Сотовая нейронная сеть - Cellular neural network

В Информатика и машинное обучение, сотовые нейронные сети (CNN) (или же сотовые нелинейные сети (CNN)) площадь параллельные вычисления парадигма похожа на нейронные сети, с той разницей, что связь разрешена только между соседними устройствами. Типичные приложения включают обработка изображений, анализ 3D поверхностей, решение уравнения в частных производных, уменьшая невизуальные проблемы до геометрический карты, моделирование биологических зрение и другие сенсорно-моторный органы.[1]

Архитектура CNN

Благодаря их количеству и разнообразию архитектуры, трудно дать точное определение процессору CNN. С точки зрения архитектуры процессоры CNN представляют собой систему конечных, фиксированных номеров, фиксированных местоположений, фиксированных топологий, локально взаимосвязанных, множественных входов, одиночных выходов, нелинейных блоков обработки. Блоки нелинейной обработки часто называют нейроны или же клетки. Математически каждую ячейку можно смоделировать как диссипативный, нелинейный динамическая система где информация кодируется через ее начальное состояние, входные данные и переменные, используемые для определения ее поведения. Динамика обычно непрерывная, как и в случае Непрерывное время CNN (CT-CNN) процессоры, но могут быть дискретными, как в случае Дискретное время Процессоры CNN (DT-CNN).

Каждая ячейка имеет один выход, с помощью которого она сообщает свое состояние как другим ячейкам, так и внешним устройствам. Выход обычно ценный, но может быть сложный или даже кватернион, то есть многозначный CNN (MV-CNN). В большинстве процессоров CNN блоки обработки идентичны, но есть приложения, которым требуются неидентичные блоки, которые называются процессорами CNN с неоднородным процессором (NUP-CNN) и состоят из разных типов ячеек. В исходном процессоре Chua-Yang CNN (CY-CNN) состояние ячейки представляло собой взвешенную сумму входов, а выход - кусочно-линейная функция. Однако, как и оригинал перцептрон на основе нейронных сетей, функции, которые она могла выполнять, были ограничены: в частности, она не могла моделировать нелинейные функции, такие как XOR. Более сложные функции можно реализовать с помощью процессоров нелинейной CNN (NL-CNN).

Клетки определены в нормированном пространстве, обычно двумерном. Евклидова геометрия, как сетка. Однако ячейки не ограничиваются двумерными пространствами; их можно определить в произвольный количество размеров и может быть квадрат, треугольник, шестиугольник, или любое другое пространственно неизменное расположение. Топологически, ячейки могут располагаться на бесконечной плоскости или на тороидальный Космос. Взаимодействие ячеек является локальным, что означает, что все соединения между ячейками находятся в пределах указанного радиуса (с измеренным расстоянием топологически ). Соединения также могут иметь временную задержку для обработки во временной области.

Большинство архитектур CNN имеют ячейки с одинаковыми относительными межсоединениями, но есть приложения, требующие пространственно изменяющейся топологии, то есть процессоры CNN с множеством соседних объектов (MNS-CNN). Кроме того, процессоры многоуровневой CNN (ML-CNN), где все ячейки на одном уровне идентичны, могут использоваться для расширения возможностей процессоров CNN.

Определение системы - это совокупность независимых, взаимодействующих объектов, образующих единое целое, чье поведение отличается и качественно больше, чем его сущности. Хотя связи местные, обмен информацией может происходить в глобальном масштабе за счет распространения. В этом смысле процессоры CNN - это системы, потому что их динамика определяется взаимодействием между процессорами, а не внутри их. В результате они проявляют эмерджентное и коллективное поведение. Математически, отношения между ячейкой и ее соседями, находящимися в зоне влияния, могут быть определены связь law, а это в первую очередь определяет поведение процессора. Когда законы связи моделируются нечеткая логика, это нечеткая CNN.[2] Когда эти законы моделируются вычислительный логика глагола, становится вычислительным глаголом CNN (глагол CNN)[3][4].[5] Как нечеткие, так и глагольные CNN полезны для моделирования социальных сетей, когда локальные связи достигаются посредством лингвистический термины.

Литературный обзор

Идея процессоров CNN была представлена Леон Чуа и Статья из двух частей Линь Яна, 1988 г., «Сотовые нейронные сети: теория» и «Сотовые нейронные сети: приложения» в транзакциях IEEE в цепях и системах. В этих статьях Чуа и Янг описывают математику, лежащую в основе процессоров CNN. Они используют эту математическую модель, чтобы продемонстрировать для конкретной реализации CNN, что если входные данные статичны, блоки обработки сходятся и могут использоваться для выполнения полезных вычислений. Затем они предлагают одно из первых приложений процессоров CNN: обработка изображений и распознавание образов (которое до сих пор остается крупнейшим приложением). Леон Чуа по-прежнему активно участвует в исследованиях CNN и публикует многие из своих статей в Международный журнал бифуркаций и хаоса, редактором которой он является. Обе Транзакции IEEE в схемах и системах и Международный журнал бифуркации также содержат множество полезных статей о процессорах CNN, написанных другими хорошо осведомленными исследователями. Первые имеют тенденцию сосредотачиваться на новых архитектурах CNN, а вторые больше на динамических аспектах процессоров CNN.

Еще одна ключевая статья, Тамаш Роска и статья Леона Чуа 1993 года «Универсальная машина CNN: компьютер с аналоговым массивом» представила сообществу инженерных исследований первый алгоритмически программируемый аналоговый процессор CNN. Многонациональные усилия финансировались Управление военно-морских исследований, то Национальный фонд науки, а Венгерская Академия Наук, и исследованы Венгерской академией наук и Калифорнийский университет. Эта статья доказала, что процессоры CNN могут быть произведены, и предоставила исследователям физическую платформу для проверки их теорий CNN. После этой статьи компании начали инвестировать в более крупные и более мощные процессоры, основанные на той же базовой архитектуре, что и универсальный процессор CNN. Тамаш Роска - еще один ключевой участник CNN. Его имя часто ассоциируется с биологическими платформами и алгоритмами обработки информации, он опубликовал множество ключевых статей и работал с компаниями и исследовательскими институтами, разрабатывающими технологию CNN.

В опубликованной литературе есть несколько обзоров процессоров CNN. Одна из лучших ссылок - это статья "Сотовые нейронные сети: обзор "написанный для Neural Nets WIRN Vietri 1993, Валерио Чимагалли и Марко Балси. В документе представлены определения, типы CNN, динамика, реализации и приложения в относительно небольшом, читаемом документе. Существует также книга" Cellular Neural Networks and Visual Вычислительные основы и приложения », написанная Леоном Чуа и Тамасом Рошкой, в которой приводятся примеры и упражнения, помогающие проиллюстрировать моменты, необычным для статей и журнальных статей. Книга охватывает множество различных аспектов процессоров CNN и может служить учебником для Магистерский или докторский курс. Эти две ссылки считаются бесценными, поскольку они позволяют организовать огромное количество литературы CNN в согласованную структуру.

Лучшее место для литературы CNN - это материалы «Международного семинара по сотовым нейронным сетям и их приложениям». Материалы доступны в Интернете по адресу IEEE Xplore, для конференций, проведенных в 1990, 1992, 1994, 1996, 1998, 2000, 2002, 2005 и 2006 годах. 14–16 июля в Сантьяго-де-Композитела, Испания, также состоится семинар. Темы включают теорию, дизайн, приложения, алгоритмы, физические реализации и методы программирования / обучения. Для понимания аналога полупроводник Компания AnaLogic Computers, основанная на технологии CNN, имеет свою линейку продуктов в дополнение к опубликованным статьям, доступным на их домашней странице и в списке публикаций. У них также есть информация о других технологиях CNN, таких как оптические вычисления. Многие из часто используемых функций уже реализованы с использованием процессоров CNN. Хороший ориентир для некоторых из них можно найти в библиотеках обработки изображений для визуальных компьютеров на основе CNN, таких как системы на основе CNN компании Analogic.

