Способ обработки сигналов

 

Изобретение относится к области вычислительной техники и может быть использовано в нейронных сетях. Техническим результатом является расширение класса решаемых задач. Способ основан на том, что оптический сигнал делят на два световых потока, первый из которых пропускают через дифракционные решетки, полученные потоки подвергают оптическому умножению и пропускают через многопроходную классифицирующую нейронную сеть типа сети Хопфильда и распознают входной образ, второй световой поток пропускают через дифракционную решетку оптической матрицы связей однопроходной нейронной сети типа персептрон, при этом выбор дифракционной решетки задают выходным сигналом сети Хопфильда, дифрагировавший второй световой поток подвергают оптическому умножению для выработки выходного управляющего сигнала для выбора матрицы связей нейронов. 3 ил.

Изобретение относится к способам обработки сигналов с использованием вычислительных комплексов, основанных на использовании нейронных сетей предпочтительно оптического типа.

Известен способ обработки сигналов, включающий использование вычислительного комплекса, выполняющего корректировку курса судна при отклонении его от заранее намеченного (см. Burns R.S. The use of artificial neural networks for the intelligent optimal control of surface ships // Oceanic Engineering. - V. 20. - 1. Р. 65-72. - 1995).

Недостаток этого решения - узкий диапазон решаемых задач.

Известен также способ обработки сигналов, включающий использование вычислительного комплекса, содержащего нейронную сеть, матрицу связей нейронов в сети, реализующую необходимое функциональное преобразование входного информационного сигнала, канал подвода этого сигнала и канал отвода выходного сигнала, предусматривающий распознавание сигнала с выработкой выходного управляющего сигнала вычислительного комплекса (см. Шубников Е.И. Адаптивная нейронная сеть для распознавания образов // Оптика и спектроскопия. - Т. 76. - 5. - С. 785-789. - 1994).

Недостаток этого решения определяется тем, что используется фиксированная многомерная матрица связей нейронов в сети, которая определяет тип выполняемого преобразования и формируется при обучении нейросети. Вместе с тем эта матрица предопределяет использование данной сети только для решения одной конкретной задачи. Попытки обучения сети всем возможным решаемым задачам наталкиваются на предел информационной емкости матрицы связей. Он определяется как топологией самой сети, так и конечными физическими параметрами среды, реализующей эту матрицу связей. Изменение условий функционирования нейронной сети может привести к необходимости решения новой задачи этой же сетью. Это влечет за собой необходимость смены матрицы связей нейронов на новую, которая должна быть заранее рассчитана на этапе обучения. Выбор необходимой матрицы связей, осуществляемый человеком, снижает оперативность и ограничивает функциональность работы системы обработки информации, в которую входит нейронная сеть.

Техническая задача состоит в расширении возможностей универсальных нейронных сетей для решения задач различного типа при повышении оперативности их работы.

Для решения поставленной задачи способ обработки сигналов, включающий использование вычислительного комплекса, содержащего нейронную сеть, матрицу связей нейронов в сети, реализующую необходимое функциональное преобразование входного информационного сигнала, канал подвода этого сигнала и канал отвода выходного сигнала, предусматривающий распознавание сигнала с выработкой выходного управляющего сигнала вычислительного комплекса, отличается тем, что в качестве входного информационного сигнала используют оптический сигнал, который делят на два информационных потока, при этом первый из них используют для восстановления исходной информации и последующей идентификации образа, несомого входным информационным сигналом, а второй используют для реализации необходимых функциональных преобразований этого сигнала, для чего первый информационный поток последовательно пропускают через оптическую матрицу связей однопроходной нейронной сети типа персептрон, восстанавливая его, после чего восстановленный оптический сигнал подают на вход многопроходной классифицирующей нейронной сети, например, типа сети Хопфилда, причем выходной сигнал этой сети используют для управления выбором матрицы связей однопроходной нейронной сети типа персептрон, реализующей необходимое функциональное преобразование второго информационного потока входного информационного сигнала.

Сопоставительный анализ признаков заявленного решения и признаков известных аналогов и прототипа показывает, что заявленное устройство соответствует критерию "новизна".

Приведенные в отличительной части формулы изобретения признаки решают следующие функциональные задачи.

