神经网络与神经计算机 第五讲 光神经计算机

<正> 光神经计算机的研究指的是利用光物理学和光技术,研究神经网络的基本原理,并探讨采用光学器件或光电混合器件实现神经网络硬件系统的方法。本讲先讨论神经网络和光物理学、光技术的关系,以及由此引出的光神经计算机的特征,然后介绍光神经计算机系统的基本结构,以及用光技术实现联想、学习等高级功能的基本原理和基本方法。最后简单介绍光神经计算机的发展前景。     

神经计算机(Neurocomputer)

神经计算(neurocomputing)是关于自适应非编程信息处理系统的一门工程学科。这种自适应非编程信息处理系统通常称为神经网络。它与传统的信息处理系统有着本质的不同。神经网络的研究可大致分为三个主要部分,即神经网络理论、神经计算机的研制和神经网络的应用。本文将着重讨论神经计算机的研制及其发展现状,神经计算机亦可称为神经网计算机或人工神经网系统。     

神经网络与神经计算机 第三讲 神经器件

<正> 3-1 概述人工神经网络的实现方法一般有四种:④专用神经器件,②利用专用处理器等实现神经网络的硬件结构,③软件模拟,④光计算机。本讲只讨论第一种方法,其它三种方法将在第四和第五讲讨论。目前,神经器件的研究分为两大类,即硅神经器     

类脑神经网络与神经形态器件及其电路综述

为了系统地了解类脑神经网络电路,在对类脑神经网络进行简要介绍的基础之上,重点阐述两种类别的神经形态器件及功能,包括不同类型的浮栅管和不同工艺材料的忆阻器来模拟单个神经元和突触可塑性功能;然后,以神经形态器件为基础,分别介绍了基于浮栅管和忆阻器实现神经网络电路;最后总结当前神经形态器件及类脑神经网络芯片存在的问题,并对有关类脑计算研究方向进行了展望.     

图神经网络综述

随着互联网和计算机信息技术的不断发展,图神经网络已成为人工智能和大数据处理领域的重要研究方向.图神经网络可对相邻节点间的信息进行有效传播和聚合,并将深度学习理念应用于非欧几里德空间的数据处理中.简述图计算、图数据库、知识图谱、图神经网络等图结构的相关研究进展,从频域和空间域角度分析与比较基于不同信息聚合方式的图神经网络结构,重点讨论图神经网络与深度学习技术相结合的研究领域,总结归纳图神经网络在动作检测、图系统、文本和图像处理任务中的具体应用,并对图神经网络未来的发展方向进行展望.     

图神经网络综述

随着互联网和计算机信息技术的不断发展,图神经网络已成为人工智能和大数据处理领域的重要研究方向.图神经网络可对相邻节点间的信息进行有效传播和聚合,并将深度学习理念应用于非欧几里德空间的数据处理中.简述图计算、图数据库、知识图谱、图神经网络等图结构的相关研究进展,从频域和空间域角度分析与比较基于不同信息聚合方式的图神经网络结构,重点讨论图神经网络与深度学习技术相结合的研究领域,总结归纳图神经网络在动作检测、图系统、文本和图像处理任务中的具体应用,并对图神经网络未来的发展方向进行展望.     

