DE69220974T2

DE69220974T2 - Einrichtung zur Wellenformentzerrung mit neuronalem Netzwerk und Verfahren zum Entwurf derselben

Info

Publication number: DE69220974T2
Application number: DE69220974T
Authority: DE
Inventors: Susumu Takahashi
Original assignee: Victor Company of Japan Ltd
Current assignee: Victor Company of Japan Ltd
Priority date: 1991-01-31
Filing date: 1992-01-31
Publication date: 1997-12-04
Anticipated expiration: 2012-02-01
Also published as: JP2797035B2; DE69220974D1; EP0498574A3; JPH04246906A; EP0498574A2; EP0498574B1; US5361327A

Description

Die vorliegende Erfindung bezieht sich auf eine Wellenformentzerrungseinrichtung zur Entfernung einer Signalverzerrung, die auftritt, wenn ein digitales Signal aufgezeichnet und nachfolgend wiedergegeben oder gesendet und nachfolgend empfangen wird, und auf ein Verfahren zum Entwurf einer derartigen Wellenformentzerrungseinrichtung. Insbesondere bezieht sich die Erfindung auf eine Wellenformentzerrungseinrichtung, die als ein neuronales Netzwerk mit festen Gewichtskoeffizienten gebildet ist.
In den letzten Jahren wurden Systeme, die ein Aufzeichnen und eine Wiedergabe oder ein Senden/Empfangen von digitalen Signalen verwenden, häufig verwendet. Jedoch wird in einem derartigen System, auch wenn ein digitales Vorlagensignal, das aufgezeichnet oder gesendet wird, eine in wesentlichen ideale digitale Wellenform bzw. Signalverlauf besitzt, das sich ergebende Signal, das nachfolgend von einer Wiedergabevorrichtung oder einer Empfangsvorrichtung erzeugt wird, eine Wellenforn bzw. einen Signalverlauf besitzen, der sich sehr von einer idealen digitalen Signalwellenform unterscheidet, und muß zum Zweck der Signalverarbeitung als ein analoges Signal betrachtet werden. Die folgende Beschreibung bezieht sich auf ein Aufzeichnungs- und Wiedergabesystem für digitale Signale, jedoch treffen ähnliche Betrachtungen auf ein Sende- und Empfangssystem für digitale Signale zu. Der allgemeine Begriff "digitales Signal-Übertragungssystem", wie er in der folgenden Beschreibung und den Ansprüchen verwendet wird, soll ein System, wie beispielsweise ein magnetisches oder optisches Aufzeichnungs- und Wiedergabesystem oder ein Sendesystem für digitale Signale bezeichnen, in denen ein Vorlagensignal aufgezeichnet und wiedergegeben wird, um ein entsprechendes verzerrtes digitales Signal zu erhalten, oder gesendet und empfangen wird, um ein entsprechendes verzerrtes digitales Signal zu erhalten.
Im besonderen Fall eines magnetischen Aufzeichnungs- und Wiedergabesystems für digitale Daten ist bekannt, daß ein Phänomen wie "Spitzenwertverschiebung" auftritt, wodurch Teile der wiedergegebenen digitalen Signalwellenform zeitlich im Hinblick auf andere Teile der Wellenform als ein Ergebnis des Aufzeichnungs- und Wiedergabevorgangs verschoben werden, wodurch eine Verzerrung des Signals verursacht wird und sich Fehler bei der Beurteilung der logischen 0 und 1 Pegel- Zustände der wiedergegebenen Signaldaten ergeben. Im Fall eines optischen Aufzeichnungs- und Wiedergabesystems tritt auch eine Signalverzerrung (zwischensymbolische Interferenz) aufgrund derartiger Faktoren, wie beispielsweise Linsenabbildungsfehler, usw. auf, wie nachfolgend genauer beschrieben.
Um derartige Probleme zu beseitigen, wurde im Stand der Technik eine Art von Wellenformentzerrungseinrichtung verwendet, die auf einer transversalen Filtereinrichtung basiert, wie in dem Schaltbild gemäß Fig. 1 veranschaulicht. Es wird angenommen, daß die Wellenformentzerrungseinrichtung ein von einem Aufzeichnungs- und Wiedergabesystem erzeugtes verzerrtes digitales Signal als ein Eingangssignal empfängt. Das Ausgangssignal von der Wiedergabeeinrichtung wird durch aufeinanderfolgende identischen Ausmaße jeweils in Verzögerungsleitungen 130a bis 130d verzögert. Das direkt zugeführt Eingangssignal und die von den Verzögerungsleitungen erzeugten verzögerten Eingangssignalausgaben werden jeweils durch Verstärkereinrichtungen 131a bis 131d verstärkt, die jeweils vorbestimmte verschiedene Verstärkungsfaktoren besitzen. Die sich ergebenden verstärkten Ausgangssignale werden dann mittels der Additionsschaltung 132 addiert, um ein Wellenform-entzerrtes Ausgangssignal zu erhalten. Jedoch erzeugt eine derartige Wellenformentzerrungseinrichtung keine zufriedenstellenden Ergebnisse.
Im folgenden wird die Verzerrung des digitalen Signals, die in einem magnetischen Aufzeichnungs- und Wiedergabesystem auftritt, beschrieben. Diagramme (A) bis (E) gemäß Fig. 2 sind Wellenform- bzw. Signalverlaufsdiagramme zur Veranschaulichung, wie eine derartige Verzerrung in einem magnetischen Aufzeichnungs- und Wiedergabesystem auftritt. Es wird hier angenommen, daß ein Wechseischrift- bzw. NRZ(non return to zero)-Code aufgenommen und wiedergegeben wird und daß das Vorlagenaufzeichnungsstromsignal eine ideale digitale Wellenform besitzt, d.h. mit schnellen Übergängen zwischen festen digitalen 0 und 1 Zustandspegeln, wie in Diagramm (A) veranschau licht. Jedoch wird das magnetische Muster, das gegenwärtig aufgezeichnet wird, die im Diagramm (B) gezeigte Form haben. Zum Zeitpunkt der Wiedergabe wird angenommen, daß eine derartige ideale Stromwellenform bzw. ein Stromsignalverlauf aufgezeichnet wurde, dann wird, da während einer Wiedergabe (wenn es keine Verzerrung im Aufzeichnungs-/Wiedergabevorgang gibt) die Wellenforn des Ausgangssignals von der Wiedergabeeinrichtung differenziert wird, die sich ergebende Wellenform wie im Diagramm (C) gemäß Fig. 2 gezeigt sein. In diesem Fall gibt es keine Wellenformverzerrung und es ist keine Spitzenwertverschiebung aufgetreten.
In der Praxis jedoch wird in diesem Fall, wie im Diagramm (D) gemäß Fig. 2 gezeigt, das Wiedergabesignal, das gegenwärtig erhalten wird, wesentlich verzerrt. Wenn ein derartiges Wiedergabesignal differenziert wird, dann wird ein Ausmaß der Spitzenwertverschiebung gefunden, so daß beispielsweise ein Ausmaß Δt in der differenzierten Wellenform aufgetreten ist, wie im Diagramm (E) gezeigt. Hier wurde ein Spitzenwert in dem differenzierten Wiedergabesignal, das einem Aufzeichnungssignalpegelübergang an einem Punkt t2 des Vorlagenaufzeichnungssignals entspricht, verschoben. Das heißt, für einige Teile der Wiedergabesignalwellenform werden Spitzenwerte des differenzierten Wiedergabesignals von den korrekten Positionen dieser Spitzenwerte Zeit-verschoben. Im Wechselschrift-Code wird ein Bit durch eine magnetische Polaritätsumkehrung dargestellt. Jedoch werden als ein Ergebnis einer derartigen Verzerrung die Positionen von Umkehrungen der Wiedergabesignalwellenform nicht deutlich sein, so daß eine zufriedenstellende Wellenformwiedergabe nicht erreicht werden kann. Das heißt, obwohl Polaritätsumkehrungen an den Zeitpunkten t2 und t3 auftraten, wird (durch eine Schaltung, die das differenzierte Wiedergabesignal des Diagramms (E) in einen Datenstrom umwandelt,) beurteilt, ob magnetische Polaritätsumkehrungen an den Zeitpunkten t1 und t4 auftraten, oder es kann (aufgrund der Tatsache, daß der Signalpegel bei diesen Teilen niedrig ist) beurteilt werden, daß in dem Bereich von t1 bis t4 keine Polaritätsumkehrungen auftraten. Umgekehrt kann fehlerhaft beurteilt werden, daß Polaritätsumkehrungen bei einigen Teilen mit niedriger Amplitude auftraten, beispielsweise kann fehlerhaft beurteilt werden, daß an den Zeitpunkten t5 oder t7 eine Umkehrung auftrat.
Darüberhinaus können in dem Fall einer optischen Art von Aufzeichnungs- und Wiedergabeeinrichtung auch höhere Grade von Signalverzerrung auftreten. Bei einem optischen Aufzeichnungsund Wiedergabesystem kann eine Defokussierung oder ein Linsenabbildungsfehler in dem optischen System einer optischen Aufnahmeeinrichtung, die einen kleinen Lichtpunkt auf einer optischen Platte fokussiert, auftreten und dies ist eine Quelle einer Gesamtsignal-Verzerrung (zwischensymbolischen Interferenz). Es gibt 5 Grundarten von Abbildungsfehlern und darunter verursachen Astigmatismus, sphärische Abbildungsfehler und Komaabbildungsfehler Verzerrung und zwischensymbolische Interferenz im digitalen Signal. Zusätzlich kann ein optischer Abbildungsfehler als ein Ergebnis einer Neigung einer optischen Platte auftreten und dies kann auch zu einer zwischensymbolischen Interferenz führen.
Diagramme (A) bis (D) gemäß Fig. 3 veranschaulichen, wie eine Signalverzerrung in einem optischen Aufzeichnungs- und Wiedergabesystem auftreten kann. Hier bezeichnet Tmin eine minimale Dauer, über die die aufgezeichneten Daten fortwährend auf dem digitalen 1 oder 0 Zustand verbleiben. Bei einem digitalen Standard-Audiosignal-CD (Compact Disk)-Aufzeichnungs/Wiedergabesystem stellen die Daten, die augenblicklich auf der Platte aufgezeichnet werden (d.h. als verlängerte Oberflächenvertiefungen mit veränderbarer Länge) Daten dar, auf die als "Kanalbits" Bezug genommen wird, die mit einem Taktsignal, das als das Kanaltaktsignal bekannt ist, mit einer Frequenz von ungefähr 4,32 MHz synchronisiert sind. Auf dem Gebiet der CD-Technologie wird die Periode dieses Kanaltaktsignals im allgemeinen einfach als T bezeichnet und diese Bezeichnung wird im folgenden verwendet. Das minimale Intervall zwischen aufeinanderfolgenden Umkehrungen dieser aufgezeichneten Daten wird als Tmin bezeichnet. Bei der Standard-CD-Funktion beträgt der Wert von Tmin drei Perioden des Kanaltaktsignals, d.h. 3T, wie durch Fig. 4 veranschaulicht. Jedoch können zu Zwecken des Erhalten von geeigneten verzerrten digitalen Signalen, die in einem, nachfolgend beschriebenen, neuronalen Netzwerk- Lernvorgang zu verwenden sind, CDS verwendet werden, bei denen die aufgezeichneten Daten einen Wert von Tmin besitzen, der kleiner als 3 T ist.
Im Diagramm (B) gemäß Fig. 3 bezeichnen t1, t2, t3 und t4 jeweilige Zeitpunkte, die durch das vorstehend erwähnte Kanaltaktsignal definiert sind. Wenn zuerst die Wellenform gemäß Diagramm (A) betrachtet wird, geht dem Datenumkehrpunkt X bei den Vorlagedaten, die zu einem Zeitpunkt t2 auftreten, eine 1 Tmin Periode im digitalen 0 Zustand vorher und er wird gefolgt von 3 Tmin Perioden im digitalen 1 Zustand. Umgekehrt gehen dem Datenumkehrpunkt Y 3 Tmin Perioden im digitalen 1 Zustand vorher und er wird gefolgt von 1 Tmin Periode im digitalen 0 Zustand.
Eine Wiedergabe einer optischen Platte basiert auf Energie und ein derartiger Wiedergabevorgang enthält keine Elemente, die von wechselseitig entgegengesetzten Arten sind, wie beispielsweise die N- und S-Polaritäten eines magnetischen Aufzeichnungs- und Wiedergabesystems. Aus diesem Grund werden, wenn ein Mangel von Schärfe aufgrund eines sphärischen Abbildungsfehlers in dem optischen System auftritt, dann, wie im Diagramm (B) gemäß Fig. 3 gezeigt, die Enden des Langcodeteils (3 Tmin von Daten) verlängert, so daß der Teil der Wellenform zum Zeitpunkt t2 zum Zeitpunkt t1 verschoben wird und der Teil der Wellenform zum Zeitpunkt t3 zum Zeitpunkt t4 verschoben wird. Zusätzlich kann die Verzerrung, die aus einem Komaabbildungsfehler resultiert, auch schwerwiegendere Wirkungen hervorrufen. Diagramm (C) gemäß Fig. 3 zeigt einen Fall, in dem ein Komaabbildungsfehler erzeugt wird, der in der zur Richtung der Plattendrehung entgegengesetzten Richtung ausgerichtet ist, während Diagramm (D) einen Fall zeigt, in dem ein Komaabbildungsfehler erzeugt wird, der entlang der Richtung der Plat tendrehung ausgerichtet ist. Es kann erkannt werden, daß das Ausmaß und die Form der Wellenformverzerrung des Wiedergabesi gnals sich entsprechend diesen zwei Arten von Komaabbildungsfehlern unterscheiden.
Wenn Daten von einem optischen Aufzeichnungs- und Wiedergabesystem, z.B. von einer optischen Platte (im folgenden einfach als eine CD bezeichnet) gelesen werden, wird es im allgemeinen hohe Pegel dieser verschiedenen Arten von Abbildungsfehlern in der Linse und dem optischen System geben und es ist nicht möglich, die jeweiligen Ausmaße der Verzerrung, die von 4en zahlreichen Arten von Abbildungsfehlern resultieren, quantitativ zu bestimmen. Somit war es im Stand der Technik beinahe unmöglich, eine wirkungsvolle Wellenformentzerrung zu erreichen. Beispielsweise würden bei der herkömmlichen Wellenformentzerrungseinrichtung, die in Fig. 1 gezeigt ist, jeweils verschiedene Koeffizientenwerte, d.h. verschiedene Werte von Verstärkungsfaktoren der Verstärkereinrichtungen 131a bis 131e, abhängig von dem Grad der zwischensymbolischen Interferenz (d.h. dem Grad der Codeverzerrung) und den Gründen der Verzerrung erforderlich sein. Somit können die Koeffizientenwerte nicht unbedingt definiert werden, so daß es nicht möglich ist, zufriedenstellende Ergebnisse mit derartigen herkömmlichen Arten von Wellenformentzerrungseinrichtungen, die lineare Eingangs/Ausgangskennlinien besitzen, zu erreichen.
Im Fall der Signalverzerrungsbedingungen, die in einem magnetischen Aufzeichnungs- und Wiedergabesystem auftreten, wie in den Diagrammen (D) und (E) gemäß Fig. 2 veranschaulicht, würde es für ein Individuum, das bei den Kennlinien eines magnetischen Aufzeichnungs- und Wiedergabesystems und dem Wechselschrift- bzw. NRZ-Code sehr erfahren ist, möglich, korrekte Beurteilungen bezüglich des Wiedergabesignals auszuführen, indem ein derartiges statisches Wellenformdiagramm untersucht wird. Das heißt, die Polaritätsumkehr tritt immer nur in Paaren auf, so daß jede Positiv-werdende Umkehrung des Wiedergabesignals immer von einer Negativ-werdenden Umkehrung gefolgt werden sollte, d.h. es sollte eine Abfolge von Positivnegativ, Positiv-negativ Umkehrungen geben. Daher kann unter Berücksichtigung der Zeitpunkte t2 und t3 beurteilt werden, daß Umkehrungen in dem Teil der Wellenform des Diagramms (D) gemäß Fig. 2 innerhalb eines kurzen Zeitintervalls auftreten und, da die Periode als ein Ergebnis einer Bitverschiebung in diesem Teil verlängert wurde, könnten Umkehrpunkte korrekt als an den Zeitpunkten t2, t3, eher als an den Zeitpunkten t1, t4 liegend beurteilt werden (diese fehlerhafte Beurteilung könnte auf der Grundlage der Differentiationsergebnisse, die im Dia gramm (E) gezeigt sind, erfahren). Ahnlich würde durch ein erfahrenes Individuum, da die Wiedergabesignalwellenform an jedem der Zeitpunkte t5, t6 und t7 positiv ist, d.h&sub9; Positivnegativ Umkehrpaare treten nicht auf, beurteilt werden, daß t6 ein Datenumkehrpunkt ist.
Weiterhin würde es in dem Fall der Signalverzerrungsbedingungen in einem optischen Aufzeichnungs- und Wiedergabesystem, die in den Diagrammen (B) bis (D) gemäß Fig. 3 veranschaulicht sind, für ein erfahrenes Individuum, das mit den Kennlinien eines derartigen optischen Aufzeichnungs- und Wiedergabesystems sehr erfahren ist, möglich sein, korrekte Beurteilungen der Wiedergabesignalwellenform auszuführen. Insbesondere würde es von der Steigung des 3 Tmin Datenteils, der sich zwischen t2 und t4 erstreckt, für ein derartiges Individuum möglich sein, die Richtung und das Ausmaß des Komaabbildungsfehlers zu schätzen und auf der Grundlage dieser Kenntnis die Übergangspunkte (t2, t3) des Wiedergabesignals korrekt zu beurteilen.
Jedoch ist es nicht ausführbar, eine Echtzeit-Beseitigung einer Signalverzerrung, die in einem digitalen Signalaufzeichnungs- und Wiedergabesystem oder Sendesystem auftritt, durch ein Verfahren, das menschliche Erfahrung und Analyse verwendet, wie vorstehend beschrieben, auszuführen. Herkömmliche Arten von Wellenformentzerrungseinrichtungen können keine zufriedenstellende Leistung ausbilden und zusätzlich ist der Entwurf einer derartigen Wellenformentzerrungseinrichtung (beispielsweise zur Bestimmung der Verstärkungsfaktoren gemäß den Kennlinien eines besonderen Aufzeichnungs- und Wiedergabesystems) komplex.
