Из Википедии, свободной энциклопедии
Перейти к навигации Перейти к поиску

В информатике и машинного обучения , клеточные нейронные сети (CNN) или сотовые нелинейные сети (CNN) представляют собой параллельных вычислений парадигмы , аналогичную нейронных сетей , с той разницей , что связь допускается только между соседними единицами. Типичные приложения включают обработку изображений , анализ трехмерных поверхностей, решение уравнений в частных производных , сокращение невизуальных проблем до геометрических карт, моделирование биологического зрения и других сенсомоторных органов. [1]

CNN не следует путать со сверточной нейронной сетью (также в просторечии называемой CNN).

Архитектура CNN [ править ]

Из-за их количества и разнообразия архитектур трудно дать точное определение процессору CNN. С точки зрения архитектуры процессоры CNN представляют собой систему конечных, фиксированных номеров, фиксированных местоположений, фиксированных топологий, локально взаимосвязанных, множественных входов и одиночных выходов, нелинейных блоков обработки. Блоки нелинейной обработки часто называют нейронами или клетками . Математически каждую ячейку можно смоделировать как диссипативную нелинейную динамическую систему, в которой информация кодируется через ее начальное состояние, входные данные и переменные, используемые для определения ее поведения. Динамика обычно непрерывна, как в случае с Непрерывным Времени.Процессоры CNN (CT-CNN), но могут быть дискретными, как в случае процессоров CNN с дискретным временем (DT-CNN). [2] [3] [4]

Каждая ячейка имеет один выход, с помощью которого она сообщает свое состояние как другим ячейкам, так и внешним устройствам. Выходные данные обычно имеют действительное значение , но могут быть сложными или даже кватернионными , т. Е. Многозначным CNN (MV-CNN). Большинство процессоров CNN, блоки обработки идентичны, но есть приложения, которым требуются неидентичные блоки, которые называются процессорами CNN с неоднородным процессором (NUP-CNN) и состоят из разных типов ячеек.

Chua-Yang CNN [ править ]

В исходном процессоре Chua-Yang CNN (CY-CNN) состояние ячейки представляло собой взвешенную сумму входных данных, а выход - кусочно-линейной функцией . Однако, как и у исходных нейронных сетей на основе перцептронов , функции, которые она могла выполнять, были ограничены: в частности, она не могла моделировать нелинейные функции , такие как XOR . Более сложные функции можно реализовать с помощью процессоров нелинейной CNN (NL-CNN). [5]

Ячейки определены в пространстве с нормированной сеткой, как в двумерной евклидовой геометрии . Однако ячейки не ограничиваются двумерными пространствами; они могут быть определены в произвольном количестве измерений и могут быть квадратными , треугольными , шестиугольными или любым другим пространственно неизменным расположением. Топологически ячейки могут располагаться на бесконечной плоскости или в тороидальном пространстве. Взаимодействие ячеек является локальным, что означает, что все соединения между ячейками находятся в пределах указанного радиуса (расстояние измеряется топологически ). Соединения также могут иметь временную задержку, чтобы обеспечить обработку во временной области.

Большинство архитектур CNN имеют ячейки с одинаковыми относительными межсоединениями, но есть приложения, требующие пространственно изменяющейся топологии, то есть процессоры CNN с множеством соседних объектов (MNS-CNN). Кроме того, процессоры многоуровневой CNN (ML-CNN), где все ячейки на одном уровне идентичны, могут использоваться для расширения возможностей процессоров CNN.

Определение системы - это совокупность независимых, взаимодействующих сущностей, образующих единое целое, чье поведение отличается и качественно превосходит ее сущности. Хотя связи являются локальными, обмен информацией может происходить в глобальном масштабе посредством распространения. В этом смысле процессоры CNN являются системами, потому что их динамика определяется взаимодействием между процессорами, а не внутри их. В результате они проявляют эмерджентное и коллективное поведение. Математически отношения между ячейкой и ее соседями, находящимися в зоне влияния, могут быть определены законом связи , и это то, что в первую очередь определяет поведение процессора. Когда законы связи моделируютсянечеткая логика , это нечеткая CNN. [6] Когда эти законы моделируются вычислительной логикой глагола, он становится вычислительным глаголом CNN. [7] [8] [9] Как нечеткие, так и глагольные CNN полезны для моделирования социальных сетей, когда локальные связи достигаются с помощью лингвистических терминов. [10]

История [ править ]

Идея процессоров CNN была предложена Леоном Чуа и Линь Янгом в 1988 году. [11] В этих статьях Чуа и Янг описывают математические основы, лежащие в основе процессоров CNN. Они используют эту математическую модель, чтобы продемонстрировать для конкретной реализации CNN, что, если входные данные статичны, блоки обработки сходятся и могут использоваться для выполнения полезных вычислений. Затем они предлагают одно из первых приложений процессоров CNN: обработка изображений и распознавание образов (которое до сих пор остается самым большим приложением). Леон Чуа по-прежнему активно участвует в исследованиях CNN и публикует многие из своих статей в Международном журнале бифуркации и хаоса , редактором которого он является. И то и другоеIEEE Transactions on Circuits and Systems и International Journal of Bifurcation также содержат множество полезных статей о процессорах CNN, написанных другими знающими исследователями. Первые имеют тенденцию сосредотачиваться на новых архитектурах CNN, а вторые больше на динамических аспектах процессоров CNN.

В 1993 году Тамас Роска и Леон Чуа представили первый в мире алгоритмически программируемый аналоговый процессор CNN. [12] Многонациональные усилия финансировались Управлением военно-морских исследований , Национальным научным фондом и Венгерской академией наук , а исследования проводились Венгерской академией наук и Калифорнийским университетом.. Эта статья доказала, что процессоры CNN могут быть произведены, и предоставила исследователям физическую платформу для проверки их теорий CNN. После этой статьи компании начали вкладывать средства в более крупные и более мощные процессоры, основанные на той же базовой архитектуре, что и универсальный процессор CNN. Тамаш Роска - еще один ключевой участник CNN. Его имя часто ассоциируется с биологически вдохновленными платформами и алгоритмами обработки информации, он опубликовал множество ключевых статей и работал с компаниями и исследовательскими учреждениями, разрабатывающими технологию CNN.

Литература [ править ]

Две ссылки считаются бесценными, поскольку им удается организовать огромное количество литературы CNN в согласованную структуру:

  • Обзор Валерио Чимагалли и Марко Балси. [13] В документе дается краткое введение в определения, типы CNN, динамику, реализации и приложения.
  • "Сотовые нейронные сети и основы и приложения визуальных вычислений", написанный Леоном Чуа и Тамасом Роска, в котором представлены примеры и упражнения. Книга охватывает множество различных аспектов процессоров CNN и может служить учебником для магистров или докторов наук. курс.

Другие ресурсы включают

  • Труды «Международного семинара по сотовым нейронным сетям и их приложениям» содержат много литературы для CNN.
  • Материалы конференций, проведенных в 1990, 1992, 1994, 1996, 1998, 2000, 2002, 2005 и 2006 годах , доступны в Интернете через IEEE Xplore .
  • Также был проведен семинар в Сантьяго-де-Композитела, Испания. Темы включали теорию, дизайн, приложения, алгоритмы, физические реализации, а также методы программирования и обучения.
  • Для понимания технологии CNN на основе аналоговых полупроводников у AnaLogic Computers есть линейка продуктов в дополнение к опубликованным статьям, доступным на их домашней странице, и их списку публикаций. У них также есть информация о других технологиях CNN, таких как оптические вычисления. Многие из часто используемых функций уже реализованы с использованием процессоров CNN. Хорошую точку отсчета для некоторых из них можно найти в библиотеках обработки изображений для визуальных компьютеров на основе CNN, таких как системы на основе CNN компании Analogic.

Связанные архитектуры обработки [ править ]

Процессоры CNN можно рассматривать как гибрид между ANN и непрерывными автоматами (CA).

Искусственные нейронные сети [ править ]

Блоки обработки CNN и NN похожи. В обоих случаях процессорные блоки представляют собой динамические системы с множеством входов, и поведение всей системы определяется, главным образом, весами линейного межсоединения процессора.

Однако в процессорах CNN соединения выполняются локально, тогда как в ANN соединения являются глобальными.

Например, нейроны в одном слое полностью соединены с другим слоем в сети с прямой связью, и все нейроны полностью взаимосвязаны в сетях Хопфилда . В ИНС веса взаимосвязей содержат информацию о предыдущем состоянии системы обработки или обратной связи.

Но в процессорах CNN веса используются для определения динамики системы.

Кроме того, из-за высокой взаимосвязанности ИНС они, как правило, не используют локальность ни в наборе данных, ни в обработке, и в результате они обычно представляют собой системы с высокой степенью избыточности, которые обеспечивают надежное , отказоустойчивое поведение без катастрофических ошибок.

