RU2189078C2 - Signal processing method - Google Patents
Signal processing method Download PDFInfo
- Publication number
- RU2189078C2 RU2189078C2 RU99120927A RU99120927A RU2189078C2 RU 2189078 C2 RU2189078 C2 RU 2189078C2 RU 99120927 A RU99120927 A RU 99120927A RU 99120927 A RU99120927 A RU 99120927A RU 2189078 C2 RU2189078 C2 RU 2189078C2
- Authority
- RU
- Russia
- Prior art keywords
- network
- signal
- optical
- matrix
- neural network
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
Изобретение относится к способам обработки сигналов с использованием вычислительных комплексов, основанных на использовании нейронных сетей предпочтительно оптического типа. The invention relates to methods for processing signals using computing systems based on the use of neural networks, preferably of the optical type.
Известен способ обработки сигналов, включающий использование вычислительного комплекса, выполняющего корректировку курса судна при отклонении его от заранее намеченного (см. Burns R.S. The use of artificial neural networks for the intelligent optimal control of surface ships // Oceanic Engineering. - V. 20. - 1. Р. 65-72. - 1995). A known method of signal processing, including the use of a computer system that performs correction of the ship's course when it deviates from the previously planned (see Burns RS The use of artificial neural networks for the intelligent optimal control of surface ships // Oceanic Engineering. - V. 20. - 1. R. 65-72. - 1995).
Недостаток этого решения - узкий диапазон решаемых задач. The disadvantage of this solution is a narrow range of tasks.
Известен также способ обработки сигналов, включающий использование вычислительного комплекса, содержащего нейронную сеть, матрицу связей нейронов в сети, реализующую необходимое функциональное преобразование входного информационного сигнала, канал подвода этого сигнала и канал отвода выходного сигнала, предусматривающий распознавание сигнала с выработкой выходного управляющего сигнала вычислительного комплекса (см. Шубников Е.И. Адаптивная нейронная сеть для распознавания образов // Оптика и спектроскопия. - Т. 76. - 5. - С. 785-789. - 1994). There is also a known method of processing signals, including the use of a computer complex containing a neural network, a matrix of neuron connections in the network that implements the necessary functional transformation of the input information signal, a channel for supplying this signal and a channel for extracting the output signal, which provides signal recognition with the generation of the output control signal of the computer complex ( see Shubnikov EI Adaptive neural network for pattern recognition // Optics and Spectroscopy. - T. 76. - 5. - P. 785-789. - 1994).
Недостаток этого решения определяется тем, что используется фиксированная многомерная матрица связей нейронов в сети, которая определяет тип выполняемого преобразования и формируется при обучении нейросети. Вместе с тем эта матрица предопределяет использование данной сети только для решения одной конкретной задачи. Попытки обучения сети всем возможным решаемым задачам наталкиваются на предел информационной емкости матрицы связей. Он определяется как топологией самой сети, так и конечными физическими параметрами среды, реализующей эту матрицу связей. Изменение условий функционирования нейронной сети может привести к необходимости решения новой задачи этой же сетью. Это влечет за собой необходимость смены матрицы связей нейронов на новую, которая должна быть заранее рассчитана на этапе обучения. Выбор необходимой матрицы связей, осуществляемый человеком, снижает оперативность и ограничивает функциональность работы системы обработки информации, в которую входит нейронная сеть. The disadvantage of this solution is determined by the fact that a fixed multidimensional matrix of neuron connections in the network is used, which determines the type of transformation performed and is formed during training of the neural network. At the same time, this matrix predetermines the use of this network only for solving one specific problem. Attempts to teach the network all the possible tasks to be met run up to the limit of the information capacity of the communications matrix. It is determined both by the topology of the network itself and by the final physical parameters of the medium that implements this matrix of connections. Changing the conditions for the functioning of a neural network may lead to the necessity of solving a new problem by the same network. This entails the need to change the matrix of neuron connections to a new one, which must be calculated in advance at the training stage. The choice of the necessary matrix of connections made by a person reduces the efficiency and limits the functionality of the information processing system, which includes a neural network.
Техническая задача состоит в расширении возможностей универсальных нейронных сетей для решения задач различного типа при повышении оперативности их работы. The technical task is to expand the capabilities of universal neural networks to solve problems of various types while increasing the efficiency of their work.
