2023 № 1(58)

СОДЕРЖАНИЕ

  1. Ляхов О. А. Учет нескладируемых ресурсов в целочисленных моделях календарного планирования проектов           
  2. Скопин И. Н. Модель времени для изучения развивающихся систем              
  3. Ахатов А. Р, Репавикар А., Рашидов А. Э., Назаров Ф. М. Оптимизация количества баз данных при обработке больших данных   
  4. Коссов Г. А., Селезнев И. А. Влияние настраиваемых параметров полпосвязной нейронной сети на качество предсказания для задачи классификации литотипов            
  5. Снытникова Т. В. Библиотека реализации ассоциативных вычислений па графических ускорителях cuSTAR: представление данных для задач биоинформатики
  6. Харюткина С. А., Гаврилов А. В., Якименко А. А. Выбор эмоций оператора в качестве обратной связи для обучения нейронных сетей

О. А. Ляхов

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия

УЧЕТ НЕСКЛАДИРУЕМЫХ РЕСУРСОВ В ЦЕЛОЧИСЛЕННЫХ МОДЕЛЯХ КАЛЕНДАРНОГО
ПЛАНИРОВАНИЯ ПРОЕКТОВ

УДК 519.854.2:658.512.6

DOI: 10.24412/2073-0667-2023-1-5-11

EDX: PWEWCU

В известных моделях календарного планирования наличие нескладируемых (возобновляемых) ресурсов полагается заранее заданным во всех временных интервалах, т. е. предполагается их априорное распределение до построения расписания выполнения проекта. Общеизвестное определение нескладируемых ресурсов как ненакапливаемых (типа «мощность»), неиспользование которых приводит к их потере, неполностью отражает их специфику. В статье рассмотрена формализация ресурсных условий в трех задачах построения расписаний работ: минимизация длительности цикла при ограниченных ресурсах; минимизация несбалансированности ресурсов при известном их количестве в интервалах планового периода; распределение ресурсов по критерию минимизации дисбаланса с возможностью перераспределения нескладируемых ресурсов. Предложена формализация условий целочисленной линейной модели построения расписания работ с переменными нескладируемыми ресурсами, минимизирующего дисбаланс при заданных директивных сроках завершения проектов.

Ключевые слова: проект, сетевые модели, календарное планирование, нескладируемые ресурсы.

Работа выполнена в рамках государственного задания ИВМиМГ СО РАН (0251-2021-0005) и была представлена на международной конференции «Марчуковские научные чтения-2022»

Список литературы

  1.  БАЛАШОВ А. И., РОГОВА Е. М., ТИХОНОВА М. В., ТКАЧЕНКО Е. А. Управление проектами. М., Юрайт, 2016.
  2.  ЦЫЦАРОВА Н. М. Управление проектами. Ульян. гос. техн. ун-т. Ульяновск, УлГТУ, 2021, 105 с.
  3.  КОФМАН А., ДЕВАЗЕЙ Г. Сетевые методы планирования: Применение системы ПЕРТ и ее разновидностей при управлении производственными и научно-исследовательским проектами. М.: Прогресс, 1968.
  4. ЗУХОВИЦКИЙ С. И., РАДЧИК И. А. Математические методы сетевого планирования. М.: Наука, 1965.
  5. PRITSKER А. А. В., WATTERS L.J., WOLFE P.M. Multi Project Scheduling with Limited Resources: A Zero-One Programming Approach // Management Science, 1969, 16. P. 93-108.
  6. KOLISCH R., SPRECHER A. PSPLIB — Aproject scheduling library // European Journal of Operational Research, 1996. V. 96. P. 205-216.
  7. HARTMANN S., BRISKORN D. A Survey of Variants and Extensions of the Resource-Constrained Project Scheduling Problem // European Journal of Operational Research,2010.V. 207. N 1.P. 1-14.

статья

Библиографическая ссылка: Ляхов О. А. Учет нескладируемых ресурсов в целочисленных моделях календарного планирования проектов //"Проблемы информатики", 2023, № 1, с.5-11. DOI: 10.24412/2073-0667-2023-1-5-11.

