JPH0391878A - １次処理を用いた光ニユーラルネツトワーク装置 - Google Patents

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、１次処理を用いた光ニューラルネットワーク
装置に係り、特に、光ニューラルネットワーク装置の入
力に１次処理を用いて入力情報の特徴を抽出することに
よって、限定されていた入力の範囲を拡大することが可
能であり、且つ、入出力間係に異なった物を用いる相互
想起型連想記憶方式にも容易に対応可能な光ニューラル
ネットワージ装置に関するものである．

【従来の技術】

近年、従来のフオン・ノイマン型のコンピュータのアー
キテクチャとは違って、人間の脳の情報処理様式のモデ
ルであるニューラル・ネットワーク・モデルに基づいた
新しい処理アーキテクチャを実現しようとする研究が盛
んに行われている．このニューラル・ネットワーク・モ
デルは、神経細胞モデルを基本単位とする大規模並列処
理モデルであり、情報処理機能を自律的に自己組織可能
である点に特徴がある． 従って、このニューラル・ネットワーク・モデルの構造
を本質的に実現しようとする場合には、演３ＥＩｍ構、
ネットワーク、入出力等、全ての処理ｍ構に関して完全
並列処理を行う必要がある．この完全並列処理を実現す
るべく、原理的に高い空間的並列性を有する光を情報の
媒体として利用する光演算並びに光接続が注目されてい
る．この光を用いる方法によれば、大規模並列演算並び
に高密度の並列接続が実現可能であるため、ニューラル
・ネットワーク・モデルの大規模並列性を実現するのに
効果的なハードウエアとして期待が持たれている． ニューラル・ネットワーク・モデルの中でも、とりわけ
連想記憶モデルは、演Ｘ構遣が均質な並列性を持つため
、光演算の特徴を生かして高密度の演算構造を実現でき
る可能性がある。 そこで発明者らは、１９８８年７月７日に開催された電
子情報通信学会や、特開昭６４−７８４９１、６３−３
０７４３７等で、光アソシアトロンと呼ぶ、学習機能を
導入した光連想記憶システムを提案している．この光ア
ソシアトロンは、空間光変調管のアナログの並列演算・
記憶機能を利用し、直交学習法を導入することにより、
適応性の高い連想記憶を光演算により実現したものであ
る．又、光アソシアトロン以外にも、光の持つ大規模並
列性を用いて連想記憶方式を実現しようとする例は多く
みられる（例えば特開平１−１１２２２５）． ここで、連想記憶方式とは、記憶装置にいくつものパタ
ーンを重複させて記憶させておき、必要なパターンの一
部分のみを演算装置に与えることによって、必要なパタ
ーンだけを記憶装置から分離して取り出すことのできる
一種の検索方式である．この連想記憶方式を採用するこ
とによって、従来のコンピュータが不得手である、曖昧
な入力からの連想処理が実現できると共に、演算時間の
大幅な短縮が可能となる．

【発明が達成しようとする課題】

しかしながら、従来のシステムは、入力細胞数が小数，
前記の光アソシアトロンでは４Ｘ４の１６個と限られて
いるため、２次元画像をそのままの形では入力できず、
入力の範囲が限定されるという問題点を有していた．又
、従来の光アソシアトロンは、入出力関係に同じ物を用
いる自己想起型連想記憶方式を用いており、幅広い入出
力関係の学習・連想ができないという問題もあった．一
方、入力情報を１次処理する手法は広く使われており、
例えば入力情報として画像データを例にとると、エッジ
抽出や細線化、拡大、縮小、回転等が１次処理として行
われている．ス、光学系を用いた１次処理も行われてお
り、２次元コヒーレントＷＪ像をレンズを通過させるこ
とによって、その焦点平面には原画像の光学的フーリエ
変換像をリアルタイムで得ることができる．従って従来
から、１次処理の光演算への応用が考えられていたが、
光演算（例えばフーリエ変換）は並列性が高いため高速
であるものの、光学系の持つ精度の低さや、１次処理画
像が曖昧さを含んでいる場合は、論理的な処理しか対応
できない次段のコンピュータへのマッチングの問題があ
って、扱いが難しく、ほとんど利用されていない状況で
あった．本発明は、前記従来の問題点を解消するべくな
されたもので、従来は論理的な情報しか扱えなかった１
次処理を、光ニューラルネットワーク装置を用いること
により、曖昧さを含む入力情報であつても処理可能とし
、一方、光ニューラルネットワーク装置の入力に１次処
理を用いることによって、限定されていた入力の範囲が
拡大され、高度の処理が可能な光ニューラルネットワー
ク装置を提供することを目的とする．