Для решения поставленной задачи способ обработки сигналов, включающий использование вычислительного комплекса, содержащего нейронную сеть, матрицу связей нейронов в сети, реализующую необходимое функциональное преобразование входного информационного сигнала, канал подвода этого сигнала и канал отвода выходного сигнала, предусматривающий распознавание сигнала с выработкой выходного управляющего сигнала вычислительного комплекса, отличается тем, что в качестве входного информационного сигнала используют оптический сигнал, который делят на два информационных потока, при этом первый из них используют для восстановления исходной информации и последующей идентификации образа, несомого входным информационным сигналом, а второй используют для реализации необходимых функциональных преобразований этого сигнала, для чего первый информационный поток последовательно пропускают через оптическую матрицу связей однопроходной нейронной сети типа персептрон, восстанавливая его, после чего восстановленный оптический сигнал подают на вход многопроходной классифицирующей нейронной сети, например, типа сети Хопфилда, причем выходной сигнал этой сети используют для управления выбором матрицы связей однопроходной нейронной сети типа персептрон, реализующей необходимое функциональное преобразование второго информационного потока входного информационного сигнала. To solve this problem, a method of processing signals, including the use of a computer complex containing a neural network, a matrix of neuron connections in the network that implements the necessary functional transformation of the input information signal, a channel for supplying this signal and a channel for extracting the output signal, which provides signal recognition with the generation of an output control signal complex, characterized in that as an input information signal using an optical signal, which They are divided into two information streams, the first of which is used to restore the initial information and the subsequent identification of the image carried by the input information signal, and the second is used to implement the necessary functional transformations of this signal, for which the first information stream is sequentially passed through a single-pass neural optical matrix of communications network type perceptron, restoring it, after which the restored optical signal is fed to the input of a multi-pass classifying a neural network, for example, such as a Hopfield network, and the output signal of this network is used to control the selection of the matrix of communications of a single-pass neural network of the perceptron type, which implements the necessary functional transformation of the second information stream of the input information signal.
Сопоставительный анализ признаков заявленного решения и признаков известных аналогов и прототипа показывает, что заявленное устройство соответствует критерию "новизна". A comparative analysis of the features of the claimed solution and the characteristics of the known analogues and prototype shows that the claimed device meets the criterion of "novelty."
Приведенные в отличительной части формулы изобретения признаки решают следующие функциональные задачи. Given in the characterizing part of the claims, the features solve the following functional tasks.
Признак "оптический сигнал. . . делят на два информационных потока" обеспечивает возможность совмещения во времени операций по распознаванию образа, содержащегося во входном информационном сигнале, и операции, реализующей необходимое функциональное преобразование - отклик на входной информационный сигнал. The sign "optical signal ... divided into two information streams" provides the possibility of combining in time the operations of recognizing the image contained in the input information signal and the operation that implements the necessary functional transformation — the response to the input information signal.
Признаки "при этом первый из них используют для восстановления исходной информации и последующей идентификации образа, несомого входным информационным сигналом, а второй используют для реализации необходимых функциональных преобразований этого сигнала" конкретизируют операции, которым одновременно подвергаются оба информационных потока. The signs "the first of them is used to restore the initial information and the subsequent identification of the image carried by the input information signal, and the second is used to implement the necessary functional transformations of this signal" specify the operations to which both information flows are simultaneously subjected.
Признаки "первый информационный поток последовательно пропускают через оптическую матрицу связей однопроходной нейронной сети типа персептрон" обеспечивают восстановление исходного сигнала и выделение его из всего исходного входного информационного потока, поступающего от измерительных датчиков и содержащего, наряду с полезным сигналом, информационный шум. The signs "the first information stream is sequentially passed through the optical matrix of communications of a single-pass neural network such as a perceptron" provide restoration of the original signal and its isolation from the entire initial input information stream coming from the measuring sensors and containing, along with the useful signal, information noise.
Признак "восстановленный оптический сигнал подают на вход многопроходной классифицирующей нейронной сети, например, типа сети Хопфилда" обеспечивает идентификацию образа, несомого входным информационным сигналом и выработку сигнала, задающего выбор той или иной матрицы связей однопроходной нейронной сети типа персептрон, размещенной на пути второго информационного потока. The sign "the restored optical signal is fed to the input of a multi-pass classifying neural network, for example, such as the Hopfield network" provides identification of the image carried by the input information signal and generating a signal specifying the choice of one or another matrix of communications of a single-pass neural network such as perceptron, placed on the path of the second information stream .