Kürzlich wurde eine Signalverarbeitung durch neuronale Netzwerke in zahlreichen Arten von Anwendungen vorgeschlagen. Ein neuronales Netzwerk besteht aus einer Vielzahl von Neuroneneinheiten, von denen jede eine nicht-lineare Eingangs/Ausgangskennlinie besitzt und die durch Verbindungselemente mit jeweils wechselseitig unabhängigen Gewichtskoeffizienten miteinander verbunden sind. Die Gewichtskoeffizienten können durch einen Lernvorgang verändert werden, der einen Vergleich eines von dem neuronalen Netzwerk erzeugten Ausgangswerts (während eine besondere Kombination von Eingangswerten in das neuronale Netzwerk eingegeben wird) mit einem gewünschten Wert (als ein Lehrwert bezeichnet) und eine Modifikation der Werte der Gewichtskoeffizienten, wie beispielsweise um den Ausgangswert vom neuronalen Netzwerk näher zum Lehrwert zu bringen, wobei ein Lernalgorithmus bzw. -rechenverfahren verwendet wird, enthält. Der Lernvorgang wird aufeinanderfolgend für eine Anzahl von verschiedenen Lehrwerten und entsprechend Eingangswertkombinationen wiederholt. Die Funktion eines neuronalen Netzwerks wird im allgemeinen durch Simulation unter Verwendung eines Computers ausgeführt. Als ein Ergebnis war es nicht möglich, eine ausreichend hohe Leistung mit einem neuronalen Netzwerk (aufgrund der beschränkten Verarbeitungsgeschwindigkeitsmöglichkeiten der gewöhnlichen Arten von Computern) zu erreichen, um eine Echtzeitsignalverarbeitung für eine Art von Anwendung einer Wellenformentzerrungseinrichtung auszuführen. Darüberhinaus ist es schwierig, Neuroneneinheiten als praktische Hardwarschaltungseinrichtungen zu verwirklichen, die nicht-lineare Eingangs/Ausgangskennlinien besitzen.
Aufgrund der vorstehenden Faktoren wurde es nicht als praktikabel betrachtet, ein neuronales Netzwerk zu verwenden, um die Kennlinien eines magnetischen Aufzeichnungs- und Wiedergabesystems oder eines optischen Aufzeichnungs- und Wiedergabesy stems zu lernen und dadurch eine Echtzeitentzerrung eines verzerrten digitalen Signals auszuführen, das von einem Sendeoder Wiedergabesystem erzeugt wird.
ICASSP, 1989, Seiten 1183-1186 "Multilayer Perceptron Structures Applied to Adaptive Equalisers For Data Communications" beschreibt die Verwendung eines neuronalen Netzwerks mit Verzögerungen gleich der Abtastperiode zur Entzerrung eines digitalen Signals.
Es ist eine Aufgabe der vorliegenden Erfindung, die Nachteile des Standes der Technik, wie vorstehend dargelegt, zu überwinden, indem eine Wellenformentzerrungseinrichtung mit einem einfachen Schaltungseinrichtungsaufbau ausgebildet wird, die einfach entworfen werden kann, um mit den besonderen Kennlinien des bestimmten Aufzeichnungs- und Wiedergabesystems oder Sende/Empfangssystem übereinzustimmen, und das eine größere Genauigkeit einer Wellenformentzerrung als im Stand der Technik möglich ausbildet.
Erfindungsgemäß wird eine Wellenformentzerrungseinrichtung zur Verarbeitung eines verzerrten digitalen Eingangssignals ausgebildet mit:
einer ersten Verzögerungseinrichtung, die zum Empfang des verzerrten digitalen Eingangssignals verknüpft ist, um das ver zerrte digitale Signal durch aufeinanderfolgende feste Verzögerungsbeträge zum Erhalten einer Vielzahl von verzögerten verzerrten digitalen Signalen zu verzögern,
einer Vielzahl von Neuroneneinheiten und einer Vielzahl von Verbindungselementen mit jeweils festen Gewichtskoeffizienten, wobei die Verbindungselemente die Neuroneneinheiten zur Ausbildung einer neuronalen Netzwerkes miteinander verbunden sind, das zum Empfang des verzerrten digitalen Eingangssignals und verzögerter verzerrter digitaler Signale als Eingangssignale verknüpft ist, und das ein Wellenform-entzerrtes digitales Ausgangssignal auf die Eingangssignale hin erzeugt, und einer Lehreinrichtung zur Einrichtung jeweiliger Werte für die festen Gewichtskoeffizienten mit einer zweiten Verzögerungseinrichtung zur Bereitstellung identischer Verzögerungsbeträge gegenüber der ersten Verzögerungseinrichtung und einem zweiten neuronalen Netzwerk, das variable Gewichtskoeffizienten aufweist und eine dem neuronalen Netzwerk mit festen Gewichtskoeffizienten entsprechende Netzwerkkonfiguration aufweist, wobei die Lehreinrichtung eine Einrichtung enthält, um dem zweiten neuronalen Netzwerk über die zweite Verzögerungseinrichtung ein ein verzerrtes digitales Signal darstellendes Lerneingangssignal zuzuführen, während ein von dem zweiten neuronalen Netzwerk erhaltenes Ausgangssignal mit einem Lehreingangssignal verglichen wird, das ein dem Lerneingangssignal entsprechendes nicht verzerrtes digitales Signal ist, und um einen vorbestimmten Lernalgorithmus zur Anderung der variablen Gewichtskoeffizienten entsprechend Differenzen zwischen dem Lehrsignal und dem Ausgangssignal des neuronalen Netzwerks anzuwenden,
dadurch gekennzeichnet, daß der durch die erste Verzögerungs einrichtung bereitgestellte feste Betrag der Verzögerung kleiner als eine Datenperiode des verzerrten digitalen Signals ist, und daß das Lehrsignal einer Folge von Kehrwerten mit einer Periode aufweist, die gleich dem festen Betrag der Verzögerung ist, und daß die Lehrwerte digitalen "1"- und "0"- Pegelwerte und zumindest einen Wert enthalten, der zwischen den digitalen "1"- und "0"-Werten liegt.
Mit der Erfindung kann die Lemfunktion und die gegenwärtige Signalverarbeitungsfunktion optimal wechselseitig getrennt ausgeführt werden, wodurch eine Ausbildung einer Wellenformentzerrungseinrichtung ermöglicht wird, die eine wirkungsvolle Echtzeitentzerrung eines von einem Wiedergabesystem oder Sendesystem erzeugten verzerrten digitalen Signals durchführt.
Die schließlich erhaltene Wellenformentzerrungseinrichtung (gebildet als ein neuronales Netzwerk mit festen Gewichtskoeffizienten) kann durch einen Hardwareschaltungseinrichtungsaufbau ausgeführt werden, der auf im allgemeinen verfügbaren Arten von analogen Komponenten, wie beispielsweise Operationsverstärkern, Dioden und Widerständen basiert.
Während der gegenwärtigen Wellensignalentzerrungssignalverarbeitung ist die Lernfunktion natürlich unnötig, so daß der Wellenformentzerrungseinrichtungsaufbau einfach sein kann und eine Hochgeschwindigkeitsverarbeitung erreicht werden kann.
Das neuronale Netzwerk einer derartigen Wellenformentzerrungseinrichtung wird bevorzugterweise aus einer Vielzahl von Schichten ein Neuroneneinheiten gebildet, wobei eine Ausgangsschicht der Schichten eine Vielzahl von gewichteten Eingangssignalen von einer vorhergehenden der Schichten empfängt, und wobei die gewichteten Eingangssignale Signale wechselseitig entgegengesetzter Polarität enthalten können.
Jede Neuroneneinheit der Wellenformentzerrungseinrichtung ist als Signalumwandlungseinheit aufgebaut bzw. gestaltet, die eine nicht-lineare Umwandlung einer Summe von daran angelegten gewichteten Eingangssignalen ausführt, wobei jede Umwandlungseinheit zumindest eine Halbleitereinrichtung, wie beispielsweise ein Paar von mit entgegengesetzten Richtungen der Polarität verbundenen Dioden zur Bereitstellung einer nichtlinearen Eingangs/Ausgangskennlinie enthält. Jede der Neuroneneinheiten der Wellenformentzerrungseinrichtung kann dadurch aufgebaut sein, daß sie eine nicht-lineare Eingangs/Ausgangskennlinie besitzen, die aus einer Vielzahl von jeweils verschiedenen Bereichen gebildet ist.
Weiterhin umfaßt jede Neuroneneinheit einer derartigen Wellenformentzerrungseinrichtung ein Paar von in Reihe geschalteten Signalinvertierungselementen, wobei von einer Vielzahl von jeder Neuroneneinheit zugeführten gewichteten Eingangssignalen jedes gewichtete Eingangssignal wahlweise einem ersten oder einem zweiten der Invertierungselemente dementsprechend zugeführt wird, ob jedes Eingangssignal mit einem effektiv positiven oder einem effektiv negativen Wert eines Gewichtskoeffizienten zu beaufschlagen ist.
Erfindungsgemäß ist auch ein Verfahren zum Entwurf einer Wellenformentzerrungseinrichtung zur Wellenformentzerrung eines von einem digitalen Signalaufzeichnungs- und Wiedergabegerät erzeugten verzerrten digitalen Signals ausgebildet, wobei die Wellenformentzerrungseinrichtung als neuronales Netzwerk mit einer Vielzahl von Neuroneneinheiten ausgebildet ist, die durch jeweilige feste Gewichtskoeffizienten bereitstellende Verbindungselemente miteinander verbunden ist, wobei jeweilige Werte für die festen Gewichtskoeffizienten wechselseitig unabhängig eingerichtet werden durch die Schritte
Erzeugen eines Satzes von Vorlagendaten und Speichern der Vorlagendaten in einer ersten Speichereinrichtung,
Aufzeichnen der Vorlagendaten als digitale Datenwerte auf einem Aufzeichnungsträger und nachfolgende Ausführen einer Wiedergabe der aufgezeichneten Vorlagendaten, um ein digitales Wiedergabesignal zu erhalten,
periodisches Abtasten des digitalen Wiedergabesignals mit einer Abtastperiode, die kleiner oder gleich einer Datenperiode der digitalen Datenwerte ist, um aufeinanderfolgende digitale Abtastwerte zu erhalten, die als Lerneingangswerte zu verwenden sind, und Speichern der Lerneingangswerte in einer zweiten Speichereinrichtung,
Erzeugen eines simulierten neuronalen Netzwerks mit variablen Gewichtskoeffizienten unter Verwendung eines Computers, wobei das simulierte neuronale Netzwerk eine Ersatzschaltung des neuronalen Netzwerks der Wellenformentzerrungseinrichtung ist, Zuführen aufeinanderfolgender Lerneingangswerte von der zweiten Speichereinrichtung zu dem Computer, um sie aufeinanderfolgend in das simulierte neuronale Netzwerk einzugeben, Zuführen aufeinanderfolgender Datenwerte der Vorlagendaten, die jeweils den Lerneingangswerten entsprechen, von der ersten Speichereinrichtung zu dem Computer, um sie zur Herleitung von Lehrsignalwerten zum Vergleich mit von dem simulierten neuronalen Netzwerk erzeugten jeweiligen Ausgangswerten zu verwenden, wobei die Lehrsignalwerte digitale "1"- und "0"-Pegel und zumindest einen Pegel enthalten, der zwischen den digitalen "1"- und "0"-Pegeln liegt,
wiederholtes Ausführen eines Lernalgorithmus unter Verwendung von aus dem Vergleich erhaltenen Ergebnissen, um die variablen Gewichtskoeffizienten des simulierten neuronalen Netzwerks aufeinanderfolgend zu verändern, bis ein vorbestimmter Grad an Konvergenz für Werte der variablen Gewichtskoeffizienten erhalten wird, und
Einrichten jeweiliger Werte für die festen Gewichtskoeffizienten des neuronalen Netzwerks der Wellenformentzerrungseinrichtung auf der Grundlage von Endwerten, die für entsprechende variable Gewichtskoeffizienten des simulierten neuronalen Netzwerks erhalten werden.
Mit einem derartigen Verfahren zum Entwurf einer Wellenformentzerrungseinrichtung kann das Abtasten unter Verwendung einer von einer phasen-starren Schleife erzeugten Abtasttaktsignals ausgeführt werden, wobeidie phasen-starre Schleife verbunden ist, um das digitale Wiedergabesignal zu empfangen, und funktioniert, um ein Taktsignal auf dem digitalen Wiedergabesignal zu extrahieren und das Abtasttaktsignal auf der Grundlage des extrahierten Taktsignals zu erzeugen.
Die Erfindung bildet auch ein Verfahren für eine Herstellung einer wie vorstehend beschrieben entworfenen Wellenformentzerrungseinrichtung.
Es zeigen:
Fig. 1 ein Schaltbild für ein Beispiel einer herkömmlichen Wellenformentzerrungsschaltung für ein digitales Signal,
Fig. 2 ein Wellenformdiagramm zur Beschreibung einer Verzerrung von Signalen in einem magnetischen Aufzeichnungs- und Wiedergabesystem für digitale Signale,
Fig. 3 ein Wellenformdiagramm zur Beschreibung einer Verzerrung von Signalen in einem optischen Aufzeichnungs- und Wiedergabesystem für digitale Signale,
Fig. 4 ein Zeitablaufdiagramm zur Veranschaulichung einer minimalen Bitabstands von auf einer CD aufgezeichneten Daten,
Fig. 5 ein simuliertes neuronales Netzwerk, das bei einem Lernvorgang zum Entwurf eines Ausführungsbeispiels einer erfindungsgemäßen Wellenformentzerrungseinrichtung verwendet wird,
Fig. 6 die Funktion von Neuroneneinheiten in dem neuronalen Netzwerk,
Fig. 7 einen alternativen Aufbau für das neuronale Netzwerk gemäß Fig. 5, in dem feste Gleichspannungs(DC)-vorgespannte gewichtete Eingangssignale den Neuroneneinheiten zugeführt werden,
Fig. 8 ein Schaltbild des Ausführungsbeispiel einer erfindungsgemäßen Wellenformentzerrungseinrichtung,
Fig. 9 die Eingangs/Ausgangskennlinien von zur Ausbildung von nicht-linearen Eingangs/Ausgangskennlinien in der Schaltung gemäß Fig. 8 verwendeten Diodenpaaren,
Fig. 10 ein Zeitablaufdiagramm zur Veranschaulichung der Beziehungen zwischen einem für Lernzwecke des neuronalen Netzwerks verwendeten Vorlagendatensignal, jeweiligen Lehrwerten, die von dem Vorlagendatensignal abgeleitet sind, und einem verzerrten Signal, das sich aus der Aufzeichnung und Wiedergabe des Vorlagendatensignals ergibt,
Fig. 11 ein Zeitablaufdiagramm zur Veranschaulichung von Zeitachsenabweichungen von Lerneingangswerten innerhalb eines bei einem Lernvorgang in einem neuronalen Netzwerk verwendeten digitalen Wiedergabesignal im Hinblick auf entsprechende Lehrwerte eines Vorlagendatensignals, das aufgezeichnet wurde,
Fig. 12 ein Zeitablaufdiagramm zur Veranschaulichung der Aufzeichnung von Vorlagendaten als Textdaten auf einer Diskette und einer nachfolgenden Abweichung von Lehrwerten von den Textdaten,
Figen. 13 und 14 allgemeine Blockschaltbilder zur Veranschaulichung eines Verfahrens zum Ableiten von Lerneingangswerten und Lehrwerten zur Verwendung bei einem Lernvorgang zur Verwirklichung von Gewichtskoeffizienten für ein neuronales Netzwerk einer erfindungsgemäßen Wellenformentzerrungseinrichtung,
Fig. 15 ein Blockschaltbild zur Veranschaulichung, wie Lerneingangswerte und Lehrwerte zur Ausführung des Lernvorgangs in einen Computer gegeben werden,
Fig. 16 ein Diagramm zur Veranschaulichung der Grundprinzipien des Lernvorgangs der neuronalen Netzwerks,
Fig. 17 ein Diagramm zur Veranschaulichung, wie eine erfindungsgemäße Wellenformentzerrungseinrichtung verwendet wird, nachdem feste Gewichtskoeffizienten durch den Lernvorgang des neuronalen Netzwerks verwirklicht wurden,
Fig. 16 ein Zeitablaufdiagramm zur Veranschaulichung einer festen Zeitabweichung, die zwischen Zeitpunkten, an denen ein Wiedergabesignal mittels eines von einer in Fig. 14 gezeigten phasen-starren Schleife abgeleiteten Taktsignals abgetastet wird, existieren kann und die korrekten Zeitpunkte,
Fig. 19 eine Ableitung von jeweiligen Lerneingangswerten durch Interpolation von Abtastwerten zur Verringerung der Wirkung der in Fig. 18 gezeigten Zeitabweichung,
Fig. 20 ein Zeitablaufdiagramm zur Veranschaulichung, wie auf einer CD aufgezeichnete, bei dem Lernvorgang des neuronalen Netzwerks zu verwendende Daten einen Markierungsteil zur genauen Identifikation des Startpunkts von Lerndaten innerhalb der aufgezeichneten Daten enthalten,
Fig. 21 ein Blockschaltbild zur Veranschaulichung der Extraktion einer Taktsignals durch eine phasen-starre Schleife von von einer CD erhaltenen 4-Kanal Wiedergabesignalausgaben bzw. -ausgangssignalen,
Fig. 22 ein Flußdiagramm, das ein Beispiel für eine Grundfolge von Vorgängen des Lernvorgangs des neuronalen Netzwerks zeigt,
Fig. 23 ein Zeitablaufdiagramm zur Veranschaulichung von Abtastvorgängen in einem zweiten Verfahren zur Ableitung von Lehrwerten und Lerneingangswerten für den Lernvorgang des neuronalen Netzwerks,
Fig. 24 Beispiele für von einer erfindungsgemäßen Wellenformentzerrungseinrichtung, von einer herkömmlichen Art von Wellenformentzerrungseinrichtung erhaltenen Ausgangssignalwellenformen und verzerrten digitalen Signalwellenformen, die nicht entzerrt wurden, und
Fig. 25 durch eine Zeitabstandanalyseeinrichtung für den Fall einer erfindungsgemäßen Wellenformentzerrungseinrichtung, ein herkömmlichen Beispiels für eine Wellenformentzerrungseinrichtung bzw. keiner Entzerrung erhaltener Ergebnisse.

