мА- и =

где <5,7 - дельта-функция Кронекера (если ¿=7", <5, = 1; иначе, 5Я = 0).

Реакция сети на входной стимул, который является одним из сохранённых векторов, например К"""1, - это выдача выходной оценки:

V

(тО) _ у. у (*!))

' ¿^ V /

¡Л

Для получения неотрицательной матрицы взаимосвязей ко всем элементам исходной матрицы Т^ добавляется смещение йе/, и неотрицательный матричный элемент Т^р=Т0+Яе/. Ке/представляет собой абсолютную величину отрицательного элемента матрицы Тч являющегося минимальным. Таким образом, смещение Яе/ в выходной оценке представляет собой добавление зависимого от входа однородного фона, который может быть устранён регулировкой выходного порогового уровня.

Для биполярной модели выходная оценка для сохранённого вектора У,(п) принимает вид:

,=1 ^

Л 1 Я л 1

Обозначим =^[2-г,<"°-1][Л'<""---Л']---Л/, тогда процесс

/=1 2 „,=| 2 2

пороговой обработки описывается в виде:

[X при иЛп)>ОТ, Г (/7 + 1) = И '

\Ъ,при11Хп)<ОТг

Процесс осуществляется фиксированной пороговой обработкой результирующего выходного вектора для униполярного входа, а текущая оптическая нейронная сеть имеет биполярные нейронные свойства.

Ожидаемая оценка выхода модифицированной одномерной биполярной модели Хопфилда:

иНь = X Т„ I , •(") + ВС, - (") ■ М + '

где Мах - максимум ОГ„ И„{п) - количество единиц во входном векторе г (я). Это выражение подразумевает, что биполярный ассоциативный вызов может выполняться динамической пороговой обработкой ТН(п) результирующего выходного вектора униполярной системы и распределённым фоном ВС,. ТН(п) является порогом, а ВС, - фоном, добавленным к выходу. Все значения в уравнении выражены униполярно, таким образом вычисление может быть выполнено в единственном канале оптической системы.

Таким образом, можно составить расширенную матрицу взаимосвязей Щ:

1Г, ЛЧ| =BG, = Max- DT,,

Wa4» =

(fA4l лч, = Max.

Тогда:

/.I

Для согласования работы сети входному вектору необходимо добавить дополнительный элемент !7ЛЧ1(и) = 1.

Использование (М+1)-й размерности расширенной матрицы взаимосвязей Wy (рис. 1) позволяет (в отличие от существующих оптических реализаций модели Хопфилда) реализовать биполярную сеть Хопфилда в одном оптическом канале ИИиУС.

Модель двумерной нейронной сети Хопфилда состоит из N2 взаимно связанных нейронов, текущие состояния которых характеризуются бинарными состояниями:

(V V mi -"Ч

V V

'71 ■■■ ' 7

где элемент матрицы имеющий значение «1» или «О», обозначает состояние соответствующего нейрона. Набор М образов (или изображений) У*т>, т=1,2...,М, каждый состоящий из Ы^Ы элементов К "'"(и л и пикселей), хранится в сети.

Элемент матрицы Туи обозначает силу взаимосвязи между нейронами у и к.1:

=1[2'7 -пру; -1 \-Щи

ш=1

где 5ф - дельта-функция Кронекера, определяемая как:

[1, при 1 = ки) = /, [О, при всех других случаях. Получение неотрицательной матрицы взаимосвязей Тци аналогично Ту для модифицированной одномерной нейронной сети Хопфилда, а процесс пороговой обработки описывается в виде:

где Л',"' - количество единиц в хранящемся образе Г""'. Расширенная матрица взаимосвязей ^ имеет вид: для 1 < /,уД',/ < N : для 1 < /',_/' < (Л' + 1):

И7,,, -

Для согласования работы сети к входному образу добавляются элементы:

V -1 V = I V =1

Ч\4!)у .(ЛЧ1) '> ксЛ+1)(У+1)

Ожидаемая оценка выхода модифицированной двумерной биполярной модели Хопфилда:

(п).

Таким образом, выходная пороговая обработка может быть получена путём пороговой обработки произведения входного сигнала размерности (Л'+1)х(Л' + 1) и матрицы элементов (М + 1)2 х(Л' + 1)г, где (ДЧ-1)-й элемент выходной оценки используется в качестве порога. Дополнительные элементы матрицы представляют распределённый фон и динамический порог.

Вариант двумерной реализации четырёхмерной матрицы взаимосвязей IV¡¡и нейронной сети Хопфилда показан на рис. 2.

Т 1 ее,

г 1 вв2

Ие1 Не1 ИеГ

Мах

Рис. 1. Формирование расширенной Рис. 2. Двумерная реализация четырёх-матрицы Щ. мерной матрицы взаимосвязей.

Разработаны структура БУОИ на основе оптоэлектронного матричного умножителя и нейронных сетей, представленная на рис. 3, и структура ПАК для испытаний перспективных оптоэлектронных элементов и блоков БУОИ на основе нейронных сетей (рис. 4).

БУОИ состоит из программно-алгоритмической части (ПАЧ) и оптоэлектронного матричного умножителя (ОЭМУ). ПАЧ содержит как базу данных (БД), с образами объектов, необходимых для обнаружения, так и программно-алгоритмическое обеспечение, реализующее работу модифицированных нейронных сетей. Процесс распознавания объектов на плоской сцене осуществляется в БУОИ итерационно. Блок-схема алгоритма распознавания представлена на рис. 5.

ПАК для комплексной отработки алгоритмического и аппаратного обеспечения оптоэлектронных элементов и блоков перспективных БУОИ, включающих нейронные сети, состоит из следующих основных модулей: автоматизированного рабочего места (АРМ) управления испытаниями и контроля работы нейронной сети, блока управления измерениями (БУ И), контроллера сбора и обработки данных (КСОД), блока управления источниками излучения

(БУ ИИ), блока управления матричным оптоэлектронным транспарантом (БУ МОЭТ), блока получения информации (БПИ) и объектов испытаний -источников излучения (ИИ), матричного оптоэлектронного транспаранта (МОЭТ), приёмников излучения (ПИ) или состоящих из них блоков БУОИ.

Рис. 4. Структурная схема к°"ви

программно-аппаратного комплекса Рис. 5. Блок-схема алгоритма

отработки элементов и блоков БУОИ распознавания

В третьей главе диссертации разработано программно-алгоритмическое обеспечение для применения модифицированных нейронных сетей Хопфилда в БУОИ. Обобщённая блок-схема алгоритмов, реализующих модифицированные нейронные сети, представлена на рис. 6.

Разработанные алгоритмы реализованы в форме ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры», примеры главного окна и окна с выводом матрицы взаимосвязей которого представлены на рис. 7.

ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры» реализует созданные алгоритмы и позволяет моделировать работу модифицированных нейронных сетей Хопфилда для реализации в канале ИИиУС на базе оптоэлектронного матричного умножителя. ПО разработано на языке программирования Delphi из пакета Embarcadero RAD Sludio ХЕ и зарегистрировано в Реестре программ для ЭВМ (свидетельство о государственной регистрации программы для ЭВМ №2011616541 от 19.08.2011).

Задание образов для обучения НС, их размерности (N) и количества (М)

Умножение входного образа на матрицу взаимосвязей оптоэлектронного транспаранта

Программирование весов матрицы взаимосвязей (7) оптоэлектронного транспаранта(обучение НС)

Определение количества единичных элементов 8 сохранённых образах

Расчёт пороговых значений

Расчёт величины смещения f

Определение максимального значения порога

Формирование смещённой (неотрицательной) матрицы взаимосвязей

Формирование расширенной матрицы взаимосвязей

Определение количества единичных элементов в входном образе

О

Вывод о распознавании или нераспознавании БУОИ одного из образов

- I -

Рис. 6. Обобщённая блок-схема алгоритмов, реапизующих модифицированные нейронные сети.

