Содержание к диссертации
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 15
1.2. Алгоритмы обработки информации в информационно-измерительных и управляющих си стемах и средства их реализации 27
1.3. Оптоэлектронные информационно-измерительные и управляющие системы на базе модели нейронной сети Хопфилда 34
Выводы по главе 1 47
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 48
2.2. Модификации модели Хопфилда, применимые для реализации в оптоэлектронных бортовых устройствах обработки информации на основе оптоэлектронных матричных умножителей 51
2.3. Структура бортового устройства обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей 61
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 65
Выводы по главе 2 75
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 77
3.2. Алгоритмическое обеспечение, реализующее модифицированную двумерную биполярную модель нейронной сети Хопфилда для бортовых устройств обработки информации на основе оптоэлектронного матричного умножителя 88
3.3. Программное обеспечение для реализации разработанных алгоритмов модифицированной нейронной сети Хопфилда 100
Выводы по главе 3 106
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 107
4.2. Тестирование программного обеспечения и проверка адекватности разработанных моделей нейронной сети 115
4.3. Моделирование работы модифицированной нейронной сети Хопфилда 120
4.4. Программно-аппаратный комплекс натурной отработки оптоэлектрон-ных элементов и устройств 129
4.5. Натурная отработка перспективных оптоэлектронных элементов устройств обработки информации 151
Выводы по главе 4 172
Заключение 174
Список использованных источников 177
- Алгоритмы обработки информации в информационно-измерительных и управляющих си стемах и средства их реализации
- Структура бортового устройства обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей
- Программное обеспечение для реализации разработанных алгоритмов модифицированной нейронной сети Хопфилда
- Моделирование работы модифицированной нейронной сети Хопфилда
Введение к работе
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 излуче-
ния, изменяющейся в пределах от 3-10 до 3-10 Гц. Известно, что теоретически использование оптоэлектронных элементов и узлов в ИИиУС может значительно повысить их производительность вплоть до 10 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 DSPA 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 «В era» 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.
Алгоритмы обработки информации в информационно-измерительных и управляющих си стемах и средства их реализации
Теоретической основой для выполнения указанных алгоритмов служат методы численного анализа. Особое место среди таких методов занимает преобразование Фурье – наиболее типичное интегральное преобразование. В качестве базовой операции во многих алгоритмах используется векторно-матричное умножение. Выполнение этой операции для данных большой размерности требует существенных вычислительных затрат, что ограничивает быстродействие и функциональные возможности ИИиУС.
В настоящее время при реализации алгоритмов обработки информации почти повсеместно используются цифровые методы. Техническими средствами выполнения алгоритмов обработки информации в ИИиУС являются универсальные микропроцессоры, процессоры цифровой обработки сигналов (ЦОС), а также программируемые логические интегральные схемы (ПЛИС) и заказные большие (БИС) и сверхбольшие интегральные схемы (СБИС) [60].
При использовании микропроцессоров алгоритмы получают программную реализацию, которая характеризуется высокой гибкостью и хорошими возможностями адаптации к конкретным особенностям применения. Недостаток программной реализации состоит в сложности обработки многомерных данных и относительно невысоком быстродействии микропроцессоров, что связано с последовательным характером вычислений.
Большая эффективность обработки информации достигается при аппаратной реализации алгоритмов на основе ПЛИС или заказных БИС, однако разработка таких систем является весьма трудоёмкой.
Отдельно стоит задача повышения быстродействия существующих систем за счёт выполнения последовательных операций параллельными оптическими методами на основе алгоритмов нейронных сетей [112].
С точки зрения архитектуры нейронная сеть может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами. По архитектуре связей нейронные сети могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями. В наиболее распространенном семействе сетей первого класса, называемых многослойным перцептроном (multi layer perceptron), нейроны расположены слоями и имеют однонаправленные связи между слоями. На рис. представлены типовые сети каждого класса [25, 34, 38, 39, 48, 49, 57, 62, 63, 65, 66, 73, 87, 116, 120, 122, 133]. Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети. Рекуррентные сети являются динамическими, так как в силу обратных связей в них модифицируются входы нейронов, что приводит к изменению состояния сети.