И.Н. Скопин

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия,
Новосибирский государственный университет, 630090, Новосибирск, Россия

МОДЕЛЬ ВРЕМЕНИ ДЛЯ ИЗУЧЕНИЯ РАЗВИВАЮЩИХСЯ СИСТЕМ

УДК 519.683

DOI: 10.24412/2073-0667-2023-1-12-32

EDN: PXACQI

Обсуждаются подходы к определению модельного времени в исследованиях развивающихся систем. Показана возможность задания глобального времени системы с помощью локальных времен ее элементов, понимаемых как протоколы событий, в которых они участвуют. Объединение всех таких протоколов приводит к частичному порядку событий. Предлагается использовать этот порядок в качестве глобального времени системы. Показана корректность такого определения времени, а также то, что оно хорошо сочетается с использованием событийного механизма управления в имитационных моделях.

Ключевые слова: локальное и глобальное время; отношение частичного порядка на множестве событий; события, реакция элементов на события; протоколы событий.

Исследования выполнены в рамках государственного задания ИВМиМГ СО РАН 0251-2021-0005.

статья

Библиографическая ссылка: Скопин И. Н. Модель времени для изучения развивающихся систем //"Проблемы информатики", 2023, № 1, с.12-32. DOI: 10.24412/2073-0667-2023-1-12-32.