ЖЕ ■ i-l'.: - ■ ■ • ... .

Iii. i: ssf . . . . ■■. ^.

>*• Щ

■ •hiijf " ¡¿Ы * ■ ■ *

. . . IV [ И Ufr i " ; leii

- . || щ f®fl £jf

: ; tr': ' 'i'-i-*.. • •' w а ' . .

Рис. 7. ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры».

В четвёртой главе диссертации представлены: -анализ вычислительной производительности БУОИ при выполнении операции векторно-матричного умножения;

-результаты моделирования модифицированных нейронных сетей;

- ПАК для испытаний образцов оптоэлектронных элементов и блоков перспективных БУОИ,

- результаты натурных испытаний опытных образцов перспективных оптоэлектронных элементов, а именно МОЭТ размерностью 16х 16, макета одиночного лазерного диода и линейки лазерных диодов с вертикальным резонатором размерностью 16 на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм для ОАО «Концерн «Вега» (рис. 8).

Проведён расчёт, позволивший оценить увеличение быстродействия разработанного БУОИ в 1,2...1,3 раза по сравнению с существующими БУОИ, выполняющими последовательную обработку информации.

12

Проведено два этапа моделирования модифицированных нейронных сетей. На первом этапе проведено 20 серий экспериментов на простых примерах с образами размерностей 5x1, 8x1, 16x1, 20x1, 25x1, 5x5, 8x8, 16x16, 20x20, 25x25 и количеством сохранённых образов в каждой из размерностей последовательно -4, 5, 10 в ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры». Моделирование подтвердило адекватность модифицированных моделей нейронных сетей Хопфилда для решения поставленной задачи.

На втором этапе проведено 20 серий экспериментов на сложных примерах в среде MATLAB. Целью данного этапа была проверка применимости предложенных алгоритмов для распознавания объектов на плоской сцене, полученных с радиолокаторов с синтезируемой апертурой.

Для проведения экспериментов были взяты 20 радиолокационных изображений, полученных с помощью радиолокаторов с синтезируемой апертурой (РСА изображения) в Ка-диапазоне, разрешение 0,1 м. Источник - Интернет-ресурс www.sandia.gov/radar (Sandia National Laboratories, Lockheed Martin Company, США).

Эталонные объекты получены путём «вырезания» искомых объектов из панорамного снимка (рис. 9) и выравнивания яркости фона (за счёт устранения неоднородностей фона). Обнаружение объекта на плоской сцене осуществлялось по контуру тени, оставляемой им на поверхности земли. В результате моделирования обученная сеть при наличии помех распознала соответствующие объекты на представленных РСА изображениях так: при зашумлении объекта до 20% или более 80% распознавание имело место в 100% случаев, при зашумлении от 20% до 40% или от 60% до 80% распознавание происходило с вероятностью 99%. При зашумлении от 40% до 60% (самый неблагоприятный вариант) распознавание невозможно. Таким образом, полученные результаты подтвердили работоспособность модифицированных моделей нейронных сетей при решении задачи распознавания объектов на плоской сцене на РСА изображениях в рабочих областях (кроме самого неблагоприятного варианта).

Рис. 8. Зависимость оптического Рис. 9. РСА изображение: Ка диапазон, контраста от номера элемента разрешение 0,1 м, размер 1591 х/158, МОЭТ. и выделенные объекты типов

«Вертолёт» и «Самолёт».

Эксперименты, проведённые на разработанном ПАК, подтвердили его полную пригодность для контроля оптоэлектронных элементов и блоков перспективных БУОИ.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИОННОЙ РАБОТЫ

В диссертационной работе получены следующие основные выводы и результаты.

1. Поставлена и решена задача обеспечения адаптации к увеличению быстродействия БУОИ за счёт применения оптоэлектронных матричных умножителей и нейронных сетей при распознавании образов.

2. Разработана структура БУОИ на основе оптоэлектронного матричного умножителя, выполняющего матричные вычисления параллельными оптическими методами, что позволяет адаптировать его к повышению быстродействия при распознавании объектов на радиолокационных изображениях на плоской сцене. Оценено увеличение быстродействия с применением предложенной архитектуры БУОИ в 1,2... 1,3 раза по сравнению с существующими УОИ, выполняющими последовательную обработку информации.

3. Модифицированы биполярные одномерная и двумерная модели нейронной сети Хопфилда для применения в БУОИ на основе оптоэлектронного матричного умножителя при распознавании образов.

4. Разработаны алгоритмы, реализующие модифицированные биполярные модели одномерной и двумерной нейронной сети Хопфилда, позволяющие распознавать объекты на радиолокационных изображениях на плоской сцене в БУОИ. Алгоритмы реализованы в форме ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры». ПО разработано на языке программирования Delphi из пакета Embarcadero RAD Studio ХЕ и зарегистрировано в Реестре программ для ЭВМ (свидетельство о государственной регистрации программы для ЭВМ №2011616541 от 19.08.2011).

5. Проведено 20 серий экспериментов по тестированию разработанного ПО и 20 серий моделирования на простых примерах, которые полностью подтвердили его работоспособность и адекватность модифицированных моделей нейронных сетей в рассматриваемых задачах обработки бортовой информации. Проведено моделирование с использованием 20 радиолокационных изображений, полученных с помощью радиолокаторов с синтезируемой апертурой (РСА изображения) в Ка-диапазоне, подтвердившее работоспособность созданных моделей нейронных сетей Хопфилда для решения задачи распознавания объектов в радиолокационных изображениях на плоской сцене при наличии помех.

Результаты моделирования показали, что при зашумлении объекта до 20% или более 80% распознавание происходит в 100% случаев, при зашумлении от 20% до 40% или от 60% до 80% распознавание происходит с вероятностью 99%, при зашумлении от 40% до 60% (самый неблагоприятный вариант) распознавание невозможно.

6. Разработана двухуровневая архитектура ПАК для отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ (использующих в том числе нейронные сети Хопфилда). ПАК позволяет проводить испытания существующих и перспективных БУОИ.

7. На разработанном ПАК для комплексной отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ проведено испытание опытных образцов перспективных оптоэлектронных элементов, а именно матричного оптоэлектронного транспаранта размерностью 16><16, макета одиночного лазерного диода с вертикальным резонатором и линейки лазерных диодов с вертикальным резонатором размерностью 16 на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм для ОАО «Концерн «Вега», что подтверждается соответствующим актом внедрения в научно-исследовательскую и опытно-конструкторскую работу Концерна.

8. Результаты диссертационной работы внедрены в учебный процесс ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» (МАИ), что подтверждается соответствующим актом внедрения.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

В рецензируемых журналах и изданиях

1. Неретин Е.С. Программно-алгоритмическое обеспечение систем испытания бортовых электронных устройств // Вестник МАИ. - 2011. - т. 18, №3. -с. 177-184.

2. Кирпичев К.Ю., Неретин Е.С. Разработка автоматизированного места тестирования высокочастотных оптоэлектронных элементов ; и узлов в реальном масштабе времени // Труды МАИ. - №38. - 2010. (Идентификационный номер НТЦ «Информрегистр» 0421000009X0059). - Режим доступа: http://www.mai.ru/science/trudy/published.php?ID=14158 - 21.11.2011.