Что-то среднее между ИНС и процессором CNN - это Ratio Memory CNN (RMCNN). В процессорах RMCNN соединение ячеек является локальным и топологически инвариантным, но веса используются для хранения предыдущих состояний, а не для управления динамикой. Вес клеток изменяется во время некоторого состояния обучения, создавая долговременную память. [14] [15]

Непрерывные автоматы [ править ]

Топология и динамика процессоров CNN очень похожи на CA. Как и большинство процессоров CNN, CA состоит из фиксированного числа идентичных процессоров, которые пространственно дискретны и топологически однородны. Разница в том, что большинство процессоров CNN имеют непрерывные значения, тогда как CA имеют дискретные значения. Кроме того, поведение ячейки процессора CNN определяется с помощью некоторой нелинейной функции, тогда как ячейки процессора CA определяются некоторым конечным автоматом.

Однако есть и исключения. Непрерывный Ценятся Cellular Automata является CA с непрерывным разрешением. В зависимости от того, как задан данный непрерывный автомат, он также может быть CNN.

Существуют также непрерывные пространственные автоматы , которые состоят из бесконечного числа пространственно непрерывных автоматов с непрерывными значениями. В этой области проводится значительная работа, поскольку непрерывные пространства легче математически моделировать, чем дискретные пространства, что позволяет использовать более количественный подход в отличие от эмпирического подхода, применяемого некоторыми исследователями клеточных автоматов . Процессоры непрерывных пространственных автоматов могут быть физически реализованы с помощью нетрадиционной платформы обработки информации, такой как химический компьютер . Кроме того, возможно, что большие процессоры CNN (с точки зрения разрешения ввода и вывода) могут быть смоделированы как непрерывные пространственные автоматы.

Модель вычисления [ править ]

Динамическое поведение процессоров CNN можно выразить с помощью дифференциальных уравнений , где каждое уравнение представляет состояние отдельного процессора. Поведение всего процессора CNN определяется его начальными условиями, входами, взаимосвязями ячеек (топологией и весами) и самими ячейками. Одним из возможных вариантов использования процессоров CNN является генерация сигналов с определенными динамическими свойствами и реагирование на них. Например, процессоры CNN использовались для создания мультиспирального хаоса (как аттрактор Чена ) [16], синхронизации с хаотическими системами и демонстрации многоуровневого гистерезиса . [17] [18] [19]Процессоры CNN разработаны специально для решения локальных низкоуровневых проблем с интенсивным использованием процессора, выраженных как функция пространства и времени. Например, процессоры CNN могут использоваться для реализации фильтров верхних и нижних частот и морфологических операторов. Их также можно использовать для аппроксимации широкого диапазона дифференциальных уравнений в частных производных (PDE) [20], таких как рассеяние тепла и распространение волн. [21]

Реакция-Распространение [ править ]

Процессоры CNN могут использоваться как процессоры реакции-диффузии (RD). Процессоры RD - это пространственно инвариантные, топологически инвариантные, аналоговые параллельные процессоры, характеризующиеся реакциями, где два агента могут объединяться для создания третьего агента, и диффузией , распространением агентов. Процессоры RD обычно реализуются через химические вещества в чашке Петри (процессор), свет (вход) и камеру (выход), однако процессоры RD также могут быть реализованы через многослойный процессор CNN. D-процессоры могут использоваться для создания диаграмм Вороного и выполнения скелетонизации.. Основное различие между химической реализацией и реализацией CNN состоит в том, что реализации CNN значительно быстрее, чем их химические аналоги, а химические процессоры пространственно непрерывны, тогда как процессоры CNN пространственно дискретны. Наиболее изученный процессор RD, процессоры Белоусова-Жаботинского (BZ), уже был смоделирован с использованием четырехслойных процессоров CNN и реализован в полупроводнике. [22] [23] [24] [25]

Логические функции [ править ]

Как и в случае с CA, вычисления могут выполняться путем генерации и распространения сигналов, которые либо растут, либо изменяются с течением времени. Вычисления могут происходить внутри сигнала или могут происходить посредством взаимодействия между сигналами. Одним из типов обработки, который использует сигналы и набирает обороты, является обработка волн , которая включает в себя генерацию, расширение и возможное столкновение волн. Обработку волн можно использовать для измерения расстояний и поиска оптимальных путей. Вычисления также могут происходить с помощью частиц, глайдеров, растворов и локализованных структур фильтраонов, которые сохраняют свою форму и скорость. Учитывая, как эти структуры взаимодействуют / сталкиваются друг с другом и со статическими сигналами, их можно использовать для хранения информации в виде состояний и реализации различных логических функций.. Вычисления также могут происходить между сложным, потенциально растущим или развивающимся локализованным поведением с помощью червей, лестниц и пиксельных змей. Помимо хранения состояний и выполнения логических функций , эти структуры могут взаимодействовать, создавать и уничтожать статические структуры. [26]

Применение CNN к булевым функциям обсуждается в статье Фанюэ Чена, Гуолун Хэ, Сюбиня Сюй и Гуанжун Чена «Реализация произвольных булевых функций через CNN». [26]

Автоматы и машины Тьюринга [ править ]

Хотя процессоры CNN в первую очередь предназначены для аналоговых вычислений, некоторые типы процессоров CNN могут реализовывать любую логическую функцию, позволяющую моделировать CA. Поскольку некоторые CA являются универсальными машинами Тьюринга (UTM), способные моделировать любой алгоритм, можно выполнять на процессорах, основанных на архитектуре фон Неймана , что делает этот тип процессоров CNN, универсальный CNN, UTM. Одна архитектура CNN состоит из дополнительного уровня. Процессоры CNN привели к простейшей реализации Игры Жизни Конвея и Правила 110 Вольфрама , простейшей известной универсальной машины Тьюринга.. Это уникальное динамическое представление старых систем позволяет исследователям применять методы и оборудование, разработанные для CNN, чтобы лучше понять важные CA. Более того, непрерывное пространство состояний процессоров CNN с небольшими модификациями, не имеющими эквивалента в Cellular Automata , создает непредвиденное поведение, которого раньше не было. [27]

Любая платформа обработки информации, которая позволяет создавать произвольные логические функции , называется универсальной, и в результате процессоры CNN этого класса обычно называют универсальными процессорами CNN. Исходные процессоры CNN могут выполнять только линейно разделимые логические функции. Путем перевода функций из цифровой логики или доменов справочной таблицы в домен CNN некоторые функции можно значительно упростить. Например, девятиразрядная логика генерации нечетной четности, которая обычно реализуется восемью вложенными вентилями «исключающее ИЛИ», также может быть представлена ​​функцией суммы и четырьмя вложенными функциями абсолютного значения. При этом не только снижается сложность функции, но и параметры реализации CNN могут быть представлены в непрерывной области вещественных чисел. [26]

Существует два метода выбора процессора CNN вместе с шаблоном или весами. Первый - методом синтеза, который предполагает определение коэффициентов в автономном режиме. Это можно сделать, используя предыдущую работу, то есть библиотеки, документы и статьи, или математически вывести co, которая лучше всего подходит для задачи. Другой - через обучение процессора. Исследователи использовали обратное распространение и генетические алгоритмы для обучения и выполнения функций. Алгоритмы обратного распространения имеют тенденцию быть быстрее, но генетические алгоритмы полезны, потому что они предоставляют механизм для поиска решения в прерывистом, зашумленном пространстве поиска. [28] [29] [30]

Физические реализации [ править ]

Существуют игрушечные модели, имитирующие процессоры CNN с использованием бильярдных шаров , но они используются для теоретических исследований. На практике CNN физически реализованы на оборудовании и современных технологиях, таких как полупроводники . В будущем есть планы по переносу процессоров CNN на новые технологии. [31] [32] [33] [34] [35] [36]

Полупроводники [ править ]

Процессоры CNN на основе полупроводников можно разделить на аналоговые процессоры CNN, цифровые процессоры CNN и процессоры CNN, эмулируемые с помощью цифровых процессоров. Первыми были разработаны аналоговые процессоры CNN. Аналоговые компьютеры были довольно распространены в 1950 и 1960-х годах, но постепенно их заменили цифровые компьютеры в 1970-х. Аналоговые процессоры были значительно быстрее в некоторых приложениях, таких как оптимизация дифференциальных уравнений и моделирование нелинейностей, но причина того, что аналоговые вычисления потеряли популярность, заключалась в отсутствии точности и сложности настройки аналогового компьютера для решения сложного уравнения.

Аналоговые процессоры CNN обладают некоторыми из тех же преимуществ, что и их предшественники, в частности скоростью. Первые аналоговые процессоры CNN были способны выполнять в реальном времени обработку со сверхвысокой частотой кадров (> 10 000 кадров / с), недостижимую для цифровых процессоров. Аналоговая реализация процессоров CNN требует меньше площади и потребляет меньше энергии, чем их цифровые аналоги. Хотя точность аналоговых процессоров CNN не сравнима с их цифровыми аналогами, для многих приложений шум и отклонения процесса достаточно малы, чтобы не повлиять на качество изображения.

