JPH07129533A - 情報処理装置 - Google Patents
情報処理装置Info
- Publication number
- JPH07129533A JPH07129533A JP5278026A JP27802693A JPH07129533A JP H07129533 A JPH07129533 A JP H07129533A JP 5278026 A JP5278026 A JP 5278026A JP 27802693 A JP27802693 A JP 27802693A JP H07129533 A JPH07129533 A JP H07129533A
- Authority
- JP
- Japan
- Prior art keywords
- output
- information processing
- input
- electromagnetic wave
- layer
- 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
Abstract
(57)【要約】
【目的】 情報処理素子間の電気的な配線が必要でなく
なり、高度の集積が可能な情報処理装置を提供すること
を目的とする。 【構成】 電磁波結合により情報の入力並びに出力の伝
達を行い、伝達され入力されたデータに対して重み付手
段とを持つ複数個の情報処理素子を持つ。 【効果】 本発明は、光等の電磁波によってニューラル
ネットワークの入出力を構成することにより、情報処理
素子間の電気的な配線が必要でなくなり、高度の集積化
が可能となる。
なり、高度の集積が可能な情報処理装置を提供すること
を目的とする。 【構成】 電磁波結合により情報の入力並びに出力の伝
達を行い、伝達され入力されたデータに対して重み付手
段とを持つ複数個の情報処理素子を持つ。 【効果】 本発明は、光等の電磁波によってニューラル
ネットワークの入出力を構成することにより、情報処理
素子間の電気的な配線が必要でなくなり、高度の集積化
が可能となる。
Description
【０００１】
【産業上の利用分野】本発明はニューラルネットワーク
等の複数個の処理素子よりなる情報処理装置に関するも
のであって、特に電磁波によるデータの授受に関するも
のである。
等の複数個の処理素子よりなる情報処理装置に関するも
のであって、特に電磁波によるデータの授受に関するも
のである。
【０００２】
【従来の技術】従来、ニューラルネットワーク等の複数
個の処理素子よりなる情報処理装置に関するものは電線
による結合が行われていた。
個の処理素子よりなる情報処理装置に関するものは電線
による結合が行われていた。
【０００３】
【発明が解決しようとする課題】多数のニューロンをも
つ高度のネットワークは、シナップスを高度に張りめぐ
らす必要があり、電気的な配線では実現が困難であっ
た。更にシナップスには結合の重み付けを行う必要があ
り極めて困難な配線技術を必要としていた。
つ高度のネットワークは、シナップスを高度に張りめぐ
らす必要があり、電気的な配線では実現が困難であっ
た。更にシナップスには結合の重み付けを行う必要があ
り極めて困難な配線技術を必要としていた。
【０００４】
【課題を解決するための手段】本発明は上述の課題を解
決することを目的としてなされたもので、この課題を解
決する一手段として以下の構成を備える。即ち、本発明
は電磁波結合により情報の入力並びに出力の伝達を行う
電磁波伝達手段と、該電磁波伝達手段により伝達され入
力されたデータに対して重み付けを行う重み付け手段と
を持つ複数個の情報処理素子を持つことを特徴とする。
また、前記各情報処理素子よりのデータ出力は、予め定
められた各素子固有の周波によって行う。また、前記各
情報処理素子は、複数個の周波数の受信した電磁波を検
出手段を有する。また、前記各情報処理素子は、複数個
の周波数の電磁波を出力する手段を有する。また、前記
各情報処理素子は、電磁波入力によりエネルギーを得て
動作する。更に、ｋ番目のニューロが出力を終えてか
ら、出力の終了を検知し、ｋ＋１番目のニューロンの出
力を開始するように構成する。
決することを目的としてなされたもので、この課題を解
決する一手段として以下の構成を備える。即ち、本発明
は電磁波結合により情報の入力並びに出力の伝達を行う
電磁波伝達手段と、該電磁波伝達手段により伝達され入
力されたデータに対して重み付けを行う重み付け手段と
を持つ複数個の情報処理素子を持つことを特徴とする。
また、前記各情報処理素子よりのデータ出力は、予め定
められた各素子固有の周波によって行う。また、前記各
情報処理素子は、複数個の周波数の受信した電磁波を検
出手段を有する。また、前記各情報処理素子は、複数個
の周波数の電磁波を出力する手段を有する。また、前記
各情報処理素子は、電磁波入力によりエネルギーを得て
動作する。更に、ｋ番目のニューロが出力を終えてか