3. Кулыба Ю.Н., Паппэ Г.Е., Турук В.Э., Егоров A.A., Кирпичев К.Ю., Неретин Е.С. Автоматизированное рабочее место для измерения характеристик и тестирования прибора задержки СВЧ-сигналов для радиолокаторов с синтезируемой апертурой//Вестник МАИ.-2009.-т. 16, №5.-с. 149-158.

В других изданиях

4. Баланин Д.А., Кирпичев К.Ю., Неретин Е.С. Разработка универсального микропроцессорного блока дискретного ввода-вывода для управления испытаниями электронных устройств // Проектно-конструкторские и производственные вопросы создания перспективной авиационной техники / Под ред. проф. Ю.Ю. Комарова. -М.: Изд-во МАИ-ПРИНТ, 2009 - с. 163-168.

5. Егоров A.A., Кирпичев К.Ю., Неретин Е.С., Паппэ Г.Е. Микропроцессорный контроллер сбора и обработки данных для проведения измерений в оптоэлектронике // Промышленные АСУ и контроллеры. - №06. - 2006. -с. 58-61.

6. Егоров А.А., Князева В.В., Неретин Е.С. Разработка и изготовление автоматизированного устройства тестирования оптоэлектронных элементов и узлов в реальном масштабе времени // Современные технологии в задачах управления, автоматики и обработки информации: труды XVI Международного научно-технического семинара. Сентябрь 2007 г., Алушта. - Тула.: Изд-во ТулГУ, 2007.-с. 106-107.

7. Кирпичёв К.Ю., Неретин Е.С. Автоматизированный комплекс испытаний высокочастотных оптоэлектронных устройств // Микроэлектроника и информатика- 2009. 16-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов: Тезисы докладов. - М.: МИЭТ, 2009. - с. 200.

8. Кирпичёв К.Ю., Неретин Е.С. Контроллер управления испытаниями оптоэлектронных компонентов в реальном масштабе времени // Сборник статей V Межрегиональной научно-практической конференции студентов и аспирантов «Инновационные технологии в экономике, информатике и медицине». - Пенза: ПГТА, 2008.-с. 90-93.

9. Князева В.В., Неретин Е.С., Кирпичёв К.Ю., Баланин Д.А., Донцов С.И., Корнеев А.К. Разработка автоматизированной системы испытания электронных устройств сверхвысокого диапазона частот // Современные технологии в задачах управления, автоматики и обработки информации: Труды XVIII Международного научно-технического семинара. Алушта, сентябрь 2009 г. - М.: МИРЭА, 2009. - с. 243.

10. Князева В.В., Неретин Е.С., Окатов Ю.Э. Разработка автоматизированного модуля тестирования оптоэлектронных компонентов различного назначения // Всероссийская студенческая научно-техническая школа-семинар «Аэрокосмическая декада». Под ред. Куприкова М.Ю. - М.: Изд-во МАИ, 2008. -с. 42-43.

11. Неретин Е.С. Имитатор нейронной сети Хопфилда для бортовой аппаратуры. Свидетельство о государственной регистрации программы для ЭВМ №2011616541. Заявка №2011614840 от 29.06.2011. Зарегистрировано в Реестре программ для ЭВМ 19.08.2011.

12. Неретин Е.С. Разработка архитектуры, аппаратного и программно-алгоритмического обеспечения информационной измерительно-управляющей системы испытаний оптоэлектронных элементов // Инновационные технологии в экономике, информатике и медицине. VII Межрегиональная научно-практическая конференция студентов и аспирантов. Сборник статей. - Пенза: Пензенская государственная технологическая академия, 2010. - с. 114-117.

13. Неретин Е.С., Кирпичёв К.Ю., Баланин Д.А., Донцов С.И. Оптимизация программно-аппаратного и алгоритмического обеспечения системы отработки ВЧ- и СВЧ-устройств // Современные информационные технологии (Contemporary information technologies). Труды международной научно-технической конференции (Computer-based conference). - Пенза: Пензенская государственная технологическая академия, 2009, вып. 9. - с. 61-62.

Неретин Евгений Сергеевич Разработка алгоритмического и аппаратного обеспечения бортовых устройств обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей Автореф. дисс. на соискание учёной степени кандидата техн. наук.

Подписано в печать 21.11.2011.

Усл. печ. л. 1,0. Тираж 100 экз. Заказ № 530/11 Отпечатано в типографии «Реглет» 119526, г. Москва, Страстной бульвар, 6/1 (495) 978-43-34; www.reglet.ru

Перечень сокращений.

Введение.

ГЛАВА 1. СОВРЕМЕННЫЕ ОПТОЭЛЕКТРОННЫЕ ЭЛЕМЕНТЫ ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ И УПРАВЛЯЮЩИХ СИСТЕМ И АЛГОРИТМЫ ОБРАБОТКИ БОРТОВОЙ ИНФОРМАЦИИ

1.1. Оптоэлектронные бортовые устройства и блоки обработки информации как элементы бортовых информационно-измерительных и управляющих систем.

1.2. Алгоритмы обработки информации в информационно-измерительных и управляющих системах и средства их реализации.

1.3. Оптоэлектронные информационно-измерительные и управляющие системы на базе модели нейронной сети Хопфилда.

Выводы по главе 1.

ГЛАВА 2. БОРТОВЫЕ УСТРОЙСТВА ОБРАБОТКИ ИНФОРМАЦИИ НА ОСНОВЕ ОПТОЭЛЕКТРОННЫХ МАТРИЧНЫХ УМНОЖИТЕЛЕЙ И НЕЙРОННЫХ СЕТЕЙ И СРЕДСТВА ИХ КОНТРОЛЯ

2.1. Постановка задачи разработки бортовых устройств обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей.

2.2. Модификации модели Хопфилда, применимые для реализации в оптоэлектронных бортовых устройствах обработки информации на основе оптоэлектронных матричных умножителей.

2.3. Структура бортового устройства обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей.

2.3. Архитектура программно-аппаратного комплекса контроля характеристик современных и перспективных оптоэлектронных элементов и блоков бортовых устройств обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей.

Выводы по главе 2.

ГЛАВА 3. ПРОГРАММНО-АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ, РЕАЛИЗУЮЩЕЕ МОДИФИЦИРОВАННЫЕ НЕЙРОННЫЕ СЕТИ

3.1. Алгоритмическое обеспечение, реализующее модифицированную одномерную биполярную модель нейронной сети Хопфилда для бортовых устройств обработки информации на основе оптоэлектронного матричного умножителя.

3.2. Алгоритмическое обеспечение, реализующее модифицированную двумерную биполярную модель нейронной сети Хопфилда для бортовых устройств обработки информации на основе оптоэлектронного матричного умножителя.

3.3. Программное обеспечение для реализации разработанных алгоритмов модифицированной нейронной сети Хопфилда.

Выводы по главе 3.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНАЯ ОТРАБОТКА СОВРЕМЕННЫХ И ПЕРСПЕКТИВНЫХ ОПТОЭЛЕКТРОННЫХ ЭЛЕМЕНТОВ И БЛОКОВ БОРТОВЫХ УСТРОЙСТВ ОБРАБОТКИ ИНФОРМАЦИИ

4.1. Анализ вычислительной производительности бортовых устройств обработки информации при выполнении операции векторно-матричного умножения.

4.2. Тестирование программного обеспечения и проверка адекватности разработанных моделей нейронной сети.

4.3. Моделирование работы модифицированной нейронной сети Хопфилда.

4.4. Программно-аппаратный комплекс натурной отработки оптоэлектрон-ных элементов и устройств.

4.5. Натурная отработка перспективных оптоэлектронных элементов устройств обработки информации.

Выводы по главе 4.