Первый алгоритмически программируемый аналоговый процессор CNN был создан в 1993 году. [12] Он был назван универсальным процессором CNN, потому что его внутренний контроллер позволял выполнять несколько шаблонов с одним и тем же набором данных, таким образом имитируя несколько уровней и обеспечивая универсальные вычисления. В конструкцию входили однослойная CCN 8x8, интерфейсы, аналоговая память, логика переключения и программное обеспечение. Процессор был разработан, чтобы определить производительность и полезность процессора CNN. Концепция CNN оказалась многообещающей, и к 2000 году по крайней мере шесть организаций разрабатывали алгоритмически программируемые аналоговые процессоры CNN. [12]

AnaFocus, AnaLogic [ править ]

В 2000-х годах AnaFocus, полупроводниковая компания со смешанными сигналами из Севильского университета , представила линейку своих прототипов процессоров CNN ACE. Их первый процессор ACE содержал 20x20 блоков Ч / Б процессоров; и последующие процессоры обеспечивали блоки процессоров с оттенками серого 48x48 и 128x128, улучшая скорость и улучшая элементы обработки. У AnaFocus также была линейка многослойных прототипов процессоров CNN CASE. Их процессоры обеспечивали взаимодействие между считыванием и обработкой в ​​реальном времени. В 2014 году AnaFocus был продан компании e2v technologies. [37]

Другая компания, AnaLogic Computers, была основана в 2000 году многими из тех же исследователей, которые стояли за первым алгоритмически программируемым универсальным процессором CNN. В 2003 году компания AnaLogic Computers разработала плату визуального процессора PCI-X, которая включала процессор ACE 4K [38] с модулем DIP Texas Instrument и высокоскоростным устройством захвата кадров. Это позволило легко включить обработку CNN в настольный компьютер. В 2006 году компания AnaLogic Computers разработала линейку продуктов Bi-I Ultra High Speed ​​Smart Camera, которая включает процессор ACE 4K в их высокопроизводительные модели. [39]

В 2006 году Roska et al. опубликовал статью о разработке бионических очков для AnaLogic. Bionic Eyeglass - это носимая платформа с двумя камерами, основанная на сверхвысокоскоростной интеллектуальной камере Bi-I, предназначенная для оказания помощи слепым людям. Некоторые из его функций включают распознавание номера маршрута и обработку цвета. [40] [41] [42]

Аналоговые процессоры CNN [ править ]

Некоторые исследователи разработали собственные аналоговые процессоры CNN. Например:

  • Исследовательская группа из Университета дельи Студи ди Катания создала его, чтобы создать походку для робота-гексапода.
  • Чунг-Ю Ву и Чиу-Хунг Ченг из Национального университета Цзяо Дун разработали процессор RM-CNN, чтобы узнать больше об обучении и распознавании образов. [43]
  • Исследователи из Национального технологического института Льен-Хо (W. Yen, R. Chen и J. Lai) разработали процессор Min-Max CNN (MMCNN), чтобы узнать больше о динамике CNN. [44]

Несмотря на их скорость и низкое энергопотребление, аналоговые процессоры CNN имеют ряд существенных недостатков. Во-первых, аналоговые процессоры CNN могут потенциально создавать ошибочные результаты из-за изменений среды и процесса. В большинстве приложений эти ошибки незаметны, но бывают ситуации, когда незначительные отклонения могут привести к катастрофическим сбоям системы. Например, при хаотической коммуникации изменение процесса изменит траекториюданной системы в фазовом пространстве, что приводит к потере синхронности / стабильности. Из-за серьезности проблемы проводятся значительные исследования для ее решения. Некоторые исследователи оптимизируют шаблоны, чтобы учесть большее разнообразие. Другие исследователи улучшают полупроводниковый процесс, чтобы он более точно соответствовал теоретическим характеристикам CNN. Другие исследователи исследуют другие, потенциально более надежные архитектуры CNN. Наконец, исследователи разрабатывают методы настройки шаблонов для конкретного чипа и условий эксплуатации. Другими словами, шаблоны оптимизируются для соответствия платформе обработки информации. Вариации процесса не только ограничивают возможности современных аналоговых процессоров CNN, но также являются препятствием для создания более сложных процессоров.Если эта вариация процесса не будет устранена, такие идеи, как вложенные блоки обработки, нелинейные входы и т. Д., Не могут быть реализованы в аналоговом процессоре CNN в реальном времени. Кроме того, полупроводниковая «недвижимость» для процессоров ограничивает размер процессоров CNN.

В настоящее время самый крупный процессор машинного зрения на базе CNN на базе AnaVision состоит из детектора 4K, что значительно меньше, чем количество мегапиксельных детекторов в доступных потребительских камерах. К сожалению, уменьшение размеров элементов, предсказанное законом Мура , приведет лишь к незначительным улучшениям. По этой причине изучаются альтернативные технологии, такие как резонансные туннельные диоды и нейронно-биполярные переходные транзисторы. [45] Также переоценивается архитектура процессора CNN. Например, были предложены процессоры Star-CNN, в которых один аналоговый умножитель распределяется по времени между несколькими процессорами, и ожидается, что они приведут к уменьшению размера процессорного модуля на 80%. [46]

Цифровые процессоры CNN, FPGA [ править ]

Цифровые процессоры CNN, хотя и не такие быстрые и энергоэффективные, не разделяют проблем, связанных с изменением процесса и размером функций, чем их аналоговые аналоги. Это позволяет цифровым процессорам CNN включать в себя вложенные процессорные блоки, нелинейности и т. Д. Кроме того, цифровые CNN более гибкие, менее затратные и более простые в интеграции. Наиболее распространенная реализация цифровых процессоров CNN использует FPGA.. Eutecus, основанная в 2002 году и работающая в Беркли, предоставляет интеллектуальную собственность, которая может быть синтезирована в ПЛИС Altera. Их цифровые процессоры CNN с разрешением 320x280 пикселей на базе FPGA работают со скоростью 30 кадров / с, и есть планы создать быструю цифровую ASIC. Eustecus является стратегическим партнером компьютеров AnaLogic, и их конструкции FPGA можно найти в нескольких продуктах AnaLogic. Eutecus также разрабатывает библиотеки программного обеспечения для выполнения задач, включая, помимо прочего, видеоаналитику для рынка видеобезопасности, классификацию функций, отслеживание нескольких целей, обработку сигналов и изображений и обработку потоков. Многие из этих процедур получены с использованием обработки, подобной CNN. Для тех, кто хочет выполнить моделирование CNN для прототипирования, низкоскоростных приложений или исследований, есть несколько вариантов. Первый,существуют точные программные пакеты эмуляции CNN, такие как SCNN 2000. Если скорость недопустима, существуют математические методы, такие как итерационный метод Якоби или рекурсии вперед-назад, которые можно использовать для получения решения для устойчивого состояния процессора CNN. Наконец, цифровые процессоры CNN можно эмулировать на высокопараллельных процессорах для конкретных приложений, таких как графические процессоры. Реализация нейронных сетей с использованием графических процессоров - это область дальнейших исследований.Реализация нейронных сетей с использованием графических процессоров - это область дальнейших исследований.Реализация нейронных сетей с использованием графических процессоров - это область дальнейших исследований.[47] [48] [49] [50] [51]

Голография, нанотехнологии [ править ]

Исследователи также изучают альтернативные технологии для процессоров CNN. Хотя современные процессоры CNN позволяют обойти некоторые проблемы, связанные с их цифровыми аналогами, они имеют одни и те же долгосрочные проблемы, общие для всех полупроводниковых процессоров. К ним относятся, помимо прочего, скорость, надежность, энергопотребление и т. Д. AnaLogic Computers разрабатывает оптические процессоры CNN, которые сочетают в себе оптику, лазеры, а также биологическую и голографическую память. То, что изначально было технологическим исследованием, привело к созданию процессора CNN размером 500x500, способного выполнять 300 гига-операций в секунду.

Еще одна перспективная технология для процессоров CNN - нанотехнологии. Одна из исследуемых концепций нанотехнологии заключается в использовании одноэлектронных туннельных переходов, которые могут быть преобразованы в одноэлектронные или сильноточные транзисторы, для создания блоков обработки CNN McCulloch-Pitts. Таким образом, процессоры CNN были реализованы и представляют ценность для своих пользователей. Они смогли эффективно использовать преимущества и устранить некоторые недостатки, связанные с их базовой технологией, то есть полупроводниками. Исследователи также переводят процессоры CNN на новые технологии. Следовательно, если архитектура CNN подходит для конкретной системы обработки информации, есть процессоры, доступные для покупки (как и в обозримом будущем). [52]

Приложения [ править ]

У исследователей CNN самые разные интересы, начиная от физических, инженерных, теоретических, математических, вычислительных и философских приложений.

