JPH02275596A - プログラマブルアナログ神経回路 - Google Patents

プログラマブルアナログ神経回路

Info

Publication number
JPH02275596A
JPH02275596A JP2059803A JP5980390A JPH02275596A JP H02275596 A JPH02275596 A JP H02275596A JP 2059803 A JP2059803 A JP 2059803A JP 5980390 A JP5980390 A JP 5980390A JP H02275596 A JPH02275596 A JP H02275596A
Authority
JP
Japan
Prior art keywords
circuit
column
input
circuits
neural
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.)
Granted
Application number
JP2059803A
Other languages
English (en)
Other versions
JP2992893B2 (ja
Inventor
Emmanuel De Chambost
エマヌエル、ド、シャンボスト
Francois Vallet
フランソワ、バレ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thomson CSF SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thomson CSF SA filed Critical Thomson CSF SA
Publication of JPH02275596A publication Critical patent/JPH02275596A/ja
Application granted granted Critical
Publication of JP2992893B2 publication Critical patent/JP2992893B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06GANALOGUE COMPUTERS
    • G06G7/00Devices in which the computing operation is performed by varying electric or magnetic quantities
    • G06G7/12Arrangements for performing computing operations, e.g. operational amplifiers
    • G06G7/22Arrangements for performing computing operations, e.g. operational amplifiers for evaluating trigonometric functions; for conversion of co-ordinates; for computations involving vector quantities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00Digital computers in general; Data processing equipment in general
    • G06F15/76Architectures of general purpose stored program computers
    • G06F15/80Architectures of general purpose stored program computers comprising an array of processing units with common control, e.g. single instruction multiple data processors
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065Analogue 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)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Neurology (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Logic Circuits (AREA)
  • Analogue/Digital Conversion (AREA)
  • Non-Volatile Memory (AREA)
  • Semiconductor Memories (AREA)