Актуальность работы. В авиации и ракетно-космической технике (а также практически во всех областях науки и техники) в настоящее время широкое применение находят электронные устройства обработки информации (УОИ) [1, 52, 60]. Цифровые электронные УОИ, как правило, выполняют последовательную обработку информации, и наиболее естественными для них являются логические операции. Современные и перспективные информационно-измерительные и управляющие системы (ИИиУС) - это одни из важнейших бортовых систем, во многом определяющие эффективность всей бортовой аппаратуры. Для них характерны интегральные преобразования данных и использование нейросетевых алгоритмов в наиболее трудно формализуемых операциях обработки данных. Кроме того, бортовые УОИ (БУОИ) обладают высокой чувствительностью к электромагнитным помехам и часто не обеспечивают высокой степени защиты информации, а также имеют высокое энергопотребление.

Основными направлениями совершенствования БУОИ в настоящее время являются модернизация архитектуры и технологии, а также поиск эффективных альтернатив чисто электронным системам [14].

Для компенсации недостатков чисто электронных БУОИ одним из возможных подходов является использование оптических средств обработки информации. Наиболее значимым преимуществом этих средств является высокая скорость передачи данных, которая обеспечивается высокой частотой оптического излучения, изменяющейся в пределах от 3-1011 до 3-1017 Гц. Известно, что использование оптоэлектронных элементов и узлов в ИИиУС может значительно повысить их производительность вплоть до 1014 операций в секунду за счёт использования таких преимуществ оптики, как пикосекундное быстродействие активных элементов, массовый параллелизм вычислений и глобальный характер связей между процессорными элементами [60].

Совместное использование оптических и электронных методов обработки информации даёт возможность построения высокопроизводительных оптоэлектронных БУОИ.

Работы по разработке и внедрению оптоэлектронных технологий в ИИиУС нового поколения проводятся во всём мире в течение последних тридцати лет (наиболее активно - в США, России, Японии, Великобритании, Франции и Германии), при этом при разработке высокопроизводительных ИИиУС с БУОИ реального времени, решающих такие сложные задачи, как обработка сигналов и изображений, распознавание образов, аэрокосмическая навигация и ряда других, их производительность зачастую является ограничительным фактором по отношению к характеристикам ИИиУС в целом [16, 53, 82].

Одним из многообещающих направлений построения эффективных БУОИ, широко применяемым за рубежом, является использование новой информационной технологии - нейронных сетей, обладающих столь привлекательными чертами как гибкость, способность адаптироваться к изменениям внешних условий, сохраняя устойчиво высокое качество работы [14, 62].

Кроме того, за счёт использования специальных архитектур на базе множества одинаковых, достаточно простых элементов, появляется возможность применения вычислительных средств, реализующих массовую параллельность вычислений. Достигаемое с помощью распараллеливания повышение быстродействия может достигать сотен и даже тысяч или более раз.

При применении этого перспективного подхода ограничением является необходимость разработки программно-алгоритмического обеспечения для узкой предметной области, поскольку особенности обучения нейронных сетей делают сегодня невозможным построение универсальной нейронной сети для обработки любой информации.

Одной из актуальных задач, решение которой возможно с использованием новых технологий, является повышение быстродействия существующих ИИиУС с БУОИ за счёт выполнения последовательных операций параллельными оптическими методами на основе алгоритмов нейронных сетей, которые рассчитаны на применение на борту летательного аппарата в БУОИ для обработки информации с радиолокаторов с синтезируемой апертурой [62].

По результатам анализа критичных задач для различных этапов обработки радиолокационной информации для перспективных радиолокаторов, представленным 3 Центральным научно-исследовательским институтом Министерства обороны (3 ЦНИИ МО) Российской Федерации (РФ) на 4-й международной конференции Б8РА было отмечено, в частности, что одним из узких мест при обработке этой информации является отождествление целей на последовательных периодах обзора с использованием нейросетевого решения задачи о назначениях. Проблема может быть решена за счёт применения мощных аппаратных средств с массовым параллелизмом в нейросетевом базисе, что позволит достичь требуемого быстродействия 10-100 миллионов операций в секунду при отождествлении цели.

Таким образом, актуальной задачей является повышение быстродействия существующих БУОИ для распознавания объектов на радиолокационных изображениях на базе использования оптоэлектронной аппаратуры и методов искусственного интеллекта.

Основание для выполнения работы - Федеральная целевая программа «Национальная технологическая база», раздел III «Технология вычислительных систем», направление работ «Разработка технологий создания компьютеров и вычислительных комплексов высокой и сверхвысокой производительности, нейрокомпьютеров и адаптивных вычислительных систем» с целью создания современной технологической базы, необходимой для разработки и производства высокотехнологичной, наукоёмкой продукции мирового уровня в области важнейших технических систем (воздушного, морского и наземного транспорта, ракетно-космической техники, вычислительной техники, систем управления, связи и информации).

Цель диссертационной работы - обеспечение адаптации к повышению быстродействия существующих БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене за счёт применения оптоэлектронных матричных умножителей и нейронных сетей.

Объект исследования - высокопроизводительные БУОИ на основе оптоэлектронного матричного умножителя и нейронных сетей Хопфилда для распознавания объектов на радиолокационных изображениях на плоской сцене.

Предмет исследования - алгоритмическое и аппаратное обеспечение высокопроизводительных БУОИ на базе нейронных сетей для распознавания объектов на радиолокационных изображениях на плоской сцене.

Задачи диссертационной работы:

1. Разработать структуру БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене.

2. Выбрать тип и модифицировать модели нейронных сетей, ориентированных на реализацию в БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене.

3. Обучить нейронные сети, выбранные для решения задач распознавания объектов на радиолокационных изображениях на плоской сцене.

4. Разработать программно-алгоритмическое и аппаратное обеспечение БУОИ на базе нейронных сетей для распознавания объектов на радиолокационных изображениях на плоской сцене.

5. Экспериментально проверить предложенные решения на основе полунатурных экспериментов и моделирования.

Методы исследования, применённые в работе: методы обработки информации в сложных системах, методы искусственного интеллекта, методы анализа параллельных алгоритмов вычислений, методы экспериментальных исследований и методы контроля и испытаний образцов ИИиУС.

Научная новизна диссертационной работы заключается в следующем: -разработана структура БУОИ на основе оптоэлектронного матричного умножителя и нейронных сетей Хопфилда;

-разработаны модификации моделей одномерной и двумерной биполярных нейронных сетей Хопфилда, применимые для реализации в БУОИ на основе оптоэлектронных матричных умножителей для распознавания объектов на радиолокационных изображениях на плоской сцене;

-разработаны алгоритмы, реализующие модифицированные одномерную и двумерную биполярные нейронные сети Хопфилда, применимые для реализации в БУОИ на основе оптоэлектронных матричных умножителей для распознавания объектов на радиолокационных изображениях на плоской сцене;

-структура программно-аппаратного комплекса (ПАК) для отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ на основе нейронных сетей.

Научные результаты, выносимые на защиту: -структура БУОИ, включающая оптоэлектронные матричные умножители и нейронные сети Хопфилда;

-модифицированные модели одномерной и двумерной биполярных нейронных сетей Хопфилда, применимые для реализации в оптоэлектронных БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене;

-новое алгоритмическое обеспечение на базе одномерной и двумерной биполярных нейронных сетей Хопфилда, применимое для обработки информации в перспективных высокопроизводительных оптоэлектронных БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене;

-структура ПАК для отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ на основе нейронных сетей.

Практическая значимость полученных в диссертационной работе результатов состоит в следующем:

-созданы программное и аппаратное обеспечения, реализующие полученные научные результаты и позволяющее автоматизировать отработку БУОИ на базе нейронных сетей;

-полученные результаты применены для отработки и контроля оптоэлектронных элементов и блоков БУОИ.

