Download Free Etude Et Conception Dune Machine Parallele Multi Modeles Pour Les Reseaux De Neurones Book in PDF and EPUB Free Download. You can read online Etude Et Conception Dune Machine Parallele Multi Modeles Pour Les Reseaux De Neurones and write the review.

LES MODELES DE RESEAUX DE NEURONES, CONSTITUES DE CELLULES INTERCONNECTEES TRAVAILLANT SIMULTANEMENT, SE PRETENT TRES NATURELLEMENT A UNE SIMULATION SUR ARCHITECTURE PARALLELE. CEPENDANT, L'OBTENTION DE BONNES PERFORMANCES SUR LES DIFFERENTS TYPES DE RESEAUX NEURONAUX IMPOSE D'AVOIR UNE MACHINE SUFFISAMMENT SOUPLE ET DOTEE D'UN RESEAU DE COMMUNICATION TRES PERFORMANT. DANS CETTE ETUDE, NOUS PROPOSONS UNE ARCHITECTURE PARALLELE MIMD DOTEE D'UN RESEAU DE COMMUNICATION EN ANNEAU A CORDES DONT LES PARAMETRES TOPOLOGIQUES SONT OPTIMISES AFIN DE REDUIRE SON DIAMETRE TOUT EN LE RENDANT PARTITIONNABLE. LE MODELE DE COMMUNICATION QUE NOUS CHOISISSONS EST DU TYPE STATIQUE, POINT A POINT ENTRE PROCESSEURS DIRECTEMENT CONNECTES, ET SANS AUCUN MECANISME DE ROUTAGE. CETTE DERNIERE RESTRICTION NE DIMINUE EN RIEN LES PERFORMANCES DANS LA MESURE OU LES PRINCIPALES ARCHITECTURES NEURONALES SONT ELLES-MEMES STATIQUES ; ELLE NOUS PERMET EN OUTRE DE SIMPLIFIER LE MATERIEL ET D'OPTIMISER L'ORDONNANCEMENT DES TRAVAUX DES PROCESSEURS EXPLICITEMENT PAR PROGRAMME. NOUS AVONS INTRODUIT UNE EXTENSION PARALLELE DU LANGAGE C IMPLANTANT UN MODELE DE PROGRAMMATION DU TYPE SPMD (PARALLELISME DE DONNEES) AVEC INSTRUCTIONS DE COMMUNICATIONS GLOBALES AFIN DE FACILITER LE DEVELOPPEMENT DES APPLICATIONS. CE LANGAGE PERMET D'EFFECTUER UN CONTROLE SEMANTIQUE ASSURANT L'ABSENCE DE RISQUES D'INTER-BLOCAGE DES PROCESSEURS. NOUS AVONS REALISE UN COMPILATEUR GENERANT DU CODE POUR UN ENVIRONNEMENT DE SIMULATION, ET NOUS AVONS ECRIT DES PROGRAMMES POUR LES PRINCIPAUX ALGORITHMES NEURONAUX AINSI QUE POUR DES ALGORITHMES DE TRAITEMENT D'IMAGES AFIN DE CONFIRMER L'INTERET DU COUPLE ARCHITECTURE-LANGAGE CHOISI. NOUS PROPOSONS DES SOLUTIONS POUR UNE REALISATION MATERIELLE A BASE DE PROCESSEURS DE SIGNAUX ET/OU D'ASIC ; NOTRE ETUDE PORTE ESSENTIELLEMENT SUR LA REALISATION DES LIAISONS DE COMMUNICATION ENTRE LES NUDS DU RESEAU
Les réseaux de neurones artificiels sont connus pour être des modèles intrinsèquement parallèles. De plus ces modèles réclament une puissance de calcul toujours plus conséquente, notamment pour les modèles d'inspiration biologique du domaine. Dans le même temps, la technologie des ordinateurs parallèles devient de plus en plus accessible tant du point de vue de leur disponibilité que du point de vue financier. Il apparait donc intéressant d'utiliser les ordinateurs parallèles pour résoudre les problèmes de couts d'exécution et de taille des réseaux de neurones posés aux connexionnistes. Cette thèse présente un nouveau simulateur parallèle de réseaux de neurones artificiels. Notre simulateur se veut tout à la fois un outil d'aide au développement des réseaux de neurones artificiels et un outil permettant d'accélérer leurs exécutions. Il doit ainsi faciliter les implantations des réseaux, l'utilisation de réseaux de grandes tailles et l'étude du parallélisme des réseaux de neurones et des phénomènes d'émergences issus de grandes populations de neurones biologiques. Avant de développer ce simulateur nous effectuons une étude comparée des parallélismes des réseaux de neurones artificiels et des ordinateurs parallèles modernes les plus courants. Nous mettons ainsi en valeur les grandes différences entre ces deux modèles de parallélisme puis nous présentons nos solutions pour offrir aux connexionnistes un outil d'aide au développement de réseaux de neurones utilisant les propriétés parallèles des modèles connexionnistes pour permettre leurs exécutions sur machines parallèles sans modifications des algorithmes dans ce sens. Notre simulateur se présente donc sous la forme d'une bibliothèque de fonctions sur le langage C, permettant l'étude du parallélisme neuronal et les exécutions sur machines séquentielles classiques comme parallèles de type MIMD a mémoire partagée.