【課題を達成するための手段】

本発明呻、光ニューラルネットワーク装置において、第
１図にその要旨構成を示す如く、２次元画像入力情報を
１次処理して、対象パターンの特徴を抽出する１次処理
装置１０と、該圧縮された情報を適応的に光演算で並列
処理する光ニューラルネットワーク装置２０とを備える
ことにより、前記課題を達或したものである． 又、前記１次処理装置１０として、２次元入力画像をコ
ヒーレント像に変換する画像変換装置と、該コヒーレン
ト像を光学的にフーリエ変換する２次元フーリエ変換光
学装置と、該フーリエ像を記憶する特徴量記憶装置を含
む光フーリエ変換装置を用い、前記光ニューラルネット
ワーク装置２０として、前記特徴量記憶装置から読出さ
れたフーリエ像を多重化して結像する多重結像系と、該
多重結像された像を保持する入力パターン変換装置と、
入力パターンと想起出力パターンの相互相関に応じた記
憶行列を保持する記憶行列保持装置と、前記入力パター
ン変換装置及び記憶行列保持装置にそれぞれ保持された
画像を連続的に読出すことによって形成された画像を局
所結像して、部分和演算を光演算で行うための局所結像
系と、該局所結像された像に対して出力間数を光演算に
より施して想起出力とする出力関数演算装置と、記憶し
たい入力パターンに対する学習出力パターン又は想起出
力パターンを拡大して結像する拡大結像系と、該拡大結
像された像と前記入力パターン変換装置で多重結像され
た像を用いて、前記記憶行列を光演算により学習する学
習演算装置とを含む光連想記憶装置を用いたものである
．

【作用及び効果】

本発明においては、２次元画像をその．ｔま光ニューラ
ルネットワーク装置２０に入力するのではなく、１次処
理装置１０を用いて、対象パターンの特徴を抽出した後
、その結果としての圧縮された情報を、適応的に光演算
で並列処理する、金光方式の光ニューラルネットワーク
装置２０の入力の１点１点に入力するようにしている．
従って、従来は論理的な入力情報しか扱えなかった１次
処理装置１０が、光ニューラルネットワーク装置２０を
後段に用いることによって、曖昧さを含む入力情報であ
っても処理可能となる．一方では、光ニューラルネット
ワーク装置２０の前段に１次処理装置１０を用いること
によって、その入力の１点１点に原画像から特徴抽出を
行った結果を入力することにより、限定されていた光ニ
ューラルネットワーク装置２０の入力の範囲を拡大して
高度な処理を行うことが可能となる．更に、計算量を軽
減して効率の良い処理を行うことができ、光の持つ並列
性を生かしつつ、高速で柔軟な演算を行うことが可能と
なり、相互想起型の連想記憶への対応も可能となる．又
、金光方式の光ニューラルネットワーク装置２０を用い
ているので、特に、１次処理として光演算を用いた場合
には、後段の光連想記憶装置に、光信号のまま情報伝達
が可能である．又、入力情報が並列に光演算され、入力
の数によって処理速度が遅くなることがなく、入力情報
が曖昧さを持っていたり、入力情報間の関連付けが論理
的に記述し難い場合においても、入力と出力の関係を学
習によって処理できる．従って、学習や連想想起に要す
る時間を大幅に短縮することができる．