Обработка изображений [ править ]

Процессоры CNN были разработаны для обработки изображений; в частности, обработка в реальном времени со сверхвысокой частотой кадров (> 10 000 кадров / с) для таких приложений, как обнаружение частиц в жидкостях для реактивных двигателей и обнаружение свечей зажигания. В настоящее время процессоры CNN могут достигать 50 000 кадров в секунду, и для некоторых приложений, таких как слежение за ракетами, обнаружение вспышек и диагностика свечей зажигания, эти микропроцессоры превзошли обычные суперкомпьютеры . Процессоры CNN позволяют выполнять локальные низкоуровневые операции, интенсивно использующие процессор, и используются для извлечения признаков, [53] регулировки уровня и усиления, определения постоянства цвета, [54] повышения контрастности, деконволюции , [55] сжатия изображений., [56] [57] оценка движения , [58] [59] кодирование изображения, декодирование изображения, сегментация изображения, [60] [61] карты предпочтений ориентации, [62] обучение / распознавание шаблонов, [43] [63] мульти -слежение за целью, [64] стабилизация изображения , [58] повышение разрешения, [65] деформации и отображение изображения, перерисовка изображения, [66] оптический поток, [67] контурирование, [68] [69] обнаружение движущихся объектов , [70 ] ось симметрии обнаружения, [71] ислияние изображений . [72] [73] [74]

Из - за их возможности обработки и гибкость, процессоры CNN были использованы и прототипами для новых приложений на местах , такие как анализ пламени для контроля горения при отходах для сжигания отходов , [75] обнаружения мин с помощью инфракрасного изображения, калориметр пика кластера для физики высоких энергий , [ 76] обнаружение аномалий на картах потенциального поля для геофизики, [77] обнаружение лазерных точек, [78] контроль металла для обнаружения производственных дефектов [79] и выбор сейсмического горизонта. Они также использовались для выполнения биометрических функций [80]такие , как распознавания отпечатков пальцев , [81] вена выделение признаков, отслеживания лица, [82] и генерация визуальных стимулов с помощью шаблонов возникающих для оценки восприятия резонансы .

Биология и медицина [ править ]

Процессоры CNN использовались для медицинских и биологических исследований при выполнении автоматического подсчета ядерных клеток для обнаружения гиперплазии , [83] сегментации изображений на анатомически и патологически значимые области, измерения и количественной оценки сердечной функции, измерения времени нейронов и выявления аномалий мозга, которые могли бы привести к судорогам. [84] [85]

Одно из возможных будущих применений микропроцессоров CNN - объединить их с микрочипами ДНК, чтобы обеспечить анализ ДНК сотен тысяч различных последовательностей ДНК в режиме, близком к реальному времени. В настоящее время основным узким местом анализа ДНК- микрочипов является время, необходимое для обработки данных в виде изображений, и с помощью микропроцессора CNN исследователи сократили время, необходимое для выполнения этого вычисления, до 7 мс.

Распознавание текстуры [ править ]

Процессоры CNN также использовались для генерации и анализа паттернов и текстур. Одним из мотивов было использование процессоров CNN для понимания генерации паттернов в естественных системах. Они использовались для генерации паттернов Тьюринга , чтобы понять ситуации, в которых они формируются, различные типы паттернов, которые могут возникнуть, а также наличие дефектов или асимметрий. [27] Кроме того, процессоры CNN использовались для аппроксимации систем генерации паттернов, которые создают стационарные фронты, пространственно-временные паттерны, колеблющиеся во времени, гистерезис , память и неоднородность. Кроме того, генерация шаблонов использовалась для обеспечения высокопроизводительной генерации и сжатия изображений с помощью генерации стохастических изображений в реальном времени.и крупнозернистые биологические образцы, обнаружение границ текстуры, а также распознавание и классификация образов и текстур . [86] [87]

Системы управления и приводов [ править ]

Постоянно прилагаются усилия по включению процессоров CNN в машины, управляющие сенсорными вычислениями, как часть развивающейся области сотовых машин . Основная предпосылка - создать интегрированную систему, которая использует процессоры CNN для обработки сенсорных сигналов и, возможно, принятия решений и контроля. Причина в том, что процессоры CNN могут обеспечить низкое энергопотребление, небольшой размер и, в конечном итоге, недорогую вычислительную и исполнительную систему, подходящую для сотовых машин. Эти сотовые машины в конечном итоге создадут сеть датчиков и исполнительных механизмов (SAN) [88], разновидность мобильных специальных сетей (MANET), которые можно будет использовать для сбора военной разведки, наблюдения за негостеприимной средой, обслуживания больших территорий, исследования планет и т. Д. и т.п.

Процессоры CNN оказались достаточно универсальными для некоторых функций управления. Они использовались для оптимизации функций с помощью генетического алгоритма [89] для измерения расстояний, для поиска оптимального пути в сложной динамической среде и теоретически могут использоваться для изучения и связывания сложных стимулов. Они также использовались для создания антонимных походок и низкоуровневых двигателей для роботов- нематод , пауков и походок миног с использованием Центрального генератора паттернов (CPG). Они могли функционировать, используя только обратную связь с окружающей средой, что позволило создать надежную, гибкую, основанную на биологии двигательную систему робота. Системы на основе CNN могли работать в различных средах и по-прежнему функционировать, если некоторые из блоков обработки отключены. [90] [91][92]

Системы связи [ править ]

Разнообразие динамических характеристик процессоров CNN делает их интересными для систем связи. Хаотическая связь с использованием процессоров CNN исследуется в связи с их потенциально низким энергопотреблением, надежностью и особенностями расширенного спектра. Предпосылка хаотической коммуникации состоит в том, чтобы использовать хаотический сигнал для несущей волны и использовать хаотическую фазовую синхронизацию для восстановления исходного сообщения. Процессоры CNN могут использоваться как на стороне передатчика, так и на стороне получателя для кодирования и декодирования данного сообщения. Их также можно использовать для шифрования и дешифрования данных, аутентификации источника с помощью водяных знаков [93], обнаружения сложных паттернов в изображениях спектрограмм [94] ( обработка звука ) и обнаружения переходных спектральных сигналов.

Процессоры CNN - это нейроморфные процессоры, что означает, что они имитируют определенные аспекты биологических нейронных сетей . Первоначальные процессоры CNN были основаны на сетчатке млекопитающих, которые состоят из слоя фотодетекторов, подключенных к нескольким слоям локально связанных нейронов. [95] Это делает процессоры CNN частью междисциплинарной исследовательской области, целью которой является разработка систем, которые используют знания и идеи нейробиологии и вносят свой вклад посредством проверки теорий в реальном мире. Процессоры CNN реализовали систему реального времени, которая воспроизводит сетчатку млекопитающих, подтверждая, что исходная выбранная архитектура CNN смоделировала правильные аспекты биологических нейронных сетей, используемых для выполнения этой задачи в жизни млекопитающих.[95] Однако процессоры CNN не ограничиваются проверкой биологических нейронных сетей, связанных с обработкой зрения; они использовались для моделирования динамической активности, наблюдаемой в нейронных сетях млекопитающих, обнаруженных в обонятельной луковице и в лопастях усиков саранчи, отвечающих за предварительную обработку сенсорной информации для обнаружения различий в повторяющихся паттернах. [96] [97]

Процессоры CNN используются для понимания систем, которые можно моделировать с помощью простых связанных единиц, таких как живые клетки, биологические сети, физиологические системы и экосистемы. Архитектура CNN улавливает некоторые динамики, часто наблюдаемые в природе, и достаточно проста для анализа и проведения экспериментов. Они также используются для методов стохастического моделирования, которые позволяют ученым исследовать проблемы спина, динамику населения, модели газа на основе решеток, перколяцию и другие явления. Другие приложения для моделирования включают теплопередачу, механические колебательные системы, производство белка, [98] проблемы перехода Джозефсона , [99] распространение сейсмических волн [100] и геотермальные структуры.[101] Экземпляры 3D CNN использовались для доказательства некоторых возникающих явлений в сложных системах, устанавливая связь между искусством, динамическими системами итехнологиями СБИС . [102] [103] [104] [105]

Процессоры CNN использовались для исследования множества математических концепций, таких как неравновесные системы , построение нелинейных систем произвольной сложности, возникающая хаотическая динамика и обнаружение нового динамического поведения. Их часто используют при системных исследованиях., междисциплинарная научная область, изучающая естественные системы. Целью системных исследователей является разработка концептуальной и математической основы, необходимой для анализа, моделирования и понимания систем, включая, помимо прочего, атомные, механические, молекулярные, химические, биологические, экологические, социальные и экономические системы. Изучаемые темы: возникновение, коллективное поведение, локальная активность и ее влияние на глобальное поведение, а также количественная оценка сложности приблизительно пространственной и топологически инвариантной системы. [106] С другим определением сложности (профессор Массачусетского технологического института Сет Ллойд выделил 32 различных определения сложности [107]), это потенциально может быть математически выгодным при анализе таких систем, как экономические и социальные системы.

