Разработка алгоритмического и аппаратного обеспечения бортовых устройств обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей тема диссертации и автореферата по ВАК РФ 05.11.16, кандидат технических наук Неретин, Евгений Сергеевич

• Неретин, Евгений Сергеевич
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Неретин, Евгений Сергеевич

Перечень сокращений.

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.

1.2. Алгоритмы обработки информации в информационно-измерительных и управляющих системах и средства их реализации.

1.3. Оптоэлектронные информационно-измерительные и управляющие системы на базе модели нейронной сети Хопфилда.

Выводы по главе 1.

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.

2.2. Модификации модели Хопфилда, применимые для реализации в оптоэлектронных бортовых устройствах обработки информации на основе оптоэлектронных матричных умножителей.

2.3. Структура бортового устройства обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей.

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.

Выводы по главе 2.

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.

3.2. Алгоритмическое обеспечение, реализующее модифицированную двумерную биполярную модель нейронной сети Хопфилда для бортовых устройств обработки информации на основе оптоэлектронного матричного умножителя.

3.3. Программное обеспечение для реализации разработанных алгоритмов модифицированной нейронной сети Хопфилда.

Выводы по главе 3.

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.

4.2. Тестирование программного обеспечения и проверка адекватности разработанных моделей нейронной сети.

4.3. Моделирование работы модифицированной нейронной сети Хопфилда.

4.4. Программно-аппаратный комплекс натурной отработки оптоэлектрон-ных элементов и устройств.

4.5. Натурная отработка перспективных оптоэлектронных элементов устройств обработки информации.

Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Разработка алгоритмического и аппаратного обеспечения бортовых устройств обработки информации на основе оптоэлектронных матричных умножителей и нейронных сетей»

Актуальность работы. В авиации и ракетно-космической технике (а также практически во всех областях науки и техники) в настоящее время широкое применение находят электронные устройства обработки информации (УОИ) [1, 52, 60]. 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) - это одни из важнейших бортовых систем, во многом определяющие эффективность всей бортовой аппаратуры. Для них характерны интегральные преобразования данных и использование нейросетевых алгоритмов в наиболее трудно формализуемых операциях обработки данных. Кроме того, бортовые УОИ (БУОИ) обладают высокой чувствительностью к электромагнитным помехам и часто не обеспечивают высокой степени защиты информации, а также имеют высокое энергопотребление.

Основными направлениями совершенствования БУОИ в настоящее время являются модернизация архитектуры и технологии, а также поиск эффективных альтернатив чисто электронным системам [14].

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 излучения, изменяющейся в пределах от 3-1011 до 3-1017 Гц. Известно, что использование оптоэлектронных элементов и узлов в ИИиУС может значительно повысить их производительность вплоть до 1014 операций в секунду за счёт использования таких преимуществ оптики, как пикосекундное быстродействие активных элементов, массовый параллелизм вычислений и глобальный характер связей между процессорными элементами [60].

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 ряда других, их производительность зачастую является ограничительным фактором по отношению к характеристикам ИИиУС в целом [16, 53, 82].

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 [14, 62].

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 может достигать сотен и даже тысяч или более 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 последовательных операций параллельными оптическими методами на основе алгоритмов нейронных сетей, которые рассчитаны на применение на борту летательного аппарата в БУОИ для обработки информации с радиолокаторов с синтезируемой апертурой [62].

По результатам анализа критичных задач для различных этапов обработки радиолокационной информации для перспективных радиолокаторов, представленным 3 Центральным научно-исследовательским институтом Министерства обороны (3 ЦНИИ МО) Российской Федерации (РФ) на 4-й международной конференции Б8РА было отмечено, в частности, 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.

Основание для выполнения работы - Федеральная целевая программа «Национальная технологическая база», раздел III «Технология вычислительных систем», направление работ «Разработка технологий создания компьютеров и вычислительных комплексов высокой и сверхвысокой производительности, нейрокомпьютеров и адаптивных вычислительных систем» с целью создания современной технологической базы, необходимой для разработки и производства высокотехнологичной, наукоёмкой продукции мирового уровня в области важнейших технических систем (воздушного, морского и наземного транспорта, ракетно-космической техники, вычислительной техники, систем управления, связи и информации).

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 оптоэлектронного 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:

1. Разработать структуру БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене.

