Горнец Н.Н., Рощин А.Г. Организация ЭВМ и систем (2006) (1186251), страница 51

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 51)

Срабатывание вершины сопровождается удалением одного токена из каждого входного порта и размещением одного токена в выходном порту. На рис. 9.10 приведен пример простого ГПД для вычисления выражения Г= (х+ у)'. 245 х У Однако функциональные вершины по зволяют строить лишь линейные програм + мы, а в практических задачах возникает по х+у требность в вычислениях при выполнении определенных условий. Для таких операции в ГПД используют вершины ветвления Б)( + 2 и слияния М Вершина ветвления имеет два (х+У) ВХОДНЫХ ПОрта: С И и; На ВХОД и ПОдаЕтея токен данных, а на вход с — токен управРяс.9.1О.

Пример ГПЛ ления, в зависимости от значения которо- го токен данных передается на один из двух выходов вершины г или у если с = О, то в -«з", если с=1, то и — «г. Базовую архитектуру МПД можно представить в виде четырех устройств (рис. 9.11): устройства обработки (УО), состоящего из множества процессорных элементов; блока управления и памяти инструкций (ПИ), в каждой ячейке которого хранится инструкция и производится ее подготовка к исполнению; распределительной (РС) и селекторной (СС) сетей.

Кроме этих устройств в системе должны быть предусмотрены средства ввода-вывода. Инструкция для двух операндов имеет следующий вид: Ор 1.0 КО Н. РК Р, где Ор — код подлежащей выполнению операции; 1.0 и КО— поля операндов; Р1. и РК вЂ” флаги готовности; 1з — поле назначения, определяющее инструкцию получателя результата. Инструкция передается на выполнение по распределительной сети, когда в ней присутствуют два операнда (об этом говорят флаги готовности).

Результат вновь передается в память по селек- УО Ор ЬО КО РЕ РК О Уа! О Рис. 9.11. Структура МПД 246 орной сети в виде значения Ча! и назначения Р и попадает в оответствуюшую инструкцию. Если этот результат является вторым операндом, то новая инструкция вновь передается на исполнение; но если он служит лишь первым операндом, то происходит лишь установка соответствующего флага готовности операнда. Так продолжается до тех пор, пока не будет получен окончательный результат. Рассмотренная МПД относится к статическим. Достоинство этой машины состоит в отсутствии дополнительных расходов времени на управление и синхронизацию исполнения инструкций; каждая инструкция выполняется, как только в нее поступают операнды.

Однако система не обладает свойством повторной входимости, т.е. однократно использованный токен не может быть использован еще раз. Кроме того, каждый элемент данных должен рассматриваться как автономный объект; если же элементы объединить в структуру (например, список), то автономным объектом, в свою очередь, становится такая структура, т.е.

очередная инструкция по ее обработке не может быть начата до завершения предыдущей. Для построения динамических архитектур МПД, способных выполнять циклические вычисления, используют механизмы копирования и раскраски токенов. Механизм копирования предполагает возможность получения копий исполняемой программы. Изза значительных затрат времени и объемов памяти при полном копировании предпочтение отдают организации с частным копированием, одним из вариантов которого является раскраска токенов. При раскраске каждому токену приписывается тег, определяющий номер итерационного цикла. Тогда поступающие во входные порты токены имеют различные тети, но исполнение инструкции происходит только при наличии в этих портах токенов с одинаковыми тегами.

Динамические архитектуры значительно сложнее, однако они позволяют добиться более высокого уровня параллелизма при выполнении циклов и обрабатывать структуры данных. В настоящее время промышленных МПД общего назначения не существует, однако принцип управления потоком данных находит применение в специализированных процессорах для обработки сигналов и изображений, а также для организации суперскалярности в процессорах 1п1е1. Машины, управляемые потоком запросов. Механизм управления по запросу состоит в исполнении инструкции, только когда для продолжения вычислений требуется ее результат. В основе такой модели лежит представление вычислительного процесса в виде графа, а обработка его вершин снизу вверх получила название Редукции гра4за, поэтому машины, управляемые потоком запросов, называют также редукциониыми.