Достоверность полученных результатов обеспечивается корректным применением математического аппарата и их экспериментальной проверкой на разработанном ПАК.

Внедрение и реализация. Основные результаты диссертационной работы внедрены при выполнении научно-исследовательских работ в ОАО «Концерн «Вега» и учебный процесс на кафедре «Приборы и измерительно-вычислительные комплексы» МАИ, что подтверждается соответствующими актами о внедрении. Результаты отражены в двух научно-технических отчётах о НИР.

Апробация работы. Основные положения диссертационной работы представлены и обсуждены на XVI и XVIII международных научно-технических семинарах «Современные технологии в задачах управления, автоматики и обработки информации» (Украина, г. Алушта, 2007, 2009 гг.), Конкурсе молодых специалистов авиационно-космической отрасли (Комитет по развитию авиационно-космического комплекса Торгово-промышленной палаты РФ, г. Москва, 2008 г.), во Всероссийской студенческой научно-технической школе-семинаре «Аэрокосмическая декада» (Украина, г. Алушта,

2008 г.), на XXI Международной научной конференции «Математические методы в технике и технологиях - ММТТ-21» (г. Саратов, 2008 г.), V и VII Межрегиональных научно-практических конференциях студентов и аспирантов «Инновационные технологии в экономике, информатике и медицине» (г. Пенза, 2008, 2010 гг.), Международной технической конференции «Современные информационные технологии (Contemporary information technologies» (г. Пенза, 2009 г.), 16-й Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика - 2009» (г. Москва, г. Зеленоград, 2009 г.), в Университете г. Ганновер им. Лейбница (Leibniz Universität Hannover, Institut für Dynamik und Schwingungen) (Германия, г. Ганновер, 2009 г.), а также на заседаниях кафедры «Приборы и измерительно-вычислительные комплексы» и научно-технических советах Научно-производственного комплекса вычислительной техники и информатики ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» (МАИ).

Публикации. Основные результаты диссертационной работы полностью отражены в 5-ти статьях (3 из которых - в журналах, рекомендованных Перечнем ведущих периодических изданий ВАК при Министерстве образования и науки РФ), 7-ми трудах и тезисах докладов международных, всероссийских и межрегиональных конференций и семинаров, а также зарегистрированы в государственном Реестре программ для ЭВМ.

Структура и объём диссертационной работы. Диссертация состоит из введения, четырёх глав, заключения и списка использованных источников. Общий объём работы составляет 190 страниц, включая 105 рисунков и 21 таблицу. Список использованных источников содержит 137 наименований.

Выводы по главе 4.

1. Оценено увеличение быстродействия с применением предложенной архитектуры БУОИ в 1,2. 1,3 раза по сравнению с существующими УОИ, выполняющими последовательную обработку информации.

2. Проведённое тестирование ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры» полностью подтвердило его работоспособность. Результаты работы всех модулей соответствуют заложенным алгоритмам.

3. На базе моделирования, включавшего 10 серий экспериментов с образами размерностей в 5^1, 8x1, 16x1, 20x1, 25x1 и количеством сохранённых образов в каждой из размерностей последовательно - 4, 5, 10, подтверждена адекватность модифицированной биполярной одномерной модели нейронной сети Хопфилда, ориентированной для реализации в канале ИИиУС с использованием электронно-оптического векторно-матричного умножителя с добавлением распределённого фона и расширенной матрицы взаимосвязей.

4. На базе моделирования, включавшего 10 серий экспериментов с образами размерностей в 5x5, 8x8, 16x16, 20x20, 25x25 и количеством сохранённых образов в каждой из размерностей последовательно - 4, 5, 10, подтверждена адекватность модифицированной биполярной двумерной модели нейронной сети Хопфилда, ориентированной для реализации в канале ИИиУС с использованием электронно-оптического векторно-матричного умножителя с добавлением распределённого фона и расширенной матрицы взаимосвязей.

5. Моделирование, проведённое с использованием 20 радиолокационных изображений, полученных с помощью радиолокаторов с синтезируемой апертурой (РСА изображения) в Ка-диапазоне, разрешение 0,1 м (источник - Интернет-ресурс www.sandia.gov/radar (Sandia National Laboratories, Lockheed Martin Company, США)), подтвердило работоспособность разработанных моделей нейронных сетей Хопфилда для решения задачи распознавания объектов на плоской сцене в радиолокационных изображениях и возможность контроля такого типа блоков на разработанном программно-аппаратном комплексе с расширенными функциями.

6. Разработан программно-аппаратный комплекс натурной отработки бортовых электронно-оптических элементов и устройств, который используется в ОАО «Концерн «Вега» для тестирования разрабатываемых перспективных бортовых оптоэлектронных элементов и устройств. ПАК позволяет испытывать такие оптоэлектронные компоненты, как: одиночные лазерные диоды и лазерные модули, матричные электронно-оптические транспаранты, одиночные фотоприёмники и фотоприёмные модули. Применение нейронных сетей позволяет расширить функциональность стенда для испытания перспективных электронно-оптических БУОИ.

7. Проведена полу натурная обработка перспективных образцов оптоэлектронных элементов, которая подтвердила работоспособность разработанного комплекса, а именно:

- экспериментального образца многоканального МОЭТ размерностью 16x16 на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм, работающего в режиме на отражение;

- макета одиночного лазерного диода с вертикальным резонатором на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм;

- макета линейки лазерных диодов с вертикальным резонатором на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм размерностью 16.

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие основные выводы и результаты.

1. Поставлена и решена задача обеспечения адаптации к увеличению быстродействия БУОИ за счёт применения оптоэлектронных матричных умножителей и нейронных сетей при распознавании образов.

2. Разработана структура БУОИ на основе оптоэлектронного матричного умножителя, выполняющего матричные вычисления параллельными оптическими методами, что позволяет адаптировать его к повышению быстродействия при распознавании объектов на радиолокационных изображениях на плоской сцене. Оценено увеличение быстродействия с применением предложенной архитектуры БУОИ в 1,2. 1,3 раза по сравнению с существующими УОИ, выполняющими последовательную обработку информации.

3. Модифицированы биполярные одномерная и двумерная модели нейронной сети Хопфилда для применения в БУОИ на основе оптоэлектронного матричного умножителя при распознавании образов.

4. Разработаны алгоритмы, реализующие модифицированные биполярные модели одномерной и двумерной моделей нейронной сети Хопфилда, позволяющие распознавать объекты на радиолокационных изображениях на плоской сцене в БУОИ. Алгоритмы реализованы в форме ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры». ПО разработано на языке программирования Delphi из пакета Embarcadero RAD Studio XЕ и зарегистрировано в Реестре программ для ЭВМ (свидетельство о государственной регистрации программы для ЭВМ №2011616541 от 19.08.2011).

5. Проведено 20 серий экспериментов по тестированию разработанного ПО и 20 серий моделирования на простых примерах, которые полностью подтвердили его работоспособность и адекватность модифицированных моделей нейронных сетей в рассматриваемых задачах обработки бортовой информации.

Проведено моделирование с использованием 20 радиолокационных изображений, полученных с помощью радиолокаторов с синтезируемой апертурой (РСА изображения) в Ка-диапазоне, подтвердившее работоспособность созданных моделей нейронных сетей Хопфилда для решения задачи распознавания объектов в радиолокационных изображениях на плоской сцене при наличии помех.

Результаты моделирования показали, что при зашумлении объекта до 20% или более 80% распознавание происходит в 100%) случаев, при зашумлении от 20% до 40% или от 60% до 80%) распознавание происходит с вероятностью 99%, при зашумлении от 40% до 60% (самый неблагоприятный вариант) распознавание невозможно.