Признак "оптический сигнал. . . делят на два информационных потока" обеспечивает возможность совмещения во времени операций по распознаванию образа, содержащегося во входном информационном сигнале, и операции, реализующей необходимое функциональное преобразование - отклик на входной информационный сигнал.

Признаки "при этом первый из них используют для восстановления исходной информации и последующей идентификации образа, несомого входным информационным сигналом, а второй используют для реализации необходимых функциональных преобразований этого сигнала" конкретизируют операции, которым одновременно подвергаются оба информационных потока.

Признаки "первый информационный поток последовательно пропускают через оптическую матрицу связей однопроходной нейронной сети типа персептрон" обеспечивают восстановление исходного сигнала и выделение его из всего исходного входного информационного потока, поступающего от измерительных датчиков и содержащего, наряду с полезным сигналом, информационный шум.

Признак "восстановленный оптический сигнал подают на вход многопроходной классифицирующей нейронной сети, например, типа сети Хопфилда" обеспечивает идентификацию образа, несомого входным информационным сигналом и выработку сигнала, задающего выбор той или иной матрицы связей однопроходной нейронной сети типа персептрон, размещенной на пути второго информационного потока.

Физическая природа входных и выходных информационных потоков, как и реализация нейронных сетей всей системы может быть различной и в данном контексте не имеет принципиального значения. Входным сигналом может быть оптическое изображение, или совокупность электрических сигналов телеметрических датчиков, или числовой информационный массив, полученный в результате обработки информации. Нейронные сети и связи между ними могут быть реализованы программно на компьютере, или могут быть созданы специализированные электронные чипы, или могут быть использованы оптические нейронные сети. Последние представляют наибольший интерес с точки зрения повышения быстродействия и информационной емкости всей системы в целом. Поэтому крайне актуальной задачей является создание вычислительного комплекса, основанного на нейронных сетях, способного решать широкий класс разнородных задач и обладающего возможностью самоадаптации к входным информационным потокам.

Заявленное изобретение иллюстрируется чертежами, на которых показаны: на фиг.1 - структура информационно-вычислительного комплекса, на фиг.2 - пример различных функциональных преобразований вычислительного комплекса над различными входными данными, на фиг.3 - схема однопроходной нейронной сети типа персептрон.

На чертежах схематически показаны: канал подвода информационного сигнала 1, первый 2 и второй 3 информационные потоки, однопроходная нейронная сеть типа персептрон 4 и многопроходная классифицирующая нейронная сеть 5 первого информационного потока, однопроходная нейронная сеть типа персептрон 6 второго информационного потока, голографический диск (оптическая матрица связей) 7, компьютерная матрица связей 8, линия 9, связывающая выход классифицирующей нейронной сети 5 и оптической матрицы связей 7 однопроходной нейронной сети 6 второго информационного потока, канал 10 отвода выходного сигнала вычислительного комплекса. Кроме того, на чертежах показаны шаговый двигатель 11; фотопреобразователь 12; блок управления 13; аналогово-цифровой преобразователь (АЦП) 14, компьютер 15.

Канал подвода информационного сигнала 1, первый 2 и второй 3 информационные потоки и канал 10 отвода выходного сигнала вычислительного комплекса выполнены в виде волоконно-оптических световодов известного типа.

Сети 4 и 6 выполнены в виде двух модификаций нейронной сети типа двухслойный персептрон с одним входным и одним выходным слоем нейронов, с выполнением в сети 4 восстановления исходной функции (восстановления входного образа), а в сети 6 необходимого функционального преобразования на той же принципиальной базе. Сеть типа персептрон включает в себя оптическую матрицу связей, выполненную в виде голографического диска 7 (установленного с возможностью вращения на оси шагового двигателя 11), за которым располагают оптическую систему линз, состоящую из двух скрещенных цилиндрических линз и одной фокусирующей (на чертеже не показана). Выход этой системы линз связывают с фотопреобразователем 12, являющимся выходным элементом персептрона.

Для согласования выходных сигналов сетей 4 и 6 с электрическими устройствами (в том числе и компьютером) используют аналогово-цифровые преобразователи 14 известной конструкции.

Конструктивно сети 4 и 6 отличаются друг от друга только тем, что в сети 4 используется блок 13 для управления работой шагового двигателя 11, тогда как в сети 6 шаговый двигатель управляется непосредственно выходным сигналом сети 5. Каждый фотоэлектрический преобразователь 12 содержит фотодиод, установленный на входе преобразователя, при этом выход фотодиода подключен на вход усилителя, выход которого является выходом преобразователя 12.

