مقاله شبیه سازی حذف تقابل توزیعی در شبکه های عصبی

معرفی مقاله ترجمه شده روش شبیه سازی جدید برای حذف تقابل توزیعی بر روی شبکه های عصبی

در سیستم توزیعی، سنکرون سازی پردازش دستور کار مهمی است. کنترل حذف تقابل یکی از وظایف عمده ی سنکرون سازی پردازش است. در این مقاله، یک روش جدید از بین مدل های رقابتی در ارتباط با حذف تقابل توزیعی ارائه می شود. کاربردهای صحیح این مدل ها نه شامل تنوع در اندازه ی آکومولاتور است و نه بر مبنای توزیع خاصی است. نشان می دهیم که توزیع استامپ زمانی، عمل زمانی و دیگر پارامترهای موثر پیش بینی شده توسط مدل های رقابتی شبکه ی عصبی می توانند مسائل با بخش های بحرانی را حل کنند. این مدل برای پیش بینی اثرات تشویق (پاداش) بر روی منحنی های مدل همینگ و هاپفیلد و تجزیه و تحلیل سرعت-دقت شبیه سازی شده است. دستاورد عمده ی این مقاله پیاده سازی یک قانون یادگیری است که شبکه ها را براساس مدل رقابتی برای یادگیری و همراه محرک پاسخ قادر می سازد. نشان داده ایم که استفاده از شبکه های عصبی به عنوان یک الگوی سیستم توزیعی برای بهینه سازی تحمل خطا، حذف تقابل قابل اعتماد و موجود و مدیریت بخش بحرانی ممکن است.

در این مقاله، یک شکل کلی و توصیفی از مدل رقابتی همانطور که بر داده ی انتخاب اجباری از یک وظیفه ی شناسایی مفهومی اعمال می شود ارائه شد. مشابه کاربردهایی از تئوری تشخیص سیگنال، از مدل رقابتی به عنوان ابزاری برای توصیف دقت و تاخیر داده استفاده شد با این فرض که گزینه های پاسخ اطلاعاتی را در سیستم توزیعی اضافه می کنند. فرض ما مبتنی بر اتمام زمان های توزیعی منحصربفرد است که از توصیف بر حسب رقابت بین مجموعه ی جداگانه از رقبا برای هر گزینه ی پاسخ ارائه می دهد. با توجه به اینکه، خود شبکه ی عصبی یک توزیع است که از پردازش رقابت ناشی می شود، لزوما یک پردازش رقابت-رقابت فرض می شود که سریع ترین رقبا را از مجموعه های جداگانه به رقابت نهایی وارد می کنند.

شبکه های عصبی - سیستم توزیعی

در شبکه های عصبی، تمام سلول هایی که در یک سطح هستند می توانند به صورت موازی کار کنند. سیستم توزیعی نیز یک زیرساخت مناسب برای پردازش موازی است. (با حافظه ی مشترک و یا حافظه ی توزیعی مهم نیست).

یک شبکه ی عصبی یک سیستم خود سازمانی است که می توان آن را به صورت یک سیستم کنترلی با فیدبک در نظر گرفته شود. همانطورکه در شکل 1 نشان داده شده است فیدبک های ایجاد شده توسط سیستم پایدار هستند و سیستم خروجی و هدف را به صورت پیوسته مقایسه می کند تا خطاها به حداقل برسند. ترکیب شبکه های عصبی و سیستم های توزیعی می توانند سیستم پایداری ایجاد کنند. بنابراین، خطاها مینیمم خواهند شد که منجر به قابلیت اطمینان سیستم می شود. به بیان دیگر، کاهش خطاها باعث خواهد شد که سیستم در برابر خطا مقاوم باشد.

سخت افزار سیستم های توزیعی به صورت آزادانه جفت شده اند، و در شبکه های عصبی (اگر بخشی از یک شبکه پاک شود) بخش (های) باقیمانده به کار خود ادامه خواهند داد به طوری که سخت افزار در سیستم های توزیعی همانند بخشی از شبکه های عصبی عمل می کند. نرم افزار سیستم های توزیعی به شدت چفت شده اند به طوری که هر بخشی از نرم افزار به نحوی مهم هستند. در یک شبکه ی عصبی، فکر کردن بخشی از نرم افزار بر روی سیستم است، بنابراین اگر بخشی از بین برود، نمی توان به هدف سیستم دست یافت و خروجی اعوجاج دار می شود. ...