6. Разработана двухуровневая архитектура ПАК для отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ (использующих в том числе нейронные сети Хопфилда). ПАК позволяет проводить испытания существующих и перспективных БУОИ.

7. На разработанном ПАК для комплексной отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ проведено испытание опытных образцов перспективных оптоэлектронных элементов, а именно матричного оптоэлектронного транспаранта размерностью 16x16, макета одиночного лазерного диода с вертикальным резонатором и линейки лазерных диодов с вертикальным резонатором размерностью 16 на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм для ОАО «Концерн «Вега», что подтверждается соответствующим актом внедрения в научно-исследовательскую и опытно-конструкторскую работу Концерна.

8. Результаты диссертационной работы внедрены в учебный процесс ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» (МАИ), что подтверждается соответствующим актом внедрения.

1. Агеев В.М., Павлова Н.В. Приборные комплексы летательных аппаратов и их проектирование. М.: Машиностроение, 1990. - 432 с.

2. Айфичер Э.С., Джервис Б.У. Цифровая обработка сигналов: практический подход, 2-е издание.: Пер. с англ. М.: Издательский дом «Вильяме», 2004. - 992 с.

3. Акаев A.A., Майоров С.А. Оптические методы обработки информации. М.: Высшая школа, 1988. - 237 с.

4. Басистов Ю.А., Гаврилов К.Ю., Линников О.Н. Синтез алгоритма системы с автоассоциативной памятью и его применение для отработки изображений // Информационно-измерительные и управляющие системы. -№ 12, т. 5.-2007.-с. 61-71.

5. Белан С.Н. Разработка методов параллельной обработки информации и их техническая реализация в оптоэлектронных логиковременных средах: Автореферат диссертации на соискание учёной степени канд. техн. наук. Винница, 1990. - 18 с.

6. Беспалов В.Г. Основы оптоинформатики. Часть I. Информационные технологии от электронного к оптическому компьютеру. - СПб.: СПбГУ ИТМО, 2006 - 52 с.

7. Васильев A.A., Касасент Д., Компанец И.Н., Парфёнов A.B. Пространственные модуляторы света. М.: Радио и связь, 1987. - 320 с.

8. Воеводин В.В., Воеводин Вл.В. Параллельные вычисления. СПб.: БХВ-Петербург, 2002. 608 с.

9. Ю.Воскресенский Д.И. Антенны с обработкой сигнала: Учеб. пособие для вузов. М.: САЙНС-ПРЕСС, 2002. - 80 с.

10. Н.Гаврилов К.Ю., Кононова Е.В. Применение полярных признаков для распознавания объектов на плоской сцене // Информационно-измерительные и управляющие системы. № 1, т. 9. - 2011. - с. 16-24.

11. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера. - 2005. - 1072 с.

12. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера. - 2006. - 616 с.

13. Гринёв А.Ю. Основы радиооптики: Учебное пособие. М.: САЙНС-ПРЕСС, 2003. - 80 с.

14. Дмитриев A.JI. Оптические системы передачи информации / Учебное пособие. СПб.: СПбГУИТМО, 2007. - 96 с.

15. Евтихиев H.H., Есепкина H.A. Оптоэлектронный процессор в виде гибридной микросхемы // Квантовая электроника. 1995. - № 10.

16. Евтихиев H.H., Оныкий Б.Н., Перепелица В.В., Щербаков И.Б. Гибридные оптоэлектронные нейрокомпьютеры. // Нейрокомпьютер. 1994. -№3-4.-с. 51-59.

17. Евтихиев H.H., Оныкий Б.Н., Перепелица В.В., Щербаков И.Б.

18. Математические модели и оптические реализации многослойных и полиномиальных нейронных сетей. М.: МИФИ, 1994. - 32 с.

19. Евтихиев H.H., Оныкий Б.Н., Перепелица В.В., Щербаков И.Б.

20. Многослойная нейронная сеть и её реализация на основе оптического вектор-матричного перемножителя // Нейрокомпьютер. 1994. №№1-2.

21. Егоров A.A., Кирпичёв К.Ю., Неретин Е.С., Паппэ Т.Е. Микропроцессорный контроллер сбора и обработки данных для проведения измерений в оптоэлектронике // Промышленные АСУ и контроллеры. -№06.-2006.-с. 58-61.

22. Захаров И.С. Пространственно-временные модуляторы света. -Томск, Издательство томского университета, 1983. 264 с.

23. Каллан Р. Основные концепции нейронных сетей. М.: Издат. дом «Вильяме», 2001. - 321 с.

24. Канащенков А.И., Меркулов В.И., Самарин О.Ф. Облик перспективных бортовых радиолокационных систем. Возможности и ограничения. -М.: ИПРЖР, 2002.- 176 с.

25. Кирпичев К.Ю., Неретин Е.С. Разработка автоматизированного места тестирования высокочастотных оптоэлектронных элементов и узлов в реальном масштабе времени // Труды МАИ. №38. - 2010.

26. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». М.: Издательство МЭИ, 2002. - 176 с.

27. Крыжановский Б.В., Кошелев В.Н., Фонарёв А.Б. Оценка эффективности рандомизированной памяти Хопфилда // Проблемы передачи информации. 2001. - Том 37, Вып. 2. - с. 77-87.

28. Крыжановский М.В., Магомедов Б.М., Крыжановский Б.В. Доменная модель нейронной сети и её применение к задачам оптимизации // Штучний інтелект (Искусственный интеллект). №4. - 2006. - с. 297-308.

29. Курмашов Ш.Д., Ирха В.И., Викулин И.М., Градобоев A.A. Полупроводниковые матричные оптические модуляторы // Технология и конструирование в электронной аппаратуре. №1. - 1999. - с. 31-34.

30. Лавров А.П. Оптоэлектронные процессоры радиосигналов с использованием сканирующих ПЗС-фотоприемников: Автореферат диссертации на соискание учёной степени д-ра физ.-мат. наук. СПб, 1999. - 32 с.

31. Максимов М.В., Давыдов В.О. Сравнительный анализ моделей нейронных сетей для решения задач распознавания образов // Труды Одесского политехнического университета 2002. - вып. 2 (18). - с. 152-155.

32. Маныкин Э.А. Оптические нейронные сети // Оптические вычислители.-Л., 1989.-с. 14-24.

33. Микаэлян А.Л. Оптические методы в информатике. М.: Наука, 1990.-232 с.

34. Минский М., Пейперт С. Персептроны. -М.: Мир, 1971. 262 с.

35. Мокрышев В., Мокрышев С. Оптоэлектронный процессор. Новые принципы обработки оптической информации // Электроника-НТБ. — 1999. -№4.-с. 24-28.

36. Неретин Е.С. Имитатор нейронной сети Хопфилда для бортовой аппаратуры. Свидетельство о государственной регистрации программы для ЭВМ №2011616541. Заявка №2011614840 от 29.06.2011. Зарегистрировано в Реестре программ для ЭВМ 19.08.2011.

37. Неретин Е.С. Программно-алгоритмическое обеспечение систем испытания бортовых электронных устройств // Вестник МАИ. 2011. - т. 18, №3. - с. 177-184.

38. Неретин Е.С., Кирпичёв К.Ю., Баланин Д.А., Донцов С.И.

39. Нишева М.М. Шишков Д.П. Изкуствен интелект. България, Добрич: Издателство «Интеграл», 1995. - 179 с.

40. Оганезов А.Л. Применение нейронных сетей в задачах распознавания образов. Диссертация на соискание учёной степени канд. физ.-мат. наук: 05.13.11. Тбилиси: Тбилисский государственный университет им. И.Н. Джавахишвили, 2006. - 149 с.