Связанные архитектуры обработки

Процессоры CNN можно рассматривать как гибрид между АННА и CA (Непрерывные автоматы ). Блоки обработки CNN и NN похожи. В обоих случаях процессорные блоки имеют несколько входов, динамические системы, а поведение систем в целом определяется, главным образом, весами линейного межсоединения процессора. Главный дискриминатор заключается в том, что в процессорах CNN соединения выполняются локально, тогда как в ANN соединения являются глобальными. Например, нейроны в одном слое полностью связаны с другим слоем в сети прямого распространения, и все нейроны полностью взаимосвязаны в Сети Хопфилда. В ИНС веса взаимосвязей содержат информацию о предыдущем состоянии системы обработки или обратной связи, но в процессорах CNN веса используются для определения динамики системы. Кроме того, из-за высокой взаимосвязанности ИНС они, как правило, не используют локальность ни в наборе данных, ни в обработке, и в результате они обычно представляют собой системы с высокой степенью избыточности, которые позволяют крепкий, отказоустойчивое поведение без катастрофических ошибок. Что-то среднее между ИНС и процессором CNN - это Ratio Memory CNN (RMCNN). В процессорах RMCNN соединение ячеек является локальным и топологически инвариантным, но веса используются для хранения предыдущих состояний, а не для управления динамикой. Вес клеток изменяется во время некоторого состояния обучения, создавая долговременную память.

Топология и динамика процессоров CNN очень похожи на CA. Как и большинство процессоров CNN, CA состоит из фиксированного числа идентичных процессоров, которые пространственно дискретны и топологически однородны. Разница в том, что большинство процессоров CNN имеют непрерывные значения, тогда как CA имеют дискретные значения. Кроме того, поведение ячейки процессора CNN определяется через некоторые нелинейная функция тогда как ячейки процессора CA определяются некоторым конечным автоматом. Однако есть и исключения. Непрерывная ценность Клеточные автоматы или Непрерывные автоматы - это СА с непрерывным разрешением. В зависимости от того, как задан данный непрерывный автомат, он также может быть CNN. Это также Непрерывные пространственные автоматы, состоящие из бесконечного числа пространственно непрерывных автоматов с непрерывными значениями. В этой области проводится значительная работа, поскольку непрерывные пространства легче математически моделировать, чем дискретные пространства, что позволяет использовать более количественный подход в отличие от эмпирического подхода, применяемого некоторыми исследователями клеточные автоматы. Процессоры непрерывных пространственных автоматов могут быть физически реализованы через нетрадиционную платформу обработки информации, такую ​​как химический компьютер. Более того, вполне возможно, что большие процессоры CNN (с точки зрения разрешения ввода и вывода) могут быть смоделированы как непрерывные пространственные автоматы.

Модель вычисления

Динамическое поведение процессоров CNN можно математически выразить как серию обычных дифференциальные уравнения, где каждое уравнение представляет состояние отдельного процессора. Поведение всего процессора CNN определяется его начальными условиями, входами, соединением ячеек (топологией и весами) и самими ячейками. Одним из возможных вариантов использования процессоров CNN является генерация сигналов с определенными динамическими свойствами и реакция на них. Например, процессоры CNN использовались для создания хаоса с несколькими прокрутками, синхронизировать с хаотическими системами и имеют многоуровневый гистерезис. Процессоры CNN разработаны специально для решения локальных низкоуровневых проблем с интенсивным использованием процессора, выраженных как функция пространства и времени. Например, процессоры CNN могут использоваться для реализации фильтров высоких и низких частот и морфологический операторы. Их также можно использовать для аппроксимации широкого диапазона Уравнения с частными производными (PDE), например, рассеяние тепла и распространение волн.

Процессоры CNN могут использоваться как Реакция-диффузия (RD) процессоры. Процессоры RD - это пространственно инвариантные, топологически инвариантные, аналоговые параллельные процессоры, характеризующиеся реакциями, когда два агента могут объединяться для создания третьего агента, и распространение, распространение агентов. Процессоры RD обычно реализуются с помощью химикатов в чашка Петри (процессор), свет (вход) и камера (выход), однако процессоры RD также могут быть реализованы через многослойный процессор CNN. D-процессоры можно использовать для создания Диаграммы Вороного и выполнить скелетонизация. Основное различие между химической реализацией и реализацией CNN состоит в том, что реализации CNN значительно быстрее, чем их химические аналоги, а химические процессоры пространственно непрерывны, тогда как процессоры CNN пространственно дискретны. Наиболее изученный процессор RD, процессоры Белоусова-Жаботинского (BZ), уже был смоделирован с использованием четырехслойных процессоров CNN и реализован в полупроводнике.

Как и в случае с CA, вычисления могут выполняться путем генерации и распространения сигналов, которые либо растут, либо изменяются со временем. Расчеты может происходить внутри сигнала или может происходить через взаимодействие между сигналами. Один из видов обработки, использующий сигналы и набирающий обороты, - это обработка волн, который включает в себя генерацию, расширение и возможное столкновение волн. Обработку волн можно использовать для измерения расстояний и поиска оптимальных путей. Вычисления также могут происходить с помощью частиц, глайдеров, растворов и локализованных структур фильтраонов, которые сохраняют свою форму и скорость. Учитывая, как эти структуры взаимодействуют / сталкиваются друг с другом и со статическими сигналами, их можно использовать для хранения информации в виде состояний и реализации различных Логические функции. Вычисления также могут происходить между сложным, потенциально растущим или развивающимся локализованным поведением с помощью червей, лестниц и пиксельных змей. Помимо хранения состояний и выполнения Логические функции эти структуры могут взаимодействовать, создавать и разрушать статические структуры.

Хотя процессоры CNN в первую очередь предназначены для аналоговых вычислений, некоторые типы процессоров CNN могут реализовывать любую логическую функцию, позволяющую моделировать CA. Поскольку некоторые CA являются Универсальные машины Тьюринга (UTM), способный моделирование любой алгоритм может быть выполнен на процессорах на основе фон Неймана архитектура, что делает этот тип процессоров CNN универсальным CNN, UTM. Одна архитектура CNN состоит из дополнительного уровня, аналогичного решению ANN проблемы, заявленной Марвин Мински много лет назад. Процессоры CNN привели к простейшей реализации Игра жизни Конвея и Правило Вольфрама 110, простейший из известных универсальных Машина Тьюринга. Это уникальное динамическое представление старых систем позволяет исследователям применять методы и оборудование, разработанные для CNN, чтобы лучше понять важные CA. Кроме того, непрерывное пространство состояний процессоров CNN с небольшими изменениями, не имеющими эквивалента в Клеточные автоматы, создает новое поведение, невиданное ранее.

Любая платформа обработки информации, позволяющая построить произвольные Логические функции называется универсальным, и в результате процессоры CNN этого класса обычно называют универсальными процессорами CNN. Исходные процессоры CNN могут выполнять только линейно разделяемые логические функции. По сути, это та же проблема Марвин Мински введено относительно восприятия первых нейронных сетей. В любом случае, переводя функции из цифровой логики или доменов справочной таблицы в домен CNN, некоторые функции могут быть значительно упрощены. Например, девятиразрядная логика генерации нечетной четности, которая обычно реализуется с помощью восьми вложенных вентилей «исключающее ИЛИ», также может быть представлена ​​функцией суммы и четырьмя вложенными функциями абсолютного значения. При этом не только уменьшается сложность функции, но и параметры реализации CNN могут быть представлены в непрерывной области действительных чисел.

Существует два метода выбора процессора CNN вместе с шаблоном или весами. Первый - методом синтеза, который предполагает определение коэффициентов в автономном режиме. Это можно сделать, используя предыдущую работу, то есть библиотеки, документы и статьи, или математически вывести co, которая лучше всего подходит для задачи. Другой - через обучение процессора. Исследователи использовали обратное распространение и генетические алгоритмы учиться и выполнять функции. Алгоритмы обратного распространения имеют тенденцию быть быстрее, но генетические алгоритмы полезны, потому что они предоставляют механизм для поиска решения в прерывистом, зашумленном пространстве поиска.

Технологии

Платформа обработки информации остается не чем иным, как интеллектуальным упражнением, если она не может быть реализована аппаратно и интегрирована в систему. Хотя процессоры на базе бильярдные шары могут быть интересными, если их реализация не дает преимуществ для системы, единственная цель, которую они служат, - это устройство обучения. Процессоры CNN были реализованы с использованием современных технологий, и есть планы по внедрению процессоров CNN в будущие технологии. Они включают в себя необходимые интерфейсы для программирования и взаимодействия и реализованы во множестве систем. Далее следует беглый анализ различных типов процессоров CNN, доступных сегодня, их преимуществ и недостатков, а также будущей дорожной карты для процессоров CNN.