【実施例】

以下図面を参照して、本発明の実施例を詳細に説明する
． 本実施例は、第２図に示す如く、前記１次処理装置とし
ての光フーリエ変換装置１００と、前記光ニューラルネ
ットワーク装置としての光連想記憶装置２００とから構
威されている． 前記光フーリエ変換装置１００は、２次元入力画像を後
出空間光変調器１１８の光電陰極１１８Ａ上に結像する
ためのレンズ１１６と、該インコヒーレントな入力画像
の電荷像を電気光学結晶（又は液晶セル）１１８Ｅ上に
形成し、該電気光学結晶１１８Ｅにレーザ光源（例えば
ヘリウムネオンレーザ）１２０からハーフミラー１２１
、１２２を介してレーザ光を照射し、検光子（偏光板）
１２４を通すことによって、その電荷分布に応じたコヒ
ーレント像に変換するための、画像変換装置としての空
間光変調管１１８と、該コヒーレント像を集光し、その
焦点面にフーリエ像を得ることによって、光学的なフー
リエ変換を行うためのフーリエ変換（ＦＴ）レンズ１３
２と、該ＦＴレンズ１３２によって空間周波数領域に変
換された特徴抽出パターンを光電陰＠１３４Ａ上に形成
し、電気光学結晶１　３　４−　Ｅ上に電荷像として記
憶するための、特徴量記憶装置としての空間光変調管１
３４と、画像読出し時に、前記レーザ光源１２０からの
レーザ光を該空間光変調管１３４の電気光学結晶１３４
Ｅに照射するためのハーフミラー１２１、１３６、１３
８と、によって構成されている． 前記光連想記憶装置２００は、前記光フーリエ変換装置
１００の空間光変調管１３４から続出された特徴抽出画
像の多重像を形或するための、例えばマルチレンズアレ
イや回折格子からなる多重結像系２１０と、該多重結像
系２１０によって光電陰極２１２Ａ上に形成された多重
像を、電気光学結晶２１２Ｅ上に電荷像として記憶する
ための、入力パターン変換装置としての空間光変調管２
１２と、入力パターンＸと想起出力パターンｙの相互相
関に応じた記憶行列Ｍを電気光学結晶２２０Ｅ上に電荷
像として保持する記憶行列保持装置としての空間光変調
管２２０と、記憶したい入力パターンに対する学習出力
パターン（教師パターンと称する）ｔ又は想起出力パタ
ーンｙを拡大して結像する拡大結像系２３０と、該拡大
結像系２３０によって光電陰極２３２Ａ上に形成された
拡大像を、電気光学結晶２３２Ｅ上に電荷像として保持
し、該拡大像を用いて前記記憶行列Ｍを光演算により学
習する学習演算装置としての空間光変調管２３２と、シ
ャツタ２３４と２３６を切換えることにより、前記空間
光変調管２２０に保持された記憶行列と前記空間光変調
管２１２に保持された多重化入力画像の間、及び、前記
空間光変調管２３２に保持された拡大像と前記空間光変
調管２１２に保持された多重化入力画像の間で、空間光
変調管２２０と２１２、空間光変調管２３２と２１２を
順次連続的に読出すことによって、対応する２つの要素
が並列に強度変調されることを利用してアダマール積を
光演算するための、レーザ光源２４０、ハーフミラー２
４２、２４４、２４６、２４８、２５０、２５２及び検
光子２５４、２５６、２５８と、該光演算結果を局所的
に結像するための、例えばマルチレンズアレイや回折格
子からなる局所結像系２６０と、該局所結像系２６０に
よって形或された像に対して、出力関数を施して出力演
算を行うための出力演算装置としての空間光変調管２６
２と、前記レーザ光源２４０によって該空間光変調管２
６２の電気光学結晶２６２Ｅに形成された電荷像を読出
して想起出力ｙとするための、ハーフミラー２６４、２
６６及び検光子２６８と、前記教師パターンｔを必要に
応じて前記空間光変調管２３２に入射するためのシャツ
タ２７０及びハーフミラー２７２と、前記想起出力ｙを
必要に応じて前記空間光変調管２３２に入射するための
、ハーフミラー２７４、２７６及びシャツタ２７８と、
前記空間光変調管２２０に記憶行列の書込みを行うため