2. Выбрать тип и модифицировать модели нейронных сетей, ориентированных на реализацию в БУОИ для распознавания объектов на радиолокационных изображениях на плоской сцене.

3. Обучить нейронные сети, выбранные для решения задач распознавания объектов на радиолокационных изображениях на плоской сцене.

4. Разработать программно-алгоритмическое и аппаратное обеспечение БУОИ на базе нейронных сетей для распознавания объектов на радиолокационных изображениях на плоской сцене.

5. 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 оптоэлектронных элементов и блоков БУОИ.

Достоверность полученных результатов обеспечивается корректным применением математического аппарата и их экспериментальной проверкой на разработанном ПАК.

Внедрение и реализация. Основные результаты диссертационной работы внедрены при выполнении научно-исследовательских работ в ОАО «Концерн «Вега» и 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.

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.), во Всероссийской студенческой научно-технической школе-семинаре «Аэрокосмическая декада» (Украина, г. Алушта,

2008 г.), на 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.), в Университете г. Ганновер им. Лейбница (Leibniz Universität Hannover, Institut für Dynamik und Schwingungen) (Германия, г. Ганновер, 2009 г.), а также на заседаниях кафедры «Приборы и измерительно-вычислительные комплексы» и научно-технических советах Научно-производственного комплекса вычислительной техники и информатики ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» (МАИ).

Публикации. Основные результаты диссертационной работы полностью отражены в 5-ти статьях (3 из которых - в журналах, рекомендованных Перечнем ведущих периодических изданий ВАК при Министерстве образования и науки РФ), 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.

Заключение диссертации по теме «Информационно-измерительные и управляющие системы (по отраслям)», Неретин, Евгений Сергеевич

Выводы по главе 4.

1. Оценено увеличение быстродействия с применением предложенной архитектуры БУОИ в 1,2. 1,3 раза по сравнению с существующими УОИ, выполняющими последовательную обработку информации.

2. Проведённое тестирование ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры» полностью подтвердило его работоспособность. Результаты работы всех модулей соответствуют заложенным алгоритмам.

3. На базе моделирования, включавшего 10 серий экспериментов с образами размерностей в 5^1, 8x1, 16x1, 20x1, 25x1 и количеством сохранённых образов в каждой из размерностей последовательно - 4, 5, 10, подтверждена адекватность модифицированной биполярной одномерной модели нейронной сети Хопфилда, ориентированной для реализации в канале ИИиУС с использованием электронно-оптического векторно-матричного умножителя с добавлением распределённого фона и расширенной матрицы взаимосвязей.

4. На базе моделирования, включавшего 10 серий экспериментов с образами размерностей в 5x5, 8x8, 16x16, 20x20, 25x25 и количеством сохранённых образов в каждой из размерностей последовательно - 4, 5, 10, подтверждена адекватность модифицированной биполярной двумерной модели нейронной сети Хопфилда, ориентированной для реализации в канале ИИиУС с использованием электронно-оптического векторно-матричного умножителя с добавлением распределённого фона и расширенной матрицы взаимосвязей.

5. Моделирование, проведённое с использованием 20 радиолокационных изображений, полученных с помощью радиолокаторов с синтезируемой апертурой (РСА изображения) в Ка-диапазоне, разрешение 0,1 м (источник - Интернет-ресурс www.sandia.gov/radar (Sandia National Laboratories, Lockheed Martin Company, США)), подтвердило работоспособность разработанных моделей нейронных сетей Хопфилда для решения задачи распознавания объектов на плоской сцене в радиолокационных изображениях и возможность контроля такого типа блоков на разработанном программно-аппаратном комплексе с расширенными функциями.

6. Разработан программно-аппаратный комплекс натурной отработки бортовых электронно-оптических элементов и устройств, который используется в ОАО «Концерн «Вега» для тестирования разрабатываемых перспективных бортовых оптоэлектронных элементов и устройств. ПАК позволяет испытывать такие оптоэлектронные компоненты, как: одиночные лазерные диоды и лазерные модули, матричные электронно-оптические транспаранты, одиночные фотоприёмники и фотоприёмные модули. Применение нейронных сетей позволяет расширить функциональность стенда для испытания перспективных электронно-оптических БУОИ.

7. Проведена полу натурная обработка перспективных образцов оптоэлектронных элементов, которая подтвердила работоспособность разработанного комплекса, а именно:

- экспериментального образца многоканального МОЭТ размерностью 16x16 на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм, работающего в режиме на отражение;

- макета одиночного лазерного диода с вертикальным резонатором на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм;

- макета линейки лазерных диодов с вертикальным резонатором на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм размерностью 16.

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие основные выводы и результаты.

1. Поставлена и решена задача обеспечения адаптации к увеличению быстродействия БУОИ за счёт применения оптоэлектронных матричных умножителей и нейронных сетей при распознавании образов.

2. Разработана структура БУОИ на основе оптоэлектронного матричного умножителя, выполняющего матричные вычисления параллельными оптическими методами, что позволяет адаптировать его к повышению быстродействия при распознавании объектов на радиолокационных изображениях на плоской сцене. Оценено увеличение быстродействия с применением предложенной архитектуры БУОИ в 1,2. 1,3 раза по сравнению с существующими УОИ, выполняющими последовательную обработку информации.

3. Модифицированы биполярные одномерная и двумерная модели нейронной сети Хопфилда для применения в БУОИ на основе оптоэлектронного матричного умножителя при распознавании образов.

4. Разработаны алгоритмы, реализующие модифицированные биполярные модели одномерной и двумерной моделей нейронной сети Хопфилда, позволяющие распознавать объекты на радиолокационных изображениях на плоской сцене в БУОИ. Алгоритмы реализованы в форме ПО «Имитатор нейронной сети Хопфилда для бортовой аппаратуры». ПО разработано на языке программирования Delphi из пакета Embarcadero RAD Studio XЕ и зарегистрировано в Реестре программ для ЭВМ (свидетельство о государственной регистрации программы для ЭВМ №2011616541 от 19.08.2011).

5. Проведено 20 серий экспериментов по тестированию разработанного ПО и 20 серий моделирования на простых примерах, которые полностью подтвердили его работоспособность и адекватность модифицированных моделей нейронных сетей в рассматриваемых задачах обработки бортовой информации.

Проведено моделирование с использованием 20 радиолокационных изображений, полученных с помощью радиолокаторов с синтезируемой апертурой (РСА изображения) в Ка-диапазоне, подтвердившее работоспособность созданных моделей нейронных сетей Хопфилда для решения задачи распознавания объектов в радиолокационных изображениях на плоской сцене при наличии помех.

Результаты моделирования показали, что при зашумлении объекта до 20% или более 80% распознавание происходит в 100%) случаев, при зашумлении от 20% до 40% или от 60% до 80%) распознавание происходит с вероятностью 99%, при зашумлении от 40% до 60% (самый неблагоприятный вариант) распознавание невозможно.

6. Разработана двухуровневая архитектура ПАК для отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ (использующих в том числе нейронные сети Хопфилда). ПАК позволяет проводить испытания существующих и перспективных БУОИ.

7. На разработанном ПАК для комплексной отработки алгоритмического и аппаратного обеспечения образцов оптоэлектронных элементов и блоков перспективных БУОИ проведено испытание опытных образцов перспективных оптоэлектронных элементов, а именно матричного оптоэлектронного транспаранта размерностью 16x16, макета одиночного лазерного диода с вертикальным резонатором и линейки лазерных диодов с вертикальным резонатором размерностью 16 на основе p-i-n MQW гетероструктур AlGaAs/GaAs с рабочей длиной волны света 850 нм для ОАО «Концерн «Вега», что подтверждается соответствующим актом внедрения в научно-исследовательскую и опытно-конструкторскую работу Концерна.

8. Результаты диссертационной работы внедрены в учебный процесс ФГБОУ ВПО «Московский авиационный институт (национальный исследовательский университет)» (МАИ), что подтверждается соответствующим актом внедрения.

Список литературы диссертационного исследования кандидат технических наук Неретин, Евгений Сергеевич, 2011 год

1. Агеев В.М., Павлова Н.В. Приборные комплексы летательных аппаратов и их проектирование. М.: Машиностроение, 1990. - 432 с.

2. Айфичер Э.С., Джервис Б.У. Цифровая обработка сигналов: практический подход, 2-е издание.: Пер. с англ. М.: Издательский дом «Вильяме», 2004. - 992 с.

3. Акаев A.A., Майоров С.А. Оптические методы обработки информации. М.: Высшая школа, 1988. - 237 с.

4. Басистов Ю.А., Гаврилов К.Ю., Линников О.Н. Синтез алгоритма системы с автоассоциативной памятью и его применение для отработки изображений // Информационно-измерительные и управляющие системы. -№ 12, т. 5.-2007.-с. 61-71.

5. Белан С.Н. Разработка методов параллельной обработки информации и их техническая реализация в оптоэлектронных логиковременных средах: Автореферат диссертации на соискание учёной степени канд. техн. наук. Винница, 1990. - 18 с.

6. Беспалов В.Г. Основы оптоинформатики. Часть I. Информационные технологии от электронного к оптическому компьютеру. - СПб.: СПбГУ ИТМО, 2006 - 52 с.

7. Васильев A.A., Касасент Д., Компанец И.Н., Парфёнов A.B. Пространственные модуляторы света. М.: Радио и связь, 1987. - 320 с.

8. Воеводин В.В., Воеводин Вл.В. Параллельные вычисления. СПб.: БХВ-Петербург, 2002. 608 с.

9. Ю.Воскресенский Д.И. Антенны с обработкой сигнала: Учеб. пособие для вузов. М.: САЙНС-ПРЕСС, 2002. - 80 с.

10. Н.Гаврилов К.Ю., Кононова Е.В. Применение полярных признаков для распознавания объектов на плоской сцене // Информационно-измерительные и управляющие системы. № 1, т. 9. - 2011. - с. 16-24.

11. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера. - 2005. - 1072 с.

12. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера. - 2006. - 616 с.

13. Гринёв А.Ю. Основы радиооптики: Учебное пособие. М.: САЙНС-ПРЕСС, 2003. - 80 с.

14. Дмитриев A.JI. Оптические системы передачи информации / Учебное пособие. СПб.: СПбГУИТМО, 2007. - 96 с.

15. Евтихиев H.H., Есепкина H.A. Оптоэлектронный процессор в виде гибридной микросхемы // Квантовая электроника. 1995. - № 10.

16. Евтихиев H.H., Оныкий Б.Н., Перепелица В.В., Щербаков И.Б. Гибридные оптоэлектронные нейрокомпьютеры. // Нейрокомпьютер. 1994. -№3-4.-с. 51-59.

17. Евтихиев H.H., Оныкий Б.Н., Перепелица В.В., Щербаков И.Б.

18. Математические модели и оптические реализации многослойных и полиномиальных нейронных сетей. М.: МИФИ, 1994. - 32 с.

19. Евтихиев H.H., Оныкий Б.Н., Перепелица В.В., Щербаков И.Б.

20. Многослойная нейронная сеть и её реализация на основе оптического вектор-матричного перемножителя // Нейрокомпьютер. 1994. №№1-2.

21. Егоров A.A., Кирпичёв К.Ю., Неретин Е.С., Паппэ Т.Е. Микропроцессорный контроллер сбора и обработки данных для проведения измерений в оптоэлектронике // Промышленные АСУ и контроллеры. -№06.-2006.-с. 58-61.

22. Захаров И.С. Пространственно-временные модуляторы света. -Томск, Издательство томского университета, 1983. 264 с.

23. Каллан Р. Основные концепции нейронных сетей. М.: Издат. дом «Вильяме», 2001. - 321 с.

24. Канащенков А.И., Меркулов В.И., Самарин О.Ф. Облик перспективных бортовых радиолокационных систем. Возможности и ограничения. -М.: ИПРЖР, 2002.- 176 с.

25. Кирпичев К.Ю., Неретин Е.С. Разработка автоматизированного места тестирования высокочастотных оптоэлектронных элементов и узлов в реальном масштабе времени // Труды МАИ. №38. - 2010.

26. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». М.: Издательство МЭИ, 2002. - 176 с.

27. Крыжановский Б.В., Кошелев В.Н., Фонарёв А.Б. Оценка эффективности рандомизированной памяти Хопфилда // Проблемы передачи информации. 2001. - Том 37, Вып. 2. - с. 77-87.

28. Крыжановский М.В., Магомедов Б.М., Крыжановский Б.В. Доменная модель нейронной сети и её применение к задачам оптимизации // Штучний інтелект (Искусственный интеллект). №4. - 2006. - с. 297-308.

29. Курмашов Ш.Д., Ирха В.И., Викулин И.М., Градобоев A.A. Полупроводниковые матричные оптические модуляторы // Технология и конструирование в электронной аппаратуре. №1. - 1999. - с. 31-34.

30. Лавров А.П. Оптоэлектронные процессоры радиосигналов с использованием сканирующих ПЗС-фотоприемников: Автореферат диссертации на соискание учёной степени д-ра физ.-мат. наук. СПб, 1999. - 32 с.

31. Максимов М.В., Давыдов В.О. Сравнительный анализ моделей нейронных сетей для решения задач распознавания образов // Труды Одесского политехнического университета 2002. - вып. 2 (18). - с. 152-155.

32. Маныкин Э.А. Оптические нейронные сети // Оптические вычислители.-Л., 1989.-с. 14-24.

33. Микаэлян А.Л. Оптические методы в информатике. М.: Наука, 1990.-232 с.

34. Минский М., Пейперт С. Персептроны. -М.: Мир, 1971. 262 с.

35. Мокрышев В., Мокрышев С. Оптоэлектронный процессор. Новые принципы обработки оптической информации // Электроника-НТБ. — 1999. -№4.-с. 24-28.

36. Неретин Е.С. Имитатор нейронной сети Хопфилда для бортовой аппаратуры. Свидетельство о государственной регистрации программы для ЭВМ №2011616541. Заявка №2011614840 от 29.06.2011. Зарегистрировано в Реестре программ для ЭВМ 19.08.2011.

37. Неретин Е.С. Программно-алгоритмическое обеспечение систем испытания бортовых электронных устройств // Вестник МАИ. 2011. - т. 18, №3. - с. 177-184.

38. Неретин Е.С., Кирпичёв К.Ю., Баланин Д.А., Донцов С.И.

39. Нишева М.М. Шишков Д.П. Изкуствен интелект. България, Добрич: Издателство «Интеграл», 1995. - 179 с.

40. Оганезов А.Л. Применение нейронных сетей в задачах распознавания образов. Диссертация на соискание учёной степени канд. физ.-мат. наук: 05.13.11. Тбилиси: Тбилисский государственный университет им. И.Н. Джавахишвили, 2006. - 149 с.

41. Одиноков С.Б., Петров А.В. Анализ точностных параметров оптико-электронного матрично-векторного процессора обработки цифровой информации // Квантовая электроника. 1995. - № 22 (10).

42. Оптико-электронная реализация модели Хопфилда для нейронной сети на основе голографического фототермспластического диска / А.А. Акаев, Б.Д. Абарисаев, С.З Дордоев, А.А. Кутанов // Докл. АН СССР. 1991. -т. 321. -№ 2.-с. 302-305.

43. Павлова Н.В. Методы искусственного интеллекта и новые информационные технологии в проектировании приборных комплексов: Учебное пособие. М.: Изд-во МАИ, 2000. - 104 с.

44. Пихтин А.Н. Оптическая и квантовая электроника. М.: Высшая школа, 2001.-573 с.

45. Резник A.M. Хопфилдовские ансамбли в латеральных структурах коры мозга // Математичш машини i системи. 2006. - №1. - с. 3-12.

46. Руденок И.П. Физико-технические основы элементной базы оптоэлектронных информационных систем: Автореферат диссертации на соискание учёной степени д-ра техн. наук. М., 1995. - 47 с.

47. Рычагов М.Н. Нейронные сети: многослойный перцептрон и сети Хопфилда // Математика в приложениях. 2003. - №1(1). - с. 29-37.

48. Самарин А. Микрозатворная дисплейная технология MOEMS // Электронные компоненты. -№11.- 2004. с. 119-122.

49. Советов Б.Я., Яковлев С.А. Моделирование систем. 3-е изд, перераб. и доп. - М.: Высшая школа, 2001. - 343 с.

50. Соловьёв С.Ю. Разработка инструментальных средств отработки блоков информационно-измерительных и управляющих систем с использованием оптоэлектронных процессоров. Диссертация на соискание учёной степени канд. техн. наук. - М.: МАИ, 2005. - 223 с.

51. Стариков Р.С. Методы построения и разработки оптических линейно-алгебраических процессоров для параллельных вычислительных систем: Автореферат диссертации на соискание учёной степени канд. физ.-мат. наук. М., 1997,- 19 с.

52. Татузов A.JI. Нейронные сети в задачах радиолокации. Кн. 28. -М.: Радиотехника, 2009. 432 с.

53. Терехов В.А., Ефимов Д.В., Тюнин И.Ю. Искусственные нейронные сети и их применение в системах автоматического управления. -СПб.: С.-Петерб. гос. электротехн ун-т, 1997. 61 с.

54. Убайдуллаєв Ю.Н. Ольшевський Ю.В. Використання нейронних мереж для прогнозування змін технічного стану зразків військової техніки // Сучасні інформаційні технології у сфері безтеки та оборони. 2009. - №1 (4). - с. 20-24.

55. Уоссерман Ф. Нейрокомпьютерная техника. Теория и практика / Пер. с англ. Ю.А. Зуева и В.А. Точенова / Под ред. А.А.Галушкина. М.: Мир, 1992.-240 с.

56. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ. М.: ООО «И.Д. Вильяме», 2006. - 1104 с.

57. Хахулин Г.Ф. Основы конструирования имитационных моделей: Учеб. пособие. 2-е изд., испр. и доп. - М.: НПК «Поток», 2002. - 228 с.

58. Чемодаков А.Л. Описание структуры и алгоритмов функционирования информационно-измерительных систем: Методическое пособие. -Владивосток: ИПК МГУ им. адм. Г. И. Невельского, 2008. 18 с.

59. Червяков Н.И., Сахнюк П.А., Шапошников A.B., Ряднов С.А. Модулярные параллельные вычислительные структуры нейропроцессорных систем: Монография. М.: Физматлит, 2003. - 288 с.

60. Щербаков И.Б. Эмуляция оптоэлектронных нейронных сетей: Автореферат диссертации на соискание учёной степени канд. техн. наук. -М., 1995.-20 с.

61. Эмдин B.C. Оптико-электронные анализаторы изображений: Учеб. пособие. СПб.: б.и., 2002. - 46 с.

62. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007. -584 с.

63. Aleksander I., Morton H. An Introduction to Neural Networks. Chapman and Hall, London, 1991.

64. Amari S.I. Neural theory of association and concept formation. Biological Cybernetics, Vol. 26, 1977, pp. 77-87.

65. Aslam-Siddiqi A., Brockherde W., Hosticka B.J. A 16x16 Nonvolatile Programmable Analog Vector-Matrix Multiplier // IEEE Journal Of Solid-state Circuits. -Vol. 33, №10. 1998.

66. Bernhard Maschke, Romeo Ortega, Arjan J. van der Schaft. Energy-Based Lyapunov Functions for Forced Hamiltonian Systems with Dissipation. IEEE Transactions on Automatic Control, Vol. 45, № 8, August 2000, pp. 14981502.

67. Caulfield H. John. Parallel N4 weighted optical interconnections // Applied Optics. Vol. 26, №19, pp. 4039-4040.

68. David A.J., Saleh B.E.A. Optical implementation of the Hopfield algorithm using correlation // Applied Optics. -. 1990. Vol. 29. - pp. 1063-1064.

69. Enrique Mérida-Casermeiro, José Muñoz-Pérez. MREM: An associative autonomous recurrent network // Journal of Intelligent & Fuzzy Systems. -2002.-№12, pp. 163-173.

70. Farhat N.H., Miyahara S., Lee K.S. Optical Analog of Two-Dimensional Neural Networks and their Application in Recognition of Radar Targets // AIP Conference Proceedings №151. 1986. - pp. 146-152.

71. Farhat N.H., Psaltis D., Prata A., Paek E. Optical implementation of the Hopfield model // Applied Optics. 1985. - Vol. 24, №10. - pp. 1469-1475.

72. Feitelson D.G. Optical computing: A survey for computer scientists. -Cambridge: MIT Press, 1989.

73. Gary C.K. Matrix-vector multiplication using digital partitioning for more accurate optical computing // Applied Optics. Vol. 31, №29. - 1992. -pp. 6205-6211.

74. Grossberg S. The adaptive brain. Amsterdam: North-Holland. - 1987. Vol. 1 and 2.

75. Gruber M., Jahns J., Sinzinger S. Planar-Integrated Optical System for Vector-Matrix-Multiplication. 1998. - 1 p.

76. Ham F.M., Kostanic I. Princeples of Neurocomputing for Science and Engineering. China Machine Press, Beijing, 2001.

77. Hay kin S. Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co., New York, 1994.

78. Hebb D.O. The organization of behaviour. -N.Y.: Wiley & Sons, 1949.

79. Heggarty K. J., Chevallier R.C. Optical implementation of an improved Hopfield-like retrieval algorithm // Optics Communication. 1992. - Vol. 88. -pp. 91-95.

80. Hinton G.E., Sejnowski T.J. Learning and relearning in Boltzmann machines. In Parallel distributed processing. Cambridge, MA: MIT Press, 1986.-Vol. l.-pp. 282-317.

81. Hopfleld J.J. Neural networks and physical systems with emergent collective computational abilities // Proceedings of the National Academy of Sciences. 1982. - Vol. 79. - pp. 2554-2558.

82. Hopfield J.J. Neurons with graded response have collective computational properties like those of two-state neurons // Proceedings of the National Academy of Sciences'. -1984. Vol. 81. - pp. 3088-3092.

83. Hopfield J.J., Tank D.W. Computing with neural circuits: A model // Science. 1986. - Vol. 233, pp. 625-633.

84. Humayun Karim Sulehria, Ye Zhang. Hopfield Neural Networks -A Survey // Proceedings of the 6th WSEAS Int. Conf. on Artificial Intelligence, Knowledge Engineering and Data Bases. Corfu Island, Greece, February 16-19, 2007.-p. 125-130.th

85. Jahne B. Digital Image Processing. 6 revised and extended edition. -Berlin: Springer-Verlag, 2005.

86. Jang Ju-Seog, Jung Su-Won, Lee Soo-Young, Shin Sang-Yung.

87. Optical Implementation of the Hopfield Model for Two-Dimensional Associative Memory // Optical Letters. 1988. - Vol. 13. - pp. 248-250.

88. Jang Ju-Seog, Shin Sang-Yung, Lee Soo-Young. Parallel N4 weighted optical interconnections: comments // Applied Optics. 1988. - Vol. 27, № 21. -pp. 4364-4365.

89. Kazuhiro Noguchi. Large-Scale Two-Dimensional Optical Hopfield Associative Memorry Using Incoherent Optical Free-Space Interconnection // Optical Letters.-1991.-Vol. 16, July 1991.-pp. 1110-1112.

90. Kiranpreet Kaur. Optical multistage interconnection networks using neural network approach. Diploma of Master of Engineering in Computer Science & Engineering. Patiala: Thapar University, 2009. 94 p.

91. Kohonen T. Self-Organization and Associative Memory. Berlin: Springer-Verlag. - 1984.

92. Levi A.F.J. Optical Interconnects in Systems // Proceeding of the IEEE. 2000. - Vol. 88. - pp. 750-757.

93. Lalanne P., Chavel P., Taboury J. Optical inner-product implementation of neural network models // Applied Optics. 1989. - Vol. 28. - pp. 377-385.

94. Lin S., Liu L, Wang Z. Optical Implementation of the 2D Hopfield Model for a 2D Associative Memory // Optics Communications 1989. - Vol. 70, Feb. 1989.-pp. 87-91.

95. Lippmann R.P. An Introduction to computing with Neural Networks // IEEE Acoustic, Speech and Signal Processing Magazine. 1987. - pp. 5-22.

96. Little W. The existence of persistent states in the brain. Mathematical Biosciences, Vol. 19, 1974, pp. 101-120.

97. Masaya Oita, Jun Ohta, Shuichi Tai, Kazuo Kyuma. Optical Implementation of Large-Scale Neural Networks Using a Time-Division-Multiplexing Technique // Optical Letters. 1990. - Vol. 15, Feb. 1990. -pp. 227-229.

98. McCulloch W.S., Pitts W. A logical calculus the ideas imminent in nervous activity. Bull. Mathematical Biophysics. 1943. - V. 5. - p. 115-133.

99. Meireles M. R. G., Almeida P. E. M., Simones M. G. Comprehensive Review for Industrial Applicability of Artificial Neural Networks. IEEE Transactions on Industrial Electronics, Vol. 50, No. 3, 2003, pp. 585-601.

100. Minsky M., Pappert S. Perceptrons: An Introduction to Computational Geometry. MIT Press, Cambrige, MA, 1969.

101. Nakano K. Associatron A model of associative memory // IEEE Transactions on System, Man and Cybernetics. - 1972. - pp. 380-388.

102. Nasis V.T. A Novel Approach to Programmable Imaging Using MOEMS. Ph.D dissertation. Drexel University, November 2007. 169 p.