Список литературы

  1.  Августин А. Исповедь. Серия Памятники религиозно-философской мысли. Пер. с лат. М. К. Сергеенко. 1991. М.: Издательство «Ренессанс», СП ИВО — СиД, 488 с. ISBN 5-7664-0472-7.
  2. Наместников А. М. Разработка имитационных моделей в среде MATLAB // Методические указания для студентов специальностей 01719, 351400. Ульяновск, УлГТУ, 2004.
  3. Шевченко А. А. Управление временем при проектировании имитационных моделей // Часть сб. Прикладная информатика. № 3. 2006. Лаборатория Математического и компьютерного моделирования. С. 113-119.
  4. Скопин И. Н. Локальное и глобальное время при моделировании развивающихся систем // В сб. трудов Седьмой международной конференции памяти академика А. П. Ершова «Перспективы систем информатики». Рабочий семинар «Наукоемкое программное обеспечение». Новосибирск: ООО «Сибирское Научное Издательство», 2009. С. 255-259.
  5. Система,. Большой Российский энциклопедический словарь. М.: БРЭ. 2003, с. 1437.
  6. Смирнов Г. А. Оккам, Уильям  Новая философская энциклопедия // Ин-т философии РАН; Нац. обществ.-науч. фонд. 2-е изд., испр. и допол. М.: Мысль, 2010. ISBN 978-5-244-01115-9.
  7. Скопин И. Н. Иерархические отношения — методологическая основа изучения понятия иерархий // Вестник Российского университета дружбы народов. Серия «Информатизация образования» / М.: РУДН, 2014, № 1. С. 56-63.
  8. Скопин И. Н. Субординационные отношения в методике изучения понятия иерархичности // Вестник Российского университета дружбы народов. Серия «Информатизация образования» / М.: РУДН, 2014, № 2. С. 35 -49.
  9. Дейкстра Э. Взаимодействие последовательных процессов. В сб. «Языки программирования», под ред. Ф. Женюи. Пер. с англ. М.: «Мир», 1972.
  10. Lamport L. Time, clocks, and the ordering of events in a distributed systems ff Commun. ACM. 1978. Vol. 21(7). P. 558-565.
  11. Chandy К. M., Misra J. Distributed simulation: a case study in design and verification of distributed programs j j IEEE Transactions on Software Engineering. 1978. Vol. SE-5(5). P. 440-452.
  12. Fersclia A. Parallel and distributed simulation of discrete event systems // Parallel and Distributed Computing Handbook. McGraw-Hill. 1996. P. 1003-1041.
  13. Казаков Ю. П., Смелянский P. Л. Об организации распределенного имитационного моде-лирования // Программирование. 1994. № 2. С. 45-63.
  14. Fujimoto R. М. Parallel and Distributed Simulation Systems // Wiley Interscience, 2000.
  15. Fujimoto R. M. Parallel and Distributed Simulation Systems // Proc, of the Winter Simulation Conf. 2001. P. 147-157.
  16. Дал О. И., Нюгорд К. Симула, — язык для программирования и описания систем с дискретными событиями // Алгоритмы и алгоритмические языки. Вып. 2. М.: ВЦ АН СССР, 1967.
  17. Дал О. И., Мюрхауг Б., Нюгорд К. Симула, 67 универсальный язык программирования // Перевод с англ. К. С. Кузьмина и Е. И. Яковлева. М.: Мир, 1969. 99 с.
  18. Nygaard К., Dahl O.-J. The Development of the SIMULA Languages // History of programming languages. ACM New York, NY, USA @1981. P. 439-480.
  19. Непейвода H. H. Скопин И. H. Основания программирования.// Изд-во: Москва-Ижевск: Институт компьютерных исследований. 2003. 919 с. ISBN: 5-93972-299-7.
  20. Backus J. Can programming be liberated from the von Neumann style? A functional style and its algebra of programs. CACM, 21(8), August 1978. P. 613-641.
  21. Malyshkin V. Assembling of Parallel Programs for Large Scale Numerical Modeling //In the Handbook of Research on Scalable Computing Technologies. IGI Global, USA, 2010, 1021 pp., Chapter 13, P. 295-311. ISBN 978-1-60566-661-7.
  22. Keene S. Object-Oriented Programming in Common Lisp: A Programmer’s Guide to CLOS, 1988, Addison-Wesley. ISBN 0-201-17589-4
  23. Haskell 98 Language and Libraries. The Revised Report. Dec. [Electron. Res.]: https: / / www.haskell.org/onlinereport /
  24. Akhmed-Zaki D., Lebedev D., Malyshkin V., Perepelkin V. Automated Construction of High Performance Distributed Programs in LuNA System //PaCT-2019 proceedings, LNCS 11657, Springer, 2019, P. 3-9. DOI: 10.1007/ 978-3-030-25636-4_l
  25. Ахмед-Заки Д. Ж., Лебедев Д. В., Малышкин В. Э., Перепелкин В. А. Автоматизация, конструирования распределенных программ численного моделирования в системе LuNA на примере модельной задачи // Журнал «Проблемы информатики», 2019. № 4. С. 53-64. DOI: 10.24411/2073-0667-2019-00017
  26. Окольнишников В. В. Представление времени в имитационном моделировании / В сб. Вычислительные технологии. 2005. Том 10, К5 5. С. 57-80.
  27. IEEE Std Р1516. IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA) — Framework and Rules. N. Y.: Institute of Electrical and Electronics Engineers, Inc., 2000.

А. Р. Ахатов, А. Ренавикар*, А. Э. Рашидов, Ф.М. Назаров

Самаркандский государственный университет, 140101, г. Самарканд, Узбекистан
*NeARTech Solution, 411033, Пупа, Индия