のハーフミラー２８０、２８２、２８４とから構成され
ている．前記光連想記憶装置２００のシャッタ２３４、
２３６、２７０、２７８は、図示しない制御用コンピュ
ータによって制御されている．ここで、前記シャツタ２
３４と２３６は、学習過程と想起過程のモード切換えを
行い、前記シャツタ２７０と２７８は、学習過程におけ
る学習パターンと途中想起パターンの入力切換えを行う
ためのものである． 前記空間光変調管１１８、１３４、２１２、２２０、２
３２、２６２は、例えば第３図に示す如く、レンズ（例
えば１１６）を介して入射される入力像を光電子像に変
換するための光電陰極１１８Ａと、該光電陰極１１８Ａ
から放出される光電子像を増倍するためのマイクロチャ
ンネルプレート（ＭＣＰ）１　１８Ｂと、該ＭＣＰ１１
８Ｂで増倍された光電子を加速するためのメッシュ電極
１１８Ｃと、該メッシュｔ極１１８Ｃを通過した電子に
よって、図の左側の電荷蓄積面１１８Ｄに電荷パターン
が形成される電気光学結晶１１８Ｅとから構成されてい
る． この空間光変調管（例えば１１８〉においては、入力像
に応じて電気光学結晶１１８Ｅの電荷蓄積面１１８Ｄに
電荷パターンが形成され、この電荷パターンに応じて電
気光学結晶１１８Ｅを横切る電界が変化し、ボツケルス
効果によって結晶１１８Ｅの屈折率が変化する．従って
、直線偏向のレーザ光を電気光学結晶１１８Ｅに図の右
圓から照射すると、電荷蓄積面１１８Ｄからの反射光は
、該電気光学結晶１１８Ｅの複屈折性により偏向状態が
変化しているので、検光子（例えば１２４）を通過させ
れば、入力像の光強度に対応した光強度を持つ出力像が
得られる． この空間光変調管は、インコヒーレント光→コヒーレン
ト光変換機能や記憶機能に加えて、電荷を適当な条件で
制御することにより、加減算ｍ能、実時間間値動作８ｌ
能、ＡＮＤ演算機能等の優れた機能を有しており、この
機能を利用した光連想記憶装置が、例えば、特開昭６３
−３０７４３７、特開昭６４−７８４９１等に開示され
ている，以下実施例の作用を説明する． まず、光フーリエ変換装置１　０’Ｏの動作について説
明する． 入力画像である２次元画像は、コヒーレント像に変換す
るための画像変換装置である空間光変調管１１８に入力
され、該空間光変調管１１８に電′Ｒ像として蓄積され
る．この空間光変調管１１８に蓄積された電荷像に、読
出し側（図の上ｆｆｌ！）からレーザ光を当てることに
より、電荷分布に応じたコヒーレント像が得られる．こ
のコヒーレント像をＦＴレンズ１３２によって集光し、
その焦点面にフーリエ像を得る．この光フーリエ変換に
よって空間周波数領域に変換されたパターンは、特徴量
記憶装置である空間光変調管１３４にアナログの特徴量
として記憶される．この時、空間光変調管１３４の持つ
演算機能を利用して、閾値処理、積分処理、微分処理等
により、更に簡単な１次処理を行うこともできる．この
結果は、次段の光連想記憶装ｉ１ｉ！２００への入力と
なる．次に、光連想記憶装置２００の動作について説明
する． この光連想記憶装置２００における、記＋ａｌｌ能、減
Ｘ機能、拡大結像系、多重結像系、局所結像系（逆多重
結像系）等の基本演算に関しては、前記特開昭６３−３
０７４３７等に詳細な説明がなされているので、ここで
の詳細な説明は省略する．この光連想記憶装置２００は
、アナログの入力データに対して、相互想起型の連想記
憶装置を金光方式で実現するものである． まず、相互想起型の連想記憶の原理について説明する．
連想記憶を実現する方法として、ここでは相互相関行列
を用いており、記憶したいパターン対（学習したい入力
パターン×とそれに対する学習出力パターンｔ）の相互
相関により、記憶行列Ｍを形成する．逐次計算法の場合
、学習時の演算処理は、次式のようになる， Ｍ（　　ｎ＋１＞＝Ｍ（ｎ　　）十−（Ｚ　　（　　ｔ
−φ　（Ｍ　（ｎ　　）ＸＸ））ＸＴ　　　　・・・〈