ら、出力の終了を検知し、ｋ＋１番目のニューロンの出
力を開始するように構成する。
【０００５】
（実施例１）図１は階層構造型のニューラルネットワー
クの全体図である。１は入力層であり、２は中間層で、
３は出力層である。各ニューロンの外形は図２のごとく
なり、その電気的な構成は図３のごとくなる。更にその
処理の主なものは図４に示すように動作する。以下順に
図面を用いて説明する。
クの全体図である。１は入力層であり、２は中間層で、
３は出力層である。各ニューロンの外形は図２のごとく
なり、その電気的な構成は図３のごとくなる。更にその
処理の主なものは図４に示すように動作する。以下順に
図面を用いて説明する。
【０００６】図１に於て、入力層１は外部よりの信号を
受け後述の処理をして中間層２にデータを送る。中間層
２は同様に、第１層からの信号を受け、処理を行い出力
層３にデータを送る。出力層３も同様にして第２層から
の信号を受け、処理を行い、外部へ信号を送る。次に、
各ニューロンの働きを詳細に説明する。図２のニューロ
ン４は受光部５と発光部６を外面に持ち、入出力を行
う。また、受光部５と発光部６はそれぞれ上下等に複数
個持つことにより全方位からの入力、また全方位への出
力が可能となる。
受け後述の処理をして中間層２にデータを送る。中間層
２は同様に、第１層からの信号を受け、処理を行い出力
層３にデータを送る。出力層３も同様にして第２層から
の信号を受け、処理を行い、外部へ信号を送る。次に、
各ニューロンの働きを詳細に説明する。図２のニューロ
ン４は受光部５と発光部６を外面に持ち、入出力を行
う。また、受光部５と発光部６はそれぞれ上下等に複数
個持つことにより全方位からの入力、また全方位への出
力が可能となる。
【０００７】また、受光部５は信号の入力のための受信
部となるだけではなくエネルギー供給のための入口とし
て機能する。すなわち、不図示の外部よりのエネルギー
供給手段よりの電磁波と他のニユーロンよりの電磁波を
受け、図６に示すように受光部５はエネルギー供給のた
めの供給部１１とそれに重ね合わされた信号受信部１２
によって構成される。供給部１１は電磁波エネルギーを
電気エネルギーに変換し電力エネルギー蓄積部１３に保
存すると共に、このニューロンの電力として使われる。
信号受信部１２で受信されたデータは、信号受信部１２
内で波長の弁別を行い、各波長ごとに別の出力線にて出
力する。すなわち、例えば入力信号が３００ｎｍ〜３０
９ｎｍの間であることを信号線１５が出力し、更にその
中の波長を中心波長３０５ｎｍからの変位を変位信号線
１４で電位で出力する。なお、外部よりのエネルギー供
給用の電磁波の周波数は信号に用いられる波長をさけた
周波数を利用することが望ましい。
部となるだけではなくエネルギー供給のための入口とし
て機能する。すなわち、不図示の外部よりのエネルギー
供給手段よりの電磁波と他のニユーロンよりの電磁波を
受け、図６に示すように受光部５はエネルギー供給のた
めの供給部１１とそれに重ね合わされた信号受信部１２
によって構成される。供給部１１は電磁波エネルギーを
電気エネルギーに変換し電力エネルギー蓄積部１３に保
存すると共に、このニューロンの電力として使われる。
信号受信部１２で受信されたデータは、信号受信部１２
内で波長の弁別を行い、各波長ごとに別の出力線にて出
力する。すなわち、例えば入力信号が３００ｎｍ〜３０
９ｎｍの間であることを信号線１５が出力し、更にその
中の波長を中心波長３０５ｎｍからの変位を変位信号線
１４で電位で出力する。なお、外部よりのエネルギー供
給用の電磁波の周波数は信号に用いられる波長をさけた
周波数を利用することが望ましい。
【０００８】図３に於て、受光部５に入力されたデータ
はＣＰＵ８の動作に従い、入力データ判別器７によって
周波数の弁別とその波長の変位を検出し、データとして
利用する。検出された周波数はその周波数に対応したテ
ーブルを参照して、入力データとの積を算出してＲＡＭ
１０内のテーブルに書き込み、それらを総和してｕiと
する。
はＣＰＵ８の動作に従い、入力データ判別器７によって
周波数の弁別とその波長の変位を検出し、データとして
利用する。検出された周波数はその周波数に対応したテ
ーブルを参照して、入力データとの積を算出してＲＡＭ
１０内のテーブルに書き込み、それらを総和してｕiと
する。
【０００９】更に、ｕi から定められたしきい値θi を
引いた値を変数とする関数ｆの値をｉ番目のニューロン
の出力とする。これを式で表せば、
引いた値を変数とする関数ｆの値をｉ番目のニューロン
の出力とする。これを式で表せば、
【００１０】
【数１】
【００１１】但し、ωijはシナップスの結合重み、νj
はｉ番目のニューロンが他のＮ個のニューロンの出力か
ら受ける各入力値、θi はｉ番目のニューロンのしきい
値、ｆはある種の関数で、例えばシグモイド関数、νi
はニューロンｉの出力値である。更にこの動作を図４の
処理フロー図を用いて詳細に説明する。ニューロン内の