Физическая природа входных и выходных информационных потоков, как и реализация нейронных сетей всей системы может быть различной и в данном контексте не имеет принципиального значения. Входным сигналом может быть оптическое изображение, или совокупность электрических сигналов телеметрических датчиков, или числовой информационный массив, полученный в результате обработки информации. Нейронные сети и связи между ними могут быть реализованы программно на компьютере, или могут быть созданы специализированные электронные чипы, или могут быть использованы оптические нейронные сети. Последние представляют наибольший интерес с точки зрения повышения быстродействия и информационной емкости всей системы в целом. Поэтому крайне актуальной задачей является создание вычислительного комплекса, основанного на нейронных сетях, способного решать широкий класс разнородных задач и обладающего возможностью самоадаптации к входным информационным потокам. The physical nature of the input and output information flows, as well as the implementation of the neural networks of the entire system, can be different and in this context is not of fundamental importance. The input signal can be an optical image, or a set of electrical signals from telemetric sensors, or a numerical information array obtained as a result of information processing. Neural networks and the connections between them can be implemented programmatically on a computer, or specialized electronic chips can be created, or optical neural networks can be used. The latter are of most interest from the point of view of increasing the speed and information capacity of the entire system as a whole. Therefore, an extremely urgent task is to create a computer complex based on neural networks that can solve a wide class of heterogeneous problems and has the ability to self-adapt to input information flows.
Заявленное изобретение иллюстрируется чертежами, на которых показаны: на фиг.1 - структура информационно-вычислительного комплекса, на фиг.2 - пример различных функциональных преобразований вычислительного комплекса над различными входными данными, на фиг.3 - схема однопроходной нейронной сети типа персептрон. The claimed invention is illustrated by drawings, in which: Fig. 1 shows the structure of a computer complex, Fig. 2 shows an example of various functional transformations of a computer complex over various input data, and Fig. 3 is a diagram of a single-pass perceptron-type neural network.
На чертежах схематически показаны: канал подвода информационного сигнала 1, первый 2 и второй 3 информационные потоки, однопроходная нейронная сеть типа персептрон 4 и многопроходная классифицирующая нейронная сеть 5 первого информационного потока, однопроходная нейронная сеть типа персептрон 6 второго информационного потока, голографический диск (оптическая матрица связей) 7, компьютерная матрица связей 8, линия 9, связывающая выход классифицирующей нейронной сети 5 и оптической матрицы связей 7 однопроходной нейронной сети 6 второго информационного потока, канал 10 отвода выходного сигнала вычислительного комплекса. Кроме того, на чертежах показаны шаговый двигатель 11; фотопреобразователь 12; блок управления 13; аналогово-цифровой преобразователь (АЦП) 14, компьютер 15. The drawings schematically show: channel for supplying
Канал подвода информационного сигнала 1, первый 2 и второй 3 информационные потоки и канал 10 отвода выходного сигнала вычислительного комплекса выполнены в виде волоконно-оптических световодов известного типа. The channel for supplying the
Сети 4 и 6 выполнены в виде двух модификаций нейронной сети типа двухслойный персептрон с одним входным и одним выходным слоем нейронов, с выполнением в сети 4 восстановления исходной функции (восстановления входного образа), а в сети 6 необходимого функционального преобразования на той же принципиальной базе. Сеть типа персептрон включает в себя оптическую матрицу связей, выполненную в виде голографического диска 7 (установленного с возможностью вращения на оси шагового двигателя 11), за которым располагают оптическую систему линз, состоящую из двух скрещенных цилиндрических линз и одной фокусирующей (на чертеже не показана). Выход этой системы линз связывают с фотопреобразователем 12, являющимся выходным элементом персептрона.