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明はプログラマブルアナログ神経回路に関する。
〔従来の技術〕
人工知能の分野で発展した技術における神経回路は多数
の成分を有するベクトルについて変換を行うことの出来
る電気回路である。これら回路の実現例は、例えばジャ
ーナルバイオロジカルサイバネチックス52、pp14
1−152 (1985)の「最適化問題における決定
の神経計算」と題する」、J、ホブフィールドおよびり
、W、タンクの文献あるいはプロシーデインゲス費オブ
伊ザrscc1987における[神経回路にもとづ(C
MO8連合記憶チップ」と題するI+、グラーフおよび
P、デベクバの文献に原理説明があるように周知である
これら回路の目的は下式の演算を行うためである。
Cv  )−1−(A、j)  [:Vo]但しくV 
 )は、v81ε (−1+1)のようなN個の成分V
elをもつ入力ベクトル、〔vSjはV 、s  (−
1+1) (1)ようなMg(7)成分v8jを有J する出力ベクトル、[:A、)はNXM個の正または負
の係数aljのマトリクスである。
1・ (Alj)は入力ベクトル〔V8〕について次の
ような対応する出力ベクトル〔V 〕を与える演算を示
す。
V、−slgn(Σ a1j*Vej)、すなわち2つ
のベクトルのスカラー積である但し、 slgn (x) −1x > 0のときslgn(x
)=−1x<Qのとき 係数aljはシナブチツク係数またはシナブチツクウェ
イトと呼ばれる。
第1図の回路に従って演算aIj*vo1をアナログ形
で行う利点は周知である。第1図の回路ではn個の入力
端子Bl−Bnは、Pを値1からmとして夫々値1/a
pjの抵抗を介して共通の出力S。
に接続する。端子Bl−Bn上の人力信号は夫々vel
−Venである。出力SにはvSj−Σ A1j*■o
fが得られる。
この図および他の図に示すこれら抵抗は線形特性をもつ
必要はないが、マイクロエレクトロニクス、特にソース
またはドレンに接続するグリッドを有するトランジスタ
についてCMO3技術で用いられる種々の負荷である。
この共通点のインピーダンスが無限であるとすると電圧
の加算が行われ、0であると電流の加算が行われる。
情報の粗い部分、−1または+1のみが保持されるから
高精度は必要でないが、第1図の構成から生じる高速化
の利点は重要である。アナログ加算の特性はディジタル
装置におけるような順次形ではなく並列にすべての加算
項の加算が可能なことである。
更に、1988年6月、パリにおける n  ’EURO’  88 r2進接続回路による線
形分類」においてE、de ChaIlbastにより
、夫々のシナブチツク係数の分解能が1ビツト情報まで
縮減させると、すなわち、CIjの2個の値が−1また
は+1でありうるとすると、神経回路はその特性の殆ど
を保持するということが示されている。
後述する第2.3.4.5.6図は、1個の2進セルが
1個の係数a1jに割当てられるプログラマブルアナロ
グ神経回路の構成に特に重要であるこのケースに関する
ものである。
以降の説明においては係数a8.の新しい表を書J 込む操作が新しい入力ベクトル〔V 〕を入れる操作よ
り著しく頻度が低いと仮定している。
マイクロエレクトロニクス回路に第1図の抵抗を物理的
に組込む方法は、シナブチツク係数の値を変更する必要
のあるたびに使用するマスクを変更しなければならず、
高価となりすぎるために有利ではない。
プログラマブルアナログ神経回路はそのシナブチツク係
数を、2進ワードを電子的メモリに書込むと同様に電気
的に変更しつるアナログ神経回路である。
プログラマブルアナログ神経回路を構成するための従来
の方法は第2.3図に示しである。
第2図において、点線で囲まれた部分M1jは従来のよ
うにシナブチツク接続の境界を示す。CIjは従来のご
とくに構成されたメモリセルである。
セルCIjは第1出力に論理状Ha t Jを与え、第
2出力にはその補数a1jを出す。これら出力は夫々抵
抗(R,、R2)と直列になったFET (TI。
T2)を介して列導体Ljに接続する。T1とT2のグ
リッドは夫々ラインV。jとそれに対して相補であるラ
インV81に接続する。
第3図には第2図と同様なシナブチツク接続のマトリク
スの一部が示しである。このマトリクスは行V。1  
’enと相補論理状態となる行V。1V および列L1
−Lnからなる。夫々のシナブn ス(1つの列と2本の相補釣行、■ckとV。5、の交
点)は第2図に示すようなシナブチツク接続で配置され
ている。各列L1−Loは演算増幅器A、−ANにより
比較器C,−CNの入力に接続し、これら比較器の他の
入力にはディジタル−アナログ変換器DAC,−DAC
oを介して2進ワードの形で記憶されたディジタルオフ
セット電圧V8□−■snが入る。各列に接続したこれ
ら電子の群D1−Dnは対応する列のN個の入力信号の
電流加算を行う検出装置を構成する。
「0」と「1」は2進論理の電気回路における2つの状
態を示しており、Itjはa 1j’I’ V eiに
比例する第2図の素接続から生じる電流であり、電流1
1jの真理値表は次の通りである。
この真理値表はf−1,+11 における乗算のそれと
同形である。
神経四路にとって一部の係数(a l J 、・・・a
lj。
・・・a  、)に関連したしきい値vSにより和Σa
IjJ *Vo、をオフセットすることがしばしば必要であるか
ら、プログラマブルアナログ回路の全構造を第3図に示
す。この置換は電圧Vs□−vsoを用いて比較器C1
−CNで行われる。
第3図のように行velを2つの部分に分割する必要性
は1本の行がスペース(−1,11ではなくスペース+
0.11で行われるべき乗算と同じ動作を可能にするも
のであることによる。
〔発明が解決しようとする問題点〕
従来の技術によれば素子数とそれらの占めるスペースが
かなりのものになる。
〔問題点を解決するための手段〕及び〔作用〕本発明の
目的は従来の回路よりも少い要素を用いてスペースf−