処理はＣＰＵ８によってＲＯＭ９内のプログラムに従い
処理される。ＣＰＵ８はステップ１（ｓｔｅｐ１）によ
り入力信号の有無を検知し、信号があった場合は周波数
弁別器で求めた周波数のデータよりステップ２（ｓｔｅ
ｐ２）で信号の周波数に対応した結合重みの値をＲＯＭ
９内のテーブルからさがし、重みを調べる。なお、係合
重みの重み付けテーブルの一例は図５のようになる。さ
らに、入力データを乗じてから、メモリに記憶させる。
他の波長でも同様に処理を行いＲＡＭ１０内のメモリに
加算記憶する。入力のあつた全波長帯で同様の処理を行
うことで、ｕi が求められる。
はｉ番目のニューロンが他のＮ個のニューロンの出力か
ら受ける各入力値、θi はｉ番目のニューロンのしきい
値、ｆはある種の関数で、例えばシグモイド関数、νi
はニューロンｉの出力値である。更にこの動作を図４の
処理フロー図を用いて詳細に説明する。ニューロン内の
処理はＣＰＵ８によってＲＯＭ９内のプログラムに従い
処理される。ＣＰＵ８はステップ１（ｓｔｅｐ１）によ
り入力信号の有無を検知し、信号があった場合は周波数
弁別器で求めた周波数のデータよりステップ２（ｓｔｅ
ｐ２）で信号の周波数に対応した結合重みの値をＲＯＭ
９内のテーブルからさがし、重みを調べる。なお、係合
重みの重み付けテーブルの一例は図５のようになる。さ
らに、入力データを乗じてから、メモリに記憶させる。
他の波長でも同様に処理を行いＲＡＭ１０内のメモリに
加算記憶する。入力のあつた全波長帯で同様の処理を行
うことで、ｕi が求められる。
【００１２】次にステップ３（ｓｔｅｐ３）で上記の式
にしたがってニューロｉの出力νiを求める。次にステ
ップ４（ｓｔｅｐ４）にて自己の持つ波長帯でνi を出
力する。すなわち、図５の例では、ニューロン１−１の
出力は４００ｎｍ−４０９ｎｍの波長帯範囲で出力する
ことになる。
にしたがってニューロｉの出力νiを求める。次にステ
ップ４（ｓｔｅｐ４）にて自己の持つ波長帯でνi を出
力する。すなわち、図５の例では、ニューロン１−１の
出力は４００ｎｍ−４０９ｎｍの波長帯範囲で出力する
ことになる。
【００１３】図７は、以上の結合関係を図式的に表わし
たものである。すなわち、ｉ番目のニューロンに注目し
て考えると、ｉ番目のニューロには、［νj ］j=1 〜
［νj］j=N 迄Ｎの入力がある。各入力に対応したニュ
ーロンｉでの結合重みωijを乗じ、これらを総和するこ
とにより、ｕi を求める。このｕi よりしきい値θi を
引き、これを変数として、関数ｆに代入することによ
り、出力νi を求めることができる。ここで、関数ｆは
前述したように例えばシグモイド関数である。
たものである。すなわち、ｉ番目のニューロンに注目し
て考えると、ｉ番目のニューロには、［νj ］j=1 〜
［νj］j=N 迄Ｎの入力がある。各入力に対応したニュ
ーロンｉでの結合重みωijを乗じ、これらを総和するこ
とにより、ｕi を求める。このｕi よりしきい値θi を
引き、これを変数として、関数ｆに代入することによ
り、出力νi を求めることができる。ここで、関数ｆは
前述したように例えばシグモイド関数である。
【００１４】（実施例２）実施例１では、各ニューロン
を特定し、識別するために、個別の波長帯を設けた。し
かし、順次にニューロンの識別を行うようにすることに
より、特定の波長帯を各情報処理素子に割り当てること
なく処理が可能である。すなわち、ｋ番目のニューロン
が出力を終えてから、これを検知し、ｋ＋１番目のニュ
ーロンを出力を開始するようにし、ニューロンでの処理
を順次処理にすることによりできる。但し、この時は同
じ層のニューロンの出力状況を監視し、次のニューロン
の出力開始時を制御する必要がある。
を特定し、識別するために、個別の波長帯を設けた。し
かし、順次にニューロンの識別を行うようにすることに
より、特定の波長帯を各情報処理素子に割り当てること
なく処理が可能である。すなわち、ｋ番目のニューロン
が出力を終えてから、これを検知し、ｋ＋１番目のニュ
ーロンを出力を開始するようにし、ニューロンでの処理
を順次処理にすることによりできる。但し、この時は同
じ層のニューロンの出力状況を監視し、次のニューロン
の出力開始時を制御する必要がある。
【００１５】前述の各実施例は、階層型のニューラルネ
ットワークとして説明したが、相互結合型の場合も同様
にして、電磁によるデータの授受ができる。
ットワークとして説明したが、相互結合型の場合も同様
にして、電磁によるデータの授受ができる。
【００１６】
【発明の効果】以上説明したように、本発明によれば、
光等の電磁波によってニューラルネットワークの入出力
を構成することにより、情報処理素子間の電気的な配線
が必要でなくなり、高度の集積が可能となる。
光等の電磁波によってニューラルネットワークの入出力
を構成することにより、情報処理素子間の電気的な配線
