Организация распределенной вычислительной среды для синтеза системы распознавания летательных аппаратов

Интенсивное развитие вычислительной техники и искусственного интеллекта вызвало появление практического интереса к реализации систем распознавания образов. В настоящее время большое значение приобретает задача построения системы распознавания летательных аппаратов (JIA). Актуальность этой задачи определяется необходимостью предотвращения применения средств противовоздушной обороны против объектов гражданской авиации. Особое значение приобретают системы распознавания JIA, получающие информацию о поверхности объекта в оптическом диапазоне электромагнитного излучения с использованием телевизионных, тепловизионных и лазерных локационных систем, которые обладают следующими свойствами:

• слабая чувствительность к уровню электромагнитных помех;

• возможность работы телевизионных и тепловизионных систем в режиме пассивной локации;

• возможность распознавания ЛА независимо от технического состояния его бортового оборудования.

Сложность задачи распознавания JIA обусловлена рядом особенностей:

• значительный объем данных, содержащийся в изображениях JIA;

• жесткие требования к быстродействию системы распознавания ЛА, обусловленные высокой скоростью перемещения ЛА и сравнительно небольшой дальностью действия телевизионных и тепловизионных систем;

• большое разнообразие изображений ЛА одного типа, обусловленное различными условиями наблюдения, расположением и пространственной ориентацией ЛА относительно системы наблюдения.

Требования к быстродействию системы распознавания JIA связаны не столько со скоростью принятия решения, сколько с возможностью обобщения решений, принятых в нескольких последовательных циклах локации, с целью повышения качества распознавания J1A. Требования к быстродействию системы распознавания ЛА определяют коренные отличия этой системы от существующих систем распознавания человека по изображению лица, наиболее близких по характеру исходной информации. В отличие от систем распознавания лиц, в которых требуется обеспечить простоту наращивания числа распознаваемых объектов, от системы распознавания ЛА требуется высокая скорость принятия решения. Наилучшим образом этому требованию соответствуют нейросетевые алгоритмы распознавания образов, отличающиеся богатыми функциональными возможностями, простотой реализации и внутренним детерминизмом. Нейросетевые алгоритмы могут быть эффективно реализованы в параллельных вычислительных системах, а также в виде аналоговых и аналогово-цифровых схем.

Необходимо отметить, что применение столь простых и удобных моделей в системе распознавания становится возможным лишь за счет значительных затрат на этапе обучения нейронной сети (НС), выполняемого при синтезе системы распознавания. Важнейшим условием применимости моделей НС для решения практических задач распознавания образов является обеспечение приемлемой длительности обучения НС. Существует несколько подходов, позволяющих уменьшить временные затраты на обучение НС:

• совершенствование алгоритма обучения НС;

• сокращение размерности задачи обучения НС;

• ускорение выполнения алгоритмов обучения НС за счет применения параллельных вычислительных средств.

Выбор и модификация алгоритма обучения НС является одной из наиболее сложных задач теории нейронных сетей, поскольку свойства алгоритма обучения НС в значительной степени определяют качество обученной НС. Сравнение качества решений, получаемых при помощи различных алгоритмов обучения НС, часто оказывается невозможным, так как показатели качества распознавания объектов при помощи НС определяются для определенных условий эксплуатации, которые не всегда корректно воспроизводятся при помощи математических моделей.

Уменьшение размерности задачи обучения НС достигается в основном за счет преобразования исходных признаков объекта, например, его изображения, в новое пространство признаков, которое отличается от исходного меньшей размерностью, инвариантностью к различным формам представления одного и того же объекта, простотой разделения образов. В результате этих преобразований уменьшается объем обучающей выборки, число нейронов и настраиваемых параметров НС. Несмотря на то, что модель нейронной сети как таковая не требует каких-либо преобразований исходных данных, использование этой особенности на практике приводит как к неприемлемому уровню затрат на обучение НС, так и к снижению качества распознавания образов.

