ترجمه مقاله

دسته: کامپیوتر 
بازدید: 3 بار 
فرمت فایل: pdf 
حجم فایل: 522 کیلوبایت 
تعداد صفحات فایل: 8 

بخش بحرانی، حذف تقابل توزیعی، شبکه­های عصبی

IETECH Journal of Advanced Computations, Vol: 2, No: 4, 201 – 208 2008

A NEW SIMULATION METHOD OF DISTRIBUTED MUTUAL EXCLUSION ON NEURAL NETWORKS

ABSTRACT

In a distributed system, process synchronization is an important agenda. One of the major duties of process synchronization is mutual exclusion control. This paper presents a new approach of the race models involving distributed mutual exclusion. Concrete applications of these models do not involve variability in the accumulator size nor is based on a specific distribution. We show that the distribution of time stamp, time action and the other effective parameters predicted by the neural network competitive models can solve problems of critical sections. The model simulated to predict the effects of reward on Hamming and Hopfield's model curves and speed-accuracy decomposition. The major contribution of this paper is the implementation of a learning rule that enables networks based on a race model to learn stimulus-response associations. We have shown that it is possible to use neural networks as a distributed system pattern, to optimize fault tolerant, reliable and accessible mutual exclusion and critical section management.

Keywords: Critical Section, Distributed Mutual Exclusion, Neural Networks

روش شبیه­سازی­ جدید برای حذف تقابل توزیعی بر روی شبکه­های عصبی

چکیده

درسیستم توزیعی، سنکرون­سازی پردازش دستور کار مهمی است. کنترل حذف تقابل یکی ازوظایف عمده­ی سنکرون­سازی پردازش است. در این مقاله،یک روش جدید از بین مدل­های رقابتی در ارتباط با حذف تقابل توزیعی ارائه می­شود. کاربردهای صحیح این مدل­ه انه شامل تنوع دراندازه­ی آکومولاتور است و نه بر مبنای توزیع خاصی است. نشان می­دهیم که توزیع استامپ زمانی، عمل زمانی و دیگر پارامترهای موثر پیش­بینی شده توسط مدل­های رقابتی شبکه­ی عصبی می­توانند مسائل با بخش­های بحرانی را حل کنند. این مدل برای پیش­بینی اثرات تشویق (پاداش) بر روی منحنی­های مدل همینگو هاپفیلد و تجزیه­ و تحلیل سرعت-دقت شبیه­سازی شده است. دستاورد عمده­ی این مقاله پیاده­سازی یک  قانون یادگیری است که شبکه­ها را براساس مدل رقابتی برای یادگیری و همراه محرک-پاسخ قادر می­سازد. نشان داده­ایم که استفاده ازشبکه­های عصبی به عنوان یک الگوی سیستم توزیعی برای بهینه­سازی تحمل-خطا، حذف تقابل قابل اعتماد و موجود و مدیریت بخش بحرانی ممکن است.

واژگان کلیدی

بخش بحرانی، حذف تقابل توزیعی، شبکه­های عصبی.

برچسب ها : ترجمه مقاله , روش شبیه ­سازی­ , جدید برای حذف , تقابل توزیعی , بر روی شبکه ­های عصبی