が必要でなくなり、高度の集積が可能となる。
【図１】実施例の階層構造型のニューラルネットワーク
の全体図である。
の全体図である。
【図２】実施例のニューロンの説明図である。
【図３】実施例のニューロンの構成図である。
【図４】実施例のニューロンの処理フロー図である。
【図５】実施例の重み付けテーブルを示す図である。
【図６】実施例の受光部を説明するための図である。
【図７】実施例の結合関係を図式的に表わした図であ
る。
る。
１ 入力層 ２ 中間層 ３ 出力層 ４ ニューロン ５ 受光部 ６ 発光部 ７ 入力データ判別器 ８ ＣＰＵ ９ ＲＯＭ １０ ＲＡＭ １１ 供給部 １２ 信号受信部 １３ 電力エネルギー蓄積部 １４ 変位信号線 １５ 信号線
Claims (6)
- 【請求項１】 電磁波結合により情報の入力並びに出力
の伝達を行う電磁波伝達手段と、該電磁波伝達手段によ
り伝達され入力されたデータに対して重み付けを行う重
み付け手段とを持つ複数個の情報処理素子を持つことを
特徴とする情報処理装置。 - 【請求項２】 各情報処理素子よりのデータ出力は、予
め定められた各素子固有の周波によって行うことを特徴
とする請求項１記載の情報処理装置。 - 【請求項３】 各情報処理素子は、複数個の周波数の受
信した電磁波を検出手段を有することを特徴とする請求
項１記載の情報処理装置。 - 【請求項４】 各情報処理素子は、複数個の周波数の電
磁波を出力する手段を有することを特徴とする請求項１
記載の情報処理装置。 - 【請求項５】 各情報処理素子は、電磁波入力によりエ
ネルギーを得て動作することを特徴とした請求項１記載
の情報処理装置。 - 【請求項６】 ｋ番目のニューロが出力を終えてから、
出力の終了を検知し、ｋ＋１番目のニューロンの出力を
開始することを特徴とする請求項１記載の情報処理装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5278026A JPH07129533A (ja) | 1993-11-08 | 1993-11-08 | 情報処理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5278026A JPH07129533A (ja) | 1993-11-08 | 1993-11-08 | 情報処理装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07129533A true JPH07129533A (ja) | 1995-05-19 |
Family
ID=17591623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5278026A Pending JPH07129533A (ja) | 1993-11-08 | 1993-11-08 | 情報処理装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07129533A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7590397B2 (en) | 2003-09-10 | 2009-09-15 | Sony Corporation | Signal processing apparatus and signal processing method, program, and recording medium |
| US7847225B2 (en) | 2008-05-02 | 2010-12-07 | Hiroshima University | Optical neural network |
-
1993
- 1993-11-08 JP JP5278026A patent/JPH07129533A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7590397B2 (en) | 2003-09-10 | 2009-09-15 | Sony Corporation | Signal processing apparatus and signal processing method, program, and recording medium |
| US7933573B2 (en) | 2003-09-10 | 2011-04-26 | Sony Corporation | Signal processing apparatus and signal processing method, program, and recording medium |
| US7847225B2 (en) | 2008-05-02 | 2010-12-07 | Hiroshima University | Optical neural network |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lai et al. | A new DBSCAN parameters determination method based on improved MVO | |