Применение параллельных вычислительных систем позволяет существенно ускорить процесс обучения НС. Этот подход порождает ряд специфических требований как к архитектуре вычислительной системы, так и к ее программному обеспечению, поскольку значительная часть алгоритмов обучения НС, включая классический алгоритм обратного распространения ошибки, не обладает явным параллелизмом, характерным для моделей НС. В настоящее время наибольший интерес с точки зрения параллельной реализации алгоритмов обучения НС представляют параллельные вычислительные системы, создаваемые на основе сетей персональных ЭВМ (ПЭВМ). Актуальность этого подхода определяется:

• высокой производительностью современных ПЭВМ;

• экономической эффективностью, обусловленной возможностью использования для обучения НС существующих сетей ПЭВМ;

• простотой изменения алгоритмов, используемых для обучения НС;

• возможностью применения в составе ПЭВМ дополнительных аппаратных компонентов, ускоряющих обучение НС;

• возможностью использования аппаратных ресурсов системы для решения других задач, возникающих при синтезе системы распознавания JIA.

Для решения задач, возникающих в процессе синтеза систем распознавания JIA, необходимо на основе сети ПЭВМ построить распределенную вычислительную среду (РВС), позволяющую рационально использовать ресурсы ПЭВМ и сетевых каналов для решения следующих задач:

• синтез математических моделей поверхностей распознаваемых ДА;

• синтез изображений ДА с использованием математических моделей ДА, атмосферного и приемного каналов;

• реализация алгоритмов первичной обработки и вычисления значений информативных признаков изображений ДА;

• автоматическая генерация обучающих и контрольных выборок для обучения и тестирования НС;

• реализация алгоритмов обучения для НС с различной структурой;

• выполнение статистических испытаний НС одновременно с ее обучением для достижения оптимального обучения НС;

• проведение статистических испытаний системы распознавания ДА для оценки показателей ее надежности и точности.

Наиболее сложной, с точки зрения объема вычислений и сложности реализации, является задача обучения НС, поэтому настоящая работа ориентирована на создание РВС для реализации алгоритмов обучения НС.

Актуальность темы

обусловлена необходимостью применения нейросетевых алгоритмов в системах распознавания J1A, предназначенных для повышения надежности средств противовоздушной обороны. Синтез системы распознавания ЛА возможен при условии обеспечения приемлемой длительности процесса обучения НС. Разработка распределенной вычислительной среды на основе существующих сетей ЭВМ обеспечивает ускорение обучения НС при минимальных затратах на дополнительное оборудование, хотя и не исключает применения специализированных аппаратных компонентов для дополнительного увеличения быстродействия вычислительной системы.

Целью работы является разработка архитектуры распределенной вычислительной среды для синтеза систем распознавания летательных аппаратов. Цель работы предполагает решение следующих задач:

1. Разработка архитектуры распределенной вычислительной среды, позволяющей ускорить обучение нейронных сетей.

2. Исследование потоков данных, передаваемых по сетевому каналу в распределенных реализациях алгоритма обучения нейронных сетей.

3. Исследование влияния числа процессорных узлов распределенной вычислительной среды на скорость обучения нейронной сети.

4. Оценка оптимального числа процессорных узлов распределенной вычислительной среды, предназначенной для обучения нейронных сетей.

5. Разработка широковещательного сетевого протокола с гарантированной доставкой пакетов для обучения нейронных сетей в распределенной вычислительной среде.

6. Исследование влияния организации и технических характеристик сетевого канала на скорость обучения нейронных сетей в распределенной вычислительной среде.

Методы исследования. В работе использовались методы теории синтеза дискретных систем, нейроматематики, математической статистики и объектно-ориентированного программирования.

Научная новизна работы.

1. Предложена архитектура распределенной вычислительной среды, предназначенной для решения задач синтеза системы распознавания Л А, которая позволяет сократить длительность обучения НС средствами сети ЭВМ.

2. На основе проведенного анализа потоков данных в сетевом канале распределенной вычислительной среды разработан широковещательный сетевой протокол с гарантированной доставкой данных, отличающийся от стандартных протоколов применением узла коммутации оповещений, который позволяет повысить эффективность использования сетевого канала в распределенной вычислительной среде.

3. Предложены новые способы распараллеливания алгоритма обучения НС, адаптированные для распределенной вычислительной среды, которые позволяют повысить скорость обучения НС на различных этапах синтеза системы распознавания летательных аппаратов.

Защищаемые положения.

1. Архитектура распределенной вычислительной среды для синтеза системы распознавания летательных аппаратов.

2. Широковещательный сетевой протокол с гарантированной доставкой пакетов для реализации алгоритма обучения нейронной сети в распределенной вычислительной среде.

3. Алгоритм вычисления информативных признаков изображений ЛА.

4. Результаты решения задачи распознавания летательных аппаратов с использованием нейронной сети.

Практическая ценность работы. Результаты работы реализованы в НИР «Юпитер» и «Изображение», выполненных в НИИ Радиоэлектоники и Лазерной техники МГТУ им. Н. Э. Баумана.

Апробация работы. Основные результаты работы докладывались автором на всероссийской конференции «Нейрокомпьютеры и их применение» (Москва, 2000 г.) и на международной конференции «Advanced Computer Systems» (Шецин, 2001 г.).

Публикации. По результатам работы опубликованы четыре печатные работы.

Личный вклад автора работы. Результаты, представленные в диссертационной работе, получены автором самостоятельно. Для получения экспериментальных данных, представленных во второй главе диссертации, были использованы математические модели поверхностей летательных аппаратов F16 и МиГ-31, предоставленные автору работы научно-исследовательским институтом Радиоэлектроники и лазерной техники Московского государственного технического университета им. Н. Э. Баумана.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы.

4.4. Выводы.

• Предложены новые способы распараллеливания алгоритма обратного распространения ошибки, которые позволяют уменьшить интенсивность обмена данными между процессорными узлами РВС.

• Получены аналитические оценки длительности выполнения алгоритма обучения НС в РВС, позволяющие осуществлять выбор оптимального способа распараллеливания алгоритма обучения НС в зависимости от характеристик НС и сетевого канала.

• Получены аналитические оценки оптимального числа процессорных узлов системы, позволяющие ограничить область поиска оптимального значения этого параметра при обучении НС средствами РВС.

• Разработан широковещательный сетевой протокол с гарантированной доставкой пакетов с применением коммутатора оповещений, обеспечивающий высокую эффективность использования сетевого канала при реализации алгоритма обучения НС средствами РВС.

• Разработана программная модель взаимодействия процессов в РВС на основе обмена сообщениями, которая позволяет сократить вычислительные затраты, связанные с преобразованиями формата данных и обращениями к операционной системе при обучении НС.

• На основе предложенной модели взаимодействия процессов и широковещательного протокола с гарантированной доставкой сообщений разработана архитектура РВС, предназначенной для решения задач синтеза систем распознавания JIA с использованием технических средств ЛВС.

Заключение

.

• На основе анализа современных методов распознавания образов сделан вывод о целесообразности применения модели искусственной НС для распознавания JIA по телевизионному изображению;

• Разработан алгоритм вычисления значений признаков изображения, инвариантных к сдвигу, повороту и изменению масштаба изображения, который позволяет сократить длительность обучения НС при синтезе системы распознавания JIA;

• Проведен вычислительный эксперимент, в ходе которого решалась задача синтеза системы распознавания тестовых объектов: ДА F16 и МиГ-31 по телевизионному изображению. Результаты эксперимента позволяют сделать следующие выводы: применение НС в сочетании с алгоритмом вычисления признаков изображения для распознавания J1A позволило решить тестовую задачу с приемлемой точностьюалгоритм вычисления значений признаков изображения обеспечивает устойчивость системы распознавания к сдвигу и повороту изображения объекта, а также к изменению масштаба изображения в некоторых пределахдля обеспечения приемлемой длительности синтеза системы распознавания JIA необходимо ускорить обучение НС за счет применения параллельных вычислительных средств.

• Предложено использовать технические средства ЛВС для организации РВС, обеспечивающей эффективное решение задач синтеза систем распознавания ЛА.

Предложены новые способы распараллеливания алгоритма обратного распространения ошибки для обучения НС в РВСПолучены аналитические оценки скорости обучения НС и оптимального числа процессорных узлов РВС, позволяющие управлять распределением вычислительных ресурсов в РВСРазработан широковещательный сетевой протокол с гарантированной доставкой сообщений для реализации обмена данными между процессорными узлами РВС;

Разработаны программные модели, обеспечивающие синхронизацию фрагментов приложений в РВСРазработана архитектура РВС, позволяющей использовать технические средства ЛВС для решения задач синтеза ЛА.