41. Одиноков С.Б., Петров А.В. Анализ точностных параметров оптико-электронного матрично-векторного процессора обработки цифровой информации // Квантовая электроника. 1995. - № 22 (10).

42. Оптико-электронная реализация модели Хопфилда для нейронной сети на основе голографического фототермспластического диска / А.А. Акаев, Б.Д. Абарисаев, С.З Дордоев, А.А. Кутанов // Докл. АН СССР. 1991. -т. 321. -№ 2.-с. 302-305.

43. Павлова Н.В. Методы искусственного интеллекта и новые информационные технологии в проектировании приборных комплексов: Учебное пособие. М.: Изд-во МАИ, 2000. - 104 с.

44. Пихтин А.Н. Оптическая и квантовая электроника. М.: Высшая школа, 2001.-573 с.

45. Резник A.M. Хопфилдовские ансамбли в латеральных структурах коры мозга // Математичш машини i системи. 2006. - №1. - с. 3-12.

46. Руденок И.П. Физико-технические основы элементной базы оптоэлектронных информационных систем: Автореферат диссертации на соискание учёной степени д-ра техн. наук. М., 1995. - 47 с.

47. Рычагов М.Н. Нейронные сети: многослойный перцептрон и сети Хопфилда // Математика в приложениях. 2003. - №1(1). - с. 29-37.

48. Самарин А. Микрозатворная дисплейная технология MOEMS // Электронные компоненты. -№11.- 2004. с. 119-122.

49. Советов Б.Я., Яковлев С.А. Моделирование систем. 3-е изд, перераб. и доп. - М.: Высшая школа, 2001. - 343 с.

50. Соловьёв С.Ю. Разработка инструментальных средств отработки блоков информационно-измерительных и управляющих систем с использованием оптоэлектронных процессоров. Диссертация на соискание учёной степени канд. техн. наук. - М.: МАИ, 2005. - 223 с.

51. Стариков Р.С. Методы построения и разработки оптических линейно-алгебраических процессоров для параллельных вычислительных систем: Автореферат диссертации на соискание учёной степени канд. физ.-мат. наук. М., 1997,- 19 с.

52. Татузов A.JI. Нейронные сети в задачах радиолокации. Кн. 28. -М.: Радиотехника, 2009. 432 с.

53. Терехов В.А., Ефимов Д.В., Тюнин И.Ю. Искусственные нейронные сети и их применение в системах автоматического управления. -СПб.: С.-Петерб. гос. электротехн ун-т, 1997. 61 с.

54. Убайдуллаєв Ю.Н. Ольшевський Ю.В. Використання нейронних мереж для прогнозування змін технічного стану зразків військової техніки // Сучасні інформаційні технології у сфері безтеки та оборони. 2009. - №1 (4). - с. 20-24.

55. Уоссерман Ф. Нейрокомпьютерная техника. Теория и практика / Пер. с англ. Ю.А. Зуева и В.А. Точенова / Под ред. А.А.Галушкина. М.: Мир, 1992.-240 с.

56. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ. М.: ООО «И.Д. Вильяме», 2006. - 1104 с.

57. Хахулин Г.Ф. Основы конструирования имитационных моделей: Учеб. пособие. 2-е изд., испр. и доп. - М.: НПК «Поток», 2002. - 228 с.

58. Чемодаков А.Л. Описание структуры и алгоритмов функционирования информационно-измерительных систем: Методическое пособие. -Владивосток: ИПК МГУ им. адм. Г. И. Невельского, 2008. 18 с.

59. Червяков Н.И., Сахнюк П.А., Шапошников A.B., Ряднов С.А. Модулярные параллельные вычислительные структуры нейропроцессорных систем: Монография. М.: Физматлит, 2003. - 288 с.

60. Щербаков И.Б. Эмуляция оптоэлектронных нейронных сетей: Автореферат диссертации на соискание учёной степени канд. техн. наук. -М., 1995.-20 с.

61. Эмдин B.C. Оптико-электронные анализаторы изображений: Учеб. пособие. СПб.: б.и., 2002. - 46 с.

62. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007. -584 с.

63. Aleksander I., Morton H. An Introduction to Neural Networks. Chapman and Hall, London, 1991.

64. Amari S.I. Neural theory of association and concept formation. Biological Cybernetics, Vol. 26, 1977, pp. 77-87.

65. Aslam-Siddiqi A., Brockherde W., Hosticka B.J. A 16x16 Nonvolatile Programmable Analog Vector-Matrix Multiplier // IEEE Journal Of Solid-state Circuits. -Vol. 33, №10. 1998.

66. Bernhard Maschke, Romeo Ortega, Arjan J. van der Schaft. Energy-Based Lyapunov Functions for Forced Hamiltonian Systems with Dissipation. IEEE Transactions on Automatic Control, Vol. 45, № 8, August 2000, pp. 14981502.

67. Caulfield H. John. Parallel N4 weighted optical interconnections // Applied Optics. Vol. 26, №19, pp. 4039-4040.

68. David A.J., Saleh B.E.A. Optical implementation of the Hopfield algorithm using correlation // Applied Optics. -. 1990. Vol. 29. - pp. 1063-1064.

69. Enrique Mérida-Casermeiro, José Muñoz-Pérez. MREM: An associative autonomous recurrent network // Journal of Intelligent & Fuzzy Systems. -2002.-№12, pp. 163-173.

70. Farhat N.H., Miyahara S., Lee K.S. Optical Analog of Two-Dimensional Neural Networks and their Application in Recognition of Radar Targets // AIP Conference Proceedings №151. 1986. - pp. 146-152.

71. Farhat N.H., Psaltis D., Prata A., Paek E. Optical implementation of the Hopfield model // Applied Optics. 1985. - Vol. 24, №10. - pp. 1469-1475.

72. Feitelson D.G. Optical computing: A survey for computer scientists. -Cambridge: MIT Press, 1989.

73. Gary C.K. Matrix-vector multiplication using digital partitioning for more accurate optical computing // Applied Optics. Vol. 31, №29. - 1992. -pp. 6205-6211.

74. Grossberg S. The adaptive brain. Amsterdam: North-Holland. - 1987. Vol. 1 and 2.

75. Gruber M., Jahns J., Sinzinger S. Planar-Integrated Optical System for Vector-Matrix-Multiplication. 1998. - 1 p.

76. Ham F.M., Kostanic I. Princeples of Neurocomputing for Science and Engineering. China Machine Press, Beijing, 2001.

77. Hay kin S. Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co., New York, 1994.

78. Hebb D.O. The organization of behaviour. -N.Y.: Wiley & Sons, 1949.

79. Heggarty K. J., Chevallier R.C. Optical implementation of an improved Hopfield-like retrieval algorithm // Optics Communication. 1992. - Vol. 88. -pp. 91-95.

80. Hinton G.E., Sejnowski T.J. Learning and relearning in Boltzmann machines. In Parallel distributed processing. Cambridge, MA: MIT Press, 1986.-Vol. l.-pp. 282-317.

81. Hopfleld J.J. Neural networks and physical systems with emergent collective computational abilities // Proceedings of the National Academy of Sciences. 1982. - Vol. 79. - pp. 2554-2558.

82. Hopfield J.J. Neurons with graded response have collective computational properties like those of two-state neurons // Proceedings of the National Academy of Sciences'. -1984. Vol. 81. - pp. 3088-3092.

