DE841621T1 - Lernverfahren in Binärsystemen - Google Patents
Lernverfahren in BinärsystemenInfo
- Publication number
- DE841621T1 DE841621T1 DE0841621T DE97119287T DE841621T1 DE 841621 T1 DE841621 T1 DE 841621T1 DE 0841621 T DE0841621 T DE 0841621T DE 97119287 T DE97119287 T DE 97119287T DE 841621 T1 DE841621 T1 DE 841621T1
- Authority
- DE
- Germany
- Prior art keywords
- layer
- input
- binary
- connection
- pseudo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims 18
- 229910002056 binary alloy Inorganic materials 0.000 title claims 13
- 230000006870 function Effects 0.000 claims 12
- 238000012886 linear function Methods 0.000 claims 6
- 238000005381 potential energy Methods 0.000 claims 3
- 238000011478 gradient descent method Methods 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Logic Circuits (AREA)
- Image Analysis (AREA)
- Electrically Operated Instructional Devices (AREA)
- Character Discrimination (AREA)
- Image Processing (AREA)
- Feedback Control In General (AREA)
Claims (12)
1. Lernverfahren in Binärsystemen, wobei ein erstes
Binärgatter und ein zweites Binärgatter jeweils ein ODER-, UND-, NICHT-ODER-, NICHT-UND- oder EXKLUSIV- ODER-Gatter sein
können und das Lernen durch die Auswahl jeweils eines das erste Gatter mit dem zweiten Gatter verbindenden Verfahrens
aus den folgenden vier Verbindungszuständen durchgeführt wird:
(1) direkte Verbindung,
(2) Verbindung über einen Invertierer,
(3) Verbindung mit dem zweiten Gatter, wobei immer binär
0 1 eingegeben wird,
(4) Verbindung mit dem zweiten Gatter, wobei immer binär 0 eingegeben wird.
2. Lernverfahren in Binärsystemen, wobei das Lernen durch die
Auswahl eines Verfahrens, das einen Eingang mit einem ODER-, UND-, NICHT-ODER-, NICHT-UND-, oder EXKLUSIV-ODER-Binärgatter
verbindet, aus den folgenden vier Verbindungszuständen durchgeführt wird:
(1) direkte Verbindung,
0 (2) Verbindung über einen Invertierer,
(3) Verbindung mit dem vorhandenen Binärgatter, wobei immer binär 1 eingegeben wird,
(4) Verbindung mit dem vorhandenen Binärgatter, wobei immer binär 0 eingegeben wird.
3. Lernverfahren in Binärsystemen, wobei das Lernen durch die
Auswahl eines Verfahrens, das innere Zustände einschließlich aktueller und vorhergehender Eingänge mit einem ODER-, UND-,
NICHT-ODER-, NICHT-UND- oder EXKLUSIV-ODER-Binärgatter 0 verbindet, aus den folgenden vier Verbindungszuständen
durchgeführt wird:
(1) direkte Verbindung,
(2) Verbindung über einen Invertierer,
(3) Verbindung mit dem vorhandenen Binärgatter, wobei immer binär 1 eingegeben wird,
(4) Verbindung mit dem vorhandenen Binärgatter, wobei
immer binär 0 eingegeben wird.
4. Lernverfahren in Binärsystemen nach einem der Ansprüche 1
bis 3, wobei die Verbindung zwischen dem ersten Binärgatter oder dem Eingang und dem zweiten Binärgatter derart aufgebaut
wird, daß einer der vier Verbindungszustände entsprechend den Ergebnissen ausgewählt wird, die zwischen einem in das erste
Binärgatter eingegebenen Eingangssignal und einem Lehrsignal zum Lernen berechnet werden.
5. Lernverfahren in Binärsystemen nach einem der Ansprüche 1
bis 4, wobei ein wie folgt definiertes Pseudo-Neuron Q zwischen entweder dem ersten Binärgatter oder Eingangsdaten
und dem zweiten Binärgatter vorgesehen ist und der 0 Verbindungszustand zwischen diesen entsprechend dem Wert des
Pseudo-Neurons Q ausgewählt wird, wobei das Pseudo-Neuron Q durch Q = f(WX,6) definiert ist, mit
f: Schwellenwertfunktion, Sygmoid-Funktion oder teilweise lineare Funktion,
X: in das Pseudo-Neuron Q eingegebenes Eingangssignal,
X: in das Pseudo-Neuron Q eingegebenes Eingangssignal,
W: Gewicht zwischen dem Eingang und dem Pseudo-Neuron Q und
&THgr;: Schwellenwert des Pseudo-Neurons Q.
6. Lernverfahren in Binärsystemen, wobei die Systeme
eine Eingangsschicht, die die Eingabe einer Vielzahl von Binärdaten ermöglicht,
eine ÜND-Schicht mit einer Vielzahl von UND-Gattern,
eine ODER-Schicht mit einer Vielzahl von ODER-Gattern, in die die Ausgabe aus der UND-Schicht eingegeben wird,
eine Ausgangsschicht, in die die Ausgabe aus der ODER-
Schicht eingegeben wird, und
eine Verbindungsschicht mit Pseudo-Neuronen Q zwischen der Eingangsschicht und der UND-Schicht aufweisen, und das
Lernen durch die Auswahl jeweiliger Verbindungszustände, die
die Eingangsschicht mit der UND-Schicht verbinden, aus den folgenden Verbindungszuständen durchgeführt wird:
(1) direkte Verbindung der Eingangsschicht mit der UND-Schicht,
(2) Verbindung der Eingangsschicht mit der UND-Schicht über Invertierer,
(3) in die Eingänge der UND-Schicht wird immer binär 1 eingegeben,
(4) in die Eingänge der UND-Schicht wird immer binär 0 eingegeben,
wobei das Pseudo-Neuron Q durch Q = f(WX,9) definiert
ist, mit
f: Schwellenwertfunktion, Sygmoid-Funktion oder teilweise lineare Funktion,
0 X: in das Pseudo-Neuron Q eingegebenes Eingangssignal,
W: Gewicht zwischen dem Eingang und dem Pseudo-Neuron Q und
Q: Schwellenwert des Pseudo-Neurons Q.
7. Lernverfahren in Binärsystemen, wobei die Systeme
eine Eingangsschicht, die die Eingabe einer Vielzahl von Binärdaten ermöglicht,
eine ODER-Schicht mit einer Vielzahl von ODER-Gattern, eine UND-Schicht mit einer Vielzahl von UND-Gattern, in
0 die die Ausgabe aus der ODER-Schicht eingegeben wird,
eine Ausgangsschicht, in die die Ausgabe aus der UND-Schicht eingegeben wird, und
eine Verbindungsschicht mit Pseudo-Neuronen Q zwischen der Eingangsschicht und der ODER-Schicht aufweisen, wobei das
Lernen durch die Auswahl jeweiliger Verbindungszustände, die
- 4 die Eingangsschicht mit der ODER-Schicht verbinden, aus den
folgenden Verbindungszuständen durchgeführt wird:
(1) direkte Verbindung der Eingangsschicht mit der ODER-Schicht,
(2) Verbindung der Eingangsschicht mit der ODER-Schicht über Invertierer,
(3) in die Eingänge der ODER-Schicht wird immer binär eingegeben,
(4) in die Eingänge der ODER-Schicht wird immer binär eingegeben,
wobei das Pseudo-Neuron Q durch Q = f(WX,0) definiert
ist, mit
f: Schwellenwertfunktion, Sygmoid-Funktion oder
teilweise lineare Funktion,
X: in das Pseudo-Neuron Q eingegebenes Eingangssignal,
X: in das Pseudo-Neuron Q eingegebenes Eingangssignal,
W: Gewicht zwischen dem Eingang und dem Pseudo-Neuron Q und
&THgr;: Schwellenwert des Pseudo-Neurons Q.
0
8. Lernverfahren in Binärsystemen, wobei die Systeme
eine Eingangsschicht, die die Eingabe einer Vielzahl von Binärdaten ermöglicht,
eine Zwischen-NICHT-UND-Schicht mit einer Vielzahl von
NICHT-UND-Gattern,
eine Ausgangs-NICKT-UND-Schicht mit einer Vielzahl von
NICHT-UND-Gattern, in die die Ausgabe aus der Zwischen-NICHT-UND-Schicht eingegeben wird,
eine Ausgangsschicht, in die die Ausgabe aus der NICHT-UND-Schicht
eingegeben wird, und
0 eine Verbindungsschicht mit Pseudo-Neuronen Q zwischen
der Eingangsschicht und der Zwischen-NICHT-UND-Schicht aufweisen, wobei das Lernen durch die Auswahl jeweiliger
Verbindungszustände, die die Eingangsschicht mit der NICHT-UND-Schicht verbinden, aus den folgenden Verbindungszuständen
5 durchgeführt wird:
(1) direkte Verbindung der Eingangsschicht mit der
Zwischen-NICHT-UND-Schicht,
(2) Verbindung der Eingangsschicht mit der Zwischen-NICHT-UND-Schicht
über Invertierer,
(3) in die Eingänge der Zwischen-NICHT-UND-Schicht wird immer binär 1 eingegeben,
(4) in die Eingänge der Zwischen-NICHT-UND-Schicht wird immer binär O eingegeben,
wobei das Pseudo-Neuron Q durch Q = f (WX,&THgr;) definiert
ist, mit
f: Schwellenwertfunktion, Sygmoid-Funktion oder teilweise lineare Funktion,
X: in das Pseudo-Neuron Q eingegebenes Eingangssignal, W: Gewicht zwischen dem Eingang und dem Pseudo-Neuron Q
und
&THgr;: Schwellenwert des Pseudo-Neurons Q.
9. Lernverfahren in Binärsystemen, wobei die Systeme eine Eingangsschicht, die die Eingabe einer Vielzahl von
Binärdaten ermöglicht,
eine Zwischen-NICHT-ODER-Schicht mit einer Vielzahl von
NICHT-ODER-Gattern,
eine Ausgangs-NICHT-ODER-Schicht mit einer Vielzahl von
NICHT-ODER-Gattern, in die die Ausgabe aus der Zwischen-NICHT-ODER-Schicht
eingegeben wird,
eine Ausgangsschicht, in die die Ausgabe aus der Ausgangs-NICHT-ODER-Schicht eingegeben wird, und
eine Verbindungsschicht mit Pseudo-Neuronen Q zwischen der Eingangsschicht und der Zwischen-NICHT-ODER-Schicht
0 aufweisen, wobei das Lernen durch die Auswahl jeweiliger Verbindungszustände, die die Eingangsschicht mit der
Zwischen-NICHT-ODER-Schicht verbinden, aus den folgenden Verbindungszuständen durchgeführt wird:
(1) direkte Verbindung der Eingangsschicht mit der Zwischen-NICHT-ODER-Schicht,
(2) Verbindung der Eingangsschicht mit der Zwischen-
NICHT-ODER-Schicht über Invertierer,
(3) in die Eingänge der Zwischen-NICHT-ODER-Schicht wird
immer binär 1 eingegeben,
(4) in die Eingänge der Zwischen-NICHT-ODER-Schicht wird immer binär 0 eingegeben,
wobei das Pseudo-Neuron Q durch Q = f (WX,&THgr;) definiert
ist, mit
f: Schwellenwertfunktion, Sygmoid-Funktion oder teilweise lineare Funktion,
X: in das Pseudo-Neuron Q eingegebenes Eingangssignal,
W: Gewicht zwischen dem Eingang und dem Pseudo-Neuron Q und
&THgr;: Schwellenwert des Pseudo-Neurons Q.