Beschreibung bevorzugter Ausführungsbeispiele

Ein Ausführungsbeispiel einer erfindungsgemäßen, aus einem neuronalen Netzwerk gebildeten Wellenformentzerrungseinrichtung und einer Herstellung einer derartigen Wellenformentzerrungseinrichtung wird im folgenden unter Bezugnahme auf die Zeichnung beschrieben.
Fig. 5 zeigt ein neuronales Netzwerk, das eine Äquivalenzschaltung eines Ausführungsbeispiels einer erfindungsgemäßen Wellenformentzerrungseinrichtung ist und durch Simulation un ter Verwendung eines Computers zum Entwurf einer derartigen Wellenformentzerrungseinrichtung verwendet wird. Dies ist ein neuronales Mehrschicht-Netzwerk, das aus aufeinanderfolgenden Schichten von Neuroneneinheiten gebildet ist, mit Zwischenverbindungen durch Verbindungselemente, die zwischen den Neuroneneinheiten einer Schicht und Neuroneneinheiten von vorhergehenden und nachfolgenden Schichten verbunden sind. Die Neuroneneinheiten werden im allgemeinen als Un,i bezeichnet, wobei "n" und "i" jeweils die Position der Schicht, die die Neuroneneinheit enthält, und die Position der Neuroneneinheit innerhaib der Schicht bezeichnen, d.h. mit Un,i das die i-te Neuroneneinheit der n-ten Schicht bezeichnet, während Un-1,j die j-te Neuroneneinheit der (n-1)-ten Schicht bezeichnet. In Fig. wird ein Eingangssignal einem Reihen-verbundenen Satz von vier Verzögerungsleitungen DL1, DL2, DL3, DL4 zugeführt, so daß ein Satz von fünf Ausgangssignalen erhalten wird. Diese fünf Ausgangssignale entsprechen fünf Ausgangssignalen, die aufeinanderfolgend entlang der Zeitachse ausgegeben werden. Jedoch kann in dem simulierten neuronalen Netzwerk jede dieser Verzögerungsleitungen DL als ein Datenverzeichnis betrachtet werden, durch das Eingangsdatenwerte (im folgenden beschrieben und als Lerneingangswerte bezeichnet) aufeinanderfolgend verschoben werden. Diese fünf Ausgangssignale werden jeweils in einen Satz von als U'1,1 bis U'1,4 bezeichnete Einheiten eingegeben, die eine Eingangsschicht des neuronalen Netzwerks bilden. In diesem Ausführungsbeispiel stellt jede dieser Einheiten der Eingangsschichten eine lineare Verstärkereinrichtung dar, die in dem gegenwärtigen neuronalen Hardware-Netzwerk als eine Eingangspufferverstärkereinrichtung dient. Die Ausgangssignale von der Eingangsschicht werden mit jeweiligen eines Satzes von Neuroneneinheiten U2,1, U2,2, U2,3, die eine Zwischenschicht des neuronalen Netzwerks bilden, gekoppelt, wobei die Ausgangssignale von der Eingangsschicht über die vorstehend erwähnten Verbindungselemente, die die Ausgangssignale mit jeweiligen Gewichtskoeffizienten multiplizieren, gekoppelt sind, wobei diese Gewichtskoeffizienten im allgemeinen als W bezeichnet werden. Jede der Neuroneneinheiten besitzt eine bestimmte nicht-lineare Eingangs/Ausgangskennlinie. Im allgemeinen wird jeder Gewichtskoeffizient als Wn,i,j bezeichnet, was anzeigt, daß der Gewichtskoeffizient an das Ausgangssignal von der jten Neuroneneinheit der (n-1)-ten Schicht angelegt wird, das der i-ten Neuroneneinheit der n-ten Schicht zugeführt wird. Während eines nachstehend beschriebenen Lernvorgangs eines neuronalen Netzwerks sind diese Gewichtskoeffizienten W veränderlich und werden wechselseitig unabhängig bestimmt, jedoch sind in dem neuronalen Netzwerk der gegenwärtigen Wellenformentzerrungseinrichtung (d.h. dem Hardwareaufbau) die Werte der Gewichtskoeffizienten W (durch jeweilige Widerstandswerte) fest bzw. fixiert. Die Werte dieser Gewichtskoeffizienten W, die die Eingangsschicht mit der Zwischenschicht verbinden, können als die jeweiligen Kopplungsstärken zwischen Neuroneneinheiten der Zwischenschicht und der Neuroneneinheiten der Eingangsschicht darstellend betrachtet werden.
Auf eine ähnlich Weise werden von den Neuroneneinheiten der Zwischenschicht jeweils erzeugte Ausgangssignale durch Verbindungselemente mit jeweiligen in eine Neuroneneinheit der Ausgangsschicht des neuronalen Netzwerks einzugebenden Gewichtskoeffizienten W übertragen. In diesem Ausführungsbeispiel besteht die Ausgangsschicht des neuronalen Netzwerks nur aus einer einzelnen Neuroneneinheit, d.h. es wird ein einzelner Ausgangswert von der letzten Neuroneneinheit des neuronalen Netzwerks ansprechend auf eine bestimmte Kombination von von der Eingangsschicht des neuronalen Netzwerks zugeführten Eingangssignalwerten erzeugt. Diese letzte Neuroneneinheit wird als U3,1 bezeichnet.
Wie vorstehend beschrieben, ist jede der Einheiten der Eingangsschicht in diesem Ausführungsbeispiel eine lineare Verstärkereinrichtung. Jedoch besitzt jede der Neuroneneinheiten der Eingangsschicht und der Ausgangsschicht eine vorbestimmte nicht-lineare Eingangs/Ausgangskennlinie, wodurch sich der daraus erzeugte Pegel des Ausgangssignals entsprechend der Summe der daran angelegten gewichteten Eingangssignalwerte verändert, und wodurch jeweilige Gewichtskoeffizienten als positiv oder negativ ausgewählt werden. Dies wird in Fig. 6 veranschaulicht, die eine erläuternde Darstellung zur Veranschaulichung der Eingangsverbindungen und der Funktion einer Neuroneneinheit Un,i ist. Eine derartige Neuroneneinheit kann als aus einem Eingangsabschnitt 50 und einem Ausgangsabschnitt 51 bestehend betrachtet werden. Der Eingangsabschnitt 50 summiert ihm zugeführte gewichtete Eingangssignalwerte auf, wobei jeder dieser Eingangssignalwerte mit einem entsprechenden Gewichtskoeffizienten multipliziert wurde, der als Wn,i,j bezeichnet ist. Das sich ergebende summierte Ausgangssignal, das vom Ein gangsabschnitt 50 der Neuroneneinheit erzeugt wird, wird als Xn,1 bezeichnet und dem Ausgangsabschnitt 51 der Neuroneneinheit zugeführt. Der Ausgangsabschnitt führt eine Verarbeitung entsprechend der nicht-linearen Funktion Y = F(x) aus, um das Ausgangssignal Yn,i zu erhalten, das einer oder mehreren Neuroneneinheiten der nachfolgenden Schicht zugeführt wird, nachdem es mit jeweiligen Gewichtskoeffizienten multipliziert wurde.
Die Grundprinzipien des Lernvorgangs (d.h. während der Computersimulationsstufe des Entwurfs des neuronalen Netzwerks) können wie folgt zusammengefaßt werden. Eine Abfolge von Eingangssignalwerten und eine entsprechende Abfolge von gewünschten Ausgangswerten von dem neuronalen Netzwerk (die letzteren werden als Lehrwerte bezeichnet) werden vorher, wie nachste hend beschrieben, abgeleitet und in einer Speichereinrichtung gespeichert. Während des Lernvorgangs werden diese Eingangswerte und Lehrwerte aufeinanderfolgend aus der Speichereinrichtung ausgelesen, wobei die Eingangswerte der Kette von "Verzögerungsleitungen" DL1 bis DL4 zugeführt werden. Während jedes Intervalls wird, nachdem ein Eingangswert so zugeführt wurde und vor der Zufuhr des nächsten Eingangswerts zu der Verzögerungsleitungskette, wird eine bestimmte Kombination von Ausgangswerten parallel in das neuronalen Netzwerk eingegeben werden (d.h. in diesem Ausführungsbeispiel ein Satz von fünf Werten) und diese simulieren einen Satz von Eingangswerten, die in festen Intervallen entlang der Zeitachse verteilt sind. Zu diesem Zeitpunkt wird ein entsprechender Lehrwert aus der Speichereinrichtung ausgelesen, um mit dem vom neuronalen Netzwerk (d.h. in diesem Ausführungsbeispiel von der letzten Neuroneneinheit U3,1) erzeugten Ausgangswert verglichen zu werden. Der Unterschied zwischen dem Lehrwert und dem Ausgangswert vorn neuronalen Netzwerk wird dann in einem Lernalgorithmus angelegt, um die jeweiligen Werte der Gewichtskoeffizienten W des neuronalen Netzwerks auf eine Weise zu modifizieren, daß das Ausmaß des Unterschieds verringert wird. In diesem Ausführungsbeispiel wird der Lernvorgang unter Verwendung eines Lernalgorithmus vom Rückausbreitungstyp ausgeführt, wodurch eine Gewichtskoeffizienten-Aktualisierungs-Verarbeitung von der Ausgangsschicht zur Eingangsschicht fortschreitet, d.h. in der umgekehrten Richtung zur normalen Vorwärtsverarbeitungsrichtung. Derartige Typen von Lernalgorithmen sind im Stand der Technik wohlbekannt, so daß eine ausführliche Beschreibung weggelassen wird.
Wie vorstehend erwähnt, würden in dem Computer-simulierten neuronalen Netzwerk gemäß Fig. 5 die mit DL1 bis DL4 bezeichneten Einrichtungen nicht tatsächlich Verzögerungsleitungen sein, sondern könnten beispielsweise ein Satz von vier Datenregistereinrichtungen sein. Während eines Lernvorgangs werden jedes Mal, wenn ein neuer Eingangssignalwert zugeführt wird (wobei auch ein entsprechender Lehrwert zugeführt wird, um mit dem neuen Ausgangswert verglichen zu werden, der vom neuronalen Netzwerk erzeugt werden wird), die Inhalte von DL3 in DL4, die Inhalte von DL2 in DL3, die Inhalte von DL1 in DL2 ver schoben und der gegenwärtige Eingangssignalwert wird in DL1 eingestellt. Somit wird eine neue Kombination von fünf Eingangssignalwerten der Eingangsschicht des neuronalen Netzwerks zugeführt und der sich ergebende Ausgangssignalwert vom neuronalen Netzwerk wird mit dem neuen Lehrwert verglichen.
Fig. 8 ist ein. Grundschaltbild dieses Wellenformentzerrungs einrichtungs-Ausführungsbeispiels. Während alle in Fig. 5 gezeigten Komponenten durch Computerverarbeitung während des Lernvorgangs simuliert werden, d.h. durch Software ausgeführt werden, sind die Komponenten der in Fig. 8 gezeigten Schaltung allgemein verfügbare analoge Hardware-Schaltungselemente, wie beispielsweise Operationsverstärkereinrichtungen, Widerstände usw.. Die in Fig. 8 gezeigte Schaltung ist äquivalent dem neuronalen Netzwerk gemäß Fig. 5, jedoch mit festen Werten für die Gewichtskoeffizienten W, wobei diese festen Wert durch jeweilige Werte von Widerständen R1 bis R53 bestimmt sind. Diese festen Gewichtskoeffizientenwerte werden vorher durch einen Lernvorgang des neuronalen Netzwerks unter Verwendung des Computer-simulierten neuronalen Netzwerks gemäß Fig. 5 bestimmt, wie nachstehend genau beschrieben.
Gemäß Fig. 8 wird ein Eingangssignal (d.h. ein verzerrtes digitales Signal, das von einer Aufzeichnungs- und Wiedergabevorrichtung nach einer Aufzeichnung und Wiedergabe erzeugt wurde oder einem Übertragungsssystem für digitale Signale nach dem Empfang ausgegeben wurde) an eine Kette von vier in Reihe verbundenen Verzögerungsleitungen 14, 15, 16 und 17 angelegt, die jeweils den vier simulierten "Verzögerungsleitungen" D11 bis DL4 der neuronalen Netzwerk-Schaltung gemäß Fig. 5 entsprechen. Das Ausgangssignal und die jeweiligen Ausgangssignale von den Verzögerungsleitungen 14 bis 17 werden von jeweiligen aus einem Satz von linearen Verstärkereinrichtungen 5, 6, 7, 8 und 9 verstärkt, die jeweils den Verstärkereinrichtungen U'1,1 bis U'1,5 der Eingangsschicht der Aquivalenzschaltung des neuronalen Netzwerks gemäß Fig. 5 entsprechen. Die von den Verstärkereinrichtungen 5 bis 9 erzeugten Ausgangssignale werden über den Satz von Widerständen R11, R21, R31, R41, R51, R12, R22, R32, R42, R52, R13, R23, R33, R43 und R53 mit Schaltungseinrichtungen verbunden, die als die Neuroneneinheiten der Zwischenschicht funktionieren. Diese Schaltungseinrichtungen sind Signalumwandlungseinrichtungen, von denen jede eine nicht-lineare Umwandlung eines daran angelegten Eingangssignals ausführt. Die Umwandlungseinrichtungen der Zwischenschicht entsprechen jeweils den Neuroneneinheiten U2,1 bis U2,3 des neuronalen Netzwerks gemäß Fig. 5. In diesem Ausführungsbeispiel wird jede Umwandlungseinrichtung der Zwischenschicht aus einem Paar von in Reihe verbundenen Operationsverstärkereinrichtungen mit einem am Ausgang der zweiten Operationsverstärkereinrichtung verbundenen Diodenpaar gebildet, um eine nicht-lineare Eingangs/Ausgangskennlinie auszubilden. Von den an eine derartige Neuroneneinheit angelegten gewichteten Eingangssignalen werden einige der Eingangssignale in den invertierenden Eingangsanschluß der ersten Operationsverstärkereinrichtung des in Reihe verbundenen Paars (d.h. im Fall der Neuroneneinheit U2,1 in die Operationsverstärkereinrichtung 1b) eingegeben, wobei der nicht-invertierende Eingangsanschluß dieser operationsverstärkereinrichtung mit dem Massepotential verbunden ist, während andere dieser gewichteten Eingangssignale an den invertierenden Eingangsanschluß der zweiten des Paars von in Reihe verbundenen operationsverstärkereinrichtungen (d.h. im Fall der Neuroneneinheit U2,1 die Operationsverstärkereinrichtung 1a) angelegt wird, wobei der nichtinvertierende Eingangsanschluß dieser Operationsverstärkereinrichtung mit dem Massepotential verbunden ist. Es ist somit zu verstehen, daß jedes an die erste Operationsverstärkereinrichtung (d.h. die Operationsverstärkereinrichtung 1b) eines derartigen in Reihe verbundenen Paars angelegte Signal zweimal aufeinanderfolgend invertiert wird, d.h. es wird tatsächlich nicht invertiert, wohingegen jedes Signal, das der zweiten (d.h. die Operationsverstärkereinrichtung 1a) eines Paars von in Reihe verbundenen Operationsverstärkereinrichtungen zugeführt wird, invertiert wird. Daher kann jedes der ersten Operationsverstärkereinrichtung zugeführte Eingangssignal als mit einem festen positiven Gewichtskoeffizienten (dessen Wert durch den Wert des Widerstands bestimmt ist, durch den das Signal übertragen wird) multipliziert betrachtet werden, während jedes Eingangssignal, das der zweiten Operationsverstärkereinrichtung eines derartigen Paars zugeführt wird, tatsächlich mit einem festen negativen Gewichtskoeffizienten (dessen Absolutwert durch den Wert des Widerstands bestimmt ist, durch den das Signal übertragen wird) multipliziert wird.
Der Ausgangsanschluß der zweiten Operationsverstärkereinrichtung jeder Neuroneneinheit ist über ein Paar von Dioden mit dem Massepotential verbunden, die parallel mit wechselseitig entgegengesetzten Richtungen der Polarität verbunden sind, d.h. die Diodenpaare 10, 11 und 12 sind mit den Ausgängen der Operationsverstärkereinrichtungen la, 2a bzw. 3a der gegenwärtigen Neuroneneinheiten gemäß Fig. 8 verbunden, die den Neuroneneinheiten U2,1, U2,2, U2,3 der neuronalen Netzwerkschaltung gemäß Fig. 5 entsprechen.
Die drei Neuroneneinheiten der Zwischenschicht in Fig. 8 sind jeweils aus einem in Reihe verbundenen Paar von Operationsverstärkereinrichtungen 1a, 1b der invertierenden Art mit dem mit dem Ausgang der Operationsverstärkereinrichtung 1a verbundenen Diodenpaar 10, den Operationsverstärkereinrichtungen 2b, 2a mit dem mit dem Ausgang der Operationsverstärkereinrichtung 2a verbundenen Diodenpaar 11 und den Operationsverstärkereinrichtungen 3b, 3a mit dem am Ausgang der Operationsverstärkereinrichtung 3a verbundenen Diodenpaar 12 gebildet.
Die von den Neuroneneinheiten der Zwischenschicht in Fig. 8 erzeugten Ausgangssignale werden über die Gewichtswiderstände R1, R2 bzw. R3 zur Ausgangsneuroneneinheit übertragen, die der Ausgangsschicht U3,1 der neuronalen Netzwerkschaltung gemäß Fig. 5 entspricht. Diese Ausgangsneuroneneinheit besteht aus in Reihe verbundenen Operationsverstärkereinrichtungen 4ab, 4a vom invertierenden Typ mit einem mit dem Ausgang der zweiten Operationsverstärkereinrichtung 4a verbundenen Diodenpaar 13. Das Ausgangssignal von dem neuronalen Netzwerk wird dadurch über das Diodenpaar 13 entwickelt.