１〉 ここで、×は記憶したい学習入力パターン、ｔはそれに
対応する学習出力パターン（教師パターン）、Ｍは記憶
行列、αは学習ゲイン、φは出力関数、Ｔは転置行列で
ある． 記憶行列Ｍ（ｎ＋１）は、ｎ回目のＭｎによって想起さ
れた結果であるφ（Ｍ　（ｎ　）・×〉と学習出力パタ
ーンｔとの差により示される誤差成分と、入力パターン
×との相関に、学習ゲインαを掛けたものによって、記
憶行列Ｍを修正することによって得られる．こうして、
（１）式の演算処理を繰返し行うことにより、分離能力
を持った相関行列Ｍが求められる．記憶したいパターン
対の相互相関により記憶行列Ｍを形成し、想起時には、
この記憶行列Ｍとの相関をとることによって、多少ノイ
ズを含んだパターンからでも記憶したパターンが想起で
きるようになる． 前記光連想記憶装置２００の動作は、大きく学習と想起
に分けることができるので、以下、それぞれについて詳
しく説明する． １．想起 こΦ想起動作を、式で表わすと、次のようになる． Ｙ＝φ（Ｍ　（ｎ　）　・ｘｕ２ｔ　）　Ｊｌｏｃ　　
・（２）ここで、ｘｎＪ２　ｔは入力パターンＸの多重
結像、Ｊｌｏｃは局所結像を示す． この想起過程においては、まず、前段の光フーリエ変換
装置１−００から送られてくる入力Ｘを、多重結像系２
１０により変換し、この多重結像×ｍ１ｔを、前記入力
パターン変換用の空間光変調管２１２に書き込む．記憶
行列Ｍは、前記空間光変調管２２０に保持されている．
従って、シャツタ２３４を開き、シャツタ２３６を閉じ
て、レーザ光源２４０により発生されたレーザ光を、該
空間光変調管２２０及び２１２に、順次連続的に当て、
これらに保持されている像を読出すことによって、各点
毎の掛算（アダマール積）を並列的に行う．即ち、各点
毎に、Ｍ　−　ＸＩＩＪ　ｔの光演算が行われる．この
演算結果を局所結像系２６０を通すことによって局所結
像｛ＯＣシて、部分和演算を行う．次いで、前記出力関
数用の空間光変調管２６２で出力関数φを施して、想起
出力ｙとする．なお、出力開数φとしては、閾値演算や
ｓｉｎ’演算を行うことができる． 次に、学習動作について説明する． ここで言う学習とは、記憶行列Ｍを作ることを意味する
．この学習動作は、次式で実現される．Ｍ　（　ｎ＋１
　）　＝Ｍ　（ｎ　）　＋ａ　（ｔｎａｑ・ｘｉｆｔ　
）−ａ　（ｙｌｌａｇ−ｘｍｆｔ　）−（３　）初期状
態では、記憶行列用の空間光変調管２２０には、何も記
憶されていない状態、即ち、Ｍ（０）＝Ｏである． 従って、まず、シャッタ２７８を閉じ、シャッタ２７０
を開いて、記憶したい入力パターンＸに対する学習出力
パターンｔを、拡大結像系２３０により拡大結像して拡
大像ｔｎａｇとし、前記学習演算用の空間光変調管２３
２に書き込む．一方、前記入力パターン変換用の空間光
変調管２１２には、想起時と同様にして入力パターンＸ
の多重像ＸＩＩＪ２ｔを書き込む．この状態で、シャッ
タ２３４を閉じ、シャツタ２３６を開いて、前記レーザ
光源２４０から、空間光変調管２３２及び２１２に順次
レーザ光を照射し、これらに蓄積された画像を順次読出
して、拡大された教師パターンｔｎａｇと入力パターン
の多重像ｘｎｆ！　ｔのアダマール積（　ｔｌａ（１・
Ｘｌｌ，１）を演算し、前記記憶行列用の空間光変調管
２２０に加算を行う．続いて、シャツタ２７０を閉じ、
シャッタ２７８を開いて、出力関数用の空間光変調管２
６２に蓄積された想起結果ｙを、拡大結像系２３０を通
して空間光変調管２３２にｙＩＩａｇの形で書き込む．
次いで、空間光変調管２３２及び２１２を連続で読出す
ことにより、アダマール積’７１ａＱ・ｘｎＪｔを演算
し、前記記憶行列用の空間光変調管２２０に対して減算
を行う．この時、学習ゲインαは、空間光変調管２２０
への書き込み時間制御又は電圧制御によって行うことが
できる． この操作を繰返すことによって学習が進み、記憶行列Ｍ
