DE69124231T2 - Künstliche neuronale anlage - Google Patents

Künstliche neuronale anlage

Info

Publication number
DE69124231T2
DE69124231T2 DE69124231T DE69124231T DE69124231T2 DE 69124231 T2 DE69124231 T2 DE 69124231T2 DE 69124231 T DE69124231 T DE 69124231T DE 69124231 T DE69124231 T DE 69124231T DE 69124231 T2 DE69124231 T2 DE 69124231T2
Authority
DE
Germany
Prior art keywords
stimulus
response
elements
data
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
DE69124231T
Other languages
English (en)
Other versions
DE69124231D1 (de
Inventor
John Sutherland
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of DE69124231D1 publication Critical patent/DE69124231D1/de
Application granted granted Critical
Publication of DE69124231T2 publication Critical patent/DE69124231T2/de
Priority claimed from CA2575483A external-priority patent/CA2575483C/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Feedback Control In General (AREA)
  • Fats And Perfumes (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)
  • Prostheses (AREA)
  • Image Processing (AREA)

Description

    GEBIET DER ERFINDUNG
  • Die gegenwärtige Erfindung bezieht sich auf adaptive Informationsverarbeitungssysteme, und insbesondere auf assoziative Speichereinrichtungen unter Verwendung von Zuversicht vermittelnde Assoziationen, und besonders neurale Netzwerk-Systeme, die aus einem automaTabelle-organisatorischen Apparat und Verfahren bestehen für die dynamische Aufzeichnung einer Eingabe in eine semanTabelle kongruente und gleichzeitig gültige korrekte Antwort.
    • HINTERGRUND DER ERFINDUNG
  • Im allgemeinen ist ein assoziatives Speichersystem ein System, in dem paarweise Stimulus/Antwort Informationen auf so eine Art und Weise gespeichert werden, daß die Einführung eines Stimulusmusters in der Wiedergabe einer speicherungs-assoziierten Antwort erfolgt. Speicherungssysteme dieser Art bieten eine sehr breites Anwendungsfeld, y.B. logische Ausführungsverwaltung, Mustererkennung, und Image-Interpolation. Traditionelle assoziative Prozesse, wie jene, die oft in künstlichen Intelligenz- Anwendungen benutzt werden, sind von ausdrücklich vordefinierten Regelmengen abhängig, die extern auf einer assoziierten Speicherungseinrichtung vorgegeben sind. Spezielle Systeme stellen Beispiele dieser traditionellen Architekturen dar. Diese speziellen Systeme sind auf Regeln basierende Paradigmen, die durch einen Inferentialbetrieb verwaltet werden. Diese folgen einem orthodoxen von Neumann verwendeten Vorgehen, indem eine feststehende software/hardware-Beziehung erstellt wird, die einer Serie von vorher festgelegten Verhältnissen folgt und nacheinander ablaufenden Aufforderungen als vorgegebene Mengen von FALLS - WENN Darstellungen formatiert. Sie sind in sich beschränkt auf solche Assoziationen, die dynamische Anwortbereitschaft auf sich verändernde Bereiche oder mehr allgemein jegliche Fähigket, einen Menge von Eingabe-gerechten Anworten in Abwesenheit eines vorgegebenen Mengees von anwendbaren Regeln zu entwickeln, die sich speziell mit einer geänderten oder sich ändernden oder anderweitig unbekannten Umgebung befassen. Darüberhinaus,wie bei allen rein heurisTabelleen Progammierungen, je komplizierter die Anwendung ist, desto mehr Regeln sind erforderlich: und umso länger dauert das Verfahren, um diesen Regeln gerecht zu werden. Es ist generell akzeptabel, daß diese Unzulänglichkeiten die praktische. Nützlichkeit von vordefinierten auf Regeln basierenden Vorgehen auf assoziative Speicherungssysteme begrenzen.
  • Neurale Netzwerke andererseits erzeugen ihre eigenen Assoziationsregeln durch einen Lernprozeß, der sich auf die Ausstellung des Netzwerkes auf entweder überwachte oder nicht überwachte Eingabedatenmuster bezieht, die von einem statistischen Universum eingeholt werden. Diese Systeme sind mit verschiedenen Einstufungen limitiert fähig, Verallgemeinerungen über dieses Universum als ein Ganzes zu machen, die auf das Eingabemuster basieren.
  • Neurale Netzwerke sind assoziative Speicherungssysteme, die strategische Organisationen (Architekturen) von Verfahrenselementen beinhalten. Individuell gleichen diese Elemente einzeln analog einem individuellen Neuronn in einem biologischen System. Einzelne Verfahrenselemente haben eine Mehrzahl von Eingaben, die funktionell analog den dendriTabelleen Prozessen einer Neuronnzelle sind. Als solche sind diese Elemente "gewichtig ", basierend auf den gegenwärtigen Zustand der Systemkenntnisse zu den jeweiligen Eingaben. Die assoziativen "Gewichte" gestalten die Daten, die in der assoziativen Systemspeicherung gespeichert werden. Digitalrechner-Implementierungen neuraler Netzwerke wenden regelmäßig numerische Methodologien an, um den gewünschten assoziativen Aufruf der Stimulus-geeigneten Antworten durch gewichtige-Summierung der Eingaben in einer digitalrechnerischen Umgebung zu realisieren. Diese virtuellen Netzwerke nutzen die gegenwärtig auf dem kommerziellen Markt vorhandenen von Neumann Maschinen aus, die obwohl sie in sich vorprogrammiert dennoch verwendet werden können, um Eingabesignale in einer Art und Weise zu konditionieren, die die Vorteile simulieren, die an stochasTabelleen Architekturen in neuralen Netzwerk-Hardware-Implementierungen angegliedert sind.
  • Ein früher Vorläufer zu modernen neuralen Netzwerken, wie auch immer sie heutzutage eingesetzt werden, war tatsächlich eine Hardware-Vorrichtung, die als Perceptron bekannt wurde. Dies war ein Musterklassifizierungssystem, das sowohl abstrakte sowie auch geometrische Muster identifizieren könnte. Ein Netz von Photozellen wurde so angeordnet, um einen primären opTabelleen Stimulus zu bekommen. Diese Photozellen wurden wiederum wahllos an eine Mehrzahl von Associator-Elementen angeschlossen, die die Funktionen ausführen, die mit dem Front-Ende von was heutzutage als Eingaben (oder notionale dendriTabellee Prozesse) eines neuralischen Netzwerk verarbeitendes Element bezeichnet wird. Wenn die kumulativen elektrischen Eingaben von den Zellen auf die Associator-Einheiten eine gewisse Schwelle überschritten, lösten die Associator-Einheiten, die wie festgestellt wurde, in sich schwerwiegend begrenzt waren, Antwort-Ausgabe aus. Diese befassen sich mit der praktischen Unfähigkeit der Systeme, gewisse bekannte Funktionen zu lernen, insbesondere die logische XOR Funktion der Boolean Algebra. Um in der Lage zu sein, diese Art von Gleichheitsfunktion zu lernen, würde das Perceptron-Paradigma eine Architektur von vielfach miteinander assoziierten Schichten von gewichtigen Verfahrenselemente benötigen oder alternativ ein System, das 2 zu den N versteckte Verfahrenselemente hat. Das Perceptron konnte nicht mehr als eine Schicht modifizierbarer Gewichte adjustieren, daher ist die erste Alternative ungeeignet. Die Alternative der Benutzung von 2 zu den N versteckten Verfahrenseinheiten präsentieren drei wesentliche Probleme: es muß 2 zu den N Verfahrenseinheiten in den Systemen für alle möglichen Funktionen geben, die das System jemals lernen muß, (was eeinem System-Design gleichkommen würde, das durch das Anstarren einer magischen Kugel geschaffen wird). Die Anzahl der Verfahrenselemente, die in einem derartigen System benötigt werden würden, steigt exponential mit der Anzahl der zur Lösung erforderlichen Eingaben, die vorgegeben werden können und schnell Milliardenhöhe erreichen können. Es ist empirische Tatsache, daß das System bei hohen Anzahlen von versteckten Verfahrenselemente die Fähigkeit verliert, zuverlässige Verallgemeinerungen zu formulieren. Mit diesen anhaftenden Einschränkungen war es klar, daß solche Netzwerke die Funktionen weder emulieren noch sie in etwa nachahmen können genauso wenig wie die Effizienz des menschlichen Gehirns.
  • Der Beginn der Rückpropagations-Paradigmen für die Etablierung eines gewichtigen assoziativen Speicherung zur Bewertung von neuen Stimuli wie es bei den Eingaben der Verfahrenselemente präsentiert werden, stellte einen bedeutenden Schritt zur Bewältigung einiger der Probleme, die mit dem Perceptron- Paradigma assoziiert wurden. Zum Beispiel incorporiert die Rückpropagation einen Fehlerbehandlungsmechanismus, der zumindest einige der "Linear-Separierungsklassifizierungen" Beschränkungen überkommt, die mit dem Perceptron assoziiert sind. Rückpropagation etabliert eine Verfahrensannahme, die alle Verfahrenselemente in jeder x-beliebigen Schicht einer Netzwerk -Architektur Fehler einführt in der Zuordnung einer Antwort, die von dieser Schicht ausgegeben wird zu irgendeinem Stimulus, der von einer vorhergehenden Schicht empfangen wurde. Die Verantwortung für diesen Fehler wird dann quantifiziert und durch die Gewichte auf jedes der Verfahrenselementeingaben in der vorhergehenden Schicht, nach unten und einschließlich auf die Eingaben zum Netzwerk verteilt. Dieser Lernprozeß ist in sich selbst sehr langsam, da verschiedene Iterationen der Rückpropagation erforderlich sind bevor die gewünschte Convergenz der Fehlerausdrücke erfordert, d.h. "Verdünnung" von Informationsfehler) erreicht wird.
  • Die nach dem gegenwärtigen höchsten Standard der PrAchse ausgestatteten neuralen Netzwerke können im allgemeinen alle als nach unten graduierende Modelle eingestuft werden,in denen die Netzwerkdaten als Gewichte in der obig beschriebenen Art und Weise gespeichert werden.
  • In Bedienung arbeiten diese Netzwerke durch das Haben von [weighted], [scalar] geben Werte ein, die durch die Verarbeitung-Elemente zusammengezählt wurden, die dann normalisiert wurden, um irgendeinen Grad Stabilität in der Verteilung erzeugt Ausgabe-Antwort-Werte beizubehalten. Typisch bringt Normalisierung einen [Schwellenunterteilung] mit sich oder das Schuppen vom Aufsummierungs Produkt. Variationen auf der [sigmoid-Funktion] werden normalerweise für diesen Zweck benutzt.
  • Eine Anzahl von Beispiele dieser nachfolgenden Entwicklungen in neuraler Netzwerk-Technologie haben Modelle-predicated auf natürlichen biologischen Systemen verfolgt. Eins von den bekannten war die Entwicklung von sogenannte "[Hopfield] Nets" im frühen 1980's [Hopfields] Modell war unter der ersten, die neuron-Bedienung als eine genaue schwellen-Bedienung und illustriert die Speidierung Gedächtnis als Informationen eindeutig darstellend, die in den Verbindungen zwischen dem Verarbeiten von Elementen gelagert wurden, der als eine Minimum-Energie-Funktion durch gegangen ist.
  • Ein Beispiel eines Neigung-Abstieg-Netzwerkes ist, die Matrize-Algebra gründete assoziatives Speidierungs-Modell, in dem beschrieben wird ,-" neurale Netzwerke und Physische Systeme mit Aufragend Kollektiven Computer Fähigkeiten", [J.J]. [Hopfield], [Proc]. [Natl]. Akademie der Wissenschaft, [U.S.A]. 1982, [Vol]. 79, [pp] 2554-2558. Dieses Modell verwendet Reaktion und nicht- linearen Schwellen, um das Ausgabe-Muster zu zwingen, das gelagerte Muster zu sein, das am engsten das Eingabe-Muster zusammenpaßt. Ein bedeutender Rückzug dieses Modells ist die große Lagerung und Computer Anstrengung, die für die Manipulation von einem Assoziation-Matrize-Gedächtnis, das im Modell benutzt wrd, eigenst erfordert werden. In Wesen stellte dies einen besonderen Fall von den allgemeineren Merkmalen von den [Cohen-Grossberg] Netzwerken, in denen die Verarbeitungs-Elemente irgendeinen wirklichen Aktivierungs-Wert annahmen, der von einer Sigmoid Ausgabe Schwelle Funktion resultiert, die sich zwischen dem Minimum und Maximum-Werten abwechseln, um jenen Aktivierungs-Wert des Verarbeitungs-Elementes zu definieren, dar. Die Antwort zu irgendeinem externen Stimulus zu einem dieser Netzwerke wurde gezeigt, um zu einem Gleichgewicht zusammenzulaufen, basierte auf einer Energie von [Lyapunov] Funktion.
  • Mit der im Gang befindlichen Förderung neuraler Netzwerk-Technologie sind Netzwerke durch verschiedene Multi-Anstrich-Architekturen weiter verbessert worden. Justierung von Verarbeitung-Element gibt durch Normalisierung und Konkurrenz ein, hat fortgesetzt, einige von den Rückzügen, die trotzdem fortsetzen, mit neuralen Netzwerken assoziiert zu werden, zu verbessern.
  • Als Beispiel, und zusätzlich zu allen anden kurz-comings setzen Sie oben hinaus, all diese Netzwerke setzen fort, an einer eigenen Form von Eingabe- Informationen-Kürzung, die im Teil eine Erbschaft von [von] [Neumann] Architekturen ist, zu leiden. Wie mit irgendeinem System resultiert Informations- Verlust in einer Zunahme in Fehler, schätzt ein, und Fehler-remediation erfordert jene kompensierenden Verarbeitungs-Strategien dann, geworden adoptiert. Jener AnMenge in seinen eigenen Drehungs-Ergebnissen in zugenommenen Verarbeitungen (sowohl Lernen als auch Antwort) Zeit durch das Abhängen auf großen Zahlen von Computer und das Probieren von Wiederholungen (in der Hoffnung von-" das Verdünnen" aus den Fehlern durch das Vergrößern der Beispiel-Größe), mit dementsprechend zugenommenden Speicherung-Raum- Anforderungen. Überdies können solche [remediation] nur bei besten, verringern Sie den Fehler, der durch eine Neigung-Antwort-Heilprogramm wesentlich eingeführt wird. Es kann es nicht ausrotten. Danach, während Normalisierung in Neigung-Abstieg-Netzwerken erforderlich ist, resultiert es auch in kollateraler Entwürdigung vom informationellen Wert von Eingabe-Fakten. Bemerken Sie auch, daß das Machen von Verallgemeinerungen auf den falschen Geboten basierten, die aus Informations-Verlust folgen können, Begrenzungen die zuverlässige Anwendung solcher Netzwerke zu linear nicht-trennbaren Stimulusen.
  • Ein gutes Beispiel von dieser Art von [remediation-Problem] wird manchmal mit einem [connectionist] assoziiert, den neurale Netzwerk-Architektur als eine [Boltzman] Maschine sprach, die ein Rücken-Fortpflanzungs-Paradigma verwendet. Diese Art von Maschine wird beabsichtigt, mit welchem einen Autor zu verhandein, hat-" Computer Gangrän" beschriftet. Dieses Problem ist indirekt in irgendeinem [deterministischen-Anmenge], der zu Problem Lösen gebracht wird, in daß eine falsche Entscheidung in einem [determinististishen-Pfad] auf irgendeiner Möglichkeit von stromabwärts [remediation] ausschließen mag, dadurch ewig Ausschnitt-von dem korrekten erklärenden Pfad, der zu den Problemen führt, korrigieren Sie, oder wenigstens optimale Lösung. Während neurale Netzwerke im allgemeinen, gehen Sie irgendeine Entfernung zum Verbessern dieses Problems, es setzt fort, zu existieren.
  • [Boltzman] Maschinen Gleichgewicht-suchend, [connectionist] bearbeitet maschinell in dem das Verarbeiten von Elementen binär zeigt (auf-von) Verhalten in Antwort, Stimuluse einzugeben. Die Antwort so ein Verarbeitung- Elementes in irgendeinem gegeben Umstand wird durch beiden [weighted- Signale] bestimmt, die weiter an benachbarten Verarbeitungs-Elementen vorübergegangen wurden, und auch durch ein [probabilistisdes-Signal], das so das, Machen der Antwort stochasTabelle. Das Verhalten so einer Maschine kann in Hinsicht auf [Boltzman] thermodynamischen Gleichungen beschrieben werden, die erlauben, daß obwohl die Antwort von einzelnen Prozessoren angibt, kann nicht vorhergesagt werden, die gesamte Gleichgewicht-Antwort des Netzwerkes ist lösbar. Inzwischen, der innerere-" Zufall" von einzelnen Verarbeitungs Elemente Antwort Zustanden, die zu den [Boltzman] Maschinen insgesamt beiträgt ,-" lenkte von nicht-zufällig" Antwort kann dem Netzwerk helfen, zu vermeiden, geworden in geklebt-" örtlich attraktiv" aber "global Unter optimal" Lösungen, und dadurch Seiten-Schritte einige vom Risiko von Computer Gangrän, das in streng [deterministischien-von] [Neumann] Maschinen entsteht. Es ist beobachtet worden, daß, [Boltzman] Maschinen eine Wahrscheinlichkeit von eines besseren Lösung zu Erreichen, als es möglich ist, mit von] [Neumann] Architekturen die Existenz von-" Geräusch" in wirklichen Leben-Probleme- Posen ein Problem. Theoretische kommt ein [Boltzman] Maschine Wille von Notwendigkeit bei der optimalen Lösung zu keinen von einer begrenzt Zahl genauer Einteilung-Probleme an, vorausgesetzt, daß es eine unbegrenzte Menge von Zeit für jenen Zweck gegeben wird. Die Dringlichkeit wirklicher Zeit- Probleme selten Genehmigungen langwieriges Problem, das Ausübungen irgendeiner bedeutungsvollen Dauer löst, und die Unfähigkeit von [Boltzman] Maschinen, Probleme innerhalb einer vernünftigen Zeit verläßlich zu lösen, eigen Begrenzungen ihre Nützlichkeit.
  • Danach, dort Überreste eines Bedürfnises in der Kunst von Alternativen zu aktuellen neuralen Netzwerk-Systemen.
  • EP-A-0 357 212 einfalten, eine Methode vom Lagern von Stimulus-Antwort bildet durch das ,kodieren von ihnen als Phase-Winkel, die Vektor-Orientierungen auf einem zweidimensionalen komplexen Ebene entsprechend, nach.
  • Vorteile und Bedienungscharakteristiken, die zumindest durch die vorgezogenen Verkörperungen der hierin beschriebenen Erfindung, realisiert werden, wird nachstehend beschrieben:
  • i) Die Methode bildet ein nicht-connectivist Modell, in dem die Fähigkeit, mehrfache Mengen von unabhängigen Stimulus-Antwort Mustern und sehr komplexen Assoziationen innerhalb der individuellen Neuronnzelle übereinanderzulagern, existiert. In anderen Worten, mehrfache Stimulus Antwort Muster können auf das gleiche Speichermedium übereinander gelagert werden und dadurch werden Informationspeicherdichten weitaus größer als gegenwärtige und konventionale Datenspeichervorrichtungen oder Methoden es allgemein zulassen, erzeugt.
  • ii) Die holographischen neuralen Verfahrenseinrichtungen ermöglichen die Entkodierung einer Antwort, die mit einem gegebenen Stimulus assoziiert ist, wenn eine neurale Einrichtung mit besagtem Stimulus stimuliert wird. Der Vorteil wird realisiert indem beide Funktionen, das Kodieren (Lernen) und Entkodieren (Ausdruck) durchgeführt in einer non-iterativen Transformation durchgeführt werden. Zweitens, aus der Methode resultierend, durch welche Informationen auf das gleiche Speichermedium innerhalb der neuralen Einrichtung übereinander gelagert werden, wie eine Entkodierungs- Transformation auf ein x-beliebiges neurales Element durchgeführt wird, transformiert simultan Stimuluseingabe durch alle Stimulus-Antwort- Assoziationen, die in abstrakter Form innerhalb besagten neuralen Elementes gespeichert sind. Die Kodierungs-/Entkodierungs-Transformation Eigenschaften arbeiten in einer komplett festgelegten Art und Weise im Gegenmenge zu frühere PrAchse Gradierungsabstiegsmethoden, die nicht in sich festgelegt sind..
  • iii) Die holographisch neurale Einrichtung ist allgemein im Format gehalten und kann in einer generischen Art und Weise angewendet werden, um Kodierung und Entkodierung von substantiell jeglicher Art von Stimulus-Antwort-Muster oder Association unterzubringen Stimulus-Antwort-Muster oder Assoziation unterzubringen. Zum Beispiel können die Stimulus-Antwort-Muster eine Form von Sinnesmodalität, physikalische Parameter, abstrakte Darstellung, oder Differential/Integral Funktionen der vorherigen enthalten. Die holographische neurale Einrichtung führt die Kodierung in einer generischen Art und Weise durch mittels Ausstellung der besagten neuralischen Einrichtung, um Mengen der Stimulus-Antwort-Muster zu vervielfältigen. Ähnlich Entkodieren wird in einer Mode ohne Markennamen durch das Freilegen des holographischen neuralen Gerätes zu einem Eingabe-Muster ähnlich zu einem Stimulus erleichtert, assoziierte mit einem vorausgehenden kodiert Stimulus-Antwort- Muster, wodurch gesagt hat, neurales Gerät antwortet im Erzeugen der assoziierten Antwort.
  • iv) Der holographische neurale Prozeß mag beschrieben werden, um in einem Zustandlichen Raum zu operieren, der Form vermißt, (begrifflich ähnlich Raum-Darstellungen anzugeben als innerhalb konventioneller Kontrolle- Theorie definiert hat). In genau, eine [multivalueder-Eingabe] setzte, oder Stimulus-Eingabe wird zu einem Einzelzimmer vermessen, schätzte Antwort- Ausgabe-Zustand, aber innerhalb eines Riemann oder Phase-Domäne. Als früher angegeben, wurde dieser Zustand-Raum, der für jeden Stimulus- Antwort-Assoziation vermißt, wird in einer Verwandlung gelernt. Merkmale vom Riemann vervielfältigen innerhalb des Vermessen kommt Auslage in hohen Grad Verallgemeinerung innerhalb des vermessenden Prozesses wesentlich vor. In anderen Wörten bildet gelernter Stimulus das sehr verfälscht worden ist oder von dem nur zum neuralen Element teilweise freigelegt wird, wird zur gelernten Antwort mit niedrigem Fehler wesentlich assoziiert.
  • v) Als das Resultieren von den Eigenschaften zitiert, zeigt [i]) und [iv]) über, das holographische neurale Element hat eine umfangreiche und mächtige Fähigkeit für Assoziationindung. Wieder werden diese Assoziationen von Stimulus-Antwort-Mustern hergeleitet, die potentiell verschiedene Formen von externen Feld-Intensitäten, die von irgendeiner Form von Sinnes Modalität oder [differential/integral] dann hergeleitet werden mögen, darstellen, funktionieren Sie davon. Man mag den Vergleich zeichnen, den das neurale Element als ein zufriedenes ansprechbares Gedächtnis operiert. Gesagter Inhalt, den ansprechbares System in einer Art operiert, die das Gedächtnis einer gelernten Antwort durch das Adressieren des Neuron mit einer assoziiert Stimulus-Eingabe ausgedrückt wird. Innerhalb eines mehrstöckigen [multineuralen-Systems] wird dieser Fähigkeit Assoziationen erlauben, sich am Netzwerk oder [iterate] innerhalb einer Reaktion-Schlinge fortzupflanzen. Assoziationen mögen sich an einem neuralen Pfad fortpflanzen, der sich gabelt, und zusammenbindent in irgendeiner primitiven oder sehr komplexen [synaptisch-Anordnung] abhängig auf den Assoziationenn, die kodiert wurden, und die [neural-Verbindungs-Form].
  • vi) Der holographische neurale Prozeß folgt der nicht-Störung-Regel direkt. Das heißt, vorausgehende gelernte Stimulus-Antwort-Assoziationen werden durch nachfolgendes Lernen oder durch das Kodieren minimal beeinflußt. Diese Eigenschaft ist verschieden von der Mehrheit von Neigung-Abstieg, modelliert das die ganze Schulung erfordert, setzen Sie, anwesend während eines Lernens oder Kodierung von Bedienung. Die nicht-Störung-Eigenschaft von den holographischen Prozeß-Genehmigungen, die lernen, und Ausdruck von Stimulus-Antwort-Assoziationenn, der abwechselnd verteilt werden sollte, oder in irgendeiner sequentiellen Reihenfolge oder Priorität zu operieren.
  • vii) Auf erzeugtem Ausdruck gesagt holographischer neuraler Prozeß einen Antwort-Vektor, der beiden Phase-Winkel besitzt, der den gelernten Informationen-Wert innerhalb einer analogen Auswahl erzählt, und Ausmaß. Das Ausmaß ist statistisch proportional zum Grad Anerkennung für das Stimulus-Muster. Dieses Ausmaß-Merkmal stellt einen sehr wichtigen Bestandteil in der erzeugten Antwort bereit, die eine Maßnahme von Zuversicht in Anerkennung bereitstellt. Eine nicht-lineare Bedienung mag auf dem erzeugte Antwort-Ausmaß, beim Erlauben des neuralen Elementes, als ein Anerkennung-discriminator über eine definiert Schwelle zu funktionieren, aufgeführt werden. Dieses betriebsbereite Merkmal verbessert die Fähigkeit des neuralen Systems bedeutend, daß das neurale Element als ein kultivierter analoger Schalter funktioniert, das Anmachen der Ausgabe-Antwort (das Erzeugen von Einheit oder großem Ausmaß), wenn der assoziierte Stimulus einen hohen Grad Anerkennung ausdrückt. Ähnlich schaltet die erzeugte Antwort für das neurale Element aus (erzeugt 0 Ausgabe-Ausmaß) wenn zu freigelegt hat eine verlernte oder unerkannter Stimulus. Innerhalb eines [multilayer] oder Reaktion-Netzwerkes wird diese Diskriminierung-Fähigkeit nur gelernt Stimulus-mappings erlauben, Antworten zu erzeugen, die dann sich durch nachfolgende Schichten innerhalb des neuralen Systems fortpflanzen. Die Fähigkeit das Wechseln von Logik auf erkannten Stimulus eigen aufzuführen bildet Genehmigungen der Neuron nach, um innerhalb gleichzeitig zu operieren, beide ein analog (Phase-Informationen) und logisch ([high/low-Ausmaß]) Gerüst.
  • viii) Gesagter Stimulus-Antwort-Muster werden zu binären Werten nicht begrenzt und werden zu irgendeiner Zahl Basis System Darstellung auf Umwandlung- Maßstab nicht begrenzt ([i.e]. logarithmisch). Gesagt holographisches neurales Gerät erlaubt das Kodieren und das Entkodieren von gesagt Stimulus-Antwort, bildet nach dessen Elementen variabel nunterbrochen sind, definierte Auswahl analoger Werte.
  • ix) Das holographische neurale Gerät mag modifiziert werden, um das Kodieren und das Entkodieren von einer großen Zahl von Mengen gesagten Stimulus- Antwort unterzubringen, bildet nach irgendeiner gegeben Größe von Stimulus-Feld assoziiert hat. Die Größe gesagt Stimulus-Feldes wird als die Zahl verschiedener Elemente definiert (Elemente von Informationen) innerhalb sagte das Stimulus-Feld. Die Zunahme in Speicherkapazität für Stimulus- Antwort-Assoziationen innerhalb des holographischen neuralen Gerätes mag pro sein, bildete durch Generationen von höheren Reihenfolge-Statistiken, die definierte [Vorbearbeitung] benutzen, meint auf Stimulus-Eingabe-Fakten.
  • x) Gesagte Antwort-Ausgabe sprach in Unterartikel-vii) über enthält einen [deterministischen"] Fehler" variablen Ausmaßes. Dieser [deterministischen"] Fehler" charakterisiert einen Verschwommenheit ("fuzziness")-Faktor oder Beitrag innerhalb der erzeugten Antwort-Ausgabe. Der [probabilisTabellee- Unterschied] gesagt [deterministischen"] Fehler" innerhalb der Antwort- Ausgabe ist proportional zur Zahl von Stimulus-Antwort-Mustern, die ins holographische neurale Gerät kodiert wurde. Gesagt [deterministische-"] Fehler" innerhalb der Antwort-Ausgabe ist klein in Ausmaß genug, sehr große Mengen der Stimulus-Antwort-Assoziationen zu erlauben, kodiert zu werden oder überlegte auf gesagt holographisches neurales Gerät.
  • xi) Tüchtigkeit des holographischen neuralen Prozesses wird durch das Verhältnis von Zahl von Daten-Lagerung-Elementen innerhalb gesagt holographischen neuralen Gerätes zur Menge von Informationen in der Form von Stimulus-Antwort-Assoziationenn, die in Zusammenfassung mathematische Formen kodiert werden mögen, dargestellt. Die Merkmale gesagt Gerätes sind solche, daß die Tüchtigkeit von Stimulus-Antwort-Muster- Lagerung proportional zur Zahl diskreter Informationen-Elemente innerhalb des Stimulus-Feldes ist. Das heißt, die Zahl von unabhängigen Stimulus- Antwort-Assoziationenn, die kodiert werden mögen, ist für [portioned] zur Zahl diskreter Elemente innerhalb des Stimulus-Feldes direkt.
  • xii) Der Prozeß hat die Fähigkeit, ein Herrschaft-Profil in Zeit für gelernte Stimulus-Antwort-Assoziationen direkt zu gründen, beim so Zeigen eines Gedächtnis-Profils, das sich über irgendeiner Auswahl von unmittelbarem kurzem Begriff zu bleibendem Gedächtnis ausstreckt.
  • Merkmale von gesagt holographischem neuralem Prozeß oder Gerät sind sehr isomorph zu beiden strukturellen und betriebsbereiten Merkmalen des [neurobiological-Systems]. Informationen werden in Zusammenfassungs-Form durch einen zwei dimensionalen oder komplexen Vektor dargestellt und mögen zu einem Puls direkt übersetzt werden, modulierte Welle-Form, die Häufigkeit und Ausmaß besitzt. Dieser [waveform] ist gewöhnlich charakteristische von den [electrochemical-Impulsen], glaubte, um Informationen zwischen [neuron-Zellen] zu übersenden. Gesagt holographisches neurales Gerät lagert Informationen in einer Mode analog zur einfuhrenden [Hebb] Hypothese. Die [Hebb] Hypothese definiert den gewöhnlich angenommen Informationen-Lagerung-Mechanismus des biologischen Neuron. Die Verarbeitungs-Elemente innerhalb des holographischen neuralen Gerätes übersetzen den Eingabe-Stimulus in einer [sigmoidal-Beziehung] also macht bestimmte Klassen biologischen [neurons] ([retinal-neurons]). Gesagtes Gerät verarbeitet Informationen in der Form von Stimulus-Antwort-Beziehungen und kodiert oder lernt die Stimulus-Antwort- Beziehungen durch Aussetzung zu diesen Assoziationenn als macht das [neurobiological-System]. Gesagtes neurales Gerät stellt unmittelbare Ausgabe- Antwort aus (einzelne Verwandlung nicht iterativer Mechanismus) auf Anregung durch Eingabe-Stimulus als macht das [neurobiological-System].
  • Gesagtes neurales Gerät eigen Ausstellungsstücke die Merkmale von flaumigem Gedächtnis oder flaumiger Logik. Gesagtes Gerät hat die Kapazität zu lagern, erkennen, und stellt aus einer kodierten oder gelernten Antwort zu gewaltigen Mengen von Stimulus-Antwort-Assoziationenn als das [neurobiological-System] macht. Gesagtes Gerät integriert die Fähigkeit für ein Gedächtnis-Profil als macht das neurologische System macht.
  • Von einem ersten Aspekt stellt die Erfindung einen assoziativen Gedächtnis-Apparat bereit, der Fakten umfaßt, zeigen Sie Lagerung und Signal an, die Mittel verarbeiten,:
  • für operabel das Bekommen und das Umgestalten von Signalen, die [scalar] Stimulus-Antwort Muster Fakten darstellen, schätzt das Umfassen von jeweiligen, beide-assoziierten Mengen von Stimulus und Antwort- Eingabe-Elementen, und das Lagern von einem umgestalteten Signal, das gleich als eine korrespondierend Korrelation darstellt, das von Riemann mannigfaltige Werte von gesetzt wurden, ein wenigstens erfuhr man Stimulus-Antwort-Muster; und,
  • für das operabel Produzieren und [outputting] experientially-assoziierten Antwort-Daten-Signale, die mitgehend zur Verwandlung von infolgedessen Eingabe-Stimufus-Fakten erzeugt wurden, zeigt das Umfassen von Stimulus repräsentative komplexe Werte an, durch gesagt gelagert Riemann mannigfaltig schätzt Signale;
  • charakterisierte in jenen Mitteln, wird für das Vergrößern der Zahl von Mengen von Stimulus-Antwort-Muster-Fakten da für gesorgt, sagte man wenigstens, man erfuhr Muster, um Informationen-Inhalt gesagt Korrelation, der einen resultierend gelagerten Riemann mannigfaltiges Werte-Signal eingerückt wurde, dementsprechend zu vergrößern, durch [combinatorial-Produkt-Ausdehnung] gesagt Stimulus-Antwort-Muster-Fakten die Zahl von Eingabe-Elementen innerhalb des Stimulus-Feldes, um einige Stimulus-Eingabe-Elemente, die eine Reihenfolge größer als 1 haben, wenigstens einzuschließen dadurch zu vergrößern, von einem fertigen Bestehen einmaliger [combinatorial] komplexen Produkte gesagt Eingabe-Stimulus-Elemente, gesagt Reihenfolge: die der Zahl von Stimulus-Eingabe-Elementen in gesagten Produkten entspricht. Von einem zweiten Aspekt stellt die Erfindung einen Apparat Einschließen bereit das Verbinden von Kommunikation, meint in Kombination mit einer Mehrheit dadurch assoziierten künstlichen neuralen Gerätes, und das Umfassen von Daten- Lagerung und verarbeitenden Mitteln:
  • für operabel das Bekommen und das Umgestalten von Signalen, die [scalar-Stimulus-Antwort-Muster] darstellen, ' Daten schätzt in wenigstens einem gesagten Geräte, gesagten Daten schätzt das Umfassen von jeweiligen, beiden-assoziierten Mengen von Stimulus und Antwort-Eingabe- Elementen, und das Lagern von einem umgestaltet Signal, das gleich als eine korrespondierend Korrelation darstellt, das von Riemann mannigfaltige Werte gesetzt wurden, so wenigstens erfuhr man Stimulus-Antwort-Muster; und,
  • für das operabel Produzieren und [outputting] experientially-assoziierten, Antwort-Daten zeigt an, erzeugt mitgehend zu Verwandlung von infolgedessen Eingabe-Stimulus-Fakten zeigt das Umfassen von Stimulus repräsentativen komplexe Werten an, durch gesagt gelagert Riemann mannigfaltige geschätzte Signale;
  • charakterisierte in jenen Mitteln, wird für das Vergrößern der Zahl von Mengen von Stimulus-Antwort-Muster-Fakten da für gesorgt, sagte wenigstens, man erfuhr Muster, um Informationen-Inhalt gesagt Korrelation, der einen resultierend gelagert Riemann mannigfaltiges Werte-Signal eingerückt wurde, dementsprechend zu vergrößern, durch [combinatorial-Produkt-Ausdehnung] gesagt Stimulus-Antwort-Muster-Fakten die Zahl von Eingabe-Elementen innerhalb des Stimulus-Feldes dadurch zu vergrößern, um irgendein Stimulus- Eingabe-Element, das eine Reihenfolge von größer als 1 hat, wenigstens einzuschließen, von einem fertigen Bestehen einmaligen [combinatorial] komplexe Produkte gesagt Eingabe-Stimulus-Elemente sagten Reihenfolge, die der Zahl von Stimulus-Eingabe-Elementen in gesagt Produkten entspricht,;
  • und worin Fakten gesagt haben, die verarbeiten, und Lagerungs-Mittel ist operabel, Ausgabe-Antwort-Fakten zusammenzuzählen, Element durch Element, von gesagter Mehrheit von Geräten, als eine Vektor-Summe, einen Korrelation-Menge zu produzieren, der Elemente hat, die einzigartig repräsentativen Werten von all dem Stimulus entsprechen, und assoziierte Antwort-Elemente von jedem von gesagt Mehrheit von Geräten.
  • Von einem dritten Aspekt stellt die Erfindung ein neurales Netzwerk Umfassend bereit das Verbinden von Kommunikation, meint in Kombination mit einer Mehrheit von dadurch assoziierten künstlichen neuralen Geräten und umfassenden Daten-Lagerung und verarbeitend Mitteln:
  • für operabel das Bekommen und das Umgestalten von Signalen, die [scalar] Stimulus-Antwort Muster Fakten darstellen, schätzt in wenigstens einem gesagten Geräte, gesagt Fakten, die jeweilige, beide-assoziiert Mengen von Stimulus und Antwort-Eingabe-Elementen umfassen, und das Lagern von einem umgestaltet Signal, das gleich als eine korrespondierende Korrelation darstellt, das von Riemann mannigfaltige Werte gesetzt wurden, ein wenigstens erfuhr man Stimulus-Antwort-Muster; und,
  • für das operabel Produzieren und [outputting] experientially-assoziierten, Antwort-Daten zeigten an, erzeugt mitgehend zur Verwandlung von infolgedessen Eingabe-Stimulus-Fakten zeigt das Umfassen von Stimulus repräsentative komplexe Werte an, durch gesagt gelagert Riemann mannigfaltigen geschätzten Signalen:
  • charakterisierte in jenen Mitteln, wird für das Vergrößern der Zahl von Mengen von Stimulus-Antwort-Muster-Fakten da für gesorgt, sagte wenigstens, man erfuhr Muster, um Informationen-Inhalt gesagt Korrelationen, der einen resultierend gelagerten Riemann mannigfaltiges Wert-Signal eingerückt wurde, dementsprechend zu vergrößern, durch [combinatorial-Produkt-Ausdehnung] gesagt Stimulus-Antwort-Muster-Fakten die Zahl von Eingabe-Elementen innerhalb des Stimulus-Feldes dadurch zu vergrößern, um irgendeine Stimulus- Eingabe-Element, das eine Reihenfolge größer als 1 hat, wenigstens einzuschließen, von einem fertigen Bestehen einmaligen [combinatorial] komplexen Produkten gesagt Eingabe-Stimulus-Elemente, gesagt Reihenfolge, die der Zahl von Stimulus-Eingabe-Elementen in gesagten Produkten entspricht,;
  • und worin gesagt hat, Netzwerk wird als ein abgesenktes Netzwerk von gesagt Mehrheit von Geräten arrangiert.
  • Von einem vierten Aspekt versorgt die Erfindung das Erzeugen eines Antwort-Signals in Antwort zu einem Stimulus-Signal, gesagt Apparat Umfassen, mit einem Muster-Anerkennung-Apparat:
  • (a) [transducer] bedeutet für das Produzieren eines [scalar-Stimulus-Signals];
  • ([b]) Daten-Lagerung und verarbeitendes Mittel:
  • für operabel das Bekommen und das Verarbeiten von gesagt Stimulus- Signal und das Kombinieren eines [scalar-Antwort-Signals] und umgestaltend gesagt Signale als Stimulus-Antwort-Muster-Fakten damit schätzt das Umfassen von jeweiligen, beide-assoziiert Mengen von Stimulus und Antwort-Eingabe-Elementen,;
  • für das operabel Lagern eines umgestalteten Signals, das gesagte Stimulus-Antwort-Muster-Fakten darstellt, schätzt als eine korrespondierend Korrelation, die von Riemann mannigfaltige Werte von gesetzt wurde, ein wenigstens erfuhr man Stimulus-Antwoli-Muster; und,
  • für das operabel Produzieren und [outputting] experientially-assoziierten, Antwort-Daten zeigt an, erzeugt mitgehend zu Verwandlung von infolgedessen Eingabe-Stimulus-Fakten zeigt das Umfassen von Vertreter komplexe Werte an, durch gesagt gelagert Riemann mannigfaltigege geschatzte schätzt Signale;
  • charakterisierte in jenen Mitteln, wird für das Vergrößern der Zahl von Mengen von Stimulus-Antwort-Muster-Fakten da für gesorgt, wenigstens, ein erfahrenes Muster, um Informationen-Inhalt gesagte Korrelation, der einen resultierend gelagert Riemann mannigfaltiges Werte-Signal eingerückt wurde, dementsprechend zu vergrößern, durch [combinatorial-Produkt-Ausdehnung] gesegt Stimulus-Antwort-Muster-Fakten die Zahl von Eingabe-Elementen innerhalb des Stimulus-Feldes dadurch zu vergrößern, um irgendein Stimulus- Eingabe-Element, das eine größer Reihenfolge als ein hat, wenigstens einzuschließen, von einem einmaligen fertigen Bestehen einmaligen [combinatorial] komplexe Produkte gesagte Eingabe-Stimulus-Elemente, gesagt Reihenfolge, die der Zahl von Stimulus-Eingabe-Elementen in gesagte Produkten entspricht.
  • Von einem fünften Aspekt versorgt die Erfindung das entgegenkommend Identifizieren eines Stimulus-Musters, beim Umfassen der Schritte von, mit einer Methode:
  • (a) das Produzieren eines [scalar-Stimulus-Signals];
  • ([b]) das Richten von gesagt Stimulus-Signal an Daten-Lagerung und verarbeitenden Mittel, und [therein]:
  • das Bekommen und das Verarbeiten von gesagt Stimulus-Signalen und das kombinieren eines Antwort-Signals und umgestaltend gesagt Signale als Stimulus-Antwort-Muster-Fakten damit geschätzt das Umfassen von jeweiligen, beiden-assoziierten Mengen von Stimulus und Antwort-Eingabe- Elementen,;
  • und das Lagern eines umgestalteten Signals, das gesagt Stimulus-Antwort- Muster-Fakten darstellt, schätzt als eine korrespondierend Korrelation, die von Riemann mannigfaltige Werte von gesetzt wurden, ein wenigstens erfuhr man Stimulus-Antwort-Muster; und,
  • das Produzieren und [outputting] experientially-assoziierten Antwort-Daten- Signalen, die mitgehend zu Verwandlung von infolgedessen Eingabe-Stimulus- Fakten erzeugt wurden, zeigt das Umfassen von Stimulus repräsentativen komplexe Werte an, durch gesagt gelagert Riemann mannigfaltige geschätzte schätzt Signale;
  • charakterisierte in daß die Zahl von Mengen von Stimulus-Antwort-Muster- Fakten für sagte man, das erfahren wurde, wenigstens, das Muster wird vergrößert, um Informationen-Inhalt gesagt Korrelation, der einen resultierend gelagert Riemann mannigfaltiges Werte-Signal eingerückt wurde, dementsprechend zu vergrößern, durch Ausdehnung gesagt Stimulus-Antwort- Muster-Fakten die Zahl von Eingabe-Elementen innerhalb des Stimulus-Feldes dadurch zu vergrößern, um irgendein Stimulus-Eingabe-Element, das eine Reihenfolge von größer als 1 hat, wenigstens einzuschließen, von einem fertigen Bestehen einmaligen [combinatorial] komplexen Produkten gesagte Eingabe- Stimulus-Elemente, gesagt Reihenfolge, die der Zahl von Stimulus-Eingabe- Elementen in gesagten Produkten entspricht.
  • In bestimmten Verkörperungen erzählt diese Erfindung zu einem künstlichen neuralen Gerät, das umfaßt,; eine Einheit für das Lagern und das Verarbeiten von Fakten in einer abstrakten Form repräsentativ von Stimulus- Antwort-Mustern; ein Gerät für das Kodieren von Fakten auf gesagten Daten- Lagerung und Prozessor durch das Übersetzen der Elemente von assoziierten Stimulus und Antwort bildet in komplexe Zahlen oder Vektoren mit den assoziiert Informationen nach, die durch einen Vektor-Phase-Winkel oder Vektor- Orientierung und einen Ausmaß-Bestandteil dargestellt wurden, und das Erzeugen einer Matrize, wessen Elemente komplexe Zahlen oder Vektoren sind, die gesagt mehrfache Stimulus-Antwort Kodieren, bildet nach, wodurch jedes gesagten Stimulus-Antwort-Musters auf gesagt Lagerung-Einheit überlegt wird. sagte Einheit, die eine Antwort entkodiert, die mit einem kodierten Stimulus- Antwort-Muster assoziiert wurde, wenn gesagt hat, Matrize, die in gesagt Daten- Lagerung-Einheit kodierten wurdel wird durch gesagte Stimulus-Signale stimuliert.
  • Bestimmte Verkörperungen der Erfindung bemannen auch, stellen Sie eine Methode vom Verbessern von der Lagerung und rechnerischer Kapazität von künstlichen neuralen Geräten, die die Schritte von umfassen, bereit: das Kodieren von Fakten durch das Übersetzen von Mengen von assoziiert Stimulus und Antwort zeigt in komplexe Zahlen an, die durch einen Vektor-Phase-Winkel und Ausmaß dargestellt wurden,; das Erzeugen einer Matrize, die Stimulus- Antwort darstellt, bildet für nach jedes setzen Sie von assoziiert Stimulus- Antwort, zeigt an, wodurch jedes sagte, daß Stimulus-Antwort auf Daten- Lagerung und Prozessor überlegt wird,; das Entkodieren von einem Antwort- Signal, das mit einem Stimulus-Signal durch das Anwenden von gesagt Stimulus-Signal zu gesagt Stimulus-Antwort-Mustern assoziiert wurde, das in gesagt Daten-Lagerung-Einheit als so kodiert wurde, um gesagte Antwort- Signale zu erzeugen, das mit gesagten Stimulus-Signalen assoziiert wurde.
  • Weiter erzählen Verkörperungen dieser Erfindung zu einem Muster- Anerkennungs-Gerät für das Erzeugen eines Antwort-Signals in Antwort zu einem Stimulus-Signal, das umfaßt,: ein Gerät für das Lesen oder [inputting] ein Stimulus-Signal; ein Gerät für das Übersetzen von Elementen gesagt Stimulus- Signals in komplexe Zahlen oder Vektoren mit den assoziierten Informationen stellte durch Vektor-Phase-Winkel oder Vektor-Orientierung und einen Ausmaß- Bestandteil dar; eine Einheit für das Lagern von gesagt übersetzten Stimulus zeigt an; ein Gerät für das Übersetzen von Elementen gesagt Antwort-Signals in komplexe Zahlen oder Vektoren mit den assoziiert Informationen stellte durch Vektor-Phase-Winkel oder Vektor-Orientierungen und einem Ausmaß- Bestandteil dar; eine Einheit für das Lagern von gesagt übersetzte Antwort zeigt an; ein Gerät für das Erzeugen und das Lagern einer Matrize, die Stimulus- Antwort darstellt, bildet Sie von, übersetzte, assoziierte Stimuluse und Antworten zeigt das Überlegen jedes Stimulus-Antwort-Musters auf die gesagte Lagerung-Einheit dadurch an; ein Gerät für das Erzeugen eines Antwort-Signals wenn Einheit gesagt hat für das Lagern von gesagt Matrize und das Aufführen vom Entkodieren von Verwandlungen, wird durch gesagt Stimulus-Signal stimuliert, das mit gesagten Antwort-Signal assoziiert wurde.
  • Noch eine Verkörperung dieser Erfindung streckt sich zu einer Methode vom Verbessern von Muster-Anerkennung in einem künstlichen neuralen Gerät, das die Schritte von umfaßt, aus: das Produzieren eines Stimulus-Signals; das Überbetzen von gesagt Stimulus-Signal durch einen Prozessor in komplexe Zahlen stellte durch Vektor-Phase-Winkel und Ausmaß dar; das Lagern von gesagt übersetzt Stimulus-Signal in ein Lagerung-Einheiten, die ein Antwort- Signal erzeugen, assoziierte mit einem Stimulus-Signal durch gesagt Prozessor in komplexe Zahlen, die durch Vektor-Phase-Winkel und Ausmaß dargestellt wurden,; das Übersetzen von gesagter Antwort zeigt durch gesagten Prozessor an, und das Lagern von gesagt übersetzter Antwort zeigt auf gesagt Lagerung- Einheit an; das Erzeugen einer Matrize, die Stimulus-Antwort darstellt, für nach bildet jedes setzen Sie von assoziierten Stimulusen und Antworten, zeigtes an und das Lagern von jedem, das gesagt wurde, daß Stimulus-Antwort auf gesagt Lagerung-Einheit nachbildet,; das Erzeugen einer Antwort-Nachricht wenn gesagt, Matrize von Stimulus-Antwort-Mustern wird durch Stimulus-Signal stimuliert, das mit Antwort-Signal assoziiert wurde.
  • Noch eine Verkörperung dieser Erfindung erzählt zu einem Vision- Anerkennungs-Gerät für das Erzeugen eines Zuhörerschaft-Antwort-Signals in Antwort zu einem visuellen Stimulus-Signal, das umfaßt,: ein visuelles Feld- Eingabe-Gerät oder Kamera für das Erzeugen eines Stimulus-Signals wenn operabel aktivierte; eine Lagerung-Einheit für das Lagern von Fakten; eine Einheit für das Übersetzen von Elementen gesagten visuellen Stimulus-Signals in komplexe Zahlen mit den assoziierten Informationen stellte durch Vektor- Phase-Winkel und Ausmaß-Bestandteile dar, und lagernd gesagt übersetzt visueller Stimuluse zeigt auf gesagte Lagerung-Einheit an; ein Gerät für das Lesen oder [inputting] ein Zuhörerschaft-Antwort-Signal assoziiert mit einem visuellen Stimulus-Signal; eine Einheit für das Übersetzen von gesagt Zuhörerschaft-Antwort zeigt in komplexe Zahlen oder Vektoren mit den assozierten Informationen an, die durch Vektor-Phase-Winkel und Ausmaß- Bestandteile dargestellt wurden, und lagernd gesagte übersetzte Charakter- Wort-Antwort zeigt auf gesagt Lagerung-Einheit an; eine Verarbeitungs-Gerät fähig von Aufführung Verwandlungen bildet eine Matrize zu erzeugen, die eine Stimulus-Antwort darstellt, für nach jedes setzen Sie von assoziierten visuellem Stimulus und Zuhörerschaft-Antwort, zeigt an und das Überlegen von jedem, das gesagt wurde, daß Stimulus-Antwort auf gesagte Lagerung-Einheit nachbildet,; ein Verarbeitungs-Gerät fähig von Aufführung Verwandlungen ein Antwort-Signal zu erzeugen wenn das Verarbeiten von Geräten, das auf Matrize kodierte Stimuluse-Antwort-Muster zugreift, gesagt hat, wird durch visuelles Stimulus- Signal stimuliert, das mit Zuhörerschaft-Antwort-Signal assoziiert wurde,; ein Gerät für das Umgestalten von Antwort-Signalen, das durch komplexe Zahlen oder Vektoren in Zuhörerschaft-Ausgabe dargestellt wurde.
  • Noch ist noch eine Verkörperung dieser Erfindung eine Methode vom Erzeugen einer Zuhörerschaft-Antwort durch ein künstliches neurales Gerät in Antwort zu einem visuellen Stimulus-Signal, das die Schntte umfaßt,: das Produzieren eines visuellen Stimulus-Signals durch eine Video-Kamera-Einheit dann; das Übersetzen von gesagt visuellem Stimulus-Signal in komplexe Zahlen stellte durch Vektor-Phase-Winkel und Ausmaß dar und das Lagern von gesagt übersetzt visuellem Stimulus-Signal auf eine Lagerungs-Einheit; ein Gerät für das Erzeugen einer Zuhörerschaft-Antwort-Signals, das mit gesagt visuellem Stimulus-Signal assoziiert wurde,; eine Einheit für das Übersetzen von gesagt Zuhörerschaft-Antwort-Signal in komplexe Zahlen stellte durch Vektor-Phase- Winkel und Ausmaß dar und das Lagern von gesagt übersetzt Zuhörerschaft- Antwort-Signal auf gesagt Lagerung-Einheit; ein Gerät für das Erzeugen und das Lagern einer Matrize, die Stimulus-Antwort darstellt, bildet Sie von assoziiert visuellem Stimulus, zeigt an, und Zuhörerschaft-Antwort zeigt an, und das Lagern von gesagt Stimulus-Antwort bildet auf gesagt Lagerung-Einheit nach; das Erzeugen einer Zuhörerschaft-Antwort wenn gesagt hat, Matrize von Stimulus-Antwort-Mustern wird durch gesagt visuelles Stimulus-Signal stimuliert, das mit gesagt Zuhörerschaft-Antwort-Signal assoziiert wurde.
  • Noch eine Verkörperung dieser Erfindung erzählt zu einem Rede- Anerkennungs-Gerät für das Erzeugen eines Ausgabe-Signals, das Charakter- Wörter oder Römer Ziffern in Antwort zu einem gesprochenen Zuhörerschaft- Stimulus-Signal kodiert, das umfaßt,: eine Zuhörerschaft-Eingabe oder Mikrophon-Gerät für das Erzeugen eines Zuhörerschaft-Stimulus-Signals wenn operabel aktivierte; eine Lagerung-Einheit für das Lagern von Fakten; eine Einheit für das Übersetzen von Elementen gesagt Zuhörerschaft-Stimulus- Signals in komplexe Zahlen mit den assoziierten Informationen stellte durch Vektor-Phase-Winkel und Ausmaß-Bestandteile dar, und lagernd übersetzt visueller Stimulus zeigt auf Lagerung-Einheit an; ein Gerät für das Lesen oder [inputting] ein Charakter Wort Antwort Signal assoziierte mit einem Zuhörerschaft-Stimulus-Signal; eine Einheit für das Übersetzen von gesagt Charakter-Wort-Antwort zeigt in komplexen Zahlen oder Vektoren mit den assoziierten Informationen an, die durch Vektor-Phase-Winkel und Ausmaß- Bestandteile dargestellt wurden, und lagernd gesagt übersetzte Charakter-Wort- Antwort zeigt auf gesagt Lagerung-Einheit an; ein Verarbeitungs-Gerät fähig von Aufführung Verwandlungen bildet eine Matrize zu erzeugen, die Stimulus- Antwort lagert, für jedes setzen Sie von assoziiert Zuhörerschaft-Stimulus und Charakter-Wort-Antwort, zeigt an und das Überlegen von jedem, das gesagt wurde, daß Stimulus-Antwort auf gesagte Lagerung-Einheit nachbildet,; ein Verarbeitung-Gerät fähig von Aufführung Verwandlungen ein Antwort-Signal zu erzeugen, wenn das Verarbeiten vom Gerät, das auf Matrize kodiert Stimulus- Antwort-Muster zugreift, gesagt hat; wird durch gesagtes visuelles Stimulus- Signal stimuliert, das mit gesagter Zuhörerschaft-Antwort-Signal assoziiert wurde,; ein Gerät für das Umgestalten von gesagt Antwort-Signal, das durch komplexe Zahlen oder Vektoren in die Charakter-Wort-Darstellung dargestellt wurde.
  • Noch erzählt noch eine Verkörperung dieser Erfindung zu einem robotic- Gerät für das Erzeugen eines Ausgabe-Signals, das axiale Position oder axiale Raten von Bewegung in Antwort zu Stimulus kodiert, zeigt das Kodieren von axialen Positionen, axiale Raten von Bewegungen, an visuelle Eingabe-Fakten, greifbare Informationen, und so weiter, das System Umfassen: eine Position, die Gerät spürt für das Erzeugen von Position und Rate von Bewegung-Stimulus- Signalen,; ein visuelles Feld-Eingabe-Gerät für das Erzeugen eines visuellen Stimulus-Signals; ein Druck-Sensor-Gerät oder Geräte für das Erzeugen von greifbaren Stimulus-Signalen; eine Lagerung-Einheit für das Lagern von Fakten; eine Einheit für das Übersetzen von Elementen angegeben axialer Position, axiale Rate von Bewegung, visueller, und greifbarer Stimulus Zeigt in komplexe Zahlen mit den assoziiert Informationen an, die durch Vektor-Phase-Winkel und Ausmaß-Bestandteile dargestellt wurden, und lagernd angegeben übersetzt Stimulus zeigt auf angegeben Lagerung-Einheit an; ein Gerät für das Lesen oder inputting ein robotic, mit denen axiale Position oder axiale Rate von Bewegung- Antwort-Signal assoziierte, gaben an [robotic) axiale Position, axiale Rate von Bewegung, visuelle und greifbare Stimulus-Signale,; eine Einheit für das Übersetzen von angegeben robotic-Antwort zeigt in komplexe Zahlen oder Vektoren mit den assoziiert Informationen an, die durch Vektor-Phase-Winkel und Ausmaß-Bestandteile dargestellt wurden, und lagernd angegeben übersetzt robotic-Antwort zeigt auf angegeben Lagerung-Einheit an; ein Verarbeitung- Gerät fähig von Aufführung Verwandlungen bildet einen oder mehreren matrices zu erzeugen, der Stimulus-Antwort darstellt, für nach jedes setzen Sie von assoziiert robotic-Stimulus-Antwort, zeigt an und das Überlegen von jedem, das angegeben wurde, robotic-Stimulus-Antwort bildet auf angegeben Lagerung- Einheit nach; ein Verarbeitung-Gerät fähig von Aufführung Verwandlungen ein robotic-Antwort-Signal zu erzeugen wenn das Verarbeiten von Gerät, das auf ein oder mehreren matrices kodiert robotic-Stimulus-Antwort-Muster zugreift, angegeben hat, wird durch angegeben robotic-Stimulus-Signat stimuliert, das mit angegeben robotic-Antwort assoziiert wurde, zeigt ein Gerät an für das Umgestalten von angegeben robotic-Antwort-Signal, das durch komplexe Zahlen oder Vektoren in eigentlichen robotic axiale Bewegungen oder Raten von Bewegungen dargestellt wurde.
  • Noch erzählt noch eine Verkörperung ihrer Erfindung zu einem Expertensystem oder automatisierte das Durchdenkende Gerät für das Erzeugen einer Entscheidung oder scheinbaren intelligenz oder ansonsten zeigt intelligente Ausgabe in Antwort zu einem Stimulus an das mehrere verschiedenartige und verschiedene Formen von Sinnes Modalitäten, gemessenen Parametern, Beton oder abstrakten Vorstellungen darstellen mag und so weiter The said output response may be embodied in any form of sensory modality (i.e. visuell, Zuhörerschaft) aber wird die Ausgabe-Form von Rede für dieses Beispiel benutzt werden. Das gesagte Expertensystem oder automatisierte das Durchdenkende Gerät, würde umfassen: ein Menge von Geräten für das Lesen oder [inputting] sagten verschiedenartige und verschiedene Formen von Sinnes Modalitäten, gemessenen Parametern, Beton oder abstrakten Vorstellungen für Generation des Stimulus-Signals; eine Lagerung-Einheit für das Lagern von Fakten; eine Einheit für das Übersetzen von Elementen gesagt mehrfachen Ursprung-Stimuluses zeigt in komplexen Zahlen mit den assoziiert Informationen an, die durch Vektor-Phase-Winkel und Ausmaß-Bestandteile dargestellt wurden, und lagernd übersetzt visueller Stimuluse zeigt Lagerung-Einheit an; ein Gerät für das Lesen oder [inputting] eine Zuhörerschaft-Antwort-Signal assoziierte mit einem mehrfachen Ursprung-Stimulus-Signal; eine Einheit für das Übersetzen von gesagt Zuhörerschaft-Antwort zeigt in komplexen Zahlen oder Vektoren mit den assoziierten Informationen an, die durch Vektor-Phase-Winkel und Ausmaß-Bestandteile dargestellt wurden, und lagernd gesagt übersetzte Charakter-Wort-Antwort zeigt auf gesagte Lagerung-Einheit an; ein Verarbeitungs-Gerät fähig von Aufführung Verwandlungen bildet einen oder mehrere [matrices] zu erzeugen, der Stimulus-Antwort darstellt, für jedes setzen Sie von assoziiert mehrfachem Ursprung-Stimulus und Zuhörerschaft-Antwort, zeigt an und das Überlegen von jedem, das gesagt wurde, daß Stimulus-Antwort auf gesagte Lagerung-Einheit nachbildet,; ein Verarbeitungs-Gerät fähig von Aufführung vonVerwandlungen ein Antwort-Signal zu erzeugen wenn das Verarbeiten von Geräten, das auf [matrices] zugreift, das Stimulus kodiert wurde, Antwort-Muster werden durch gesagtes mehrfaches Ursprung-Stimulus-Signal stimuliert, das mit Zuhörerschaft-Antwort-Signal assoziiert wurde,; ein Gerät für das Umgestalten von Antwort-Signalen, das durch komplexe Zahlen oder Vektoren in die Zuhörerschaft-Ausgabe dargestellt wurde. Gesagtes Gerät würde von mehreren Schichten von Verwandlungs-Gruppen und Signal- Reaktions-Mechanismen optimal bestehend. Gesagte Verwandlung-Gruppe besteht von einer Teilmenge von Stimulus-Antwort-Mustern, die in eine Teilmenge von [matrices] kodiert wurde, wodurch die Stimulus-Eingabe zu Teilmengen von [matrices] von Verwandlung-Gruppen in höheren Schichten entsteht,; Ausgabe-Antwort von Teilmenge von [matrices] wird in Verwandlungs- Gruppen in niedrigeren Schichten direkt oder indirekt weitergeleitet. Gesagts Reaktions-Mechanismus mag von Zuhörerschaft-Antwort bestehen, die in die Umgebung gefüttert wurde,; sagte Zuhörerschaft-Antwort, die eine Reaktion innerhalb der Umgebung veranlaßt,; sagte Reaktion innerhalb der Umgebung, mag in irgendeiner Form verkörpert werden ([i.e]. gesunde Welle-Fortpflanzung, Reaktion von externem Gerät oder Organismus, und so weiter); said reaction within the environment fed back into said expert system or automated reasoning device as a stimulus signal. Gesagt Reaktion-Mechanismus mag von einer zweiten Form bestehen, wodurch Antwort von gesagt Verwandlungen ausgibt, gruppiert in höheren Schichten, wird als Stimulus-Eingaben an gesagte Verwandlung direkt weitergeleitet, gruppiert in den gleichen oder niedrigeren Schichten.
  • Bestimmte Verkörperungen dieser Erfindung sind fähig vom Verbessern von der Lagerung und Kapazität des künstlichen neuralen Gerätes, die auf dem Prozeß gegründet wurden, die das Beschäftigen von keinen der folgenden Methoden hierin beschrieben wurden,:
  • (ein) das Beschäftigen von [Hermitian] oder anderen [Vorbearbeitung- Bedienungen] auf dem Eingabe-Stimulus-Feld, um die Stimulus-Feld-Größe des Prinzips neurales Element zu vergrößern. Solche Vorbearbeitung wird mit der Absicht aufgeführt, um die Größe des Stimulus-Feldes zu vergrößern und so die Zahl von Stimulus-Antwort-Mustern, die man auf dem neuralen Element überlegen mag. Solches [Vorbearbeitung] bedeutet, daß Genehmigung- Stimulus-Antwort nachbildet, das statistisch nah ist, oder von niedriger Trennung in Zustandlichem Raum, oder von hohem Grad nicht-linearer Trennbarkeit für diskrete oder verschiedene Antworten kodiert zu werden.
    • Zusätzliche Bekanntgabe:
  • (b) Beschäftigend Hermitianische oder Sigmoid oder ähnliche Prozesse auf dem Stimulus oder Antwort-Feldern, die Eigenschaft von Symmetrie zu erreichen, Symmetrie, die eine wichtige Anforderung für den Prozeß in jenen Eingaben- Feldern ist, muß Qualität von Symmetrie besitzen, um optimale Informationen- Lagerung-Dichtung zu sich nähern. Symmetrie in diesem Kontext bezieht sich auf eine symmetrische Verteilung von Vektoren, die um einen zwei dimensionalen, oder komplexen orientiert wurde, oder Riemann, oder Phase- Ebene. Die [sigmoid-Bedienung] erreicht Symmetrie durch das Neue Verteilen von [Gaussian] Verteilungen, als das Vorkommen innerhalb der meisten natürlichen Prozesse, zur gewünscht symmetrischen Form. Außerdem dehnte eine Eingabe-Verteilung sich zu höheren Reihenfolge-Statistiken, zum Beispiel durch das Verarbeiten durch mehrfache Schichten von [Hermitian] [matrices], aus, asymptoTabelle nähert die optimale symmetrische Form für Ausführung von Lernen (das Kodieren) und Ausdrücken (das Entkodieren).
  • (c) Das Anwenden einer nicht-linearer Bedienung auf dem Antwort-Ausgabe- Ausmaß, um das neurale Element zu erlauben, als ein Anerkennungsdiscriminator über eine definierte Schwellen-Begrenzung zu operieren. Diese Bedienung wesentlicher Ursachen das neurale Element, auf zu wechseln (großes Ausmaß) für erkannten Stimulus und schaltet sich aus (kleines Ausmaß) für unerkannten Stimulus.
  • (d) Gruppen neuraler Elemente kombinieren um, ein System zu bilden, das aus Verwandlung-Gruppen besteht worin gesagte, Verwandlung-Gruppe eine Mehrheit von Informationen-Werten oder Elementen innerhalb des Antwort- Feldes, das mit jedem Stimulus-Muster assoziiert ist kodiert und entkodiert. Die Verwandlung-Gruppe als Einzelnes aus Elementen zusammengesetzte neurales Gerät gestaltet werden, Elektro-maschinell basierte, Mikroelektronisch basierte, Software basierte, opTabelle basierte, biologisch basierte oder ansonsten.
  • (e) Gruppen von gesagten neuralen Geräten, die aus Verwandlung Gruppen bestehen, parallel Anordnen das Eingabe-Stimulus-Muster in mehrere Verwandlung-Gruppen und getrennte verschiedene Antwort-Felder eingesetzt, werden konnen und getrennte,verschiedene Antwort-Felder von jeder Verwandlung-Gruppe in Übereinstimmung mit jenem Eingabe-Stimulus- Muster dann ausgeben.
  • (f) Gruppen von gesagten Geräten, die aus Verwandlung Gruppen bestehen in eine geschichtete Anordnung kombinieren so das die Ausgabe-Antwort-Felder von Verwandlung-Gruppen niedrigerer Schichten in die Eingabe-Stimulus- Felder von höheren Schichten gesagten Verwandlung-Gruppen eingesetzt werden Können.
  • (g) Gruppen gesagten Verwandlung Gruppen in Geschicchteten sowie auch parallelen Netzen in jeder definierbaren zwischen-Verbindung,Form kombinieren.
  • (h) Signal-Reaktion-Mechanismen verwenden so das jene Ausgabe-Antwort- Felder von Verwandlungs-Gruppen in höheren Schichten, entweder direkt oder indirekt über die externe Umgebung, zu Stimulus-Felder von Verwandlung-Gruppen in den gleichen oder niedrigeren Schichten weitergeleitet wird.
  • (i) Dynamischer zeitvariabler Verfall der kodierten Informationen repräsentativ von den synaptischen Verbindungen verwenden und in einer abstrakten Form durch angegebene Korrelation-Matrize [X] präsentiert. Der Zweck dieser Technik sollte ein Speicherungsgedächtnisprofil gründen, das die Vorherrschaft kodierter informationen über einer Auswahl die sich von bleibender oder langer Begriffsspeicheerung-bis sehr kurzer Begriffsspeicherung ausstreckt, bestimmt.
    • Zusätzliche Bekanntgabe:
  • ]) Das Gründen einer hemmenden/errgender-Einteilung oder Gruppierung für die [synaptisch-Verbindungen], um Symmetrie-Eigenschaften zu verbessern. Gesagte [hemmenden/errgender] Gruppierung wird durch die Übersetzung von einer Teilmenge von Vektor-Elementen innerhalb des Stimulus-Feldes ausgeführt.
  • (k) Wo berechnende Einfachheit erfordert wird, kann das betriebsbereite System reduziert werden oder zu einem ein dimensionalen oder [scalar-System] vereinfacht werden wodurch die Informationen oder Phase-Bestandteil zu einer binären Darstellung begrenzt wird. Das ist, die Phase-Bestandteile werden bei 0 und π definiert, die ein binäres Informationen-System darstellen. Die Mehrheit anderer Aspekte die den Prozeß betrefffen ([i.e]. höhere Reihenfolge-Statistiken) bleiben jetzt ähnlich webb betrachtet wird, daß jene Informationen-Darstellung innerhalb der Phase-Domäne, jetzt nur zu den 0/π Phase-Orientierungen begrenzt werden.
  • Verkörperungen dieser Erfindung können für unzählige Anwendungen angewandt werden einschließen:
  • (a) Einverleibung des künstlichen neuralen Gerätes in irgendein System oder Teilsystem, wessen Funktiones ist, einen visuellem Eingabe-Stimulus zu eerkennen oder auf einen zu antworten.
  • (b) Einverleibung des künstlichen neuralen Gerätes in irgendein System oder Teilsystem, wessen Funktiones ist, einen Ton Eingabe-Stimulus zu erkennen oder auf einedn zu antworten.
  • (c) Einverleibung des künstlichen neuralen Gerätes in irgendein System oder Teilsystem, wessen Funktiones ist,einen Stimulus der irgendeine Form von Sinnes Modalität oder abstrakter Darstellung davon darstellt, zu erkennen oder auf einen zu antworten.
  • (d) Einverleibung des künstlichen neuralen Gerätes in irgendein System oder Teilsystem, wessen Funktiones ist, einen Stimulus, der irgendeinen physischen Parameter oder abstrakte Darstellung davon darstellt, zu erkennen oder auf einen zu antworten.
  • (c) Einverleibung des künstlichen neuralen Gerätes in irgendein Kontrolle-System oder Kontrolle-Teilsystem. Diese Anwendung umfaßt, aber wird nicht auf irgendeiner Form von Prozeß-Kontrolle, mechanische Kontrolle, elektrische Kontrolle, biologische Kontrolle, Fahrzeug Kontrolle, robotic-Kontrolle begrenzt.
  • (f) Einverleibung des künstlichen neuralen Gerätes in irgendein Kommunikation- System oder Kommunikation-Teilsystem um das Daten-Übermittlung [Signal/Geräusch] Verhältnis oder die zusätzliche Funktionen, wie Übersetzung unabhängigem Eingabe-Stimulus zu einer assoziiert Antwort- Ausgabe oder Darstellung (Stimme zu Text Übersetzung),zu verbessern.
  • (g) Einverleibung des künstlichen neuralen Gerätes in irgendein System, das künstliche Intelligenz-verwandte Funktionen ausführt. Diese Anwendung umfaßt aber ist nicht auf zu Expertensystemen und automatisierte Durchdenken-Systeme, wodurch Eingabe-Stimulus-Assoziationen zu einer intelligenten Antwort-Handlung oder Entscheidung verwandelt werden, begrenzt.
  • (h) Einverleibung vom künstlichen neuralen Prozeß oder Gerät in irgendein Computer Gerät Computer um Leistungsfahigkeit zuzunehmen oder zu verbessern. So eine Anwendung kann erkannt werden, sein zum Beispiel, innerhalb endlicher Element-Analyse, wodurch externe und innerere Parameter des Masche-Netzknotens innerhalb einen oder einer Mehrheit vergangener Zeit-Zuwachse zu Parameter-Zustand in einem nachfolgenden Zeit-Schritt assoziiert werden.
  • (i) Einverleibung des künstlichen neuralen Systems in irgendeinen [neurobiologischen] oder biologischen Prothese-Gerät. Diese Anwendung umfaßt aber wird nicht auf künstlichen Gliedern, Hörgeräte, Schrittmacher,begrenzt.
    • ZUSAMMENFASSUNG DER ERFINDUNG
  • Ein radikal neuer AnMenge zur künstlichen-neuralen Systemtheorie (KNS) wird hierin beschrieben. Um die Erfindung wirksam zu beschreiben, ist eine allgemeine vorstellungsmäßige Beschreibung angegeben, dazu eine mathemathische Beschreibung. Ein Hauptziel auf dem Gebiet der KNS Forschung ist die Entwicklung eines Mechanismus oder Vorgangs, eine grosse Menge Information auf ein gegenbenes Datenspeicherungsmittel zu kodiern und übereinanderlagern. Das neurale System muss einen Weg ermöglichen, darauffolgende Stimuluseingabe mittels der kodierten Information zu entziffern, um eine assozierte Antwortausgabe zu erzeugen. Das opTabelle Hologramm stellt ein System bereit welches ungefähr vergleichbar mit dem obenangegebenen Kodierungsvorgang ist. Ein Informationseinfaltungsvorgang innerhalb des opTabelleen Hologramms erlaubt einen visuell dreidimensionalen Gegenstand auf- und von- einer zweidimensionalen fotographischen Ebene zu speichern bzw. wiederaufzubauen, durch die tatsächliche Einfaltung oder das Zusammenklappen einer offensichtlichen räumlichen Dimension. Als ein Ergebnis von der holographischen Kodierung und entkodierenden Mechanismen werden Speicherungskapazitätsdichten innerhalb der zweidimensionalen Ebene beträchtlich verbessert.
  • Ein ähnlicher Begriff ist für den hier beschriebenen holographischen Neuralvorgang dargestellt. Dieser neurale Vorgang aber befasst sich mit Information in der Form von Stimulus-Antwort-Muster und speichert die Information innerhalb eines abstrakten mathematischn Bereichs (Riemann- oder Phase-Raum). Diese Stimulus-Antwort-Muster dürfen beliebige Formen der Sinnesweise darstellen und dürfen entweder durch Umweltsempfänger eingegeben werden, gegebenfalls --für Systeme von mehreren Neuronn -- mittels synaptischen Verbindungen zwischen den Neuronn durch das System propagiert werden. Der holographisch-neurale Vorgang überlagert jene Stimulus- Antwort-Muster auf das selbe Datenspeicherungselement oder Speicherungsmittel.
  • Eine ähnliche Vorstellung wird für den holographischen neuralen Prozeß präsentiert, der hierin beschrieben wurde. Dieser neurale Prozeß befasst sich mit informationen mit der Form von Stimulus-Antwort-Mustern und speichern die Informationen innerhalb einer abstrakten mathematischen Domäne (Riemann oder Phasen-Raum). Diese Stimulus-Antwort-Muster können jegliche Form von Sinnes Modalität darstellen und können entweder über externe Umwelt Rezeptoren eingegeben werden oder (im Fall von multi-neuronalen Systemen) durch das System über zwischen-neural synaptische Verbindungen propagiert. Der holographische neurale Prozeß überlagert diese Stimulus-Antworten auf das gleiche Gedächtnis-Element oder Speicherungsmedium. Die theoretischee Basis ist ungefähr analog zum opTabelleen Hologramml mit einer Haupt Ausnahme, daß Zeit die offensichtlich eingefaltete oder zusammengefallene Dimension ist.
  • Auf Aktivierung des Systems durch ein Stimulus-Muster (Entkodierungsvorgang) wird der Stimulus über die angesammelten Informationen verarbeitet (alle Stimulus-Antwort-Assoziationen die innerhalb der Korrelationsmenge eingefaltet sind) eine fast sofortige Antwort auszustellen. Die Merkmale der Antwort-Ausgabe werden im Entkodierungsabschnitt beschrieben.
  • Man könnte die menschliche Fähigkeit ein Gesicht scheinbar mühelos zu erkennen als physischen Vergleich benützen. Wenn sie durch verschiedene Versetzungen und Drehungen im Raum kompliziert ist, überfordert diese Aufgabe größtenteils die Rechenfähigkeiten von aktuellen Methodiken der gegenwärtigen Computer Systeme. Ein holographisches neurales System der anbei beschriebenen Art, kann eine sehr große Menge von Bildern bei verschiedenen Umsetzungen von Drehung und Versetzung übereinanderlegen und speichern und, unabhängig von der Zahl von gespeicherten Muster- Assoziationenn, die gewünschte Antwort fast sofort ausstellen. Die hier beschriebenen Prinzipien geben potentiell eine Basis für eine Erklärung unserer Fähigkeit, gewaltige Mengen von Sinnes-Informationen zu behalten, und fast sofort auf vertraute Formen der Sinnes Modalitäten zu reagieren, und zwar in einem Maße unabhängig von der Menge unserer angesammelten Informationen (z.B. mit ungefähr der gleichen Schnelligkeit ob im Alter von 4 oder 40).
  • Der Zusammenhang des Ausdrucks " Muster" wie er innerhalb dieser Anwendung verwendet ist, bezieht sich entweder auf Daten-Mengen oder Mengen von Stimulus-Antwort-Assoziationenn und der Begriff wird hier in dieser Art verwendet.