Jedes der Diodenpaare 10 bis 13 funktioniert derart, daß es eine bekannte Form von nicht-linearer Eingangs/Ausgangskennlinie für die entsprechende Neuroneneinheit ausbildet. Dies wird unter Bezugnahme auf Fig. 9 beschrieben, die die Eingangs/Ausgangskennlinie eines derartigen Diodenpaars zeigt. Eine derartige Kennlinie kann als aus drei verschiedenen linearen Bereichen bestehend betrachtet werden, die in Fig. 9 als E1, E2 und E3 bezeichnet werden. In den Bereichen E1 und E3 ist der über das Diodenpaar auftretende Pegel der Signalspannung im wesentlichen konstant (d.h. es tritt eine Diodenbegrenzung auf), während sich in dem Bereich E2 das Ausgangssignal Y (d.h. die über das Diodenpaar auftretende Signalspannung) im wesentlichen linear in Bezug auf das Eingangssignal X verändert. Somit kann verstanden werden, daß jede der Neuroneneinheiten der aus einem in Fig. 8 gezeigten neuronalen Netzwerk gebildeten Wellenformentzerrungseinrichtung aus bereits verfügbaren Schaltungskomponenten gebildet werden kann, einen einfachen Schaltungsaufbau besitzen kann, wirkungsvoll negative oder positive Werte für die Gewichtskoeffizienten ausbilden kann, die an die daran von den Neuroneneinheiten der vorhergehenden Schicht angelegten Eingangssignale angelegt werden und eine bekannte nicht-lineare Eingangs/Ausgangskennlinie besitzen kann, die aus drei linearen Bereichen gebildet ist.
Gemäß Fig. 9 wird das Mittenpotential als 0V angenommen, d.h. das von der Ausgangsneuroneneinheit erzeugte Ausgangssignal Y verändert sich zwischen festen positiven und negativen Spannungspegeln. Im folgenden werden diese positiven und negativen Pegel als den digitalen Potentialen 1 bzw. 0 entsprechend angenommen, während zusätzlich der 0V Pegel des Ausgangssignals Y zur Darstellung eines Pegel von 0,5, d.h. der in der Mitte zwischen den digitalen 1 und 0 Potentialen liegt, genommen wird.
Der Satz von Widerständen (R11, R21, R31, R41, R51, R12, R22, R32, R42, R52, R13, R23, R33, R43, R53), der die Ausgangssignale von der Eingangsschicht der neuronalen Netzwerkschaltung gemäß Fig. 8 mit den Neuroneneinheiten der Zwischenschicht verbindet, d.h. der die Ausgangssignale von den Verstärkereinrichtungen 5, 6, 7, 8, 9 zu den Neuroneneinheiten U2,1, U2,2, U2,3 überträgt, wird gesammelt als die Widerstände Rji bezeichnet. Diese Neuroneneinheiten U2,1, U2,2, U2,3 gemäß Fig. 8 werden jeweils aus dem Paar von Operationsverstärkereinrichtungen 1a und 1b (vom invertierenden Typ) mit dem Diodenpaar 10, dem Paar von Operationsverstärkereinrichtungen 2a, 2b mit dem Diodenpaar 11 und dem Paar von Operationsverstärkereinrichtungen 3a, 3b mit dem Diodenpaar 12 gebildet. Die Widerstände (R1, R2, R3), die die Ausgangssignale von der Zwischenschicht der neuronalen Netzwerk-Schaltung gemäß Fig. 8 mit den Neuroneneinheiten der Ausgangsschicht verbindet, d.h. die die Ausgangssignale von den Neuroneneinheiten U2,1, U2,2, U2,3 zu der Ausgangsneuroneneinheit U&sub3;,&sub1; überträgt, wird gesammelt als die Widerstände Rj bezeichnet. Die Ausgangsneuroneneinheit U3,1 wird aus dem Paar von Operationsverstärkereinrichtungen 4a, 4b mit dem Diodenpaar 13 gebildet. Somit entsprechen die Gewichtskoeffizienten W2,i,j in dem neuronalen Netzwerk gemäß Fig. 5 den Widerständen Rji und die Gewichtskoeffizienten W3,i,j des neuronalen Netzwerks gemäß Fig. 5 den Widerständen Rj.
Nachdem jeweilige Werte für die Gewichtskoeffizienten W durch den Lernvorgang unter Verwendung von Computersimulation des neuronalen Netzwerks ausgebildet wurden, werden die jeweiligen Werte für die Widerstände Rji, Rj auf der Grundlage von für die entsprechenden Gewichtskoeffizienten erhaltenen Werten bestimmt.
Während des Lernvorgangs werden bei der simulierten Funktion des neuronalen Netzwerks aufeinanderfolgende Eingangssignalwerte (die im folgenden als Lernsignalwerte bezeichnet werden) aufeinanderfolgend dem neuronalen Netzwerk (d.h. der "Verzögerungsleitung" DL1 und der Eingangsschichteinheit U'1,1) in Intervallen zugeführt, die einer festen (Echtzeit-)Periode entsprechen. In diesem Ausführungsbeispiel wird angenommen, daß jedes dieser Intervalle einer Hälfte der Bitperiode T des di gitalen Wiedergabesignals von einer CD entspricht, d.h. einer Hälfte der minimalen Bitdauer. Somit werden in dem simulierten neuronalen Netzwerk-System die aufeinanderfolgenden Sätze von Lerneingangswerten, die von den "Verzögerungsleitungen" DL1 bis DL4 ausgegeben werden, tatsächlich in aufeinanderfolgenden T/e Intervallen verteilt.
Somit erzeugt in der gegenwärtigen Wellenformentzerrungseinrichtungsschaltung gemäß Fig. 8 jede der Verzögerungsleitungen 14, 15, 16, 17 (jeweils entsprechend den vorstehend erwähnten "Verzögerungsleitungen" DL1 bis DL4, die Eingangssignale an das simulierte neuronale Netzwerk anlegen) in diesem Ausführungsbeispiel eine Verzögerung von T/2.
Die den Neuroneneinheiten des neuronalen Netzwerks der Wellenformentzerrungseinrichtung gemäß Fig. 8 zugeführten Eingangssignalwerte sind die gewichteten Ausgangswerte von der vorhergehenden Schicht, d.h. im Fall der Zwischenschicht sind die Eingangswerte die Ausgangswerte von der Eingangsschicht, nachdem diese jeweils durch Übertragen durch die Widerstände R(j,i) (d.h. R11, R21, R31, R41, R51, R12, R22, R32, R42, R52, R13, R23, R33, R43, R53) gewichtet wurden, die jeweils unabhängige feste Gewichtskoeffizienten ausbilden. Die sich ergebenden Eingangswerte von den Widerständen werden den Neuroneneinheiten der Zwischenschicht, d.h. den Einheiten U2,1 bis U2,3 zugeführt. Insbesondere werden diese gewichteten Eingangssignalwerte an die invertierenden Eingangsanschlüsse der Operationsverstärkereinrichtungen 1a, 1b, 2a, 2b, 3a, 3b zu additiven Kombination angelegt. Nach einer Verstärkung (und Invertierung oder Zurück-Invertierung) durch die Operationsverstärkerein richtungen einer Neuroneneinheit der Zwischenschicht wird die Eingangssignalsumme durch das Diodenpaar dieser Neuroneneinheit (10, 11 oder 12) einer nicht-linearen Umwandlung unterzogen und dann an die nächste Schicht ausgegeben, die die Ausgangsneuroneneinheit ist.
Wenn die jeweiligen Werte für die Widerstände Rji, Rj der Wellenformentzerrungseinrichtung auf der Grundlage der Gewichtskoeffizientenwerte, die durch den nachstehend beschriebenen Lernvorgang des neuronalen Netzwerks erhalten wurden, geeignet ausgewählt sind, dann wird die Schaltung gemäß Fig. 8 tatsächlich eine ähnlich Art Beurteilung des zugeführten, verzerrten Wiedergabesignals ausführen, wie ein erfahrener menschlicher Beobachter es tun würde. Somit wird das von der Wellenformentzerrungseinrichtungsschaltung gemäß Fig. 8 erzeugte Ausgangssignal sehr ähnlich einem Signal sein, das ursprünglich auf einer CD aufgezeichnet wurde, von der das Wiedergabesignal erhalten wird, wobei Pegelübergänge dieses Ausgangssignals (entsprechend Übergängen zwischen digitalen 1 und 0 Pegeln) denen des ursprünglich aufgezeichneten Signals entsprechen. Dadurch wird eine genaue Wellenformentzerrung erreicht.
Es ist zu beachten, daß zahlreiche anderen Aufbauten des neuronalen Netzwerks der Wellenformentzerrungseinrichtung verwendet werden könnten, die sich von denen gemäß den Figen. 5 und 8 unterscheiden. Es kann für vorteilhaft erachtet werden, beispielsweise jeweilige gewichtete feste Gleichspannungs(DC)- Vorspannungs-Eingaben bzw. -Eingangssignale an jede der Neuroneneinheiten anzulegen, wie in Fig. 7 veranschaulicht. Die jeweiligen Werte für die Gewichtskoeffizienten W, die an diese Vorspannungs-Eingaben bzw. -Eingangssignale angelegt werden, zugeführt von einer- gemeinsamen Gleichspannungs- Vorspannungsquelle EB, werden zusammen mit den anderen Gewichtskoeffizienten W durch einen Lernvorgang bestimmt, der nachfolgend beschrieben ist.
Es ist auch zu beachten, daß die in Fig. 8 gezeigte Schaltungsanordnung zur Vereinfachung des Verständnisses nur die Grundelemente der Schaltung auf eine einfache Weise zeigen soll und nicht notwendigerweise alle Komponenten (wie bei spielsweise Widerstände für eine örtliche negative Rückkopplung) zeigt, die in einer praktischen Schaltung erforderlich sein können. Insbesondere, wenn die gewichteten Eingangssignale in die Operationsverstärkereinrichtungen als Stromsignale eingegeben werden und alle Operationsverstärkereinrichtungen von einem identischen Typ sind, dann würde es notwendig sein, ein Widerstand zwischen dem Ausgang der ersten Operationsverstärkereinrichtung jeder Neuroneneinheit (z.B. 1b) und dem Eingang einer zweiten Verstärkereinrichtung der Einheit (z.B. 1a) zu verbinden und die Werte der Eingangsgewichtswiderstände jeder ersten Operationsverstärkereinrichtung demgemäß herunterzuskalieren.
Der Vorgang einer Bestimmung von geeigneten Werten für die Widerstände Rji, Rj der Wellenformentzerrungseinrichtung gemäß Fig. 8 ist wie folgt. Der Vorgang verwendet eine geeignet programmierte Workstation (Computer) und basiert auf einer Erzeugung eines simulierten neuronalen Netzwerks mit der in Fig. 5 gezeigten Form, wobei ein Lernvorgang ausgeführt wird, um geeignete Werte für die Gewichtskoeffizienten dieses neuronalen Netzwerks zu erhalten, und dann die jeweiligen Werte der festen Gewichtskoeffizienten (d.h. Widerstandswerte) in dem gegenwärtigen neuronalen Hardware-Netzwerk der Wellenformentzerrungseinrichtung zu bestimmen.
Die Grundprinzipien des Lernvorgangs für eine aufeinanderfolgende Veränderung der Werte der Gewichtskoeffizienten W des simulierten neuronalen Netzwerks gemäß Fig. 5 werden zuerst unter Bezugnahme auf Fig. 10 beschrieben. In Fig. 10 zeigt ein Diagramm (A) einen Teil der Wellenform eines Vorlagensignals, das zum Lernen verwendet wird. Zum Zweck des Erreichens einer maximalen Entzerrungsgenauigkeit verwendet der Lernvorgang auf einer CD aufgezeichnete Daten, in denen der Wert des vorstehend erwähnten minimalen Intervalls zwischen Übergängen der aufgezeichneten Daten, Tmin, kleiner gemacht wird als der Standardwert von 3 T. Im Beispiel gemäß Fig. 10 wird Tmin gleich T gemacht. Wie im Diagramm (B) gezeigt, werden bestimmte Abtastwerte (im folgenden als Lehrwerte bezeichnet) aus dem Vorlagensignal abgeleitet, wobei diese Lehrwerte periodisch mit einer Periode auftreten, die gleich oder kleiner als die Periode T ist und in diesem Beispiel gleich T/2 ist. Diese T/2 Perioden werden als Lernintervalle bezeichnet. Wie gezeigt, nimmt jeder Lehrwert, der direkt vor einem Übergang des Vorlagensignals vom digitalen 0 zum 1 Zustand den Wert digitale 1 an, wobei jeder Lehrwert, der direkt vor einem Übergang des Vorlagensignals von dem digitalen 0 zum digitalen 1 Zustand auftritt, den Wert digital 1 annimmt, und jeder Lehrwert, der mit einem Übergang des Vorlagensignals zwischen dem digitalen 0 und dem digitalen 1 Zustand einen Wert annimmt, der in der Mitte zwischen den digitalen 1 und 0 Pegeln liegt, was als ein Wert von 0,5 angezeigt wird. Somit sind in diesem Beispiel die Lehrwerte eher Drei-Zustands-Werte als digitale Werte.
Gemäß Diagramm (C) gemäß Fig. 10 wird die Wiedergabesignalwellenform von einer CD entsprechend dem in Diagramm (A) gezeig ten Vorlagensignalwellenteil, wie gezeigt, im allgemeinen sehr verzerrt sein. Eine periodische Abtastung des Wiedergabesignals wird ausgeführt (wie nachfolgend beschrieben), um aufeinanderfolgende Werte zu erhalten, die im folgenden als Lerneingangswerte bezeichnet werden, welche jeweils den vorstehend erwähnten Lehrwerten entsprechen. Fünf dieser Lerneingangswerte werden in Diagramm (C) als LV&sub1; bis LV&sub5; bezeichnet, welche jeweils den Lehrwerten TV&sub1; bis TV&sub5; entsprechen. Hier bezeichnet der Begriff "jeweils entsprechend" "an jeweils identischen Positionen entlang der Datenabfolge auftretend". Diese Positionen innerhalb des Wiedergabesignals können festgesetzt werden (beginnend mit einer bestimmten Anfangsposition, identifiziert durch einen Bezugsmarkierungsteil innerhalb der Wiedergabedaten), indem ein geeignetes Taktsignal, wie nachfolgend beschrieben, verwendet wird. Unter der Annahme, daß sich das Wiedergabesignal ungefähr um einen zentralen 0V Wert verändert, sollte dann beispielsweise der als LV&sub3; bezeichnete Lerneingangswert idealerweise 0V sein, um dem Übergangswert 0,5 des entsprechenden Lehrwerts TV&sub3; zu entsprechen. Ähnlich sollte der Lerneingangswert LV&sub4; idealerweise ein positiver Spannungswert entsprechend einem vorbestimmten digitalen 1 Pegel sein. Jedoch werden sich aufgrund von Verzerrungseffekten, wie beispielsweise einer vorstehend beschriebenen Aberrationsbzw. Abweichungsverzerrung, die Lerneingangswerte gegenwärtig wesentlich von diesen idealen Werten unterscheiden.
Grundlegend ist der Lernvorgang wie folgt. Die Lerneingangswerte werden aufeinanderfolgend in die "Verzögerungsleitungen" DL1 bis DL4 des simulierten neuronalen Netzwerks eingegeben, so daß es während jedes Lernintervalls (entsprechend T/2) einen Satz von fünf Lerneingangswerten geben wird, die der Eingangsschicht der neuronalen Netzwerks zugeführt werden. Während der Lerneingangswert LV&sub3; von DL2 zugeführt wird (d.h. wenn die Lerneingangswerte LV&sub1; und LV&sub2; von dem Eingang und Ausgang von DL1 und LV&sub4; und LV&sub5; von den jeweiligen Ausgängen von DL3 und DL4 zugeführt werden), wobei die sich ergebenden Kombinationen von gewichteten Eingangswerten an die Neuroneneinheiten der Zwischenschicht angelegt werden und eine sich ergebende Kombination der gewichteten Eingangswerte der letzten Neuroneneinheit U3,1 zugeführt wird, wird der Ausgangswert, der dadurch von der letzten Neuroneneinheit erzeugt wird, mit dem Lehrwert TV&sub3; verglichen, der LV&sub3; entspricht. Auf der Grundlage des aus diesem Vergleich erhaltenen Differenzwerts werden jeweilige aktualisierte Werte für die Gewichtskoeffizienten W des neuronalen Netzwerks berechnet, indem ein Lernalgorithmus eines Rückwärtsausbreitungstyps verwendet wird. Im nächsten Lernintervall, d.h. wenn der Lerneingangswert LV&sub4; von der Verzögerungsleitung DL2 ausgegeben wird, wird der sich ergebende, von dem neuronalen Netzwerk als ein Ergebnis der neuen Kombination der fünf eingegebenen Lerneingangswerte erzeugte Ausgangswert mit dem Lehrwert TV&sub4;, der LV&sub4; entspricht, verglichen und die Gewichtskoeffizienten werden wieder entsprechend auf der Grundlage des Vergleichsergebnisses aktualisiert.
Wie vorstehend erwähnt, stellen die in Fig. 5 als DL1 bis DL4 bezeichneten Blöcke keine tatsächlichen Verzögerungselemente dar und können als jeweilige Datenregistereinrichtungen betrachtet werden, durch die die Lernwerte aufeinanderfolgend verschoben werden, um aufeinanderfolgende Sätze von fünf Lernwerten zu erhalten, die während der jeweiligen Lernintervalle in das simulierte neuronale Netzwerk eingegeben werden. Es werden beispielsweise die ersten drei zuzuführenden Lerneingangswerte berücksichtigt, nachdem der Lernvorgang beginnt. Der erste Lerneingangswert wird in die Einheit U'1,1 der ersten Schicht des neuronalen Netzwerks eingegeben und von der Ausgangseinheit U3,1 des neuronalen Netzwerks wird ein sich ergebender Ausgangssignalwert erhalten (obwohl es gegenwärtig keinen dem Ausgangswert entsprechenden Lehrwert gibt). Der zweite Lerneingangswert wird dann in die Einheit U'1,1 eingegeben, während der erste Lerneingangswert in die zweite Einheit U'1,2 der ersten Schicht eingegeben wird und es wird ein sich ergebender Ausgangswert von dem neuronalen Netzwerk erhalten. Wieder gibt es keinen dem Ausgangswert entsprechenden Lehrwert. Als nächstes wird der dritte Lerneingangswert in die Einheit U'1,1 eingegeben, während der zweite Lerneingangswert in die zweite Einheit U'1,2 eingegeben wird und der erste Lerneingangswert in die dritte Einheit U'1,3 der Eingangsschicht eingegeben wird. Ein sich ergebender Ausgangswert wird von dem neuronalen Netzwerk erhalten. In diesem Fall gibt es, wie aus der vorstehenden Beschreibung von Fig. 10 verständlich, einen Lehrwert, der mit diesem Ausgangswert des neuronalen Netzwerks zu vergleichen ist (d.h. den Lehrwert, der dem ersten Lerneingangswert entspricht) und so wird der Lernalgorithmus zum ersten Mal ausgeführt.