10. Lernverfahren in Binärsystemen, wobei die Systeme
eine Eingangsschicht, die die Eingabe einer Vielzahl von Binärdaten ermöglicht,
eine Zwischen-EXKLUSIV-ODER-Schicht mit einer Vielzahl
0 von EXKLUSIV-ODER-Gattern,
eine Ausgangs-EXKLUSIV-ODER-Schicht mit einer Vielzahl
von EXKLUSIV-ODER-Gattern, in die die Ausgabe aus der Zwischen-EXKLUSIV-ODER-Schicht eingegeben wird,
eine Ausgangsschicht, in die die Ausgabe aus der Ausgangs-EXKLUSIV-ODER-Schicht eingegeben wird, und
eine Verbindungsschicht mit Pseudo-Neuronen Q zwischen
der Eingangsschicht und der Zwischen-EXKLUSIV-ODER-Schicht aufweisen, wobei das Lernen durch die Auswahl jeweiliger
Verbindungszustände, die die Eingangsschicht mit der 0 Zwischen-EXKLUSIV-ODER-Schicht verbinden, aus den folgenden
Verbindungszuständen durchgeführt wird:
(1) direkte Verbindung der Eingangsschicht mit der Zwischen-EXKLUSIV-ODER-Schicht,.
(2) Verbindung der Eingangsschicht mit der Zwischen-5 EXKLUSIV-ODER-Schicht über Invertierer,
(3) in die Eingänge der Zwischen-EXKLUSIV-ODER-Schicht
wird immer binär 1 eingegeben,
(4) in die Eingänge der Zwischen-EXKLUSIV-ODER-Schicht wird immer binär 0 eingegeben,
wobei das Pseudo-Neuron Q durch Q = f (WX,&THgr;) definiert
ist, mit
f: Schwellenwertfunktion, Sygmoid-Funktion oder
teilweise lineare Funktion,
X: in das Pseudo-Neuron Q eingegebenes Eingangssignal, W: Gewicht zwischen dem Eingang und dem Pseudo-Neuron Q
und
&thgr;: Schwellenwert des Pseudo-Neurons Q.
11. Lernverfahren in Binärsystemen nach einem der Ansprüche bis 10, wobei die Verfahren dadurch charakterisiert sind, daß
die Modifikationen der Gewichte W und der Schwellenwerte &thgr; unter Verwendung des Gradientenabfallverfahrens durchgeführt
werden.
12. Lernverfahren in Binärsystemen nach einem der Ansprüche bis 10, wobei die Verfahren dadurch charakterisiert sind, daß
die Quasi-Potentialenergien in jedem der Basisgatter zusammen mit dem Ausdrücken der Verbindungszustände der
Verbindungsschicht mit der Quasi-Potentialenergie berechnet
werden, wobei das Lernen durch Modifikation der Quasi-Potentialenergie der Verbindungszustände durchgeführt wird.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/744,299 US6061673A (en) | 1996-11-06 | 1996-11-06 | Learning methods in binary systems |
Publications (1)
Publication Number | Publication Date |
---|---|
DE841621T1 true DE841621T1 (de) | 1998-11-12 |
Family
ID=24992201
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE0841621T Pending DE841621T1 (de) | 1996-11-06 | 1997-11-04 | Lernverfahren in Binärsystemen |
DE69713247T Expired - Fee Related DE69713247T2 (de) | 1996-11-06 | 1997-11-04 | Lernverfahren in Binärsystemen |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE69713247T Expired - Fee Related DE69713247T2 (de) | 1996-11-06 | 1997-11-04 | Lernverfahren in Binärsystemen |
Country Status (10)
Country | Link |
---|---|
US (1) | US6061673A (de) |
EP (1) | EP0841621B1 (de) |
JP (1) | JPH10320369A (de) |
KR (1) | KR19980042174A (de) |
CN (1) | CN1182246A (de) |
CA (1) | CA2219594C (de) |
DE (2) | DE841621T1 (de) |
IL (1) | IL122099A (de) |
RU (1) | RU2168713C2 (de) |
TW (1) | TW326507B (de) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0937570B1 (de) * | 1997-08-08 | 2004-10-13 | Bridgestone Corporation | Verfahren zum entwerfen von reifen, optimierungsanalysereinrichtung und speichermedium zur aufnahme des optimierungsanalyseprogramms |
JP2002024199A (ja) * | 1998-02-20 | 2002-01-25 | Souwa Kenkyusho:Kk | 二値システムの学習方法 |
AU765460B2 (en) * | 1999-08-05 | 2003-09-18 | Sowa Institute Of Technology Co., Ltd. | Learning methods in binary systems |
US7420969B2 (en) * | 2000-11-29 | 2008-09-02 | Rmi Corporation | Network switch with a parallel shared memory |
US7072345B2 (en) * | 2000-11-29 | 2006-07-04 | Raza Microelectronics, Inc | Programmable integrated circuit for use in a network switch |
US7293002B2 (en) * | 2001-06-19 | 2007-11-06 | Ohio University | Self-organizing data driven learning hardware with local interconnections |
US12045319B2 (en) | 2020-05-13 | 2024-07-23 | International Business Machines Corporation | First-order logical neural networks with bidirectional inference |
US11494634B2 (en) * | 2020-05-13 | 2022-11-08 | International Business Machines Corporation | Optimizing capacity and learning of weighted real-valued logic |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR910002134B1 (ko) * | 1986-11-29 | 1991-04-04 | 대우전자 주식회사 | 한자표시가 가능한 엠 에스 엑스(msx) 컴퓨터 |
US4807168A (en) * | 1987-06-10 | 1989-02-21 | The United States Of America As Represented By The Administrator, National Aeronautics And Space Administration | Hybrid analog-digital associative neural network |
KR900007636Y1 (ko) * | 1988-02-12 | 1990-08-23 | 대우자동차 주식회사 | 차량의 선반장치 |
US4941122A (en) * | 1989-01-12 | 1990-07-10 | Recognition Equipment Incorp. | Neural network image processing system |
US5167006A (en) * | 1989-12-29 | 1992-11-24 | Ricoh Company, Ltd. | Neuron unit, neural network and signal processing method |
US5212765A (en) * | 1990-08-03 | 1993-05-18 | E. I. Du Pont De Nemours & Co., Inc. | On-line training neural network system for process control |
US5371413A (en) * | 1990-09-11 | 1994-12-06 | Siemens Aktiengesellschaft | Process and arrangement for the Boolean realization of adaline-type neural networks |
DE69029390T2 (de) * | 1990-09-15 | 1997-06-12 | Ibm | Programmierbare Schaltung für eine neurale Logik |
KR930004271B1 (ko) * | 1990-09-18 | 1993-05-22 | 금성일렉트론 주식회사 | 바이너리 카운터 |
FR2671207B1 (fr) * | 1991-01-02 | 1993-04-16 | Abin Claude | Reseau neuronal a operateurs binaires et procedes pour sa realisation. |
US5226092A (en) * | 1991-06-28 | 1993-07-06 | Digital Equipment Corporation | Method and apparatus for learning in a neural network |
JPH05210649A (ja) * | 1992-01-24 | 1993-08-20 | Mitsubishi Electric Corp | 神経回路網表現装置 |
JP2690702B2 (ja) * | 1994-09-13 | 1997-12-17 | 日本電気株式会社 | 自己組織化装置 |
-
1996
- 1996-11-06 US US08/744,299 patent/US6061673A/en not_active Expired - Fee Related
- 1996-11-13 TW TW085113850A patent/TW326507B/zh active
-
1997
- 1997-10-28 CA CA002219594A patent/CA2219594C/en not_active Expired - Fee Related
- 1997-11-04 DE DE0841621T patent/DE841621T1/de active Pending
- 1997-11-04 DE DE69713247T patent/DE69713247T2/de not_active Expired - Fee Related
- 1997-11-04 CN CN97122513A patent/CN1182246A/zh active Pending
- 1997-11-04 EP EP97119287A patent/EP0841621B1/de not_active Expired - Lifetime
- 1997-11-04 IL IL12209997A patent/IL122099A/xx not_active IP Right Cessation
- 1997-11-05 RU RU97118609/09A patent/RU2168713C2/ru not_active IP Right Cessation
- 1997-11-05 JP JP9320297A patent/JPH10320369A/ja active Pending
- 1997-11-06 KR KR1019970058581A patent/KR19980042174A/ko not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
EP0841621A1 (de) | 1998-05-13 |
DE69713247T2 (de) | 2003-02-06 |
CA2219594C (en) | 2002-04-16 |
RU2168713C2 (ru) | 2001-06-10 |
MX9708565A (es) | 1998-06-30 |
JPH10320369A (ja) | 1998-12-04 |
EP0841621B1 (de) | 2002-06-12 |
US6061673A (en) | 2000-05-09 |
CN1182246A (zh) | 1998-05-20 |
TW326507B (en) | 1998-02-11 |
CA2219594A1 (en) | 1998-05-06 |
IL122099A0 (en) | 1998-04-05 |
IL122099A (en) | 2001-01-28 |
DE69713247D1 (de) | 2002-07-18 |
KR19980042174A (ko) | 1998-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE3885994T2 (de) | Schaltung zur Bewegungsdetektion. | |
DE2634331A1 (de) | Mustererkennungssystem | |
DE2256135A1 (de) | Verfahren zum pruefen von monolithisch integrierten halbleiterschaltungen | |
DE841621T1 (de) | Lernverfahren in Binärsystemen | |
DE4444304A1 (de) | Verfahren zum Erzeugen eines zusammengesetzten Videobildes | |
DE10210264A1 (de) | Ein Testvektorkomprimierungsverfahren | |
DE69026414T2 (de) | Binäres Addiergerät | |
DE3644015C2 (de) | ||
DE2101991A1 (de) | Verfahren zum Erzeugen einer seismischen Aufzeichnung von seis mischen Spuren in einer automatischen Rechner und Aufzeichnungsvorrichtung | |
DE2224140A1 (de) | Schaltwerk zum Übersetzen der Schliessung je eines von mehreren Zweipol-Schaltern in einen entsprechenden seriellen Bitcode | |
DE3836205A1 (de) | Multiplizierer | |
DE3854036T2 (de) | Numerische datenvorbereitung zur bearbeitung gekrümmrter oberflächen. | |
DE3822324A1 (de) | Vorrichtung zum zerlegen des prioritaetswertes | |
WO1998008173A1 (de) | Verfahren zur automatischen maschinellen erzeugung von fertigungsunterlagen | |
DE2845164A1 (de) | Ziel-ortungs- und entfernungs- messystem | |
DE3722440A1 (de) | Multizyklonanlage | |
CH650111A5 (de) | Vorrichtung fuer kuenstlichen nachhall. | |
DE69030907T2 (de) | Datenverarbeitungsanlage | |
EP0146865B1 (de) | Verfahren zum Erzeugen zufallsähnlicher Binärzeichenfolgen | |
DE69021951T2 (de) | Verfahren zum Erzeugen eines Maskierungsbits während eines dynamischen Vergleichs eines seriellen Datenstroms mit einer Referenz. | |
DE4238938C2 (de) | Verfahren zur Interpolation eines Lageführungssignals | |
DE2848945A1 (de) | Vorrichtung zum uebertragen stochastischer informationen | |
DE3702204A1 (de) | Betriebseinheit fuer arithmetik und logik | |
DE1948604B2 (de) | Schaltungsanordnung zur erzeugung eines negierten gruppenuebertrages mit hilfe von nor-schaltungen | |
DE69610918T2 (de) | Anwenderprogrammierbares gatterfeld (fpga) mit kodierter verbindundsstruktur |