| Suykens et al. | Training multilayer perceptron classifiers based on a modified support vector method | |
| US7028271B2 (en) | Hierarchical processing apparatus | |
| US6038338A (en) | Hybrid neural network for pattern recognition | |
| US5150323A (en) | Adaptive network for in-band signal separation | |
| US20080270335A1 (en) | Pulse signal circuit, parallel processing circuit, and pattern recognition system | |
| US5859925A (en) | Classifying system having a single neural network architecture for multiple input representations | |
| CN112057089A (zh) | 情绪识别方法、装置及存储介质 | |
| CN110991402A (zh) | 一种基于深度学习的皮肤病分类装置及分类方法 | |
| Osakada et al. | Neural networks for process planning of cold forging | |
| Ritter et al. | Morphological perceptrons with dendritic structure | |
| US5535309A (en) | Single layer neural network circuit for performing linearly separable and non-linearly separable logical operations | |
| KR100202425B1 (ko) | 가전제품의 리모콘 명령어를 인식하기 위한 음성 인식 시스템 | |
| Khan et al. | End-to-end partial discharge detection in power cables via time-domain convolutional neural networks | |
| Ghosh et al. | Designing optimal convolutional neural network architecture using differential evolution algorithm | |
| JPH06266868A (ja) | ニューロン素子 | |
| Saffari et al. | DCNN-fuzzyWOA: artificial intelligence solution for automatic detection of covid-19 using X-ray images | |
| Huong et al. | A hierarchical optimisation framework for pigmented lesion diagnosis | |
| US20220147800A1 (en) | Multi-layer neural networks using symmetric tensors | |
| Ishaq et al. | TC-Net: A Modest & Lightweight Emotion Recognition System Using Temporal Convolution Network. | |
| US5317675A (en) | Neural network pattern recognition learning method | |
| JPH07129533A (ja) | 情報処理装置 | |
| Tsang et al. | Refinement of generated fuzzy production rules by using a fuzzy neural network | |
| Singh et al. | Alzheimer’s Detection And Categorization using a Deep-Learning Approach | |
| JPH07152713A (ja) | 情報処理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20021206 |