  • Die Daten-Werte, die innerhalb der Stimulus und der Antwort-Muster enthalten sind, können jede Form oder Art von Informationen darstellen. Zum Beispiel, die Menge von Fakten innerhalb der Stimulus oder Antwort-Muster können Pixel-Werte innerhalb eines visuellen Feldes, Achse-Position oder Bewegungsraten innerhalb eines roboTabelleen Gerätes, oder Fourier transform Elemente für Gehör -Eingabe darstellen. Demnach mögen sowohl der Stimulus als auch das Antwort-Feld Daten enthalten, die jede Form von Sinnes Modalität, meßbarem Parameter, oder abstrakter Darstellung des Obenerwähnten darstellen.
  • Zur Erläuterung wird das Stimulus-Signal oder -Feld durch den folgend Menge von scalar-Daten dargestellt werden S' = {s&sub1;,s&sub2;,s&sub3;,...,sN} Zum Beispiel, Menge S' kann numerische Fakten darstellen, die durch digitalisierende Video- Anlagen produziert werden, wenn ein Gegenstand wie ein Apfel angesehen wird, wobei s&sub1; bis sN. die Menge von Zahlen oder Scalar-Werten von pixel- Intensitäten darstellen. In der gleichen Weise kann das Antwort-Feld R', assoziert mit dem Stimulus-Eingabe-Feld, durch folgendes dargestellt werden:
  • R' = {r&sub1;,r&sub2;,r&sub3;,...,rM}
  • wobei r&sub1;, bis rM wieder eine Menge wirklicher Zahlen ist. Zum Beispiel können solche numerische Werte ein Zeichen oder ASCII Darstellung des Wortes APFEL darstellen.
  • Der Vorgang macht das Übersetzen der oben erwähnten Information, die innerhalb beider der oben erwähnten scalar-Mengen enthalten sind, notwendig. und zwar das Stimulus-Signal oder Feld S' und das Antwort-Signal oder Feld R', in gleichwertigen Mengen von komplexen Vektoren deren Elemente sowohl Phase-Winkel als auch Ausmaß-Bestandteile besitzen. Dadurch werden Informationen durch Vektor-Orientierungen auf einer zwei dimensionalen, oder komplexen oder Riemann-(Phase)-Fläche dargestellt. Die Verwandlung findet durch das folgende nicht-lineare Vermessen statt, wodurch die oben erwähnen Mengen von Stimulus-Antwort-Mustern, die jeweils durch sk und rj angedeutet sind, werden zu einer kreisförmigen Range, die 2π oder 360 Grad entspricht, normalisiert oder gemessen. Diese Verwandlung produziert eine proportionale Phase-Winkel-Darstellung für Informationen wie unten angegeben durch Θk, beziehungsweise Φj, bezeichnet, wobei:
  • für Stimulus-Feld-Elemente Gl. 1
  • und
  • für die Antwort-Elemente Gl. 2
    • Zusätzliche Bekanntgabe:
  • Um globale Symmetrie beizubehalten,wird, eine Variation der Sigmoid-Funktion Fs() innerhalb der Stimulus-Feld-Verwandlung hauptsächlich benutzt. Der Begriff von Symmetrie ist zur Bedienung vom holographischen Prozeß wichtig, und seine Definition und Bedeutungen, werden später diskutiert. Die oben erwähnten übersetzten Daten-Mengen innerhalb der Riemann oder Phase- Domäne definiert werden dann folgends dargestellt;
  • für Stimulus [Gl]. 4
  • für Antwort [Gl]. -5
  • wo
  • λk ein Vektor-Ausmaß definiert, das einen Gewichts- oder Einfluß-Factor für das Element k bezeichnet,
  • γj -ein Vektor-Element -Ausmaß ist, die für jedes Element j im Antwort -Feld einen Gewichts-oder Einfluß-Faktor ausdrückt.
  • Mehrfache Mengen von Stimulus-Antwort-Mustern können über einer gegeben Zeit-Achse erzeugt und kodiert werden. Im Bereitstellen einer rauher Analogie kann man sich die oben erwähnten Verwandlung von [scalar- Mengen(Stimulus-Mustern) in ein Folge von Vektoren, über den Ursprung eine komplexen Fläche orientiert, vorstellen. Mehrere Stimulus-Muster-Mengen werden in einem gegeben Zeitraum erzeugt, wodurch diese Flächen an einer Achse verteitlt werden können, und entweder einen zylindrischen geometrischen Raums formen,oder von Überschneidenden Phase-Gebieten innerhalb einer Riemann- Domäne dargestellt werden. Wieder stellt jeder Vektor innerhalb der Riemann-Domäne ein Element von Informationen dar. Diese Begriff wird am günstigsten mathematisch, komplexer exponentieller Notenschrift am günstigsten mathematisch ausgedrückt. Die allgemeine Form von s(λk,Θk für den Stimulus und s(λk,Θk für die Antwort wird in den meisten allgemeinen Bedingungen deshalb als folgens ausgedrückt:
  • s(λk,Θk)=λkeiΘk,r(γj,Φj)=γjeiΦj [Gl].6
    • Das Kodieren
  • Die Kodierung-Bedienung macht die Formation eines Vermessen von einem Eingabe-Stimulus-Zustand zu einem Antwort-Zustand innerhalb Phasen-Raum notwendig. In der elementarsten Form wird die Kodierung-Bedienung durch das Bestimmen des Unterschiedes in Phase-Orientierung zwischen dem Menge von Elementen (oder irgendeiner Teilmenge) innerhalb des Stimulus-Eingabe-Feldes S und der Menge von Elementen (oder irgendeine Teilmenge) innerhalb des Ausgabe-Antwort-Feldes R ausgefürt Diese Kodierung-Verwandlung bringt die Produktion vom folgenden Menge Korrelations-Werten mit sich:
  • Elemente innerhalb der oben erwähnten Korrelations, Menge, sind wieder von komplexer Form und werden von der folgend nicht-linearen Beziehung bestimmt:
  • Der Ausmaß-Funktion h(λk,γj bestimmt ein Verbindungs-Profil zwischen den Stimulus und Antwort-Feldern für die oben erwähnten Kodierung- Verwandlung. Dieses Verbindungs-Profil wird in Hinsicht auf den Merkmalen, definiert, die das proportionale Ausmaß, daß den Korrelation-Menge-Elementen zugeferlt wurde regieren. Eine mögliche Eigenschaft für das Verbindungs-Profil kann einfach durch das Folgende gegeben werden:
  • Gleichung (1) oben drückt eine Verwandlung für ein Stimulus-Antwort- Muster aus, das in einem diskreten Augenblick kodiert wurde. Diese Kodierung- Verwandlung kann über einer Folge von Stimulus-Antwort-Mustern angewandt werden, wodurch eine Mehrheit von Mustern in einem gegeben Zeitraum in die gleiche Gruppe von Vektoren innerhalb der Korrelation-Menge eingefaltet wird. Das Annehmen eines Zeitraumes, der sich über t&sub1; bis t&sub2; ausstreckt,:
  • Die oben erwähnte Kodierung-Verwandlung kann in einer kanonischeren Form ausgedrückt werden, wenn Matrize-Notenschrift benutzt wird. Für irgendein gegebenes Stimulus-Muster bei Zeit t, ist die komplexe Vektor-Matrize in einer Form Gleichung 4 ähnlich dargestellt.
  • Der Prozeß wird als eine Übersetzung von einem vielfältig gewertetem Stimulus-Eingabe Feld zu einem assoziiertem Antwort-Feld verallgemeinert. Die Antwort-Matrize hat die folgende Darstellung wieder:
  • Wieder werden die erzeugten Abbildungen zwischen den Stimulus- Antwört Feldern innerhalb der Korrelations-Matrize [X] eingefaltet. Die Kodierung-Verwandlung für dieses Stimulus-Antwort-Muster wird durch das folgend innere Produkt auf den Vektor-Matrizen ausgeführt:
  • wo [ ]T das transponierte Konjugat von [S] ist.
  • Die Korrelations-Matrize präsentiert ein mathematisches Analog der neural-synaptischen Verbindungen und bildet die Basis für Speicherung; sie enthält alle Informationen, die innerhalb des Systems kodiert wurden. Im allgemeinen werden diese Informationen als Phasen-Winkel-Unterschiede zwischen den Eingabe Stimulus Feld Vektor Elementen (Θk) und den Antwort- Vektor-Elementen (Φ') kodiert. Wieder wird die Nützlichkeit und Kraft des holographischen Systems durch die Fähigkeit erreicht, diese Assoziationen oder Abbildungen für mehrfachen Stimulus-Antwort-Muster auf dasselbe Lagerungsmittel (Korrelations-Matrizenelement oder Synapse) einzufalten. Um diese Vorstellung zu illustrieren können die kodierten Matrizen für Stimulus- Antwort-Muster 1 bis durch folgendes bezeichnet werden:
  • [X],[X],[X],...[X] [Gl]. 14
  • [X&sub1;] würde die kodierte Matrize für ein zweites Stimulus-Antwort-Muster bezeichnen, wo zum Beispiel [S&sub2;] Daten darstellen dürfte, die von digitalisierenden Video Anlagen während ein Gegenstand wie eine Birne angestehen wird erhalten wurden, während [R&sub2;] eine ASCII-Darstellung von dem Wort BIRNE numerisch präsentieren würde.
  • All die oben erwähnten Stimulus-Antwort-Assoziationen oder Abbildungen können auf die gleiche Korrelations-Matrize [X] kodiert werden, durch das Zusammenzählen der einzelnen Korrelation-Matrize-Elemente für jede Muster- Mengel wie unten durch Muster-Mengen 1 bis illustriert:
  • [X] = [X]&sub1; +[X]&sub2; +[X]&sub3;+...+[X]T [Gl]. 15
  • Diese Technik erleichtert Erhaltung von Informationen und schafft Informationen- Dichten von äußerst hohem Orden. Wie im folgenden Teil, der zur Entkodieren gehört, diskutiert wird, erscheint ein deterministischer zurückbleibender "Fehler" in der erzeugten Antwort auf Lagerung mehrfacher Stimulus-Antwort- Assoziationen sodass ein meßbarer Grad Verschwommenheit ("fuzziness") in der Antwort erzeugt wird. Dieser Fehler-Beitrag, aber, ist niedrig genug, daß eine sehr große Zahl von Mustern oder Assoziationenen kodiert werden kann bevor eine übermäßige Verschwommenheit sich innerhalb der erzeugt Antwort anhaüft.
  • Man dürfte das Stimulus-Feld als eine zwei dimensionale Matrize [S] darstellen,das die Vektor-Elemente, die die diskreten Stimulus-Eingaben der Reihe entlang , und das Zeit-Index der Senkrecht entlang darstellt.
  • Stimulus-Element T
  • Im Modellieren eines einzelnen Neuron wird ein Vektor-Element, daß Informationen im Antwort-Feld darstellt, angenommen. Diese Antwort, die über Zeit verteilt wurde, wird durch eine [N] durch 1 Matrize von Vektor-Elementen dargestellt [R], wieder mit dem Zeit-Register an der senkrechten Achse inkrementiert. Die Durchführung der kodierenden Verwandlung des inneren Produkts Gl 13 ergibt eine Korrelation-Matrize der folgend Form:
  • - Zeit-Register über dem Kodierung-Zeitramen
  • Φt - Vektor-Phase-Winkel, der den kodierten Antwort-Wert für Muster zeigt
  • Θ - Vektor-Phase-Winkel, der Informationen innerhalb Stimulus-Feld- Elementes für Muster darstellt,
  • h(λk,γ,t) - Ausmaß-Bestandteil von Stimulus-Antwort-Assoziation für Stimulus- Element und Muster (s. Assoziation-Profil-Gl. 9)
  • Die oben erwähnen Kodierung-Verwandlung definiert einen Vorgang, wodurch der dimensionale zeitbezogene Parameter innerhalb der Korrelation- Menge, eingefaltet öder zusammengeklappt wird.
  • Jedes Element innerhalb der oben erwähnten Korrelation-Matrize (d.h. xk) summiert die Vektor-Unterschiede zwischen Element im Stimulus-Feld und dem assoziierten Antwort-Vektor über alle kodierte Stimulus-Antwort-Muster. Zum Beispiel, Matrize-Element x&sub2; summiert die Vektor-Unterschiede zwischen Element 2 vom Stimulus-Feld und dem assoziierten Antwort-Wert über allen Mustern 1 bis . Das oben erwähnte Verfahren erreicht einen Zustand, in dem Informationen, die zu den kodiert Mustern gehören, holographisch überlegt werden und auf den gleichen numerischen Wert, Gedächtnis-Lage oder Lagerraum gelagert werden.
    • Das Entkodieren
  • Die Entkodierungsbedienung steht in Beziehung zu der assoziativen Wiedergabe der geeigneten kodierten oder "gelernte" Antwort. Diese Bedienung besteht daraus Daten abzulesen, die irgendeinem Eingabe-Stimulus entsprechen und diesen Stimulus durch die Korrelation-Menge zu übersetzen. Als praktisches Beispiel dürfte man die digitalisierende Video- auf dem Bild eines Apfels einstellen, um die assoziierte numerischen pixel-Daten repräsentativ des visuellen Bildes zu erzeugen.
  • Das Aufführen einer entkodierenden Transformation durch die Korrelation-Menge [X], für irgendeinen Stimulus, der Ähnlichkeit zu einem Muster trägt, welches über dem bestimmten Zeitraum kodiert wurde, wird den Aufruf der gelernten Ausgabe-Antwort hervorrufen. Diese Entkodierungsbedienung ist ähnlich zur Kodierung-Verwandlung in vielen Beziehungen. Als vorher definierte, das Stimulus-Feld mag 10 sein, die als ein Menge von Scalarwerten dargestellt wird: S* = {s&sub1;*,s&sub2;*,s&sub3;*,...}. Das Stimulus-Feld wird wieder auf einen komplexen Vektor, in dem die Scalarquantitäten durch Phase-Winkel-Orientierungen dargestellt werden, abgebildet:
  • βk - definiert ein komplexes Vektor-Ausmaß, das eine Justierung oder Einfluß von Element innerhalb des Stimulus-Feldes zeigt.
  • k - komplexer Vektor-Phase-Winkel, der Informationen-Bestandteil vom Stimulus-Feld-Element zeigt,
  • Beim Illustrieren der Bedienung eines einzelnen neuralen Elementes, das Entkodieren oder Ausdruck einer Antwort wird durch das Einschätzen des inneren Produktes des Stimulus-Feldes [S]* und Korrelation-Menge [X] aufgeführt:
  • wo
  • - renormalization-Konstante stellt das Ausgabe-Ausmaß zu proportionalen Werten innerhalb der gewünschten Auswahl ein (0-1). Diese Konstante mag durch irgendeine zweckmäßige Beziehung über dem Stimulus und Antwort-Feld- Elementen definiert werden
  • N - Zahl diskreter Vektor-Elemente innerhalb des Stimulus-Feldes
  • Umschreibend Gleichung 19 in einer ausgedehnt exponentiellen Form und das Integrieren für Muster die kodierten über Zeit bis :
    • Zusätzliche Bekanntgabe:
  • Um die Eigenschaft zu illustrieren, die zu Ausdruck eines gelernten Musters erzählt, wird der folgend Begrenzung-Grundmenge angewandt. Für Einfachheit von Abbildung werden alle Ausmaß-Justierung-Werte Gegenstück zu Einheit angenommen ([i.e]. gleiche Justierung aller Vektor-Elemente). Für irgendein Stimulus-Feld [S]* das Nähern des Musters Zustandlicher [S] kodierte bei Zeit , man mag die folgend Aquivalenz gründen:
  • über Stimulus-Elementen
  • wo ε ist ein Zufalls-Muster-Dissoziation-Ausdruck, welches das obige in Gleichung 20 hinein versetzt:
  • Das Anwenden des folgenden Limes während das Stimulus-Feld [S]* dem Muster-Zustand, der bei Zeit kodiert wurde, annähert:
  • Eine Annäherung mag in der Aufteilung der Zeitintervalle innerhalb Gleichung 21 aufgeführt werden. Das folgende Ergebnis wird dann im obigen Limes erhalten:
  • Der erste Begriff in der oben erwähnten Lösung stellt den dominierenden Vektor dar, der innerhalb der Anerkennung-Antwort erzeugt wurde. Dieser Begriff zeigt ein Ausmaß proportional zu mit dem Phase-Winkel ΘT Entsprechend dem dominierenden Antwort-Phase-Informationen. Die entkodierende Verwandlung operiert auf der folgenden Weise für irgendein Stimulus-Eingabe-Feld [S]* gleichwertig oder ähnlich zu einem vorausgehenden kodiert Stimulus-Muster (d.h. -Menge [S] über dem Lernen von Zeitraum = 1 bis ). Auf Ausdruck wird der Phase-Winkel innerhalb der erzeugten Antwort den kodiert Antwort-Phase-Winkel für das nähern, assozilerte Stimulus Muster Einschließen, aber, ein deterministischen "Fehler" Beitrag als gegeben durch den oben erwähnen Begriff (). Dieser Fehler-Begriff ist analog zu einer Windung der bleibend kodiert Muster-Mengen, die als komplexe Vektoren innerhalb Transformation-Raum ausgedrückt wurdel und mag zur folgend Form ausgedehnt werden:
  • Dieser Begriff präsentiert eine Aufsummierung vom Menge von [uncorrelated-Einheit-Vektoren], die alle bleibend kodiert Stimulus-Antwort- Muster umfassen. Für einen idealen Fall zeigen diese Vektoren eine Eigenschaft von Symmetrie, die durch eine ebene [probabilistic-Verteilung] über das komplexe Ebene kategorisiert wurde. Der resultierend Fehler-Beitrag nimmt mit der Zahl von Mustern zu, die gelagert wurde, und die Vektor-Aufsummierung- Eigenschaften, als durch Gleichung 23 illustriert hat, entsprechen Sie einem zufälligen Spaziergang-Pfad für den idealen symmetrischen Fall in etwa. Beim Wiederholen, das Antwort-Muster lagerte bei Zeit, entsteht als der dominierende Vektor mit einem Ausmaß proportional zu und dem zufälligen Begriff ()produziert einen Verschwommenheit ("fuzziness")-Beitrag innerhalb der erzeugt Antwort. Der statistische Unterschied auf dem Ausmaß für diesen () Begriff ist proportional zur totalen Zahl von Mustern, die kodiert wurde, und gründet eine praktische Begrenzung auf der Zahl von Stimulus-Antwort- Assoziationenn, die eingefaltet werden mögen. Diese Begrenzung, die die Theorie zufälliger Spaziergänge angewandt hat, ist analysiert worden (wie das Beschreiben der Merkmale von [Brownian] Bewegung). Empirische Analyse zeigt, daß für ein [multidimensional] [orthogonal] Mit-Ordinatenwert System anmaßende Einheit geht, ist das durchschnittliche Ausmaß, das von einer Aufsummierung von [n] zufällige Spaziergänge resultiert,:
  • n [Gl.] 24
  • Der oben erwähnen Rest "Fehler" Beitrag innerhalb der erzeugt Ausgabe- Antwort ist [deterministisch] und Zunahmen zur Zahl von Mustern, die gelagert wurde, proportional. Dieser Rest-Beitrag ist in der Tat eine Funktion von beiden Zahl von Elementen im Stimulus-Feld ( ) und die Zahl diskreter Muster lagerte ( ). Der resultierend mittlere Fehler drückte als aus "Verschwommenheit ("fuzziness")" innerhalb der erzeugten Antwort mag in prozentigem vollem Maßstab entsprochen werden (2π Phase-Gebiet) durch die folgend Beziehung für Verhältnisse weniger als 0.5: error arctan
    • Zusätzliche Bekanntgabe:
  • Das oben erwähnen entspricht der Mitte-" Fehler" mit dem erzeugt Phase- Bestandteil von der Antwort, die ein ideales symmetrisches System annimmt, in etwa. Wieder, Symmetrie bezieht sich auf eine uniforme probabilistische Verteilung von Vektor-Elementen um einen Ursprung auf der Riemann oder Phase-Ebene orientiert, wie z.B. innerhalb einer Menge von willkürlich erzeugten Phase-Winkel, die eine gleichmäßige probabilistiche Verteilung, zwischen 0 und 2π besitzen. Natürlich vorkommende Verteilungen, die eine mehr Gauassche Form zeigen, können in diese ideal-symmetrische Form durch die Verwendung einer Sigmoid-Vorbearbeitung umgestaltet werden, wie im Abschnitt über die Erweiterungen von Erfindung ausführlicher beschrieben wird. Wichtig zu bernwrken, ist , daß die kodierten Stimulus-Antwort-Muster verschieden sein mögen und vollständige nicht-lineare oder unabhängige Mengen umfassen mögen.
  • Beim Ausdrücken der entkodierenden Umgestaltung Verwandlung in einer kanonischeren Form, man mag eine Matrize-Form wieder definieren, um Stimulus-Informationen darzustellen:
  • Wie früher angegeben ist βk ist ein Ausmaß-Begriff, der einen Dominanz-Faktor für jedes Eingabe-Element und Vektor-Phase Winkel darstellt, der Stimulus-Feld- Informationen zeigt. Die entkodierend Bedienung wird durch das folgend innere Produkt aufgeführt:
  • wo
  • die Varläble fur die Wiedernormalizierung des Ausmaßes innerhalb der erzeugt Antwort bezeichnet.
    • Zusätzliche Bekanntgabe:
  • Merkmale der entkodierend Verwandlung werden in der folgend dehnbareren Mode illustriert, in der der Ausgabe-Vektor als eine Aufsummierung verschiedener Antwort-Vektor-Bestandteile dargestellt werden mag. Jedes dieser [convolved-Vektor-Bestandteile] ist ein Produkt der Stimulus-Verwandlung durch einen der Stimulus-Antwort-Muster, der innerhalb. Korrelation-Matrize eingefaltet wurde, [X]. Eine Expansion für eine erzeugte Antwort (ein Neuron) dürfte wie folgend formuliert werden:
  • Λ&sub1; ist der Ausmaß-Bestandteil für den ausgerollten Antwort-Vektor, der einer Stimulus-Transformation durch einen Stimulus-Antwort-Muster-Assoziation entspricht, der bei Zeit kodiert wurde,
  • Φ ist der erzeugt Phase-Winkel für Stimulus-Transformation durch einen Stimulus-Antwort-Muster-Assoziation, der bei Zeit kodiert wurde,
  • Für erläuternde Zwecke wird ein Stimulus Muster Unterschied als der Grad Übereinstimmung zwischeneinem Hinweis-Stimulus-Muster und irgendeinem nachfolgendes Eingabe-Stimulus-Muster definiert werden. Beim Darstellen der Elemente von diesen Stimulus-Muster innerhalb einer wirklichen Zahlen-Domäne konventionell, der Muster-Unterschied mag definiert werden als folgt:
  • wo
  • sk - element des Hinweis-Stimulus
  • wo s - element des Eingabe-Stimulus-Muster
  • Das Zurückkommen zum holographischen Prozeß die Antwort erzeugte auf dem Übersetzen eines Eingabe-Stimuluses [S]* durch den Korrelation-Menge produziert eine Vektor-Aufsummierung erzeugt Antworten, jede Antwort assoziierte mit einem einmaligen Stimulus-Antwort-Muster, das innerhalb Korrelation eingefaltet wurde, die gesetzt wurde, [X]als durch Gleichung 28 gezeigt hat. Die oben erwähnen aufgerollte Antwort-Vektoren] (d.h., ΛteiΦ ) das Resultieren von der Eingabe-Stimulus-Verwandlung durch einen der kodiert Stimulus-Antwort bildet nach, drückt ein Ausmaß umgekehrt proportional zum Stimulus-Muster-Unterschied aus als oben in Gleichung 29 definiert hat.
  • Mit anderen Worten besitzt jedes der ausgerollten Antwort-Vektoren ein Ausmaß statistisch proportional zum Grad Nähe zum Eingabe-Stimulus-Muster [S]*. Ein Ergebnis ist, daß kodierte Stimulus-Muster, welche die größte Ähnlichkeit zu einem Eingabe-Stimulus [S]* zeigen, einen proportional dominierender Beitrag innerhalb der erzeugt Antwort produzieren. Bei der Aufteilung desZeit-Integrals innerhalb Gleichung 20 wird die folgende Aufsummierung-Form für die erzeugt Antwort erhalten.
  • Das Gleichsetzen das oben erwähnen mit der ausgedehnt Aufsummierung-Form in Gleichung 28 mag jeder Vektor-Begriff innerhalb der [deconvolved-Antwort] bestimmt werden:
  • Das Folgen das oben erwähnen, das Ausmaß und Phase-Bestandteile mögen direkt eingeschätzt werden wo:
  • das Einstellen Φ für den Prinzip-Winkel.
  • Beim wieder Anwenden des Limes-Argumentes, indem die Elemente ( k) innerhalb des Stimulus-Eingabe-Felds Stimulus-Muster [S] kodierte bei Zeit , dann:
  • über Elementen = 1 bis Elementen [Gl.] 34
  • wo ε eine Fehler-Quantität ist. Die oben erwähnen Äquivalenz für Gleichung 32 und 33 wiedereinsetzend, ergibt:
  • Indem die Elemente des Stimulus-Feldes zum kodiert Stimulus-Muster tendieren, dann,
  • ε 0 über alle .
  • Und von diesem folgt:
  • Der Wert (Gleichung) stellt den Ausmaß-Bestandteil für die Eingabe Stimulus Feld Verwandlung durch Stimulus-Antwort-Muster dar, das bei Zeit T und Geschenke der dominierendeste Antwort Phase Vektor Bestandteil für einen eng korreliert Stimulus-Muster-Wettkampf kodiert wurde. Der erzeugt Phase- Winkel Φ entspricht dem kodiert Antwort-Phase-Wert für dieses Muster. Beim Benutzen einer ähnlicher Abbildung, während die Elemente des Eingabe- Stimulus-Feldes ( ) willkürlich vom Muster [S] kodierte bei Zeit T divergieren, darf ein Limes angenommen werden wodurch eine flache probabilisticheVerteilung für ε um die Phase-Ebene präsentiert wird. Bei der Begrenzung von totaler nicht-Korrelation oder zufälliger Assoziation zwischen dem Eingabe-Stimulus-Feld [S]* und kodiertes Muster [S]T, der Vektor- Aufsummierung-Begriff als durch Gleichung 31 definiert hat, folgt einem zufälligen Spaziergang-Pfad, der zeigt, daß das erzeugt Antwort-Ausmaß eine normale probabilistische Verteilung nähert, die über den Ursprung zentriert wurde. Die unkorrelierte Antwort wird eine zufällig, aber, berechenbare oder deterministisch Phase-Winkel-Orientierung wirksam erzeugen. Dieser Antwort- Vektor wird eine Verteilung, die über den Ursprung mit einem durchschnittlichen Ausmaß zentriert wurde, das durch entsprochen wurde, statistisch zeigen:
  • wo () -durchschnittliches Ausmaß über Stimulus-Elementen
  • In Wesen ist die Methode, durch die der Prozeß operiert, daß ein Antwort- Wert, der keinen der gelagert Stimulus-Antwort-Assoziationen entspricht, bei irgendeiner Zeit durch [inputting] ein vorher kodiert Stimulus-Muster zum neuralen Gerät regeneriert werden kann, (wieder das Zurückfordern, daß das Stimulus-Muster ein Bild, ein gesprochen Wort, oder anderer Parameter sein könnte, und die erzeugt Antwort, die das assoziiert Wort ist, Kontrolle-Handlung, beziehungsweise).
  • Das oben erwähnen stellt die mathematische Basis für ein Informationen dar, die System verarbeiten, wessen kanonische Form für das Lernen durch Gleichung 13 und Ausdruck durch Gleichung 27 präsentiert wird. Es ist wichtig zu Notiz, die das Kodieren und das Entkodieren von Bedienungen solch verteilt werden mag, die beide Prozesse in wirksamer Gleichzeitigkeit operieren.
    • ERWEITERUNGEN VON ERFINDUNG
  • Das holographische neurale Gerät, das hierin beschrieben wurde, mag in mehreren Gebieten modifiziert werden, um bereitzustellen, verbesserte und verbesserte betriebsbereite Merkmale. Diese Erweiterungen mögen in der Anwendung von Kodierung höhere Reihenfolge-Statistiken, nicht-lineares Filtern der erzeugt Antwort, erkannt werden [sigmoidal-Vorbearbeitung], abgesenkt Netzwerke, [commutative-Eigenschaften] neuraler Elemente, Methoden für Einsetzung eines Gedächtnis-Profils, und [excitory] und [inhibitory-synaptisch- Verbindungen]. Diese sind nur eine begrenzt Teilmenge von möglichen Erweiterungen, wessen allgemeine Vorstellungen im Folgen beschrieben werden, natürlich;
    • Zusätzliche Bekanntgabe: NICHT-LINEARES Filtern
  • Eine nicht-lineare [scalar-Transformation] mag zur erzeugt Antwort, beim Verbessern von Fähigkeiten des neuralen Systems in Bezug auf Anerkennung- Diskriminierung, angewandt werden. Als vorher beschrieben hat, das Antwort- Ausmaß auf dem Entkodieren ist statistisch proportional zum Grad Anerkennung. Die erzeugt Antwort mag in exponentieller Form wieder ausgedrückt werden:
  • Die mathematische Basis von Bedienung, die gut definiert wird, ein Schwelle-Niveau auf dem Ausmaß-Bestandteil der Antwort (λ*) mag gegründet werden über dem der Neuron gewußt wird, um eine hohe Wahrscheinlichkeit vom Antworten zu zu haben ein erkannte (vorausgehend gelernt) Stimulus- Muster. Diese Schwelle mag durch irgendeine Klasse nich-linearer Funktionen angewandt werden aber könnte eine Variation der [sigmoid-Funktion] gewöhnlich beschäftigen. Die nicht-lineare entkodierend Bedienung mag von der folgend Verbindung dann ausgedrückt werden:
  • wo
  • die Schwellen-Grenze gründet
  • den Unterschied für die Sigmoid-Funktion vorschreibt.
  • Für einen niedrigen Unterschied innerhalb der oben erwähnen nicht- linearen Funktion operiert das neurale Element als ein [discriminator] über die definierte Schwelle-Begrenzung (Tr). Diese Erweiterung streckt die Fähigkeit des neuralen Systems in bedeutend aus, daß der neurale [lement] als ein sehr kultivierter Schalter mit analogen Fähigkeiten funktioniert, das Anmachen der Ausgabe (das Erzeugen von großem Ausmaß) und das Fortpflanzen der Antwort-Phase-Informationen nur, wenn der Stimulus einen hohen Grad Anerkennung hat.
  • Ähnlich schaltet das neurale Element aus (erzeugt 0 Ausgabe-Ausfmaß) wenn zu freigelegt hat ein verlernte oder unerkannter Stimulus.
    • SIGMOIDALE NEUVERTEILUNG
  • Viele Klassen von Rezeptor-neurons werden gewußt, um Eingabe- Stimulus in einer sigmoidal-Beziehung zu verarbeiten. Die Sigmoid funktionieren Formen eine Basis für viele aktuelle neurale Modelle in seiner Verwendung als eine Schwelle oder das Schuppen von Verwandlung. Für die theoretischee Basis spielt, die auch hierin präsentiert wurde, die [sigmoid-Funktion] eine bedeutungsvolle Rolle, die es für völlig andere begriffliche Gründe beschäftigt wird, aber. [Sigmoidal] [Vorbearbeitung] oder Variationen mögen davon verwandt werden, um das Vorkommen Verteilungen natürlich umzugestalten ([i.e]. Verteilungen. die Gausssch ] zeigen, bilden) in die ideale symmetrische Form. Wieder spricht die ideale symmetrische Form, um [probabilistic-Verteilung] von Vektoren zu uniformieren, die über den Ursprung auf dem Phase-Ebene orientiert wurde. Diese [sigmoidal-Neuverteilung] wird erfordert, optimale Kodierung-Kapazität für das neurale System zu erreichen, anmaßende [Gaussian] geben Verteilungen ein. Zum Beispiel mag man annehmen, daß der Stimulus anzeigt, in Verbindung zu einer Muster-Anerkennung-Anwendung, stellen Sie [pixel-Intensitäten] dar. Typisch diese Art von Eingabe, sowie eine große Klasse von [scalar-Feldern], die Quantitäten in physischen Systemen darstellen, zeigen Sie eine ungefähre [Gaussian] Verteilung als durch die folgend [probabilistic-Verteilung-Funktion] dargesteltt hat ([p.V.F].):
  • wo
  • - Standardabweichung für Verteilung
  • µ - Durchschniittswert der Verteilung
  • - scalare Feld-Intensität
  • Die Sigmoid funktionieren, oder Variation mag davon beschäftigt werden, [scalar-Quantitäten] innerhalb des Stimulus-Feldes in eine nahe uniforme [probabilistic-Verteilung] zu übersetzen, die zwischen 0 und 2π schwankt, d.h., Intensität probabilistic distribution intensity (x) Phasenverschiebung probabilistic distribution phase translation 2π
  • Die sigmoid-Funktion]wird innerhalb Kontrolle-Theorie-Anwendungen im allgemeinen benutzt aber, bedeutender, ist als die ungefähre Beziehung, durch die bestimmte Klassen von neuron-Zellen, einschließlich retinale Neuronen, antworten, um Stimulus einzugeben, empirisch gezeigt worden, als durch Abbildung 4 illustriert wird.
  • Die eigenen Eigenschaften von [sigmoidal-Vorbearbeitung] lösen einige begriffliche Probleme, die in der Verwendung von Phase-Orientierungen begegnet wurden, um Sinnes Informationen oder [scalar-Feld-Intensitäten] darzustellen, auch. Informationen als innerhalb der Phase-Domäne typisch dargestellt hat, streckt über einer geschlossen Auswahl aus, die 2π entspricht. Ich [n] allgemeine, externe Feld-Intensitäten strecken sich hinüber aus ein undefiniert und möglicherweise unbegrenzte wirkliche Zahlen-Domäne. Die [sigmoid-Funktion] stellt ein direkte Mittel vom Umgestalten einer unbegrenzter wirklicher Zahlen-Domäne, die irgendein externes Stimulus-Feld in eine geschlossen Auswahl definiert, die sich über das Phase-Ebene ausstreckt, bereit. Diese [sigmoidal] Vermessen mögen in der folgend Form dargestellt werden;
  • wo im allgemeinen
  • sk - Eingabe-Stimulus-Element
  • - Standardabweichung der Stimulus-Feld-Verteilung
  • µ - Mittelwert der Stimulus-Feld-Verteilung
  • µ Menge der reelen Zahlen-setzen] Sie von wirklichen Zahlen
  • In der oben erwähnen Verwandlung zu einer Phase-Domäne existiert eine Punkt-Zusammenhanglosigkeit bei der 0/2π Orientierung, die eine Begrenzung bei beiden darstellt ,-/+ Unendlichkeit innerhalb der externen wirklichen Zahlen- Domäne. Diese Vektor-Orientierung gründet einen festen Punkt von Hinweis bei der Phase-Grenze, die definiert, das + /-Unendlichkeit-Zusammenhanglosigkeit. In anderen Wörtern, Begrenzungen bei + und-Unendlichkeit innerhalb der wirklichen Zahlen-Domäne-Form ein Ort bei einer einzelnen unveränderlichen Grenze in der übersetzt Phase-Domäne (d.h., 0/2π).
  • Eine Messung der anfänglichen Symmetrie für das Stimulus-Feld mag durch das Aufführen einer Aufsummierung über dem Vektor bestimmt werden, setzen Sie das Definieren des Stimulus-Feldes [S]*. Der resultierend Vektor stellt zwei wichtige Maßnahmen von Eingabe Feld Verteilung Merkmalen bereit. Der Ausmaß-Bestandteil ist umgekehrt proportional zum Grad Symmetrie im Stimulus-Feld, und der Phase-Winkel definiert den Prinzip-Winkel analog zur Mitte der Stimulus-Eingabe-Verteilung. Die [sigmoid-Funktion] verteilt neu dieses Stimulus-Feld über den Prinzip-Winkel, um die gewünscht Symmetrie zu erhalten. Die anfänglichen Symmetrie-Maßnahme-Genehmigungen eine Interpolierung zwischen einem [sigmoidal] und linearer Transformation, die ein Mittel erleichtern, wodurch Informationen, die irgendeine Form oder Art von Verteilung zeigen, zu einer nahen idealen symmetrischen Form vermessen werden mögen. Eine [Vorbearbeitung-Funktion], die die oben erwähnen Vorstellungen in einer optimalen Form beschäftigt, erleichtert ein System in dem eine Mehrheit-Form von Stimulus-Antwort-Fakten, das Decken einer Auswahl von statistischen Verteilungen, die zwischen Gausssche variieren, und symmetrisch, mag ins neurale Element effizient aufgenommen werden.
    • HÖHERE REIHENFOLGE-SYSTEME
  • Eine charakteristischee Einschränkung für dieses System erzählt zur Zahl von Mustern, die für eine besondere Größe von Stimulus-Feld kodiert werden mögen. Diese Begrenzung wird durch die statistische Fehler-Beziehung aufgezwungen, die in Gleichung 25 definiert wurde. Die Muster-Lagerung- Einschränkung mag durch ein [Vorbearbeitung] Bedienung Betreffen, in einer Form, aber überwältigt werden die Formation von Hermitian Matrizen. Der Prozeß erfordert die Formation von. einem Menge von komplexen Vektor- Elementen, die zu irgendeiner Teilmenge von Vektoren in erzählen, [S] zu irgendeiner anderen Teilmenge in [S] durch ihren Unterschied in Phase-Winkel- Orientierungen. Die genaue [Hermitian] Form mag durch das Darstellen einer Menge in [S] als ein 1 durch N Matrize erhalten werden, wodurch das folgend äußere Produkt eingeschätzt wird,:
  • Der Prozeß mag solch aber verallgemeinert werden der eine Matrize [A] von irgendeiner Teilmenge des Eingabe-Stimulus-Feldes zusammengesetzt, bildet das äußere Produkt mit dem konjugaten Transponent Sie von beliebiger anderen definiert Teilmenge [B] ε[S] ,d.h.,
  • wo Vektor-Elemente a,bε[S] [Gl.] 44
  • Um zu illustrieren, betrachten Sie die folgend Teilmengen:
  • Das Aufführen der Bedienung, die durch (44) definiert wurde, produziert ein ausgedehntes Eingabe-Feld von Stimulus-Elementen wieunten in Matrize- Form dargestellt ist:
  • wo g(λk,λj) ist eine grössenwert Anpassungsfunktion ist z.B. typisch g(λk,λj) = λk λj . Für Stimulus-Felder wie oben ausgedehnt, und das Bereitstellen jener Produkt-Gruppen ist einmalig, Simulation-Ergebnisse zeigen, der [deterministischenFehler], der innerhalb der Antwort-Ausgabe erzeugt wurde, folgt der Beziehung, die durch Gleichung 25 definiert wurde, die jetzt betrachtet, daß das Stimulus-Feld [NxM] Elemente enthält.
    • Zusätzliche Bekanntgabe:
  • Das oben erwähnen definiert bei einem elementaren Niveau, der Prozeß, durch den höheve Reihenfolge-Statistiken ins neurale Element kodiert werden mögen. Beim Benutzen dieser Methode, man mag das Vermessen von Zigst Reihenfolge-Statistiken ins neurale Element deutlich kontrollieren. Ein Eingabe- Menge, der für 3rd und höhere Reihenfolge-Statistiken ausgedehnt wurde, mag von der folgend sigma-Pi-Verbindung, zum Beispiel innerhalb der Kodierung- Verwandlung, die von Gleichung 17 ausgedehnt wurde, erzeugt werden:
  • wo
  • k(n) -definiert das zigst Element in einem Produkt-Begriff für die 4th Reihenfolge- Statistik als illustriert hat.
  • Die Zahl von Stimulus-Vektor-Elementen im oben erwähnen Produkt ([i.e]. 4 in diesem Beispiel) definieren Sie die Reihenfolge der Statistik. Die Antwort- Fehler-Eigenschaft folgt der Beziehung, die in Gleichung 25 definiert wurde, die bereitstellt, daß der ausgedehnt Menge von Produkt-Bedingungen oder-" Gruppen" erzeugte für das Neuron Stimulus Eingabe Feld, ist einmalig. Einmalig in diesem Kontext bezieht auf den Menge alles [combinatorial], gruppiert von [n] Stimulus Elementen, in denen keine zwei Gruppen den genauen gleichen Menge von Stimulus-Elementen enthalten. Einmaligkeit gründet eine theoretischee Begrenzung auf beiden Zahl von Gruppen über allen Statistiken für irgendeine Größe von Stimulus-Feld. Wieder, "Gruppe" bezieht auf das Produkt einzelner Stimulus-Elemente als hinunter definiert hat:
  • wo
  • N-Reihenfolge von Statistik
  • k(n)-definiert das zigst Produkt-Element für den [N], befehlen Sie Statistik
  • f(n )-Bedienung für das Bilden konjugiert vom komplexen Vektor als irgendeine Funktion von n
  • Die maximale Zahl ausgedehnt einmaliger Mengen für eine gegeben Statistik folgt einer Verteilung, in der Reihenfolge der Statistik, die als [Pascals] Dreieck gewußt wurde. Tabelle 3 illustriert diese [distributional-Beziehung] für Stimulus-Felder von Größe 2 bis 20. Die totale Zahl einmaliger Kombinationen, die über total höheren Reihenfolge-Statistiken zusammengezählt wurde, ist einfach:
  • 2"
  • wo [n] die Zahl von Elementen innerhalb des Stimulus-Feldes ist.
  • Die Bedeutungen sind wichtig in, daß die Generation höherer Reihenfolge-Statistiken einen Mechanismus, durch den ein äußerst großer Menge einzelnen Stimulus-Antwort-mappings auf eine Korrelation eingefaltet werden mag, bereitstellt, der gesetzt wurde, ([i.e]. [neuron-Zelle]). Zum Beispiel, beim Betrachten eines relativ kleinen Stimulus-Feldes, das von 32 Informationen-Elementen umfaßt wurde, 4 Milliard einmalige höhere Reihenfolge-Produkte, die eine proportionierte Zahl voh [mappings] erlauben, auf die [neuron-Zelle] eingefaltet zuwerden, mögen erzeugt werden.
  • Die oben erwähnen Produkt Ausdehnung Prozeß Genehmigungen ein Vermessen von Sekunde und höheren Reihenfolge-Statistiken ins neurale Element. Wieder ist es charakteristische vom holographischen neuralen Prozeß, der sehr Zahlen von Stimulus-Antwort-Mustern oder [mappings] vergrößerte, durch das Ausdehnen der Stimulus-Eingabe, die zu höheren Reihenfolge- Bedingungen gesetzt wurde, mag auf eines neurales Element kodiert werden. Dieser Produkt-Ausdehnung-Prozeß erlaubt auch, Stimulus bildet das Zeigen eines hohen Grad Überschneidung nach oder nicht lineare Trennbarkeit, die für Einzelteil oder verschiedene Antworten kodiert werden sollte.
  • Um das Potential für zugenommen Muster-Speicherkapazität zu illustrieren, die den oben erwähnen [Hermitian] anwendet, der Technik verarbeitet, betrachten Sie ein Eingabe-Stimulus-Feld, das von 4096 [pixels] umfaßt wurde, (ein visuelles Feld von 64 durch 64 [pixels]). Um einen proportionalen Wert von 5 zu erreichen% für den durchschnittlichen [deterministischen"] Fehler" innerhalb der Ausgabe-Antwort, das Annehmen zufällig und [uncorrelated] bildet nach, die Zahl von Mustern, die kodiert werden mögen, (jedes Muster, das von 4096 Elementen besteht,) wird zu weniger als 1000 begrenzt. Wenn das Eingabe-Stimulus-Feld ausgedehnt wird, um Reihenfolge-Statistiken zu unterstützen, wird die Zahl von Stimulus-Antwort- Mustern, die potentiell kodiert werden mögen, zu 2.4 Million vergrößert.
    • Zusätzliche Bekanntgabe:
  • Ein weiteres wichtiges Merkmal, das zur Generation höherer Reihenfolge- Statistiken gehört, ist die Eigenschaft, wodurch irgendeine Verteilung von Eingabe-Vektoren [orthogonalized] eigen ist oder symmetrisch machte. Die komplexe Vektor-Verteilung, die auf dem Ausdehnen von höheren Reihenfolge- Bedingungen zunehmend erhalten wurde, nähert eine Asymptote beim Punkt von Symmetrie. Dies definiert einen wichtigen Aspekt des holographischen neuralen Prozesses im, das irgendeine Stimulus-Eingabe-Verteilung in die ideale symmetrische Form dadurch eigen umgestaltet wird.
  • [Hermitian] [Vorbearbeitung] führt eine etwas analoge Funktion zu versteckten Schichten innerhalb Neigung-Abstieg-Methoden auf. Für solche Modelle werden versteckte Schichten geglaubt, um den höheren Reihenfolge- Statistik-isometric zwischen Muster-Schablonen zu interpretieren, kategorisierte innerhalb einer gegeben Klasse. Probleme, die begegnet wurden, sind, jenes kann analyTabelle nicht bestimmen, welche höheren Reihenfolge-Statik sind interpretiert worden. Außerdem werden Neigung-Abstieg-Methoden in der Zahl von-" höheren Reihenfolge-Statistiken" welcher beachtlich begrenzt, sie sind fähig zu dechiffrieren. Dementsprechend, wenn die Muster durch Statistiken ander variieren, als jene interpretierten, mögen Muster-Assoziationen korrekt nicht eingestuft werden. Ein klassisches Beispiel von diesem ist eine Behauptung, die von einem Forscher gemacht wurde, daß er ein Netzwerk ausgedacht hatte, das zwischen Mann und weiblichen Gesichtern erkennen könnte. Auf tieferer Untersuchung dieser Leistung wurde es gefunden, daß das Neigung-Abstieg-Netzwerk eine Funktion verallgemeinert hatte, die die Entfernung zwischen der Spitze vom Kopf des Themas und dem Rand des Bild- Rahmens maß.
  • [Deterministisch] oder präzise analyTabellee Kontrolle vom Neuron, der Statistiken vermißt, als innerhalb der holographischen neuralen Methode definiert hat, ist nicht möglich innerhalb Neigung-Abstieges oder zurück Fortpflanzung-Techniken.
    • GEDÄCHTNIS-PROFIL
  • Eine unmittelbare Beobachtung in der Anwendung eines angehäuften Gedächtnisses innerhalb des holographischen Systems ist bei irgendeinem Punkt die Speicherkapazität für Stimulus-Antwort-Assoziationen, wird überstiegen, das Resultieren in der Vorherrschaft von Flaum innerhalb erzeugt Antworten. Mehrere Techniken mögen angewandt werden, um Sättigung von Gedächtnis, alle von das schließlich das Begrenzen des durchschnittlichen Ausmaßes von Vektor-Elementen innerhalb der Korrelation-Matrize erfordert, zu verhindern. Die offensichtlichste und direkte Methode besteht vom Anwenden eines Verfall-Begriffes zu den Ausmaß-Bestandteilen innerhalb das [X] Matrize. Das folgend Beispiel für ein gegeben Gedächtnis-Profil wird von Gleichung 17 hergeleitet, die einen exponentiellen Verfall für den kodiert Elemente-xk definiert, wo:
  • T-aktueller Zeitraum
  • τ -Gedächtnis-Verfall dauernd
  • Das Bereitstellen daß der Eingabe-Stimulus nachbildet, produzieren Sie eine symmetrische Verteilung über dem Lernen-Zeitraum, das durchschnittliche Ausmaß des Korrelation Matrize Elemente xk wird durch eine normale Verteilung, die dem zufälligen Spaziergang-Plan folgt, wieder regiert. Für Eingabe-Muster wird, die bei einer dauernden Rate probiert wurden, ein Gleichgewicht-Punkt genähert wodurch die Zunahme in der Mitte der Ausmaß- Verteilung für den charakteristischeen zufälligen Spaziergang balanciert die exponentielle Verfall-Rate. Als ein allgemeiner Führer kann Sättigung von Speicherung vermieden werden vorausgesetzt der oben erwähnen Gleichgewicht-Punkt für eine gegeben Rate von Kodierung und Rate von Gedächtnis-Verfall τ stellt die folgend Beziehung zufrieden:
  • Dynamisches Gedächtnis mag zu mehreren Bedingungen oder Verfall- Koeffizienten ausgedehnt werden, um ein Gedächtnis-Profil zu definieren. Kurzes Begriff-Gedächtnis wird durch Koeffizienten charakterisiert, die eine schnelle Kodierung-Rate definieren, bzw. dementsprechend schnelle Verfall- Ratel umgekehrt wird langes Begriff-Gedächtnis durch langsam kategorisiert. Kodieren Sie und verderben Sie Rate. Die Gedächtnis-Vorstellung erlaubt eine Biegsamkeit innerhalb des neuralen Systems, ein Herrschaft-Profit gelagert Informationen über einer Kontinuum-Auswahl zu gründen, die sich von unmittelbarem kurzem Begriff ausstreckt, um sich zu sehnen, benennen Sie und bleibendes Gedächtnis.
    • Zusätzliche Bekanntgabe: [INHIBITORY/EXCITORY] VERBINDUNGEN
  • Als vorher erwähnt hat, von Prinzip-Sorge sind Methoden oder Prozesse, durch die irgendeine Form von Eingabe-Verteilung in die ideale symmetrische Verteilung umgestaltet werden mag. Verwandlungen, die Spiegel-Übersetzungen von Teilmenge des Stimulus-Eingabe-Feldes mit sich bringen, mögen angewandt werden, um Symmetrie-Eigenschaften zu verbessern. Dieser Prozeß bringt die Spiegel-Übersetzung von einer Teilmenge von Vektor-Elementen innerhalb des Stimulus-Feldes über ein definiert Ebene, das den Ursprung durchschneidet, mit sich. Dieser Prozeß mag durch die folgend Bedienung aufgeführt werden:
  • wo
  • Θτ-definiert Achse von Spiegel-Drehung
  • die oben erwähnen Übersetzung reduziert Variation in der Verteilung von Vektoren-Orientierungen innerhalb des Komplexes oder Phase-Ebenees im wesentlichen. Das resultierend Glätten der Verteilung, durch das Überziehen von zwei ähnlichen Verteilungen, die von einander ausgeglichen werden, verbessert die Symmetrie des Eingabe-Feldes wesentlich. Dieser Spiegel-Drehung-Prozeß zeigt einen [inhibitory/excitory], der für Teilmengen innerhalb des Stimulus- Feldes gruppiert, in der Art, die Anregung eines Eingabe-Elementes innerhalb einer Klasse vergrößerte, ([i.e]. [inhibitory]) wird den komplementären Affekt zugenommen Anregung für ein Eingabe-Element innerhalb der anderen Klasse produzieren ([i.e]. [excitory]). Es ist bedeutungsvoll zu Notiz, daß neurologische Studien die Existenz von einem [excitory/inhibitory], der Struktur für die biologischen Neuron und besondere Klassen von [neurons] gruppiert, zeigen, wird gewußt, um sowohl [excitory] als auch [inhibitory-Verbindungen] innerhalb ihrer [synaptisch-Reihen] zu besitzen.
    • [Commutative] Eigenschaften von [Neurons]
  • Der holographische neurale Prozeß zeigt das, was zu als ein-" [commutative]" Eigenschaft gesprochen werden wird, wodurch die erzeugt Antwort von einer Mehrheit von [neurons] ausgibt, mag innerhalb der Vektor-Domäne zusammengezählt werden, um eine netto Antwort zu produzieren. Das Bereitstellen, daß die Stimulus-Eingabe-Felder zu allem [neurons] von einmalig umfaßt werden, oder das Nicht-überschneiden von Mengen höherer Reihenfolge-Statistiken, die Fehler-Beziehung der Vektor-Aufsummierung folgt Gleichung 25 wieder, wo [N] die totale Zahl von Stimulus-Eingabe-Elementen über allen [neuron-Zellen] jetzt darstellt. Diese Vektor-Aufsummierung-Bedienung mag in einer allgemeinen Form von der folgend Verbindung gezeigt werden:
  • wo
  • und [S]&sub1; zu [S]τ bilden einmalige Mengen höherer Reihenfolge-Produkt- Bedingungen.
  • Präsentierte, ist ein besonderes Beispiel von der [commutative- Eigenschaft], in der die Vektor-Antworten über einem Menge von 10,000 [neuron-Zellen] jedes das Besitzen eines Eingab-Stimulus-Feldes von 10,000 Elementen zusammengezählt werden. Das Bereitstellen der höheren Reihenfolge-Statistiken, die all die Eingabe-Elemente darstellen, ist einmalig über allen Mengen von [neurons], die zusammengezählt Antwort-Merkmale sind gleich zu einem Neuron, der 100 Million Elemente innerhalb des Stimulus-Feldes besitzt, gesagt [commutative-Eigenschaft], die dadurch mehrere million Stimulus- Antwort-Assoziationen erlaubt, überlegt zu werden, oder hüllte auf den gleichen Korrelation-matrices innerhalb dieses Körpers von Zellen ein. Diese Form eifert besonderen gut-definiert zellularen Strukturen, beim Zeigen eines Potentiales-" [superneuron]" Struktur innerhalb der Hirnrinde und Kleinhirnes wie das Gehören zum pyramidenförmigen Zell Komplex, nach.
    • Abgesenkt Netzwerke
  • Abbildung 14, illustriert ein abgesenkt Netzwerk, wo [TG] eine Gruppe von [neurons] darstellt und auf ein Gerät oder Menge von Geräten, die eine einfache Transformation-Bedienung von auf Eingabe-Stimulus-Feld aufführen, bezieht, [S] zu einem assoziiert Ausgabe-Antwort-Feld [R]. Ein abgesenkt Netzwerk besteht von einer Folge von Verwandlung TG1, TG2, TG3 in dem das Ausgabe-Antwort- Feld von einer Gruppe oder Schicht (TG1) füttert ins Eingabe-Stimulus-Feld einer höheren Schicht (TG2). Keine numerieren von Schichten, mag verwandt werden, um komplexere Reihen von Netzwerken zu bilden.
    • Zusätzlich Disclosure:7
  • Jede Gruppe von Zellen innerhalb einer Schicht hüllt eine große Zahl von Stimulus-Antwort-Assoziationenn ein, solchl daß die Neuron Funktionen in einer Art ähnlich zu einem zufriedenen ansprechbaren Gedächtnis absenken. Auf Fortpflanzung von Signalen überall in mehrfache Schichten pflanzen Antworten, die durch Anregung niedrigerer neuraler Schichten erzeugt wurden, Assoziationen durch zu höheren Schichten fort. In Abbildung 14 gab der Stimulus bei EIN Kollegen zu Antwort [B] für ein Beispiel ein in der ersten Schicht, die dann zu Antwort [C] in der zweiten Schicht assoziiert, und so weiter. In diesem senkte Form ab, Assoziationen mögen sich an Einzelteil neurale Pfade oder [recombine] in irgendeiner definierbaren Anordnung gabeln, die sich auf die Verbindung-Struktur und die kodiert Stimulus-Antwort-Assoziationen verläßt.
  • Eine zweite Eigenschaft abgesenkt Netzwerke existiert in der Aufsummierung von Antwort-Vektoren. Der-" [commutative]" Eigenschaft von [neurons-Genehmigungen] die Antwort-Ausgabe mehreren [neurons], die das Produzieren eines-" [superneuron]", der sehr verbessert Fähigkeiten für Stimulus-Antwort-Muster-Lagerung besitzt, wirksam zusammengezählt werden sollte. Mehrfache Schichten mögen beschäftigt werden, wodurch jede Schicht eine Aufsummierung über dem [axonal] aufführt, verarbeitet (oder erzeugte Antworten) von vorausgehenden Schichten, das Erlauben von sehr ausgedehnt Zahlen von Stimulus-Antwort-Assoziationenn, kodiert zu werden oder hüllte auf dem gleichen Korrelation-Menge ein. Die Zunahme in Informationen-Lagerung Dichte durch herabstürzend [neurons] an einer Schicht ist proportional zur Zahl von Antwort-Vektoren, die zusammengezählt wurde. Zum Beispiel, das Aufführen einer Vektor-Aufsummierung innerhalb des Komplexes oder Riemann (Phase) Ebene für 1000 [neuron-Zellen] von gleichwertiger Größe werden die Zahl von Mustern vergrößern, die man durch einen Faktor von ein tausend einfalten kann. Diese Eigenschaft ist eventuell auf den Stimulus-Feldern über allen [neuron-Zellen], die der Eigenschaft von Einmaligkeit folgen, als im Teil beschrieben hat, der zu [Commutative] Eigenschaften von gehört.
    • Parallele Netzwerke
  • Ein paralleles Netzwerk als in Abbildung 15 illustriert hat, mag gebildet werden in dem Schichten innerhalb des Netzwerkes von mehrfachem [neurons] oder Verwandlung bestehen, gruppiert das Operieren in einer parallelen Form. In diesem Fall mag das Ausgabe-Antwort-Feld in keine von den Eingabe-Stimulus- Feldern einer nachfolgenden Schicht in irgendeiner Verbindung oder Anordnung füttern. lrgendeine Kombination beider senkte ab, und parallele Verwandlung- Gruppen mögen gestaltet werden, um eine sehr komplexe Reihe assoziiert neuraler Elemente zu bilden.
    • Zusätzliche Bekanntgabe:
  • Die Vorteile von Parallelität in [neuron-Schichten] sind [evidenced] durch den-" [commutative]" Eigenschaft von [neurons] wieder, wodurch der Vektor von mehreren Zellen ausgibt, die in einer parallelen Reihe innerhalb einer gegeben Schicht aufgestellt wurden, wird innerhalb eines Vektor-Raumes zusammengezählt. Diese Vektor-Aufsummierung schafft einen-" [superneuron]" wessen Merkmale als wirksam vorher, definierte, ist gleich zu einer Zelle, die eine Stimulus-Feld-Größe gleichwertig zur Größe von Stimulus-Feldern besitzt, die über allem [neurons] innerhalb der Eingabe-Reihe, beim Erleichtern von informationen-Dichten äußerst hoher Reihenfolge, zusammengezählt wurde.
    • Reaktion-Netzwerke
  • Abbildung 16, illustriert ein System, wo die Ausgabe-Antwort-Felder neuraler Elemente innerhalb höherer Schichten den Wirkungen in Eingabe- Stimulus-Felder neuraler Elemente innerhalb niedrigerer oder früherer Schichten weiterleiten. Irgendeine Form oder Anordnungen von Reaktion-Systemen mögen beschäftigt werden. Das neurale Gerät versorgt irgendeine Situation, in der die Ausgabe-Antwort manipuliert oder die hiesige Umgebung modifiziert, die den Eingabe-Stimulus bereitstellt, mit Reaktion-Kontrolle eigen, ([ie]. Reaktion über Umgebung). Diese Vorstellung mag innerhalb ein [robotic-Kontrolle-Systeme] vorgestellt werden, in denen der Eingabe-Stimulus axiale Position und Rate- Sensoren ist, und die Ausgabe-Antwort bewirkt Motor-Kontrolle. Keine verändern sich in der Antwort-Ausgabe (Achse-Bewegung) modifiziert das Eingabe- Stimulus-Muster, das so die nachfolgende erzeugt Antwort bewirkt, und so weiter. Es wird erwartet, daß die oben erwähnen Reaktion-Mechanismen die Kontrolle-Fähigkeiten innerhalb der meisten Anwendungen des holographischen neuralen Gerätes bedeutend verbessern werden.
    • Zusätzliche Bekanntgabe:
  • Innerem Reaktion oder wiederkehrende Schlingen, die über die [synaptisch-Verbindungen] erzeugt wurden, mögen Signal-Schlingen, die durch eingefaltet Stimulus-Antwort-Assoziationen widerhallen, auch erleichtern. Diese wiederkehrenden Schlingen werden tendieren, zu besonderem Assoziation- Muster bis einen externen Stimulus zu stabilisieren, bewirkt die wiederkehrende Schlinge, um einen neuen Zustand anzunehmen.
    • Das Modifizieren oder das Anwenden von Ausmaß-Bestandteil
  • Die Form der Gleichungen bezog sich auf früheren Deal mit Phase-Winkel hauptsächlich, das Haben des Ausmaß-Bestandteiles für die Elemente innerhalb des Stimulus-Feldes setzte gleichwertig zu Einheit. Ein Ausmaß-Bestandteil mag zu jedem von diesen Stimulus-Elemente aber übertragen werden. Dies überträgt einen-" Justierung-Faktor" wirksam und bestimmt die wirksame Herrschaft jenes Elementes innerhalb des Stimulus-Feldes im Erzeugen der Ausgabe-Antwort.
    • Spärliche Matrize-Techniken
  • In einigen Anwendungen mag es wünschenswert sein, einige der Verwandlung-Elemente innerhalb der Korrelation-Matrize auszuschließen [X] (Gleichung 17). Dies produziert eine Matrize wirksam, einige von wessen Elementen werden nichtig sein oder 0, und wird zu als eine spärliche Matrize hierin gesprochen werden. Diese Technik hat die Wirkung vom Reduzieren des Beschlusses, der dadurch den [deterministischenfehler] oder Flaum- Bestandteile innerhalb des erzeugt Antwort-Feldes vergrößert. Ein Vorteil mag in erkannt werden, daß die Zahl von Verwandlung-Bedienungen dementsprechend reduziert wird, ([ie]. reduziert Ausführung-Zeit).
    • Zusätzliche Bekanntgabe: BINÄRES MODELL
  • Im Ereignis mag, das Berechnung Einfachheit für Gründe von entweder Geschwindigkeit oder Hardware-Beschränkungen gewünscht wird, dieser holographische Prozeß reduziert werden oder mag zu einem binären System vereinfacht werden. Betriebsbereite Fähigkeiten werden bedeutend reduziert, aber werden Vereinfachungen in erkannt, daß die [encoding/decoding- Verwandlungen] innerhalb einer einfacheren [scalar-Zahlen-Domäne] ganz aufgeführt werden mögen. Diese Vereinfachung bringt Beseitigung von einer Achse innerhalb des Phase-Ebenees, das dadurch Informationen-Darstellung bei den 0 und π nur erlaubt, mit sich, führen Sie Orientierungen stufenweise durch.
  • Die oben erwähnen Vereinfachung zu einem binären System erlaubt nur also, setzt von Stimulus-Antwort-Mustern, die von binär bestehen, (-1/+1,0/1, oder 0/π) Zustanden, [encoded/decoded] zu sein. Alle assoziierten, Erweiterungen, die hierin angegeben wurden, operieren in der gleichen Art für dieses binäre System als für das vorher definiert komplexe System, das Betrachten weiß, daß nur zwei Phase-Positionen in der Darstellung von informationen erlaubt werden.
    • VERGLEICHE ZU DEM BIOLOGISCHEN SYSTEM
  • Um die betriebsbereite Eigenschaft und Bedeutungen dieses Gerätes völlig zu verstehen, zeigte, ist einige bedeutungsvolle Ähnlichkeiten zwischen dem holographischen neuralen Prozeß, der hierin beschrieben wurde, und Merkmale des [neurobiological-Systems].
  • Es wird geschätzt, daß das menschliche Gehirn im Gebiet von 25 Milliard [neurons] besizt. Wie alle tierischen Zellen wird jeder Neuron durch eine Zell Membrane begrenzt, die die Inhalte der Zelle einschließt ,-das ist der [cytoplasm] (Zell Flüssigkeit) und der Nukleus. Die Größe und Form dieser [neurons] variieren überall, aber der strukturelle Plan enthält bestimmte Elemente immer (Abbildung 2): ein Zell Körper oder [soma], und die Prozesse von diesem Zelle- Körper, nämlich ein [axon] ([neurite]) und normalerweise mehrerer [dendrites]. Die Einteilung dieser [neuronal] verarbeitet in Hinsicht auf [axon], und [dendrites] wird auf der Basis von Funktion gemacht.
  • Der [axon] fügt die Nerv-Zelle mit anderen Zellen zusammen. Die [axon] anderer Zellen beenden auf dem Zell [dendrites] und auch auf dem [soma]. [Axons] und [dendrites] teilen normalerweise in eine veränderliche Zahl von Zweigen nach dem Entstehen vom [soma]. Die Kreuzung von einem [axonal], der mit noch einer [neuron-Zelle] endet, wird einen [synapse] gerufen.
  • Die Mehrheit von [neurons] wird zu anderem [neurons] assoziiert, um [neuronal-Schaltungen] oder Netzwerke zu bilden. Die [axons] von einer kleinen Zahl von [neurons] verbinden mit den mit Schliffen Skelett Muskeln, die glatten Muskeln vom Eingeweide und Drüsen und wird [afferent-Nerven] benannt. Umgekehrt, spezialisierte Nerv-Zellen der Antwort zu bestimmten Änderungen im Organismus oder seine Umgebung übersendet diese Antworten zum zentralen Nervensystem und wird Rezeptoren gerufen. Jede Rezeptor-Zelle wird spezialisiert, um zu einer besonderen Form von Stimulus zu antworten, so entsteht die wichtige Vorstellung Sinnes Modalität. Vision stellt eine Form von Modalität dar, spricht noch ein vor und schmeckt noch ein noch. Stimulus, der durch diese verschiedenen Sinnes Modalitäten wahrgenommen wurde, bildet die Basis von Informationen, der verarbeitet werden und innerhalb des [neuronal- Systems] gelagert werden.
  • Fortpflanzung von Informationen innerhalb des biologischen Neuron kommt in der folgend allgemeinen Art vor; Signale, die in der Form von Puls weitergegeben wurden, modulierten [waveforms], der durch den Zell [dendrites] und [soma] bekommen wurde, und vermittelten über [synaptisch-Verbindungen]. Umgekehrt erzeugt der Neuron in Antwort zu diesen Signalen, die bekommen wurden, ein Ausgabe-Puls modulierte [waveform], der über die [axon] und Sicherungsgegenstande zu nachfolgenden Schichten von [neuron-Zellen] reist.
  • Die allgemeine Struktur des Neuron in Bezug auf den Signal-Pfaden wird in Abbildung 4 illustriert.
  • Die theoretischee Basis, die hierin beschrieben wurde, wird innerhalb des Kontextes der folgend Beschreibung, als ein möglicher Mechanismus für Informationen, die innerhalb des biologischen Neuron verarbeiten, wiederholt werden. Es wird vorgeschlagen, daß die einzelne [neuron-Zelle] die Fähigkeit hat, eine massive Menge von Informationen in der Form von Stimulus-Antwort- Assoziationenn auf seine [synaptisch-Verbindungen] einzuhüllen und einem ähnlichen [encoding/decoding-Mechanismus] nacheifert, als hierin definiert hat.
  • Als oben erwähnt hat, jede [synaptisch-Verbindung] innerhalb der [dendritic-Struktur] des Neuron bekommt, ein Puls modulierte [waveform] charakteristische von Figure4. Diese [waveforms] mögen in einer abstrakten Form mit Puls-Häufigkeit illustriert werden, der Informationen darstellt und abstrakt eine Vektor-Orientierung auf einem Riemann oder Phase-Ebene definiert. Die Stimulus-Welle-Formen, die durch die [synaptisch-Verbindungen] bekommen wurden, mögen dargestellt werden, als vorher definierte, durch die fölgend Notenschrift:
  • Ähnlich die Ausgabe oder Antwort-waveform lernten neben der Zelle in Assoziation zum oben erwähnen Stimulus, mag durch das komplexe Element dargestellt werden (Gleichung). Es wird vorgeschlagen, daß die kodiert Antwort- Assoziationen über ein Pfad-Einzelteil von [dendritic] gelesen werden, verarbeitet, möglicherweise über die axo-somaTabelleen Verbindungen. Beim Folgen der [Hebb] Hypothese, biologische Strukturen innerhalb des Gebietes der [synaptisch-Verbindungen] werden in Antwort zu Anregung modifiziert, die einen Mechanismus für Informationen-Lagerung andeutet. Keine Behauptungen oder Erklärung wird in Bezug auf dem biologischen Mechanismus präsentiert, der betroffen wurde, aber wird es vorgeschlagen, daß die Stimulus-Antwort- Assoziationen in einem allgemeinen Sinn durch die Vektor-Matrize gelernt werden, die Transformation kodiert, als vorher definiert hat und hinunter präsentierte:
  • [X]=[ ]τ R [Gl.] 53
  • Der erzeugt Menge von Korrelation-Werten wird in ausgedehnt Form präsentiert, wodurch Informationen über einer [descretized-Zeit-Achse] kodiert werden. Nur zuerst werden Reihenfolge-Statistiken in den folgend Gleichungen für Einfachheit gezeigt:
  • Die Korrelation-Matrize bildet eine mathematische Analogie von den [synaptisch-Verbindungen], die eine sehr abstrakte Darstellung für Informationen-Lagerung definieren. Die Theorie schlägt einen Mechanismus vor, wodurch alle gelernten Stimulus-Antwort-Assoziationen überlegt werden oder auf der gleichen Lagerung mittler innerhalb einer Phase-Domäne eingefattet werden, in diesem Fall biologische Strukturen im Gebiet der [synaptisch-Verbindung].
  • Als vorher erwähnt hat, das Entkodieren oder Ausdruck einer gelernten Antwort mag mit dem Kodieren von Verwandlungen gleichzeitig vorkommen. Auf Anregung der [dendritic-synaptisch-Verbindungen] durch eine Folge von äußerlich Puls bildet, die moduliert wurde, Welle, die Annahme wird gemacht daß die biologische Äquivalenz des folgend komplexen Vektors, die innere Produkt-Verwandlung innerhalb des Körpers der Zelle vorkommt,:
  • Wieder, die komplexe Quantität [R] stellt den erzeugt Antwort-waveform dar, der über die neuralen [axon] und Sicherungsgegenstande zu nachfolgenden Schichten von [neurons] reist. Der Prozeß zeigt, daß relativ wenig [cortical- Schichten] erfordert werden, sehr intelligente Assoziationen und Kontrolle- Handlungen aufzuführen.
    • Zusätzliche Bekanntgabe:
  • Es wird vermutet, daß in einem sehr allgemeinen Sinn der niedrigere [cortical] innerhalb der neurologischen Struktur-Gerät-Funktionen ähnlich zu [sigmoidal-Vorbearbeitung] und Generation höherer Reihenfolge-Statistiken absenkt. Die theoretischee Basis würde zeigen daß der Großteil von Assoziation und das Lernen von Prozessen wird innerhalb der sehr gabelten aufgeführt [dendritic] strukturieren vom [stellate] und assoziierten Zellen, die in der zerebralen Hirnrinde und Kleinhirn gefunden wurden, (Abbildung 5). Die oben erwähnen Formen die Basis für ein nicht-connectionist nähern Sie sich in dem der Mechanismus von Lernen (das Einfalten von Informationen) und Ausdruck wird innerhalb der einzelnen [neuron-Zelle] aufgeführt.
  • Dieser Prozeß schlägt vor daß die [neuron-Zelle] trotz seiner äußerst Kompliziertheit und strukturelle Variation mag Informationen in einer sehr ohne Markennamen Mode verarbeiten. [Specificity] von Funktion könnte durch die [synaptisch-Verbindung-Landkarte] bestimmt werden, bildete als das biologische System, macht Reife durch. Den leitenden Gleichungen wird in dieser Art zu Allgemeinheit ideal gepaßt, in, daß der Algorithmus eine [synaptisch- Verbindung-Matrize] unendlich flexibler Form erlaubt, die neuralen Elemente mögen strukturiert werden, um irgendeine Vertauschung Quer Assoziationes zwischen verschiedener Form von Sinnes Modalitäten und Motor-effector- Antworten zu erleichtern. Es mag auch illustriert werden, daß ein sehr nahe [isomorphism] zwischen der mathematischen Basis existieren, und die allgemeinen [structure/external] zeigen Prozesse des biologischen Neuron an (Abbildung 4). Noch ein betriebsbereites Merkmal des Prozesses ist, jene neuralen Elemente operieren in einer vollkommen asynchronen Mode optimal. In anderen Wörtern wird Allgemeinheit von Bedienung in beibehalten daß keine Koordination oder das Timen von Überlegungen wird zwischen verschiedenen [neuron-Zellen] erfordert. Umfangreiche Simulation der holographischen Theorie illustriert, daß sehr komplexe gelernte Assoziationen vom neuralen System auf dem Durchqueren einer einzelner Schicht herausgenommen werden mögen.
  • Als vorher erwähnt hat, dort existiert eine breite strukturelle Variation zwischen anderen Klassen von [neuron-Zellen] innerhalb des zentralen Nervensystemes (Abbildung 3). Für ein Beispiel, [stellate] und [Martinotti] Zellen innerhalb der zerebralen Hirnrinde besitzen Sie ein überall gabelte, [dendritic] strukturieren und eine innerere [microtubular-Anordnung], die einen möglichen Mechanismus für [encoding/decoding] zeigt, als innerhalb des wesentlichen holographischen Prozesses definiert hat. Die Haupt Zelle der Hirnrinde, die Pyramidenförmige Zelle, zeigt wenig [dendritic-arborizations] eine sehr große Zahl von [synaptisch-Rückgraten] über der Oberfläche dieser [dendritic- Prozesse] aber. Diese Art von Struktur ist auch charakteristische vom Haupt Neuron des Kleinhirnes, nämlich die [Purkinje] Zelle. Noch eine dritte Gruppe von [neuron-Zellen] besitzt eine andere Struktur ziemlich, dieses seiend charakteristische von Rückgrat [neurons] wodurch keine definiert [axonal] verarbeiten, existieren Sie, aber, eine Mehrheit von dendritic-wie [arborizations], der, vom Zell Bekommen, eine Mehrheit von Eingaben ausstreckt und eine Mehrheit von Ausgaben erzeugt.
  • Der holographische neurale Prozeß als definiert hat, bringt mehrere wichtige Vorläufer und Roman-Bedeutungen, die eine mögliche Rolle in jedem von den oben erwähnen Variante-Arten von [neuron-Zellen] widerspiegeln, mit sich. Eins der Haupt Anforderungen bringt die wesentliche Vorstellung von Symmetrie mit sich wieder. Als bemerkte im Teil, der zu höheren Reihenfolge- Statistiken gehört, das Ideal symmetrisch
  • Zustand mag durch das Ausdehnen von Eingabe-Stimulus-Feldern zu höheren Reihenfolge-Statistiken erreicht werden. Der Großteil viszeraler und externer Sinnes Eingaben wird über Pfade innerhalb der [corticospinal] und [spinocerebeller-Gebiete] übersandt. Diese rohen Signale unverändert würde gewöhnlichsten sehr nicht-symmetrische Verteilung-Merkmale zeigen. Rückgrat [neurons] besitzen, die Struktur illustrierte Abbildung 3, beim Anklagen von umfangreichem [arborizations] für beide [input/output] von Signalen, die keinen definiert [axonal-Prozeß] haben. Diese [neuronal-Struktur] könnte erleichtern, eine Modifikation globalen Eingabe-Stimuluses bildet nach, wodurch alle Formen Sinnes Modalitäten zu höherem Reihenfolge-Produkt ausgedehnt werden mögen, ([i.e]. höhere Reihenfolge-Statistik als [efferent-Informationen] pflanzt sich an der Wirbelsäule fort). Ein Prozeß dieser Art würde Stimulus-Verteilung- Merkmale in die ideale symmetrische Form vorausgehend zu Übermittlung eigen umgestalten in Hirnrinde und Kleinhirn neurale Strukturen.
  • Die Hirnrinde enthält drei Arten von [neurons] hauptsächlich: [stellate- Zellen], [Martinotti] Zellen und pyramidenförmige Zellen. Die [intercortical- Schaltungen], die die Verbindungen von Prozessen von diesen Zell Arten definieren, werden vernünftig gut gewußt, aber wird bißchen hinsichtlich [specificity] von Funktion gewußt. Beim Sprechen, um 5 zu glauben, [stellate- Zellen] bekommen Signale, die hauptsächlich von [corticospinal-Gebieten] über das [thalamic-System] entstehen. Die [axonal] verarbeiten vom (stellate-Zellensynapse] auf den [synaptisch-Rückgraten] von [proximal] pyramidenförmige Zellen zum größten Teil. Diese pyramidenförmigen Zellen, beim Sein die Haupt Zell Art der Hirnrinde, haben, [axonal] verarbeitet das Beenden bei allen Niveaus der Hirnrinde, und das Ausstrecken das [corticospinal-Gebiet], das auf Motorneurons am Rückenmark beendet, entlang. [Martinotti] Zellen operieren hauptsächlich in einer Reaktion-Form, die Eingaben von [axons] von pyramidenförmigen Zellen, die ein Ausgabe-Signal erzeugen, das auf [dendritic- Prozessen] von [stellate] und pyramidenförmigem [neurons] an oberflächlicheren Schichten der Hirnrinde beendet, bekommt. Gegeben die Merkmale vom holographischen Prozeß und der allgemeinen Struktur Zell Arten, man mag eine Rolle oder verschiedene Trennung zwischen Funktionalität für jedes dieser Zell Arten definieren.
  • Wieder, beim Beziehen auf den Teil, der zum-" [commutative]" Eigenschaften holographischen [neurons] gehört, dies definiert eine Eigenschaft, wodurch die Vektor-Aufsummierung von Antwort-Ausgaben über einer Mehrheit von [encode/decode-neurons] ausdrückte, mag ausgeführt werden, das wirksam Produzieren eines-" [superneuron]", der sehr verbessert Fähigkeiten für Informationen-Lagerung besitzt. Auf Untersuchung von der oben erwähnen Struktur und [intercortical-Pfaden] ist, die mit den [stellate] und [Martinotti] Zellen assoziiert wurde, es offensichtlich, daß diesen Zell Arten für Ausführung der [encoding/decoding-Bedienungen] ideal gepaßt wird, als innerhalb der Haupt holographischen Methode definiert hat. Pyramidenförmige Zellen haben eine Struktur, und [intercortical-Verbindungen] paßten für Ausführung der Vektor- Aufsummierung über [proximal-stellate] und [Martinotti] Zellen, die so eine Bedienung analog zum-" [superneuron]" Prozeß aufführen. Dieses holographische Modell von Bedienung zeigt, jene eine pyramidenförmige Zelle, in Assoziation mit dem unterstützend [proximal-stellate/Martinotti-neurons], ist fähig vom Einfalten bedeutend größer als 108 im Gebiet von einen milliard Stimulus-Antwort-Assoziationenn auf seine Korrelation, setzen Sie ([i.e]. [synapses] von [proximal-stellate/Martinotti-Zellen]). Gegeben daß das oben erwähnen bringt mit sich 20-40,000 [stellate/Martinotti-Zellen] und eine pyramidenförmige Zelle, die einen sehr kleinen Prozentmenge der totalen Zell Bevölkerung bilden, der holographische Prozeß definiert einen Mechanismus, durch den eine strukturelle Verkörperung, die Merkmalen des zentralen Nervensystemes ähnelt, bei einem sehr hohen Niveau von Kompliziertheit funktionieren könnte.
    • GEDÄCHTNIS-KAPAZITÄT UND RATE VON VERARBEITUNG