Обучение нейронной сети – настройка архитектуры сети и весов связей для эффективного выполнения специальной задачи.
Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Функционирование сети улучшается по мере итеративной настройки весовых коэффициентов. Свойство сети обучаться на примерах делает их более привлекательными по сравнению с системами, которые следуют определенной системе правил функционирования, сформулированной экспертами. Для конструирования процесса обучения, прежде всего, необходимо иметь модель внешней среды, в которой функционирует нейронная сеть – знать доступную для сети информацию. Эта модель определяет парадигму обучения [87]. Во-вторых, необходимо понять, как модифицировать весовые параметры сети – какие правила обучения управляют процессом настройки. Алгоритм обучения означает процедуру, в которой используются правила обучения для настройки весов.
Краткая классификация парадигм нейронных сетей, возможных для применения в системах обработки информации бортовой аппаратурой при распознавании объектов, приведена в табл. 3 [18, 19, 41, 44, 84, 90, 91, 92, 104, 109, 123]. Проведённый анализ парадигм нейронных сетей показывает, 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 зашумлённых изображений бортовой аппаратурой), является нейронная сеть Хопфилда [91].
Существует несколько реализаций как бинарных, так и аналоговых нейронных сетей Хопфилда [127]. Реализация нейронной сети Хопфилда на аппаратных средствах была описана Хопфилдом в [91] для бинарной модели и в [92] – для аналогового случая.
Опубликовано множество работ по реализации оптических нейронных сетей с применением пространственно-временных модуляторов света: систем на базе векторно-матричных умножителей [118], метода множества линз [80], корреляционных систем [103], системы на базе множества зеркал [135], метода свободного пространства [98], техники мультиплексирования во времени [106], методов, использующих фазовые [131] и поляризационные [126] характеристики, фотопреломляющие кристаллы [115], голографические линзы [96], нейро-кристаллы [113] и оптические диски [130].
Псалтис и Фархат [118] первыми продемонстрировали оптическую реализацию модели нейронной сети Хопфилда [91], основанную на векторно-матричном умножителе. Однако столкнулись с трудностью реализации биполярных величин при распределении интенсивности. Для обращения как к положительным, так и отрицательным величинам весовых межсоединений, требовались два набора аппаратных средств: один – для обращения к положительным, другой – к отрицательным весам взаимосвязей. В этой двойной системе аппаратных средств положительные и отрицательные взаимосвязи обрабатываются раздельно, а затем объединяются электронными или оптическими методами. Аппаратные средства в этой реализации системы достаточно сложны.
Структура бортового устройства обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей
В базовых образах учитываются такие характеристики искомого объекта, как его размеры, углы поворота и наклона на плоской сцене, учитывающие параметры съёмки. В результате, для каждого анализируемого объекта синтезируется порядка 10 базовых образов, на распознавание которых и настраивается нейронная сеть. Модифицированные модели нейронной сети Хопфилда позволяют учесть не только эти искажения, но и зашумлённость объекта реальными помехами.
По базовым образам нейронная сеть настраивает на распознавание матричный оптоэлектронный транспарант ОЭМУ.
Исследуемое радиолокационное изображение поступает в БУОИ с радиолокатора, где переводится в бинарный вид. Для анализа это изображение разбивается на фрагменты, размер которых гарантированно перекрывает размеры объекта, который необходимо обнаружить на исследуемой плоской сцене. Каждый такой фрагмент последовательно поступает для распознавания на линейку излучателей ОЭМУ.
Результат векторно-матричного умножения ОЭМУ считывается с линейки фотоприёмных модулей ОЭМУ и подаётся на нейронную сеть, где сравнивается с сохранёнными в сети образами. Если решается задача распознавания без учёта зашумлённости помехами, то с линейки фотоприёмных моделей получаем ответ на вопрос, обнаружен ли объект.