Jedoch gibt es im Fall eines Wiedergabesignals von einem magnetischen oder optischen Aufzeichnungs- und Wiedergabesystem ein grundlegendes praktisches Problem bei der Ausführung eines derartigen Lernvorgang. Gemäß Fig. 11 ist eine Abfolge von Lehrwerten TV&sub1;, TV&sub2;, ... gezeigt, wie sie in einer Datenabfolge auftritt, die auf einem Aufzeichnungsträger, beispielsweise einer CD, aufzuzeichnen ist. Wenn ein Wiedergabesignal aufeinanderfolgend von der CD erhalten wird, dann werden aufgrund von derartigen Faktoren, wie beispielsweise Ungenauigkeit des Plattendrehungs-Antriebssystems während Aufzeichnung und Wiedergabe, die Werte LV&sub1;, LV&sub2; usw., die jeweils den Lehrwerten TV&sub1; usw. entsprechen, nicht in regelmäßigen Intervallen auftreten, wie im Hinblick auf eine Standardzeitbasis gemessen. Das heißt, wenn das Wiedergabesignal zu regelmäßig beabstandeten Zeitpunkten abgetastet wird, die idealerweise mit den jeweiligen Positionen der Lerneingangswerte in dem Wiedergabedatenfluß zusammenfallen sollten, werden sich in der Tat die erhaltenen Abtastwerte von den gewünschten Werten unterscheiden. In Fig. 11 beispielsweise (in der der Abweichungsgrad natürlich sehr übertrieben ist), würde eine Abtastung des Wiedergabesignals am 8-ten Bezugspunkt R8 eher eine Auswahl eines Signalpegels nahe dem Lerneingangswert LV&sub7; ergeben, als des korrekten Werts LV&sub6; (d.h. der 8-te Lerneingangswert in der Datenabfolge). Somit wird ein korrekter Lernvorgang unmöglich sein, außer die Wiedergabe-Plattendrehungs-Geschwindigkeit wird mit einem sehr großen Ausmaß von Genauigkeit gesteuert.
In einem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung, das im folgenden beschrieben wird, wird das vorstehende Problem durch Verwendung einer phasen-starren Schleifen(PLL)-Schaltung zur Ableitung der Taktsignalkomponenten des Wiedergabesignals beseitigt und zur Verwendung des abgeleiteten Taktsignals zur Bestimmung der Abtastzeitpunkte (d.h. der Punkte R&sub1;, R&sub2;, ... im Beispiel gemäß Fig. 5). In diesem Fall sind die Zeitachsen-Abweichungen der Lerneingangswerte LV&sub1;, LV&sub2;, usw. identisch denen der Abtastzeitpunkte, so daß die korrekten Lerneingangswerte (d.h. jeweils entsprechend den vorbestimmten Lehrwerten TV&sub1;, TV&sub2;, usw.) genau aus dem Wiedergabesignal durch Abtastung des Signals extrahiert werden können. Somit wird die Funktion von Abweichungen in der Drehgeschwindigkeit der CD 22 unbeeinflußt sein.
Die Grundmerkmale dieses Ausführungsbeispiels werden zuerst unter Bezugnahme auf die allgemeinen Blockschaltbilder gemäß den Figen. 13, 14 und 15 beschrieben, wobei angenommen wird, daß ein Lernintervall von T/2 verwendet wird (wie im vorstehend beschriebenen Beispiel gemäß Fig. 10). Fig. 13 zeigt die zur Aufzeichnung von bei dem Lernvorgang in dem neuronalen Netzwerk zu verwendenden Daten auf einem Aufzeichnungsträger (in diesem Fall einer CD) erforderliche Vorrichtung, wobei die Daten im folgenden als die Lerndaten bezeichnet werden. Die Lerndaten werden als ein Teil von Vorlagendaten erzeugt, die von einer Vorlagendatenquelle 20 erzeugt werden und einer Aufzeichnungsvorrichtung (d.h. eine Schneidevorrichtung) 21 zugeführt werden, um auf einer CD 22 aufgezeichnet zu werden. Zusätzlich zu den Lerndaten enthalten diese Vorlagendaten einen Identifikationsmarkierungsteil, der den Lerndaten vorhergeht, zur Verwendung bei einer präzisen Identifikation des Beginns der Lerndaten, und einen Einleitungsteil, der dem Identifikationsmarkierungsteil vorhergeht, zur anfänglichen Stabilisierung des phasen-starren Schleifen(PLL)-Vorgangs. Die Vorlagendaten werden aus als Textdaten zugeführt, um durch eine Plattenantriebseinrichtung 24 auf einem Diskettenlaufwerk 25 aufgezeichnet zu werden. Wenn beispielsweise ein Teil der Vorlagendaten die in Diagramm (A) gemäß Fig. 12 gezeigte Form besitzt, d.h. eine Abfolge von 2 T Perioden im digitalen 1 Zustand, 2 T im 0 Zustand, gefolgt von 1 T im digitalen 1 Zustand, dann könnte dieser Teil als Textdaten wie eine Abfolge von numerischen Symbolen 0, 1, 1, 0, 0, 1, 0 dargestellt werden.
Wenn die vorstehenden Aufzeichnungsvorgänge beendet wurden, wird die in Fig. 14 gezeigte Vorrichtung in Funktion gesetzt. Eine Wiedergabevorrichtung 26 dreht die CD 22, um ein Wiedergabesignal von einer optischen Aufnahmeeinrichtung abzuleiten, wobei dieses Wiedergabesignal einer Analog/Digital(A/D)- Wandlereinrichtung 28 und einer phasen-starren Schleife (PLL) 27 zugeführt wird. Die A/D-Wandlereinrichtung 28 wandelt periodisch das Wiedergabesignal in aufeinanderfolgende digitale Abtastwerte mit einer Abtastrate um, die im wesentlichen höher als die Datenrate der aufgezeichneten Daten ist, d.h. mit einer Abtastperiode, die viel kürzer als die vorstehend erwähnte Periode T ist. Es wird angenommen, daß diese Abtastrate 100 MHz beträgt. Diese digitalen Abtastwerte werden einer Abtastschaltung 29 zugeführt. Die phasen-starre Schleife (PLL) 29 extrahiert das Datentaktsignal (mit einer 1 T Periode) aus dem Wiedergabesignal und Frequenz-multipliziert auch das extrahierte Taktsignal mit 2, um ein Abtasttaktsignal zu erhalten, das die gewünschte Periode von T/2 besitzt (vorstehend unter Bezugnahme auf Fig. 10 beschrieben). Das Abtastsignal wird der Abtastschaltung 29 zugeführt, um aufeinanderfolgende digitale Abtastwerte auszuwählen, z.B. zur Auswahl des ersten digitalen Abtastwerts, der zu oder sofort nach jedem Abtastzeitpunkt auftritt, der durch das an die Schaltung 29 angelegte Abtasttaktsignal definiert ist. Diese ausgewählten Abtastwerte werden in einer Abtastdatenspeichereinrichtung 30 gespeichert.
Als nächstes wird die in Fig. 15 gezeigte Vorrichtung zur Einstellung der Lerneingangswerte und Lehrwerte in einen Computer 33 (verwendet als eine Workstation), der die neuronalen Netzwerksimulation und Lernvorgänge ausführt, verwendet. Die Lerndaten werden als Textdaten von dem Diskettenlaufwerk 25 mittels einer Diskettenantriebseinrichtung 32 ausgelesen, die mittels des Computers 33 gesteuert wird, werden über einen Eingabeanschluß 35 in den Computer 33 übertragen und werden dann in eine für die Verwendung als Lehrwerte in dem Lernvorgang des neuronalen Netzwerks geeignete Form umgewandelt. Insbesondere angenommen, daß die Lemwerte die vorstehend in Fig. beschriebene Form besitzen (d.h. Drei-Zustands-Werte von entweder digital 1 oder 0 oder den Zwischenpegel 0,5), wird die Textdatenabfolge vom Computer 33 in eine entsprechende Lehrwertabfolge umgewandelt, beispielsweise die im Diagramm (C) gemäß Fig. 12 gezeigte Abfolge im Fall der Textdatenabfolge gemäß dem Diagramm (B) gemäß Fig. 12. Die somit erhaltenen Lehrwerte werden aufeinanderfolgend in einem Lehrdatenbereich in einer internen Speichereinrichtung 34 des Computers 33 gespeichert.
Die Abtastdatenwerte werden aufeinanderfolgend aus der Abtastdatenspeichereinrichtung 30 unter der Steuerung von vorn Computer 33 zugeführten Lesebefehlssignalen ausgelesen, um über einen Eingabeanschluß 36 zu dem Computer 33 übertragen zu werden. Der Computer 33 beurteilt jeden dieser Eingangsabtastwerte, um zu bestimmen, wenn diese Lerneingangswerten entsprechen, und speichert die Lerneingangswerte in einem Lerneingangsdatenbereich der internen Speichereinrichtung 34. Insbesondere untersucht der Computer 33 den Fluß der Eingangsabtastwerte von der Speichereinrichtung 30 zur Erfassung des Beginns der Lerndaten, wie durch den vorstehend erwähnten Markierungsteil der Wiedergabedaten von der CD angezeigt. Beispielsweise kann der Computer 33 dann beispielsweise einfach jeden auftretenden Abtastwert, der auf diesen Markierungsteil folgt, in die Lerneingangsdatenspeichereinrichtung als einen Lerneingangswert übertragen (angenommen, daß alle Abtastwerte in dem Lerndatenteil als Lerneingangswerte zu verwenden sind). Alternativ kann, wie nachfolgend beschrieben, der Computer 33 auf aufeinanderfolgende Gruppen (z.B&sub9; aufeinanderfolgende Paare) dieser Abtastwerte, die nach dem Beginn der Lerndaten auftreten, einwirken, um jeweilige Lerneingangswerte abzuleiten.
Mit den nun in der internen Speichereinrichtung 34 gespeicherten Lehrwerten und Lerneingangswerten beginnt der vorstehend beschriebene Lernvorgang des neuronalen Netzwerks und wird fortgesetzt, bis alle Lerndaten verwendet wurden, und ein ausreichendes Ausmaß an Konvergenz wurde für die aufeinanderfolgend erhaltenen Werte von Gewichtskoeffizienten des neuronalen Netzwerks, die bei dem Lernvorgang abgeleitet werden, erreicht.
Die während eines Lernvorgangs des neuronalen Netzwerks und der normalen Funktion der Wellenformentzerrungseinrichtung (nach der Festlegung von festen Gewichtskoeffizienten durch den Lernvorgang) ausgeführten Grundvorgänge sind in den Figen. 16 bzw. 17 veranschaulicht. Während des Lernvorgangs werden, wie in Fig. 16 veranschaulicht, die Lerneingangswerte und Lehrwerte, die in der internen Speichereinrichtung des Computers, wie vorstehend beschrieben, gespeichert wurden, aufeinanderfolgend ausgelesen, wobei die Lerneingangswerte in das neuronale Netzwerk gemäß Fig. 5 eingegeben werden, die sich ergebenden von dem simulierten neuronalen Netzwerk erzeugten Ausgangswerte mit jeweiligen Lehrwerten verglichen werden und die Vergleichsergebnisse in dem Lernalgorithmus verwendet werden, um aktualisierte Werte für die Gewichtskoeffizienten des neuronalen Netzwerks zu erhalten.
Bei Beendigung dieses Lernvorgangs werden feste Werte für die Widerstände in der Wellenformentzerrungseinrichtung (d.h. für die festen Gewichtskoeffizienten des neuronalen Netzwerks dieser Wellenformentzerrungseinrichtung) auf der Grundlage der letzten, für die jeweils entsprechenden Gewichtskoeffizienten des neuronalen Netzwerks erhaltenen Werte bestimmt. Wenn ein verzerrtes Wiedergabesignal nun in die Wellenformentzerrungseinrichtung eingegeben wird, wird ein genaues Wellenformentzerrtes optisches Signal erhalten, wie in Fig. 17 veranschaulicht.
Zur Festlegung von Gewichtskoeffizientenwerten für das neuronale Netzwerk derart, daß diese genügende Entzerrung durch die Wellenformentzerrungseinrichtung erreicht wird, auch wenn das Wiedergabesignal auf zahlreiche Wege verzerrt sein kann, wird eine Vielzahl von jeweils verschieden verzerrten Arten von Lerndaten bei dem Lernvorgang verwendet. Diese verschiedenen Arten von Lerndaten werden im folgenden als jeweilige Lerndatenkategorien bezeichnet und können beispielsweise durch Betätigung der Wiedergabevorrichtung 26 unter jeweils verschiede nen Bedingungen von unkorrekter Anpassung der optischen Aufnahmeeinrichtung, die Daten von der CD 22 liest, erzeugt werden. Auf diesem Weg können jeweilige Lerndatenkategorien erhalten werden, in denen eine Verzerrung des digitalen Wiedergabesignals von der CD das Ergebnis einer Defokussierung, einer sphärischen Aberration, einer Komaaberration entlang der Richtung der Plattendrehung, einer Komaaberration, die entgegengesetzt zur Richtung der Plattendrehung ist, usw. ist. Bei dem Lernvorgang wird ein Lernen zuerst für eine dieser Lerndatenkategorien ausgeführt, um einen letzten Satz von Gewichts koeffizienten für das neuronale Netzwerk zu erhalten, dann wird das Lernen unter Verwendung der nächsten Kategorie von Lerndaten wiederholt und so weiter, für jede der Kategorien.
Der Gesamtfluß eines derartige Lernvorgangs wird durch das Flußdiagramm gemäß Fig. 22 veranschaulicht. Zuerst werden die Lehrdaten von dem Diskettenlaufwerk 25 als Textdaten in den Computer 33 übertragen und dann in eine entsprechende Abfolge von Lehrwerten umgewandelt, z&sub9;8. Drei-Pegel-Lehrwerte, wie im Diagramm (C) gemäß Fig. 12 veranschaulicht, wobei jeder Übergang zwischen den digitalen 1 und 0 Pegeln in dem Vorlagesignal in einen Zwischen(0,5)-Pegel umgewandelt wird, und die Lehrwerte den in T/2 Intervallen auftretenden Abtastwerten entsprechen.
Beispielsweise würde entsprechend Diagrammen (A) und (B) gemäß Fig. 10 der Satz von Lehrwerten TV&sub1; bis TV&sub5; als die Abfolge von Werten 0, 0, 0,5, 1, 1 erhalten (wobei "1" und "10" digitale 1 und 0 Pegel darstellen). Die somit erhaltenen Lehrwerte werden in dem Lehrdatenspeicherbereich der internen Speichereinrichtung 34 gespeichert. Das Wiedergabesignal für die erste Lerndatenkategorie wird dann von der CD 22 erhalten und die ausgewählten digitalen Abtastwerte werden in der Abtastdatenspeichereinrichtung 30 gespeichert (Schritt S3). Als nächstes werden in Schritt S4 anfängliche Werte für die Gewichtskoeffizienten des simulierten neuronalen Netzwerks festgestellt, z.B. als Zufallswerte.
Der erste der Abtastwerte, die in der Abtastdatenspeichereinrichtung 30 gespeichert wurden, werden dann in den Computer 33 eingelesen und eine simulierte Ausgabe bzw. ein Ausgangssignal wird berechnet (Schritt S5) und es wird entschieden, ob der Zeitablauf der Ausgabe bzw. des Ausgangssignals dem der Lehrwerte entspricht oder nicht. Wenn dem so ist, wird sie in dem Lerneingangswert-Datenspeichereinrichtungsbereich des Computers gespeichert, dann wird, wenn das Ende der Wiedergabedaten noch nicht erreicht ist (beurteilt in Schritt S8), der nächste Abtastwert aus der Abtastdatenspeichereinrichtung 30 ausgelesen und der vorstehende Vorgang wird wiederholt. Wenn das Ende der Wiedergabedaten für diese Lerndatenkategorie erreicht ist, wird der Lernvorgang des neuronalen Netzwerks begonnen (Schritt Sb), wobei aufeinanderfolgende der gespeicherten Lerneingangswerte ausgelesen und dem simulierten neuronalen Netzwerk gemäß Fig. 5 zugeführt werden. Wenn das Ende dieser Verarbeitung erreicht ist, d.h. wenn alle Lehrwerte beim Lernvorgang verwendet wurden, wird entschieden, ob ein zufriedenstellender Satz von Gewichtskoeffizientenwerten abgeleitet wurde. Dies kann entweder durch wiederholte Ausführung dieses Lernvorgangs (Schritt S5 bis S11) bis die für die Gewichtskoeffizienten erhaltenen Werte aufhören sich zu verändern (so wie sie aufeinanderfolgend aktualisiert werden), oder durch Beurteilung, ob die Unterschiede zwischen den von dem neuronalen Netzwerk erzeugten Ausgangswerten und den Lehrwerten ausreichend klein geworden sind, entschieden werden.
Der somit erhaltene letzte Satz von Gewichtskoeffizienten wird dann gespeichert und in Schritt S13 wird entschieden, ob alle Lerndatenkategorien verarbeitet wurden oder nicht. Wenn nicht, wird ein Wiedergabesignal zum Erhalten der nächsten Lerndaten kategorie erzeugt (Schritt S14) und der Vorgang kehrt zu Schritt S3 zurück, in dem das Wiedergabesignal abgetastet wird. In diesem Fall können die anfänglichen Werte, auf die die Gewichtskoeffizienten in Schritt S4 eingestellt werden, die für die vorhergehende Lernkategorie erhaltenen Werte sein, die in Schritt S12 gespeichert wurden.
Der vorstehende Vorgang wird nachfolgend für jede der Lerndatenkategorien wiederholt, um einen letzten Satz von Gewichtskoeffizienten zu erhalten.