  • Die betriebsbereiten Merkmale eines einzelnen pyramidenförmigen Zelle Komplexes werden unter dem Anwenden der holographischen Theorie bestimmt, das Haben von ähnlichen Merkmalen für kleinere Maßstab-Systeme verifizierte von [Monte] [Carlo] Simulation. Dieses Beispiel von [cortical-Struktur] und verwandten [storage/processing-Fähigkeiten] wird auf den pyramidenförmigen Zelten von [Betz] gegründet, die in der Motor-Hirnrinde gefunden wurden. Diese pyramidenförmigen Zellen führen direkte Kontrolle im [innervation] genauen Motor-neurons aus. Aktuelles Studium zeigt, daß diese Art pyramidenförmigen Neuron bis zu 100,000 [synaptisch-Rückgraten] enthält, die Eingaben von [axonal-Prozessen] von sowohl [proximal] als auch [distalstellate/Martinotti-Zellen] bekommen. Die Zahl von Stimulus-Antwort-Mustern, die auf einen einzelnen pyramidenförmigen Zelle-Komplex eingefaltet werden mögen, wird unter dem Anwenden der folgend Annahmen bestimmt:
  • (i) die [Proximal-stellate/Martinotti-Zellen] bekommen auf Durchschnitt 40, 000 [axo-dendritic-synaptisch-Eingaben];
  • (ii) das Stimulus-Feld gibt von [proximal-neuron-Zellen] ein, ist in ideale symmetrische Form in Ausdehnung zu höheren Reihenfolge-Statistiken umgestaltet worden;
  • (iii) der Menge von höheren Reihenfolge-Statistiken oder Eingabe-Signalen ist zum größten Teil einmalig über allen [dendritic-Eingaben] zur Gruppe von [stellate/Martinotti-Zellen];
  • (iv) die Zahl von Stimulus-Antwort-Assoziationenn hüllte ein, ist solch, daß [deterministisch], den-" Flaum" auf Ausdruck zu einem gelernten Stimulus- Assoziation erzeugte, auf Durchschnitt ist, (2% von vollem Maßstab (absolut).
  • Das Anwenden der [commutative-Eigenschaft] von [neurons] und einer Form, die den pyramidenförmigen Komplex darstellt, als das Ausführen eines-" [superneuron]" Prozeß, beim Zeigen von Eigenschaften gleichwertig zu einem neuralem Element, das die folgend Zahl von [synaptisch-Eingaben] enthält, im wesentlichen,:
  • 100,000 [dendritic-spline] gibt zu pyramidenförmigem Zell [x] ein
  • 40,000 [synaptisch] gibt pro [stellate/Martinotti-Zelle] ein
  • = 4.0 milliard höhere Reihenfolge-Statistiken innerhalb das pyramidenförmiger Zell Komplex
  • Umfangreiche Computer-Simulation, die [Monte] [Carlo] Techniken anwendet, hat gezeigt, daß die Fehler-Verbindung von Gleichung 25 invariant zur Zahl höherer Reihenfolge-Statistiken ist, die ins neurale Element oder [neuron-Komplex] gefüttert wurde. Beim Anwenden dieser Fehler-Verbindung, die Zahl von Stimulus-Antwort-Assoziationenn, die innerhalb eines einzelnen pyramidenförmigen [neuron-Komplexes] gelagert werden mögen, ist:
  • P = N[tan(.02π 8] [Gl.] 56
  • = 710 million Stimulus-Antwort-Assoziationen
  • Beim Erachten für den ganzen Menge höherer Reihenfolge-Statistiken, jeder Stimulus-Antwort-Assoziation entspricht 4 Milliard Elementen von Informationen (N), deshalb ist der Inhalt von Informationen, der innerhalb der Folge von Stimulus-Antwort-Assoziationenn kodiert wurde,:
  • = P x N = 4 Milliard höhere Reihenfolge benennt x
  • 710 million Stimulus-Antwort-Muster
  • =3 x 10¹&sup9; Elemente von Informationen [Gl.] 57
  • In einem praktischen Sinn mag man annehmen, daß ein Element von Informationen einen analogen Wert-discretized zu einem Beschluß von 256 Niveaus darstellt. Dieses Informationen-Element mag durch eines Byte innerhalb dargestellt werden ein konventionell berechnen Sie Gedächtnis. Beim Anwenden der holographischen Theorie, ungefähr 3 x 10¹&sup9; Elemente (Byte) von Informationen in der Form von Stimulus-Antwort-Assoziationenn mag in einen Neuron komplex von einer Struktur kodiert werden, die der pyramidenförmigen Zelle der Motor-Hirnrinde ähnelt. Auf Anregung über den [dendritic-synapses] sind die Merkmale des oben erwähnen Neuron solch, daß das Eingabe- Stimulus-Feld durch die oben erwähnen angesammelt Masse von informationen, beim Ausstellen einer Antwort in einer nahen sofortigen Mode, umgestaltet wird.
  • Um die wirksame Verarbeitungsgeschwindigkeit zu illustrieren wird ein Vergleich mit der üblichen linearen Suche-Technik aufgeführt. Innerhalb total linearer Suche-Methoden-Bilder muß erkannt zu werden individuell gelagert werden und muß gegen Muster-Prototypen in einer sequentiellen Art verglichen werden. Zusammenpassend Algorithmen stufen die Eingabe auf einem besten geeigneten Anmenge ein. Im allgemeinen mögen Muster-Elemente innerhalb eines [N] dimensionaler [orthogonal-Raum] dargestellt werden. Die elementare Bedienung innerhalb des [reprsentative] linearer Suche-Algorithmus berechnet den Unterschied an der dimensionalen Achse zwischen dem Eingabe-Muster und einem einzelnen Hinweis-Prototyp. Die Aufsummierung dieser Entfernungen an jeder Achse in [N] Raum ist proportional, Unterschied nachzubilden, in dem jdes der elementaren Bedingungen berechnet wird, als folgt:
  • (ak - b )² [Gl.] 58
  • wo
  • ak Element k von Eingabe-Stimulus-Feld
  • b - Element k von Prototyp-Muster t
  • Die oben erwähnen Bedienung mag aufgeführt werden, um einen Menge von Unterschied-Bedingungen für jeden Muster-Prototyp zu erzeugen. Diese Unterschied-Bedingungen werden in irgendeiner zweckmäßigen Beziehung beschäftigt Ft()eine gewünscht Antwort oder Entscheidung zu erzeugen, [i.e].:
  • ( &sub1;², &sub1;², &sub1;²,...) where output =
  • Der holographische Prozeß führt eine ziemlich ähnliche Funktion zur linearen Suche über aber den Bedienung-Merkmalen auf, ist bedeutend mehr [computationally] tüchtig. Die elementare Vektor-Verwandlung, die eine korrespondierend Funktion zur [scalar-Unterschied-Lösung] bereitstellt, die in Gleichung 58 vorher präsentiert wurde, ist als folgt:
  • Durch das Darstellen von Informationen als komplexe Vektor- Orientierungen werden die folgend Phase-Übersetzung-Eigenschaften erkannt, wodurch; als irgendein Eingabe-Stimulus-Element nähert das korrespondierend Prototyp-Element sich ( k Θ )die erzeugt Phase in der Antwort wird in die wünschten oder gelernte Antwort übersetzt (Φ&sub1;). Eine zweite Eigenschaft, die von dieser Vektor-Darstellung resultiert, erlaubt die oben erwähnen exponentiellen Bedingungen far jedes Element über allen Hinweis-Prototypen, [convolved] auf eines Korrelation-Element zu sein (xk). Eine einzelne Verwandlung durch das Korrelation-Element als durch die holographische Methode aufgeführt hat, wird als gegeben:
  • In Überlegung des pyramidenförmigen Zell Beispieles würde die oben erwähnen Verwandlung eine Funktion mathematisch analog zu 7.1 x 10³ Vergleiche aufführen innerhalb der linearen Suche-Methode ([i.e]. Gleichung 58). Beim biologischen Niveau, beim Illustrieren eines Vergleiches mit konventionellen Verarbeitung-Mitteln, man mag konservativ schätzen, daß die Antwort-Zyklus-Zeit für die [neuron-Zelle] 100 [milliseconds] ist. Die [effective- Verarbeitungsgeschwindigkeit] eines einzelnen pyramidenförmigen Zelle- Komplexes, die eine Informationen-Speicherkapazität von 3 x 10¹&sup9; Byte als annimmt, mag geschätzt werden, bestimmte oben. Im Ausführen einer Antwort- Generation innerhalb 100 [milliseconds], die eine lineare Suche ohne Verkleinerung oder Beseitigung von Fakten benutzen, wird die folgende Zahl von Vergleichen pro Sekunde erfordert:
  • 3 x 10¹&sup9; Daten-Elemente / 100 [ms-Antwort-Periode]
  • = 3 x 10²³ Vergleiche / Sekunde
  • Es ist eine schöne Annahme, daß ein Supercomputer fähig von Verrichtung 100 Million Vergleiche pro Sekunde sein könnte. Für einen Aufführung-Vergleich schlägt die oben erwähnen Struktur vor, daß man ungefähr 3 x 10¹² super Computer, die eine lineare Suche ausführen, um die Informationen zu nähern, die Fähigkeiten eines einzelnen [neuron-Komplexes] verarbeiten, beim Verarbeiten einer Struktur ähnlich zur menschlichen pyramidenförmigen Zelle der zerebralen Hirnrinde, erfordern würde.
    • Ein KONTROLLE-PARADIGMA
  • Man mag den neuralen Prozeß als ein neues Kontrolle-Paradigma betrachten. Die Darstellung dieses Kontrolle-Systems mag in einer konventionellen Art illustriert werden (Abbildung 6) mit [multivariable] geben Sie ein, Kontrolle-Ausgabe, und Antwort-Ausgabe-Prozesse. Dieser schwarze Kiste- AnMenge würde das wesentliche Kontrolle-Element definieren. Als in irgendeinem Kontrolle-System mögen mehrfache Elemente in irgendeiner definierbaren Art gestaltet werden, um eine besondere Funktion auszuführen. Der Prinzip-Unterschied mit konventionellen Prozesse-Lügen in der Fähigkeit und der Art, in denen dieses Kontrolle-Element seine Funktion aufführt.
  • Um eine Analogie bereitzustellen, um Raum-Kontrolle-Theorie anzugeben lenken die Kontrolle-Element-Genehmigungen Kodierung, oder das Vermessen von [multivariable-Eingabe] gibt auf eine Kontrolle-Ausgabe an. Der vermessend Plan würde keine lineare Abhängigkeit zwischen Mengen von Eingabe- Zustanden und Ausgabe erfordern. Der vermessend Plan würde keine lineare Abhängigkeit zwischen Mengen von Eingabe-Zustanden und Ausgabe-Kontrolle- Werten erfordern. Als bestätigte durch Simulation, das System zeigt eine große Immunität, um Verzerrung solch einzugeben der ein breites Gebiet in Zustandlichem Raum benachbart zum vermessen Eingabe-Zustand wird in nur zierlicher Verzerrung der erzeugt Ausgabe resultieren. Diese Immunität, Geräusch einzugeben wird aufgeführt, ohne irgendeines Mechanismus von Reaktion zu beschäftigen.
  • Auf einem etwas abstrakteren Niveau definiert solches Stimulus-Antwort Vermessen ein Gebiet von Einfluß oder-" [hyperellipsoid]" innerhalb des [N] dimensionaler Zustandlicher Raum. Man mag sowohl die Geometrie manipulieren als auch mag nach der Größe für diese vermessend Zonen durch das deutlich Definieren der Zigst Reihenfolge-Statistiken sortieren ([Hermitian] [preprocess] Bedienungen) und assoziierte Ausmaß-Quantitäten. Beim Beschäftigen dieser Methoden, Verallgemeinerungen, die während des Lernen- Prozesses gebildet wurden, sind gründlich kontrollierbar.
  • Gleichzeitig mit dieser Antwort, der vermißt oder lernt, mag das System eine Kontrolle-Handlung als eine Verwandlung des Eingabe-Zustandes durch das angesammelt Zustandliche Raum Vermessen ausstellen. Der Eingabe- Zustand wird durch all den eingefaltet [mappings] in umgestaltet ein eigen parallele Art als früher diskutiert hat. Jedes dieser vermessend Fragen ein Antwort-Vektor, wessen Grad Herrschaft-convolved innerhalb der erzeugt Ausgabe proportional zum Grad Nähe zum Eingabe-Zustand ist. Dieser Zustand- Raum-Vergleich ist nicht anwendbar zu konventioneller Kontrolle-Theorie in aber direkt, daß die dimensionalen Äxte in Hinsicht auf wirklichen Werten innerhalb eines [Euclidian] Raumes nicht definiert werden, aber Vektor-Orientierungen innerhalb [amultidimensional] führen Raum stufenweise durch.
  • Man könnte ein System voraussehen, in dem die Kontrolle-Elemente dynamisch lernen oder einen Zustandlichen Raum modifizieren, der vermißt, und Variablen wie Rate von Lernen und Gedächtnis-Profil beschäftigen. So ein Kontrolle-Element würde Umgebung Reaktion in der folgend Art ausführen. Eine Teilmenge vom externen Feld, das einen Stimulus erzeugt, wird durch das Kontrolle-Element umgestaltet, das eine Antwort ausstellt. Diese Antwort- Handlung direkt oder indirekt Wirkungen, die die Umgebung, die so den externen Stimulus modifiziert, ins Kontrolle-Element weiterleitete. Dieser Reaktion-Prozeß würde in einer geschlossen Schlinge-Mode zwischen der externen Umgebung und dem Kontrolle-Element fortsetzen. Gleichzeitig während der oben erwähnen iterative Reaktion-Prozeß die Kodierung funktioniert oder lernt, modifiziert Verwandlung die Stimulus-Antwort Zustandlicher Raum, der in Antwort zur verändernd externen Umgebung vermißt.
  • Das Kontrolle Element Vermessen verkörpert abstrakte Darstellung von der externen Umgebung und seinem Einfluß innerhalb dieser Umgebung. Die Bedienung vom oben erwähnen System, das Umwelt Reaktion beschäftigt, sogar innerhalb eines relativ einfachen Gerüstes, mag eine [reductionist- Analyse] ausschließen und mag scheinen, ein Kontrolle-System naher unendlicher Kompliziertheit zu entwickeln.
    • KURZE BESCHREIBUNG DER ZEICHNUNG
  • Verkörperungen der Erfindung werden jetzt über Beispiel nur beschrieben werden, mit Hinweis auf die begleitend Zeichnungen und Tabellee worin:
  • Tabelle 1 stellt den [probabilistic] üblicher Abweichung-Fehler innerhalb der Antwort als dar eine Funktion von der Zahl kodiert Muster.
  • Tabelle 2 Liste von Phonem-Godes.
    • Zusätzliche Bekanntgabe:
  • Tabelle 3 Listen die Zahl von einmaligen Mengen höherer Reihenfolge-Statistiken als eine Verbindung von beide Reihenfolge von der Statistik und der Größe des Eingabe- Stimulus-Feldes.
  • Abbildung 1 illustriert die allgemeinen Bestandteile eines neuralen Elementes als Standard innerhalb aktuelle Neigung-Abstieg- Modelle.
  • Abbildung 2 illustriert die Bestandteile des biologischen Neuron im allgemeinen.
    • Zusätzliche Bekanntgabe:
  • Abbildung 3 illustriert die allgemeine Struktur von einer Vielfalt biologischer [neuron-Zellen].
  • Abbildung 4 illustriert das Signal, das Merkmale von verarbeitet, im allgemeinen das biologisch Neuron und [sigmoidal-Antwort- Merkmale].
    • Zusätzliche Bekanntgabe:
  • Abbildung 5 illustriert die verschiedenen [neuronal-Verbindungen] und innerere [neuronal-Schlingen] innerhalb der zerebralen Hirnrinde.
  • Abbildung 6 illustriert Umwelt Reaktion durch ein neurales Kontrolle-Element.
  • Abbildung 7 illustriert eine einfache Verkörperung einer Hardware-Form für das künstliches neurales Gerät für eines neurales Element.
  • Abbildung 8 illustriert ein Beispiel einer Hardware-Form für im allgemeinen ein visuell zu Zuhörerschaft künstliches neurales Gerät.
  • Abbildung 9 illustriert ein digitalisiert visuelles Bild, das durch [pixels] innerhalb dargestellt wurde, das visuell Feld.
  • Abbildung 10 illustriert einen digitalisiert [sonogram] für Zuhörerschaft-Eingabe.
  • Abbildung 11 illustriert die Anwendung eines künstlichen neuralen Systems innerhalb ein automatabelle gesteuert Transport-Fahrzeug.
  • Abbildung 12 illustriert Muster, die inkrementalen Bewegungen eines [robotic] entsprechen, System über einem gegeben Zeitraum.
  • Abbildung 13 illustriert einen Entscheidung-Baum.
  • Abbildung 14 illustriert einen [multilayered] neurales Netzwerk.
  • Abbildung 15 illustriert ein abgesenkt paralleles neurales Netzwerk.
  • Abbildung 16 illustriert eine Reaktion neurales Netzwerk.
    • Zusätzliche Bekanntgabe:
  • Figure 17 illustriert eine Verkörperung von Hardware-Form für das künstlich neuronales Gerät innerhalb eines einzelnen Verarbeitung Netzknotens.
  • Abbildung 18 illustriert eine Verkörperung einer 16 Netzknoten-hypercube-Form für Glied Kommunikation zwischen dem Verarbeiten von Netzknoten.
  • Gleiche Teile bekommen die gleiche Nummer in allen Abbildungen
    • BESCHREIBUNG DER vorgezogen VERKÖRPERUNGEN ELEMENTARES MODELL (ABBILDUNG 7)
  • Eine unzählige Vielfalt von physischen Formen oder Hardware- Verkörperungen des neuralen Prozesses, die hierin beschrieben wurde, mag ausgedacht werden. Die Absicht sollte Beispiele von einer physischen Verkörperung von einem künstlichen neuralen Gerät, das den beschrieben holographischen neuralen Prozeß beschäftigt, illustrieren. Die Hardware- Verkörperung dieses Gerätes wird zu irgendeiner besonderen Art von Gerät- Form oder Informationen-Lagerung aber nicht begrenzt oder verarbeitend mittler.
  • Die Hardware-Verkörperung wird in Abbildung 7 illustriert. In diesem Beispiel werden sechzehn Stimulus-Eingaben gezeigt. Es wird erwartet, daß entsprechende Ausdruck Signal [multiplexing] Techniken beschäftigt werden würden, um die Zahl von Elementen innerhalb des Stimulus-Feldes zu vergrößern, [S] zu keinen wünschte Zahl. Die Eingabe-Signale schwingen [waveforms], der Vektor-Phase-Informationen hat, der durch Häufigkeit und Vektor-Amplitude dargesteilt wurde, die durch Signal-Amplitude dargestellt wurden. Dieser Signal-waveform ist gewöhnlich ähnlich zum [neurobiologically], der erzeugt wurde, Impuls glaubte, um Informationen zu übersenden. Das Beschäftigen des oben erwähnen Mechanismus für Informationen-Übermittlung (das Schwingen Welle oder Puls, der Signal moduliert wurde,) auch erkennt einen Vorteil im, nur eine Signal-Linie wird erfordert, sowohl Phase-Winkel als auch Ausmaß-Bestandteile von Informationen zu übersenden.
  • Während einer Kodierung-Bedienung die Eingabe Stimulus Feld Elemente (1 bis 16) wird in eine Digitale Darstellung von Phase-Winkel und Ausmaß über die [demodulating-Schaltung] umgestaltet (EIN). Eine getrennte Phase und Ausmaß-Bestandteil wird für jedes der Eingabe-Stimulus-Elemente bestimmt. Die assoziiert Ausgabe-Antwort für das Kodieren wird in über [demodulating-Schaltung] gelesen ([E]) und ähnlich konvertierte in eine Digitale Darstellung vom Phase-Winkel und Ausmaß-Bestandteilen. Die Digitale Kodierung-Einheit ([F]) führt die komplexe Vektor-Verwandlung auf als innerhalb Gleichung 13 definiert hat, uni das Stimulus-Antwort-Muster in Lagerung-Einheit zu Kodieren ([C]). Einheit ([C]) Läden die kodiert Informationen und stellt die [axo-dendritic-synaptisch-Verbindungen] dar.
  • Während einer entkodierend Bedienung werden die Eingabe Stimulus Signal Elemente in eine Digitale Darstellung von Phase-Winkel und Ausmaß über die [demodulating-Schaltung] umgestaltet (EIN). Als oben erwähnen, getrennte Phase und Ausmaß-Bestandteile wird für jedes der Eingabe Stimulus Feld Elemente bestimmt. Die entkodierend Einheit (B) liest, die binäre Darstellung des Eingabe-Stimuluses zeigt an und die korrespondierend kodiert Vektor-Elemente [X] von Einheit (C). Die geeigneten Elemente von [X] mag über eine Adresse bestimmt werden, ermöglichen Sie IN Bus, der durch externe Logik kontrolliert wurde. Einheit (B) führt die entkodierend Bedienung auf, die durch Gleichung 27 definiert wurde, die die Eingabe-Stimulus-Elemente benutzt, [S] von Einheit (EIN) und die kodiert Elemente [X] von Einheit (C). Die Ausgabe- Antwort wird zur Häufigkeit-Modulator-Einheit übersandt (D) welcher konvertiert die binäre Darstellung vom Vektor oder Komplex-Zahl in einen (waveform, mit Häufigkeit repräsentativ von Vektor-Phase-Winkel und Signal-Amplitude repräsentativ vom Vektor-Ausmaß.
  • Mehrere dieser neuralen Elemente mögen in irgendeiner Form zusammen assoziiert werden, um eine Reihe von neuralen Elementen, die in operieren, zu bilden ein gleichzeitig oder massiv parallele Mode. Das Folgen illustriert sechs [ANS] Geräte, die vom Prozeß hergeleitet werden mögen, die zu früher gesprochen wurden, die EINE praktisch unbegrenzte Zahl von Geräten und Anwendungen ausgedacht werden mag, aber sollte der Zweck hier die Auswahl von Anwendungen illustrieren zu dem das [ANS] Gerät als hierin beschrieben hat, mag beschäftigt werden.
    • Bilden Sie, um Abschrift-Gerät Auszudrucken nach (Vision-Anerkennung)
  • Ein Vision-Anerkennung-Gerät, das die Erfindung verkörpert, als oben beschrieben hat, wird in Abbildung 8 schematabelle geschildert. Das visuelle Anerkennung-Gerät umfaßt konventionelle Hardware für das Erobern und gibt von den visuellen Fakten zum [encoding/decoding] neurales System ein. Dieses Gerät 1 beschäftigt die Verwendung einer einzelnen Verwandlung-Gruppe (TG) aufzuführen das visuell zu Zuhörerschaft-Umwandlung.
  • Die Hardware-Anforderungen für das Gerät 1 sind als folgt:
  • (ein) Video Kamera 2 fähig vom Erzeugen einer üblicher analoger Video- Ausgabe:
  • (b) ein digitalisierend Gerät wie ein Video-Signal [digitizer] 3 fähig vom Bekommen von analoger Video-Signal-Eingabe. Dieses, das Gerät 3 Einzelteile Video Ultraschallaufnahme Linien in eine Reihe von-" [pixels]" digitalisiert. In einer Anwendung betrachten Sie ein [pixel-Feld] von 64 durch 64. Jeder [pixel] wird durch einen Wert dargestellt, der proportional zur durchschnittlichen Intensität der Ultraschallaufnahme ist, füttert innerhalb jenes [pixel-Feldes], als gezeigt in Abbildung 9.
  • (c) ein neuraler Prozessor fähig vom Lagern und dem Verarbeiten von Fakten oder Signal-Informationen. Das künstliche neurale System mag durch irgendeine physische Hardware verkörpert werden (spezialisierter oder allgemeiner Zweck) gestaltete, um den erforderlichen Prozeß aufzuführen als früher beschrieben hat.
  • Um dieses Beispiel zu vereinfachen mag man annehmen, daß ein Folgen von Phonemen, die die Ausgabe-Antwort umfassen, kodiert werden werden, und die Hardware erledigt die Übersetzung von Phonem zu gesprochen Ausgabe. Jedes gesprochen Wort besteht von einer Liste von Phonemen. Ungefähr 36
  • Phoneme werden erfordert, die Mehrheit von Phrasen innerhalb der englischen Sprache auszudrücken. Das Benutzen des künstlichen neuralen Systems, das den visuellen Daten-Strom, der durch das Video-Signal [digitizer] 3 erzeugt wurde, hierin beschrieben wurde, (Folge von [pixel-Werten]) wird zu einer mündlichen Ausgabe übersetzt (Liste von Phonemen) bei Sprecher 12. Die [encoding/decoding-Verfahren), die innerhalb des Prozesses aufgeführt wurden, werden illustriert als folgt:
    • Das Kodieren
  • Das Video, das Ausrüstung 2 digitalisiert, erzeugt eine Folge von 4096 Byte, die ein Feld 64 durch 64 [pixels] für visuelle Eingabe darstellt, zum Beispiel. Die [pixel] Stimulus Eingabe Werte werden in Vektor-Phase Winkel 5 solch übersetzt, daß sie innerhalb der Auswahl von 0 bis 2π fallen, (. Das visuelle Eingabe-Feld wird durch dargestellt werden [S].
  • Die korrespondierend Ausgabe Antwort 10 für jenen visuellen Stimulus ist entweder eine geisterhafte harmonische Darstellung für das gesprochen Wort, oder eine gleichwertige Liste von Phonemen jedes, das durch eine Zahlen Darstellung definiert wurde,; das später wird für Einfachheit illustriert werden. Zum Beispiel, das Annehmen, daß das Video, das Kamera 2 auf einem Bild von einem Haus und der Antwort konzentriert wird, Ausdruck des Wort-HAUSES gewesen werden sollte. Dieses Wort mag wieder mit 4 Phonemen aufgebaut werden: [h], [o], [u], [s]. Die Darstellung für diese vier Phoneme muß in Gedächtnis und neuralen Prozessor 1 kodiert werden. Eine Gesamtsumme von 36 Phonemen (s. Tabelle 2) mag gewählt werden, den Klang deshalb zu erfinden, ein Auswahl-Mechanismus muß bestimmt werden. Für Annehmlichkeit, zwei Basis 6 Zahlen sind gewählt worden, die Auswahl von Phonemen darzustelten ([i.e]. 6² = 36 Möglichkeiten). Jede Basis sechs Zahl wird durch zwei Elemente im Ausgabe-Antwort-Feld dargestellt [R]. Das Berücksichtigen einer Kapazität für 4 Phoneme, die kodiert werden sollten, erfordert 8 Elemente innerhalb des Ausgabe-Antwort-Feldes [R].
  • Wieder muß das komplexe Ebene in 6 Gebiete, jeder Teil, der durch 60 Grad getrennt wurde, im Darstellen einer Basis sechs Ziffer geteilt werden, zum Beispiel definierte [t] mit Grenzen:
  • 0- π/3
  • 1- 2π/3
  • 2- π
  • 3- 4π/3
  • 4- 5π/3
  • 5- 2π
  • Deshalb, für die Antwort [h], [o], [u], [s], den die kodiert Ausgabe vom Folgen bestehen würde,:
  • Die eigentliche Phonem-Antwort könnte Eingabe über Tastatur 13 und die Umwandlung zu einem Menge komplexer Werte sein (Phase-Auswahl 0 bis 2π führte auf. Der Eingabe-Stimulus [S] und kodierte Antwort [R], gestaltete in Reihen von Vektoren durch Einheiten 5 und 6 um, kompromittieren Sie die Fakten, die ins neurale System gefüttert wurden, das Prozessor 9 kodiert. [Sigmoidal] [Vorbearbeitung] und Ausdehnung zu höheren Bedingungen werden auf Eingabe-Stimulus-Fakten aufgeführt. Eine Korrelation-Matrize [X] wird erzeugt und wird in flüchtigem Gedächtnis 8 zugänglich zum neuralen Entkodieren und dem Kodieren von Prozessoren 7 und 9 gelagert. Die Stimulus- Antwort-Muster werden in die Korrelation-Matrize kodiert [X] über den neuralen Prozessor 91 der die folgend Bedienungen aufführt. Diese Schritte werden für jedes Element aufgeführt (xj,k) innerhalb der Korrelation-Matrize [X]:
  • 1. Lesen Sie die Phase [Ph] und Ausmaß (Mag) Bestandteile für jedes Element von (xj,k) und konvertiert in wirklich (Wieder) und imaginär (Un) Teile. Lagern Sie die konvertiert Werte in einem Daten-Puffer innerhalb der neuralen Kodierung Prozessor 9.
  • 2. Lesen Sie den Phase-Winkel (Ph) Bestandteil für Element (sj) von der Eingabe-Stimulus-Reihe [S], und Element (rk) von der Kodierung-Antwort- Reihe [R]. Setzen Sie diese Werte in Puffer innerhalb der neuralen Kodierung Prozessor 9.
  • 3. Führen Sie [sigmoidal-Vorbearbeitung] und Ausdehnung zu höher unter Bedingungen auf als in Teilen definiert hat, die zu Erweiterungen von Erfindung gehören.
  • 4. Führen Sie die folgend logischen Bedienungen innerhalb des neuralen Prozessors 9 auf:
  • 5. Bestimmen Sie den Phase-Winkel (Ph) und Ausmaß (Mag) für den j,k- Bestandteil von [X] durch das Beschäftigen der folgend Bedienungen:
  • Bemerken Sie jenen Ph(xj,k) muß zum korrekten Quadranten innerhalb des komplexen Ebenees eingestellt werden.
  • Lagern Sie die Phase und Ausmaß-Bestandteile der oben erwähnen Elemente von [X] zurück in flüchtiges Gedächtnis 8.
  • Das oben erwähnen illustriert den Kodierung-Teil des Prozesses. Dieser Prozeß mag wiederholt werden, um eine Mehrheit von [stimulus/response- Mustern] in die Korrelation-Matrize zu Kodieren [X]. Notiz, die der neurale Prozessor 9 optimal gestaltet werden sollte, um die Umwandlungen aufzuführen, (Schritt 3 bis 5) in als Parallele eine Mode als möglich. Eine Matrize, die Gerät oder Form innerhalb des neuralen Prozessors verarbeitet, ist deshalb wünschenswert. Die oben erwähnen Bedienung mag als in konventionellem allgemeinem Zweck rechnerische Geräte natürlich in regelmäßiger Folge aufgeführt werden, aber mag das Verarbeiten von Zeit ein hemmend Faktor werden.
    • Das Entkodieren
  • Eine ähnliche Bedienung von Kodierung wird auf dem Entkodieren oder dem Assoziieren von nachfolgender Stimulus-Eingabe zu einer Antwort aufgeführt. Ein Video-Signal wird durch Video Kamera 2 erzeugt und füttert Eingabe zu Video-Signal [digitizer] 31 der das Bild in einen 64 durch 64 [pixel-Reihe] trennt. Wieder sind die [pixel-Werte] proportional zum grauen Maßstab oder Intensität- Niveau. Diese [pixel-Werte] werden in Vektoren 5 konvertiert ([i.e]. Informationen, die durch Phase-Winkel dargestellt wurden, die zwischen 0 und 2π orientiert wurden. Dieses Stimulus-Feld wird als dargestellt werden [S] * und Elemente von [S] * übersetzte in Phase-Winkel, werden Sie in flüchtiges Gedächtnis zugänglich zum, neuralen entkodierend Prozessor 7 gelesen. Die folgend Bedienungen werden auf den komplexen Elementen innerhalb der Korrelation-Matrize aufgeführt [X] und die Elemente innerhalb des Stimulus- Feldes [S]*.
  • 1. Lesen Sie die Phase (Ph) und Ausmaß (Mag) Bestandteil für komplexe Elemente (xj,k) von der Korrelation-Matrize [X]. Lagern Sie die oben erwähnen Werte in einem Daten-Puffer innerhalb des neuralen entkodierend Prozessors 7.
  • 2. Lesen Sie den Phase-Winkel-Bestandteil von Elementen (s ) vom Stimulus- Eingabe-Feld[S] * und lagert den Wert in einem Daten-Puffer innerhalb des neuralen entkodierend Prozessors 7.
  • 3. Führen Sie gleichen [sigmoidal-Vorbearbeitung] und Ausdehnung zu höheren Reihenfolge-Bedingungen auf als in Schritt 3 von Kodierung- Prozeß definiert hat.
  • 4. Jedes Element (r ) innerhalb des Ausgabe-Antwort-Feldes [R] * wird innerhalb des neuralen entkodierend Prozessors durch das Aufführen der folgend Bedienungen dann eingeschätzt. Notiz, die das Folgen eine Aufsummierung über allem j ist, = 1 zu N Elementen von xj,k und s .
  • Die oben erwähnen Schritte müssen aufgeführt werden ([i.e]. tanzen Sie 1 bis 3) für jedes der Ausgabe-Elemente innerhalb des Antwort-Feldes [R] (k = 1 bis 8).
  • 5. Beim Folgen der oben erwähnen Aufsummierung-Bedienung, jedes Element des Ausgabe-Antwort-Feldes [R] wird vom neuralen Prozessor in die korrespondierend Phase konvertiert, und Ausmaß schätzt als folgt:
  • Das Bemerken, daß eine Änderung für den Prinzip-Winkel gemacht werden
  • Der Phase-Bestandteil Ph(rk) enthält die Ausgabe-Informationen (Phonem- Identifikation), während der Ausmaß-Bestandteil einen Wert statistisch proportional zum Grad Anerkennung bereitstellt.
  • Die oben erwähnen Ausgabe-Antwort-Elemente für [R] *, werden Sie durch eine Ausgabe Phase 10 gelesen, die welcher konvertiert, jedes der Phase schätzt Ph(r ) in eine Basis 6 Zahl, beim Beschäftigen der folgend Umwandlung-Formel,: value
  • Bemerken Sie daß diese Abbildung, die zu [scalar-Stimulus] und Antwort- Signal-Umwandlung zu gehört, und Übersetzung von Phase-Winkeln ist eine genaue Implementierung oder zweckmäßiges Detail, das, völlig modifizierbares Abhängen, auf genauer Anwendung ist. Die oben erwähnen Abbildung stellt eines Beispiel aus einer unbegrenzten Variation von Umwandlung oder Übersetzung-Verfahren, die ausgedacht werden könnte, dar.
  • 7. Die Basis sechs Zahl-Werte, die das Ausgabe-Phonem jedes identifizieren, bestehen von zwei Ziffern (Ausgabe-Elemente). Diese, die Antwort-Werte in die korrespondierend Zuhörerschaft-Antwort konvertiert werden, die ein konventionelles Hardware-de-Laster für Generation von Zuhörerschaft- Rede Ausgabe 11 beschäftigt.
  • Das oben erwähnen stellt eine sehr einfache Abbildung einer Anwendung bereit; für das neurale Gerät, das nur eine einzelne Verwandlung-Gruppe beschäftigt. Diese Abbildung gestaltet die Eingabe Sinnes Modalität von Vision in eine [effector-Antwort] von Vorsprechprobe um Diese visuellen Muster mögen von irgendeiner Form oder Grad Kompliziertheit sein d.h. stehen Sie gegenüber, Fahrzeug, irgendein Gegenstand).
  • Als in Schritt 3 der Kodierung beschrieben hat und das Entkodieren von Prozessen, eine weitere Verkörperung, die zur Speicherung-Kapazität erzählt wurde, mag durch das Ausdehnen beiden Eingabe-Stimulus-Feldes auf dem Kodieren aufgeführt werden und auf dem Entkodieren zu höheren Reihenfolge- Bedingungen ([i.e]. [Hermitian] Matrize Form). Die [Hermitian] Matrize würde innerhalb des neuralen Prozessors-durch die folgend Ausdehnung-Bedienung eingeschätzt werden:
  • [H]=[ ]T [S] [Gl.)72
  • wo [ ]T ist der Komplex, konjugieren Sie von [S].
  • Die resultierend Wirkung der oben erwähnen Bedienung ist, daß die Stimulus- Antwort-Speicherkapazität potentiell mehrere Million Assoziationen vorausgehend zu Einbruch übermäßigen [misclassification-Fehlers] übersteigen könnte. Die oben erwähnen Bedienungen würden durch hingebungsvolle Matrize, die Hardware innerhalb des neuralen Prozessors verarbeitet, wieder optimal aufgeführt werden.
    • Drucken Sie, um Abschrift-Gerät zu prüfen aus
  • Drucken Sie zu Text-Abschrift aus, ist noch ein Beispiel von der Verwandlung von einer Form von Eingabe Sinnes Modalität ([i.e]. das Hören) in eine [effector-Antwort] ([i.e]. Abschrift). Diese neurale Gerät-Anwendung würde das Kodieren und das Entkodieren von einem Stimme-Eingabe-Stimulus zu einer assoziiert Art oder ASCII Ausgabe verkörpern. In dieser Anwendung würde das Eingabe-Stimulus-Feld von einem digitalisiert [sonogram] bestehen. Ein [sonogram] ist, man bedeutet vom Ausdrücken von Zuhörerschaft-Fakten und zeigt Intensitäten harmonischen Inhaltes über einer gegeben Zeit-Achse. Ein Beispiel eines [sonogram] wird in Abbildung 10 präsentiert. Viel wie ein digitalisiert visuelles Eingabe-Feld mögen ein [sonogram] in ein [pixel-Feld] geteilt werden, mit Häufigkeit an der senkrechten Achse und Zeit ans waagerecht.
  • Für dieses Beispiel, nehmen Sie einen Beschluß für die Zuhörerschaft- Eingabe an 32 Häufigkeiten und 32 Zeit-Schritten an. Das Ausgabe-Feld wird von 12 Elementen bestehen. Diese Antwort-Elemente mögen ASCII Charaktere in einer ähnlichen Mode darstellen als im vorausgehenden Beispiel präsentiert hat (zwei Basis 6 Zahlen pro Charakter).
  • Die Stimulus-Eingabe ist das gesprochen Wort und die Ausgabe eine getippt Antwort deshalb. Für eine Anwendung als oben vorgeschrieben hat und das Annehmen einer Verteilung, die [symmetrized] ideal sein mag, die Zahl von [stimulus/response-Mustern], die vorausgehend zu übermäßigem [misclassification-Fehler] kodiert werden mögen, wird durch gegeben:
  • wo
  • P-Zahl gelagert Muster
  • N-Zahl von Elementen in Stimulus-Fejd
  • Er-Antwort-Fehler (5% voller Maßstab nahm an)
  • Wenn Ausdehnung, Reihenfolge-Statistiken zu unterstützen beschäftigt wird, ([i.e]. [Hermitian] [Vorbearbeitung]) die Zahl von Assoziationenn, die kodiert werden mögen, übersteigt 200,000. Dieser Wert ist bedeutend größer als die Zahl von gewöhnlicher Verwendung innerhalb der englischen Sprache. Ein Vorteil könnte innerhalb Multi-Benutzer Stimme Anerkennung Systeme deshalb erkannt werden, wodurch mehrere Variationen jedes Wortes kodiert werden könnten, jedes, das veränderliche Laute und Biegungen zeigt.
  • Aktuelle Stimme-Anerkennung-Systeme erfordern umfangreichen Benutzer, der erzieht, ([ie]. Stimme, die probiert,) aber wird es erwartet, daß ein System auf dem Prinzip, das hierin beschrieben wurde, basierte, das einmal mit genügenden Beispielen kodiert wurde, würde keine Programmierung weiter erfordern oder das Erziehen für genaue Individuen. Außerdem wird es wegen der Natur erwartet, in der Informationen auf das gleiche Daten-Mittel holographisch kodiert werden, daß die Verarbeitung-Zeit genug reduziert werden würde, um wirkliche Zeit ununterbrochene Rede Stimme Anerkennung Systeme zu erleichtern.
    • [Robotic] Geräte
  • [Robotic] oder [cybernetic-Anwendungen], die ein Niveau von Kompliziertheit jenseits die Geräte ein wenig erfordern, beschrieben oben. Es wird für Anwendungen innerhalb [cybernetic] erwartet, kontrollieren Sie, Reihen von Verwandlung-Gruppen ([TG]) wird erfordert werden, das Beschäftigen von vefschiedenen Reaktion-Kontrolle-Formen. Abbildung 11, illustriert einen einen möglich Multi-TG Form mit Reaktion.
  • Implementierung neuraler Geräte, die auf dem holographischen Prozeß gegründet wurde, der hierin beschrieben wurde, könnte Kontrolle-Systeme mit Fähigkeiten jenseits aktuelle Technologien potentiell nachgeben. Zwei Anwendungen des neuralen Gerätes innerhalb des Reiches von [robotic- Kontrolle] werden im Folgen beschrieben.
    • [Robotic] Arm