Для согласования выходных сигналов сетей 4 и 6 с электрическими устройствами (в том числе и компьютером) используют аналогово-цифровые преобразователи 14 известной конструкции. To coordinate the output signals of
Конструктивно сети 4 и 6 отличаются друг от друга только тем, что в сети 4 используется блок 13 для управления работой шагового двигателя 11, тогда как в сети 6 шаговый двигатель управляется непосредственно выходным сигналом сети 5. Каждый фотоэлектрический преобразователь 12 содержит фотодиод, установленный на входе преобразователя, при этом выход фотодиода подключен на вход усилителя, выход которого является выходом преобразователя 12. Structurally, the
Распознающая многопроходная сеть 5 выполнена по типу сети Хопфилда и реализована в виде программы, обеспечивающей в результате многократных итераций классификацию сигналов, поступающих с выхода сети 4 (т.е. отбор наиболее подходящих образов осуществляется путем достижения минимальной ошибки рассогласования между входным сигналом и образом, заложенным в компьютерную матрицу связи). The
Компьютерная матрицу связи 8 представляет собой цифровой массив данных, задающих выполнение того или иного типа классификации. Computer communication matrix 8 is a digital data array that defines the performance of one or another type of classification.
Оптическая матрица связей 7 выполнена в виде голографического диска, на поверхности которого, вне оси вращения, сформирован набор дифракционных решеток, которые используются как элементы оптической матрицы связей. The optical coupling matrix 7 is made in the form of a holographic disk, on the surface of which, outside the axis of rotation, a set of diffraction gratings is formed, which are used as elements of the optical coupling matrix.
Подготовка аппаратной базы к работе включает расчет элементов матрицы межнейронных соединений оптического персептрона, который производится с использованием компьютерной модели персептрона. Полученные компьютерные значения элементов wij матрицы связи применяются для определения потребной дифракционной эффективности ηij голографических дифракционных решеток, которые записываются известным образом на дисковом носителе в виде амплитудных голограмм оптического персептрона:
где I0i - интенсивность лазерного излучения на выходе i-й измерительной линии при записи голограмм; I0 - интенсивность опорного излучения при экспонировании фотоматериалов, Δ - константа, которая определяется значением максимальной дифракционной эффективности голограмм.Preparing the hardware base for work involves calculating the elements of the matrix of interneuron connections of the optical perceptron, which is performed using a computer model of the perceptron. The obtained computer values of the elements of the coupling matrix w ij are used to determine the required diffraction efficiency η ij of holographic diffraction gratings, which are recorded in a known manner on a disk medium in the form of amplitude holograms of an optical perceptron:
where I 0i is the intensity of laser radiation at the output of the i-th measuring line when recording holograms; I 0 is the intensity of the reference radiation during exposure of photographic materials, Δ is a constant that is determined by the value of the maximum diffraction efficiency of holograms.
Далее формируют информационно-вычислительный комплекс из упомянутых узлов и элементов, при этом для разделения канала подвода информационного сигнала 1 на первый 2 и второй 3 информационные потоки используют любое известное устройство (оптический разделитель - на чертежах не показан), обеспечивающее разделение оптического сигнала. Next, an information-computing complex is formed from the mentioned nodes and elements, while any known device is used to separate the information
Заявленный способ осуществляется следующим образом. The claimed method is as follows.
Оптический сигнал, несущий информацию и поступающий по информационному каналу 1, разделяют на два одинаковых потока 2 и 3, каждый из которых направляют на вход соответствующей нейронной сети (либо 4, либо 6). При этом свободные концы световодов, образующих информационные потоки 2 и 3, фокусируют на один участок (на один элемент оптической матрицы связей) соответствующего голографического диска 7, за которым расположена оптическая система линз, состоящая из двух скрещенных цилиндрических линз и одной фокусирующей (на чертеже не показана). Выход этой системы линз связывают с фотопреобразователем 12, который через АЦП 14 подключают к компьютеру 15. Причем АЦП 14, подключенный на выход сети 4, обеспечивает сопряжение сетей 4 и 5. An optical signal carrying information and arriving through
Сеть 4 осуществляет восстановление входного образа. При этом информационный поток 2 последовательно подают на каждую голографическую решетку путем шагового вращения голографического диска 7 (посредством шагового двигателя 11, управляемого системой управления 13). Дифрагировавшее излучение подвергают оптическому умножению в свободном пространстве (пропуская его через оптическую систему из двух скрещенных цилиндрических линз), фокусируют и запоминают его в виде массива данных, по которому судят о исходном состоянии входного образа, т.е. исключают возможные искажения образа, явившиеся следствием недостатков работы системы датчиков, воспринимающих сигналы объекта, формирующего образ, оценка которого должна производиться комплексом. Network 4 restores the input image. In this case, the
Сеть 5 реализует классификацию входного образа и его распознавание, так как в результате многократных итераций ее выходы приходят в одно из стационарных состояний. Это состояние соответствует наиболее близкому из входных образов, предъявлявшихся сети на этапе обучения. Network 5 implements the classification of the input image and its recognition, since as a result of repeated iterations, its outputs come into one of the stationary states. This state corresponds to the closest of the input images presented to the network at the training stage.
