Книги по разным темам Pages:     | 1 |   ...   | 18 | 19 | 20 | 21 | 22 |   ...   | 25 |

В конфигурации, показанной на рис.а9.6,входом в систему является изображение, сформированое транспарантом, освещеннымлазерным лучом. Это изображение через делитель луча передается на пороговоеустройство, функции которого описаны ниже. Изображение отражается от пороговогоустройства, возвращается на делитель луча и затем попадает на линзуа1, котораяфокусирует его на первой голограмме.

Первая голограмма содержит несколькозапомненных изображений (например, изображения четырех самолетов). Входноеизображение коррелируется с каждым из них, образуя световые образы. Яркостьэтих образов изменяется в зависимости от степени корреляции, определяющейсходство между двумя изображениями. Линзаа2 и отражательа1 проектируютизображение корреляций на микроканальный массив, где они пространственноразделяются. С микроканального массива множество световых образов передается наотражательа2 через линзуа3 и затем прикладывается ко второй голограмме, котораяимеет те же запомненные изображения, что и первая голограмма. Линзаа4 иотражательа3 затем передают суперпозицию множества коррелированных изображенийна обратную сторону порогового устройства.

Пороговое устройство является ключевым дляфункционирования этой системы. Его передняя поверхность отражает наиболеесильно тот образ, который является самым ярким на его обратной поверхности. Вданном случае на обратную поверхность проектируется набор из четырех корреляцийкаждого из четырех запомненных изображений с входным изображением. Запомненноеизображение, наиболее похожее на входное изображение, имеет самую высокуюкорреляцию, следовательно, оно будет самым ярким и наиболее сильно отражаемымот передней поверхности. Это усиленное отраженное изображение проходит черезделитель луча, после чего повторно вводится в систему для дальнейшего усиления.В результате система будет сходится к запомненному изображению, наиболеепохожему на входной вектор. После этого можно убрать входной образ, изапомненный образ будет продолжать циркулировать в системе, производя выходноеизображение, до сброса системы.

Записанная на видеоленту демонстрация этойсистемы показала ее способность восстанавливать полное изображение в случае,когда только часть изображения подается на вход системы. Это свойство имеетважное военное применение, так как распознавание цели часто должно бытьвыполнено в условиях частичной видимости. Кроме того, возможны многие другиепромышленные применения, распознавание объектов как множества линий являетсязадачей, решаемой на протяжении многих лет.

Несмотря на потенциальные возможностиоптических корреляторов, качество изображения в существующих системах являетсяневысоким, а их сложность и стоимость высоки. Кроме того, в настоящее времяоптические корреляторы имеют большие размеры и трудны в наладке. Большиепотенциальные возможности оптических корреляторов будут стимулироватьпроведение исследований по совершенствованию таких систем, однако в настоящеевремя многие вопросы остаются без ответа, несмотря на их практическоезначение.

1. Объемныеголограммы

Некоторые кристаллы [8] искривляютхарактерный цветовой луч; величина искривления может модифицироваться лазером.Если сконструированы вейроны, способные получать и посылать свет, этифоторефрактивные кристаллы могут использоваться для организации внутреннихсвязей в больших сетях. В [11] исследована потенциальная плотность такихвнутрисвязанных систем и приведена оценка, что практически могут бытьреализованы сети с плотностью от 108 до 1010внутренних связей на кубический сантиметр.

Величина и направление, в котором лучискривляется фоторефрактивным кристаллом, определяется внутреннейголографической решеткой, сформированной лазерным лучом высокой интенсивности.Локальный индекс рефракции кристалла является функцией локальной плотности егозаряда. Лазер перераспределяет заряд путем смещения электронов, тем самымформируя области измененной силы рефракции. Если световой луч, соединяющий парунейронов, попадает в соответствующую точку кристалла, он будет искривляться(реагировать) на соответствующий угол в направлениинейрона-приемника.

Более того, сила каждой решетки можетуправляться лазерным лучом, тем самым изменяя процентное соотношениерефрагирующего луча. Это позволяет эффективно изменять веса внутренних связей всоответствии с обучающим алгоритмом.

2. Оптическая сетьХопфилда, использующая объемные голограммы

В работе [12] описана полностью оптическаярекурентная нейронная сеть, сконструированная с использованием объемныхголограмм. Сеть представляет собой оптическую реализацию сети Хопфилда,устанавливающую минимум на оптически сгенерированной энергетическойповерхности. Когда предъявляется зашумленный или неполный входной образ,система сходится к наиболее похожему запомненному изображению, тем самымфункционируя как оптическая ассоциативная память.