Распознающая многопроходная сеть 5 выполнена по типу сети Хопфилда и реализована в виде программы, обеспечивающей в результате многократных итераций классификацию сигналов, поступающих с выхода сети 4 (т.е. отбор наиболее подходящих образов осуществляется путем достижения минимальной ошибки рассогласования между входным сигналом и образом, заложенным в компьютерную матрицу связи).

Компьютерная матрицу связи 8 представляет собой цифровой массив данных, задающих выполнение того или иного типа классификации.

Оптическая матрица связей 7 выполнена в виде голографического диска, на поверхности которого, вне оси вращения, сформирован набор дифракционных решеток, которые используются как элементы оптической матрицы связей.

Подготовка аппаратной базы к работе включает расчет элементов матрицы межнейронных соединений оптического персептрона, который производится с использованием компьютерной модели персептрона. Полученные компьютерные значения элементов wij матрицы связи применяются для определения потребной дифракционной эффективности ij голографических дифракционных решеток, которые записываются известным образом на дисковом носителе в виде амплитудных голограмм оптического персептрона: где I0i - интенсивность лазерного излучения на выходе i-й измерительной линии при записи голограмм; I0 - интенсивность опорного излучения при экспонировании фотоматериалов, - константа, которая определяется значением максимальной дифракционной эффективности голограмм.

Далее формируют информационно-вычислительный комплекс из упомянутых узлов и элементов, при этом для разделения канала подвода информационного сигнала 1 на первый 2 и второй 3 информационные потоки используют любое известное устройство (оптический разделитель - на чертежах не показан), обеспечивающее разделение оптического сигнала.

Заявленный способ осуществляется следующим образом.

Оптический сигнал, несущий информацию и поступающий по информационному каналу 1, разделяют на два одинаковых потока 2 и 3, каждый из которых направляют на вход соответствующей нейронной сети (либо 4, либо 6). При этом свободные концы световодов, образующих информационные потоки 2 и 3, фокусируют на один участок (на один элемент оптической матрицы связей) соответствующего голографического диска 7, за которым расположена оптическая система линз, состоящая из двух скрещенных цилиндрических линз и одной фокусирующей (на чертеже не показана). Выход этой системы линз связывают с фотопреобразователем 12, который через АЦП 14 подключают к компьютеру 15. Причем АЦП 14, подключенный на выход сети 4, обеспечивает сопряжение сетей 4 и 5.

Сеть 4 осуществляет восстановление входного образа. При этом информационный поток 2 последовательно подают на каждую голографическую решетку путем шагового вращения голографического диска 7 (посредством шагового двигателя 11, управляемого системой управления 13). Дифрагировавшее излучение подвергают оптическому умножению в свободном пространстве (пропуская его через оптическую систему из двух скрещенных цилиндрических линз), фокусируют и запоминают его в виде массива данных, по которому судят о исходном состоянии входного образа, т.е. исключают возможные искажения образа, явившиеся следствием недостатков работы системы датчиков, воспринимающих сигналы объекта, формирующего образ, оценка которого должна производиться комплексом.

Сеть 5 реализует классификацию входного образа и его распознавание, так как в результате многократных итераций ее выходы приходят в одно из стационарных состояний. Это состояние соответствует наиболее близкому из входных образов, предъявлявшихся сети на этапе обучения.

Выходной сигнал сети 5 используется для выбора одной из матриц связей для сети 6 путем воздействия на шаговый двигатель 11, задающий поворот оптической матрицы связей 7 сети 6. Эти матрицы реализуют необходимые функциональные преобразования и рассчитываются на этапе обучения сети 6.

Таким образом, комплекс в целом сначала производит общую классификацию типа входного образа, решая задачу о том, "что" делать, а затем производит необходимое преобразование входного информационного потока. В этом случае алгоритм функционирования вычислительного комплекса может быть описан следующими выражениями: где V - входной, U - выходной информационные массивы, Fm - оператор функционального преобразования сети N3, С - оператор классификации входного образа, реализуемый сетью N2, M - количество образов, записанных в память сети N2.