Выходной сигнал сети 5 используется для выбора одной из матриц связей для сети 6 путем воздействия на шаговый двигатель 11, задающий поворот оптической матрицы связей 7 сети 6. Эти матрицы реализуют необходимые функциональные преобразования и рассчитываются на этапе обучения сети 6. The output signal of the
Таким образом, комплекс в целом сначала производит общую классификацию типа входного образа, решая задачу о том, "что" делать, а затем производит необходимое преобразование входного информационного потока. В этом случае алгоритм функционирования вычислительного комплекса может быть описан следующими выражениями:
где V - входной, U - выходной информационные массивы, Fm - оператор функционального преобразования сети N3, С - оператор классификации входного образа, реализуемый сетью N2, M - количество образов, записанных в память сети N2.Thus, the complex as a whole first produces a general classification of the type of input image, solving the problem of what to do, and then performs the necessary transformation of the input information stream. In this case, the algorithm for the functioning of the computing complex can be described by the following expressions:
where V is the input, U is the output information arrays, F m is the functional transformation operator of the network N 3 , C is the input image classification operator implemented by the network N 2 , M is the number of images recorded in the network memory N 2 .
Предложенный способ и его конструктивная реализация позволит во много раз увеличить количество различных типов обрабатываемых входных образов. Кроме того, становится возможным значительное расширение функциональности системы в случае, когда затруднительно сформировать единую матрицу связей нейронной сети для решения крайне разнородных задач. The proposed method and its constructive implementation will allow many times to increase the number of different types of processed input images. In addition, it becomes possible to significantly expand the functionality of the system in the case when it is difficult to form a single matrix of neural network connections to solve extremely heterogeneous problems.
В качестве примеров, показывающих преимущественные особенности работы комплекса, можно привести следующие. As examples showing the preferred features of the complex, the following can be cited.
Например, обработку фрагментов сканированных текстов можно разделить на следующие этапы: классификация образа на "текст" и "графика" и в зависимости от этого либо выделение контура символов текста для облегчения их дальнейшего распознавания, либо полное подавление графической информации. For example, processing fragments of scanned texts can be divided into the following steps: classification of the image into “text” and “graphics” and depending on this, either highlighting the outline of the text characters to facilitate their further recognition, or completely suppressing graphic information.
Другим примером может служить охранная информационная система заповедника, обрабатывающая сигналы телеметрических датчиков. Если входной сигнал распознается как образ животного, то происходит обработка сигнала с целью определения видовой принадлежности животного с последующим занесением информации в базу данных. Если же входной сигнал распознается как образ человека, то он преобразуется в сигнал задержания нарушителя заповедной территории. Another example is the reserve’s security information system that processes signals from telemetric sensors. If the input signal is recognized as an image of an animal, the signal is processed to determine the species of the animal, followed by recording information in the database. If the input signal is recognized as an image of a person, then it will be converted into a signal of detention of the violator of the protected area.
Еще одним примером может служить информационная система, обрабатывающая сигналы телеметрических датчиков (фиг.2). Если входной сигнал распознается как образ корабля, то происходит обработка сигнала с целью определения классификации данного корабля с последующим занесением информации в базу данных. Если же входной сигнал распознается как образ человека, то он преобразуется в сигнал задержания. Another example is the information system that processes the signals of telemetric sensors (figure 2). If the input signal is recognized as an image of the ship, the signal is processed to determine the classification of the ship with the subsequent entry of information in the database. If the input signal is recognized as an image of a person, then it is converted into a delay signal.