Заметки [ править ]

  1. ^ Славова, А. (2003-03-31). Сотовые нейронные сети: динамика и моделирование . Springer Science & Business Media. ISBN 978-1-4020-1192-4.
  2. ^ С. Малки, Ю. Фуцян и Л. Спааненбург, «Извлечение признаков вен с использованием DT-CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  3. ^ Х. Харрер и Дж. Носсек, "Сотовые нейронные сети с дискретным временем", Международный журнал теории цепей и приложений, 20: 453-467, 1992.
  4. ^ М. Брюгге, "Морфологический дизайн клеточных нейронных сетей с дискретным временем", Диссертация Университета Гронингена, 2005.
  5. ^ Э. Гомес-Рамирес, Г. Пазиенца, X. Виласис-Кардона, "Полиномиальные сотовые нейронные сети с дискретным временем для решения проблемы XOR", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  6. ^ Ян, Т .; и другие. (Октябрь 1996 г.). «Глобальная устойчивость нечеткой клеточной нейронной сети». IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications . IEEE . 43 (10): 880–883. DOI : 10.1109 / 81.538999 .
  7. ↑ Ян, Т. (март 2009 г.). "Computational Verb Cellular Networks: Part I - A New Paradigm of Human Social Pattern Formation". Международный журнал вычислительного познания . Научная пресса Яна . 7 (1): 1–34.
  8. ↑ Ян, Т. (март 2009 г.). «Сотовые сети с вычислительным глаголом: Часть II - Локальные правила с помощью одномерного глагола». Международный журнал вычислительного познания . Научная пресса Яна . 7 (1): 35–51.
  9. ↑ Ян, Т. (июнь 2009 г.). "Сотовые сети с вычислительным глаголом: Часть III - Решения одномерных сотовых сетей с вычислительным глаголом". Международный журнал вычислительного познания . Научная пресса Яна . 7 (2): 1–11.
  10. ^ Э. Гунай, М. Алчи и С. Пармаксизоглу, «Генерация N-прокрутки в SC-CNN с помощью нелинейной функции на основе нейро-нечеткости», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  11. ^ https://www.researchgate.net/publication/3183706_Cellular_neural_networks_Theory («Сотовые нейронные сети: теория» и «Сотовые нейронные сети: приложения» в транзакциях IEEE в цепях и системах)
  12. ^ a b c Роска, Т .; Чуа, LO (март 1993 г.). «Универсальная машина CNN: компьютер с аналоговым массивом» . IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing . 40 (3): 163–173. DOI : 10.1109 / 82.222815 . ISSN 1057-7130 . 
  13. ^ Сотовые нейронные сети: обзор (нейронные сети WIRN Vietri 1993)
  14. ^ C. Wu и Y. Wu, "Проектирование сотовой нелинейной сети с памятью CMOS с коэффициентом несамостоятельной обратной связи без истекших операций для изучения и распознавания образов", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  15. ^ C. Wu и C. Cheng, "Дизайн сотовой нейронной сети с пропорциональной памятью для изучения и распознавания образов", Международный семинар по сотовым нейронным сетям и их приложениям, 2000.
  16. ^ М. Ялчин, J. Suykens и J. Vandewalle, Клеточные нейронные сети, Multi-Scroll Хаос и синхронизации, 2005.
  17. ^ А. Славова и М. Марковат, "Модель CNN на основе рецепторов с гистерезисом для генерации паттернов", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  18. ^ К. Йокосава, Ю. Танджи и М. Танака, "CNN с выходом многоуровневого гистерезисного квантования" Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  19. ^ Т. Накагути, К. Омия и М. Танака, «Гистерезисные сотовые нейронные сети для решения задач комбинаторной оптимизации», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  20. ^ G. Cserey, C. Rekeczky и P. Foldesy, "Модификация гистограммы на основе PDE со встроенной морфологической обработкой наборов уровней", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  21. ^ П. Сонколит, П. Козмат, З. Нагит и П. Солгай, "Моделирование распространения акустических волн на архитектуре CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  22. ^ А. Адамацки , Б. Костелло, Т Асаи "Реакционно-диффузионные компьютеры", 2005.
  23. ^ Ф. Голлас и Р. Тецлафф, «Моделирование сложных систем с помощью реакционно-диффузионных сотовых нелинейных сетей с полиномиальными весовыми функциями», Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  24. ^ А. Селихов, "mL-CNN: модель CNN для процессов диффузии реакций в m-компонентных системах", Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  25. ^ Б. Ши и Т. Луо, "Формирование пространственного рисунка через динамику реакции-диффузии в чипе CNN 32x32x4", IEEE Trans. О схемах и системах-I, 51 (5): 939-947, 2004.
  26. ^ a b c Chen, F .; Он, G .; Сюй, X .; Чен, Г. (август 2006 г.). «Реализация произвольных булевых функций через CNN» . 2006 10-й международный семинар по сотовым нейронным сетям и их приложениям : 1–6. DOI : 10.1109 / CNNA.2006.341641 . ISBN 1-4244-0639-0. S2CID  9648461 .
  27. ^ a b Goras, L .; Чуа, Ло; Leenaerts, DMW (1995). «Паттерны Тьюринга в CNN. I. Однажды слегка» . IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications . 42 (10): 602–611. DOI : 10.1109 / 81.473567 . ISSN 1057-7122 . 
  28. ^ Т. Козек, Т. Роска и Л. Чуа, "Генетические алгоритмы для обучения шаблонов CNN", IEEE Trans. по схемам и системам I, 40 (6): 392-402, 1993.
  29. ^ Г. Пазиенца, Э. Гомес-Рамирез и X. Виласис-Кардона, «Генетическое программирование для CNN-UM», Международный семинар по клеточным нейронным сетям и их приложениям, 2006.
  30. ^ Э. Лопес, М. Бальсиф, Д. Виларилио и Д. Кабелло, «Разработка и обучение многослойных сотовых нейронных сетей с дискретным временем для обнаружения противопехотных мин с использованием генетических алгоритмов», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г. .
  31. ^ Р. Кармона, Ф. Хименес-Гарридо, Р. Домингес-Кастро, С. Эспехо и А. Родригес-Васкес, "КМОП-реализация двухслойной универсальной машины CNN", Международный семинар по сотовым нейронным сетям и их Приложения, 2002.
  32. ^ К. Домингес-Матас, Р. Кармона-Галан, Ф. Сайнчес-Фернаиндес, А. Родригес-Васкес, «Трехслойный чип CNN для комплексной динамики в фокальной плоскости с адаптивным захватом изображения», Международный семинар по клеточной нейронной системе Сети и их приложения, 2006.
  33. ^ К. Домингес-Матас, Ф. Сайнчес-Фемайндес, Р. Кармона-Галан и Э. Рока-Морено, «Эксперименты по глобальной и локальной адаптации к условиям освещения на основе вычисления среднего значения в фокальной плоскости», Международный семинар по сотовой связи Нейронные сети и их приложения, 2006.
  34. ^ С. Ксавье-де-Соуза, М. Ялчин, Дж. Суйкенс и Дж. Вандевалле, «К устойчивости, зависящей от чипа CNN», IEEE Trans. О схемах и системах - I, 51 (5): 892-902, 2004.
  35. ^ Д. Хиллиер, С. Ксавье де Соуза, Дж. Суйкенс, Дж. Вандевалль, "CNNOPT Learning CNN Dynamics and Chip-specific robustness", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  36. ^ D. Vilarino и C. Rekeczky, "Реализация алгоритма змейки на уровне пикселей на архитектуре набора микросхем на основе CNNUM", IEEE Trans. О схемах и системах - I, 51 (5): 885-891, 2004.
  37. ^ «Приобретение AnaFocus: быстрорастущий бизнес в области обработки изображений CMOS для интеграции в подразделение High Performance Imaging» . e2v . Проверено 27 декабря 2020 .
  38. ^ "StackPath" . www.vision-systems.com . Проверено 27 декабря 2020 .
  39. ^ А. Родригес-Васкес, Г. Linan-Cembrano, Л. Каррансы, Е. Roca-Морено, Р. Кармона-Галан, Ф. Хименес-Гарридо, Р. Домингес-Кастро, и С. Меана, «ACE16k: Третье поколение микросхем ACE SIMD-CNN со смешанными сигналами на пути к VSoC, IEEE Trans. по схемам и системам - I, 51 (5): 851-863, 2004.
  40. ^ Роска, Т .; Баля, Д .; Лазарь, А .; Karacs, K .; Вагнер, Р .; Шухай, М. (май 2006 г.). «Системные аспекты бионического очка» . 2006 Международный симпозиум IEEE по схемам и системам : 4 стр. – 164. DOI : 10.1109 / ISCAS.2006.1692547 . ISBN 0-7803-9389-9. S2CID  3842486 .
  41. ^ К. Карац и Т. Роскатт, «Распознавание номеров маршрутов транспортных средств общего пользования с помощью бионических очков», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  42. ^ Р. Вагнер и М. Шухайт, "Обработка цвета в носимых бионических очках"
  43. ^ a b C. Wu и C. Cheng, « Дизайн сотовой нейронной сети с пропорциональной памятью для изучения и распознавания образов », Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  44. ^ В. Йен, Р. Чен и Дж. Лай, « Дизайн минимальных / максимальных сотовых нейронных сетей в технологии CMOS » (IEEE), Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  45. ^ В. Йен и К. Ву, "Дизайн нейронно-биполярного переходного транзистора (vBJT) структуры сотовой нейронной сети (CNN) с шаблоном многоуровневого соседства", Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г. .
  46. ^ Ф. Сарджени, В. Бонаиуто и М. Бонифази, «Мультиплексированная архитектура Star-CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  47. ^ Z. Nagyt, Z. Voroshazi и P. Szolgay, "Реализация модели сетчатки глаза млекопитающих в реальном времени на FPGA", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  48. ^ S. Kocsardit, Z. Nagyt, S. Kostianevt и P. Szolgay, "Реализация закачки воды в геотермальную структуру на основе FPGA", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  49. ^ П. Арена, Л. Фортуна, Г. Вальясинди и А. Базиле, «Чип CNN и ПЛИС для исследования сложности», Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  50. ^ W. Fang, C. Wang и L. Spaanenburg, "В поисках надежной цифровой системы CNN", международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  51. ^ Z. Kincsest, Z. Nagyl, и P. Szolgay, "Реализация нелинейного шаблона Runner, эмулированного цифровой CNN-UM на FPGA", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  52. ^ В. Порода, Ф. Werblin, Л. Чуа, Т. Роска, А. Родригес Васкес, Б. Роска, Р. Фая, Г. Бернштейн, Ю. Хуанг, А. Csurgay, «Био-Вдохновленный нано- Визуальный компьютер CNN с сенсорным экраном ", Анналы Нью-Йоркской академии наук, 1013: 92–109, 2004.