神经网络与神经计算机

脑科学和神经系统的研究已经有很长的历史。长期以来,人们一直梦想着通过对神经系统的研究,发明一种仿效人脑信息处理模式的智能式计算机。自从四十年代冯·诺曼发明基于串行符号处理的数字电子计算机以来,虽然获得了巨大的成功,但在诸如模式识别、人工智能等方面都碰到极大的困难,促使人们以更大的兴趣去研究并行处理模式为特征的神经计算学。八十年代初,在美国、日本和欧洲,都掀起一股神经网络理论和神经计算机的研究热潮。各个先进国家都相继给出巨大的投资,制定出强化研究计划、开展对脑功能和新型智能计算机的研究。并着重将神经网络原理应用于图象处理、模式识别、语音综合及智能机器人控制等领域。目前,有关神经网络的研究机构,遍及美国各大学、公司及国防、宇航的研究部门。1987年6月在美国召开第一届神经网络国际会议、并发起成立国际神经网络学会(INNS)。之后,以IBM 公司、Bell 研究所和日本的富士通、NEC 等大公司,纷纷研制各种神经芯片、相继推出各种软件、硬件产品。为神经计算机的实现,迈出了第一步。神经网络的主要特征是:大规模的并行处理和分布式的信息存贮,良好的自适应性、自组织性。并且具有很强的学习功能、联想功能和容错功能。通过神经网络的研究,将对探索更加完善的智能计算机系统和相应的人工智能技术,开辟新的途径。目前,国外神经网络的研究热潮仍方兴未艾。为了向读者系统地介绍有关神经网络和神经计算机的基本理论、学习算法和应用技术。特开辟这个专题讲座。本讲座共分八讲。第一讲:神经网络模型。第二讲:神经网络的学习算法。第三讲:神经器件。第四讲:神经计算机。第五讲:光神经计算机。第六讲:神经网络在视觉信息处理中的应用。第七讲:神经网络在模式识别中的应用。第八讲:神经网络在机器人控制中的应用。     

多媒体技术研究:2015——类脑计算的研究进展与发展趋势

目的 类脑计算,是指仿真、模拟和借鉴大脑神经网络结构和信息处理过程的装置、模型和方法,其目标是制造类脑计算机和类脑智能。方法 类脑计算相关研究已经有20多年的历史,本文从模拟生物神经元和神经突触的神经形态器件、神经网络芯片、类脑计算模型与应用等方面对国内外研究进展和面临的挑战进行介绍,并对未来的发展趋势进行展望。结果 与经典人工智能符号主义、连接主义、行为主义以及机器学习的统计主义这些技术路线不同,类脑计算采取仿真主义：结构层次模仿脑（非冯·诺依曼体系结构）,器件层次逼近脑（模拟神经元和神经突触的神经形态器件）,智能层次超越脑（主要靠自主学习训练而不是人工编程）。结论 目前类脑计算离工业界实际应用还有较大差距,这也为研究者提供了重要研究方向与机遇。     

柔性电子神经网络计算机结构和原理

本文以开发系统的观点描述了一种新的神经网络计算机体系结构，它以其可开发性和灵活性区别于其他各种神经网络计算机，应用于人工神经网络的研究过程。基于柔性神经网络计算机体系设计，文中提出了一种神经网络分解撕裂算法，为ＶＬＳＩ神经芯片的设计提供了一条新途径。在功能应用上，柔性电子神经网络计算机打破了其他神经网络计算机功能的针对性，为神经网络的研究，开发和应用提供较全面的支持。     

下一代空间计算机的先进硬软件和算法概念

概论目前正在为下一代空间计算机和基于地面的空间数据分析寻求硬件、软件和算法的先进概念。研究焦点集中在并行计算和神经网络,光处理和光网络(在光子一章)及神经,非线性科学理论,磁性和铁电体存储器件研制等方面。     

基于神经计算机并行运算的连续语音识别

人工神经网络具有强大的模式分类能力,除此之外还有一个优点即其大量的并行神经计算能力,使得以低廉的硬件开销来实现高速并行运算成为可能,这在实时模式识别中是非常重要的。文章介绍了以预言神一号小型神经计算机的并行神经运算为核心的连续语音的实时识别的算法,实验表明该算法有很高的实时性和较好的识别率。     

通用高速可变结构并行神经计算机系统性能分析

文中针对通用高速可变结构并行神经计算机系统，在对原系统进行深入分析之后，给出了该系统的时间Ｐｅｔｒｉ网模型，并对其性能进行了分析，给出了分析结果和某些性能指标。     

Parallel Implementation of Self-Organizing Map on the Partial Tree Shape Neurocomputer

A parallel mapping of self-organizing map (SOM) algorithm is presented for a partial tree shape neurocomputer (PARNEU). PARNEU is a general purpose parallel neurocomputer that is designed for soft computing applications. Practical scalability and a reconfigurable partial tree network are the main architectural features. The presented neuron parallel mapping of SOM with on-line learning illustrates a parallel winner neuron search and a coordinate transfer that are performed in the partial tree network. Phase times are measured to analyse speedup and scalability of the mapping. The performance of the learning phase in SOM with a four processor PARNEU configuration is about 26 MCUPS and the recall phase performs 30 MCPS. Compared to other mappings done for general purpose neurocomputers, PARNEU's performance is very good.     