Предложенный способ и его конструктивная реализация позволит во много раз увеличить количество различных типов обрабатываемых входных образов. Кроме того, становится возможным значительное расширение функциональности системы в случае, когда затруднительно сформировать единую матрицу связей нейронной сети для решения крайне разнородных задач.

В качестве примеров, показывающих преимущественные особенности работы комплекса, можно привести следующие.

Например, обработку фрагментов сканированных текстов можно разделить на следующие этапы: классификация образа на "текст" и "графика" и в зависимости от этого либо выделение контура символов текста для облегчения их дальнейшего распознавания, либо полное подавление графической информации.

Другим примером может служить охранная информационная система заповедника, обрабатывающая сигналы телеметрических датчиков. Если входной сигнал распознается как образ животного, то происходит обработка сигнала с целью определения видовой принадлежности животного с последующим занесением информации в базу данных. Если же входной сигнал распознается как образ человека, то он преобразуется в сигнал задержания нарушителя заповедной территории.

Еще одним примером может служить информационная система, обрабатывающая сигналы телеметрических датчиков (фиг.2). Если входной сигнал распознается как образ корабля, то происходит обработка сигнала с целью определения классификации данного корабля с последующим занесением информации в базу данных. Если же входной сигнал распознается как образ человека, то он преобразуется в сигнал задержания.

Таким образом, предложен принцип функционирования информационно-вычислительного комплекса (который предназначен для обработки оптических данных), реализуемый на основе использования трех нейронных сетей. Каждая из сетей, входящих в состав информационно-вычислительного комплекса, выполняет свою функцию, но все вместе они способны решать широкий круг различных задач без изменения структуры самого комплекса, что значительно расширяет его возможности.

Формула изобретения

Способ обработки сигналов, включающий ввод входного информационного сигнала в нейронную сеть вычислительного комплекса, распознавание этого сигнала в сети и выработку выходного управляющего сигнала для выбора матрицы связей нейронов в сети вычислительного комплекса, отличающийся тем, что в качестве входного информационного сигнала используют оптический сигнал, который перед вводом в нейронную сеть делят на два световых потока, первый световой поток последовательно пропускают через каждую из дифракционных решеток, отличающихся дифракционной эффективностью, содержащихся на оптической матрице связей однопроходной нейронной сети типа персептрон, после чего каждый дифрагировавший световой поток подвергают оптическому умножению в свободном пространстве и запоминают результаты этой операции как цифровой массив данных, по которому судят об исходном состоянии входного образа, после чего этот сигнал многократно пропускают через многопроходную классифицирующую нейронную сеть типа сети Хопфилда, реализованную в виде компьютерной программы, и распознают входной образ как имеющий минимальную ошибку рассогласования между упомянутым сигналом, подаваемым на вход этой сети, и образом, заложенным на этапе обучения в матрицу связей сети Хопфилда, второй световой поток последовательно пропускают через дифракционную решетку оптической матрицы связей другой однопроходной нейронной сети типа персептрон, при этом выбор дифракционной решетки задают выходным сигналом сети Хопфилда, после чего дифрагировавший второй световой поток подвергают оптическому умножению в свободном пространстве для выработки выходного управляющего сигнала для выбора матрицы связей нейронов в сети вычислительного комплекса.

РИСУНКИ

Рисунок 1, Рисунок 2, Рисунок 3



 

Похожие патенты:

Изобретение относится к области вычислительной техники и может быть использовано в нейронных компьютерах

Изобретение относится к бионике и вычислительной технике и может быть использовано в качестве структурно-функционального элемента искусственных нейронных сетей для моделирования биологических нейронных сетей, а также для построения параллельных нейрокомпьютеров и других вычислительных систем, предназначенных для решения различных прикладных задач, в том числе задач распознавания образов, классификации данных, обработки изображений, математических операций и создания искусственного интеллекта. Техническим результатом является обеспечение наиболее полного эмулирования функционирования биологического нейрона, а также универсальность и многократность применения, что дает существенную экономию аппаратных ресурсов. Устройство содержит информационные и модулирующие входы, информационные выходы, вычислительное ядро, состоящее из процессорного устройства, энергонезависимой памяти программы, оперативной памяти и энергонезависимой памяти данных, взаимодействующих между собой через системную шину. 4 з.п. ф-лы, 3 ил.
Наверх