83. Hopfield J.J., Tank D.W. Computing with neural circuits: A model // Science. 1986. - Vol. 233, pp. 625-633.

84. Humayun Karim Sulehria, Ye Zhang. Hopfield Neural Networks -A Survey // Proceedings of the 6th WSEAS Int. Conf. on Artificial Intelligence, Knowledge Engineering and Data Bases. Corfu Island, Greece, February 16-19, 2007.-p. 125-130.th

85. Jahne B. Digital Image Processing. 6 revised and extended edition. -Berlin: Springer-Verlag, 2005.

86. Jang Ju-Seog, Jung Su-Won, Lee Soo-Young, Shin Sang-Yung.

87. Optical Implementation of the Hopfield Model for Two-Dimensional Associative Memory // Optical Letters. 1988. - Vol. 13. - pp. 248-250.

88. Jang Ju-Seog, Shin Sang-Yung, Lee Soo-Young. Parallel N4 weighted optical interconnections: comments // Applied Optics. 1988. - Vol. 27, № 21. -pp. 4364-4365.

89. Kazuhiro Noguchi. Large-Scale Two-Dimensional Optical Hopfield Associative Memorry Using Incoherent Optical Free-Space Interconnection // Optical Letters.-1991.-Vol. 16, July 1991.-pp. 1110-1112.

90. Kiranpreet Kaur. Optical multistage interconnection networks using neural network approach. Diploma of Master of Engineering in Computer Science & Engineering. Patiala: Thapar University, 2009. 94 p.

91. Kohonen T. Self-Organization and Associative Memory. Berlin: Springer-Verlag. - 1984.

92. Levi A.F.J. Optical Interconnects in Systems // Proceeding of the IEEE. 2000. - Vol. 88. - pp. 750-757.

93. Lalanne P., Chavel P., Taboury J. Optical inner-product implementation of neural network models // Applied Optics. 1989. - Vol. 28. - pp. 377-385.

94. Lin S., Liu L, Wang Z. Optical Implementation of the 2D Hopfield Model for a 2D Associative Memory // Optics Communications 1989. - Vol. 70, Feb. 1989.-pp. 87-91.

95. Lippmann R.P. An Introduction to computing with Neural Networks // IEEE Acoustic, Speech and Signal Processing Magazine. 1987. - pp. 5-22.

96. Little W. The existence of persistent states in the brain. Mathematical Biosciences, Vol. 19, 1974, pp. 101-120.

97. Masaya Oita, Jun Ohta, Shuichi Tai, Kazuo Kyuma. Optical Implementation of Large-Scale Neural Networks Using a Time-Division-Multiplexing Technique // Optical Letters. 1990. - Vol. 15, Feb. 1990. -pp. 227-229.

98. McCulloch W.S., Pitts W. A logical calculus the ideas imminent in nervous activity. Bull. Mathematical Biophysics. 1943. - V. 5. - p. 115-133.

99. Meireles M. R. G., Almeida P. E. M., Simones M. G. Comprehensive Review for Industrial Applicability of Artificial Neural Networks. IEEE Transactions on Industrial Electronics, Vol. 50, No. 3, 2003, pp. 585-601.

100. Minsky M., Pappert S. Perceptrons: An Introduction to Computational Geometry. MIT Press, Cambrige, MA, 1969.

101. Nakano K. Associatron A model of associative memory // IEEE Transactions on System, Man and Cybernetics. - 1972. - pp. 380-388.

102. Nasis V.T. A Novel Approach to Programmable Imaging Using MOEMS. Ph.D dissertation. Drexel University, November 2007. 169 p.

103. Ohta J., Kyuma K., Tai S., Oita M. Optical neural network // United States Patent US005095459A, 10.03.1992.

104. Ohta J., Nitta Y., Kyuma K. Dynamik Optical Neuralchip Using Variable-Sensitivity Photodiodes // // Optical Letters. May 1991. - Vol. 16. -pp. 744-746.

105. Optical Signal Processing. Practical Implementation and Applications. -Lemslet, 2003.-64 p.

106. Paek E.G., Wullert II J.R., Patel J.S. Holographic Implementation of a Learning Machine Based on a Multicategory Perceptron Algorithm // Optical Letters. 1989. - Vol. 14. №23 - pp. 1303-1305.

107. Paik J.K. Image restoration and edge detection using neural networks. Ph.D. dissertation, Dep.Elec.Eng., Computer Science, Norh-western University, June 1990.

108. Pao Y.H. Adaptive Pattern Recognition and Neural Networks. Addison-Welsey Publishing Company Inc. New York, 1989.

109. Psaltis D., Farhat N. Optical Information Processing Based on an Associative-Memory Model of Neural Nets with Thresholding and Feed-back // Optical Letters 1985. - Vol. 10, Feb. 1985. - pp. 98-100.

110. Rich E., Knight K. Artificial Intelligence. New York: McGraw-Hill, 1991.

111. Rietman E. Experiments in Artificial Neural Networks. Tab Books Inc. Blue Ridge Summit, PA, 1988.

112. Rojas R. Neural Networks. Berlin: Springer-Verlag, 1996.

113. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. 1958. - Vol. 65. -pp. 386-408.

114. Roth M.W. Survey of neural network technology for automatic target recognition // IEEE Transactions of Neural Networks. 1990. - Vol. 1. -pp. 28-43.

115. Russel G.A. Analysis and Modelling of Optically Interconnected Computing Systems. Ph.D dissertation. Heriot-Watt University. School of Engineering and Physical Sciences, May 2004. 170 p.

116. Shariv I., Gila O., Friesem A.A. All-Optical Bipolar Neural Network with Polarization-Modulating Neurons // Optical Letters. 1991. - Vol. 16, Nov. 1991.-pp. 1692-1694.

117. Simpson P.K. Artificial Neural Systems: Foundations, Paradigms, Applications, and Implementations. New York: Pergamon Press. - 1990.

118. Sun Y., Li J.G., Yu S.Y. Improvement on Performance of Modified Hopfield Neural Network for Image Restoration // IEEE Transactions on Image Processing. 1995. - Vol. 4, №5. - pp.688-692.

119. Wang X.M., Mu G.G. Optical Neural network with bipolar neural states //Applied Optics. 1992.-Vol. 31.-pp. 4712-4719.

120. Yamamura A.A., Neifeld M.A., Kobayashi S., Psaltis D. Optical-Disk Based Artificial Neural Systems // Optical Computer Proceedings. 1991. -Vol. l.-pp. 3-12.

121. Yamazaki H., Yamaguchi M. 4x4 Free-Space Optical Switching Using Real-Time Binary Phase-Only Holograms Generated by a Liquid-Cristal Display // Optical Letters.-Vol. 16, Sept. 1991.-pp. 1415-1417.

122. Yeh S.J., Stark H. Hopfield-type neural networks in Digital Image Restoration, A.K. Katsaggelos, ed. Berlin: Springer-Verlag, 1991. -Vol. 23, ch. 3.

123. Young S.S., Scott P.D., Nasrabadi N.M. Object Recognition using Multi-layer Hopfield Neural Network // IEEE Transactions on Image Processing. -1997. Vol. 6, №3. - pp. 357-372.

124. Yu F.T.S. Optical neural network architecture, design and models // IEEE Region 10 Conference on Computer and Communication Systems, September 1990, Hong Kong. - pp. 12-16.

125. Yu F.T.S., Yang X., Yin S. Mirror-Array Optical Interconnected Neural Network // Optical Letters. Vol. 16, Oct. 1991. - pp. 1602-1604.

126. Zhou C., Liu L. Vector-product Hopfield model // Optics Communications. 1999. - №168. - pp. 445-455.

127. Zhou C., Liu L., Wang Z., Mo Y. Optical Implementation of Hopfield Associative Memory Based on Imaging System Using a Liquid Crystal Device // Microwave and Optical Technology Letters. 1992. - Vol. 5, №13. - pp. 683-675.