Процессоры CNN были реализованы и в настоящее время доступны как полупроводники, и в будущем есть планы по переносу процессоров CNN на новые технологии. Процессоры CNN на основе полупроводников можно разделить на аналоговые процессоры CNN, цифровые процессоры CNN и процессоры CNN. подражал с использованием цифровых процессоров. Первыми были разработаны аналоговые процессоры CNN. Аналоговые компьютеры были довольно распространены в 1950 и 1960-х годах, но постепенно на смену им пришли цифровые компьютеры в 1970-х. Аналоговые процессоры были значительно быстрее в некоторых приложениях, таких как оптимизация дифференциальных уравнений и моделирование нелинейностей, но причина того, что аналоговые вычисления потеряли популярность, заключалась в отсутствии точности и сложности настройки аналогового компьютера для решения сложного уравнения. Аналоговые процессоры CNN обладают некоторыми из тех же преимуществ, что и их предшественники, в частности, скоростью. Первые аналоговые процессоры CNN были способны выполнять в реальном времени обработку со сверхвысокой частотой кадров (> 10 000 кадров / с), недоступную для цифровых процессоров. Аналоговая реализация процессоров CNN требует меньше площади и потребляет меньше энергии, чем их цифровые аналоги. Хотя точность аналоговых процессоров CNN несравнима с их цифровыми аналогами, для многих приложений шум и отклонения процесса достаточно малы, чтобы не повлиять на качество изображения.

Первый алгоритмически программируемый аналоговый процессор CNN был создан в 1993 году. Он был назван универсальным процессором CNN, потому что его внутренний контроллер позволял выполнять несколько шаблонов с одним и тем же набором данных, таким образом имитируя несколько уровней и обеспечивая универсальные вычисления. В конструкцию входили однослойная CCN 8x8, интерфейсы, аналоговая память, логика переключения и программное обеспечение. Процессор был разработан, чтобы определить производительность и полезность процессора CNN. Концепция CNN оказалась многообещающей, и к 2000 году по крайней мере шесть организаций разрабатывали алгоритмически программируемые аналоговые процессоры CNN. Именно тогда AnaFocus, полупроводниковая компания со смешанными сигналами, возникшая в результате исследований в Университете Севильи, представила свою линейку продуктов для прототипов процессоров ACE для CNN. Их первый процессор ACE содержал 20x20 блоков Ч / Б процессоров; их следующий процессор ACE обеспечивал блоки процессоров оттенков серого 48x48, а их последний процессор ACE содержал блоки процессоров оттенков серого 128x128. Со временем не только увеличилось количество обрабатывающих элементов, но и повысилась их скорость, увеличилось количество функций, которые они могут выполнять, а в кремний был интегрирован цельный интерфейс детектора (что привело к значительному усовершенствованию интерфейса). Возможность встраивать интерфейс детектора в процессор CNN обеспечивает взаимодействие между зондированием и обработкой в ​​реальном времени. AnaFocus имеет линейку многослойных прототипов процессоров CNN CASE. Последний процессор CASE представляет собой трехуровневый процессор CNN 32x32. Их работа с процессорами CNN в настоящее время завершается выпуском их готовой к выпуску коммерчески доступной линейки продуктов Eye-RIS, которая состоит из всех процессоров, сопроцессоров, комплектов для разработки программного обеспечения и поддержки, необходимой для программирования и интеграции аналогового процессора. в систему.

AnaFocus работает с AnaLogic Computers, чтобы включить их процессоры CNN в визуальные системы. Основанная в 2000 году многими из тех же исследователей, которые стояли за первым алгоритмически программируемым универсальным процессором CNN, миссия AnaLogic Computers заключается в коммерциализации высокоскоростных, биологически вдохновленных систем на базе процессоров CNN. В 2003 году компания AnaLogic Computers разработала плату визуального процессора PCI-X, которая включала процессор ACE 4K, модуль DIP Texas Instrument и высокоскоростной блок захвата кадров. Это позволило легко включить обработку CNN в настольный компьютер, значительно улучшив удобство использования и возможности аналоговых процессоров CNN. В 2006 году компания AnaLogic Computers разработала линейку продуктов Bi-I Ultra High Speed ​​Smart Camera, которая включает процессор ACE 4K в их высокопроизводительные модели. Продукт, над которым сейчас работает их команда разработчиков, - это Bionic Eyeglass. Bionic Eyeglass - это носимая платформа с двумя камерами, основанная на сверхвысокоскоростной интеллектуальной камере Bi-I, предназначенная для оказания помощи слепым людям. Некоторые из функций, которые выполняет система Bionic Eyeglass, - это распознавание номера маршрута и обработка цвета.

Некоторые исследователи разрабатывают собственные аналоговые процессоры CNN. Например, аналоговый процессор CNN был разработан исследовательской группой из Университета дельи Студи ди Катания, чтобы генерировать походки для робота-гексапода. Исследователи из Национального университета Цзяо Дун разработали процессор RM-CNN, чтобы узнать больше об обучении и распознавании образов, а исследователи из Национального технологического института Льен-Хо разработали процессор Min-Max CNN (MMCNN), чтобы узнать больше о динамике CNN. Учитывая разнообразие процессоров CNN и импульс, который получили исследования CNN, вполне вероятно, что такие усилия по разработке аналоговых CNN будут довольно распространены в ближайшем будущем.

Несмотря на их скорость и низкое энергопотребление, аналоговые процессоры CNN имеют ряд существенных недостатков. Во-первых, аналоговые процессоры CNN могут потенциально создавать ошибочные результаты из-за изменений среды и процесса. В большинстве приложений эти ошибки незаметны, но бывают ситуации, когда незначительные отклонения могут привести к катастрофическим сбоям системы. Например, в хаотической коммуникации изменение процесса изменит траектория данной системы в фазовом пространстве, что приводит к потере синхронности / стабильности. Из-за серьезности проблемы проводятся серьезные исследования для ее решения. Некоторые исследователи оптимизируют шаблоны, чтобы учесть большее разнообразие. Другие исследователи улучшают полупроводниковый процесс, чтобы он более точно соответствовал теоретическим характеристикам CNN. Другие исследователи исследуют другие, потенциально более надежные архитектуры CNN. Наконец, исследователи разрабатывают методы настройки шаблонов для конкретного чипа и условий эксплуатации. Другими словами, шаблоны оптимизируются для соответствия платформе обработки информации. Вариации процесса не только ограничивают возможности современных аналоговых процессоров CNN, но также являются препятствием для создания более сложных процессоров. Если эта вариация процесса не будет устранена, такие идеи, как вложенные блоки обработки, нелинейные входы и т. Д., Не могут быть реализованы в аналоговом процессоре CNN в реальном времени. Кроме того, полупроводниковая «недвижимость» для процессоров ограничивает размер процессоров CNN. В настоящее время самый крупный процессор машинного зрения на базе CNN на базе AnaVision состоит из детектора 4K, что значительно меньше мегапиксельных детекторов, имеющихся в доступных потребительских камерах. К сожалению, уменьшение размера элементов, предсказанное законом Мура, приведет лишь к незначительным улучшениям. По этой причине исследуются альтернативные технологии, такие как резонансные туннельные диоды и нейронно-биполярные переходные транзисторы. Также переоценивается архитектура процессоров CNN. Например, были предложены процессоры Star-CNN, в которых один аналоговый умножитель распределяется по времени между несколькими процессорами, и ожидается, что они приведут к уменьшению размера процессорного модуля на восемьдесят процентов.