  • Das neurale Kontrolle-System mag innerhalb eines [robotic] Assembler Gerät verwandt werden, das Besitzen von 10 abwechselnden Äxten sowie visuelle Eingabe. Der Reaktion-Mechanismus ist über visuellen Stimulus und axiale gemeinsame Position / Rate von Bewegung-Sensoren. Ein möglicher begrifflicher Entwurf für eine [robotic-Anwendung] mag von zwei [neuron- Verwandlung] bestehen, gruppiert, TG1 und TG2.
  • Verwandlung-Gruppe (TG1) würde bekommen, Stimulus gibt das Zeigen von axialer Position ein (10 Elemente) und Raten von Bewegung (10 Elemente). Diese Verwandlung-Gruppe könnte Generation höherer Reihenfolge-Statistiken beschäftigen (s., Teil berechtigte Erweiterungen von Erfindung) auf dem Stimulus-Feld die Muster-Speicherkapazität zu vergrößern. Durch das Ausdehnen zu 6th, 7th und 8th Reihenfolge-Statistiken, das Stimulus-Eingabe- Feld könnte zu 250,000 Elementen vergrößert werden. Dies dehnte sich aus, Stimulus-Feld könnte Eingabe zur zweiten Verwandlung-Gruppe erzeugen (TG2) das Bekommen von sekundärem Stimulus von einem visuellen Feld ([i.e]. 64 durch 64 [pixels]). Beim Ausdehnen des visuellen Feldes zu 250,000 Elementen in zweiten Reihenfolge-Statistiken, das oben erwähnen Modell stellt ungefähr 500,000 Elemente innerhalb des Stimulus-Feldes von TG2 bereit ([i.e]. 250,000 visuell und 250,000 axiale [position/rate]). Man mag annehmen, die Zahl von Muster-Assoziationenn, die kodiert wurde, wird durch N/8 gegeben, wo [N] die Zahl von Elementen innerhalb des Stimulus-Feldes ist, gründet dies einen 3% absolutes Niveau von [deterministischen"] Fehler" in erzeugt Antwort für die idealen symmetrischen Fakten. Die Zahl von getrennten Stimulus-Antwort- Mustern, die durch das [robotic-Kontrolle-System] gelernt werden mögen, mag 60,000 potentiell übersteigen. Es sollte bemerkt werden daß das oben erwähnen beschreibt ein elementares Modell eines [cybernetic-Kontrolle-Systems] mit sehr begrenzt Zahlen von [neuron-Zellen]. Außerdem wird es erwartet, daß Signal- Reaktionen innerhalb einer Mehrheit von Kontrolle-Systemen anwandten, sowie größere und komplexere Reihen holographischer Elemente werden erfordert werden, einen durchführbaren [robotic] zu erleichtern, kontrollieren Sie System.
  • Eine Methode von Kodierung oder das Lernen von Zeit dynamische Bewegungen für den [robotic-Arm] wird einfach illustriert als folgt. Die komplexe Bewegung würde als eine Folge von Mustern, die visuelle Eingabe, axiale Position und Raten von Bewegung darstellen, bestimmt werden. Diese Muster würden jeder inkrementaten Bewegung des Prozesses über einem gegeben Zeitraum entsprechen, der in Abbildung 12 ganz grob illustriert wurde. Diese Stimulus-Muster-Rahmen könnten ins Netzwerk mit dem Ausgabe-Antwort- Muster kodiert werden, das dem nächsten entspricht, (Zeit) inkrementale axiale Position oder Bewegung für das [robotic-Gerät].
  • Es wird erwartet daß dieses relativ simplisTabelleer Mechanismus für das Kodieren von [robotic-Bewegungen] oder das Erziehen des Systems würde ein [robotic-Kontrolle-Paradigma] mit Fähigkeiten einer Kultiviertheit jenseits jene erhältlichen beschäftigend aktuellen Kontrolle-Geräte oder Technologien nachgeben.
    • AutomaTabelle [Piloted] Fahrzeug Transport-Gerät
  • Um ein Beispiel eines mehr kompliziert Kontrolle-Systems die Anwendung eines neuralen Gerätes für Fahrzeug Navigation zu illustrieren wird betrachtet. Ein Fahrzeug ist kein Roboter im strengen Sinn des Wortes aber, mag ein bereitwillig vorgestellt Beispiel darstellen.
  • Das neurale Gerät würde als Eingaben das Folgen dienen:
  • 1. Menschliche Vermittlung-Stimme
  • 2. Visuelle Eingabe
  • 3. Radar, der nachspürt, oder Navigation
  • 4. Fahrzeug-Kontrolle-Parameter ([ie]. flitzen Sie, Beschleunigung, das Steuern, Transport-Antrieb-Anzeichen, und so weiter)
  • 5. Länge, Breite und Höhe für navigatorische Zwecke.
  • Das Ausgabe-Antwort-Feld mag vom Folgen bestehen:
  • 1. Stimme-Ausgabe
  • 2. Beschleunigung
  • 3. Das Steuern
  • Einer Anwendung dieser Art wird zum holographischen neuralen Gerät ideal gepaßt, weil es eine sehr große Zahl von Eingabe-Stimulus-Elementen und relativ wenig gibt, geben Sie Antwort-Elemente aus. Es würde erwartet werden, daß eine Aufgabe dieser Kompliziertheit mehrere Verwandlung-Gruppen erfordern würde. Zum Beispiel mag ein [TG] kodiert werden, um zu antworten, um Eingabe auszudrucken, eine Sekunde für visuellen Stimulus und einen dritten für Position-Sensoren oder Radar. Diese, die Verwandlung-Gruppen in nachfolg ende Schichten von [TGs] füttern würden, als in Abbildung 11 mit dem Ausgabe-neuron illustriert hat, senken Sie das Ausstellen der Kontrolle- Handlung ab ([i.e]. Beschleunigung oder das Steuern).
  • Wegen des großen Bandes von Stimulus-Fakten ([i.e). visuell, Radar, Stimme) die Zahl von Eingabe-Elementen könnte erwartet werden, 200,000 zu übersteigen. Beim wieder Annehmen einer N/8 Regel für einen niedrigen [deterministischenFehler], die Zahl von [stimulus/response-Mustern], die kodiert werden könnten, wäre ungefähr 25,000. Wenn zweite Reihenfolge-Statistiken über dem ganzen Stimulus-Feld erzeugt würden, könnte die Muster- Speicherkapazität mehrere Milliarde übersteigen. Es wird erwartet, daß diese Speicherkapazität genügende Kontrolle-Antwort-Handlungen Kodieren könnte, zu irgendeiner potentiellen Unfall-Situation oder Verteidigung-Manöver im wesentlichen zu antworten, beim Bringen dieser Auswahl von Anwendungen ins Reich von Durchführbarkeit.
    • Expertensysteme (automatisierte [Reasonina] Gerät)
  • Die aktuelle Hauptrichtung künstlicher Intelligenz-Anwendungen wird auf der HeurisTabelleen Technik gegründet. [Heuristics] ist, ein Begriff hat früher definiert, die Vorstellung von Regel gründete das Programmieren. Im allgemeinen bringt der Anmenge das Anwenden von mehrfacher Entscheidung mit sich, regiert gegen Eingabe-Zustanden, um eine scheinbar intelligente Antwort auszustellen. [Heuristics] wurde innerhalb des Feldes von Spiel, das spielt, anfangs beschäftigt ([ie]. Schach) und zeigte besonders beeindruckende Ergebnisse.
  • Regel gründete das Programmieren, ist die Hauptrichtung von [Al] Forschung geworden und hat mehr Nutzanwendungen innerhalb des Feldes von Expertensystemen gefunden. Ein großer Grad Forschung in diesem Feld zentriert über die Entwicklung von tüchtigerem Suchen und dem Zergliedern von Mechanismen für das Durchqueren der Regel, gründete Entscheidung-Baum. Der Prinzip-Rückzug innerhalb des konventionellen heurisTabelleen Anmengees ist, jene Entscheidung-Regeln müssen angewandt werden und müssen in einer sequentiellen Mode vorausgehend zum Ankommen bei einer gegeben Antwort oder Ergebnis geprüft werden. Für Expertensysteme, die innerhalb Domänen operieren, die irgendeinen Grad Kompliziertheit mit sich bringen, die Zahl von Regeln und so nimmt Suche-Zeit, die erfordert wurde, dramaTabelle zu, das so Begrenzen der Fähigkeiten des Regel-basiert AnMengees. Ein einfach, aber wird direkte Analogie zwischen dem holographischen neuralen Prozeß und zweckmäßigen Aspekten der heurisTabelleen Technik gemacht werden. Die allgemeine Vorstellung des Entscheidung-Baumes innerhalb des heurisTabelleen Anmengees wird hinunter präsentiert.
  • Die Form des Entscheidung-Baumes wird in Abbildung 13 dargestellt. Das Spitze-Ereignis wird als eine mögliche Ausgabe und das Verzweigung-Netzwerk hinunter definiert, beschreibt die [boolean-Beziehung], die bei diesem Spitze- Ereignis ankommt. Der [boolean-Baum] beschreibt alle das Konditionieren von Eingaben, die zum Spitze-Entscheidung-Ereignis in der Form von führen, UND und OR Beziehungen (im einfachsten Fall). Mehrfache Entscheidung-Bäume werden innerhalb irgendeines Expertensystemes beschäftigt. Im Beispiel, das hier gegeben wurde,:
  • Ereignis EIN ist wahr WENN
  • Event A is true IF
  • Anwendend [boolean-cutset-Verkleinerung] zu den Entscheidung-Bäumen, die die oben erwähnen Beispiel-Erträge das folgend Ergebnis nachgegeben wurden,:
  • Jedes der oben erwähnen Produkt-Bedingungen (1 bis 12) besteht von einer Folge von-" [anded]" Zustände, in anderen Wörtern, Zustanden, die in Zeit gleichzeitig vorkommen. Die oben erwähnen minimalen [cutsets] oder-" Eingabe- Muster" mögen in eine Korrelation-Matrize innerhalb holographischen neuralen Gerätes in der Form von diskreten Stimulus-Antwort-Assoziationenn, der Antwort oder Entscheidung, die das Spitze-Ereignis im Logik-Baum sind, direkt kodiert werden. Jedes der oben erwähnen Produkt-Bedingungen stellt ein getrenntes Stimulus-Antwort-Muster in der Tat dar, und alle Muster kodierten ins neurale System in regelmäßiger Folge. Das holographische neurale Gerät, das hierin beschrieben wurde, versorgt Lagerung von Stimulus-Antwort-Mustern mit einer enormen Kapazität und erleichtert einen Mechanismus für Konstruktion äußerst großer und komplexer heurisTabelleer Regel, gründete Systeme.
  • Wieder werden Informationen innerhalb des holographischen neuralen Gerät-Netzwerkes über den [superposition] von Daten und der höchsten korreliert Antwort zu einem Eingabe-Stimulus gelagert, wird bei in angekommen ein massiv parallele Mode. Es wird erwartet daß dieses eigen wird parallele Technik bedeutungsvolle Nutzen über aktuellen heurisTabelleen Methoden in Hinsicht auf sowohl Verarbeitungsgeschwindigkeit als auch Informationen- Speicherkapazität nachgeben.
  • Es wird geglaubt, daß ein bedeutungsvoller Vorteil über der HeurisTabelleen Technik auch in erkannt werden mag, daß die holographischen betriebsbereiten Merkmale von nicht sind, ein logisch binär ([pass/fail]) Natur aber analog und definierte mit einer ununterbrochenen Auswahl. Außerdem mag jedes von den kodiert Plänen oder Muster-Rahmen vollkommen verschieden oder unabhängig von total anderem kodiert Muster sein, rahmt, ohne feindlich von Computer Tüchtigkeit zu beeinflussen. Diese Eigenschaft mag potentiell große und komplexe Expertensysteme erleichtern, die nicht zugänglich zu [boolean-reductionist-Techniken] oder Lösung über HeurisTabellee Methoden sind.
  • Das folgend einfache Beispiel wird benutzt, um die oben erwähnen Vorstellung zu illustrieren. Betrachten Sie eine sachkundige Regel gemeines System, das von 1,000 Eingabe-Parametern besteht. Diese Eingaben würden Informationen hinsichtlich-" [observables]" liefern, um das Expertensystem zu veranlassen, das Entscheidung oder Ausgabe gegründet wurde. Beim Ausdehnen, um Reihenfolge-Bedingungen zu unterstützen, das erzeugt Eingabe-Feld gibt ein neurales Gerät nach, das zu einem Eingabe-Stimulus-Feld von 500,000 Elementen antwortet. Das Benutzen von einer N/4 Verbindung, die einem Durchschnitt wirklich entspricht, die-" Fehler" von 5 geschätzt wurde,% absolut, die Zahl von vollständigen [stimulus/response-Assoziationenn] oder Plänen, die durch dieses System kodiert werden mögen, könnte 125,000 übersteigen.
  • Dieses neurale basiert Expertensystem wäre fähig vom Lagern einer assoziiert Antwort für 125,000 Pläne deshalb, jedes, das von 1000 Eingabe- Parametern besteht. In diesem Beispiel eine Zahl, die 4 Basis-System für Generation der Ausgabe-Antwort benutzt werden wird, deshalb, 9 Ziffern(log&sub4; 125,000) wird erfordert, 250,000 verschiedene Pläne zu identifizieren. Die Zahl von Elementen ([ie]. Verwandlungen erforderten) innerhalb der Vektor- Korrelation-Matrize [X] wird durch gegeben:
  • Zahl von Stimulus-Elementen [x] numerieren von [neurons]
  • 5 x 10&sup5; x log&sub4;[M] = 4.5 x 10&sup6; [Gl.] 76
  • wo
  • M = Zahl möglicher Ergebnisse (d.h. 125,000)
  • Man könnte annehmen, daß die wesentliche entkodierend Verwandlung innerhalb des neuralen Prozessors bei einer Rate von 1 million Verwandlungen pro Sekunde aufgeführt wird. (Eine Computer Geschwindigkeit von 20 million Anweisungen pro Sekunde ist innerhalb der Kapazität gegenwärtiger Tag- Mikroprozessoren). Es ist deshalb vorstellbar, daß das Expertensystem auf dem holographischen neuralen Prozeß basierte, der einen Mikroprozessor benutzt, würde bei der höchsten korreliert Ausgabe-Entscheidung, die auf 125,000 unabhängigen Eingabe-Plänen gegründet wurde, die jedes von 1000 Variablen umfaßte, in ungefähr einer Sekunde ankommen.
  • Diese Anwendung so ein neuralen Gerätes wird erwartet, die Aufführung- Fähigkeiten von Expertensystemen) die konventionelle heurisTabellee Methoden beschäftigen, sehr zu übersteigen.
    • Neuronale ProtheTabellee Geräte
  • Das Feld protheTabelleer Kontrolle könnte sehr von der Anwendung des neuralen Gerätes nützen, die hierin beschrieben wurde. Es wird wiederholt, daß der Zweck und Absicht dieses Gerätes tüchtigere Informationen-Lagerung und verarbeitend Fähigkeiten durch Nacheifern vom wesentlichen Mechanismus, durch den das biologische neurale System lagert, bereitstellen sollten, und Prozesse-Informationen. Der genaue neurale Prozeß beschrieb hierin, scheint, der Form von den Informationen, die Merkmale innerhalb des Neuron in vielen Empfehlungen verarbeiten, nachzueifern, diese Ähnlichkeiten werden hinunter umrissen:
  • [i]) Häufigkeit modulierte Puls oder [waveform], ähnlich in Form zu biologisch erzeugte Nerv-Impulse;
  • [ii]) Informationen-Darstellung in der Form von Stimulus-Antwort-Assoziationenn;
  • [iii]) holographische Eigenschaften, die gewaltige Informationen-Lagerung- Dichten zeigen,;
  • [iv]) nahe sofortige Einzelzimmer-Paß-Verwandlung für sowohl Lernen als auch Ausdruck Bedienungen;
  • [v]) zweckmäßige Ähnlichkeiten zu isomorphen Merkmalen verschiedener Klassen von biologischer [neurons];
  • [vi]) asynchrone Übermittlung und das Verarbeiten von Stimulus-Antwort- Signalen;
  • [vii]) variables Gedächtnis-Profil.
  • Ein syntheTabellees System, das [closelv] die oben erwähnen biologischen Merkmale nachahmt, würde bedeutungsvolle Fortschritte im Gebiet vom Einbinden von protheTabelleer Gerät-Kontrolle zu [neurobiological-Schaltungen) unvermeidlich bereitstellen.
  • Dieses holographische neurale Gerät könnte bedeutungsvolle Fortschritte im Gebiet von Kontrolle für künstliche Glieder nachgeben, und es wird erwartet, würde zu neuralem [prosthetics] für höhere neurologische Funktionen unvermeidlich fortschreiten.
    • Zusätzliche Bekanntgabe: BESCHREIBUNG DER vorgezogen VERKÖRPERUNGEN brachte MODELL voran (ABBILDUNGEN 17 UND 18)
  • Dieses Beispiel einer Hardware-Verkörperung bildet eine begriffliche Basis für einen möglichen künftigen Generation-Computer-Prototyp, der den holographischen Prozeß benutzt, der hierin beschrieben wurde. Dies schritt fort, Verkörperung-Gerät wird zu als ein [neurocomputer] gesprochen werden. Der [neurocomputer] wird beabsichtigt, allgemeiner Zweck in seinen betriebsbereiten Merkmalen zu sein als durch einen Programmierung-Nutzen erleichtert hat. Die Programmierung-Methodik wird bedeutend anders als konventionelle Programmiersprachen und Techniken sein. Einige von den Grund Arten modifizierbarer oder programmierbarer Merkmalel die innerhalb des [neurocomputer] erfordert wurden, der Nutzen programmiert, werden hinunter aufgezählt:
  • 1) Spezifikation von den [synaptisch-Verbindungen] oder Verbindung-Matrize zwischen neuralen entsprechenden Ausdrücke.
  • 2) Spezifikation von [Vorbearbeitung] von Eingabe-Fakten zu den neuralen Elementen ([i.e]. [sigmoidal-Vorbearbeitung], Generation höherer Reihenfolge-Bedingungen, nicht-lineare filternd Merkmale).
  • 3) Spezifikation des [excitory/inhibitory] gibt für die [synaptisch-Verbindungen] an.
  • 4) Spezifikation von Wissen oder kodierte Fakten innerhalb der Korrelation- Matrize [x] (analog zu [synaptischally] kodierten Informationen).
  • 5) Spezifikation von Verfall-Koeffizienten oder Rate von Verfall von Vektor- Elementen innerhalb Korrelation-Matrize [X]. Dieses programmierbare Merkmal gründet das Gedächtnis-Profil (d.h. Kurzschluß-Bedingungen gegenüber long term memory).
  • 6) Spezifikation von Rate von Kodierung. Dieses programmierbare Merkmal modifiziert die Rate von Lernen wirksam.
  • 7) Spezifikation von [Input/Output) zu externer Umgebung. Modifiziert das Vermessen von externer Stimulus-Eingabe (88 in Abbildung 17) auf die analogen [synaptisch-Eingaben] sowie das Vermessen von den Antwort- Ausgaben (90 in Abbildung 17) auf externe Geräte.
  • Die oben erwähnen Formen ein Basis-Menge programmierbarer Merkmale erforderte für das allgemeine Zweck-neurocomputer-Gerät und mag begrifflich ausgedehnt werden, um weiter verbessert Fähigkeiten zu erlauben.
  • In diesem Beispiel werden zwei Prinzip-Hardware-Bestandteile gezeigt, daß ist der einzelne Chip Mikrocomputer 70 und die Speicherung Einheit 72. Der einzerne Chip-Mikrocomputer ist repräsentativ von einem Bestandteil erhältlich im Marktplatz gegenwärtig und enthält die folgend Merkmale:
  • 1) Prozessor-Einheit
  • 2) mehrfache serielle Daten übergeben Glieder
  • 3) Gedächtnis-Verbindungsfläche-Einheit.
  • Diese oben erwähnen zweckmäßigen Block mögen aufeinander in irgendeiner Art wirken; aber stellte die Abbildung innerhalb Abbildung 17 Shows bereit, nur die Daten fließen Pfade, die erfordert wurden, und erzählten zum vorgeschrieben neuralen Prozeß. Der Prozessor Einheit 84 ist in 3 zweckmäßige Block für erläuternde Zwecke unterteilt worden; diese zweckmäßigen Block werden aufgezählt als folgt und ist [de-scribed] in weiterem Detail hinunter:
  • 1) das Entkodieren von 74
  • 2) das Kodieren von 76
  • 3) andere Funktionen 78
  • In diesem Beispiel, die Elemente des Eingabe-Stimulus-Feldes [S] und das Ausgabe-Antwort-Feld [R] wird über ihre wirklichen und imaginären Teile in einer binären Darstellung übersandt. Diese Vorsteilung wird hinunter in einem repräsentativen Fall für einen Element-sj innerhalb des Stimulus-Feldes illustriert [S]:
  • sj=λjeiΘ, eq.77
  • Zum Beispiel wenn Θ = 2π/3 and λ = 74 dann
  • sj = -36+i64
  • Es wird angenommen, ein 5 Stückchen-Beschluß wird für jedes der oben erwähnen wirklichen und imaginären Teile benutzt. Die Elemente vom Stimulus und den Antwort-Feldern mögen entweder über die seriellen Fakten übersandt werden, fügt 80 und 82 zusammen oder vermaß auf die externen Gedächtnis- Geräte (88 und 90). Abbildung 17, illustriert die Übermittlung von einem Element eines Stimulus-Musters [S] über die seriellen Fakten Glied 82.
    • Das Kodieren (Verkörperung in Abbildung 17)
  • Während einer Kodierung-Bedienung bilden die Elemente des Stimuluses nach (st)werden Sie entweder in über einen der vier seriellen Eingabe-Glieder gelesen, oder über das externe Gedächtnis-Gerät (88) das Bereitstellen von Gedächtnis, das Eingabe vermessen wurde. Ähnlich mögen das Element oder Elemente des Antwort-Musters entweder in die Kodierung Einheit 76 über die seriellen Glieder gehineinlesen werden oder über das externe Gedächtnis Gerät 88. Bemerken Sie wieder, daß für jedes vom Stimulus und Antwort-Elementen ein wirklicher und imaginärer Bestandteil von der Phase und Ausmaß- Bestandteilen vom komplexen Element oder Vektor herleitete, werden Sie in die Kodierung-Einheit gelesen (76).
  • Die wirklichen und imaginären Bestandteile des korrespondierend Elementes (xt) für die Korrelation-Matrize [X] werden Sie in vom externen Gedächtnis Einheit 86 gelesen. Die Kodierung Einheit 76 führt die Kodierung- Verwandlung auf als definiert hat, in kanonischer Form, durch die folgend Vektor-Matrize-Verwandlung,:
  • [X]=[ ]T [R] gleich [Gl.] 13
  • Die oben erwähnen Bedienung überlegt, die gelernte Stimulus-Antwort bildet auf die Korrelation-Matrize nach [X]. Die Kodierung-Bedienung wird in weiterem Detail unter dem Teil hierin definiert, berechtigte Zusammenfassung der Erfindung. Notiz, die die Hardware-Form präsentierte, und die betriebsbereiten Merkmale eines allgemeinen Zweck-Prozessors, erfordert, daß die oben erwähnen Matrize-Verwandlung in einer sequentiellen Art aufgeführt geworden. Das kodiert Element oder Elemente der Korrelation-Matrize [X] wird in Speicherung Einheit 86 zurück gelagert, welcher führt eine analoge Funktion zu den [axo-dendritic-synaptisch-Verbindungen] auf.
    • [Decoding] (Verkörperung in Abbildung 17)
  • Während einer entkodierend Bedienung die Elemente des Stimulus- Feldes (s ) werden Sie entweder in über die vier serielle Eingabe gelesen, fügt 82 zusammen, oder über das externe Gedächtnis vermaß Gerät 88 für Gedächtnis Eingabe. Für die Stimulus-Elemente leitete ein wirklicher und imaginärer Bestandteil von der Phase und Ausmaß-Bestandteil vom komplexen Element oder Vektor her (s ) werden Sie in die entkodierend Einheit 74 gelesen. Die wirklichen und imaginären Bestandteile des korrespondierend Vektor- Elementes innerhalb der Korrelation-Matrize [X] werden Sie vom externen Gedächtnis Einheit 86 gelesen. Die entkodierend Einheit 74 führt die entkodierend Verwandlung auf als definiert hat, in kanonischer Form, durch die folgend Vektor-Matrize-Verwandlung,:
  • [R]=1/c[S]* [X] gleich [Gl]. 27
  • Bemerken Sie wieder, daß die Hardware-Form präsentierte, und die Bedienung allgemeiner Zweck-Prozessoren erfordert, daß die oben erwähnen Matrize-Verwandlung in einer sequentiellen Art aufgeführt geworden. Die entkodierend Bedienung wird in weiterem Detail unter dem Briefkopf hierin definiert, berechtigte Zusammenfassung der Erfindung.
  • Die erzeugt Antwort [R] mag sein, geben Sie entweder über die serielle Ausgabe aus, fügt 80 zusammen, oder über das externe Gedächtnis vermaß Gerät 90 für Gedächtnis Ausgabe. Bemerken Sie wieder, daß das Antwort- Ausgabe-Signal durch einen wirklichen und imaginären Bestandteil dargestellt wird, als in Gleichung 77 vorher illustriert hat.
    • Andere Funktionen (Abbildung 17)
  • Ein dritter zweckmäßiger Block definierte innerhalb des Prözessors, den Block 78 mit anderen Funktionen oder Erweiterungen des Prozesses in Verbindung gebracht wird. Dieser zweckmäßige Block 78 läßt Fakten zur senellen Eingabe zugreifen, und Ausgabe fügt 80 und 82 und externes Gedächtnis 72 zusammen. Die Verkörperung des neuralen Prozesses innerhalb eines allgemeinen Zweck-Prozessors stellt einen bedeutungsvollen Vorteil 35 in bereit, daß eine breite Auswahl von Erweiterungen oder Variationen des wesentlichen neuralen Prozesses leicht untergebracht werden mag. Eine Teilmenge möglicher Erweiterungen besteht von [Hermitian] oder [sigmoidal- Vorbearbeitung] des Stimuluses, geben Sie Feld ein [S] * als im Teil beschrieben hat, der zu Erweiterungen von Erfindung gehört, und all die programmierbaren Funktionen zählten unter dem Briefkopf Physische Verkörperung von Gerät auf- Anspruchsvolles Modell.
  • Mehrere der Verarbeitung-Netzknoten, mag in irgendeiner Form zusammen assoziiert werden, um eine Reihe von neuralen Elementen, die in einem [asychronous] und paralleler Mode operieren, zu bilden. eine mögliche parallele Form wird in Abbildung 18 illustriert und besteht von 16 Verarbeitung- Netzknoten. Jede Verarbeitung, die Netzknoten 92 von der Hardware-Form besteht die in Abbildung 17 präsentiert wurde. Die Verbindung-Anordnung, die präsentiert wurde, wird zu als ein [Boolean] [hypercube] gewöhnlich gesprochen. In dieser Anordnung greift jeder Verarbeitung-Netzknoten auf sein eigenes hiesiges Gedächtnis zu und kommuniziert mit den vier nächstem Netzknoten über hohe Geschwindigkeit zweidirektionale serielle Kommunikation.
  • Im Illustrieren der wahrscheinlichen Computer Fähigkeiten vom oben erwähnen Gerät, das den vorgeschrieben holographischen neuralen Prozeß beschäftigt, ein System (als in Abbildung 17 präsentiert hat) wird das Benutzen von betriebsbereiten genauen Angabe für das Existieren eingeschätzt und erhältliche Hardware-Bestandteile. Die betriebsbereiten genauen Angabe fur die Bestandteil-Hardware sind als folgt:
  • hiesiger Gedächtnis / Netzknoten = 2 Megabytes
  • Übermittlung Rate / Glied = 20 [Megabits/second]
  • Verarbeitungsgeschwindigkeit / Netzknoten = 20 Million Anweisungen / Sekunde
  • Jeder Verarbeitung-Netzknoten mag innen gestaltet werden, um mehrere verschiedene und getrennte [neuron-Zellen] darzustellen. Für dieses Beispiel wird es angenommen werden, daß jede neurale Zelle 8000 Vektor-Elemente innerhalb seines Stimulus-Feldes bekommt, (d.h. [S] = [s&sub1;,s&sub2;,...s&sub8;&sub0;&sub0;&sub0;] und produziert eine Antwort-Ausgabe. Die Informationen lagerten innerhalb jedes der 8000 [synaptisch-Eingabe-entsprechenden] Ausdrücke, wird durch ein Vektor- Element innerhalb der Korrelation-Matrize wieder dargestellt [X]. Die Gedächtnis- Anforderungen für jedes Element von [[X]] für dieses Beispiel ist 4 Byte. Ein 16- bit Beschluß für die wirklichen und imaginären Elemente innerhalb der Korrelation-Matrize [X] wird angenommen. Die Zahl von neuralen Zellen, die innerhalb jedes Verarbeitung-Netzknotens enthalten werden mögen, (Nu) wird durch deshalb gegeben: bytes node synapse sypnapses neuron neurons
    • Gedächtnis-Kapazität (Verkörverung in Abbildung 18)
  • Als hierin diskutiert hat, Stimulus-Antwort-Muster mögen auf das gleiche Gedächtnis-Mittel überlegt werden. Als die Zahl von Muster-Zunahmen, das durchschnittliche Ausmaß des [deterministischen"] Fehler" innerhalb der entkodiert Ausgabe-Antwort nimmt in einer nicht-linearen Mode zu. Die Speicherkapazität für dieses Beispiel wird angenommen, N/4 zu sein, niedrigen Antwort-Fehler bereitzustellen, wo [N] die Zahl von Elementen innerhalb des Stimulus-Feldes ist, [S] ([d.h.]. Zahl von Stimulus-Elementen 8000 und die Kapazität für kodiert Stimulus-Antwort-Assoziationen sind N/4 oder 2000). Der oben erwähnen kodiert Menge von Stimulus-Antwort bildet innerhalb eines einzelnen neuralen entsprechende Ausdruck nach, der auf den Annahmen gegründet wurdel die hierin umrissen wurden, entspricht dem folgend Informationen-Inhalt (Gleichung): bytes node synapse sypnapses neuron Muster neurons
  • [elements/Muster] nach
  • = 16 million Muster-Elemente (Byte) [Gl.] 79
  • Der oben erwähnen Informationen-Inhalt wird zu als die virtuelle Informationen-Speicherkapazität gesprochen werden. Jede Verarbeitung Netzknoten 90 enthält 64 [neuron-entsprechenden] Ausdrücke, deshalb wird die virtuelle Informationen-Kapazität, beim Sein proportional zur Zahl neuraler Elemente, durch gegeben:
  • =16 x 106 Elemente x 64 neurons / Netzknoten
  • = 1.0 milliard Elemente (Byte) / Netzknoten
  • Für das beschrieben neurale System Umfassen verarbeitet Netzknoten, die virtuelle Informationen-Speicherkapazität entspricht 16 Milliard Byte.
    • Verarbeitungsgeschwindigkeit (Verkörperung in Abbildung 14)
  • Um diese Verkörperung mit einer Abbildung der wirksamen Verarbeitung- Fähigkeiten zu versorgen wird eine vergleichende Beschreibung für den neuralen Prozeß präsentiert, der in Verbindung zu konventionellen Verarbeitung- Methodiken hierin beschrieben wurde.
  • Innerhalb der Domäne von Muster-Identifikation und umfassend großen Mengen von unabhängig und [nonlinear] bildet nach, die Technik von Muster, das zusammenpaßt, oder lineare Suche ist am überall anwendbar.
  • Das Muster, das Technik zusammenpaßt, bringt einen Vergleich von jedem Element des Stimulus-Feldes gegen das korrespondierend Element von jedem der gelagert Hinweis-Muster mit sich. Diese Muster mögen irgendeine Form von Fakten in darstellen nicht presste Form zusammen oder, wenn zugänglich, in einer zusammengepresst Form ([i.e]. konvertierte zu einer Häufigkeit-Domäne).
  • Um die Zunahme in Computer Tüchtigkeit zu illustrieren wird ein konventionelles Muster, das Technik zusammenpaßt, im allgemeinen beschrieben werden und wird zum holographischen neuralen Prozeß betrieblich verglichen werden. Innerhalb der allgemeinen linearen Suche-Technik, ein Unterschied ( ) mag für jedes Hinweis-Muster p erzeugt werden als folgt:
  • wo
  • aj-Element j von Stimulus-Feld
  • bj,p-Element j von Hinweis-Muster p
  • Ein Menge von Muster-Unterschied-Bedingungen wird über dem Menge von Prototypen dann erzeugt als folgt:
  • ( &sub1;², &sub2;², &sub2;²,... ) [Gl.] 81
  • und diese Werte beschäftigten in irgendeiner Art, zu bestimmen oder die Ausgabe-Antwort zu produzieren.
  • Für diese Abbildung in dem die Zahl von Elementen im Stimulus-Feld für jeden neuralen entsprechende Ausdruck 8000 ist, die angenommen Zahl von Mustern, die kodiert wurde, ist 2000. Das Muster, das Prozeß zusammenpaßt, erfordert die folgend Zahl von Vergleichen, geworden aufgeführt:
  • 8000 [elements/pattern] [X] 2000 Muster
  • = 16 million Vergleiche [Gl.] 82
  • Jeder Vergleich besteht vom Einschätzen des Unterschiedes zwischen einem Element im Eingabe-Stimulus-Muster und dem korrespondierend Element in einem gelagert Hinweis-Muster und dem Einstellen eines Korrelation-Wertes ([i.e]. Einschätzung von einem Muster-Unterschied oder üblichem Abweichung- Wert). Die Folge von Schritten für die wesentlichen Vergleich-Bedienungen als oben beschrieben hat, wird zu als eine virtuelle Bedienung gesprochen werden.
  • Der neurale Prozeß, der hierin beschrieben wurde, führt eine ziemlich ähnliche Funktion auf, aber werden die betriebsbereiten Merkmale bedeutend mehr gebildet und [computationally] tüchtig. Als innerhalb des Teiles angegeben hat, der zu Zusammenfassung der Erfindung gehört, die Ausgabe-Antwort wird von der entkodierend Verwandlung direkt hergeleitet. und ist eine Funktion vom ganzen Menge kodiert Assoziationen als durch definiert hat;
  • (Λ&sub1;,Λ&sub2;,...,ΛT) ist, der Menge erzeugt Ausgabe-Antwort-Werte kodierte über t=1 zu T
  • (Φ*&sub1;,Φ*&sub2;,...,Φ*T)-ist, der Menge von Antwort-Ausmaß schätzt für Muster, die über t kodiert wurden, = 1 zu T
  • Eigen zum oben erwähnen holographischen neuralen Prozeß wird die Ausgabe-Antwort als eine Vektor-Quantität mit Phase-Winkel, der die [scalar- Antwort-Informationen] und das Ausmaß statistisch proportional zum Grad Übereinstimmung zwischen Eingabe-Stimulus und vorausgehenden kodiert Stimulus-Mustern darstellt, direkt ausgestellt.
  • Eine einzelne Verwandlung als durch den holographischen neuralen entkodierend Prozeß aufgeführt hat, wird durch gegeben: equivalent to gleichwertig zu
  • man mag einen Konservatismus anwenden, daß die oben erwähnen Bedienung ähnlich zum ist, führte durch 2000 virtuelle Bedienungen innerhalb des konventionellen Musters auf, das zusammenpaßt, oder linearer Suche- Prozeß im Einschätzen einer gewünscht Antwort-Ausgabe.
  • Eine einzelne Verwandlung als durch Gleichung 66 beschrieben hat, gestaltet eines Element innerhalb des Stimulus-Feldes durch das korrespondierend Element für den ganzen Menge kodiert Assoziationen um (2000 in diesem Beispiel) überlegte in Zusammenfassung-Form innerhalb Korrelation-Matrize [X]. Die Zahl mechanischer Schritte, die deshalb in Ausgabeeiner Antwort-Entscheidung erfordert wurde, wird durch eine proportionale Menge reduziert ([i.e]. in diesem Fall, der durch einen Faktor von 1/2000 reduziert wurde,).
  • Die wirksame Verarbeitungsgeschwindigkeit für die neurale Verkörperung in Abbildung 18 zu illustrieren mag annehmen, daß die Rate von [encoding/decoding-Verwandlung] durch die neurale Zugriffszeit begrenzt wird.
  • Für eine Zugriffszeit von 20 [MIPS] und das konservativ Annehmen von 40 Anweisung-Zyklen wird für einen das Kodieren oder das Entkodieren von Verwandlung erfordert (als könnte der Fall für nicht-Hardware-Vielfache sein), die Zahl von Verwandlung, die innerhalb jedes Verarbeitung-Netzknotens aufgeführt werden könnte, ist 500,000 pro Sekunde deshalb. Als bemerkte vorher, eine einzelne entkodierend Verwandlung (Gleichung 27) führt eine entkodierend Bedienung durch die hüllten 2000 Stimulus-Antwort-Assoziationen gleichzeitig auf. Für ein vergleichendes Studium, beim Anwenden der virtuellen Bedienung-Definition innerhalb der linearen Suche-Methode, die wirksame Verarbeitung-Rate für ein verarbeitend Netzknoten das Beschäftigen der holographischen Methode wird durch eingeschätzt:
  • 500,000 [transformations/second] [X] 2000 virtuelle [operations/second]
  • = 1.0 milliard virtuelle Bedienungen / Sekunde
  • Es wird geglaubt, daß die wirksame Rate von Verarbeitung für das beschrieben System, das von 16 Verarbeitung-Netzknoten in Abbildung 18 besteht, 16 Milliard virtuelle Bedienungen / Sekunde erlangen könnte.
  • Die Hardware-Verkörperung beschrieb Erträge eine Kapazität, 16 Milliard virtuelle Elemente zu lagern hierin deshalb (Byte) von Informationen in der Form kodiert Stimulus-Antwort-Assoziationen, und Eingabe Sinnes Stimulus durch die oben erwähnen angesammelt Informationen bei einer Rate von 16 Milliard virtuellen Bedienungen zu verarbeiten ich unterstütze. Es wird erwartet daß ein System dieser Art, das Bekommen von Stimulus von verschiedenen Formen Sinnes Modalitäten ([i.e]. Vision, klingen Sie, Berührung), und das Beschäftigen von Merkmalen von Gedächtnis, Lernen und Ausdruck mögen ein geeignete Informationen, die [substrate] verarbeiten, zu erleichtern und die aufragend Merkmale von einer Form von Intelligenz wie das hervorzurufen, die durch das primitivste Insekt-neurobiological-System gezeigt wurden, potentiell bereitstellen.
  • Die beschrieben Hardware-Verkörperung ist anzeigend von einem möglichem Beispiel und mag in irgendeinem Gebiet einschließlich Hardware- Form, Gedächtnis-Kapazität, ausgedehnt werden Zahl von Verarbeitung Netzknoten, Zahl von Daten-Gliedern pro Netzknoten, Rate von Daten Glied Übermittlung Methode von Daten-Übermittlung, d.h., serial/parallel-Formen, und das Verarbeiten von Rate pro Netzknoten. Diese zugenommen Fähigkeiten mögen benutzt werden, um Geräte zu konstruieren, die potentiell höheren Niveaus von Intelligenz nacheifern.
  • Obwohl die vorgezogen Verkörperung sowie die Bedienung und Verwendung ausdrücklich in Verbindung zu den Zeichnungen beschrieben worden ist, sollte es verstanden werden, daß Variation in den vorgezogen Verkörperungen von einem geschickten Facharbeiter leicht erreicht werden könnte. Danach sollte die Erfindung nicht verstanden werden, zur genauen Form begrenzt zu sein, die in den Zeichnungen gezeigt ist.

Claims (28)

1. Ein Assoziativspeichergerät mit einer Datensignalspeicherungs- und -verarbeitungsvorrichtung,
das Signale, welche als Stimulus-Antwort-Muster dargestellte skalare Datenwerte, zu denen jeweils miteinander assoziierte Stimulus- und Antworteingabeelementsets gehören, empfangen und transformieren und ein transformiertes Signal speichern kann, wobei es Letzteres als ein entsprechendes Korrelationsset mit Riemann- Vervielfältigungswerten in Höhe von mindestens einem erfahrungsgemäßen Stimulus-Antwort-Muster darstellt; und
das erfahrungsgemäß assoziierte Antwort-Datensignale, die im Rahmen der Transformation nachfolgend eingegebener Stimulus- Datensignale mit komplexen Werten, die für den Stimulus typisch sind, erzeugt werden, im Rahmen der besagten Riemann- Vervielfältigungswertsignale produzieren und abgeben kann;
und das dadurch gekennzeichnet ist, daß es mit einer Vorrichtung ausgestattet ist, welche die Set-Anzahl an Stimulus-Antwort-Muster-Daten für mindestens ein erfahrungsgemäßes Muster vergrößern kann, um dadurch den Informationsinhalt besagter Korrelationssets im folglich gespeicherten Riemann-Vervielfältigungswert-Signal zu erweitern, wobei das kombinierte Produkt der besagten Stimulus-Antwort-Muster-Daten erweitert wird, um dadurch die Anzahl an Eingabeelementen innerhalb eines Stimulusfeldes zu vergrößern, so daß es mindestens einige Stimulus-Eingabeelemente mit einer Ordnung über 1 bzgl. eines Sets mit eindeutigen kombinierten komplexen Produkten besagter Eingabestimulus-Elementen enthält, wobei besagte Ordnung der Stimuseingabe-Elementanzahl in den besagten Produkten entspricht.
2. Ein Assoziativspeichergerät im Rahmen von Anspruch 1, wobei es sich bei besagter Datensignalspeicherungs- und -verarbeitungsvorrichtung um ein künstliches neurales Gerät handelt.
3. Ein Gerät im Rahmen von Anspruch 2, wobei besagte Datensignalspeicherungs- und -verarbeitungsvorrichtung Signale empfangen kann, die skalare Wertdarstellungs-Sets darstellen, welche ihrerseits den erfahrungsgemäßen Stimuli und assoziierten Antworten entsprechen; und das zudem besagte skalare Wertdarstellungen als entsprechende Darstellungen der besagten Stimuluselemente und Antwortelemente kodieren kann, wobei Letztere jeweils im Rahmen einer Riemann-Flächenvektor-Koordinate mit Phasenwinkelorientierung und Größenordnung definiert werden.
4. Das Gerät im Rahmen von Anspruch 3, wobei Eingabeelemente innerhalb des Stimulusfeldes in eine höhere Ordnungsstatistik erweitert werden, die sich durch folgende allgemeine Formel ausdrücken läßt:
wobei
N- die Statistik-Ordnung darstellt,
k(n) - das n-te Produktelement der Ordnungsstatistik definiert,
Lambdak(n)- die Größenkomponente des n-ten Produktelements ist,
Thetak(n)- die Phasenkomponente des n-ten Produktelements ist,
f(n)- der Vorgang ist, durch den das Konjugat des komplexen polaren Vektors als irgendeine Funktion von n dargestellt wird.
5. Das Gerät im Rahmen von Anspruch 3, wobei zu besagter Datensignalspeicherungs- und Verarbeitungsvorrichtung zudem eine Vorrichtung zur nicht-linearen Transformierung von besagten Antwortausgabedaten gehört, wobei die Größenkomponente der besagten Elemente jeweils verstärkt oder abgeschwächt wird, je nachdem, ob diese den Schwellenwert einer vorbestimmten Musterassoziation über- bzw. unterschreitet.
6. Das Gerät im Rahmen des vorliegenden Anspruches 5, wobei es sich bei besagter Transformationsvorrichtung um ein wesensgemäß binärmodales, schaltbares, neurales Gerät handelt, und wobei besagte Riemann-Flächenvektor-Koordinaten entlang einer Linie angeordnet sind, welche sich mit dem Komplexursprung der Riemann-Fläche schneidet.
7. Das Gerät im Rahmen von Anspruch 3, wobei besagte nachfolgend erfolgte Stimuluseingabedaten und die besagte Antwortdatenabgabe durch besagte Datenverarbeitungs-und -speicherungsvorrichtung zusätzlich kodiert und innerhalb des besagten Korrelationssets gespeichert werden.
8. Das Gerät im Rahmen von Anspruch 7, wobei besagte Datenspeicherungs- und -verarbeitungsvorrichtung zudem im Rahmen einer variablen Verfallsfunktion gespeicherte Stimulus- und Antwort- Assoziationsmuster dynamisch ändern kann, um dadurch wahlweise die Größe der besagten Elemente in den besagten Korrelationssets mindern zu können, und zwar umgekehrt proportional zu einer Zeitspanne, die seit Speicherung der entsprechenden wahlweise Elemente, die im besagten Korrelationsset gespeichert wurden, verflossen ist.
9. Das Gerät im Rahmen von Anspruch 3, wobei besagte Datenspeicherungs- und -verarbeitungsvorrichtung außerdem an wahlweisen Untersets von besagten entsprechenden und jeweils assoziierten Stimulus- und Antworteingabe-Elementen eine vorbestimmte Vektor-Transformierung vornehmen kann, um dadurch deren symmetrische Verteilung innerhalb aller Elemente des besagten Korrelationssets zu erhöhen.
10. Ein Gerät mit einer Kommunkiationsverbindung und den verschiedenen dazugehörigen künstlichen neuralen Geräten und mit einer Datenspeicherungs- und -verarbeitungsvorrichtung, das Signale, die skalare Stimulus-Antwort-Musterdaten-Werte in mindestens einem der besagten Geräte darstellen, empfangen und transformieren kann, wobei zu besagten Datenwerten jeweils entsprechende assoziierte Stimulus- und Antworteingabe-Elemente gehören, und das ein transformiertes Signal speichern kann, wobei es Letzteres als ein entsprechendes Korrelationsset mit Riemann-Vervielfältigungswerten von mindestens einem erfahrungsgemäßen Stimulus-Antwort-Muster darstellt; und das erfahrungsgemäß assoziierte Antwort-Datensignale, die im Rahmen der Transformation nachfolgend eingegebener Stimulus-Datensignale mit komplexen Werten, die für den Stimulus typisch sind, erzeugt werden, im Rahmen der besagten Riemann-Vervielfältigungswertsignale produzieren und abgeben kann;
und das dadurch gekennzeichnet ist, daß es mit einer Vorrichtung ausgestattet ist, welche die Set-Anzahl an Stimulus-Antwort-Muster- Daten für mindestens ein erfahrungsgemäßes Muster vergrößern kann, um dadurch den Informationsinhalt besagter Korrelationssets im folglich gespeicherten Riemann-Vervielfältigungswert-Signal zu erweitern, wobei das kombinierte Produkt der besagten Stimulus-Antwort-Muster-Daten erweitert wird, um dadurch die Eingabeelementanzahl innerhalb eines Stimulusfeldes zu vergrößern, so daß es mindestens einige Stimulus- Eingabeelemente mit einer Ordnung über 1 bzgl. eines Sets mit eindeutigen kombinierten komplexen Produkten besagter Eingabestimulus-Elementen enthält, wobei besagte Ordnung der Stimuseingabe-Elementanzahl in den besagten Produkten entspricht; nd wobei besagte Datenspeicherungs- und -verarbeitungsvorrichtung aus den besagten verschiedenen Geräten stammenden Abgabe-Antwortdaten elementweise auf eine Vektorsumme bringen kann, um dadurch ein Korrelationsset mit Elementen, die den eindeutigen Darstellungswerten aller Stimuli und assoziierten Antwortelementen der jeweiligen besagten erschiedenen Geräte entsprechen, erzeugen kann.
11. Ein neurales Netzwerk mit Kommunikationsverbindung und den dazugehörigen verschiedenen angeschlossenen künstlichen neuralen Geräten, sowie mit einer Datenspeicherungs- und - verarbeitungsvorrichtung, das Signale, die skalare Stimulus-Antwort- Musterdaten-Werte in mindestens einem der besagten Geräte darstellen, empfangen und transformieren kann, wobei zu besagten Datenwerten jeweils entsprechende assoziierte Stimulus- und Antworteingabe- Elemente gehören, und das ein transformiertes Signal speichern kann, wobei es Letzteres als ein entsprechendes Korrelationsset mit Riemann- Vervielfältigungswerten von mindestens einem erfahrungsgemäßen Stimulus-Antwort-Muster darstellt; und das erfahrungsgemäß assoziierte Antwort-Datensignale, die im Rahmen der Transformation nachfolgend eingegebener Stimulus-Datensignale mit komplexen Werten, die für den Stimulus typisch sind, erzeugt werden, im Rahmen der besagten Riemann-Vervielfältigungswertsignale produzieren und abgeben kann;
und das dadurch gekennzeichnet ist, daß es mit einer Vorrichtung ausgestattet ist, welche die Set-Anzahl an Stimulus-Antwort-Muster-Daten für mindestens ein erfahrungsgemäßes Muster vergrößern kann, um dadurch den Informationsinhalt besagter Korrelationssets im folglich gespeicherten Riemann-Vervielfältigungswert-Signal zu erweitern, wobei das kombinierte Produkt der besagten Stimulus-Antwort-Muster-Daten erweitert wird, um dadurch die Eingabeelementanzahl innerhalb eines Stimulusfeldes zu vergrößern, so daß es mindestens einige Stimulus- Eingabeelemente mit einer Ordnung über 1 bzgl. eines Sets mit eindeutigen kombinierten komplexen Produkten besagter Eingabestimulus-Elementen enthält, wobei besagte Ordnung der Stimuseingabe-Elementanzahl in den besagten Produkten entspricht;
und wobei besagtes Netzwerk als geschichtetes Netzwerk der besagten verschiedenen Geräte angeordnet ist.
12. Ein Mustererkennungsgerät zur Erzeugung eines Antwortsignals als Reaktion auf ein Stimulussignal, wobei zu besagtem Gerät Folgendes gehört:
(a) eine Meßwertwandler-Vorrichtung zur Erzeugung eines skalaren Stimulussignals;
(b) eine Datenspeicherungs- und -verarbeitungsvorrichtung:
die besagtes Stimulussignals empfangen und verarbeiten und es mit einem skalaren Antwortsignal kombinieren und besagte Signale in Stimulus-Antwort-Musterdaten-Werte mit jeweils assoziierten Sets, die aus Stimulus- und Antworteingabe-Elementen bestehen, transformieren kann;
die ein transformiertes Signal speichern kann, wobei besagte Stimulus-Antwort-Musterdaten-Werte als ein entsprechendes Korrelationsset der Riemann-Vervielfältigungsdaten mit mindestens einem erfahrungsgemäßen Stimulus-Antwort-Muster dargestellt werden; und
die erfahrungsgemäß assoziierte Antwort-Datensignale, die im Rahmen der Transformation nachfolgend eingegebener Stimulus- Datensignale mit komplexen Werten, die für den Stimulus typisch sind, erzeugt werden, im Rahmen der besagten Riemann- Vervielfältigungswertsignale produzieren und abgeben kann; und das dadurch gekennzeichnet ist, daß es mit einer Vorrichtung ausgestattet ist, welche die Set-Anzahl an Stimulus-Antwort-Muster-Daten für mindestens ein erfahrungsgemäßes Muster vergrößern kann, um dadurch den Informationsinhalt besagter Korrelationssets im folglich gespeicherten Riemann-Vervielfältigungswert-Signal zu erweitern, wobei das kombinierte Produkt der besagten Stimulus-Antwort-Muster-Daten erweitert wird, um dadurch die Eingabeelementanzahl innerhalb eines Stimulusfeldes zu vergrößern, so daß es mindestens einige Stimulus-Eingabeelemente mit einer Ordnung über 1 bzgl. eines Sets mit eindeutigen kombinierten komplexen Produkten besagter Eingabestimulus-Elementen enthält, wobei besagte Ordnung der Stimuseingabe-Elementanzahl in den besagten Produkten entspricht.
13. Ein Gerät im Rahmen von Anspruch 12, wobei besagte Datenspeicherungs- und -verarbeitungsvorrichtung Signale empfangen kann, die skalare Wertdarstellungen darstellen, welche ihrerseits den erfahrungsgemäßen Stimuli und den damit assoziierten Antworten entsprechen; und das zudem besagte skalare Wertdarstellungen als entsprechende Darstellungen der besagten Stimuluselemente und Antwortelemente kodieren kann, wobei Letztere jeweils im Rahmen einer Riemann-Flächenvektor-Koordinate mit Phasenwinkelorientierung und Größenordnung definiert werden.
14. Das Gerät im Rahmen von Anspruch 13, wobei Eingabeelemente innerhalb des Stimulusfeldes in eine höhere Ordnungsstatistik erweitert werden, die sich durch folgende allgemeine Formel ausdrücken läßt:
wobei
N- die Statistik-Ordnung darstellt,
k(n)- das n-te Produktelement der Ordnungsstatistik definiert,
Lambdak(n)- die Größenkomponente des n-ten Produktelements ist,
Thetak(n) - die Phasenkomponente des n-ten Produktelements ist,
f(n)- der Vorgang ist, durch den das Konjugat des komplexen polaren Vektors als irgendeine Funktion von n dargestellt wird.
15. Das Gerät im Rahmen von Anspruch 13, wobei zu besagter Datenspeicherungs- und Verarbeitungsvorrichtung zudem eine Vorrichtung zur nicht-linearen Transformation von besagten Antwortausgabedaten gehört, wobei die Größenkomponente der besagten Elemente jeweils verstärkt oder abgeschwächt wird, je nachdem, ob diese den Schwellenwert einer vorbestimmten Musterassoziation über- bzw. unterschreitet.
16. Das Gerät im Rahmen von Anspruch 13, wobei besagte nachfolgend erfolgte Stimuluseingabedaten und die besagte Antwortdatenabgabe durch besagte Datenverarbeitungs- und -speicherungsvorrichtung zusätzlich kodiert und innerhalb des besagten Korrelationssets gespeichert werden.
17. Das Gerät im Rahmen von Anspruch 16, wobei besagte nachfolgend erfolgende Stimuluseingabedaten und die besagte Antwortdatenabgabe durch besagte Datenverarbeitungs- und -speicherungsvorrichtung zusätzlich kodiert und innerhalb des besagten Korrelationssets gespeichert werden.
18. Das Gerät im Rahmen von Anspruch 13, wobei besagte Datenspeicherungs- und -verarbeitungsvorrichtung zudem im Rahmen einer variablen Verfallsfunktion gespeicherte Stimulus- und Antwort- Assoziationsmuster dynamisch ändern kann, um dadurch wahlweise die Größe der besagten Elemente in den besagten Korrelationssets mindern zu können, und zwar umgekehrt proportional zu einer Zeitspanne, die seit Speicherung der entsprechenden wahlweise Elemente, die im besagten Korrelationsset gespeichert wurden, verflossen ist.
19. Das Gerät im Rahmen von Anspruch 12, wobei zu besagter Meßwertwandler-Vorrichtung eine Videokamera gehört.
20. Das Gerät im Rahmen von Anspruch 19, wobei zu besagtem Gerät zudem eine Audioabgabe-Vorrichtung gehört, die auf Abgabeantwortdaten reagiert, um dadurch ein Antwortsignal zu produzieren und an einen Audioabgabe-Meßwertwandler weiterzuleiten, der daraufhin ein Muster erzeugen kann, welches seinerseits mit der Audioantwort, die mit besagtem Stimulussignal assoziiert ist, assoziiert ist.
21. Eine Methode, die reaktionsgemäß ein Stimulusmuster identifiziert und sich aus folgenden Schritten zusammensetzt:
(a) Produktion eines skalaren Stimulussignals;
(b) Weiterleitung des besagten Stimulussignals an eine Datenspeicherungs- und -vera rbeitungsvorrichtung; die besagtes Stimulussignal empfangen und verarbeiten und es mit einem Antwortsignal kombinieren und besagte Signale in Stimulus- Antwort-Musterdaten-Werte mit jeweils assoziierten Sets, die aus Stimulus- und Antworteingabe-Elementen bestehen, transformieren kann;
und die ein transformiertes Signal speichern kann, wobei besagte Stimulus-Antwort-Musterdaten-Werte als ein entsprechendes Korrelationsset der Riemann-Vervielfältigungsdaten mit mindestens einem erfahrungsgemäßen Stimulus-Antwort-Muster dargestellt werden; und die erfahrungsgemäß assoziierte Antwort-Datensignale, die im Rahmen der Transformation nachfolgend eingegebener Stimulus-Datensignale mit komplexen Werten, die für den Stimulus typisch sind, erzeugt werden, im Rahmen der besagten Riemann-Vervielfältigungswertsignale produzieren und abgeben kann; und das dadurch gekennzeichnet ist, daß es mit einer Vorrichtung ausgestattet ist, welche die Set-Anzahl an Stimulus-Antwort- Muster-Daten für mindestens ein erfahrungsgemäßes Muster vergrößern kann, um dadurch den Informationsinhalt besagter Korrelationssets im folglich gespeicherten Riemann-Vervielfältigungswert-Signal zu erweitern, wobei das kombinierte Produkt der besagten Stimulus-Antwort-Muster- Daten erweitert wird, um dadurch die Eingabeelementanzahl innerhalb eines Stimulusfeldes zu vergrößern, so daß es mindestens einige Stimulus-Eingabeelemente mit einer Ordnung über 1 bzgl. eines Sets mit eindeutigen kombinierten komplexen Produkten besagter Eingabestimulus-Elementen enthält, wobei besagte Ordnung der Stimuseingabe-Elementanzahl in den besagten Produkten entspricht.
22. Die Methode im Rahmen von Anspruch 21, wobei besagte Datenspeicherungs- und -verarbeitungsvorrichtung Signale empfangen kann, die skalare Wertdarstellungs-Sets darstellen, welche ihrerseits den erfahrungsgemäßen Stimuli und assoziierten Antworten entsprechen; und das zudem besagte skalare Wertdarstellungen als entsprechende Darstellungen der besagten Stimuluselemente und Antwortelemente kodieren kann, wobei Letztere jeweils im Rahmen einer Riemann- Flächenvektor-Koordinate mit Phasenwinkelorientierung und Größenordnung definiert werden.
23. Die Methode im Rahmen von Anspruch 22, wobei Eingabeelemente innerhalb des Stimulusfeldes in eine höhere Ordnungsstatistik erweitert werden, die sich durch folgende allgemeine Formel ausdrücken läßt:
wobei
N- die Statistik-Ordnung darstellt,
k(n)- das n-te Produktelement der Ordnungsstatistik definiert,
Lambdak(n)- die Größenkomponente des n-ten Produktelements ist,
Thetak(n)- die Phasenkomponente des n-ten Produktelements ist,
f(n)- der Vorgang ist, durch den das Konjugat des komplexen polaren Vektors als irgendeine Funktion von n dargestellt wird.
24. Die Methode im Rahmen von Anspruch 23, zu der zudem der Schritt einer nicht-linearen Transformation von besagten Antwortausgabe-Daten gehört, wobei die Größenkomponente des besagten Elements jeweils verstärkt oder abgeschwächt wird, je nachdem, ob diese den Schwellenwert einer vorbestimmten Musterassoziation über- bzw. unterschreitet.
25. Die Methode im Rahmen von Anspruch 23, wobei besagte nachfolgend erfolgte Stimuluseingabedaten und die besagte Antwortdatenabgabe durch besagte Datenverarbeitungs- und -speicherungsvorrichtung zusätzlich kodiert und innerhalb des besagten Korrelationssets gespeichert werden.
26. Die Methode im Rahmen von Anspruch 25, zu der zudem der Schritt gehört, besagte Korrelationssets im Rahmen einer variablen Verfallsfunktion zu verarbeiten, um dadurch gespeicherte Stimulus- und Antwort-Assoziationsmuster dynamisch ändern zu können, indem wahlweise die Größe der besagten Elemente in den besagten Korrelationssets gemindert wird, und zwar umgekehrt proportional zu einer Zeitspanne, die seit Speicherung der entsprechenden wahlweise Elemente, die im besagten Korrelationsset gespeichert wurden, verflossen ist.
27. Die Methode im Rahmen von Anspruch 23, zu der zudem der Schritt gehört, daß besagte Datenspeicherungs- und -verarbeitungsvorrichtung dazu dient, an wahlweisen Untersets von besagten entsprechenden, jeweils assoziierten Stimulus- und Antworteingabe-Elementen eine vorbestimmte Vektor-Transformierung vorzunehmen, um dadurch deren symmetrische Verteilung innerhalb aller Elemente des besagten Korrelationssets zu erhöhen.
28. Das Gerät im Rahmen von Anspruch 1, wobei besagte Datensignalspeicherungs- und -verarbeitungsvorrichtung besagte Stimulus-Antwort-Musterdaten-Wertsets von Echtwertelementen in Phasenorientationen des besagten entsprechenden Korrelationssets der Riemann-Vervielfätigungswert-Elemente innerhalb eines Verteilungsraums zwischen 0 und 2 pi transformieren kann, und zwar im Rahmen folgender allgemeiner Konvertierung:
wobei
Sk T λkeiθk
Sk - ein Echtwert-Musterdatenwert ist;
λk- ein zugeordneter Konfidenzwert für Sk ist;
θk - der Phasenwinkel des Riemann-Wertes ist.
DE69124231T 1990-04-26 1991-04-26 Künstliche neuronale anlage Expired - Fee Related DE69124231T2 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/CA1991/000139 WO1991016686A1 (en) 1990-04-26 1991-04-26 Artificial neural device
CA2575483A CA2575483C (en) 2004-08-06 2005-08-03 Stub out fluid quick connector with shut off valve interface