の連想能力が増すことになる．このようにして学習され
た記憶行列Ｍ（２次元のアナログ値を保持）を用いるこ
とで、パターン認識や分類等の処理機能を実現すること
ができる．本実施例においては、入力パターン及び学習
出力パターンの表示、そして入力一出力間の重みを示す
記憶行列が、演算の基本となり、並列度の高い演算であ
る入力と記憶行列間の演算が光演算で行われる． なお、「赤いｊという言葉から「リンゴ』を連想するよ
うな、ある対象からの情報に対してシンボルの関連づけ
を行う相互想起型連想記憶を、前記実施例のような光演
算を用いた連想記憶装置で実現する際には、光強度を用
いる演算であるため、負の量の表現が難しいこと、透Ａ
率を用いているため上限が存在すること等の理由で記憶
行列Ｍの飽和が生ずると、連想能力が低下したり、学習
が収束しない場合がある．このような場合には、次のよ
うにして、学習出力パターンの設定や、空間光変調管の
設定電圧を工夫することができる．即ち、学習出力パタ
ーンｔの設定に際しては、複数の信号から形或される入
力学習パターンＸ（例えば、物体認識システムにおける
多種のセンサからの信号）に対して出力パターンｔを設
定する場合には、各学習出力パターンｔの平均値を記憶
行列Ｍのダイナミックレンジの平均値に合せて設定する
ことにより、記憶行列Ｍの飽和を少くすることが可能で
ある． 又、学習開始時の記憶行列の初期値Ｍ（０）を、記憶行
列Ｍのダイナミックレンジの中心に持っていくことによ
り、記憶行列Ｍの飽和を少なくすることもできる． 又、学習動作に際しては、例えば第４図に示す如く、学
習ゲインαの設定値によって、学習の収束速度及び記憶
行列の飽和時期が大きく変化する．即ち、α＝０．１の
場合には、収束は遅いが安定した学習が実現される．α
＝０．３の場合には、収束が速く想起時の分離もよい．
α＝０．５となると、安定性が悪くなる．従って、記憶
行列Ｍの飽和を防ぐには、記憶行列の収束が振動しない
で行われる学習ゲインを選択すれば良い．又、前記空間
光変調管は、入力一出力関数特性に、ｓｉｎ’の閤係を
有する．しかしながら、学習においては、線形性の高い
ほうが、収束時の歪みが少ないために都合がよい．そこ
で、入力パターン表示用の空間光変調管２１２及び記憶
行列用の空間光変調管２２０の動作電圧（電気光学結晶
２１２Ｅ、２２０Ｅへの印加電圧ｖｂ　）を、第５図に
示す如く、通常の設定電圧であるＶｂｗｌ、Ｖｂｅ１の
組合せから、Ｖｂｗ２、Ｖｂｅ２の組合せに変更して、
線形性の良い入出力特性を得ることができる． 本実施例においては、１次処理装置として光フーリエ変
換装置１００を用い、光ニューラルネットワーク装置と
して光連想記憶装置２００を用いて、全ての処理を光演
算で行うようにしているので、高速の演算が可能である
．なお、１次処理装置と光ニューラルネットワーク装置
の組合わせはこれに限定されず、例えば１次処理として
、エッジ抽出、細線化、回転、拡大・縮小、重心等の２
次元画像特徴抽出処理や、センサ出力処理や、相関出力
等、多種多様の情報圧縮技術があり、それを次段の光ニ
ューラルネットワーク装置に送ることによって、認識処
理を行うことができる．例えば、２次元画像特徴抽出処
理は、空間光変調管の持つ演Ｘ機能や、電子レンズ系に
よって光演算が可能である．一方、センサ出力や相関出
力については、１次処理側からの出力を光信号に変換し
て、後段の光ニューラルネットワーク装置の入力とする
ことができる． 又、前記実施例においては、光ニューラルネットワーク
装置として、相互想起型光連想記憶装置を用いていたが
、光ニューラルネットワーク装置の種類もこれに限定さ
れず、バックプロバゲーション等による多層型連想記憶
装置、双方向連想記憶装置、ホップフィールド型連想記
憶装置等、他の連想記憶装置や、一般の光ニューラルネ
ットワーク装置を用いることも可能である．