 ОПТИМИЗАЦИЯ КОЛИЧЕСТВА БАЗ ДАННЫХ ПРИ ОБРАБОТКЕ БОЛЬШИХ ДАННЫХ

УДК 004.658.4

DOI: 10.24412/2073-0667-2023-1-33-47

EDN: QBRKTM

Сегодня многим организациям и компаниям все чаще необходимо использовать большие данные для увеличения доходов, усиления конкурентоспособности, изучения интересов клиентов. Однако большинство подходов к обработке и анализу больших данных в реальном времени основаны на взаимодействии нескольких серверов. В свою очередь, использование нескольких серверов ограничивает возможности многих организаций и компаний из-за стоимостных, управленческих и других параметров. В этом исследовательском документе представлен подход к обработке и анализу больших данных в режиме реального времени на одном сервере на основе распределенного вычислительного механизма, и он основан на исследованиях, которые приводят к эффективности с точки зрения стоимости, надежности, целостности, независимости от сети и управляемости. Также с целью повышения эффективности подхода была разработана методика оптимизации количества баз данных на одном сервере. В этой методологии используются функции масштабирования MinMaxScaler, StandardScaler, RobustScalcr, MaxAbsScalcr, QuantilcTransformcr, Power Transformer вместе с алгоритмами линейной регрессии машинного обучения, регрессии случайного леса, множественной линейной регрессии, полиномиальной регрессии, регрессии лассо. Полученные результаты были проанализированы и определена эффективность алгоритма регрессии и масштабирующей функции для экспериментальных данных.

Ключевые слова: большие данные, обработка в реальном времени, распределенный вычислительный движок на одном сервере, архитектура, машинное обучение, алгоритмы регрессии, масштабирование.

статья

Библиографическая ссылка: Ахатов А. Р, Репавикар А., Рашидов А. Э., Назаров Ф. М. Оптимизация количества баз данных при обработке больших данных /"Проблемы информатики", 2023, № 1, с.33-47. DOI: 10.24412/2073-0667-2023-1-33-47.

Список литературы:

  1.  Alabdullah B., Beloff N., White M. Rise of Big Data — Issues and Challenges. 2018 // 21st Saudi Computer Society National Computer Conference (NCC) 25-26 April 2018, DOI: 10.1109/NCG.2018.8593166.
  2. Big Data — Global Market Trajectory and Analytics. Global Industry Analysts. Inc., 2020.
  3. Technology and Media, Big Data Analytics Market, Report ID: FBI 106179, Jul, 2022.
  4. Amonov M. T.: The Importance of Small Business in a Market Economy // Academic Journal of Digital Economics and Stability, 2021. V. 7. P. 61-68.
  5. Akhatov A.R., Rashidov A.E. Big Data va unig turli sohalardagi tadbiqi // Descendants of Muhammad Al-Khwarizmi, 2021. N 4 (18). P. 135—44.
  6. Sassi I., Anter S., Bekkhoucha A. Fast Parallel Constrained Viterbi Algorithm for Big Data wi Applications to Financial Time Series // International Conference on Robot Systems and Applications, ICRSA 9 April 2021, P. 50-55. DOI: 10.1145/3467691.3467697.
  7. Alaeddine B., Nabil H., Habiba Ch. Parallel processing using big data and machine learning techniques for intrusion detection // I AES International Journal of Artificial Intelligence (I J-AI), September 2020. V. 9. N 3. P. 553-560. DOI: 10.11591/ijai.v9.i3.pp553-560.
  8. Akhatov A.R., Nazarov F.M., Rashidov A.E. Increasing data reliability by using bigdata parallelization mechanisms // ICISCT 2021: Applications, Trends and Opportunities, 3-5.11.2021, DOI: 10.1109/ICISCT52966.2021.9670387.
  9. Landset S., Khoshgoftaar T.M., Richter A.N., Hasanin T. A survey of open source tools for machine learning wi big data in the Hadoop ecosystem // Journal of Big Data (2015). 2:24, DOI: 10.1186/s40537-015-0032-l.
  10. Oussous A., Benjelloun F.-Z., Lahcen A. A., Belfkih S. Big Data technologies: A survey // Journal of King Saud University — Computer and Information Sciences2018. N 30. P. 431-448. DOI: 10.1016/j.jksuci.2017.06.001.
  11. Tang B., Chen Z., Hefferman G., Wei T., He H., Yang Q. A Hierarchical Distributed Fog Computing Architecture for Big Data Analysis in Smart Cities // ASE BigData and Socialinformatics, ASE BD and SI 2015, DOI: 10.1145/2818869.2818898.
  12. Chen P., Chun-Yang Z. Data-intensive applications, challenges, techniques and technologies: A survey on Big Data // Information Sciences, 10 August 2014. V. 275. P. 314-347. 10.1016/j.ins.2014.01.015.
  13. Kunanets N., Vasiuta О., Boiko N. Advanced Technologies of Big Data Research in Distributed Information Systems // International Scientific and Technical Conference on Computer Sciences and Information Technologies, September 2019. P. 71-76. DOI: 10.1109/STC-CSIT.2019.8929756.
  14. Smeliansky R. L. Model of Distributed Computing System Operation wi Time // Programming and Computer Software, 2013. V. 39. N 5. P. 233-241. DOI: 10.1134/S0361768813050046.
  15. Akhatov A., Nazarov F., Rashidov A. Mechanisms of information reliability in big data and blockchain technologies // ICISCT 2021: Applications, Trends and Opportunities, 3-5.11.2021, DOI: 10.1109/ICISCT52966.2021.9670052.
  16. B.M. Alom, Henskens F., Hannaford M. Query Processing and Optimization in Distributed Database Systems // IJCSNS International Journal of Computer Science and Network Security, Sept. 2009. V. 9. N 9. P. 143-152.
  17. Fabian P., Alfonsa K. Efficient distributed query processing for autonomous RDF databases // International Conference on Extending Database Technology, EDBT 2012. DOI: 10.1145/2247596.2247640.
  18. Ali A., Hamidah I., Izura U. N., Fatimah S. Processing skyline queries in incomplete distributed databases // Journal of Intelligent Information Systems, 2017. N 48. P. 399-420. DOI: 10.1007/sl0844- 016-0419-2.
  19. Reyes-Ortiz J.L., Oneto L., Anguita D. Big Data Analytics in the Cloud: Spark on Hadoop vs MPI/OpenMP on Beowulf // Procedia Computer Science, 2015. N 53. P. 121-130. DOI: 10.1016/j.procs.2015.07.286.
  20. Reis Marco Antonio de Sousa, de Araujo Aleteia Patricia Favacho. ArchaDIA: An Architecture for Big Data as a Service in Private Cloud // CLOSER 2019 — 9th International Conference on Cloud Computing and Sendees Science, P. 187-197, DOI: 10.5220/0007787801870197.
  21. Sandhu A.K. Big Data wi Cloud Computing: Discussions and Challenges // Big Data Mining And Analytics, 2022. V. 5. P. 32-40. DOI: 10.26599/BDMA.2021.9020016.
  22. Nagarajan R., Thirunavukarasu R. Big Data Analytics in Cloud Computing: Effective Deployment of Data Analytics Tools // IGI Global, 2022, 17 pages, DOI: 10.4018/978-1-6684-3662- 2.ch011.
  23. Wu C. Research on Clustering Algorithm Based on Big Data Background // Journal of Physics: Conf. 2019. Ser. 1237. P. 22-131. DOI: 10.1088/1742-6596/1237/2/022131.
  24. Kurasova O., Marcinkevicius V., Medvedev V., Rapecka A., Stefanovic P. Strategies for Big Data Clustering // IEEE 26th International Conference on Tools wi Artificial Intelligence, 2014. P. 739-747. DOI: 10.1109/ICT AI.2014.115.
  25. Garlasu D., Sandulescu V., Halcu I., Neculoiu G., Grigoriu O., Marinescu M., Marinescu V. A Big Data implementation based on Grid Computing // Conference: Roedunet International Conference (RoEduNet), 2013 11th, DOI: 10.1109/RoEduNet.2013.6511732.
  26. Yuanyuan J. Smart grid big data processing technology and cloud computing application status quo and challenges // 2022 IEEE 2nd International Conference on Power, Electronics and Computer Applications (ICPECA), 21-23 January 2022, DOI: 10.1109/ICPECA53709.2022.9719287.
  27. Akhatov A.R., Sabharwal M., Nazarov F.M., Rashidov A.E. Application of cryptographic methods to blockchain technology to increase data reliability // 2nd International Conference on Advance Computing and Innovative Technologies in Engineering 2022, 28-29 April, DOI: 10.1109/ICACITE53722.2022.9823674.
  28. Bollegala D. Dynamic Feature Scaling for Online Learning of Binary Classifiers // Knowledge¬Based Systems, July 2014, DOI: 10.1016/j.knosys.2017.05.010.

Г. А. Коссов, И. А. Селезнев

ООО «ТКШ», 125171, Москва, Россия

ВЛИЯНИЕ НАСТРАИВАЕМЫХ ПАРАМЕТРОВ ПОЛНОСВЯЗНОЙ НЕЙРОННОЙ СЕТИ НА КАЧЕСТВО ПРЕДСКАЗАНИЯ ДЛЯ ЗАДАЧИ КЛАССИФИКАЦИИ ЛИТОТИПОВ

УДК 519.7

DOI: 10.24412/2073-0667-2023-1-48-59

EDN: QQFRGC

В работе рассматривается задача классификации литотипов с помощью полносвязной нейронной сети. Тренировочными и тестовыми данными являются цветовые и текстурные признаки, полученные в результате анализа полноразмерных изображений керна. Преимущества такого подхода заключаются в возможности как обучать модель в реальном времени, так и адаптировать ее к новому набору данных посредством дообучения. Число признаков каждого тренировочного примера равнялось 48, число классов, соответствующих определенным литотипам — 20. В работе показано, что для задачи классификации с помощью нейронных сетей наиболее значимым параметром архитектуры модели является число слоев и узлов. В работе была предложена оценка сложности алгоритма в терминах O-нотации. Показано, что число выполняемых операций растет линейно O(m) по числу слоев и кубически O(n3) по числу нейронов в слое. Однако с точки зрения качества предсказания модели увеличение числа слоев не приводит к лучшим результатам. При анализе зависимости метрики fl-score от числа узлов для различных слоев было получено, что увеличение числа нейронов приводит к выигрышу в качестве предсказания.

Ключевые слова: нейронные сети, классификация литотипов, анализ керна, гиперпараметры, обучение с учителем.

статья

Библиографическая ссылка: Коссов Г. А., Селезнев И. А. Влияние настраиваемых параметров полносвязной нейронной сети на качество предсказания для задачи классификации литотипов //"Проблемы информатики", 2023, № 1, с.48-59. DOI: 10.24412/2073-0667-2023-1-48-59.

Список литературы

  1. Thomas A., et al. Automated lithology extraction from core photographs // First Break. 2011. V. 29. N 6.
  2. Baraboshkin E. E., et al. Deep convolutions for in-depth automated rock typing // Computers and Geosciences. 2020. V. 135. P. 104330.
  3. Abashkin V. V., et al. Quantitative analysis of whole core photos for continental oilfield of Western Siberia // SPE Russian Petroleum Technology Conference, OnePetro, 2020.
  4. Seleznev I. A., et al. Joint Usage of Whole Core Images Obtained in Different Frequency Ranges for the Tasks of Automatic Lithotype Description and Modeling of Rocks’ Petrophysics Properties // Geomodel 2020, European Association of Geoscientists and Engineers, 2020. V. 2020. N 1. P. 1-5.
  5. Амиргалиев E. H., и др. Интеграция алгоритмов распознавания литологических типов // Проблемы информатики. 2013. № 4 (21). С. 11-20.
  6. Чанг Б. Т Т., и др. Классификация изображений на основе применения цветовой информации, вейвлет-преобразования Хаара и многослойной нейронной сети // Проблемы информатики. 2011. № 5. С. 81-86.
  7. Мухамедгалиев А. Ф., Разакова М. Г., Смирнов В. В. Создание и развитие геоинформационных технологий тематической интерпретации данных радиолокационного зондирования с использованием математических методов и вычислительных алгоритмов текстурной классификации и нейронных сетей // Проблемы информатики. 2012. № 3. С. 69-73.
  8. Manurangsi, Р., Reichman, D. The computational complexity of training ReLU (s). arXiv:1810.04207v2 [cs.CC]. 2018.
  9. Kingma, D. P., Ba, J. Adam: A method for stochastic optimization. arXiv:1412.6980 [cs.LG]. 2014.
  10. Максимушкин В. В., Арзамасцев А. А. Сравнительная оценка вычислительной сложности обучения искусственной нейронной сети с жестким ядром и сети с классической структурой // Вестник Тамбовского университета. Серия: Естественные и технические науки. 2006. Т. 11. № 2. С.190-197.
  11. Makienko D., Seleznev I., Safonov I. The effect of the imbalanced training dataset on the quality of classification of lithotypes via whole core photos //Creative Commons License Attribution. 2020. V. 4.
  12. Bernard, S., Heutte, L., Adam, S. Influence of hyperparameters on random forest accuracy // International workshop on multiple classifier systems, Springer, Berlin, Heidelberg, 2009. P. 171-180.
  13. Epps, T. W., Pulley, L. B. A test for normality based on the empirical characteristic function // Biometrika. 1983. V. 70. N 3. P. 723-726.
  14. ГОСТ P. 5479-2002. Статистические методы. Проверка отклонения распределения вероятностей от нормального распределения / М.: Изд-во стандартов, 2002.
  15. Лемешко Б. Ю. Критерии проверки отклонения распределения от нормального закона. Руководство по применению / Б. Ю. Лемешко. М.: ООО «Научно-издательский центр ИНФРА- М», 2015. 160 с.