Цифровые процессоры CNN, хотя и не такие быстрые и энергоэффективные, не разделяют проблем, связанных с изменением процесса и размером функций, чем их аналоговые аналоги. Это позволяет цифровым процессорам CNN включать в себя вложенные процессорные блоки, нелинейности и т. Д. Кроме того, цифровые CNN более гибки, дешевле и легче интегрируются. Наиболее распространенная реализация цифровых процессоров CNN использует FPGA. Eutecus, основанная в 2002 году и работающая в Беркли, предоставляет интеллектуальную собственность, которая может быть синтезирована в ПЛИС Altera. Их цифровые процессоры CNN с разрешением 320x280 пикселей на базе FPGA работают со скоростью 30 кадров / с, и есть планы создать быструю цифровую ASIC. Eustecus является стратегическим партнером компьютеров AnaLogic, и их конструкции FPGA можно найти в нескольких продуктах AnaLogic. Eutecus также разрабатывает библиотеки программного обеспечения для выполнения задач, включая, помимо прочего, видеоаналитику для рынка видеобезопасности, классификацию функций, отслеживание нескольких целей, обработку сигналов и изображений и обработку потоков. Многие из этих процедур созданы с использованием обработки, подобной CNN. Для тех, кто хочет выполнять моделирование CNN для прототипирования, низкоскоростных приложений или исследований, есть несколько вариантов. Во-первых, существуют точные программные пакеты эмуляции CNN, такие как SCNN 2000. Если скорость недопустима, существуют математические методы, такие как итерационный метод Якоби или прямая-обратная рекурсия, которые можно использовать для получения решения для устойчивого состояния процессора CNN. Указанные методы могут быть выполнены любым математическим инструментом, например Matlab.Наконец, цифровые процессоры CNN можно эмулировать на высокопараллельных процессорах для конкретных приложений, таких как графические процессоры. Реализация нейронных сетей с использованием графических процессоров - область исследований исследовательского сообщества.

Исследователи также изучают альтернативные технологии для процессоров CNN. Хотя современные процессоры CNN позволяют обойти некоторые проблемы, связанные с их цифровыми аналогами, они имеют одни и те же долгосрочные проблемы, общие для всех процессоров на основе полупроводников. К ним относятся, помимо прочего, скорость, надежность, энергопотребление и т. Д. AnaLogic Computers разрабатывает оптические процессоры CNN, которые сочетают в себе оптику, лазеры, биологические и биологические технологии. голографический воспоминания. То, что изначально было технологическим исследованием, привело к созданию процессора CNN размером 500x500, способного выполнять 300 гига-операций в секунду. Еще одна перспективная технология для процессоров CNN - нанотехнологии. Один нанотехнологии Исследуемая концепция заключается в использовании одноэлектронных туннельных переходов, которые могут быть преобразованы в одноэлектронные или сильноточные транзисторы, для создания блоков обработки CNN McCulloch-Pitts. Таким образом, процессоры CNN были реализованы и представляют ценность для своих пользователей. Они смогли эффективно использовать преимущества и устранить некоторые недостатки, связанные с их базовой технологией, то есть полупроводниками. Исследователи также переводят процессоры CNN на новые технологии. Следовательно, если архитектура CNN подходит для конкретной системы обработки информации, есть процессоры, доступные для покупки (как и в обозримом будущем).

Приложения

Философия, интересы и методологии исследователей CNN разнообразны. Благодаря потенциалу архитектуры CNN, эта платформа привлекла людей из самых разных областей и дисциплин. Некоторые изучают практические реализации процессоров CNN, другие используют процессоры CNN для моделирования физических явлений, и есть даже исследователи, изучающие теоретические математические, вычислительные и философские идеи с помощью процессоров CNN. Некоторые приложения связаны с инженерией, где некоторое известное, понятное поведение процессоров CNN используется для выполнения конкретной задачи, а некоторые являются научными, где процессоры CNN используются для исследования новых и различных явлений. Процессоры CNN - это универсальные платформы, которые используются для множества приложений.

Процессоры CNN были разработаны для обработки изображений; в частности, первоначальное применение процессоров CNN заключалось в выполнении в реальном времени обработки со сверхвысокой частотой кадров (> 10 000 кадров / с), недостижимой для цифровых процессоров, необходимых для таких приложений, как обнаружение частиц в жидкостях для реактивных двигателей и обнаружение свечей зажигания. В настоящее время процессоры CNN могут обеспечивать скорость до 50 000 кадров в секунду, а для некоторых приложений, таких как слежение за ракетами, обнаружение вспышек и диагностика свечей зажигания, эти микропроцессоры превзошли обычные суперкомпьютеры. Процессоры CNN поддаются локальным, низкоуровневым, ресурсоемким операциям и используются для извлечения функций, регулировки уровня и усиления, обнаружения постоянства цвета, повышения контрастности и т. Д. деконволюция, сжатие изображения, оценка движения, кодирование изображения, декодирование изображения, сегментация изображения, карты предпочтений ориентации, изучение / распознавание образов, отслеживание нескольких целей, стабилизация изображения, повышение разрешения, деформации и отображение изображения, рисование изображения, оптический поток, контурирование, обнаружение движущегося объекта, обнаружение оси симметрии, и слияние изображений.

Благодаря своим возможностям обработки и гибкости процессоры CNN использовались и прототипированный для новых полевых приложений, таких как анализ пламени для мониторинга горения на отходах мусоросжигательная печь, обнаружение мин с использованием инфракрасный образы калориметр кластерный пик для физики высоких энергий, обнаружение аномалий на картах потенциальных полей для геофизики, обнаружение лазерных точек, контроль металла для обнаружения производственных дефектов и сейсмический выбор горизонта. Они также использовались для выполнения биометрический такие функции как распознавание отпечатков пальцев, извлечение вен, отслеживание лица и генерация визуальных стимулов с помощью возникающих паттернов для оценки восприятия резонансы. Процессоры CNN использовались для медицинских и биологических исследований при выполнении автоматического подсчета ядерных клеток для обнаружения гиперплазия, сегментировать изображения на анатомически и патологически значимые области, измеряйте и количественно оценивайте сердечную функцию, измеряйте синхронизацию нейронов и обнаруживайте аномалии мозга, которые могут привести к судорогам. Одно из потенциальных будущих применений микропроцессоров CNN - объединить их с микрочипами ДНК, чтобы обеспечить анализ ДНК сотен тысяч различных последовательностей ДНК в режиме, близком к реальному времени. В настоящее время основным узким местом анализа ДНК-микрочипов является время, необходимое для обработки данных в виде изображений, и с помощью микропроцессора CNN исследователи сократили время, необходимое для выполнения этого вычисления, до 7 мс.

Процессоры CNN также использовались для создания и анализа шаблонов и текстур. Одним из мотивов было использование процессоров CNN для понимания генерации паттернов в естественных системах. Они использовались для создания Паттерны Тьюринга чтобы понять ситуации, в которых они образуются, различные типы шаблонов, которые могут возникнуть, а также наличие дефектов или асимметрий. Кроме того, процессоры CNN использовались для аппроксимации систем генерации паттернов, которые создают стационарные фронты, пространственно-временные модели колеблющийся во время, гистерезис, память и неоднородность. Кроме того, генерация шаблонов использовалась для обеспечения высокопроизводительного создания и сжатия изображений с помощью генерации изображений в реальном времени. стохастический и крупнозернистые биологические узоры, определение границ текстуры, а также узор и распознавание текстуры и классификация.

Системы управления и привода

Постоянно прилагаются усилия по включению процессоров CNN в машины, управляющие сенсорными вычислениями, как часть развивающейся области сотовых машин. Основная предпосылка заключается в создании интегрированной системы, которая использует процессоры CNN для обработки сенсорных сигналов и, возможно, принятия решений и контроля. Причина в том, что процессоры CNN могут обеспечить низкое энергопотребление, малый размер и, в конечном итоге, дешевую вычислительную и исполнительную систему, подходящую для сотовых машин. Эти сотовые машины в конечном итоге создадут сеть датчиков и исполнительных механизмов (SAN), тип мобильных специальных сетей (MANET), которые можно использовать для сбора военной разведки, наблюдения за негостеприимной средой, обслуживания больших территорий, исследования планет и т. Д.

Процессоры CNN оказались достаточно универсальными для некоторых функций управления. Они использовались для оптимизации функций с помощью генетического алгоритма, для измерения расстояний, для поиска оптимального пути в сложной динамической среде и теоретически могут использоваться для изучения и связывания сложных стимулов. Они также использовались для создания антонимных походок и низкоуровневых двигателей для роботов. нематоды походки пауков и миног с использованием Центрального генератора паттернов (ЦПГ). Они могли функционировать, используя только обратную связь с окружающей средой, что позволило создать надежную, гибкую, основанную на биологии двигательную систему робота. Системы на основе CNN могли работать в различных средах и все еще функционировать, если некоторые из блоков обработки отключены.

Разнообразие динамического поведения процессоров CNN делает их интригующими для систем связи. Хаотическая связь с использованием процессоров CNN исследуется из-за их потенциально низкого энергопотребления, надежности и характеристик расширенного спектра. Предпосылка хаотической связи состоит в том, чтобы использовать хаотический сигнал для несущей волны и использовать хаотическую фазовую синхронизацию для восстановления исходного сообщения. Процессоры CNN могут использоваться как на стороне передатчика, так и на стороне получателя для кодирования и декодирования данного сообщения. Они также могут использоваться для шифрования и дешифрования данных, аутентификации источника с помощью водяных знаков, обнаружения сложных шаблонов в изображениях спектрограмм (обработка звука) и обнаружения переходных спектральных сигналов.

Процессоры CNN нейроморфный процессоров, что означает, что они имитируют определенные аспекты биологические нейронные сети. Первоначальные процессоры CNN были основаны на сетчатке млекопитающих, которые состоят из слоя фотоприемники связаны с несколькими слоями локально связанных нейронов. Это делает процессоры CNN частью междисциплинарной исследовательской области, целью которой является создание систем, которые используют знания и идеи нейробиологии и вносят свой вклад посредством проверки теорий в реальном мире. Процессоры CNN реализовали систему реального времени, которая воспроизводит сетчатку млекопитающих, подтверждая, что исходная выбранная архитектура CNN моделирует правильные аспекты биологических нейронных сетей, используемых для выполнения этой задачи в жизни млекопитающих. Однако процессоры CNN не ограничиваются проверкой биологических нейронных сетей, связанных с обработкой зрения; они использовались для моделирования динамической активности, наблюдаемой в нейронных сетях млекопитающих, обнаруженных в обонятельной луковице и саранче. усик, отвечающий за предварительную обработку сенсорной информации для обнаружения различий в повторяющихся образцах.

Процессоры CNN используются для понимания систем, которые можно смоделировать с использованием простых связанных единиц, таких как живые клетки, биологические сети, физиологические системы и экосистемы. Архитектура CNN улавливает некоторые динамики, часто наблюдаемые в природе, и достаточно проста для анализа и проведения экспериментов. Они также используются для стохастический методы моделирования, которые позволяют ученым исследовать спиновые проблемы, динамику населения, модели газа на основе решеток, просачивание, и другие явления. Другие приложения для моделирования включают теплопередачу, механические колебательные системы, производство белка, проблемы линии передачи Джозефсона (JTL), распространение сейсмических волн и геотермальные структуры. Примеры 3D (трехмерной) CNN использовались для доказательства известных сложных форм как возникающих явлений в сложных системах, устанавливая связь между искусством, динамическими системами и технологиями СБИС. Процессоры CNN использовались для исследования множества математических концепций, таких как исследование неравновесных систем, построение нелинейных систем произвольной сложности с использованием набора простых, хорошо понятных динамических систем, изучение возникающей хаотической динамики, генерация хаотических сигналов, и в целом открытие нового динамического поведения. Они часто используются при исследовании системности - дисциплинарной, научной области, изучающей природные системы. Целью системных исследователей является разработка концептуальной и математической основы, необходимой для анализа, моделирования и понимания систем, включая, помимо прочего, атомные, механические, молекулярные, химические, биологические, экологические, социальные и экономические системы. Изучаемые темы: возникновение, коллективное поведение, локальная активность и ее влияние на глобальное поведение, а также количественная оценка сложности приблизительно пространственной и топологически инвариантной системы.[нужна цитата ]. Хотя другой показатель сложности может не вызывать энтузиазма (Сет Ллойд, профессор Массачусетского технологического института (MIT), выделил 32 различных определения сложности), он потенциально может быть математически выгодным при анализе таких систем, как экономические и социальные системы.

Примечания

  1. ^ Славова, А. (31-03-2003). Сотовые нейронные сети: динамика и моделирование. Springer Science & Business Media. ISBN  978-1-4020-1192-4.
  2. ^ Ян, Т .; и другие. (Октябрь 1996 г.). «Глобальная устойчивость нечеткой клеточной нейронной сети». IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications. IEEE. 43 (10): 880–883. Дои:10.1109/81.538999.
  3. ^ Ян Т. (март 2009 г.). "Computational Verb Cellular Networks: Part I - New Paradigm of Human Social Pattern Formation". Международный журнал вычислительного познания. Научная пресса Яна. 7 (1): 1–34.
  4. ^ Ян Т. (март 2009 г.). "Сотовые сети с вычислительным глаголом: Часть II - Одномерные локальные правила с вычислительным глаголом". Международный журнал вычислительного познания. Научная пресса Яна. 7 (1): 35–51.
  5. ^ Ян Т. (июнь 2009 г.). "Сотовые сети с вычислительным глаголом: Часть III - Решения одномерных сотовых сетей с вычислительным глаголом". Международный журнал вычислительного познания. Научная пресса Яна. 7 (2): 1–11.

Рекомендации

  • Лекции Чуа: серия из 12 частей с Hewlett Packard Labs [1]
  • Д. Баля, Г. Тимар, Г. Черей и Т. Роска, "Новая вычислительная модель для CNN-UMs

и его вычислительная сложность ", Международный семинар по сотовым нейронным сетям и их приложениям, 2004 г.