Es ist zu beachten, daß es ebenso möglich wäre, aufeinanderfolgende Abtastwerte von der Abtastdatenspeichereinrichtung 30 zuzuführen, um direkt bei dem Lernvorgang in dem neuronalen Netzwerk verwendet zu werden, anstelle von zeitweiser Speicherung aller Ausgangswerte in einer internen Speichereinrichtung des Computers.
Vorstehend wurde zur Vereinfachung der Beschreibung angenommen, daß die durch das Taktsignal von der Bit-phasen-starre Schleife (PLL) 27 gemäß Fig. 14 definierten Zeitpunkte in dem Wiedergabedatenstrom präzise mit den gewünschten Lerneingangswertpunkten zusammenfallen. Die nimmt beispielsweise unter Bezugnahme auf Fig. 11 an, daß Abtastzeitpunkte definiert sind, die jeweils zeitlich mit den Lerneingangswerten LV&sub1; usw. im Wiedergabesignal zusammenfallen. In der Praxis jedoch ist es nicht notwendigerweise so, d.h. es wird ein durch die phasenstarre Schleifen(PLL)-Ausgabe und die Lerneingangswertpositionen definiertes Ausmaß einer festen Verschiebung zwischen den definierten Abtastpunkten geben. Wenn die Lernperiode (die im vorstehend beschriebenen Ausführungsbeispiel T/2 ist) in Bezug auf die Datenperiode T genügend klein gemacht ist, dann ist diese Abweichung der Abtastpunkte kein bedeutendes Problem. Wenn jedoch die Lemperiode relativ lang ist, wie in Fig. 18 veranschaulicht (in der die Pfeile im Diagramm (C) die durch das von der Bit-phasen-starren Schleife (PLL) erzeugte Abtastsignal definierten Zeitpunkte anzeigt, und Diagramm (B) die entsprechende Lehrsignalwellenform zeigt), dann kann dort beispielsweise eine bedeutende Abweichung zwischen einem gewünschten Lerneingangswert-Zeitpunkt t2 in den Wiedergabedaten (gezeigt in Diagramm (A)) und dem vorhergehenden Abtast- Zeitpunkt, d.h. t1, sein. In diesem Fall wird ein Abtastwert SVa erhalten werden, der sich bedeutend von dem gewünschten Wert LVA unterscheidet, wie gezeigt.
In einem derartigen Fall kann es bevorzugt sein, jeden Lerneingangswert durch Interpolation zweier aufeinanderfolgender Abtastwerte zu erhalten, wie in Fig. 19 veranschaulicht. Hier wird ein Lerneingangswert Lvrn durch Interpolation zwischen zwei benachbarten Abtastwerten SW und SVn+1 erhalten.
Es sollte auch beachtet werden, daß es, obwohl bei dem Lernvorgang des vorstehend beschriebenen Ausführungsbeispiels jeder der in dem Lerndatenteil des Wiedergabesignals erhaltenen Abtastwerte als ein Lerneingangswert verwendet wird, in der Praxis bevorzugt sein könnte, ein größere Anzahl von Abtastwerten zu verwenden, um jeden Lerneingangswert zu erhalten. Beispielsweise könnte das Wiedergabesignal in T/8 Intervallen abgetastet werden, wobei das Lernintervall T/2 beträgt und jeder Lerneingangswert auf der Grundlage einer Kombination von vier aufeinanderfolgenden Abtastwerten berechnet wird.
Weiterhin gibt es zahlreiche Arten von CD- Wiedergabevorrichtungen, die eine optische Aufnahmeeinrichtung verwenden, die vier Wiedergabesignalkanäle ausbildet, d.h. jeweils von einem Satz von vier räumlich getrennten Aufnahmeelementen abgeleitet ist. Diese vier Wiedergabesignale können in Systemen, die das optische System der Aufnahmeeinrichtung, beispielsweise die Fokussierung, steuern, zu verwendende Informationen ausbilden. Diese vier Wiedergabekanalsignale werden bevorzugterweise zur Extraktion eines genaueren Datentaktsignals durch die Bit-phasen-starre Schleife (PLL) des vorstehend erwähnten Ausführungsbeispiels, wie in Fig. 21 veranschaulicht, verwendet. Hier werden die mit C1 bis C4 bezeichneten Wiedergabesignale der vier Kanäle in einer Signalkombi nationsschaltung 61 kombiniert, um ein Eingangssignal für die Bit-phasen-starre Schleife (PLL) 27 zu erhalten. Dadurch wird eine höhere Stabilität und Genauigkeit eines phasen-starren Schleifen(PLL)-Vorgangs erreicht. Zusätzlich können diese vier Kanalsignale getrennt abgetastet werden, wobei das Ausgangssignal von der phasen-starren Schleife (PLL) verwendet wird, um digitale 4-Kanal Abtastwerte zu erhalten, die in der Abtastdatenspeichereinrichtung 30 gespeichert sind, um nachfolgend für den Lernvorgang zu dem Computer 33 übertragen zu werden. In diesem Fall werden, nachdem jeder dieser 4-Kanal- Abtastwerte in den Computer eingegeben ist, die vier Abtastwerte durch den Computer kombiniert, um einen einzelnen Abtastwert zu erhalten, der dann vom Computer wie vorstehend beschrieben für den Fall des Ein-Kanal-Vorgangs verwendet wird.
Wie vorstehend beschrieben, ist es für einen genauen Lernvorgang des vorstehend beschriebenen Ausführungsbeispiels wichtig, daß der Computer 33 den Beginn des Lerndatenteils der darin eingegebenen Wiedergabedaten genau identifiziert. Dies wird durch Einfügen eines anfänglichen Markierungsteils in das Wiedergabesignal durchgeführt, wobei diese ein Datenmuster enthält, das andererseits nicht in den Wiedergabedaten auftreten würde. Insbesondere besteht dieser Markierungsteil aus aufeinanderfolgenden Sätzen von 15 T Perioden von Daten mit dem digitalen 1 Pegel und 15 T von Daten mit dem digitalen Pegel, wie in Fig. 20 veranschaulicht, die das Datenformat des für den Lernvorgang verwendeten Wiedergabesignals zeigt. Zuerst ist dort ein Einleitungsteil, d.h. ein Auftreten von Daten, die zur Stabilisierung der Bit-phasen-starren Schleifen(PLL)-Vorgangs geeignet sind. Dieser wird von dem vorstehend erwähnten Markierungsteil gefolgt, der von einem vorbereitenden Datenteil gefolgt wird, d.h. einem anderen Auftreten von Daten, die zur Stabilisierung des phasen-starren Schleifen(PLL)-Vorgangs geeignet sind, da die langen 15 T Datenzustände mit den 1 und 0 Pegeln nicht während der normalen Funktion auftreten. Der Startpunkt der Lerneingangsdaten wird dadurch identifiziert (durch das von der phasen-starren Schleife (PLL) extrahierte Taktsignal), so wie es exakt am Ende des vorbereitenden Datenteils auftritt. Derartige sehr präzise Identifizierung des Beginns der für den Lernvorgang des neuronalen Netzwerks zu verwendenden Daten in Verbindung mit entsprechenden vorbestimmten Lehrdaten ist ein notwendiges Merkmal der vorliegenden Erfindung. Es wurde herausgefunden, daß zufriedenstellende Ergebnisse erhalten wurden, wenn die Länge der Lerndatenteils ungefähr 3000 T beträgt.
Im vorstehend beschriebenen Ausführungsbeispiel werden Lehrwerte, die zwischen den digitalen 0 und 1 Pegeln liegen (d.h. 0,5), verwendet und es wurde herausgefunden, daß dieses Merkmal die Geschwindigkeit, mit der der Lernvorgang ausgeführt werden kann, um letzte Werte für die Gewichtskoeffizienten zu erhalten, sehr erhöht, und die Genauigkeit der Wellenformentzerrung, die durch die letztlich entworfene Wellenformentzerrungseinrichtung ausgebildet wird. Es wäre auch möglich, einen kürzeren Wert für das Lernintervall zu verwenden als den Wert von T/2, der im vorstehenden Ausführungsbeispiel verwendet wird. In diesem Fall könnte eine Vielzahl von Zwischenwerten (zwischen den digitalen 0 und 1 Pegeln) für die möglichen Pegel der Lehrwerte zusätzlich zu den digitalen 0 und 1 Pegeln verwendet werden.
Ein zweites Verfahren einer Feststellung der bei dem Lernvorgang in dem neuronalen Netzwerk zu verwendenden Lehrwerte und Lerneingangswerte wird nun beschrieben. Dieses Verfahren un terscheidet sich von dem vorstehend beschriebenen dadurch, daß die Bit-phasen-starren Schleife(PLL) nicht zur Extraktion eines Taktsignals aus dem Wiedergabesignal verwendet wird. Das heißt, unter Bezug auf Fig. 14 werden die phasen-starre Schleife (PLL) 27 und die Abtastschaltung 29 in diesem Fall weggelassen. Abgesehen davon kann das verwendete System wie in den Figen. 13, 14 und 15 veranschaulicht sein. Das Wiedergabesignal von der CD 22 wird in digitale Abtastwerte mit der sehr hohen Abtastrate der A/D-Wandlereinrichtung 28 (z.B. 100 MHz) umgewandelt und diese Abtastwerte werden in der Speicherein richtung 30 gespeichert. Ein Teil der sich ergebenden, in der Abtastdatenspeichereinrichtung 30 gespeicherten Daten kann beispielsweise als wie im Diagramm (A) gemäß Fig. 23 veranschaulicht betrachtet werden. Die den entsprechenden Teil der Lehrdaten darstellenden Textdaten (d.h. in diesem Beispiel entsprechend der Wiedergabedatenabfolge von 5 T Perioden bei einem positiven Pegel, 3 T bei einem negativen Pegel, 4 T bei dem positiven Pegel und 6 T bei dem negativen Pegel) könnten wie im Diagramm (B) gezeigt sein oder alternativ wie im Diagramm (C) oder Diagramm (D) gezeigt. Wenn diese Textdaten in den Computer 33 übertragen werden, werden sie in eine Abfolge von digitalen 1 oder 0 Werten umgewandelt, die in Abständen entsprechend denen der Lerneingangswerten auftreten, wie im Diagramm (E) gemaß Fig. 23 veranschaulicht. Das heißt, wenn beispielsweise ein bestimmter Teil der Wiedergabesignaldatenabfolge in einen Satz von 1000 Abtastwerten durch den 100 MHz Abtastvorgang umgewandelt wurde, dann wird der entsprechende Teil der Lehrwertdatenabfolge in 1000 diskrete digitale Werte umgewandelt. Diese diskreten digitalen Lehrwerte werden dann durch eine geeignete digitale Tiefpaßfiltereinrichtung, d.h. eine FIR-Filtereinrichtung übertragen, um in eine Abfolge von diskreten Werten umgewandelt zu werden, die die digitalen und 1 Pegel und auch eine Vielzahl von Pegeln zwischen diesen digitalen Pegeln annehmen können, so daß diese Lehrwerte mit einer idealen Lehrsignalwellenform übereinstimmten, wie in dem Diagramm (F) gemäß Fig. 23 gezeigt.
Gemäß Fig. 17 wird nun, um die Lerneingangswerte zu erhalten, die in der internen Speichereinrichtung 4 zur Verwendung in dem Lernvorgang in dem neuronalen Netzwerk einzustellen sind, der erste Teil der in der Abtastdatenspeichereinrichtung 30 gehaltenen Daten in den Computer 33 übertragen, um den vorstehend erwähnten Markierungsteil zu erfassen&sub9; Nach der dadurch erfolgten Erfassung des Beginns der Lerndaten werden die aufeinanderfolgenden Abtastwerte von der Abtastdatenspeichereinrichtung 30 ansprechend auf vorn Computer 33 gesendete Lesebefehlsignale übertragen, aufeinanderfolgend periodisch auftretende dieser Abtastwerte werden ausgewählt, um als Lerneingangswerte verwendet zu werden. Dies kann beispielsweise durch Zählen der Anzahl von Malen geschehen, die das Lesebefehlsignal erzeugt wird, um dadurch die Größe des Lernintervalls, d.h. die Trennung zwischen aufeinanderfolgenden Lerneingangswerte zu bestimmen. Wenn beispielsweise das gewünschte Lernintervall 231 ns beträgt und eine 100 MHz Abtastfrequenz verwendet wird, um die Abtastwerte zu erhalten (50 daß die Periode der Abtastwerte 10 ns beträgt), dann kann es angeordnet werden, daß jedesmal, wenn ein Zählwert von 23 für die aus der Abtastdatenspeichereinrichtung 30 ausgelesenen Abtastwerte erreicht ist, die dann ausgelesenen Abtastwerte durch den Computer 33 ausgewählt werden, um ein Lerneingangswert zu werden und in der internen Speichereinrichtung 34 gespeichert zu werden, während zusätzlich diese Zählanzahl jedesmal dann auf 24 erhöht wird, wenn 10 aufeinanderfolgende Abtastwerte ausgewählt wurden. Auf diesem Weg wird der Mittelwert des Lernintervalls 231 ns betragen, d.h. Abtastwerte werden periodisch mit Abständen entsprechend 231 ns ausgewählt werden.
Um einen Satz von Lehrwerten zu erhalten, die jeweils den somit erhaltenen Lerneingangswerten entsprechen werden, wird eine ähnliche Art von periodischem Auswahlvorgang auf die vorstehend erwähnten diskreten digitalen Lehrwerte ausgeführt, die den 100 MHz Abtastwerten entsprechen. Wenn diese wechselseitig entsprechenden Sätze von Lehrwerten und Lerneingangswerte somit abgeleitet und gespeichert wurden, kann der nachfolgende Lernvorgang des neuronalen Netzwerks wie vorstehend beschrieben ausgeführt werden.
Dieses Verfahren eines Erhaltens von Lerneingangswerten besitzt den grundlegenden Nachteil, daß es eine sehr hohe Genauigkeit der Steuerung der Drehgeschwindigkeit der CD 22 erfordert, da nur ein Taktsignal mit fester Frequenz zur Abtastung des Wiedergabesignals verwendet wird, um die Lerneingangswerte zu erhalten. Da das Verfahren eine phasen-starre Schleife (PLL) zur Extraktion der Taktsignalkomponente der Daten in dem Wiedergabesignal verwendet, kann andererseits ein Abtastsignal erzeugt werden (z.B. durch Frequenz-Multiplikation des extrahierten Taktsignals), das phasen-starr zu den Inhalten der Wiedergabesignaldaten ist, unabhängig von Veränderungen der Drehgeschwindigkeit der CD, von der das Wiedergabesignal erhalten wird.
Wie vorstehend unter Bezugnahme auf Fig. 8 beschrieben, basiert diese Wellenformentzerrungseinrichtungs-Schaltung auf einem neuronalen Netzwerk mit festen Gewichtskoeffizienten, deren Wert durch jeweilige Widerstände R11, R21, usw. bestimmt werden. Zusätzlich wird es durch Bildung jeder Neuroneneinheit (d.h. Signalumwandlungseinheit) dieser Schaltung als ein Paar von in Reihe verbundenen invertierenden Operationsverstärkereinrichtungen möglich, die Gewichtskoeffizientenwerte entweder als negativ oder als positiv auszuwählen. Somit kann eine Kombination der gewichteten Eingangssignale von jeder Polarität in jede Neuroneneinheit eingegeben werden und insbesondere in die letzte (Ausgangs)Neuroneneinheit. Dies wurde herausgefunden, um eine im wesentlichen verbesserte Genauigkeit von Wellenformentzerrung auszubilden, insbesondere, wenn ein Signal mit sehr hoher Frequenz zu entzerren ist, indem mit einem einfacheren Schaltungsaufbau verglichen wird, in dem nur gewichtete Signale identischer Polarität in jede der Neuroneneinheiten eingegeben werden.
Es ist zu beachten, daß es möglich sein könnte, die Schaltung gemäß Fig. 8 zu vereinfachen, indem diese Signale mit geeignet verschiedener Polarität von den Neuroneneinheiten der Zwischenschicht ausgegeben werden, um zur Ausgangsschicht zugeführt zu werden, d.h. zur letzten Neuroneneinheit. In diesem Fall wäre es möglich, eine der zwei Operationsverstärkereinrichtungen 4a, 4b der letzten Neuroneneinheit zu entfernen.
Weiterhin kann als ein Ergebnis einer Ausbildung einer nichtlinearen Eingangs/Ausgangskennlinie für Neuroneneinheiten (d.h. Umwandlungseinheiten) der Wellenformentzerrungseinrichtungsschaltung gemäß Fig. 8 durch Verwendung von Diodenbegrenzungsschaltungen, von denen jede drei Eingangs/Ausgangsbereiche E1, E2 und E3 besitzt, die jeweils verschiedene lineare Kennlinien haben, die Schaltung der Wellenformentzerrungseinrichtung einen sehr einfachen Aufbau besitzen. Darüberhinaus kann aufgrund der Tatsache, daß der Lemberechnungsvorgang auf der Grundlage des simulierten Netzwerks auch eine derartige Form von nicht-linearer Eingangs/Ausgangskennlinie verwendet, die Lernverarbeitung einfach und wirkungsvoll sein.
Eine aus einem neuronalen Netzwerk WE gebildete Wellenformentzerrungseinrichtung wurde unter Verwendung des vorstehend beschriebenen Entwurfsverfahrens konstruiert, in dem eine phasen-starre Schleife (PLL) bei der Extraktion von als Lerneingangswerten für den Lernvorgang des neuronalen Netzwerks zu verwendenden Abtastwerten verwendet. Der Schaltungsaufbau war, wie in Fig. 8 gezeigt. Fig. 24(A) ist eine Wellenformphotographie, die die Wirkungen der Entzerrung durch die Wellenformentzerrungseinrichtung zeigt. Fig. 25(A) zeigt die für die Wellenformentzerrungseinrichtung erhaltenen Analyseergebnisse, die unter Verwendung einer Zeitintervallanalyseeinrichtung erhalten wurden. Die Testbedingungen waren wie folgt:

a. Aufzeichnungsträger

Der verwendete Aufzeichnungsträger war eine CD mit einer 2,8- fachen Erhöhung bei der Auf zeichnungsdichte im Vergleich zur Standard-CD-Aufzeichnungsdichte (wobei insbesondere die Spurbreite 0,95 Mikrometer beträgt, um einen 1,68-fache Erhöhung der Aufzeichnungsdichte zu erhalten, und die Dichte in der linearen Richtung 1,67-fach erhöht wird) und es wurde eine optische Aufzeichnung mit einer linearen Geschwindigkeit von 2,5m/s für die Abtastung der CD-Spuren durch die Aufnahmeeinrichtung verwendet. Diese lineare Geschwindigkeit ist ungefähr zweimal der Standardwert der für eine CD verwendeten linearen Geschwindigkeit.

b. Wiedergabevorrichtung

Eine optische Art von Wiedergabevorrichtung mit einer optischen Aufnahmeeinrichtung wurde verwendet.
Laserlichtwellenlänge = 670 nm
Numerische Apertur (NA) der Linse = 0,6

c. Lernbedingungen für das neuronale Netzwerk

Alles Lernen wurde unter Verwendung eines Rückwärtsausbreitungs-Verfahrens ausgeführt. Fünf Kategorien von Lerndaten wurden zur Verwendung beim Lernvorgang abgeleitet, indem eine bestimmte Fehlanpassung des optischen Systems der Wiedergabevorrichtung ausgeführt wurde. Diese Lerndatenkategorien wurden jeweils unter den folgenden Bedingungen erhalten:
(1) Defokussierung des optischen Systems,
(2) Komaaberration ausgerichtet entlang der positiven Radialrichtung,
(3) Komaaberration ausgerichtet entlang der negativen Radialrichtung,
(4) Komaaberration ausgerichtet entlang der positiven Tangentialrichtung und
(5) Komaaberration ausgerichtet entlang der negativen Tangentialrichtung.

