NeiroTECN3

Нейросетевые технологии в
обработке и защите данных
Лекция 3. Принципы параллельной обработки.
Организация вычислений в многопроцессорных
системах и сетях
1
Нейронные искусственные
сети, успешно применяемые для
решения задач классификации,
прогнозирования и управления,
обеспечивают предельное
распараллеливание алгоритмов,
соответствующих нейросетевой
технологии обработки данных.
2
Нейрокомпьютеры как новый класс
устройств вычислительной техники являются
модельным отображением особенностей, присущих
процессам переработки информации в живых
организмах, таким как самоорганизация, обучение,
адаптация.
Возможности нейронных сетей, недоступные
для традиционной математики, позволяют
создавать системы для решения задач управления,
распознавания образов, диагностики заболеваний,
автоматического анализа документов и многих
других приложений.
3
Методология системного
моделирования
Система – совокупность объектов, компонентов или
элементов произвольной природы, образующих некоторую
целостность в том или ином контексте.
Важнейшими характеристиками любой системы являются
ее структура и процесс ее функционирования.
Под
структурой системы понимается устойчивая во времени
совокупность взаимосвязей между ее элементами или
компонентами. Вложенность элементов одной системы в
другую определяет подсистему.
Важнейшей характеристикой процесса функционирования
системы является ее состояние.
Модель – представление о системе, отражающее наиболее
существенные закономерности ее структуры и процесса
функционирования и зафиксированное в некоторой форме.
4
Этапы системного моделирования
• Анализ проблемной ситуации;
• Структуризация предметной области и
построение модели;
• Выполнение вычислительных
экспериментов с моделью;
• Применение результатов вычислительных
экспериментов;
• Коррекция или доработка модели.
5
Методология нечеткого
моделирования
Методология нечеткого моделирования не
заменяет и не исключает методологию
системного моделирования, а конкретизирует
последнюю применительно к процессу
построения и использования нечетких моделей
сложных систем.
Нечеткая модель – информационнологическая модель системы, построенная на
основе теории нечетких множеств и нечеткой
логики. Одним из характерных признаков
сложности построения модели является
неопределенность в представлении структуры
или поведении системы- оригинала.
6
Аспекты модельных представлений
Неопределенность могут характеризовать
следующие
аспекты модельных представлений:
 Неясность или нечеткость границ системы;
 Неоднозначность семантики отдельных терминов;
 Неполнота модельных представлений в связи с
решением слабо формализуемых проблем;
 Противоречивость отдельных компонентов модельных
представлений или требований к модели сложной
системы;
 Неопределенность наступления тех или иных событий
для прогнозирования состояния системы в будущем.
7
Методы разработки
масштабируемых систем
Обработка данных осуществляется в реальном масштабе
времени, если время обработки соизмеримо со временем
протекания процесса.
Любое распределенное приложение может быть
рассмотрено как система массового обслуживания с
бесконечной очередью и случайным потоком заявок.
Наиболее важным показателем таких систем является
среднее время ожидания заявок. Для множества
одноканальных и многоканальных систем массового
обслуживания с произвольным потоком заявок и
произвольным распределением времени обслуживания оценка
производительности таких систем сводится к нахождению
максимального времени ожидания заявки в очереди.
Способы расчета количественных характеристик
производительности распределенных приложений будут
изучаться на пятом курсе в специальном курсе «»
8
Модель географически
распределенных дата-центров
При необходимости анализа выборки данных,
отвечающему ряду критериев (временные ограничения,
наличие всплесков определенного вида и др.), в
распределенной системе генерируется запрос в
аналитический центр, направляемый ко всем доступным
дата-центрам.
По получении запроса каждый дата-центр
регистрирует его, анализирует его на предмет безопасности
и выполняет его локально.
При наличии отвечающих запросу выборок
сигнальных данных, исполнительная среда дата-центра
производит указанную первичную обработку данных,
после чего отсылает результаты запроса в аналитический
центр.
9
Модель географически
распределенных дата-центров
MapReduse является подходящим шаблоном
выполнения распределенных запросов.
При получении запроса исполнительная среда
компилирует запрос с проверкой вредоносного кода, а
выполняемая затем первичная обработка включает
конвертацию выборки в подходящий для последующего
анализа формат данных.
Для эффективного выполнения поисковых запросов
необходим механизм поддержки приоритетности
поисковых фильтров на основе весов, выполнять
запросы следует в порядке возрастания их «тяжести» .
10
Причина повышенного внимания к ИНС
кроется в:
• Потенциальных возможностях выполнения
интеллектуальных операций и существенного
увеличения критерия
производительность/стоимость в сравнении с
традиционными компьютерами, суперЭВМ и
параллельными вычислительными системами.
• Массовый параллелизм вычислений имеет
принципиальное значение для нейрокомпьютеров
и является их свойством. Для нейрокомпьютерных
технологий обработки изображений также
характерна их предварительная обработка.
11
•
С помощью нейрокомпьютеров
решаются не формализуемые или плохо
формализуемые задачи. В их алгоритмы
решения включается процесс обучения на
реальном экспериментальном материале.
• Теория искусственных нейронных сетей –
логическая основа нейрокомпьютеров.
Искусственная нейронная сеть – сеть с
конечным числом слоев из однотипных
элементов.
12
Нечеткие нейронные сети или гибридные
сети призваны объединить в себе достоинства
нейронных сетей и систем нечеткого вывода.
С одной стороны, они позволяют
разрабатывать и представлять модели систем
в форме правил нечетких продукций, которые
обладают наглядностью и простотой
содержательной интерпретации, c другой
стороны, для построения правил нечетких
продукций используются возможности
нейронных сетей.
13
Нечеткие нейронные сети
ANFIS – адаптивная система нечеткого вывода
(Adaptive-Network-Based Fuzzy Inference System),
предложенная Янгом (Jang) в начале девяностых
годов, реализована в пакете расширения Fuzzy
Logic Toolbox (пакете нечеткой логики) системы
MATLAB . ANFIS является одним из первых
вариантов гибридных нейро-нечетких моделей.
Архитектура нейро-нечеткой сети изоморфна
нечеткой базе знаний. В нейро-нечетких сетях
используются дифференцируемые реализации
треугольных норм, а также гладкие функции
принадлежности.
14
МАТЕМАТИЧЕСКИЕ ОСНОВЫ
НЕЧЕТКИХ СИСТЕМ
Нечеткая логика предназначена для
формализации неточных или приближенных
рассуждений, позволяющих более адекватно
описывать ситуации с неопределенностью.
Понятие нечетких множеств (англ.: fuzzy sets) как
обобщение обычных (четких) множеств было
введено американским ученым Л. Заде в 1965 г.
Традиционный метод представления элемента
множества А состоит в применении
характеристической функции A (x,) , которая
равна 1, если этот элемент принадлежит к
множеству А, или равна 0 в противном случае.

15