【図面の簡単な説明】

第１図は、本発明の基本的な構成を示すプロツク！ｌ図
、 第２図は、本発明の実施例の構成を示す光路図、第３図
は、前記実施例で用いられている空間光変調管の基本的
な構成を示す断面図、 第４図は、前記実施例における学習ゲインαの違いによ
る収束状態の違いを示すための線図、第５図は、前記実
施例の変形例における、線形性を重視した空間光変調管
の電圧設定例を示す線図である． ０・・・１次処理装置、 ０・・・光ニューラルネットワーク装置、００・・・光
フーリエ変換装置、 １８・・・画像変換用空間光変調管、 ２０、２４０・・・レーザ光源、 ３２・・・フーリエ変換（ＦＴ）レンズ、３４・・・特
徴量記憶用空間光変調管、００・・・光連想記憶装置、 １０・・・多重結像系、 １２・・・入力パターン変換用空間光変調管、２２０・
・・記憶行列用空間光変調管、２３０・・・拡大結像系
、 ２３２・・・学習演算用空間光変調管、２６０・・・局
所結像系、 ２６２・・・出力演算用空間光変調管、Ｘ・・・入力パ
ターン、 ｙ・・・想起出力、 ｔ・・・教師パターン．

Claims (2)

【特許請求の範囲】
1. （１）２次元画像入力情報を１次処理して、対象パター
   ンの特徴を抽出する１次処理装置と、該圧縮された情報
   を適応的に光演算で並列処理する光ニューラルネットワ
   ーク装置と、 を含むことを特徴とする１次処理を用いた光ニューラル
   ネットワーク装置。
2. （２）請求項１において、前記１次処理装置が、２次元
   入力画像をコヒーレント像に変換する画像変換装置と、
   該コヒーレント像を光学的にフーリエ変換する２次元フ
   ーリエ変換光学装置と、該フーリエ像を記憶する特徴量
   記憶装置を含む光フーリエ変換装置であり、 前記光ニューラルネットワーク装置が、前記特徴量記憶
   装置から読出されたフーリエ像を多重化して結像する多
   重結像系と、該多重結像された像を保持する入力パター
   ン変換装置と、入力パターンと想起出力パターンの相互
   相関に応じた記憶行列を保持する記憶行列保持装置と、
   前記入力パターン変換装置及び記憶行列保持装置にそれ
   ぞれ保持された画像を連続的に読出すことによつて形成
   された画像を局所結像して、部分和演算を光演算で行う
   ための局所結像系と、該局所結像された像に対して出力
   関数を光演算により施して想起出力とする出力関数演算
   装置と、記憶したい入力パターンに対する学習出力パタ
   ーン又は想起出力パターンを拡大して結像する拡大結像
   系と、該拡大結像された像と前記入力パターン変換装置
   で多重結像された像を用いて、前記記憶行列を光演算に
   より学習する学習演算装置とを含む光連想記憶装置であ
   ることを特徴とする１次処理を用いた光ニューラルネッ
   トワーク装置。