Proceedings of a September 2000 conference. Besides the traditional topics reflecting advances in smart sensing, parallel and distributed computing, real-time systems, and massively parallel architectures, contributions emphasize developments in architectures for image understanding, sound recognition, and other senses; configurable and FPGA-based perception architecture; coprocessors and Instructor Set Architecture extensions; inference engines and machine intelligence architectures; rule-based systems and knowledge-based machines; architectural performance evaluation; distributed processing for perception systems and sensor fusion; internet imaging; parallel video servers; languages, software environments, and programming tools; and neural network and genetic algorithm applications in perception. Lacks a subject index. Annotation copyrighted by Book News, Inc., Portland, OR.
CETTE THESE PRESENTE UNE ETUDE DES RESEAUX DE NEURONES ARTIFICIELS EN TANT QUE MODELES DE CALCUL PARALLELE CONCRETEMENT EXPLOITABLES. LE SCHEMA D'INTERCONNEXION DES NEURONES LEUR PERMET DE TRAVAILLER DE FACON CONCURRENTE. NEANMOINS LES TRAVAUX D'IMPLANTATION RAPIDE DE CALCULS NEURONAUX SE HEURTENT GENERALEMENT A UNE ABSENCE D'ADEQUATION DE CE PARALLELISME CONNEXIONNISTE AUX CONTRAINTES DES SUPPORTS PARALLELES DISPONIBLES. LES TRAVAUX PRESENTES ICI MONTRENT QU'UNE ETUDE SPECIFIQUE DU PARALLELISME DES RESEAUX DE NEURONES DOIT DEPASSER LA STRUCTURE APPARENTE DE CES MODELES, ET QU'UNE EXPLOITATION APPROFONDIE DU PARALLELISME CONNEXIONNISTE PASSE PAR UNE ALGORITHMIQUE DES CALCULS INDUITS QUI NE CONSIDERE PLUS LE NEURONE COMME UNE UNITE ATOMIQUE DE LA STRUCTURE CONNEXIONNISTE. CETTE DEMARCHE EST D'ABORD UTILISEE DANS LE CADRE D'UNE PARALLELISATION D'APPRENTISSAGE EN-LIGNE A BASE DE GRADIENT SUR MACHINE PARALLELE MIMD A MEMOIRE DISTRIBUEE. ELLE APPARAIT ENSUITE DANS UNE METHODE D'IMPLANTATION GENERALE DE PERCEPTRONS MULTICOUCHES SUR MATERIEL RECONFIGURABLE. ELLE ABOUTIT ENFIN A UNE DECOMPOSITION DES CONNEXIONS ELLES-MEMES, DANS LE CADRE D'UN TRAVAIL PLUS SPECIFIQUEMENT APPLICABLE A DES IMPLANTATIONS PARALLELES SUR CIRCUITS NUMERIQUES : L'UTILISATION DE PRINCIPES DU MATERIEL PROGRAMMABLE DANS UN CONTEXTE CONNEXIONNISTE INTRODUIT UNE NOUVELLE CONCEPTION DU CALCUL NEURONAL QUI PERMET DE SIMPLIFIER LES TOPOLOGIES DES RESEAUX DE NEURONES CLASSIQUES SANS PERTE SIGNIFICATIVE EN CAPACITE D'APPROXIMATION. LA DEFINITION, L'ETUDE THEORIQUE, LES APPLICATIONS PRATIQUES ET LES IMPLANTATIONS DES MODELES CONNEXIONNISTES ISSUS DE CE NOUVEAU PRINCIPE DE CALCUL NEURONAL CONSTITUENT LA PARTIE PRINCIPALE DE CETTE THESE ET REALISENT SON OBJECTIF ESSENTIEL PAR L'EXPLOITATION DIRECTE ET EFFICACE DU PARALLELISME CONNEXIONNISTE.