  53. ^ О. Лахденоджа, М. Лайхо и А. Паасио, «Извлечение вектора локальных двоичных шаблонов с помощью CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  54. ^ Л. Торок и А. Заранди, "Алгоритм постоянства цвета на основе CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  55. ^ Л. Орзо, "Оптимальные шаблоны CNN для деконволюции", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  56. ^ П. Венецианец и Т. Роска, "Сжатие изображений сотовыми нейронными сетями", IEEE Trans. Circuits Syst., 45 (3): 205-215, 1998.
  57. ^ Р. Догарут, Р. Тецлаффл и М. Глеснер, "Полу-тоталистические гены CNN для сжатия компактных изображений", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  58. ^ Б Y. Cheng, J. Chung, К. Лин и С. Хсу, «Local Оценка движения , основанные на клеточной нейронной сети технология стабилизации изображения Processing», Int'l семинар по Cellular нейронных сетей и их применение, 2005.
  59. ^ А. Gacsadi, С. Грава, В. Tiponut, П. Szolgay, «О CNN Осуществление Horn & Шунка движения метод оценки», Международный семинар по Cellular нейронных сетей и их применение, 2006.
  60. ^ С. Чен, М. Куо и Дж. Ван, «Сегментация изображений на основе консенсусного голосования», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  61. ^ G. Grassi, E. Sciascio, A. Grieco и P. Vecchio, "Новый объектно-ориентированный алгоритм сегментации на основе CNN - Часть II: Оценка производительности", Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  62. ^ J. Wu, Z. Lin и C. Liou, "Формирование и изменчивость карт предпочтений ориентации в зрительной коре: подход, основанный на нормализованных гауссовских массивах", Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  63. ^ C. Wu и S. Tsai, "Автономная сотовая нелинейная сеть с памятью (ARMCNN) для изучения и распознавания образов", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  64. ^ G. Timar и C. Rekeczky, "Приложения для отслеживания нескольких целей платформы Bi-I: выбор внимания, отслеживание и навигация", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  65. ^ Т. Отаке, Т. Кониши, Х. Аоморит, Н. Такахашит и М. Танакат, «Повышение разрешения изображения с помощью двухуровневой дискретной сотовой нейронной сети», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  66. ^ A. Gacsadi и P. Szolgay, "Методы рисования изображений с помощью сотовых нейронных сетей", Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  67. ^ Б. Ши, Т. Роска и Л. Чуа, "Оценка оптического потока с помощью сотовых нейронных сетей", Международный журнал теории цепей и приложений, 26: 344-364, 1998.
  68. ^ Szalka, Г. Сус, Д. Хиллер, Л. Кек, Г. Андраши и С. Rekeczky, «Пространственно-временная Подпись Анализ 2D Эхокардиограммы Основываясь на Топографическая Cellular Активный контурных Techniques», Int'l семинар по Cellular нейронных сетей и Их приложения, 2006.
  69. ^ Т. Сзабот и П. Солгай, "Методы на основе CNN-UM с использованием деформируемых контуров на гладких границах", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  70. ^ Г. Костантини, Д. Казали и Р. Перфетти, «Обнаружение движущихся объектов в бинокулярной видеопоследовательности», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  71. ^ G Costantini, D. Casafi. И R. Perfetti, "Новый метод на основе CNN для обнаружения оси симметрии.", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  72. ^ I. Szatmari, P. Foldesy, C. Rekeczky и A. Zarandy, "Библиотека обработки изображений для компьютера Aladdin", Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  73. ^ I. Szatmari, P. Foldesy, C. Rekeczky и A. Zarandy, "Библиотека обработки изображений для визуального компьютера Aladdin", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  74. ^ К. Вилер, М. Перезовский, Р. Григат, «Подробный анализ различных реализаций CNN для системы обработки изображений в реальном времени», Международный семинар по сотовым нейронным сетям и их приложениям, 2000.
  75. ^ Л. Бертукко, А. Фичаа, Г. Нмари и А. Пагано, «Подход с использованием сотовых нейронных сетей к анализу изображения пламени для мониторинга горения», Международный семинар по сотовым нейронным сетям и их приложениям, 2000.
  76. ^ C. Baldanza, F. Bisi, M. Bruschi, I. D'Antone, S. Meneghini, M. Riui, M. Zufa, "Сотовая нейронная сеть для поиска пиков в физике высоких энергий", международный семинар по сотовым нейронным сетям и их приложениям, 2000.
  77. ^ Э. Билгили, О. Укан, А. Альбора и И. Гокнар, «Возможное разделение аномалий с использованием генетически обученных сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  78. ^ C. Rekeczky и G. Timar "Обнаружение и локализация множественных лазерных точек в рамках управляемой вниманием структуры объединения датчиков", Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  79. ^ З. Szlavikt, Р. Tetzlaff, А. Blug и Х. Hoefler, «Визуальный осмотр металлических объектовпомощью клеточных нейронных сетей», международный семинар по клеточнонейронных сетей и их приложения, 2006.
  80. ^ Р. Догару и И. Догару, «Биометрическая аутентификация, основанная на перцепционном резонансе между новыми моделями CNN и людьми», Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  81. ^ T. Su, Y. Du, Y. Cheng и Y. Su, "Система распознавания отпечатков пальцев с использованием сотовых нейронных сетей", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  82. ^ С. Ксавье-де-Соуза, М. Ван Дайк, Дж. Суйкенс и Дж. Вандевалль, «Быстрое и надежное отслеживание лиц для чипов CNN: применение для вождения инвалидных колясок», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  83. ^ Q. Фен, С. Ю и Х. Ван, «Новый автоматический метод подсчета ядерных клеток с улучшенными сотовыми нейронными сетями (ICNN)», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  84. ^ Д. Круг, А. Черниховский, Х. Остерхаге, К. Элгер и К. Ленертц, "Оценка обобщенной синхронизации электрической активности мозга у пациентов с эпилепсией с сотовыми нелинейными сетями", Международный семинар по клеточным нейронным сетям и их приложениям , 2006.
  85. ^ C. Нидерхофер и Р. Тецлафф, «Профили ошибок прогнозирования, позволяющие прогнозировать приступы при эпилепсии?», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  86. ^ Э. Дэвид, П. Унгуряну и Л. Горас, «О характеристиках извлечения характеристик фильтров типа Габора в приложениях распознавания текстур», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  87. ^ C. Лин и С. Чен, "Биологическая визуальная обработка для обнаружения границ текстуры гибридного порядка с помощью CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  88. ^ М. Хенгги, "Мобильные сети сенсор-привод: возможности и проблемы", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  89. ^ Д. Баля и В. Галт, "Аналогичная реализация генетического алгоритма", Международный семинар по клеточным нейронным сетям и их приложениям, 2006 г.
  90. ^ Асли, AE Niaraki; Roghair, J .; Яннесари, А. (11 марта 2020 г.). «Энергетический выбор цели и планирование пути систем БПЛА посредством обучения с подкреплением». arXiv : 1909.12217 [ eess.SP ].
  91. ^ I. Гаврилута, В. Типонут и А. Гаксади, «Планирование пути мобильных роботов с использованием сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  92. ^ П. Арена, П. Круситти, Л. Фортуна, М. Фраска, Д. Ломбардо и Л. Патане, «Паттерны восприятия для мобильных роботов через RD-CNN и обучение с подкреплением», Международный семинар по сотовым нейронным сетям и их Приложения, 2006.
  93. ^ П. Арена, А. Базиль, Л. Фортуна, М. Е. Ялчин и Дж. Вандевалль, "Водяной знак для аутентификации видео на CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  94. ^ К. Слот, П. Корбе, М. Гоздзик и Хёнсук Ким, «Обнаружение образов в спектрограммах с помощью сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  95. ^ a b Д. Баля и Б. Роска, «Удобное устройство для исследования сетчатки глаза», семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  96. ^ К. Домингес-Матас, Р. Кармона-Галан, Ф. Санчес-Фернаиндес, Дж. Куадри и А. Родригес-Вайскес, «Био-вдохновленный интерфейсный чип Vision с пространственно-временной обработкой и адаптивным захватом изображения» , Международный семинар по компьютерной архитектуре для машинного восприятия и восприятия, 2006.
  97. ^ А. Zarandy и С. Rekeczky, "Би-я: автономный сверхскоростной сотовая система видения", IEEE Circuits и системы Magazine, 5 (2): 36-45, 2005.
  98. ^ W. Samarrai, J. Yeol, I. Bajis и Y. Ryu, "Системная биология моделирования белкового процесса с использованием детерминированных конечных автоматов (DFA)", Международный семинар по клеточным нейронным сетям и их приложениям, 2005.
  99. ^ В. Младеновт и А. Славовал, «О периодических решениях в одномерных сотовых нейронных сетях на основе соединений Джозефсона», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  100. ^ К. Хуанг, К. Чанг, В. Се, С. Се, Л. Ван и Ф. Цай, "Сотовая нейронная сеть для выбора сейсмического горизонта", Международный семинар по сотовым нейронным сетям и их приложениям, 2005.
  101. ^ П. Лопес, Д. Виларино, Д. Кабелло, Х. Сахли и М. Балси, "Тепловое моделирование почвы на основе CNN для обнаружения противопехотных мин", Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  102. ^ Х. Ип, Э. Дракакис и А. Бхарат, "На пути к аналоговым массивам СБИС для несепарабельной трехмерной пространственно-временной фильтрации", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  103. ^ П.Арена, Л. Фортуна, М. Фраска, Л. Патане и М. Поллино, "Автономный мини-робот-гексапод-контроллер через чип СБИС на основе CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  104. ^ А. Адамацки , П. Арена, А. Базиле, Р. Кармона-Галан, Б. Костелло, Л. Фортуна, М. Фраска и А. Родригес-Васкес, "Реакционно-диффузионное управление навигационным роботом: от химического к СБИС Аналоговые процессоры », IEEE Trans. О схемах и системах - I, 51 (5): 926-938, 2004.
  105. ^ Л. Чуа, Л. Янг и К. Р. Криг, «Обработка сигналов с использованием сотовых нейронных сетей», Журнал обработки сигналов СБИС, 3: 25-51, 1991.
  106. ^ Л. Чуа, «Локальная активность - источник сложности», Международный журнал бифуркации и хаоса, 15 (11): 3435-2456, 2005.
  107. ^ С. Ллойд, Программирование Вселенной, 2006.