Таким образом, предложен принцип функционирования информационно-вычислительного комплекса (который предназначен для обработки оптических данных), реализуемый на основе использования трех нейронных сетей. Каждая из сетей, входящих в состав информационно-вычислительного комплекса, выполняет свою функцию, но все вместе они способны решать широкий круг различных задач без изменения структуры самого комплекса, что значительно расширяет его возможности. Thus, the principle of the operation of the information and computer complex (which is designed to process optical data), implemented on the basis of the use of three neural networks, is proposed. Each of the networks that make up the information and computer complex performs its function, but together they are able to solve a wide range of different tasks without changing the structure of the complex itself, which greatly expands its capabilities.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU99120927A RU2189078C2 (en) | 1999-10-01 | 1999-10-01 | Signal processing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU99120927A RU2189078C2 (en) | 1999-10-01 | 1999-10-01 | Signal processing method |
Publications (2)
Publication Number | Publication Date |
---|---|
RU99120927A RU99120927A (en) | 2001-08-27 |
RU2189078C2 true RU2189078C2 (en) | 2002-09-10 |
Family
ID=20225490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU99120927A RU2189078C2 (en) | 1999-10-01 | 1999-10-01 | Signal processing method |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2189078C2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211122A (en) * | 2018-10-30 | 2019-01-15 | 清华大学 | Ultraprecise displacement measurement system and method based on optical neural network |
WO2022056422A1 (en) * | 2020-09-14 | 2022-03-17 | The Regents Of The University Of California | Ensemble learning of diffractive neural networks |
-
1999
- 1999-10-01 RU RU99120927A patent/RU2189078C2/en active
Non-Patent Citations (1)
Title |
---|
ШУБНИКОВ Е.И. Адаптивная нейронная сеть для распознавания образов. - Оптика и спектроскопия, 1994, т. 76, № 5, с.785-789. BURNS R.S. The use of artifical neural networks for the intelligent optimal control of surface ships. Oceanic Engineering. 1995, V. 20, № 1, p. 65-72. * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211122A (en) * | 2018-10-30 | 2019-01-15 | 清华大学 | Ultraprecise displacement measurement system and method based on optical neural network |
CN109211122B (en) * | 2018-10-30 | 2020-05-15 | 清华大学 | Ultra-precise displacement measurement system and method based on optical neural network |
WO2022056422A1 (en) * | 2020-09-14 | 2022-03-17 | The Regents Of The University Of California | Ensemble learning of diffractive neural networks |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7426099B2 (en) | Optical neural network unit and optical neural network configuration | |
KR102279350B1 (en) | Method and device for generating image data set to be used for learning cnn capable of detecting obstruction in autonomous driving circumstance, and testing method, and testing device using the same | |
JP7284502B2 (en) | Image processing device and method | |
US5095443A (en) | Plural neural network system having a successive approximation learning method | |
US5056039A (en) | Holographic interconnect system | |
HK1092643A1 (en) | Apparatus and method for fabricating, sorting, andintegrating materials with holographic optical tr aps | |
US5963667A (en) | Multiplexing optical system and feature vector transformation apparatus using the same; feature vector detecting and transmitting apparatus; and recognition and classification system using these apparatuses | |
JP6935939B2 (en) | Learning method and learning device to which multi-feeding is applied and test method and test device using it | |
KR20210106703A (en) | Semantic segmentation system in 3D point cloud and semantic segmentation method in 3D point cloud using the same | |
CN114510960A (en) | Method for recognizing distributed optical fiber sensor system mode | |
RU2189078C2 (en) | Signal processing method | |
JPH0315018A (en) | Laser exposure device for image scanning and recording device | |
US5712729A (en) | Artificial retina cell, artificial retina and artificial visual apparatus | |
CN108387316B (en) | Video type self-adaptive target recognition device and method | |
Hecht-Nielsen | Neural analog processing | |
JP4314017B2 (en) | Hierarchical processing device | |
CN115565146A (en) | Perception model training method and system for acquiring aerial view characteristics based on self-encoder | |
JPH03276137A (en) | Optical neural processor | |
Kulchin et al. | Neural-like holographic information system for processing of optical signals | |
KR102469669B1 (en) | Convolutional neural network model learning method using analog and digital signals | |
JPH06161586A (en) | Optical neural processor | |
RU2178188C2 (en) | Process measuring parameters of physical fields | |
Talukder et al. | Architecture Agnostic Neural Networks | |
JPH05297325A (en) | Artificial retina and artificial visual sensation device | |
JPH0296818A (en) | Optical neural net circuit |