103. Ohta J., Kyuma K., Tai S., Oita M. Optical neural network // United States Patent US005095459A, 10.03.1992.

104. Ohta J., Nitta Y., Kyuma K. Dynamik Optical Neuralchip Using Variable-Sensitivity Photodiodes // // Optical Letters. May 1991. - Vol. 16. -pp. 744-746.

105. Optical Signal Processing. Practical Implementation and Applications. -Lemslet, 2003.-64 p.

106. Paek E.G., Wullert II J.R., Patel J.S. Holographic Implementation of a Learning Machine Based on a Multicategory Perceptron Algorithm // Optical Letters. 1989. - Vol. 14. №23 - pp. 1303-1305.

107. Paik J.K. Image restoration and edge detection using neural networks. Ph.D. dissertation, Dep.Elec.Eng., Computer Science, Norh-western University, June 1990.

108. Pao Y.H. Adaptive Pattern Recognition and Neural Networks. Addison-Welsey Publishing Company Inc. New York, 1989.

109. Psaltis D., Farhat N. Optical Information Processing Based on an Associative-Memory Model of Neural Nets with Thresholding and Feed-back // Optical Letters 1985. - Vol. 10, Feb. 1985. - pp. 98-100.

110. Rich E., Knight K. Artificial Intelligence. New York: McGraw-Hill, 1991.

111. Rietman E. Experiments in Artificial Neural Networks. Tab Books Inc. Blue Ridge Summit, PA, 1988.

112. Rojas R. Neural Networks. Berlin: Springer-Verlag, 1996.

113. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. 1958. - Vol. 65. -pp. 386-408.

114. Roth M.W. Survey of neural network technology for automatic target recognition // IEEE Transactions of Neural Networks. 1990. - Vol. 1. -pp. 28-43.

115. Russel G.A. Analysis and Modelling of Optically Interconnected Computing Systems. Ph.D dissertation. Heriot-Watt University. School of Engineering and Physical Sciences, May 2004. 170 p.

116. Shariv I., Gila O., Friesem A.A. All-Optical Bipolar Neural Network with Polarization-Modulating Neurons // Optical Letters. 1991. - Vol. 16, Nov. 1991.-pp. 1692-1694.

117. Simpson P.K. Artificial Neural Systems: Foundations, Paradigms, Applications, and Implementations. New York: Pergamon Press. - 1990.

118. Sun Y., Li J.G., Yu S.Y. Improvement on Performance of Modified Hopfield Neural Network for Image Restoration // IEEE Transactions on Image Processing. 1995. - Vol. 4, №5. - pp.688-692.

119. Wang X.M., Mu G.G. Optical Neural network with bipolar neural states //Applied Optics. 1992.-Vol. 31.-pp. 4712-4719.

120. Yamamura A.A., Neifeld M.A., Kobayashi S., Psaltis D. Optical-Disk Based Artificial Neural Systems // Optical Computer Proceedings. 1991. -Vol. l.-pp. 3-12.

121. Yamazaki H., Yamaguchi M. 4x4 Free-Space Optical Switching Using Real-Time Binary Phase-Only Holograms Generated by a Liquid-Cristal Display // Optical Letters.-Vol. 16, Sept. 1991.-pp. 1415-1417.

122. Yeh S.J., Stark H. Hopfield-type neural networks in Digital Image Restoration, A.K. Katsaggelos, ed. Berlin: Springer-Verlag, 1991. -Vol. 23, ch. 3.

123. Young S.S., Scott P.D., Nasrabadi N.M. Object Recognition using Multi-layer Hopfield Neural Network // IEEE Transactions on Image Processing. -1997. Vol. 6, №3. - pp. 357-372.

124. Yu F.T.S. Optical neural network architecture, design and models // IEEE Region 10 Conference on Computer and Communication Systems, September 1990, Hong Kong. - pp. 12-16.

125. Yu F.T.S., Yang X., Yin S. Mirror-Array Optical Interconnected Neural Network // Optical Letters. Vol. 16, Oct. 1991. - pp. 1602-1604.

126. Zhou C., Liu L. Vector-product Hopfield model // Optics Communications. 1999. - №168. - pp. 445-455.

127. Zhou C., Liu L., Wang Z., Mo Y. Optical Implementation of Hopfield Associative Memory Based on Imaging System Using a Liquid Crystal Device // Microwave and Optical Technology Letters. 1992. - Vol. 5, №13. - pp. 683-675.