Систолічна архітектура матричного обчислювача для класифікатора об'єктів

Т.Б. Мартинюк, д-р техн. наук, Л.В. Крупельницький, канд. техн. наук,
М.В. Микитюк, аспірант, М.О. Зайцев, аспірант
Вінницький національний технічний університет
Україна, 21021, Вінниця, Хмельницьке шосе, 95
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.; e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.; e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2021, 43(3):36-46
https://doi.org/10.15407/emodel.43.03.036

АНОТАЦІЯ

Розглянуто один з відомих методів класифікації об’єктів, в якому реалізовано критерій класифікації за максимумом дискримінантних функцій. Цей метод ефективно засто­со­вується як класична обчислювальна модель, зокрема, у медицині при діагностуванні захворювань. Процес класифікації за цим методом можна реалізувати як просторово-роз­поділену обробку по стовпцях і рядках матриці у вигляді регулярних ітеративних алго­ритмів. Це дозволяє відобразити їх на двовимірний систолічний масив матричного обчислювача у складі класифікатора об'єктів з подальшим розміщенням у ПЛІС. Запропонований матричний обчислювач функціонує в двох режимах і має низку специфічних властивостей, а саме виконання операції декремента одночасно над усіма елементами в кожному стовпці матриці обчислювача, а також використання сигналів ознаки нуля (обнуління) елементів в кожному рядку і кожному стовпці матриці  як результатів обробки елементів дискримінантних функцій і для синхронізації самого процесу обробки. В подальшому за результатами обробки у матричному обчислювачі формуються вихідні сигнали класифікатора з визначенням конкретного класу об’єктів.

КЛЮЧОВІ СЛОВА:

систолічна архітектура, дискримінантна функція, класифі­катор об’єктів.

СПИСОК ЛІТЕРАТУРИ

  1. Meribout M., Firadus A. A new systolic multiprocessor architecture for real-time soft tomography algorithms//Parallel Computing, 2016, Vol. 52, pp. 144—155. https://doi.org/10.1016/j.parco.2016.01.002.
  2. Bagavathi C., Saraniya O. Evolutionary Mapping Techniques for Systolic Computing System. Deep Learning and Parallel Computing Environment for Bioengineering Systems, Academic Press, 2019, pp. 207-223, https://doi.org/10.1016/B978-0-12-816718-2.00020-8.
  3. Корченко А.Г., Кинзерявый В.Н., Гнатюк С.А., Панасюк А.Л. Систолический криптопроцессор. Міжнародна науково-практична конф., 19—21 травня 2010 «Інформа­ційні технології та комп’ютерна інженерія». Вінниця: ВНТУ, 2010, с. 187—188.
  4. МартынюкТ.Б., КожемякоА.В., Хомюк В.В. Модели систолических массивов для обработки векторных данных по разностным срезам // Управляющие системы и машины, 2009, № 5, с. 46—55.
  5. ЯджакМ.С. Особливості реалізації штучних нейронних мереж одного типу на ква­зісистолічних обчислювальних структурах. Computational Intelligence (Results, Problems and Perspectives); Proceedings of the First International Conference, 10—13 May 2011, Cherkasy, McLaut, pp. 134—135.
  6. КунС. Матричные процессоры на СБИС. М.: Мир, 1991, 672с.
  7. КаневскийЮ.С. Систолические процессоры. Київ: Техніка, 1991, 173с.
  8. ТимченкоЛ.И., Мартынюк Т.Б., Загоруйко Л.В. Подход к организации многоуровневой схемы систолических вычислений // Электрон. моделирование, 1998, 20, № 5, с. 33—42.
  9. ЯджакМ.С. Моделювання нейронних мереж з проективними та латеральними зв’яз­ками на квазісистолічних структурах // Відбір і обробка інформації, 2005, вип. 23 (99), с. 122–127.
  10. МартинюкТ.Б., Кожем’якоА.В., Крупельницький Л.В. та ін. Реалізаційні моделі матричного обчислювача для класифікатора біомедичних даних // Інформаційні технології та комп'ютерна інженерія, 2016, № 2(36), с. 43—51.
  11. МартынюкТ.Б., Буда А.Г., Хомюк В.В. та ін. Классификатор биомедицинских сигналов // Искусственный интеллект, 2010, № 3, с. 88—95.
  12. РангайянР.М. Анализ биомедицинских сигналов. Практический подход. М: Физматлит, 2007, 400с.
  13. Юнкеров В.И., Григорьев С.Г. Математико-статистическая обработка данных медицинских исследований. СПб.: ВМедА, 2002, 266с.
  14. Дискриминантный анализ [Электронный ресурс]. Режим доступа: http://www.statsoft.ru/home/textbook/modules/stdiscan.html.
  15. Мартынюк Т.Б., Кожемяко А.В., Куперштейн Л.М. Аспекты разностно-срезовой обработки данных в нейроструктурах. LAMBERT Academic Publishing RU, 2018, 60 c.

МАРТИНЮК Тетяна Борисівна, д-р техн. наук, професор кафедри обчислювальної техніки Інституту інформаційних технологій та комп’ютерної інженерії Вінницького Національного технічного університету. В 1977 р. закінчила Вінницький політехнічний інститут. Область наукових досліджень — паралельні методи та засоби обробки, аналізу та розпізнавання сигналів (зображень) з використанням нейротехнологій.

КРУПЕЛЬНИЦЬКИЙ Леонід Віталійович, канд. техн. наук, доцент кафедри обчислю­вальної техніки Інституту інформаційних технологій та комп’ютерної інженерії Він­ницького Національного технічного університету. В 1984 р. закінчив Вінницький полі­технічний інститут. Область наукових досліджень — самокорегуючі аналого-цифрові вимірювально-інформаційні та моніторингові системи, спеціалізоване обладнання для телерадіомовлення.

МИКИТЮК Максим Васильович, аспірант (магістр) Інституту інформаційних техно­логій та комп’ютерної інженерії Вінницького Національного технічного університету. В 2019 р. закінчив Вінницький національний технічний університет. Область наукових досліджень — програмна реалізація аналізу багаторівневих масивів даних.

ЗАЙЦЕВ Микола Олександрович, аспірант (магістр) Інституту інформаційних техно­логій та комп’ютерної інженерії Вінницького Національного технічного університету. В 2019 р. закінчив Вінницький національний технічний університет. Область наукових досліджень — комп’ютерні методи програмного аналізу багатоканальних аудіосигналів.

Повний текст: PDF