Рис.а9.7 представляет упрощеннуюконфигурацию системы. Резонансная петля включает массив оптических нейронов,оптическую матрицу внутренних связей и соответствующие оптические компоненты.Изображения (предъявляемые как векторы) проходят через контур с обратной связьюв определяемом массивами направлении, усиливаясь в процессе обработки. Этоявляется точной аналогией функционирования сети Хопфилда. Оптический массивнейронов суммирует входные сигналы и сигналы обратной связи и затем реализуетсигмоидальную функцию активации, оптическая матрица внутренних связей выполняетвекторно-матричное умножение.

Когда входной вектор (возможнопредставляющий собой изображение) прикладывается справа, он попадает черезделитель луча BS2 на массивоптических нейронов. Здесь он усиливается, и с помощью насыщающегосядвухлучевого усилителя вычисляется сигмоидальная функция. Сжатый выходнойвектор частично отражается делителем луча BS1 на линзу L1 и затем вводится в оптическую матрицувнутренних связей. Часть выходного светового потока проходит черезBS1 и образует выходсистемы.

Оптическая матрица внутренних связей состоитиз двух объемных голограмм, которые хранят образцовые изображения в видезаписанных лазерными лучами дифракционных образов. Они служат весами входныхкомпонент и направляют каждую взвешенную сумму на соответствующий элементоптического выходного вектора.

Рис.а9.7. Оптическая сетьХопфилда

Оптический нейрон. На рис.а9.8 показана конструкциятипичного элемента массива оптических нейронов. Он функционирует как оптическинакачивающий двухлучевой насыщающий усилитель в кристалле BaTiO3. Лазерный накачивающий луч, приложенныйпод углом и,взаимодействует с входным лучом для выработки усиленной копии входного сигналас последующим вычислением сигмоидальной функции активации, аналогичнойпоказанной на рис.а9.9. С использованием этой техники было достигнутооптическое усиление приблизительно в 60 раз. Заметим, что на рис.а9.9 уголц между входным лучом илинией оси кристалла С критичен для правильного функционирования этогоустройства.

Оптическая матрица внутреннихсвязей. В оптическойматрице внутренних связей выходной сигнал массива оптических нейронов попадаетв оптическую систему, содержащую две объемные голограммы. Оптическоепреобразование Фурье входного сигнала производится с использованием стандартнойоптической техники Фурье. Затем сигнал поступает на первую объемную голограмму,в которой хранятся образцовые векторы в фазокодированном пространстве Фурье.Выход этой голограммы поступает на вход двухлучевого оптического усилителя,аналогичного усилителю оптического нейрона, но работающему в ненасыщенномрежиме. В результате усиление поднимается до уровня, в котором возможнациклическая регенерация. Затем оптически выполняется обратное преобразованиеФурье усиленного сигнала и результат подается на вторую объемную голограмму, вкоторой хранятся те же образцовые изображения, но на этот раз в объектномпространстве (а не в фазокодированном пространстве Фурье). Выходом системыявляется суперпозиция векторно-матричных произведений входного вектора изапомненных образцовых векторов. Этот оптический образ вырабатываетсяоптической матрицей внутренних связей и прикладывается к массиву оптическихнейронов, замыкая контур обратной связи.

Рис.а9.8. Массив оптическихнейронов

Обсуждение оптической матрицы внутреннихсвязей здесь сильно упрощено; детали реализации включают сложную оптическуютехнику функционирования, выходящую за рамки данной работы. Интересующиесячитатели отсылаются к работам [12] и [5].

Рис.а9.9. Сигмоидальная функцияактивации

3. ЗАКЛЮЧЕНИЕ

Оптические нейронные сети предлагаютогромные выгоды с точки зрения скорости и плотности внутренних связей. Онимогут быть использованы (в той или иной форме) для реализации сетей фактическис любой архитектурой.

В настоящее время ограниченияэлектронно-оптических устройств создают множество серьезных проблем, которыедолжны быть решены прежде, чем оптические нейронные сети получат широкоеприменение. Однако учитывая, что большое количество превосходных исследователейработает над этой проблемой, а также большую поддержку со стороны военных,можно надеяться на быстрый прогресс в этой области.