d. Ergebnisse

Fig. 24(A) zeigt Augenmusterwellenformen eines entzerrten digitalen sig, die unter Verwendung des vorstehenden Ausführungsbeispiels einer Wellenformentzerrungseinrichtung gemäß der vorliegenden Erfindung erhalten wurde, und Fig. 25(A) zeigt die unter Verwendung eines Zeitintervallanalyseeinrichtung erhaltenen entsprechenden Analyseergebnisse. Fig. 24(B) zeigt ähnlich für den Fall von Wellenformentzerrung unter Verwendung der herkömmlichen Wellenformentzerrungseinrichtung gemäß Fig. 1 erhaltene Wellenformen und Fig. 25(B) zeigt die für diese herkömmliche Vorrichtung erhaltenen Analyseergebnisse. Fig. 24(C) zeigt die Augenmusterwellenformen für ein Wiedergabesignal, an das keine Wellenformentzerrung angelegt wurde. Fig. 25(C) zeigt die entsprechenden, für den Fall eines Wiedergabesignals, an das keine Wellenformentzerrung angelegt wurde, erhaltenen Analyseergebnisse.
Die vorstehenden Ergebnisse wurden in jedem Fall für ein Wiedergabesignal mit einer Verzerrung aufgrund von Komaaberration erhalten, die entlang der positiven Tangentialrichtung ausgerichtet ist.
Wie aus den Figen. 24(A) bis (C) erkennbar, entfernt dieses Wellenformentzerrungseinrichtungs-Ausführungsbeispiel Zwischensymbolinterferenz bzw. -wechselwirkung aus dem Wiedergabesignal und bildet ein verzerrungsfreies Augenmuster. Weiterhin werden, wie aus den Figen. 25(A) bis (C) erkennbar, die die Ergebnisse einer Analyse der Wellenformentzerrung unter Verwendung einer Zeitintervallanalyseeinrichtung (unter Verwendung einer Zeitgrundlage von 1 ns und 10&sup5; Abtastwerten) zeigen, die Datenbits im wesentlichen in gleichem Abstand beabstandet, als ein Ergebnis der Funktion der Wellenformentzerrungseinrichtung WE und werden deutlich gut getrennt, wobei das Ausmaß der Zitterstandardabweichung klein ist.
Somit wird es mit dieser Wellenformentzerrungseinrichtung möglich, eine genaue Wiedergabe eines digitalen Signals zu erreichen, das zahlreiche Arten von Verzerrung enthält, die sich aus Zwischensymbolinterferenz ergeben, verursacht durch zahlreiche Arten von optischer Aberration. Es wurden Ergebnisse erhalten, die im Stand der Technik nicht möglich waren. Desweiteren ist der Entwurfsvorgang, da das Entwurfsverfahren auf einem neuronalen Netzwerk basiert, einfach.
Es ist aus dem Vorstehenden verständlich, daß mit einer erfindungsgemäßen Wellenformentzerrungseinrichtung der Vorrichtungsaufbau einfach ist und eine Signalverarbeitung mit hoher Gewchwindigkeit möglich gemacht wurde. Daher ermöglicht die Erfindung eine wirkungsvolle Entfernung der Verzerrung in einem von einem Wiedergabesystem oder einem Übertragungssystem erzeugten digitalen Signal durch Echtzeitfunktion, wobei ein Leistungspegel erreicht wird, der mit herkömmlichen Arten von Wellenformentzerrungseinrichtungen nicht möglich war.
Obwohl die vorliegende Erfindung vorstehend unter Bezugnahme auf ein Ausführungsbeispiel einer Wellenformentzerrungseinrichtung zur Verwendung mit einer optischen Art von Datenaufzeichnungs- und Wiedergabesystem beschrieben wurde, ist erkennbar, daß die Erfindung auch bei einer Wellenformentzerrungseinrichtung zur Verwendung mit einem von einem Aufzeichnungs- und Wiedergabesystem der magnetischen Art oder einer Empfangseinrichtung eines digitalen Datenübertragungssystems erzeugten verzerrten digitalen Signal verwendet werden kann.
Es ist zu beachten, daß zahlreiche Modifikationen des beschriebenen Ausführungsbeispiel für möglich gehalten werden könnten, wie beispielsweise eine verschiedene Anzahl von Neuroneneinheiten in der Schaltung gemäß Fig. 8, beispielsweise eine Verwendung einer verschiedenen Anzahl von Neuroneneinheitsschichten, usw., die in den beanspruchten Schutzumfang der vorliegenden Erfindung fallen.
Weiterhin könnten bei dem Entwurfsverfahren einer derartigen Wellenformentzerrungseinrichtung zahlreiche andere Anordnungen verschieden von den vorstehend beschriebenen zur Ableitung eines Satzes von Lerneingangswerten und eines entsprechenden Satzes von Lehrwerten zur Verwendung bei dem Lernvorgang des neuronalen Netzwerks für möglich gehalten werden.

Claims

1. Wellenformentzerrungseinrichtung zur Verarbeitung eines verzerrten digitalen Eingangssignals mit

einer ersten Verzögerungseinrichtung (14, 15, 16, 17), die zum Empfang des verzerrten digitalen Eingangssignals verknüpft ist, um das verzerrte digitale Signal durch aufeinanderfolgende feste Verzögerungsbeträge zum Erhalten einer Vielzahl von verzögerten verzerrten digitalen Signalen zu verzögern,

einer Vielzahl von Neuroneneinheiten (U(n,i)) und einer Vielzahl von Verbindungselementen (R&sub1;-R&sub5;, R&sub1;&sub1;-R&sub5;&sub3;) mit jeweils festen Gewichtskoeffizienten, wobei die Verbindungselemente die Neuroneneinheiten zur Ausbildung eines neuronalen Netzwerks (WE) miteinander verbinden, das zum Empfang des verzerrten digitalen Eingangssignals und verzögerter verzerrter digitaler Signal als Eingangssignale verknüpft ist, und das ein Wellenform-entzerrtes digitales Ausgangssignal auf die Eingangssignale hin erzeugt, und

einer Lehreinrichtung (Fig. 5) zur Einrichtung jeweiliger Werte für die festen Gewichtskoeffizienten mit einer zweiten Verzögerungseinrichtung (DL1-DL4) zur Bereitstellung identischer Verzögerungsbeträge gegenüber der ersten Verzögerungseinrichtung und einem zweiten neuronalen Netzwerk (N), das variable Gewichtskoeffizienten (W) aufweist und eine dem neuronalen Netzwerk mit festen Gewichtskoeffizienten entsprechende Netzwerkkonfiguration aufweist, wobei die Lehreinrichtung eine Einrichtung enthält, um dem zweiten neuronalen Netzwerk (N) über die zweite Verzögerungseinrichtung (DL1- DL4) ein ein verzerrtes digitales Signal darstellendes Lerneingangssignal zuzuführen, während ein von dem zweiten neuronalen Netzwerk erhaltenes Ausgangssignal mit einem Lehrsignal verglichen wird, das ein dem Lerneingangssignal entsprechendes nicht verzerrtes digitales Signal ist, und um einen vorbestimmten Lernalgorithmus zur Anderung der variablen Gewichtskoeffizienten entsprechend Differenzen zwischen dem Lehrsignal und dem Ausgangssignal des neuronalen Netzwerks anzuwenden, dadurch gekennzeichnet, daß der durch die erste Verzögerungseinrichtung (14-17) bereitgestellte feste Betrag der Verzögerung kleiner als eine Datenperiode des verzerrten digitalen Signais ist, und daß das Lehrsignal eine Folge von Lehrwerten mit einer Periode aufweist, die gleich dem festen Betrag der Verzögerung ist, und daß die Lehrwerte digitale "1"- und "0"-Pegelwerte und zumindest einen Wert enthalten, der zwischen den digitalen "1"- und "0"-Werten liegt.

2. Wellenformentzerrungseinrichtung nach Anspruch 1, dadurch gekennzeichnet, daß das neuronale Netzwerk mit festen Gewichtskoeffizienten aus einer Vielzahl von Schichten von Neuroneneinheiten (U(n,i)) gebildet wird, wobei eine Ausgabeschicht der Schichten eine Vielzahl von gewichteten Eingangssignalen von einer vorhergehenden Schicht der Schichten empfängt, und wobei die gewichteten Eingangssignale Signale wechselseitig entgegengesetzter Polarität enthalten können.

3. Wellenformentzerrungseinrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß jede Neuroneneinheit (U(n,i)) des neuronalen Netzwerks mit festen Gewichtskoeffizienten als Signalumwandlungseinheit konfiguriert ist, die eine nicht-lineare Umwandlung einer Summe von angelegten gewichteten Eingangssignalen ausführt, wobei jede Umwandlungseinheit zumindest eine Halbleitereinrichtung zur Bereitstellung einer nicht-linearen Eingangs/Ausgangs kennlinie enthält.

4. Wellenformentzerrungseinrichtung nach Anspruch 3, dadurch gekennzeichnet, daß jede umwandlungseinheit eine nicht-lineare Eingangs/Ausgangskennlinie aufweist, die aus einer Vielzahl von jeweils verschiedenen linearen Bereichen ausgebildet ist.

5. Wellenformentzerrungseinrichtung nach Anspruch 1, 2, 3 oder 4, dadurch gekennzeichnet, daß jede Neuroneneinheit des neuronalen Netzwerks mit festen Gewichtskoeffizienten ein Paar von in Reihe geschalteten Signalinvertierungselementen (1a, 1b; 2a, 2b; 3a, 3b; 4a, 4b) aufweist, wobei von einer Vielzahl von jeder Neuroneneinheit zugeführten gewichteten Eingangssignalen jedes gewichtete Eingangssignal wahlweise einem ersten oder einem zweiten der Invertierungselemente dem entsprechend zugeführt wird, ob jedes Eingangssignal mit einem effektiv positiven oder einem effektiv negativen Wert eines Gewichtskoeffizienten zu beaufschlagen ist.

6. Verfahren zum Entwurf einer Wellenformentzerrungseinrichtung (WE) zur Wellenformentzerrung eines von einem digitalen Signalaufzeichnungs- und Wiedergabegerät erzeugten verzerrten digitalen Signals, wobei die Wellenformentzerrungseinrichtung als neuronales Netzwerk mit einer Vielzahl von Neuroneneinheiten ausgebildet ist, die durch jeweilige feste Gewichtskoeffizienten bereitstellende Verbindungselemente miteinander verbunden sind, wobei jeweilige Werte für die festen Gewichtskoeffizienten wechselseitig unabhängig eingerichtet werden durch die Schritte

Erzeugen eines Satzes von Vorlagendaten und Speichern der Vorlagendaten in einer ersten Speichereinrichtung (25), Aufzeichnen der Vorlagendaten als digitale Datenwerte auf einem Aufzeichnungsträger (22) und nachfolgendes Ausführen einer Wiedergabe der aufgezeichneten Vorlagendaten, um ein digitales Wiedergabesignal zu erhalten,

periodisches Abtasten des digitalen Wiedergabesignals mit einer Abtastperiode, die kleiner oder gleich einer Datenperiode der digitalen Datenwerte ist, um aufeinanderfolgende digitale Abtastwerte zu erhalten, die als Lerneingangswerte zu verwenden sind, und Speichern der Lerneingangswerte in einer zweiten Speichereinrichtung (30),

Erzeugen eines simulierten neuronalen Netzwerks (N) mit variablen Gewichtskoeffizienten unter Verwendung eines Computers (33), wobei das simulierte neuronale Netzwerk eine Ersatzschaltung des neuronalen Netzwerks (WE) der Wellenformentzerrungseinrichtung ist,

Zuführen aufeinanderfolgender Lerneingangswerte von der zweiten Speichereinrichtung (30) zu dem Computer, um sie aufeinanderfolgend in das simulierte neuronale Netzwerk (N) einzugeben,

Zuführen aufeinanderfolgender Datenwerte der Vorlagendaten, die jeweils den Lerneingangswerten entsprechen, von der ersten Speichereinrichtung (25) zu dem Computer, um sie zur Herleitung von Lehrsignalwerten zum Vergleich mit von dem simulierten neuronalen Netzwerk erzeugten jeweiligen Ausgangswerten zu verwenden, wobei die Lehrsignalwerte digitale "1"- und "0"-Pegel und zumindest einen Pegel enthalten, der zwischen den digitalen "1"- und "0"-Pegeln liegt,

wiederholtes Ausführen eines Lernalgorithmus unter Verwendung von aus dem Vergleich erhaltenen Ergebnissen, um die variablen Gewichtskoeffizienten des simulierten neuronalen Netzwerks aufeinanderfolgend zu verändern, bis ein vorbestimmter Grad an Konvergenz für Werte der variablen Gewichtskoeffizienten erhalten wird, und

Einrichten jeweiliger Werte für die festen Gewichtskoeffizienten des neuronalen Netzwerks der Wellenformentzerrungseinrichtung auf der Grundlage von Endwerten, die für entsprechende variable Gewichtskoeffizienten des simulierten neuronalen Netzwerks erhalten werden.

7. Verfahren zum Entwurf einer Wellenformentzerrungseinrichtung nach Anspruch 6, wobei jeder Lerneingangswert durch eine Interpolation zwischen zwei aufeinanderfolgenden digitalen Abtastwerten erhalten wird.

8. Verfahren zum Entwurf einer Wellenformentzerrungseinrich tung nach Anspruch 6 oder 7, wobei die Abtastperiode im wesentlichen kleiner als die Datenperiode gemacht wird, wobei die Abtastung unter Verwendung eines Fest-Frequenz- Abtasttaktsignals ausgeführt wird, und wobei die Lerneingangswerte durch Auswahl eines aus jeder aufeinanderfolgenden festen Vielzahl der Abtastwerte erhalten werden.

9. Verfahren zum Entwurf einer Wellenformentzerrungseinrichtung nach Anspruch 8, wobei die Lehrwerte hergeleitet werden durch die Schritte

Teilen der Vorlagendaten in aufeinanderfolgende diskrete digitale Werte, die jeweils den Abtastwerten entsprechen,

Übertragen der diskreten digitalen Werte über ein digitales Tiefpaßfilter zum Erhalten gefilterter Datenwerte und

Erhalten der Lehrwerte durch Auswahl aufeinanderfolgender gefilterter Datenwerte durch einen Auswahlvorgang, der mit dem Vorgang zur Auswahl der Lerneingangswerte aus den digitalen Abtastwerten identisch ist.

10. Wellenformentzerrungseinrichtung nach Anspruch 1, dadurch gekennzeichnet, daß

der Lernalgorithmus durch einen Computer unter Verwendung einer nicht-linearen Verarbeitung ausgeführt wird, die auf einem Rückwärtsausbreitungsalgorithmus basiert, wobei jede Neuroneneinheit als nicht-lineare Wandlereinheit ausgebildet ist, die eine nicht-lineare Umwandlung der Summe zugeführter gewichteter Eingangssignalwerte ausführt, und wobei jede Wandlereinheit zumindest eine Diode mit einer Eingangs/Ausgangskennlinie enthält, die sich an eine in dem Lernalgorithmus verwendete nicht-lineare Verarbeitungskennlinie annahert.

11. Verfahren zur Herstellung einer Wellenformentzerrungseinrichtung mit den Schritten

Entwerfen der Wellenformentzerrungseinrichtung unter Verwendung des Verfahrens nach einem der Ansprüche 6 bis 9 und

Herstellen einer Wellenformentzerrungseinrichtung gemäß dem Entwurf.