<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Графічна модель паралельної асоціативної обробки числових даних

Вантажиться...
Ескіз

Дата

Науковий керівник

Редактор

Інші учасники

Відповідальний

ORCID

Назва журналу

Номер ISSN

Назва тому

Альтернативна назва

Анотація

Популярними операціями у методах штучного інтелекту є операції асоціативної обробки даних, а саме, сортування та пошук конкретної інформації. Так пошук даних активно застосовується під час обробки значних масивів інформації у системах баз даних та мережах інтернет. А сортування числових даних є альтернативною операцією при реалізації принципу WTA (Winner Takes All) у нейромережах. В цьому випадку результат сортування векторного масиву чисел дозволяє не тільки визначити екстремальні (максимальний і мінімальний) елементи цього масиву, але й одночасно сформувати ранги елементів відсортованих чисел масиву. Метою цієї роботи є аналіз особливостей розпаралелювання методу асоціативної обробки числового масиву з формуванням різницевих зрізів. Наведено базові операції різницевих зрізів, що дозволяє сформувати результати не тільки згортки елементів масиву, але й сортування за зростанням їх значень. У роботі представлено приклад сортування групи чисел, а також інформаційний граф процесу сортування елементів векторного масиву чисел за методом різницевих зрізів. Ілюстративність процесу обробки числових даних через інформаційний граф забезпечує варіативність способів прискорення та апаратної реалізації його базових вузлів. У випадку сортування за методом різницевих зрізів це особливо актуально для реалізації базового циклу процесу обробки. Простота представлення процесу сортування числового масиву, яка подана за допомогою інформаційного графа, дозволяє ефективно використовувати перспективну елементну базу програмованих логічних ІС (ПЛІС) для реалізації відповідних обчислювальних засобів. Інформаційний граф, що ілюструє досліджений процес сортування чисел, наочно показує поступовість процесу за кількістю циклів, що не перевищує розмірність числового масиву, а також спрощення структурної організації обчислювальних засобів при реалізації сортування.

Опис

Мова

Посилання на публікацію

Серія, номер

ISBN

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Мартинюк Т. Б., Кожем’яко А. В., Булига І. В., Каташинський Д. О. Графічна модель паралельної асоціативної обробки числових даних // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані (PDF: 708 КБ). 2024. № 4. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/769.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (17)

  1. Jones M. T. Al Application Programming. Charles River Mediainc, Hingham, Massachusetts, 2003. 363 p.
  2. Гнатієнко Г. М., Снитюк В. Є. Експертні технології сприйняття рішень. Київ, Україна: ТОВ “Маклаут”, 2008. 444 с.
  3. Мартинюк Т. Б., Кожем’яко А. В. Реалізація концепції різницевих зрізів при обробленні зображень та розпізнаванні образів. Оптико-електронні інформаційно-енергетичні технології. 2001. №1. С. 79-85.
  4. Knuth D. T. The Art of Computer Programming. V. 3. Sorting and Searching. Addison-Wesley Longmaninc, 1998. 785 p. URL: https://www.google.com.ua/books/edition/The_Art_of_Computer_Programming/ cYULBAAAQBAJ?hl=uk&gbpv=1&dq=D.+T.+Knuth,+The+Art+of+Computer+Programming.+V.+3.&printsec=front cover.
  5. R. Sedgewick, Algorithmsin C++. Part 1-4: Fundamentals, Data Structures, Sorting, Searching. Addison-Wesley Longman, 1999. URL: https://www.google.com.ua/books/edition/Algorithms_in_C++_Parts_1_4/ ZCchAeprwvYC?hl=uk&gbpv=1&dq=R.+Sedgewick,+Algorithms+In+C%2B%2B.+Part+1- 4:+Fundamentals,+Data+Structures,+Sorting,+Searching.+Addison-Wesley+Longman&pg=PT1&printsec=frontcover.
  6. Haykin S. Neural Networks: a comprehensive foundation. Prentice Hall, Inc., 1999. 842 p.
  7. Osowski S. Sieci Neuronowe do Przetwarzania informacji. Oficyna wydawnicza Politechniki Warszawskiej. Poland: Warszawa, 2000. 344 p.
  8. Callan R. The Essence of Neural Networks. Prentice Hall Europe, 1999. 232 p.
  9. Neural network model of heteroassociative memory for the classification task / T. Martyniuk et al. Radioelectronic and Computer systems. 2022. №2 (102). P. 108-117. DOI: 10.32620/recks. 2022.2.09.
  10. Мартинюк Т. Б., Круківський Б. І., М’якішев О. А. Особливості моделей нейромережевого класифікатора для розпізнавання об’єктів. Вісник Вінницького політехнічного інституту. 2022. №4 (163). С. 56-63. https://doi.org/10.91649/1997-9266-2022-4-56-63.