1,11で乗算真理値表を行いうるようにするプログラ
マブルアナログ神経回路である。
本発明によるプログラマブルアナログ神経回路はN個の
人力とM個の出力を有するデカルトマトリクス形であっ
てこれらN個の入力とN個の行とM個の列に接続する第
1加算回路を含み、NXM個のシナプスの夫々が列加算
回路に接続し、これら列加算回路の他の入力は第1加算
回路の出力に接続し、これら列加算回路の夫々の更に他
の入力は可変7は圧発生回路に接続する。
〔実施例〕及び〔発明の効果〕 この明細書においてマトリクスとは入力行と出力列を有
するが、これら行と列の機能は置き換え可能であり、説
明の便宜上行を入力とし列を出力としている。
第4図には1個のシナブチツク接続C8が、入力列導体
V。1と列導体Ljの部分のみを示すマトリクスを形成
している。
接続C8は例えばORまたはAND形の論理ゲートで構
成されるメモリセルCIjを含み、このゲートの端子a
jjはFETトランジスタT1のソース−ドレン回路に
より抵抗R1と直列に導体Ljに接続し、T1のグリッ
ドは導体V。、に接続する。
このようにドレン抵抗と行導体(V8ρを有するトラン
ジスタを省略する。
接続C8は次の理由により、行われるべき乗算の真理値
表を可能にする。
シナブチツク接続は次の機能を物理的に行う。
但しatjA!  (1,”11及びV。IE (−1
,+1)である。
a  −2*a’−1およびV  −2*V;l−11
j      Ij       eiとすれば、 ・・・(2) となる。
3つの項A、B、Cは次のように論理ゲートを用いて行
うことが出来る。
式(2)において項Aはスカラー積であって例えば第4
図に示すような一連の簡単な論理ゲートを用いて行うこ
とが出来る。項Bは入力ベクトルにより変化するが、す
べての列について同一である。これは各入力ベクトルに
ついて計算されるものである。項Cは入力ベクトルには
依存しないが対応する列の係数の値にのみ依存する。
第5図に簡略的に示されるマトリクスは上記の式(2)
の種々の演算を行うことを可能にする。
このマトリクスはN本の行導体V。t−”enとM本の
列導体L1−LHを有する。実際にはM−Nが一般的で
ある。このマトリクスの各交点(すなゎ・ちシナプス)
において、第4図のゲートのような論理ゲートP1□−
PMNが接続されてa1jε (0゜1)とV′ ε 
(0,11となると直ちにスカラーl 積と同じ演算を行う。列導t+Loは抵抗R1RNによ
り各行に接続する。この列導体り。は演算増幅器Aの反
転入力に接続する。
他の列L1−L−夫々は加算!jt置oj−p’。
の第1人力EL□−EIMに接続する。増幅器Aの出力
は同時にすべての装置D’−D’の第2人力M E2□−22Mに接続する。
装置D’−D’はすべて同じである。第5図に1M おいては装ff1D’gのみを詳細に示している。この
装置D′、において、入力端子E1jは演算増幅器A、
の入力に直接接続し、端子E2jはその増幅器の同じ入
力が抵抗R1を介して接続する。増幅器A、の出力は比
較器Cjの第1人力に接続し、その第2人力には、2進
ワードV 、を受けるディジJ クルーアナログ変換器DAC,の出力が接続する。
第5図のマトリクスにおいて、増幅器Aは列導体L と
抵抗R1−RNと共に式(2)の項Bを行う、すなわち
N個の入力信号の加算を行う回路を構成する。この回路
の出力信号は夫々回路D′1−D’ に(夫々端子E2
□−E2Nを介して)送られる。
上記のように、異なるゲートP11−PMNはスカラー
積(式(2)の項A)と同じ演算を行う。
人力ベクトルに影響する係数の値にのみ依存する式(2
)の項Cは値■8、−VSM(2進ワードの形であって
プログラムにより容易に変更出来、そして変換器DAC
−DACMによりアナログ値に変換される)により回路
D′1−D脅内で各列について決定される。アナログ値
に変換されるこのディジタル値は比較器C,−CM内で
各列の値のオフセットを構成する。
勿論項A、  B、  Cの係数2と4は演算増幅器A
 t  A Mの抵抗の対応する調整により回路D1−
D’内で容易に得られる。
第6図は従来のフローティンググリッド形のEEPRO
M技術におけるシナブチツク接続CSIを示す。接続C
SIは2個のトランジスタQIJとQIJを含み、これ
らのグリッドは行V。jとVclに、ドレンは抵抗RA
、RBを介して列Ljにそしてソースは基準電位Vに夫
々接続する。
他方、第7図の本発明によるシナブチツク接続CS2は
E E F ROM技術を用いるが、1本の行■ と1
個のトランジスタQ1jのみを必要としてl おり、このトランジスタのドレンは抵抗RAを介して列
L5に、ソースは基準電位Vに接続する。
本発明の装置はSRAM−CMO3のような柾々の技術
を用いて構成出来るが、フローティンググリッド形のE
EPROM技術を用いる場合には各メモリセルは通常、
1個のトラン、ジスタのグリッドに負荷の形で記憶され
るものに対して相補的な状態を記憶するトランジスタを
有しないから(すなわち第2図の状fia 、、かない
)、その技術J を用いた方がよい。1つのマトリクスの占めるスペース
はこのようにしてCMO9技術と比較すると半分になる
勿論ダイナミックメモリは本発明のマトリクスを構成す
るためには用いることが出来ない。それはそれらの更新
原理が神経回路に必要な集中的な読取を可能にするから
である。
略図、第6図は従来のEEPROM技術におけるシナプ
ス接続を示す図、第7図は本発明によるEEPROM技
術におけるシナプス接続を示す図である。
vel・・・行導体、Lj・・・ダ1工導体、C8・・
・シナプス接続、C′・・・メモリセル、Pll−PM
N・・・論理ゲーj ト、D’−D’・・・加算装置、Rt  RN・・・抵
抗、1M E  −E  ・・・加算装置の第1人力、E21−8
2M・・・11  1M 加算装置の第2人力、A、・・・演算増幅器、C1・・
・J                J比較器、DA
C,・・・ディジタルアナログ変換器。
【図面の簡単な説明】