На практике подаваемый для распознавания фрагмент искажён помехами, и результат, полученный с линейки фотоприёмных модулей, подаётся на нейронную сеть. При неудачной попытке распознавания объекта на исследуемом фрагменте в текущей итерации, модифицированная нейронная сеть Хопфилда с обратной связью подаёт результат данной итерации обратно на вход ОЭМУ для следующей итерации распознавания. Шаг за шагом при выполнении итераций анализируемый образ как бы «проступает» на выходе при считывании результата с линейки фотоприёмных модулей. Имеет место своеобразная фильтрация помех исходного анализируемого изображения до тех пор, пока либо не будет принято решение о распознавании объекта, либо не будет достигнут регламентированный порог по числу итераций.
После обработки первого фрагмента, на вход нейронной сети для анализа подаётся следующий фрагмент исходного радиолокационного изображения. Фрагменты вырезаются из исходного изображения таким образом, чтобы было возможно проанализировать наличие интересующих объектов на всём исходном изображении. Шаг сдвига следующего фрагмента относительно предыдущего выбирается, исходя из параметров искомого объекта. Распознавание объекта заканчивается тогда, когда будет полностью проанализированы все фрагменты исходного радиолокационного изображения. Конкретный алгоритм по распознаванию образов будет рассмотрен в главе 3 диссертации. характеристик современных и перспективных оптоэлектронных элементов и блоков бортовых устройств обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей. Для комплексной отработки БУОИ рассматриваемого класса разработана обобщённая структура испытательного комплекса, представленная на рис. 15 [44, 45]. В состав испытательного комплекса входят: ИИиУС, испытательный стенд и объекты испытаний. Испытательный стенд представляет собой совокупность устройств и приспособлений, обеспечивающих размещение, закрепление и позиционирование исследуемых электронно-оптических элементов и узлов в соответствии с необходимой оптической схемой испытаний. В состав испытательного стенда входят оптическая скамья с рейтерами, координатный механизм, наборы линз, светофильтров и диафрагм [44]. Оптическая скамья представляет собой прямолинейную станину специального сечения, на которую устанавливаются рейтеры. Рейтеры являются стойками регулируемой высоты со столиками, на которых размещаются линзовые системы, источники, модуляторы, приёмники излучения и другие элементы. Рейтеры могут свободно перемещаться вдоль скамьи или жёстко закрепляться на ней. Координатный механизм служит для управляемого позиционирования и перемещения исследуемых электронно-оптических элементов в двух плоскостях и измерения линейных перемещений находящихся на нём элементов. Перемещение осуществляется с помощью шаговых двигателей; минимальный шаг и точность позиционирования зависят от особенностей конкретной конструкции. Наборы линз, светофильтров и диафрагм обеспечивают построение требуемой оптической схемы испытаний электронно-оптических устройств. Сборка и настройка оптической схемы для испытаний электронно-оптических элементов являются чисто ручными операциями, автоматизация которых нецелесообразна. ИИиУС выполняет функции формирования и выдачи управляющих воздействий, измерения контролируемых параметров, а также общего управления процессом проведения испытаний. Она представляет собой совокупность измерительных и управляющих устройств, устройств сопряжения и устройств первичной обработки информации. Двумерная реализация четырёхмерной матрицы взаимосвязей Tijkl может быть осуществлена на базе двумерного матричного оптоэлектронного транспаранта по схеме, представленной на рис. 17 (ИИ – элементы источников излучения, ПИij – элементы приёмников излучения) [44, 77, 96, 97].
Программное обеспечение для реализации разработанных алгоритмов модифицированной нейронной сети Хопфилда
Производительность – внесистемная величина, равная отношению объёма проделанной работы ко времени, за которое она была совершена. Для характеристики вычислительной производительности УОИ наиболее широко применяются три вида единиц – MIPS, MOPS, MFLOPS [60]. MIPS (Millions of Instructions Per Second) – количество миллионов коротких операций в секунду. Этим параметром обычно характеризуется выполнение относительно простых целочисленных операций. MOPS (Millions of Operations Per Second) – количество миллионов операций в секунду (произведение частоты выборки команд на число операций, необходимых для обработки результата каждой выборки). Данная характеристика учитывает конвейерность выполнения команд. MFLOPS (Millions of Floating-point Operations Per Second) – количество миллионов операций с плавающей точкой в секунду.
Производительность, выражаемая в единицах MIPS, MOPS или MFLOPS является пиковой, т. е. предельно возможной для данного процессора. Реальная производительность может быть значительно меньшей в связи с необходимостью использования в алгоритмах команд различного типа, требующих различного времени выполнения. Поэтому реальную производительность УОИ адекватнее оценивать временем выполнения стандартных алгоритмов. Такой подход используется для оценки производительности устройств цифровой обработки сигналов и учитывает не только время выполнения команд вычислителя, но и полосу пропускания системы ввода-вывода, характеристики памяти и эффективность системы команд.
Представляется, что для БУОИ на основе оптоэлектронного матричного умножителя такой путь является наиболее эффективным. Поскольку БУОИ на основе оптоэлектронного матричного умножителя являются специализированными вычислителями, естественным алгоритмом, время выполнения которого характеризует производительность процессора, является операция умножения с накоплением (MAC – Multiply and Accumulate). Таким образом, в качестве наиболее удобного показателя производительности БУОИ на основе оптоэлектронного матричного умножителя следует принять количество операций умножения с накоплением в секунду для операндов заданной разрядности (MAC/с).
Производительность БУОИ на основе оптоэлектронного векторно-матричного умножителя в единицах MAC/с может быть оценена по следующей формуле: где m – количество строк весовой матрицы; n –количество элементов входного вектора; Tmax – максимальное время выполнения операции векторно-матричного умножения (с). Значение Tmax определяется с учётом времени полной перезагрузки МОЭТ для вычисления каждого результирующего вектора. Из формулы видно, что производительность БУОИ на основе оптоэлек-тронного векторно-матричного умножителя прямо пропорциональна размерности обрабатываемых матриц (используемых линеек ЛД и МОЭТ). Наряду с этим показателем может также использоваться чисто временная характеристика – полная длительность выполнения операции векторно-матричного произведения с учётом служебных тактов для подстройки параметров информационных каналов и длительности загрузки модулятора. Время ТВЫЧ.АН , затрачиваемое БУОИ на основе оптоэлектронного матричного умножителя на вычисление произведения вектора и матрицы, работающим по классическому аналоговому алгоритму, складывается из времени tЗАГР.МОЭТ загрузки элементов исходной матрицы в МОЭТ и времени tЛИН.КОМБ вычисления линейной комбинации элементов строки матрицы с коэффициентами, равными элементам вектора: Время tЗАГР.МОЭТ загрузки элементов исходной матрицы в МОЭТ определяется конструктивно-технологическими параметрами транспаранта. Время tЛИН.КОМБ вычисления линейной комбинации элементов строки матрицы с коэффициентами, равными элементам вектора, для аналогового алгоритма составляет один такт работы вычислителя (без учёта служебных тактов). Следовательно, Производительность БУОИ на основе оптоэлектронного матричного умножителя, выполняющего операции умножения по аналоговому алгоритму, в единицах MAC/с в соответствии с (39) может быть оценена по следующей формуле: Время, необходимое для выполнения векторно-матричного умножения с помощью электронного вычислителя с последовательным выполнением команд, может быть оценено по формуле: хУмн время выполнения операции умножения; тсл - время выполнения операции сложения. Время выполнения операции умножения можно принять равным Примеры оценок вычислительной производительности для электронного БУОИ с последовательным выполнением команд и БУОИ на основе опто-электронного матричного умножителя представлены в табл. 11. При оценке производительности электронных БУОИ, осуществляющих последовательную обработку данных, использована информация о современных вычислителях (табл. 11).
Моделирование работы модифицированной нейронной сети Хопфилда
На программно-аппаратном комплексе была произведена натурная отработка экспериментальных образцов перспективных оптоэлектронных элементов векторно-матричного умножителя, разработанных ООО «ГНФ Микроинтэл» в рамках НИР «Исследование архитектур и разработка технологии создания оптоэлектронных узлов для гибридных процессоров» для НИР «Оптэл» ОАО «Концерн «Вега», а именно [22, 53]: – экспериментальный образец многоканального матричного модулятора света (МОЭТ) (матричного оптоэлектронного транспаранта) размерностью 16х16 на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм, работающий в режиме на отражение; – макет одиночного лазерного диода с вертикальным резонатором на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм; – макет линейки лазерных диодов с вертикальным резонатором на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм размерностью 16.
В качестве примера работы комплекса представлены результаты отработки экспериментального образца многоканального МОЭТ размерностью 16х16 на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм.
В ходе исследований для каждой ячейки МОЭТ определялись зависимости коэффициента отражения света от управляющего электрического сигнала и от мощности падающего на ячейку излучения лазерного диода. Измерения проводились в статическом (излучение лазерного диода не модулировано) и динамическом (излучение лазерного диода модулированное) режимах работы. Исследования проводились для всего массива элементов МОЭТ (16х16). Оптическая схема комплекса представлена на рис. 86.
Лазерный диод (ЛД) 1, излучающий на длине волны 0,85 мкм, согласованной с рабочей длиной волны модулятора 8, освещает диафрагму 2 диаметром 0,4 мм. Проекционный объектив 7 формирует на рабочей поверхности исследуемого элемента МОЭТ изображение диафрагмы в виде светового пятна диаметром порядка 0,15мм с относительно равномерным распределением интенсивности излучения в изображении при размере рабочей поверхности самого элемента 0,174х0,174 мм2. При этом угол падения пучка света на рабочую поверхность ячейки модулятора составляет 45 при общей расходимости пучка в пределах 7. Форма и положение светового пятна на ячейке модулятора контролируется с помощью видеоконтрольного устройства 10. При работе с немодулированным излучением пучок света ЛД, отраженный от рабочей поверхности ячейки МОЭТ, формируется объективом 7 на чувствительной площадке фотодиода ФД-7К 5 в виде расфокусированного пятна.
При работе с модулированным излучением, пучок излучения тем же объективом фокусируется на точечном (до 10 мкм) входном окне высокочастотного pin-фотодиода 5 в виде изображения точечного выходного окна ЛД. В ходе лучей между диафрагмой 2 и объективом 7 установлена стеклянная плоскопараллельная пластинка 3, осуществляющая отбор части излучения ЛД для контроля амплитудных и временных параметров излучения, падающего на рабочую площадку исследуемой ячейки МОЭТ. Так же, как и в основной измерительной ветви схемы (рис. 70), включающей модулятор, часть излучения, отводимая пластинкой 3, при работе с немодулирован-ным излучением фокусируется объективом 4 на чувствительную площадку фотодиода ФД-7К 5, а при работе с модулированным излучением, на входном окне высокочастотного pin-фотодиода. Для привязки измеренных параметров интенсивности излучения к абсолютным энергетическим единицам (Вт) используется ваттметр поглощаемой мощности оптический ОМ3-65 (поз. 9), измерительная головка которого устанавливается в ход лучей в нужной части оптической системы.
Исследование зависимости глубины модуляции и оптического контраста от напряжения смещения на элементе модулятора проводилось при фиксированных токе накачки ЛД 14,22 мА, минимальном расстоянии от ЛД до диафрагмы 5 мм и диаметре диафрагмы 0,2 мм. Результаты измерений для выборочных 3-х элементов модулятора со значениями номера строки и столбца (i, j): 7,5, 7,8, 7,11 представлены в табл. 18 и в графической форме на рис. 87 и 88 соответственно.
Исследование зависимости глубины модуляции и оптического контраста от тока смещения на ЛД проводилось при фиксированном значении напряжения смещения на МОЭТ – 6,25 В и диаметре диафрагмы 0,2 мм. При измерениях для различных токов накачки ЛД поддерживался постоянный уровень мощности излучения на элементах МОЭТ – 8,52 мкВт.
Результаты измерений для 3-х элементов модулятора со значениями номера строки и столбца (i, j): 7,5, 7,8, 7,11 представлены в табл. 19 и в графической форме на рис. 89 и 90 соответственно.