APRES UNE PRESENTATION DES RESEAUX DE NEURONES FORMELS ET DE LEURS APPLICATIONS, NOUS DECRIVONS LES REALISATIONS D'UNE MEMOIRE ASSOCIATIVE AU MOYEN D'UN RESEAU DE HOPFIELD, EN ELECTRONIQUE NUMERIQUE OU ANALOGIQUE; LES AVANTAGES ET LIMITATIONS DE CHACUNE DES TECHNOLOGIES SONT ETUDIES. LES POSSIBILITES D'EFFECTUER LES CALCULS D'APPRENTISSAGE SUR UN CIRCUIT NUMERIQUE SONT ENVISAGEES, ET UNE ETUDE DE LA PRECISION NECESSAIRE A CES CALCULS EST MENEE. CECI CONDUIT A LA REALISATION, EN TECHNOLOGIE CMOS DE 1,2 MICRONS, D'UN CIRCUIT COMPRENANT UN RESEAU BOUCLE DE 64 NEURONES INTEGRANT L'APPRENTISSAGE ET LE RAPPEL. D'AUTRE PART, NOUS AVONS ETUDIE L'ARCHITECTURE OPTIMALE D'UN RESEAU DE NEURONES BOUCLES A L'AIDE D'UN RESEAU DE TRANSPUTERS
NOUS DECRIVONS DANS CETTE THESE LE PROJET AXL QUI CONCERNE L'ETUDE THEORIQUE ET LA REALISATION D'UNE MACHINE PARALLELE ADAPTEE A LA SYNTHESE D'IMAGES. LE BUT DU PROJET EST DE REALISER UNE MACHINE ECONOMIQUE, SOUPLE ET PUISSANTE SUR LAQUELLE IL EST POSSIBLE D'IMPLANTER ET DE FAIRE EVOLUER UNE VASTE GAMME D'ALGORITHMES DE CALCUL D'IMAGES SANS QU'IL SOIT NECESSAIRE DE MODIFIER SA CONCEPTION ELECTRONIQUE OU ARCHITECTURALE. POUR ATTEINDRE NOTRE OBJECTIF, NOUS PROPOSONS D'UTILISER UN RESEAU DE PROCESSEURS A USAGE GENERAL SUR LEQUEL NOUS BATISSONS UN SYSTEME D'EXPLOITATION PARALLELE, MULTI-UTILISATEURS, EFFICACE ET TRANSPARENT. SA STRUCTURE ORIGINALE INSPIREE DES MODELES DE PROGRAMMATION PAR OBJETS PERMET LE DEVELOPPEMENT D'APPLICATIONS INDEPENDEMMENT DES SPECIFICATIONS MATERIELLES. NOUS POUVONS ALORS DEFINIR UN LOGICIEL DE SYNTHESE D'IMAGES DONT L'ARCHITECTURE LOGICIELLE EST ADAPTEE AU SYSTEME D'EXPLOITATION PARALLELE QUE NOUS AVONS CONCU
DANS CETTE THESE NOUS NOUS SOMMES INTERESSES A LA CONCEPTION, A L'ANALYSE ET A L'IMPLANTATION D'ALGORITHMES PARALLELES, POUR L'APPRENTISSAGE DE RESEAUX DE NEURONES ARTIFICIELS, SUR DES MACHINES MULTIPROCESSEURS DE TYPE MIMD. PLUS PRECISEMENT, NOUS AVONS ETUDIE LES DEUX MODELES CONNEXIONNISTES SUIVANTS: RESEAUX DE KOHONEN ET RESEAUX DE FONCTIONS A BASE RADIALE, PLUS CONNUS SOUS LEUR NOM ANGLAIS DE RESEAUX RBF (RADIAL BASIS FUNCTION). LA PREMIERE PARTIE DE CE MANUSCRIT