The design of a real-time neurocomputer based on RBF networks

The design of a real-time neurocomputer (RBF network) subsystem is described. The subsystem is integrated into an avionics system for surveillance and targeting functions. The design of a hardware module based on neurochips that directly support RBF networks, its use for signal peak detection, and the integrated training and testing environment used to train the RBF networks are presented.     

环行阵列神经网络计算机系统

文中首先考察了神经网络计算和并行计算机的特点,提出了环行阵列体系结构,泽环行阵列体系结构和Ｓｙｓｔｏｌｉｃ结构进行了比较。提出了基于环行阵列体系结构的神经网络计算的并行算法,并对该算法的性能进行了分析。     

NNSP─Ⅰ神经网络计算机软件设计

本文结合神经网络计算系统NNSP－I的硬件结构特点，研究和开发了适用于该机的应用软件。它不仅是一个友好的人机界面和具有编辑、格式转化、数据加载等多种功能，而且支持并行计算，如多层BP神经网络及FFT算法。     

Neurocomputer control in an artificial brain for tracking moving objects

We developed a new control technique for tracking a moving object using a neurocomputer. The control is produced by the RICOH neurocomputer RN-2000, which is able to learn various control laws instantly, in order to track a moving object within a predetermined range of errors. The system for tracking consists of a new information processing system which is a primitive artificial brain (denoted the ABrain). This paper descrbes the new neurocomputer control technique used in the primitive ABrain and presents the results obtained from the tracking experiments. This work was presented, in part, at International Symposium on Artificial Life and Robotics, Oita, Japan, February 18–20, 1996     

The application of a neurocomputer for a control problem

Most artificial neural networks (ANN) are realized on a conventional computer which generally has only one CPU for general routines. In this paper, we used the neurocomputer called MY-NEUPOWER, produced by Hitachi Microcomputer System Ltd., Tokyo, Japan, to carry out research on artificial neural networks. We developed application software for a multilayer feedforward neural network to approximate the nonlinear function of the cooler system in a steel plant. The training algorithm is a type of improved back propagation (BP) algorithm with a variable training coeffcient. The software was programmed on the UNIX platform using the parallel language MY-PARAL. The simulation result demonstrated the merit of the neurocomputer, i.e., the conciseness and simplicity of the program, and the short calculating time. The result also showed that the architecture of neural networks is suitable, and the output error of a neural network is within 5%. This work was presented, in part, at the Third International Symposium on Artificial Life and Robotics, Oita, Japan, January 19–21, 1998     

神经网络计算机的一种分形实现

神经网络计算机的实现是神经网络研究领域中一个重要课题。目前,神经网络的研究已形成了较为系统的理论模型与算法,但神经网络计算机的研究却至今没有重大突破,主要困难就在于网络规模过大,突触联系密度太高等等,为解决这个问题,文中基于分形理论,提出一种神经网络计算机的分形实现方案,给出了分形维数的计算公式,产从物理上实现了与体结构具有自相似性的分形子结构,在神经网络计算机的实现上作了有益的探索。     

Survey of neural network technology for automatic targetrecognition

A review is presented of ATR (automatic target recognition), and some of the highlights of neural network technology developments that have the potential for making a significant impact on ATR are presented. In particular, neural network technology developments in the areas of collective computation, learning algorithms, expert systems, and neurocomputer hardware could provide crucial tools for developing improved algorithms and computational hardware for ATR. The discussion covers previous ATR system efforts. ATR issues and needs, early vision and collective computation, learning and adaptation for ATR, feature extraction, higher vision and expert systems, and neurocomputer hardware.