247 Для того чтобы вычислить выражение а = (Ь+ с) — Н/с, необхо димо спуститься вниз, породив запрос значений (Ь + с) ' и о/ Затем нужно найти значения (Ь + с) и с(/с и лишь после этого подняться на один шаг, т.е. найти значение (Ь+ с)'. Затем можи„ выполнить внешнюю операцию вычитания. Процесс порождени„ запросов продолжается до тех пор, пока не будет встречен опера тор, готовый к выполнению. Этот процесс сопровождается ро етом числа параллельных процессов, но его легко контролиро вать, т.е. можно задержать формирование запроса. Каждый выпол пенный оператор заменяется результатом, передаваемым снизу вверх, давая возможность найти результат предыдущего оператора, Можно сохранить найденный результат, заменив им соответствующую операцию, тогда при последующих обрашениях к этому оператору повторного вычисления не потребуется.

Известны две модели редукционных систем: строчная и графовая, отличающиеся тем, что передается в запрос — вычисленные значения или указатели на места их хранения. В настоящее время редукционные машины существуют только в виде моделей. Нейрокомпьютеры. Высокопроизводительные системы, построенные на принципах параллельной обработки информации в распределенных нейронных сетях, моделирующих работу человеческого мозга, называются нейрокомпьютерами. Существует множество моделей, имитирующих внешние проявления этой работы. Базовым элементом нейронной сети является линейный пороговый элемент (ЛПЭ), называемый искусственным нейроном. Сигнал на выходе ЛПЭ определяется соотношением у =/'(и;х;), где/' — пороговая функция; и, — определенное значение весового коэффициента; х; — входные сигналы. Множество ЛПЭ группируются в линейные матрицы, называемые уровнями или слоями, которые, в свою очередь, группируются в сети.

Информация в сети может передаваться в направлении от предыдущего уровня к последующему (такая сеть называется сетью с прямыми связями) и в обоих направлениях (сеть с обратными связями). Нейронные сети способны запоминать образцы и взаимосвязи между данными без программирования: они «обучаются» путем ввода объектов и сравнивают входные образцы с хранящимися в их памяти. Такая сеть анализирует и классифицирует храняшиеся образцы в сравнении с входными, формирует новые весовые коэффициенты и, таким образом, обеспечивает самообучение.

Нейронные сети или нейрокомпьютеры обычно реализуют в виде программных моделей, а для сокрашения длительности выполнения этих программ применяют специализированные сопроцессоры. 248 9.7. Проблемно-ориентированные системы К числу специализированных и проблемно-ориентированных принято относить системы, предназначенные для работы в самых разных сложных условиях, высокая производительность в которых достигается при решении только определенных задач. Специ- лизированные системы часто выполняют встроенными; они предназначены для решения узкого класса специфических задач и, как правило, не могут использоваться для других целей без переделок.

Проблемно-ориентированные системы способны выполнять задачи более широкого класса: они могут строиться на базе К1БС- процессоров и персональных компьютеров, а их ориентация определяется специфическими программами. Примерами специализированных систем являются бортовые вычислительные машины, применяемые в автомобилестроении и авиации для решения задач навигации, управления различными радиолокационными устройствами, контроля бортовых систем, автоматического управления движением и т. п. Такие системы работают в режиме реального масштаба времени, обладают высокой надежностью и содержат множество специализированных периферийных устройств. Системы должны многократно выполнять одни и те же программы.

Чаще всего исходная информация для них бывает представлена в аналоговом виде; ее нужно преобразовать в цифровую форму, а после обработки — вновь преобразовать к аналоговому виду. Вторым примером может служить система обработки графической информации при машинном проектировании, моделировании, в компьютерной мультипликации, на телевидении. Системы обработки графической информации строятся как проблемно-ориентированные. Такая система должна формировать произвольные двухмерные и трехмерные цветные изображения, выполнять операции масштабирования, переноса, формирования проекций, исключения невидимых фрагментов, осуществлять раскраску и выделение отдельных фрагментов.

Третьим примером являются системы для работы с базами данных (БД), призванные ускорить выполнение некоторых функций по управлению БД и повысить производительность ВС при решении информационно-логических задач и задач искусственного интеллекта. Эти системы могут быть как специализированными, так и проблемно-ориентированными. Рассмотрим подробнее структуру сигнальных процессоров и пример построения анализатора спектра на базе двух таких процессоров. Сигнальные лроцессоры, т.е.

Характеристики

Список файлов книги