Claims (1)

  1. 【特許請求の範囲】 1、N個の入力およびM個の出力を有するデカルトマト
    リクスを有し、これらN個の入力と、N個の行とM個の
    列に接続する第1加算回路からなり、これらN、Mシナ
    プスの夫々は1個の論理ゲートで構成され、M個の列の
    夫々は1個の列加算回路に接続し、これら列加算回路の
    夫々の他方の入力は上記第1加算回路の出力に接続し、
    これら列加算回路の夫々の更に他の入力は可変電圧を発
    生する回路に接続するごとくなったプログラマブルアナ
    ログ神経回路。 2、前記可変電圧を発生する回路は2進ワードを受ける
    ディジタル−アナログ変換器である、請求項1記載の神
    経回路。 3、前記2進ワードはプログラムにより変更可能である
    、請求項2記載の神経回路。 4、前記シナプスはフローティンググリッドを用いたE
    EPROM技術を用いて製造されるごとくなった請求項
    1記載の神経回路。 5、前記シナプスはSRAM−COMS技術を用いて製
    造されるごとくなった請求項1記載の神経回路。
JP2059803A 1989-03-10 1990-03-09 プログラマブルアナログ神経回路 Expired - Fee Related JP2992893B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR8903151A FR2644264B1 (fr) 1989-03-10 1989-03-10 Reseau neuronal analogique programmable
FR8903151 1989-03-10

Publications (2)

Publication Number Publication Date
JPH02275596A true JPH02275596A (ja) 1990-11-09
JP2992893B2 JP2992893B2 (ja) 1999-12-20

Family

ID=9379565

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2059803A Expired - Fee Related JP2992893B2 (ja) 1989-03-10 1990-03-09 プログラマブルアナログ神経回路