  • Л. Чуа и Л. Янг, "Клеточные нейронные сети: теория", IEEE Trans. по схемам и системам, 35 ​​(10): 1257-1272, 1988. [2]
  • Л. Чуа и Л. Янг, "Сотовые нейронные сети: приложения" IEEE Trans. по схемам и системам, 35 ​​(10): 1273: 1290, 1988.
  • Л. Чуа, Т. Роска, Сотовые нейронные сети и визуальные вычисления: основы и приложения, 2005.
  • В. Чимагалли, М. Балси, "Сотовые нейронные сети: обзор", Neural Nets WIRN Vietri, 1993.
  • Х. Харрер и Дж. Носсек, "Сотовые нейронные сети с дискретным временем", Международный журнал теории схем и приложений, 20: 453-467, 1992.
  • С. Майорана и Л. Чуа, "Унифицированная структура для многоуровневой CNN высокого порядка", Международный журнал теории схем и приложений, 26: 567-592, 1998.
  • Т. Роска, Л. Чуа, "Универсальная машина CNN: компьютер с аналоговым массивом", IEEE Trans. по схемам и системам-II, 40 (3): 163-172, 1993.
  • Т. Роска и Л. Чуа, "Сотовые нейронные сети с нелинейными и шаблонными элементами типа задержки и неоднородными сетками", Международный журнал теории цепей и приложений, 20: 469-481, 1992.
  • И. Сатмари, П. Фолдеси, К. Рекецки и А. Заранди, "Библиотека обработки изображений для компьютера Aladdin", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • C. Wu и Y. Wu, «Проектирование сотовой нелинейной сети с памятью CMOS с коэффициентом несамоотдачи без выполнения операций для изучения и распознавания образов», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • М. Ялчин, Дж. Суйкенс и Дж. Вандевалль, Клеточные нейронные сети, мультискролл-хаос и синхронизация, 2005.
  • К. Йокосава, Ю. Танджи и М. Танака, "CNN с выходом многоуровневого гистерезисного квантования", международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Т. Накагути, К. Омия и М. Танака, «Гистерезисные сотовые нейронные сети для решения задач комбинаторной оптимизации», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • К. Краунс, К. Ви и Л. Чуа, «Линейный пространственный фильтр для реализации на универсальной машине CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • Х. Ип, Э. Дракакис и А. Бхарат, «На пути к аналоговым массивам СБИС для несепарабельной трехмерной пространственно-временной фильтрации», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • М. Брюгге, "Морфологический дизайн сотовых нейронных сетей с дискретным временем", Диссертация Университета Гронингена, 2005.
  • Дж. Пойконен1 и А. Паасио, «Устойчивая к несоответствиям асинхронная морфологическая реконструкция в градациях серого», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • М. Гилли, Т. Роска, Л. Чуа и П. Сиваллери, «Динамика CNN представляет более широкий класс, чем PDE», Международный журнал бифуркаций и хаоса, 12 (10): 2051-2068, 2002.
  • А. Адамацкий, Б. Костелло, Т Асаи "Реакционно-диффузионные компьютеры", 2005.
  • Ф. Голлас и Р. Тецлафф, «Моделирование сложных систем с помощью реакционно-диффузионных сотовых нелинейных сетей с полиномиальными весовыми функциями», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • А. Селихов, "mL-CNN: модель CNN для процессов диффузии реакций в m-компонентных системах", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Б. Ши и Т. Луо, "Формирование пространственного рисунка через динамику реакции-диффузии в чипе CNN 32x32x4", IEEE Trans. О схемах и системах-I, 51 (5): 939-947, 2004.
  • Э. Гомес-Рамирес, Г. Пазиенца, X. Виласис-Кардона, "Полиномиальные сотовые нейронные сети с дискретным временем для решения проблемы XOR", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Ф. Чен, Г. Хе, X. Xu1 и Г. Чен, "Реализация произвольных булевых функций через CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Р. Догуру и Л. Чуа, "Гены CNN для одномерных клеточных автоматов: многослойный кусочно-линейный подход", Международный журнал бифуркации и хаоса, 8 (10): 1987-2001, 1998.
  • Р. Догару и Л. Чуа, "Универсальные клетки CNN", Международный журнал бифуркаций и хаоса, 9 (1): 1-48, 1999.
  • Р. Догару и Л. О. Чуа, "Возникновение одноклеточных организмов из простых обобщенных клеточных автоматов", Международный журнал бифуркаций и хаоса, 9 (6): 1219-1236, 1999.
  • Т. Янг, Л. Чуа, «Реализация алгоритма обучения с обратным распространением во времени с использованием клеточных нейронных сетей», Международный журнал бифуркаций и хаоса, 9 (6): 1041-1074, 1999.
  • Т. Козек, Т. Роска и Л. Чуа, "Генетические алгоритмы для изучения шаблонов CNN", IEEE Trans. по схемам и системам I, 40 (6): 392-402, 1993.
  • Г. Пазиенца, Э. Гомес-Рамирез и X. Виласис-Кардона, «Генетическое программирование для CNN-UM», Международный семинар по клеточным нейронным сетям и их приложениям, 2006 г.
  • Дж. Носсек, Г. Зайлер, Т. Роска и Л. Чуа, «Сотовые нейронные сети: теория и проектирование схем», Международный журнал теории схем и приложений, 20: 533-553, 1998.
  • К. Вилер, М. Перезовский, Р. Григат, «Подробный анализ различных реализаций CNN для системы обработки изображений в реальном времени», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • A. Zarandry, S. Espejo, P. Foldesy, L. Kek, G. Linan, C. Rekeczky, A. Rodriguez-Vazquez, T. Roska, I. Szatmari, T. Sziranyi и P. Szolgay, "CNN Technology in Action », Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • Л. Чуа, Л. Янг и К. Р. Криг, "Обработка сигналов с использованием сотовых нейронных сетей", Журнал обработки сигналов СБИС, 3: 25-51, 1991.
  • Т. Роска, Л. Чуа, "Универсальная машина CNN: компьютер с аналоговым массивом", IEEE Trans. по схемам и системам-II, 40 (3): 163-172, 1993.
  • Т. Роска и А. Родригес-Васкес, "Обзор КМОП-реализаций универсальных машинных визуальных микропроцессоров CNN", Международный симпозиум по схемам и системам, 2000 г.
  • А. Родригес-Васкес, Г. Линьян-Чембрано, Л. Карранса, Э. Рока-Морено, Р. Кармона-Галан, Ф. Хименес-Гарридо, Р. Домингес-Кастро и С. Меана, "ACE16k: The Third Генерация микросхем ACE SIMD-CNN со смешанными сигналами для VSoC, IEEE Trans. по схемам и системам - I, 51 (5): 851-863, 2004.
  • Т. Роска, "Сотовые волновые компьютеры и технология CNN - архитектура SoC с процессорами xK и матрицами датчиков", Международная конференция по компьютерному проектированию, принятая статья, 2005 г.
  • К. Карахалилоглу, П. Ганс, Н. Шемм и С. Балкир, «Интегрированная CNN-сеть с оптическим датчиком для вычислительных приложений в реальном времени», Международный симпозиум IEEE по схемам и системам, стр. 21–24, 2006 г.
  • К. Домингес-Матас, Р. Кармона-Галан, Ф. Санчес-Фернаиндес, Дж. Куадри и А. Родригес-Вайскес, «Био-вдохновленный интерфейсный чип Vision с пространственно-временной обработкой и адаптивным захватом изображений», Международный семинар по компьютерной архитектуре для машинного восприятия и восприятия, 2006 г.
  • К. Домингес-Матас, Р. Кармона-Галан, Ф. Сайнчес-Фернаиндес, А. Родригес-Васкес, «Трехслойный чип CNN для комплексной динамики в фокальной плоскости с адаптивным захватом изображения», Международный семинар по клеточным нейронным сетям и их приложения, 2006.
  • И. Сатмари, П. Фолдеси, К. Рекецки и А. Заранди, "Библиотека обработки изображений для визуального компьютера Aladdin", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • A. Zarandy и C. Rekeczky, "Bi-i: автономная сверхвысокоскоростная сотовая система зрения", IEEE Circuits and Systems Magazine, 5 (2): 36-45, 2005.
  • Т. Роска, Д. Баля, А. Лазар, К. Карач, Р. Вагнер и М. Шухадж, «Системные аспекты бионических очков», Международный симпозиум IEEE по схемам и системам, 2006 г.
  • К. Карац и Т. Роскатт, «Распознавание номеров маршрутов транспортных средств общего пользования с помощью бионических очков», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Р. Вагнер и М. Шухайт, «Обработка цвета в носимых бионических очках»
  • П.Арена, Л. Фортуна, М. Фраска, Л. Патане и М. Поллино, "Автономный мини-робот-контроллер гексапода через чип СБИС на основе CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г. .
  • Ч. Ву и Ч. Ченг, «Дизайн сотовой нейронной сети с пропорциональной памятью для обучения и распознавания образов», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • В. Йен, Р. Чен и Дж. Лай, "Дизайн минимальных / максимальных сотовых нейронных сетей в технологии CMOS", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • З. Галлиас и М. Огоржалек, "Влияние неоднородности системы на динамическое явление в массивах связанных нелинейных сетей", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • С. Ксавье-де-Соуза, М. Ялсин, Дж. Суйкенс и Дж. Вандевалле, «К устойчивости, зависящей от микросхем CNN», IEEE Trans. О схемах и системах - I, 51 (5): 892-902, 2004.