Т. В. Снытникова

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия

БИБЛИОТЕКА РЕАЛИЗАЦИИ АССОЦИАТИВНЫХ ВЫЧИСЛЕНИЙ НА ГРАФИЧЕСКИХ УСКОРИТЕЛЯХ
CUSTAR: ПРЕДСТАВЛЕНИЕ ДАННЫХ ДЛЯ ЗАДАЧ БИОИНФОРМАТИКИ

УДК 591.684

DOI: 10.24412/2073-0667-2023-1-60-68

EDN: QWFFMA

Система cuSTAR разработана для реализации ассоциативных алгоритмов на GPU. Известно, что ассоциативные вычисления дают преимущество в решении проблем, для которых характерны поисковые запросы по большому объему неструктурированных данных. К такой проблеме относится и обработка геномов. С одной стороны, необходимо обрабатывать большие объемы данных. С другой стороны, различные задачи обработки последовательностей ДНК сводятся к сравнению двух последовательностей нуклеотидов. В этой работе мы рассмотрим используемые представления последовательностей нуклеотидов и их кодировку для использования системой cuSTAR.

Ключевые слова: ассоциативные параллельные алгоритмы, биоинформатика, GPU, CUDA

Исследование выполнено в рамках государственного задания ИВМиМГ СОРАН 0251-2021-0005. Работа была представлена на международной конференции «Марчуковские научные чтения-2022».

статья

Библиографическая ссылка: Снытникова Т. В. Библиотека реализации ассоциативных вычислений па графических ускорителях cuSTAR: представление данных для задач биоинформатики //"Проблемы информатики", 2023, № 1, с.60-68. DOI: 10.24412/2073-0667-2023-1-60-68.

 Список литературы

  1. СНЫТНИКОВА Т. В., НЕПОМНЯЩАЯ А. Ш. Решение задач на графах с помощью star- машины, реализуемой на графических ускорителях // Прикладная дискретная математика. 2016. № 3(33). С. 98-115.
  2. СНЫТНИКОВА Т. В. Реализация модели ассоциативных вычислений на GPU: библиотека базовых процедур языка star // Вычислительные методы и программирование. Новые вычислительные технологии. 2018. № 19. С. 85-95.
  3. COMPEAU Рн., PEVZNER Р. A., TESLER G. How to apply de bruijn graphs to genome assembly // Nature Biotechnology. 2011. V. 29(11). P. 987-991.