Country Status (6)

Country Link
US (1) US5047655A (ja)
EP (1) EP0387146B1 (ja)
JP (1) JP2992893B2 (ja)
KR (1) KR0149839B1 (ja)
DE (1) DE69019211T2 (ja)
FR (1) FR2644264B1 (ja)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR920009096B1 (ko) * 1990-06-25 1992-10-13 정호선 신경회로망을 이용한 에러정정회로
KR920009094B1 (ko) * 1990-06-27 1992-10-13 정호선 신경회로망을 이용한 에러정정회로
IT1244911B (it) * 1991-01-31 1994-09-13 Texas Instruments Italia Spa Architettura per rete neuronica fisicamente inseribile nel processo di apprendimento.
US5195170A (en) * 1991-08-12 1993-03-16 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Neural-network dedicated processor for solving assignment problems
US5479579A (en) * 1992-09-04 1995-12-26 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Cascaded VLSI neural network architecture for on-line learning
US5537512A (en) * 1993-05-26 1996-07-16 Northrop Grumman Corporation Neural network elements
AU1555495A (en) * 1993-12-23 1995-07-10 State Of Oregon Acting By And Through The State Board Of Higher Education On Behalf Of Portland State University, The Programmable analog array circuit
US5583771A (en) * 1994-08-04 1996-12-10 Delco Electronics Corp. Method and apparatus for distinguishing between deployment events and non-deployment events in an SIR system
JP2000012787A (ja) 1998-06-10 2000-01-14 Lucent Technol Inc 集積回路デバイスおよび集積回路に用いる抵抗性素子を形成する方法
EP1115120A3 (en) * 2000-01-07 2003-09-10 Lucent Technologies Inc. Method and apparatus for temperature compensation of read-only memory
FR2837931B1 (fr) * 2002-03-29 2004-12-10 Cameca Dispositif de mesure de l'emission de rayons x produite par un objet soumis a un faisceau d'electrons
JP6674838B2 (ja) 2015-05-21 2020-04-01 株式会社半導体エネルギー研究所 電子装置
KR102609997B1 (ko) 2015-10-23 2023-12-06 가부시키가이샤 한도오따이 에네루기 켄큐쇼 모듈 및 전자 기기
WO2017068490A1 (en) 2015-10-23 2017-04-27 Semiconductor Energy Laboratory Co., Ltd. Semiconductor device and electronic device
US9934826B2 (en) 2016-04-14 2018-04-03 Semiconductor Energy Laboratory Co., Ltd. Semiconductor device
WO2018069785A1 (en) 2016-10-12 2018-04-19 Semiconductor Energy Laboratory Co., Ltd. Semiconductor device and system using the same
JP7073090B2 (ja) 2016-12-28 2022-05-23 株式会社半導体エネルギー研究所 ニューラルネットワークを利用したデータ処理装置、電子部品、および電子機器
KR20180116842A (ko) * 2017-04-18 2018-10-26 에스케이하이닉스 주식회사 강유전체 트랜지스터를 포함하는 뉴로모픽 소자의 시냅스 시스템
US10878897B2 (en) * 2018-01-04 2020-12-29 Silicon Storage Technology, Inc. System and method for storing and retrieving multibit data in non-volatile memory using current multipliers
US10217512B1 (en) * 2018-05-15 2019-02-26 International Business Machines Corporation Unit cell with floating gate MOSFET for analog memory
US11501148B2 (en) * 2020-03-04 2022-11-15 International Business Machines Corporation Area and power efficient implementations of modified backpropagation algorithm for asymmetric RPU devices
JP7371235B2 (ja) * 2020-06-25 2023-10-30 ポリン テクノロジー リミテッド ニューラルネットワークのアナログハードウェア実現
US11885271B2 (en) 2020-06-25 2024-01-30 PolyN Technology Limited Systems and methods for detonation control in spark ignition engines using analog neuromorphic computing hardware
US11823037B1 (en) 2023-02-28 2023-11-21 PolyN Technology Limited Optocoupler-based flexible weights in neuromorphic analog signal processors