  • Д. Хиллиер, С. Ксавье де Соуза, Дж. Суйкенс, Дж. Вандевалль, "CNNOPT Learning CNN Dynamics and Chip-specific robustness", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • А. Паасиот и Дж. Пойлконент, "Программируемые диитальные вложенные CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • М. Знгги, Р. Догару и Л. Чуа, "Физическое моделирование ячеек CNN на основе RTD", Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • В. Йен и К. Ву, «Дизайн нейронно-биполярного переходного транзистора (vBJT) структуры сотовой нейронной сети (CNN) с шаблоном многоуровневого уровня», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • Ф. Сарджени, В. Бонайуто и М. Бонифази, «Мультиплексная архитектура Star-CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • З. Кинцест, З. Нагил и П. Солгай, «Реализация нелинейного механизма запуска шаблонов, эмулирующего цифровую CNN-UM на ПЛИС», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • W. Fangt, C. Wang и L. Spaanenburg, "В поисках надежной цифровой системы CNN", международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • З. Ворошазит, З. Надьт, А. Кисс и П. Солгай, «Реализация встроенного модуля глобального аналогового программирования CNN-UM на ПЛИС», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Домашняя страница Eutecus
  • - А. Лончар, Р. Кунц и Р. Тетафф, «SCNN 2000 - Часть I: Основные структуры и особенности системы моделирования для сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • В. Тавсаноглу, "Итерационный метод Якоби для решения линейных уравнений и моделирования линейных CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Б. Ши, «Оценка устойчивого состояния с использованием прямых и обратных рекурсий», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • С. Токес, Л. Орзо и А. Аюб, "Программируемый OASLM как новый сенсорный сотовый компьютер", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • W. Porod, F. Werblin, L. Chua, T. Roska, A. Rodriguez-Vázquez, B. Roska, R. Faya, G. Bernstein, Y. Huang, and A. Csurgay, "Bio-Inspired Nano-Sensor" -Enhanced CNN Visual Computer », Annals of the New York Academy of Sciences, 1013: 92–109, 2004.
  • Дж. Флак, М. Лайхо и К. Халонен, «Программируемая ячейка CNN на основе транзисторов SET», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • A. Zarandry, S. Espejo, P. Foldesy, L. Kek, G. Linan, C. Rekeczky, A. Rodriguez-Vazquez, T. Roska, I. Szatmari, T. Sziranyi и P. Szolgay, "CNN Technology in Action », Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • Л. Чуа, С. Юн и Р. Догару, "Перспектива нелинейной динамики нового вида науки Вольфрама. Часть I: Порог сложности", Int'l Journal of Bifurcation and Chaos, 12 (12): 2655-2766, 2002 г.
  • О. Лахденоя, М. Лайхо и А. Паасио, «Извлечение вектора признаков локального двоичного шаблона с помощью CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • К. Домингес-Матас, Ф. Сайнчес-Фемайдес, Р. Кармона-Галан и Э. Рока-Морено, "Эксперименты по глобальной и локальной адаптации к условиям освещения на основе вычисления среднего значения в фокальной плоскости", Международный семинар по клеточной нейронной системе Сети и их приложения, 2006.
  • Л. Торок и А. Заранди, "Алгоритм постоянства цвета на основе CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  • П. Эчимович и Дж. Ву, «Повышение контрастности на основе задержки с использованием сотовой нейронной сети с задержкой, зависящей от состояния», Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • G. Cserey, C. Rekeczky и P. Foldesy, "Модификация гистограммы на основе PDE со встроенной морфологической обработкой наборов уровней", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  • Л. Орзо, «Оптимальные шаблоны CNN для деконволюции», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • П. Венецианер и Т. Роска, "Сжатие изображений сотовыми нейронными сетями", IEEE Trans. Circuits Syst., 45 (3): 205-215, 1998.
  • Р. Догарут, Р. Тецлаффл и М. Глеснер, "Полутоталистические гены CNN для сжатия компактных изображений", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • А. Гачади, К. Грава, В. Типонут и П. Шолгай, "Реализация метода оценки движения Хорна и Шунка в CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Х. Аомори, Т. Отакет, Н. Такахаши и М. Танака, "Сигма-дельта-модулятор пространственной области, использующий сотовые нейронные сети с дискретным временем", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Х. Кимт, Х. Сон. Дж. Ли, И. Кимт и И. Кимт, «Аналоговый декодер Витерби для PRML с использованием аналоговых параллельных схем обработки CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • С. Чен, М. Куо и Дж. Ван, «Сегментация изображений на основе консенсусного голосования», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Г. Грасси, Э. Сциасио, А. Гриеко и П.Веккио, «Новый объектно-ориентированный алгоритм сегментации на основе CNN - Часть II: Оценка производительности», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • J. Wu, Z. Lin и C. Liou, "Формирование и изменчивость карт предпочтений ориентации в зрительной коре: подход, основанный на нормализованных гауссовских массивах", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • К. Ву и С. Цай, "Автономная сотовая нелинейная сеть с памятью (ARMCNN) для изучения и распознавания образов", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Г. Тимар и К. Рекецки, "Приложения для отслеживания нескольких целей платформы Bi-I: выбор внимания, отслеживание и навигация", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Ю. Ченг, Дж. Чунг, К. Лин и С. Хсу, "Оценка локального движения на основе технологии сотовой нейронной сети для обработки стабилизации изображения", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Т. Отаке, Т. Кониши, Х. Аоморит, Н. Такахашит и М. Танакат, «Повышение разрешения изображения с помощью двухуровневой дискретной сотовой нейронной сети», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • П. Корбельт и К. Слоти, «Моделирование эластичных межузловых границ в реализации парадигмы деформируемой сетки на основе сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • A. Gacsadi и P. Szolgay, "Методы рисования изображений с помощью сотовых нейронных сетей", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Б. Ши, Т. Роска и Л. Чуа, "Оценка оптического потока с помощью клеточных нейронных сетей", Международный журнал теории схем и приложений, 26: 344-364, 1998.
  • D. Vilarino и C. Rekeczky, "Реализация алгоритма змейки на уровне пикселей на основе архитектуры набора микросхем CNNUM", IEEE Trans. О схемах и системах - I, 51 (5): 885-891, 2004.
  • Г. Костантини, Д. Казали и Р. Перфетти, «Обнаружение движущихся объектов в бинокулярной видеопоследовательности», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Г. Костантини, Д. Касафи и Р. Перфетти, «Новый метод на основе CNN для обнаружения оси симметрии». Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • К. Амента, П. Арена, С. Баглио, Л. Фортуна, Д. Ричиура, М. Ксибилиа и Л. Ву1, "SC-CNN для слияния данных датчиков и управления в космических распределенных структурах", Международный семинар по сотовой связи Нейронные сети и их приложения, 2000.
  • Л. Бертукко, А. Фичаа, Г. Нмари и А. Пагано, "Подход с использованием клеточных нейронных сетей к анализу изображений пламени для мониторинга горения", Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • Э. Лопес, М. Бальсиф, Д. Виларилио и Д. Кабелло, «Разработка и обучение многослойных сотовых нейронных сетей с дискретным временем для обнаружения противопехотных мин с использованием генетических алгоритмов», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • К. Балданза, Ф. Бизи, М. Бруски, И. Д'Антоне, С. Менегини, М. Риуи, М. Зуфа, «Сотовая нейронная сеть для поиска пиков в физике высоких энергий», Международный семинар по Сотовые нейронные сети и их приложения, 2000.
  • Э. Билгили, О. Укан, А. Альбора и И. Гокнар, «Возможное разделение аномалий с использованием генетически обученных клеточных нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • C. Rekeczky и G. Timar "Обнаружение и локализация множественных лазерных точек в рамках управляемой вниманием структуры объединения датчиков", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Z. Szlavikt R. Tetzlaff1, A. Blug и H. Hoefler, «Визуальный осмотр металлических объектов с использованием сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • К. Хуанг, К. Чанг, В. Се, С. Се, Л. Ван и Ф. Цай, "Сотовая нейронная сеть для выбора сейсмического горизонта", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • T. Su, Y. Du, Y. Cheng и Y. Su, "Система распознавания отпечатков пальцев с использованием сотовых нейронных сетей", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • С. Малки, Ю. Фуцян и Л. Спааненбург, «Извлечение признаков вен с использованием DT-CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • С. Ксавье-де-Соуза, М. Ван Дайк, Дж. Суйкенс и Дж. Вандевалль, «Быстрое и надежное отслеживание лиц для чипов CNN: применение для вождения инвалидных колясок», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г. .
  • Р. Догару и И. Догару, «Биометрическая аутентификация, основанная на перцепционном резонансе между новыми моделями CNN и людьми», Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • К. Фэн, С. Ю и Х. Ван, «Новый метод автоматического подсчета ядерных клеток с улучшенными сотовыми нейронными сетями (ICNN)», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Т. Сзабот и П. Солгай, «Методы на основе CNN-UM с использованием деформируемых контуров на гладких границах», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Zs. Szalka, G. Soos, D. Hillier, L. Kek, G. Andrassy и C. Rekeczky, "Пространственно-временной сигнатурный анализ двумерных эхокардиограмм на основе топографических методов активного контура сотовой связи", Международный семинар по клеточным нейронным сетям и их Приложения, 2006.