С. А. Харюткина, А. В. Гаврилов, А. А. Якименко

Новосибирский государственный технический университет, 630073, Новосибирск, Россия

ВЫБОР ЭМОЦИЙ ОПЕРАТОРА В КАЧЕСТВЕ ОБРАТНОЙ СВЯЗИ ДЛЯ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ

УДК 004.5

DOI: 10.24412/2073-0667-2023-1-69-76

EDN: QWXYBT

Работа посвящена изучению и выбору эмоции человека с наибольшей вероятностью распознавания для обучения нейронных сетей с использованием эмоций оператора в качестве обратной связи. На основании представленной программы поставлены и проведены эксперименты для исследования эмоций. В работе изучались следующие эмоции: «гнев», «отвращение», «испуг», «счастье», «грусть», «удивление» и «нейтральная эмоция». В ходе экспериментов определены эмоции человека, распознаваемые программой с наибольшей вероятностью. Вычислялись средние значения вероятности удачного или неудачного распознавания, и анализировалась схожесть эмоций. Сделаны предположения об использовании эмоций оператора в качестве обратной связи для обучения нейронных сетей. Решается задача сокращения времени для обучения нейронной сети, направленной на решение социально-значимых экономических задач. Предполагается, что подход позволит расширить область применения нейронных сетей в непрофильных отраслях за счет уменьшения требований к оператору/программисту и к вычислительным ресурсам.

Ключевые слова: искусственный интеллект, нейронная сеть, эмоции.

Статья по докладу на XVIII Международной Азиатской школе-семинаре «Проблемы оптимизации сложных систем», Киргизия, Иссык-Куль, 20.07.2022-30.07.2022.

статья

Библиографическая ссылка: Харюткина С. А., Гаврилов А. В., Якименко А. А. Выбор эмоций оператора в качестве обратной связи для обучения нейронных сетей //"Проблемы информатики", 2023, № 1, с.69-76. DOI: 10.24412/2073-0667-2023-1-69-76.

Список литературы

  1. Calvo R. A., D’Mello S. Affect detection: an interdisciplinary review of models, methods, and their applications // IEEE transactions on affective computing / 2010. N 1(1). P. 18-37.
  2. Neiberg R. D., Elenins K. Automatic recognition of anger in spontaneous speech //7 Proc, interspeech, Brisbane, Australia, 2008. P. 22-26.
  3. Theodoros Kostoulas R., Mporas Iosif, Kocsis Otilia, Gaiichcv Todor, Katsaounos Nikos, Santamaria Juan J., Jimenez-Murcia Susana, Fernandez-Aranda Fernando, Fakotakis Nikos. Affective speech interface in serious games for supporting therapy of mental disorders // Expert Syst. Appl. 2012. N 39. P. 11072-9.
  4. Zhao S., Rudzicz F., Carvalho L.G., Marquez-Chin C., Livingstone S. Automatic detection of expressed emotion in Parkinson’s disease // IEEE international conference on acoustics, speech and signal processing (ICASSP), Florence. P. 4813-7.
  5. Petrushin V. Emotion recognition in speech signal: experimental study, development, and application, international conference on spoken language processing. 2000. P. 222-225.
  6. Lalitha S., Tripathi S. Emotion detection using perceptual based speech features // IEEE annual India conference (INDICON), Bangalore. 2016. P. 1-5.
  7. Investigation of multilingual and mixed-lingual emotion recognition using enhanced cues with data augmentation / S. Latitha, D. Gupta, M. Zakariah, Y. A. Alotaibi // Applied Acoustics. 2020. N 170.
  8. Deep reinforcement learning for robust emotion classification in facial expression recognition // H. Li, H. Xu // Knowledge-Based Systems. 2020. N 204.
  9. Michael R. L, Sam E. A Survey on Human Face Expression Recognition Techniques [J] // Journal of King Saud University Computer & Information Sciences, 2018.
  10. Рюмина E. В., Карпов A. A.  Аналитический обзор методов распознавания эмоций по выражения лица человека // Научно-технический вестник информационных технологий, механики и оптики. 2020. С. 163-176.