Ссылки [ править ]

  • Лекции Чуа: серия из 12 частей с Hewlett Packard Labs [1]
  • Д. Баля, Г., Тимар, Г. Черей и Т. Роска, «Новая вычислительная модель для CNN-UM и ее вычислительная сложность», Международный семинар по сотовым нейронным сетям и их приложениям, 2004 г.
  • Л. Чуа и Л. Ян, "Клеточные нейронные сети: теория", IEEE Trans. on Circuits and Systems, 35 (10): 1257-1272, 1988. [2]
  • Л. Чуа и Л. Ян, "Сотовые нейронные сети: приложения" IEEE Trans. по схемам и системам, 35 ​​(10): 1273: 1290, 1988.
  • Л. Чуа, Т. Роска, Сотовые нейронные сети и визуальные вычисления: основы и приложения, 2005.
  • В. Чимагалли, М. Балси, "Сотовые нейронные сети: обзор", Neural Nets WIRN Vietri, 1993.
  • С. Майорана и Л. Чуа, "Унифицированная структура для многоуровневой CNN высокого порядка", Международный журнал теории схем и приложений, 26: 567-592, 1998.
  • Т. Роска, Л. Чуа, "Универсальная машина CNN: компьютер с аналоговым массивом", IEEE Trans. по схемам и системам-II, 40 (3): 163-172, 1993.
  • Т. Роска и Л. Чуа, "Сотовые нейронные сети с нелинейными и шаблонными элементами типа задержки и неоднородными сетками", Int'l Journal of Circuit Theory and Applications, 20: 469-481, 1992.
  • К. Йокосава, Ю. Танджи и М. Танака, «CNN с выходом многоуровневого гистерезисного квантования», международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Т. Накагути, К. Омия и М. Танака, «Гистерезисные сотовые нейронные сети для решения задач комбинаторной оптимизации», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • К. Краунс, К. Ви и Л. Чуа, «Линейный пространственный фильтр для реализации на универсальной машине CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • Дж. Пойконен1 и А. Паасио, "Устойчивая к несоответствиям асинхронная морфологическая реконструкция в градациях серого", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • М. Гилли, Т. Роска, Л. Чуа и П. Сиваллери, «Динамика CNN представляет более широкий класс, чем PDE», Международный журнал бифуркаций и хаоса, 12 (10): 2051-2068, 2002.
  • Фанюэ Чен, Гуолун Хэ, Сюбинь Сюй и Гуанжун Чен , «Реализация произвольных булевых функций через CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Р. Догуру и Л. Чуа , "Гены CNN для одномерных клеточных автоматов: многоуровневый кусочно-линейный подход", Международный журнал бифуркации и хаоса, 8 (10): 1987-2001, 1998.
  • Р. Догару и Л. Чуа, "Универсальные клетки CNN", Международный журнал бифуркаций и хаоса, 9 (1): 1-48, 1999.
  • Р. Догару и Л.О. Чуа, "Возникновение одноклеточных организмов из простых обобщенных клеточных автоматов", Международный журнал бифуркаций и хаоса, 9 (6): 1219-1236, 1999.
  • Т. Янг, Л. Чуа, «Реализация алгоритма обучения с обратным распространением во времени с использованием сотовых нейронных сетей», Международный журнал бифуркаций и хаоса, 9 (6): 1041-1074, 1999.
  • Дж. Носсек, Г. Зайлер, Т. Роска и Л. Чуа, «Сотовые нейронные сети: теория и проектирование схем», Международный журнал теории схем и приложений, 20: 533-553, 1998.
  • A. Zarandry, S. Espejo, P. Foldesy, L. Kek, G. Linan, C. Rekeczky, A. Rodriguez-Vazquez, T. Roska, I. Szatmari, T. Sziranyi и P. Szolgay, "CNN Technology in Action », Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • Л. Чуа, Л. Янг и К. Р. Криг, «Обработка сигналов с использованием сотовых нейронных сетей», Журнал обработки сигналов СБИС, 3: 25-51, 1991.
  • Т. Роска, Л. Чуа, "Универсальная машина CNN: компьютер с аналоговым массивом", IEEE Trans. по схемам и системам-II, 40 (3): 163-172, 1993.
  • Т. Роска и А. Родригес-Васкес, "Обзор реализаций КМОП универсальных визуальных микропроцессоров машинного типа CNN", Международный симпозиум по схемам и системам, 2000 г.
  • Т. Роска, «Сотовые волновые компьютеры и технология CNN - архитектура SoC с процессорами xK и матрицами датчиков», Международная конференция по компьютерному проектированию, принятая статья, 2005 г.
  • К. Карахалилоглу, П. Ганс, Н. Схемм и С. Балкир, «Интегрированная CNN с оптическим датчиком для вычислительных приложений в реальном времени», Международный симпозиум IEEE по схемам и системам, стр. 21–24, 2006 г.
  • К. Ву и К. Ченг, «Дизайн сотовой нейронной сети с пропорциональной памятью для обучения и распознавания образов», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • В. Йен, Р. Чен и Дж. Лай, "Дизайн минимальных / максимальных сотовых нейронных сетей в технологии CMOS", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • З. Галлиас и М. Огоржалек, "Влияние неоднородности системы на динамическое явление в массивах связанных нелинейных сетей", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • А. Паасио и Дж. Пойконен, «Программируемая цифровая вложенная CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • М. Хангги, Р. Догару и Л. Чуа, "Физическое моделирование ячеек CNN на основе RTD", Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • З. Ворошази, З. Надь, А. Кисс и П. Солгай, «Реализация встроенного модуля глобального аналогового программирования CNN-UM на ПЛИС», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • А. Лончар, Р. Кунц и Р. Тетафф, «SCNN 2000 - Часть I: Основные структуры и особенности системы моделирования для сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • В. Тавсаноглу, "Итерационный метод Якоби для решения линейных уравнений и моделирования линейной CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Б. Ши, «Оценка устойчивого состояния с использованием прямых и обратных рекурсий», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • С. Токес, Л. Орзо и А. Аюб, "Программируемый OASLM как новый сенсорный сотовый компьютер", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Дж. Флак, М. Лайхо и К. Халонен, "Программируемая ячейка CNN на основе транзисторов SET", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • A. Zarandry, S. Espejo, P. Foldesy, L. Kek, G. Linan, C. Rekeczky, A. Rodriguez-Vazquez, T. Roska, I. Szatmari, T. Sziranyi и P. Szolgay, "CNN Technology in Action », Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • Л. Чуа, С. Юн и Р. Догару, "Перспектива нелинейной динамики нового вида науки Вольфрама. Часть I: Порог сложности", Int'l Journal of Bifurcation and Chaos, 12 (12): 2655-2766, 2002 г.
  • П. Эчимович и Дж. Ву, «Повышение контрастности на основе задержки с использованием сотовой нейронной сети с задержкой, зависящей от состояния», Международный семинар по сотовым нейронным сетям и их приложениям, 2002.