1. итература

1. Abu-MostafaаY.аS., PsaltisаD. 1987. Optical neural computers.Scientific American, March, pp.а88-95.
2. AndersonаD.аZ. 1985. Coherent optical Eigenstate memory.Proceeding of the Optical Society of America 1985 Annual Meeting.
3. AthaleаR.аA., FriedlanderаС.аВ., KushnerаC.аB. 1986. Attentiveassociative architectures and their implications to optical computing.Proceedings of the Society of Photo-Optical Instrumentation Engineering625:179-88
4. DunningаG.аJ., MaromаE., OwechkoаY., SofferаB.аN. 1985.All-optical associative holografic memory with feedback using phase conjugatemirrors. Proceedings of the Society of Photo-Optical InstrumentationEngineering 625:179-188.
5. FainmanаN.аH., KlancnikаE., LeeаS.аH. 1968. Optical Engineering25:228.
6. FarhatаN.аH., PsaltisаD., PrataаA., PaekаE. 1985. Opticalimplementation of the Hopfield model. Applied optics 24:1469-75
7. FisherаA.аD., GilesаC.аL, LeeаJ.аN. 1985. An adaptive opticalcomputing element. Proceedings of the Optical Society of America TopicalMeeting.
8. JannsonаТ., KaragaleffаC., StollаK.аM. 1986. Photo-refractiveLiNbO3 as a storagemediume for high-den-sity optical neural networks. 1986 Optical Society ofAmerica Annual Meeting.
9. KoskoаB. 1987. Optical bidirectional associative memories.Proceedings of the Society of Photo-Optical Instrumentation Engineering: ImageUnderstanding and the Man-Machine Interface 758:11-18.
10. MeadаС. 1988. Paper presented during plenary session. IEEE SecondInternational Conference on Neural Networks. San Diego, June.
11. PsaltisаD., WagnerаK., BradyаD. 1987 Learning in optical neuralcomputers. In Proceedings of IEEE First International Conference on NeuralNetworks, edc. M. Caudill and C. Butler. San Diego, CA:SOSPrinting.
12. StollаH.аM., LeeаL.аS. 1988. Continuous time optical neuralnetworks. Proceedings of IEEE International Conference on Neural Networks. SanDiego, CA:SOS Printing.

1. Глава 10.
   Когнитрон и неокогнитрон

юди решают сложные задачи распознаванияобразов с обескураживающей легкостью. Двухлетний ребенок без видимых усилийразличает тысячи лиц и других объектов, составляющих его окружение, несмотря наизменение расстояния, поворота, перспективы и освещения.

Может показаться, что изучение этихврожденных способностей должно сделать простой задачу разработки компьютера,повторяющего способности человека к распознаванию. Ничто не может быть болеедалеким от истины. Сходство и различия образов, являющиеся очевидными длячеловека, пока ставят в тупик даже наиболее сложные компьютерные системыраспознавания. Таким образом, бесчисленное количество важных приложений, вкоторых компьютеры могут заменить людей в опасных, скучных или неприятныхработах, остаются за пределами их текущих возможностей.

Компьютерное распознавание образов являетсябольше искусством; наука ограничена наличием нескольких методик, имеющихотносительно небольшое использование на практике. Инженер, конструирующийтиповую систему распознавания образов, обычно начинает с распознаванияпечатного текста. Эти методы часто являются неадекватными задаче, и старанияразработчиков быстро сводятся к разработке алгоритмов, узко специфичных дляданной задачи.

Обычно целью конструирования системраспознавания образов является оптимизация ее функционирования над выборочнымнабором образов. Очень часто разработчик завершает эту задачу нахождениемнового, приблизительно похожего образа, что приводит к неудачному завершениюалгоритмов. Этот процесс может продолжаться неопределенно долго, никогда неприводя к устойчивому решению, достаточному для повторения процесса восприятиячеловека, оценивающего качество функционирования системы.

К счастью, мы имеем существующеедоказательство того, что задача может быть решена: это система восприятиячеловека. Учитывая ограниченность успехов, достигнутых в результате стремленияк собственным изобретениям, кажется вполне логичным вернуться к биологическиммоделям и попытаться определить, каким образом они функционируют так хорошо.Очевидно, что это трудно сделать по нескольким причинам. Во-первых,сверхвысокая сложность человеческого мозга затрудняет понимание принципов егофункционирования. Трудно понять общие принципы функционирования ивзаимодействия его приблизительно 1011 нейронов и 1014синаптических связей. Кроме того, существует множество проблем при проведенииэкспериментальных исследований. Микроскопические исследования требуют тщательноподготовленных образцов (заморозка, срезы, окраска) для получения маленькогодвумерного взгляда на большую трехмерную структуру. Техника микропроб позволяетпровести исследования внутренней электрохимии узлов, однако трудноконтролировать одновременно большое количество узлов и наблюдать ихвзаимодействие. Наконец, этические соображения запрещают многие важныеэксперименты, которые могут быть выполнены только на людях. Большое значениеимели эксперименты над животными, однако животные не обладают способностямичеловека описывать свои впечатления.

Pages:     | 1 |   ...   | 18 | 19 | 20 | 21 | 22 |   ...   | 25 |    Книги по разным темам