CONTIENT UNE BREVE DESCRIPTION DES OUTILS DE PROGRAMMATION PARALLELE LES PLUS RECENTS. LES DEUX PARTIES SUIVANTS CONSTITUE CHACUNE DE TROIS CHAPITRES, PRESENTENT NOS TRAVAUX SUR LA PARALLELISATION, D'UNE PART DE L'ALGORITHME DE KOHONEN, ET D'AUTRE PART DE L'ALGORITHME OLS (ORTHOGONAL LEAST SQUARES) UTILISE POUR L'APPRENTISSAGE DES RESEAUX RBF. UNE QUATRIEME PARTIE PRESENTE UNE APPLICATION DE CES RESEAUX DE NEURONES A LA PREDICTION DE POLLUTION EN MILIEU INDUSTRIEL
LES RESEAUX DE NEURONES ARTIFICIELS FOCALISENT DE GROS EFFORTS DE RECHERCHE CAR ILS SONT UNE ALTERNATIVE POUR LA RESOLUTION DE NOMBREUX PROBLEMES. L'ETUDE DE CES MODELES CONDUIT NATURELLEMENT A S'INTERESSER AU DEVELOPPEMENT D'ARCHITECTURES PARALLELES POUR LEUR SIMULATION. EN GENERAL, L'IMPLANTATION D'UN ALGORITHME SUR UNE ARCHITECTURE MULTIPROCESSEUR ENGENDRE DES PROBLEMES LIES AUX CONFLITS DE RESSOURCES, AUX LIMITATIONS DU DEBIT DE L'INFORMATION, ET AUX DIFFICULTES DE PROGRAMMATION. POUR PALLIER CES DIFFICULTES, LA MISE EN UVRE D'UNE ARCHITECTURE A FLUX DE DONNEES EST BIEN ADAPTEE. L'EXPLOITATION DU PARALLELISME DEPEND DU DEGRE DE LIEN ENTRE LE MODELE DE REPRESENTATION (ALGORITHME-ARCHITECTURE) ET L'ARCHITECTURE A CONCEVOIR. NOUS AVONS ETABLI LES CARACTERISTIQUES COMMUNES ENTRE LES MODELES NEURONAUX ET LES MODELES A FLUX DE DONNEES ET NOUS AVONS DONC PROPOSE L'UTILISATION DES RESEAUX DE PETRI A FLUX DE DONNEES MUNIS D'EXTENSIONS POUR LA MODELISATION DES RESEAUX DE NEURONES ARTIFICIELS. AINSI, NOUS AVONS DECRIT UNE MODELISATION ADAPTEE, A LA FOIS, AUX MODELES NEURONAUX ET AUX MODELES A FLUX DE DONNEES. L'ETUDE DES MACHINES MULTIPROCESSEURS AMENE A NOUS PREOCCUPER DES TECHNIQUES D'ORDONNANCEMENT. NOUS AVONS DEVELOPPE UNE METHODOLOGIE D'ORDONNANCEMENT TEMPOREL DES RESEAUX DE PETRI A FLUX DE DONNEES. ELLE EST BASEE SUR LA CONSTRUCTION DE GRAPHES ET DE RESEAUX DE NEURONES ARTIFICIELS RECURSIFS. ENFIN, NOUS AVONS DECRIT LA DEMARCHE QUI PERMET, A PARTIR DE LA MODELISATION D'UN RESEAU DE NEURONES ARTIFICIELS ASSOCIE A LA RESOLUTION D'UN PROBLEME D'AIDE A LA DECISION, D'ETUDIER UNE ARCHITECTURE A FLUX DE DONNEES CONSTRUITE AUTOUR DE PROCESSEURS A FLOTS DE DONNEES