  • Х. Аомори, Т. Отакет, Н. Такахаши и М. Танака, "Сигма-дельта-модулятор пространственной области, использующий сотовые нейронные сети с дискретным временем", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  • Х. Ким, Х. Сон. Дж. Ли, И. Ким и И. Ким, «Аналоговый декодер Витерби для PRML с использованием аналоговых параллельных схем обработки CNN», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • С. Чен, М. Куо и Дж. Ван, «Сегментация изображений на основе консенсусного голосования», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Ю. Ченг, Дж. Чанг, С. Лин и С. Хсу, "Оценка локального движения на основе технологии сотовой нейронной сети для обработки стабилизации изображения", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • П. Корбель и К. Слот, «Моделирование эластичных межузловых границ в реализации парадигмы деформируемой сетки на основе сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • К. Амента, П. Арена, С. Баглио, Л. Фортуна, Д. Ричиура, М. Ксибилиа и Л. Ву, «SC-CNN для слияния данных датчиков и управления в космических распределенных структурах», Международный семинар по сотовой связи Нейронные сети и их приложения, 2000.
  • Т. Су, Ю. Ду, Ю. Ченг и Ю. Су, «Система распознавания отпечатков пальцев с использованием сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • М. Буколо, Л. Фортуна, М. Фраска, М. Ла Роса, Д. Шаннахофф-Хальса, "Система на основе CNN для слепого разделения источников сигналов MEG", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г. .
  • Ф. Долер, А. Черниховский, Ф. Морман, К. Элгер и К. Ленертц, «Обнаружение структурных изменений в мозге с использованием классификации магнитно-резонансных изображений на основе клеточной нейронной сети», Международный семинар по клеточным нейронным сетям и Их приложения, 2006.
  • Л. Фортуна, П. Арена, Д. Баля и А. Заранди, «Сотовые нейронные сети: парадигма нелинейной пространственно-временной обработки», IEEE Circuits and Systems Magazine, 1 (4): 6-21, 2001.
  • Л. Горас, Л. Чуа и Д. Линеартс, «Паттерны Тьюринга в CNN - Часть I: Однажды немного», IEEE Trans. по схемам и системам - I, 42 (10): 602-611, 1995.
  • L. Goras, L. Chua и D. Leenearts, "Паттерны Тьюринга в CNN - Часть II: Уравнения и поведение", IEEE Trans. по схемам и системам - I, 42 (10): 612-626, 1995.
  • Л. Горас, Л. Чуа и Д. Линеартс, "Паттерны Тьюринга в CNN - Часть III: Результаты компьютерного моделирования", IEEE Trans. по схемам и системам - I, 42 (10): 627-637, 1995.
  • Л. Корнатовски, К. Слот, П. Домбец и Х. Ким, «Генерация шаблонов с предопределенными статистическими свойствами с использованием сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • К. Лин и С. Чен, "Биологическая визуальная обработка для обнаружения границ текстуры гибридного порядка с помощью CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Г. Костантини, Д. Казали и М. Карота, "Метод классификации шаблонов на основе шаблона CNN, зависящего от пространства", Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • Т. Роска и Л.О. Чуа, «Универсальная машина CNN: 10 лет спустя, журнал схем, систем и компьютеров», Международный журнал бифуркации и хаоса, 12 (4): 377-388, 2003.
  • Р. Бисе, Н. Такахаши и Т. Ниши, «О методе проектирования сотовых нейронных сетей для ассоциированных воспоминаний на основе обобщенной проблемы собственных значений», Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • И. Сатмхри, "Реализация нелинейной волновой метрики для анализа и классификации изображений на микросхеме ввода-вывода 64x64 CNN-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2000 г.
  • П. Арена, Л. Фортуна, М. Фраска и Л. Патан, «Генераторы центральных паттернов на основе CNN с сенсорной обратной связью», Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • Р. Капонетто, Л. Фортуна, Л. Окчипинити и М. Г. Ксибилия, "Генерация хаотических сигналов SC-CNN", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • Р. Чен и Дж. Лай, "Шифрование данных с использованием неоднородных двумерных клеточных автоматов фон Неймана", Международный семинар по сотовым нейронным сетям и их приложениям, 2005 г.
  • А. Черниговский, К. Элгер и К. Ленертц, «Влияние тормозного диффузионного взаимодействия на частотную избирательность возбудимых сред, моделируемых с помощью сотовых нейронных сетей», Международный семинар по сотовым нейронным сетям и их приложениям, 2006 г.
  • П. Арена, М. Бедиа, Л. Фортуна, Д. Ломбардо, Л. Патане и М. Велардет, «Пространственно-временные паттерны в CNN для классификации: принцип беспроигрышной конкуренции», Международный семинар по клеточным нейронным сетям и Их приложения, 2006.
  • В. Перес-Мунузури, А.П. Мунузури, М. Гомес-Гестерия, В. Перес-Виллар, Л. Пивка и Л. Чуа, «Нелинейные волны, паттерны и пространственно-временной хаос в клеточных нейронных сетях», Phil. Пер. R. Soc. Лондон. А, (353): 101-113, 1995.
  • M. Ercsey-Ravasz, T. Roska и Z. Neda, "Генератор случайных чисел и моделирование типа Монте-Карло на CMM-UM", Международный семинар по сотовым нейронным сетям и их приложениям, 2006.
  • П. Солгай, Т. Хидвеги, З. Солгай и П. Козма, "Сравнение различных реализаций CNN в решении проблемы пространственно-временной динамики в механических системах", Международный семинар по клеточным нейронным сетям и их приложениям, 2000.
  • Р. Браун и Л. Чуа, "Хаос или турбулентность", Международный журнал бифуркаций и хаоса, 2 (4): 1005-1009, 1992.
  • М. Гилли, Ф. Коринто и П. Чекко, "Периодические колебания и бифуркации в сотовых нелинейных сетях", IEEE Trans. по схемам и системам - I, 51 (5): 948-962, 2004.
  • К. А. Ричардсон, "Теория систем и сложность: Часть 1", Появление: Сложность и организация, 6 (3): 75-79.
  • К. А. Ричардсон, "Теория систем и сложность: Часть 2", Появление: Сложность и организация, 6 (4): 77-82.
  • К. А. Ричардсон, "Теория систем и сложность: Часть 3", Появление: Сложность и организация, 7 (2): 104-114.
  • П. Андерсон, «Возникновение», Труды Второй Международной конференции по сложным системам, 2004 г.
  • К. Майнзер, "CNN и эволюция сложных информационных систем в природе и технологиях", Международный семинар по сотовым нейронным сетям и их приложениям, 2002 г.
  • Л. Чуа, «Локальная активность - источник сложности», Международный журнал бифуркаций и хаоса, 15 (11): 3435-2456, 2005.
  • П. Арена, М. Буколо, С. Фаззино, Л. Фортуна, М. Фраска, «Парадигма CNN: формы и сложность», Международный журнал бифуркаций и хаоса (2005), Vol. 15, No. 7, pp. 2063–2090 - World Scientific.

Внешние ссылки [ править ]

  • Домашняя страница Eutecus