  • М. Буколо, Л. Фортуна, М. Фраска, М. Ла Роса, Д. Шаннахофф-Хальса, "Система на основе CNN для слепого разделения источников сигналов MEG", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г. .
  • Ф. Долерт, А. Черниховский, Ф. Морманн, К. Элгер и К. Ленертц, «Обнаружение структурных изменений в мозге с использованием классификации магнитно-резонансных изображений на основе сотовой нейронной сети», Международный семинар по клеточным нейронным сетям и Их приложения, 2006.
  • Д. Круг, А. Черниховский, Х. Остерхаге, К. Элгер и К. Ленертц, «Оценка общей синхронизации электрической активности мозга у пациентов с эпилепсией с помощью сотовых нелинейных сетей», Международный семинар по клеточным нейронным сетям и их приложениям, 2006 г.
  • К. Нидерхофер и Р. Тецлафф, «Профили ошибок прогнозирования, позволяющие прогнозировать приступы при эпилепсии?», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Л. Фортуна, П. Арена, Д. Баля и А. Заранди, «Сотовые нейронные сети: парадигма нелинейной пространственно-временной обработки», IEEE Circuits and Systems Magazine, 1 (4): 6-21, 2001.
  • Л. Горас, Л. Чуа и Д. Линеартс, "Паттерны Тьюринга в CNN - Часть I: Однажды немного", IEEE Trans. по схемам и системам - I, 42 (10): 602-611, 1995.
  • L. Goras, L. Chua и D. Leenearts, "Шаблоны Тьюринга в CNN - Часть II: Уравнения и поведение", IEEE Trans. по схемам и системам - I, 42 (10): 612-626, 1995.
  • Л. Горас, Л. Чуа и Д. Линеартс, "Паттерны Тьюринга в CNN - Часть III: Результаты компьютерного моделирования", IEEE Trans. по схемам и системам - I, 42 (10): 627-637, 1995.
  • А. Славова и М. Марковат, "Модель CNN на основе рецепторов с гистерезисом для генерации паттернов", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Л. Коматовскит, К. Слот, П. Дкбик и Х. Ким, «Генерация шаблонов с заранее заданными статистическими свойствами с использованием сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • К. Лин и С. Чен, "Биологическая визуальная обработка для обнаружения границ текстуры гибридного порядка с помощью CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Г. Костантини, Д. Казали и М. Карота, "Метод классификации шаблонов на основе пространственно-вариативного шаблона CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Э. Дэвид, П. Унгуряну и Л. Горас, «О характеристиках извлечения характеристик фильтров типа Габора в приложениях распознавания текстур», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • К. Лин и Ю. Шоу, «Классификация и представление текстур с помощью извлечения функций на основе CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Т. Роска и Л. О. Чуа, "Универсальная машина CNN: 10 лет спустя, журнал схем, систем и компьютеров", Международный журнал бифуркации и хаоса, 12 (4): 377-388, 2003.
  • М. Хенгги, "Мобильные сети сенсор-привод: возможности и проблемы", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • Р. Бисе, Н. Такахаши и Т. Ниши, "О методе проектирования сотовых нейронных сетей для ассоциированных воспоминаний на основе обобщенной проблемы собственных значений", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • Д. Баля и В. Галт, "Аналогичная реализация генетического алгоритма", Международный семинар по клеточным нейронным сетям и их приложениям, 2006 г.
  • И. Сатмхри, "Реализация нелинейной волновой метрики для анализа и классификации изображений на микросхеме ввода-вывода 64x64 CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • А. Адамацкий, П. Арена, А. Базиле, Р. Кармона-Галан, Б. Костелло, Л. Фортуна, М. Фраска и А. Родригес-Васкес, "Реакционно-диффузионное управление навигационным роботом: от химических к аналоговым процессорам СБИС", IEEE Trans. О схемах и системах - I, 51 (5): 926-938, 2004.
  • И. Гаврилут, В. Типонут и А. Гачади, «Планирование пути мобильных роботов с использованием сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • П. Арена, П. Круситти, Л. Фортуна, М. Фраска, Д. Ломбардо и Л. Патане, «Паттерны восприятия для мобильных роботов через RD-CNN и обучение с подкреплением», Международный семинар по сотовым нейронным сетям и их приложениям , 2006.
  • П. Арена, Л. Фортуна, М. Фраска и Л. Патан, "Генераторы центральных паттернов на основе CNN с сенсорной обратной связью", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Р. Капонетто, Л. Фортуна, Л. Окчипинити и М. Г. Ксибилия, "Генерация хаотических сигналов SC-CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • Р. Чен и Дж. Лай, «Шифрование данных с использованием неоднородных двумерных клеточных автоматов фон Неймана», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • П. Арена, А. Базиль, Л. Фортуна, М. Э. Ялчин и Дж. Вандевалль, "Водяной знак для аутентификации видео на CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  • К. Слот, П. Корбе, М. Гоздзик и Хёнсук Ким, «Обнаружение образов в спектрограммах с помощью сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • А. Черниховский, К. Элгер и К. Ленерц, «Влияние тормозной диффузионной связи на частотную избирательность возбудимых сред, смоделированных с помощью сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Р. Кармона, Ф. Хименес-Гарридо, Р. Домингес-Кастро, С. Эспехо и А. Родригес-Васкес, "КМОП-реализация двухслойной универсальной машины CNN", Международный семинар по сотовым нейронным сетям и их приложениям , 2002.
  • З. Надьт, З. Ворошази и П. Солгай, «Реализация модели сетчатки глаза млекопитающих на ПЛИС в реальном времени», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Д. Баля и Б. Роска, «Удобное устройство для исследования сетчатки глаза», семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • П. Арена, М. Бедиат, Л. Фортуна, Д. Ломбардо, Л. Патане и М. Велардет, «Пространственно-временные паттерны в CNN для классификации: принцип безуспешной конкуренции», Международный семинар по клеточным нейронным сетям и Их приложения, 2006.
  • В. Перес-Мунузури, А. П. Мунузури, М. Гомес-Гестерия, В. Перес-Виллар, Л. Пивка и Л. Чуа, «Нелинейные волны, паттерны и пространственно-временной хаос в клеточных нейронных сетях», Phil. Пер. R. Soc. Лондон. А, (353): 101-113, 1995.
  • М. Эрси-Равас, Т. Роска и З. Неда, «Генератор случайных чисел и моделирование типа Монте-Карло на CMM-UM», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • П. Лопес, Д. Виларино, Д. Кабелло, Х. Сахли и М. Балси, "Тепловое моделирование почвы на основе CNN для обнаружения противопехотных мин", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • П. Солгай, Т. Хидвеги, З. Сольгай и П. Козма, "Сравнение различных реализаций CNN в решении проблемы пространственно-временной динамики в механических системах", Международный семинар по клеточным нейронным сетям и их приложениям, 2000 г.
  • W. Samarrai, J. Yeol, I. Bajis и Y. Ryu, «Системно-биологическое моделирование белкового процесса с использованием детерминированных конечных автоматов (DFA)», Международный семинар по клеточным нейронным сетям и их приложениям, 2005 г.
  • В. Младеновт, А. Славовал, «О периодических решениях в одномерных сотовых нейронных сетях на основе соединений Джозефсона», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • П. Сонколит, П. Козмат, З. Нагит и П. Солгай, "Моделирование распространения акустических волн на архитектуре CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • С. Кочардит, З. Надьт, С. Костяневт и П. Шолгай, «Реализация закачки воды в геотермальную структуру на основе FPGA», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Р. Браун и Л. Чуа, "Хаос или турбулентность", Международный журнал бифуркаций и хаоса, 2 (4): 1005-1009, 1992.
  • П. Арена, Л. Фортуна, Г. Ваглиасинди и А. Базиле, «Чип CNN и FPGA для исследования сложности», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Э. Гунай, М. Алчи и С. Пармаксизоглу, «Генерация N-прокрутки в SC-CNN с помощью нелинейной функции на основе нейро-нечеткой информации», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • М. Гилли, Ф. Коринто и П. Чекко, "Периодические колебания и бифуркации в сотовых нелинейных сетях", IEEE Trans. по схемам и системам - I, 51 (5): 948-962, 2004.
  • К. А. Ричардсон, "Теория систем и сложность: Часть 1", Появление: Сложность и организация, 6 (3): 75-79.
  • К. А. Ричардсон, "Теория систем и сложность: Часть 2", Появление: Сложность и организация, 6 (4): 77-82.
  • К. А. Ричардсон, "Теория систем и сложность: Часть 3", Появление: Сложность и организация, 7 (2): 104-114.
  • П. Андерсон, «Возникновение», Труды Второй Международной конференции по сложным системам, 2004 г.
  • К. Майнзер, «CNN и эволюция сложных информационных систем в природе и технологиях», Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • С. Ллойд, Программирование Вселенной, 2006.
  • Л. Чуа, «Локальная активность - источник сложности», Международный журнал бифуркации и хаоса, 15 (11): 3435-2456, 2005.
  • П. Арена, М. Буколо, С. Фаззино, Л. Фортуна, М. Фраска, «Парадигма CNN: формы и сложность», Международный журнал бифуркаций и хаоса (2005), Vol. 15, No. 7, pp. 2063–2090 - World Scientific.