Publications (2)

Publication Number Publication Date
DE69124231D1 DE69124231D1 (de) 1997-02-27
DE69124231T2 true DE69124231T2 (de) 1997-08-07

Family

ID=4171293

Family Applications (1)

Application Number Title Priority Date Filing Date
DE69124231T Expired - Fee Related DE69124231T2 (de) 1990-04-26 1991-04-26 Künstliche neuronale anlage

Country Status (8)

Country Link
EP (1) EP0526504B1 (de)
JP (1) JPH05506953A (de)
AT (1) ATE147873T1 (de)
AU (2) AU7691491A (de)
DE (1) DE69124231T2 (de)
ES (1) ES2103310T3 (de)
RU (1) RU2193797C2 (de)
WO (1) WO1991016686A1 (de)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8478081B2 (en) 2005-06-30 2013-07-02 Agc Flat Glass North America, Inc. Monolithic image perception device and method
CN101253515B (zh) * 2005-06-30 2012-09-26 北美Agc平板玻璃公司 单片图像感知器件和方法
US8341112B2 (en) * 2006-05-19 2012-12-25 Microsoft Corporation Annotation by search
EP2087513B1 (de) * 2006-11-17 2019-07-10 QUALCOMM Incorporated Inhaltsadressierbarer speicher
RU2342702C2 (ru) * 2006-12-20 2008-12-27 Военная академия Ракетных войск стратегического назначения имени Петра Великого Устройство ассоциативного распознавания
CN104407518B (zh) * 2008-06-20 2017-05-31 因文西斯系统公司 对用于过程控制的实际和仿真设施进行交互的系统和方法
JP5268595B2 (ja) * 2008-11-28 2013-08-21 ソニー株式会社 画像処理装置、画像表示方法及び画像表示プログラム
JP4735995B2 (ja) * 2008-12-04 2011-07-27 ソニー株式会社 画像処理装置、画像表示方法および画像表示プログラム
US9703782B2 (en) 2010-05-28 2017-07-11 Microsoft Technology Licensing, Llc Associating media with metadata of near-duplicates
US8903798B2 (en) 2010-05-28 2014-12-02 Microsoft Corporation Real-time annotation and enrichment of captured video
US8559682B2 (en) 2010-11-09 2013-10-15 Microsoft Corporation Building a person profile database
BG66633B1 (bg) * 2011-03-28 2017-12-29 Ивайло Попов Адаптивен познавателен метод
US9678992B2 (en) 2011-05-18 2017-06-13 Microsoft Technology Licensing, Llc Text to image translation
RU2485682C1 (ru) * 2011-12-06 2013-06-20 Федеральное государственное военное образовательное учреждение высшего профессионального образования Военная академия Ракетных войск стратегического назначения имени Петра Великого МО РФ Устройство ассоциативного распознавания
US9239848B2 (en) 2012-02-06 2016-01-19 Microsoft Technology Licensing, Llc System and method for semantically annotating images
US9664667B2 (en) 2012-04-30 2017-05-30 Trustees Of Tufts College Digital quantification of single molecules
JP6587195B2 (ja) * 2018-01-16 2019-10-09 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 触覚情報推定装置、触覚情報推定方法、プログラム及び非一時的コンピュータ可読媒体
RU2724784C2 (ru) * 2018-05-18 2020-06-25 Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский авиационный институт (национальный исследовательский университет)" Способ управления реакцией нейропроцессора на входные сигналы
RU2706891C1 (ru) * 2019-06-06 2019-11-21 Самсунг Электроникс Ко., Лтд. Способ формирования общей функции потерь для обучения сверточной нейронной сети для преобразования изображения в изображение с прорисованными деталями и система для преобразования изображения в изображение с прорисованными деталями
US11521011B2 (en) 2019-06-06 2022-12-06 Samsung Electronics Co., Ltd. Method and apparatus for training neural network model for enhancing image detail
CN110598534B (zh) * 2019-07-31 2022-12-09 中南大学 融合点线记忆信息的仿生视觉图像目标识别方法
JP6625784B1 (ja) * 2019-08-28 2019-12-25 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ ロボットシステム、ロボット及び制御方法
CN115617305A (zh) * 2022-10-13 2023-01-17 兰州大学 一种基于事件驱动型电路设计的异步稀疏矩阵外积乘法器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0357212B1 (de) * 1988-08-23 1998-04-29 John G. Sutherland Künstliche Neuronenvorrichtung und entsprechende Methode
RU2028670C1 (ru) * 1992-08-10 1995-02-09 Вадим Владимирович Борисов Нейроподобная модель для анализа изображений

Also Published As

Publication number Publication date
EP0526504B1 (de) 1997-01-15
EP0526504A1 (de) 1993-02-10
RU2193797C2 (ru) 2002-11-27
DE69124231D1 (de) 1997-02-27
ES2103310T3 (es) 1997-09-16
AU3031795A (en) 1995-11-23
WO1991016686A1 (en) 1991-10-31
ATE147873T1 (de) 1997-02-15
JPH05506953A (ja) 1993-10-07
AU7691491A (en) 1991-11-11

Similar Documents

Publication Publication Date Title
DE69124231T2 (de) Künstliche neuronale anlage
DE69217047T2 (de) Verbesserungen in neuronalnetzen
Eluyode et al. Comparative study of biological and artificial neural networks
Tadeusiewicz et al. Exploring neural networks with C
DE60024582T2 (de) Neuronales verarbeitungselement zur verwendung in einem neuronalen netzwerk
Zoumpourlis et al. Non-linear convolution filters for cnn-based learning
DE69423228T2 (de) Unüberwachtes klassifizierungsverfahren mit neuronalem netzwerk mit back propagation
DE112008000988B4 (de) Rechenknoten und Rechenknotennetzwerke,die Dynamiknanovorrichtungsverbindungen umfassen
DE68928484T2 (de) Verfahren zum erkennen von bildstrukturen
EP0357212B1 (de) Künstliche Neuronenvorrichtung und entsprechende Methode
DE60125536T2 (de) Anordnung zur generierung von elementensequenzen
Dawson et al. Autonomous processing in parallel distributed processing networks
Sadanand et al. Basic of artificial neural network
Yarushev et al. Time series analysis based on modular architectures of neural networks
Kowadlo et al. AHA! an'Artificial Hippocampal Algorithm'for Episodic Machine Learning
Quinlan Theoretical notes on “Parallel models of associative memory”
DE69414636T2 (de) Neuronales Netzwerk für Signalverarbeitung
Pashaie et al. Self-organization in a parametrically coupled logistic map network: A model for information processing in the visual cortex
Reda Deep learning an overview
Yarushev et al. Time Series Prediction based on Hybrid Neural Networks.
Taylor et al. Temporal semantics: An adaptive resonance theory approach
Alexandre Connectionist cognitive processing for invariant pattern recognition
Vázquez et al. A new model of associative memories network
Sager et al. The Cooperative Network Architecture: Learning Structured Networks as Representation of Sensory Patterns
Yaqub A Study on artificial neural network

Legal Events

Date Code Title Description
8364 No opposition during term of opposition
8339 Ceased/non-payment of the annual fee