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3516005A (en) * 1968-05-06 1970-06-02 Teledyne Geotech Amplifier for enhancing differential input signals
US4737929A (en) * 1986-04-14 1988-04-12 American Telephone And Telegraph Company, At&T Bell Laboratories Highly parallel computation network employing a binary-valued T matrix and single output amplifiers
US4782460A (en) * 1987-04-06 1988-11-01 American Telephone And Telegraph Company, At&T Bell Laboratories Computing apparatus comprising a programmable resistor
WO1988010474A1 (en) * 1987-06-18 1988-12-29 University Of West Virginia State analog neural network and method of implementing same
US4903226A (en) * 1987-08-27 1990-02-20 Yannis Tsividis Switched networks
US4873661A (en) * 1987-08-27 1989-10-10 Yannis Tsividis Switched neural networks
FR2621757A1 (fr) * 1987-10-09 1989-04-14 Thomson Csf Reseau neuronal programmable a polymere ferroelectrique
US4956564A (en) * 1989-07-13 1990-09-11 Intel Corporation Adaptive synapse cell providing both excitatory and inhibitory connections in an associative network
US4961002A (en) * 1989-07-13 1990-10-02 Intel Corporation Synapse cell employing dual gate transistor structure

Also Published As

Publication number Publication date
US5047655A (en) 1991-09-10
FR2644264B1 (fr) 1991-05-10
EP0387146A1 (fr) 1990-09-12
KR0149839B1 (ko) 1998-10-15
DE69019211T2 (de) 1995-09-28
JP2992893B2 (ja) 1999-12-20
FR2644264A1 (fr) 1990-09-14
DE69019211D1 (de) 1995-06-14
KR900015026A (ko) 1990-10-25
EP0387146B1 (fr) 1995-05-10

Similar Documents

Publication Publication Date Title
JPH02275596A (ja) プログラマブルアナログ神経回路
Satyanarayana et al. A reconfigurable VLSI neural network
Cao et al. Global exponential stability and periodicity of recurrent neural networks with time delays
Choi et al. A high-precision VLSI winner-take-all circuit for self-organizing neural networks
Fayyazi et al. An ultra low-power memristive neuromorphic circuit for Internet of Things smart sensors
US5293457A (en) Neural network integrated circuit device having self-organizing function
US5148514A (en) Neural network integrated circuit device having self-organizing function
Yin et al. A floating-gate mosfet D/A converter
Vidyasagar Location and stability of the high-gain equilibria of nonlinear neural networks
EP0382518A2 (en) Multi-feedback circuit apparatus
US4961005A (en) Programmable neural circuit implementable in CMOS very large scale integration
US20030154175A1 (en) Back-propagation neural network with enhanced neuron characteristics
Verleysen et al. A high-storage capacity content-addressable memory and its learning algorithm
Serrano-Gotarrdeona et al. An ART1 microchip and its use in multi-ART1 systems
US5220202A (en) Memory device and memory apparatus using the same suitable for neural network
DE69105129T2 (de) Kapazitive strukturen für bewertende summierung in neuronalen netzen.
Nishi et al. Uniqueness of solution for nonlinear resistive circuits containing CCCS's or VCVS's whose controlling coefficients are finite
JPH04281584A (ja) 複数の入力信号の重みづけられた複数の加算を行う装置
Tawel Learning in analog neural network hardware
Hasler et al. Implementation of analog neural networks
Sakai et al. Simulation of neural network digital adder and multiplier
Bonaiuto et al. ConvNets Architecture for Complex Mixed Analogue-Digital Simulations
EP0428716A1 (en) NEURONAL NETWORK USING DIFFERENTIAL COUPLED INPUT AND OUTPUT LINES.
Shih et al. An analog neural network approach to global routing problem
ZURADA et al. Computational circuits using the neural optimization concept

Legal Events

Date Code Title Description
R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees