En informática y aprendizaje automático , las redes neuronales celulares (CNN) o las redes celulares no lineales (CNN) son un paradigma de computación paralela similar a las redes neuronales , con la diferencia de que se permite la comunicación solo entre unidades vecinas. Las aplicaciones típicas incluyen el procesamiento de imágenes , el análisis de superficies 3D, la resolución de ecuaciones diferenciales parciales , la reducción de problemas no visuales a mapas geométricos , el modelado de la visión biológica y otros órganos sensoriales-motores . [1]
CNN no debe confundirse con la red neuronal convolucional (también llamada coloquialmente CNN).
Arquitectura CNN
Debido a su número y variedad de arquitecturas , es difícil dar una definición precisa de un procesador CNN. Desde el punto de vista de la arquitectura, los procesadores CNN son un sistema de unidades de procesamiento no lineales, de número fijo, de ubicación fija, de topología fija, interconectadas localmente, de múltiples entradas, de una sola salida y finitas. Las unidades de procesamiento no lineales se denominan a menudo neuronas o células . Matemáticamente, cada celda se puede modelar como un sistema dinámico no lineal disipativo donde la información se codifica a través de su estado inicial, entradas y variables utilizadas para definir su comportamiento. Las dinámicas suelen ser continuas, como en el caso de los procesadores CNN de tiempo continuo (CT-CNN), pero pueden ser discretas, como en el caso de los procesadores CNN de tiempo discreto (DT-CNN). [2] [3] [4]
Cada celda tiene una salida, mediante la cual comunica su estado tanto con otras celdas como con dispositivos externos. La salida suele tener un valor real , pero puede ser compleja o incluso cuaternaria , es decir, una CNN de valores múltiples (MV-CNN). La mayoría de los procesadores CNN, las unidades de procesamiento son idénticas, pero hay aplicaciones que requieren unidades no idénticas, que se denominan procesadores CNN de procesador no uniforme (NUP-CNN) y constan de diferentes tipos de celdas.
Chua-Yang CNN
En el procesador Chua-Yang CNN (CY-CNN) original, el estado de la celda era una suma ponderada de las entradas y la salida era una función lineal por partes . Sin embargo, al igual que las redes neuronales originales basadas en perceptrones , las funciones que podía realizar eran limitadas: específicamente, era incapaz de modelar funciones no lineales , como XOR . Las funciones más complejas se pueden realizar a través de procesadores CNN no lineales (NL-CNN). [5]
Las celdas se definen en un espacio cuadriculado normalizado como la geometría euclidiana bidimensional . Sin embargo, las celdas no se limitan a espacios bidimensionales; pueden definirse en un número arbitrario de dimensiones y pueden ser cuadrados , triangulares , hexagonales o cualquier otra disposición espacialmente invariante. Topológicamente , las células pueden disponerse en un plano infinito o en un espacio toroidal . La interconexión de celdas es local, lo que significa que todas las conexiones entre celdas están dentro de un radio específico (con la distancia medida topológicamente ). Las conexiones también se pueden retrasar en el tiempo para permitir el procesamiento en el dominio temporal.
La mayoría de las arquitecturas CNN tienen celdas con las mismas interconexiones relativas, pero hay aplicaciones que requieren una topología espacialmente variante, es decir, procesadores CNN de tamaño de vecindario múltiple (MNS-CNN). Además, los procesadores CNN de múltiples capas (ML-CNN), donde todas las celdas de la misma capa son idénticas, se pueden utilizar para ampliar la capacidad de los procesadores CNN.
La definición de un sistema es una colección de entidades independientes que interactúan formando un todo integrado, cuyo comportamiento es distinto y cualitativamente mayor que sus entidades. Aunque las conexiones son locales, el intercambio de información puede ocurrir a nivel mundial a través de la difusión. En este sentido, los procesadores CNN son sistemas porque su dinámica se deriva de la interacción entre las unidades de procesamiento y no dentro de las unidades de procesamiento. Como resultado, exhiben un comportamiento emergente y colectivo. Matemáticamente , la relación entre una celda y sus vecinas, ubicadas dentro de un área de influencia, puede definirse mediante una ley de acoplamiento , y esta es la que determina principalmente el comportamiento del procesador. Cuando las leyes de acoplamiento se modelan mediante lógica difusa , es una CNN difusa. [6] Cuando estas leyes son modeladas por la lógica verbal computacional , se convierte en un verbo computacional CNN. [7] [8] [9] Tanto las CNN difusas como las verbales son útiles para modelar redes sociales cuando los acoplamientos locales se logran mediante términos lingüísticos . [10]
Historia
La idea de los procesadores CNN fue presentada por Leon Chua y Lin Yang en 1988. [11] En estos artículos, Chua y Yang describen las matemáticas subyacentes detrás de los procesadores CNN. Usan este modelo matemático para demostrar, para una implementación de CNN específica, que si las entradas son estáticas, las unidades de procesamiento convergerán y se pueden usar para realizar cálculos útiles. Luego sugieren una de las primeras aplicaciones de los procesadores CNN: procesamiento de imágenes y reconocimiento de patrones (que sigue siendo la aplicación más grande hasta la fecha). Leon Chua sigue activo en la investigación de CNN y publica muchos de sus artículos en la Revista Internacional de Bifurcación y Caos , de la que es editor. Tanto IEEE Transactions on Circuits and Systems como el International Journal of Bifurcation también contienen una variedad de artículos útiles sobre procesadores CNN escritos por otros investigadores expertos. El primero tiende a centrarse en las nuevas arquitecturas de CNN y el segundo más en los aspectos dinámicos de los procesadores de CNN.
En 1993, Tamas Roska y Leon Chua introdujeron el primer procesador CNN analógico programable algorítmicamente en el mundo. [12] El esfuerzo multinacional fue financiado por la Oficina de Investigación Naval , la Fundación Nacional de Ciencias y la Academia de Ciencias de Hungría , e investigado por la Academia de Ciencias de Hungría y la Universidad de California . Este artículo demostró que los procesadores de CNN eran producibles y brindó a los investigadores una plataforma física para probar sus teorías de CNN. Después de este artículo, las empresas comenzaron a invertir en procesadores más grandes y capaces, basados en la misma arquitectura básica que el Procesador Universal de CNN. Tamas Roska es otro colaborador clave de CNN. Su nombre a menudo se asocia con plataformas y algoritmos de procesamiento de información de inspiración biológica, y ha publicado numerosos artículos clave y ha estado involucrado con empresas e instituciones de investigación que desarrollan tecnología CNN.
Literatura
Dos referencias se consideran invaluables ya que logran organizar la gran cantidad de literatura de CNN en un marco coherente:
- Un resumen de Valerio Cimagalli y Marco Balsi. [13] El documento proporciona una introducción concisa a las definiciones, tipos de CNN, dinámicas, implementaciones y aplicaciones.
- "Redes neuronales celulares y fundamentos y aplicaciones de la computación visual", escrito por Leon Chua y Tamas Roska, que proporciona ejemplos y ejercicios. El libro cubre muchos aspectos diferentes de los procesadores de CNN y puede servir como libro de texto para una maestría o un doctorado. curso.
Otros recursos incluyen
- Las actas del "Taller internacional sobre redes neuronales celulares y sus aplicaciones" proporcionan mucha literatura de CNN.
- Las actas están disponibles en línea, a través de IEEE Xplore , para las conferencias celebradas en 1990, 1992, 1994, 1996, 1998, 2000, 2002, 2005 y 2006.
- También se llevó a cabo un taller en Santiago de Composetela, España. Los temas incluyeron teoría, diseño, aplicaciones, algoritmos, implementaciones físicas y métodos de programación y capacitación.
- Para comprender la tecnología CNN basada en semiconductores analógicos , AnaLogic Computers tiene su línea de productos, además de los artículos publicados disponibles en su página de inicio y su lista de publicaciones. También tienen información sobre otras tecnologías de CNN como la computación óptica. Muchas de las funciones de uso común ya se han implementado mediante procesadores CNN. Un buen punto de referencia para algunos de estos se puede encontrar en las bibliotecas de procesamiento de imágenes para computadoras visuales basadas en CNN, como los sistemas basados en CNN de Analogic.
Arquitecturas de procesamiento relacionadas
Los procesadores CNN podrían considerarse un híbrido entre ANN y Continuous Automata (CA).
Redes neuronales artificiales
Las unidades de procesamiento de CNN y NN son similares. En ambos casos, las unidades de procesamiento son sistemas dinámicos de múltiples entradas, y el comportamiento de los sistemas generales se controla principalmente a través de los pesos de la interconexión lineal de la unidad de procesamiento.
Sin embargo, en los procesadores CNN, las conexiones se realizan localmente, mientras que en ANN, las conexiones son globales.
Por ejemplo, las neuronas de una capa están completamente conectadas a otra capa en una NN de alimentación directa y todas las neuronas están completamente interconectadas en las redes de Hopfield . En las RNA, los pesos de las interconexiones contienen información sobre el estado o retroalimentación anterior del sistema de procesamiento.
Pero en los procesadores de CNN, los pesos se utilizan para determinar la dinámica del sistema.
Además, debido a la alta interconectividad de las ANN, tienden a no explotar la localidad ni en el conjunto de datos ni en el procesamiento y, como resultado, generalmente son sistemas altamente redundantes que permiten un comportamiento robusto y tolerante a fallas sin errores catastróficos.
Un cruce entre un procesador ANN y un CNN es un CNN de memoria de relación (RMCNN). En los procesadores RMCNN, la interconexión celular es local y topológicamente invariante, pero los pesos se utilizan para almacenar estados anteriores y no para controlar la dinámica. Los pesos de las células se modifican durante algún estado de aprendizaje creando memoria a largo plazo. [14] [15]
Autómatas continuos
La topología y dinámica de los procesadores CNN se parece mucho a la de CA. Como la mayoría de los procesadores de CNN, CA consta de un número fijo de procesadores idénticos que son espacialmente discretos y topológicamente uniformes. La diferencia es que la mayoría de los procesadores CNN tienen valores continuos, mientras que CA tienen valores discretos. Además, el comportamiento de la celda del procesador CNN se define mediante alguna función no lineal, mientras que las celdas del procesador CA están definidas por alguna máquina de estado.
Sin embargo hay algunas excepciones. Los Autómatas Celulares de Valor Continuo son CA con resolución continua. Dependiendo de cómo se especifique un Autómata continuo dado, también puede ser una CNN.
También existen Autómatas espaciales continuos , que consisten en un número infinito de autómatas espacialmente continuos y con valores continuos. Se está realizando un trabajo considerable en este campo, ya que los espacios continuos son más fáciles de modelar matemáticamente que los espacios discretos, lo que permite un enfoque más cuantitativo en contraposición al enfoque empírico adoptado por algunos investigadores de autómatas celulares . Los procesadores Continuous Spatial Automata se pueden realizar físicamente a través de una plataforma de procesamiento de información no convencional, como una computadora química . Además, es concebible que grandes procesadores CNN (en términos de resolución de entrada y salida) puedan modelarse como Autómatas Espaciales Continuos.
Modelo de computación
El comportamiento dinámico de los procesadores CNN se puede expresar mediante ecuaciones diferenciales , donde cada ecuación representa el estado de una unidad de procesamiento individual. El comportamiento de todo el procesador CNN se define por sus condiciones iniciales, entradas, interconexiones de celdas (topología y pesos) y las propias celdas. Un posible uso de los procesadores CNN es generar y responder a señales de propiedades dinámicas específicas. Por ejemplo, los procesadores CNN se han utilizado para generar un caos de múltiples desplazamientos (como el atractor de Chen ), [16] sincronizarse con sistemas caóticos y exhibir histéresis de múltiples niveles . [17] [18] [19] Los procesadores CNN están diseñados específicamente para resolver problemas locales, de bajo nivel e intensivos en procesadores, expresados como una función del espacio y el tiempo. Por ejemplo, los procesadores CNN se pueden utilizar para implementar filtros de paso alto y paso bajo y operadores morfológicos . También se pueden utilizar para aproximar una amplia gama de ecuaciones diferenciales parciales (PDE) [20] , como la disipación de calor y la propagación de ondas. [21]
Reacción-Difusión
Los procesadores CNN se pueden utilizar como procesadores de Reacción-Difusión (RD). Los procesadores RD son procesadores paralelos, análogos, espacialmente invariantes, topológicamente invariantes, caracterizados por reacciones, donde dos agentes pueden combinarse para crear un tercer agente, y la difusión , la propagación de agentes. Los procesadores RD generalmente se implementan a través de productos químicos en una placa de Petri (procesador), luz (entrada) y una cámara (salida); sin embargo, los procesadores RD también se pueden implementar a través de un procesador CNN multicapa. Los procesadores D se pueden utilizar para crear diagramas de Voronoi y realizar esqueletización . La principal diferencia entre la implementación química y la implementación de CNN es que las implementaciones de CNN son considerablemente más rápidas que sus contrapartes químicas y los procesadores químicos son espacialmente continuos mientras que los procesadores CNN son espacialmente discretos. El procesador RD más investigado, los procesadores Belousov-Zhabotinsky (BZ), ya se ha simulado utilizando procesadores CNN de cuatro capas y se ha implementado en un semiconductor. [22] [23] [24] [25]
Funciones booleanas
Al igual que CA, los cálculos se pueden realizar mediante la generación y propagación de señales que crecen o cambian con el tiempo. Los cálculos pueden ocurrir dentro de una señal o pueden ocurrir a través de la interacción entre señales. Un tipo de procesamiento que utiliza señales y está ganando impulso es el procesamiento de ondas , que implica la generación, expansión y eventual colisión de ondas. El procesamiento de ondas se puede utilizar para medir distancias y encontrar caminos óptimos. Los cálculos también pueden ocurrir a través de estructuras localizadas de partículas, planeadores, soluciones y filtros que mantienen su forma y velocidad. Dado cómo estas estructuras interactúan / chocan entre sí y con señales estáticas, se pueden usar para almacenar información como estados e implementar diferentes funciones booleanas . Los cálculos también pueden ocurrir entre comportamientos localizados complejos, potencialmente crecientes o en evolución, a través de gusanos, escaleras y serpientes de píxeles. Además de almacenar estados y realizar funciones booleanas , estas estructuras pueden interactuar, crear y destruir estructuras estáticas. [26]
Las aplicaciones de las CNN a las funciones booleanas se discuten en el documento de Fangyue Chen, Guolong He, Xiubin Xu y Guanrong Chen , "Implementación de funciones booleanas arbitrarias a través de CNN". [26]
Máquinas autómatas y de Turing
Aunque los procesadores CNN están diseñados principalmente para cálculos analógicos, ciertos tipos de procesadores CNN pueden implementar cualquier función booleana, lo que permite simular CA. Dado que algunas CA son máquinas universales de Turing (UTM), capaces de simular cualquier algoritmo se puede realizar en procesadores basados en la arquitectura von Neumann , eso hace que este tipo de procesadores CNN, CNN universal, sea un UTM. Una arquitectura de CNN consta de una capa adicional. Los procesadores de CNN han dado como resultado la realización más simple del Juego de la vida de Conway y la Regla 110 de Wolfram , la Máquina de Turing universal más simple conocida . Esta representación dinámica única de un sistema antiguo permite a los investigadores aplicar técnicas y hardware desarrollados para CNN para comprender mejor las CA importantes. Además, el espacio de estado continuo de los procesadores de CNN, con ligeras modificaciones que no tienen equivalente en Cellular Automata , crea un comportamiento emergente nunca antes visto. [27]
Cualquier plataforma de procesamiento de información que permita la construcción de funciones booleanas arbitrarias se denomina universal y, como resultado, los procesadores CNN de esta clase se denominan comúnmente procesadores CNN universales. Los procesadores CNN originales solo pueden realizar funciones booleanas separables linealmente. Al traducir funciones de la lógica digital o dominios de tablas de búsqueda al dominio CNN, algunas funciones se pueden simplificar considerablemente. Por ejemplo, la lógica de generación de paridad impar de nueve bits, que normalmente se implementa mediante ocho compuertas o exclusivas anidadas, también se puede representar mediante una función de suma y cuatro funciones de valor absoluto anidadas. No solo hay una reducción en la complejidad de la función, sino que los parámetros de implementación de CNN se pueden representar en el dominio continuo de números reales. [26]
Hay dos métodos para seleccionar un procesador CNN junto con una plantilla o pesos. La primera es por síntesis, que consiste en determinar los coeficientes fuera de línea. Esto se puede hacer aprovechando el trabajo previo, es decir, bibliotecas, trabajos y artículos, o derivando matemáticamente el co que mejor se adapte al problema. El otro es mediante la formación del procesador. Los investigadores han utilizado algoritmos genéticos y de retropropagación para aprender y realizar funciones. Los algoritmos de retropropagación tienden a ser más rápidos, pero los algoritmos genéticos son útiles porque proporcionan un mecanismo para encontrar una solución en un espacio de búsqueda ruidoso y discontinuo. [28] [29] [30]
Implementaciones físicas
Existen modelos de juguete que simulan procesadores CNN utilizando bolas de billar , pero estos se utilizan para estudios teóricos. En la práctica, las CNN se implementan físicamente en hardware y tecnologías actuales como los semiconductores . Hay planes para migrar procesadores CNN a tecnologías emergentes en el futuro. [31] [32] [33] [34] [35] [36]
Semiconductores
Los procesadores CNN basados en semiconductores se pueden segmentar en procesadores CNN analógicos, procesadores CNN digitales y procesadores CNN emulados mediante procesadores digitales. Los procesadores CNN analógicos fueron los primeros en desarrollarse. Las computadoras analógicas eran bastante comunes durante las décadas de 1950 y 1960, pero gradualmente fueron reemplazadas por computadoras digitales en la década de 1970. Los procesadores analógicos eran considerablemente más rápidos en ciertas aplicaciones, como la optimización de ecuaciones diferenciales y el modelado de no linealidades, pero la razón por la que la computación analógica perdió popularidad fue la falta de precisión y la dificultad de configurar una computadora analógica para resolver una ecuación compleja.
Los procesadores CNN analógicos comparten algunas de las mismas ventajas que sus predecesores, específicamente la velocidad. Los primeros procesadores CNN analógicos pudieron realizar un procesamiento en tiempo real a una velocidad de cuadro ultra alta (> 10,000 cuadros / s) inalcanzable para los procesadores digitales. La implementación analógica de los procesadores CNN requiere menos área y consume menos energía que sus contrapartes digitales. Aunque la precisión de los procesadores CNN analógicos no se compara con sus contrapartes digitales, para muchas aplicaciones, las variaciones de ruido y proceso son lo suficientemente pequeñas como para no afectar perceptivamente la calidad de la imagen.
El primer procesador CNN analógico programable algorítmicamente fue creado en 1993. [12] Fue nombrado Procesador Universal CNN porque su controlador interno permitía realizar múltiples plantillas en el mismo conjunto de datos, simulando así múltiples capas y permitiendo la computación universal. En el diseño se incluyó un CCN 8x8 de una sola capa, interfaces, memoria analógica, lógica de conmutación y software. El procesador se desarrolló para determinar la productividad y utilidad del procesador CNN. El concepto de CNN resultó prometedor y para el año 2000, había al menos seis organizaciones que diseñaban procesadores CNN analógicos programables algorítmicamente. [12]
AnaFocus, AnaLogic
En la década de 2000, AnaFocus, una empresa de semiconductores de señal mixta de la Universidad de Sevilla , presentó su línea de productos de procesadores CNN prototipo ACE. Su primer procesador ACE contenía unidades procesadoras 20x20 B / W; y los procesadores posteriores proporcionaron unidades de procesador en escala de grises de 48x48 y 128x128, mejorando la velocidad y los elementos de procesamiento. AnaFocus también tenía una línea de procesadores CNN prototipo CASE multicapa. Sus procesadores permitieron la interacción en tiempo real entre la detección y el procesamiento. En 2014, AnaFocus se vendió a tecnologías e2v. [37]
Otra empresa, AnaLogic Computers, fue fundada en 2000 por muchos de los mismos investigadores detrás del primer procesador universal CNN programable algorítmicamente. En 2003, AnaLogic Computers desarrolló una placa de procesador visual PCI-X que incluía el procesador ACE 4K, [38] con un módulo DIP Texas Instrument y un capturador de fotogramas de alta velocidad. Esto permitió que el procesamiento de CNN se incluyera fácilmente en una computadora de escritorio. En 2006, AnaLogic Computers desarrolló su línea de productos Bi-I Ultra High Speed Smart Camera, que incluye el procesador ACE 4K en sus modelos de gama alta. [39]
En 2006, Roska et al. publicó un artículo sobre el diseño de anteojos biónicos para AnaLogic. Bionic Eyeglass es una plataforma portátil de doble cámara, basada en la cámara inteligente Bi-I de ultra alta velocidad, diseñada para brindar asistencia a las personas ciegas. Algunas de sus funciones incluyen el reconocimiento del número de ruta y el procesamiento del color. [40] [41] [42]
Procesadores CNN analógicos
Algunos investigadores desarrollaron sus propios procesadores CNN analógicos personalizados. Por ejemplo:
- Un equipo de investigación de la Universidad degli Studi di Catania hizo uno para generar pasos para un robot hexápodo.
- Chung-Yu Wu y Chiu-Hung Cheng de la Universidad Nacional Chiao Tung diseñaron un procesador RM-CNN para aprender más sobre el aprendizaje y el reconocimiento de patrones. [43]
- Investigadores del Instituto Nacional de Tecnología Lien-Ho (W. Yen, R. Chen y J. Lai) desarrollaron un procesador Min-Max CNN (MMCNN) para aprender más sobre la dinámica de CNN. [44]
A pesar de su velocidad y bajo consumo de energía, existen algunos inconvenientes importantes en los procesadores CNN analógicos. En primer lugar, los procesadores CNN analógicos pueden generar resultados erróneos debido a la variación del entorno y del proceso. En la mayoría de las aplicaciones, estos errores no se notan, pero hay situaciones en las que desviaciones menores pueden resultar en fallas catastróficas del sistema. Por ejemplo, en la comunicación caótica, la variación del proceso cambiará la trayectoria de un sistema dado en el espacio de fase, lo que resultará en una pérdida de sincronicidad / estabilidad. Debido a la gravedad del problema, se están realizando investigaciones considerables para mejorar el problema. Algunos investigadores están optimizando plantillas para adaptarse a una mayor variación. Otros investigadores están mejorando el proceso de semiconductores para que coincida más estrechamente con el rendimiento teórico de CNN. Otros investigadores están investigando arquitecturas CNN diferentes y potencialmente más robustas. Por último, los investigadores están desarrollando métodos para ajustar plantillas para apuntar a un chip específico y condiciones de operación. En otras palabras, las plantillas se están optimizando para que coincidan con la plataforma de procesamiento de información. La variación del proceso no solo limita lo que se puede hacer con los procesadores CNN analógicos actuales, sino que también es una barrera para crear unidades de procesamiento más complejas. A menos que se resuelva esta variación del proceso, ideas como unidades de procesamiento anidadas, entradas no lineales, etc. no se pueden implementar en un procesador CNN analógico en tiempo real. Además, la "propiedad inmobiliaria" de los semiconductores para las unidades de procesamiento limita el tamaño de los procesadores CNN.
Actualmente, el procesador de visión más grande basado en AnaVision CNN consiste en un detector 4K, que es significativamente menor que los detectores de megapíxeles que se encuentran en las cámaras de consumo asequibles. Desafortunadamente, las reducciones del tamaño de las características, como predice la Ley de Moore , solo resultarán en mejoras menores. Por esta razón, se están explorando tecnologías alternativas como los diodos de túnel resonantes y los transistores de unión neurona-bipolar. [45] Además, se está reevaluando la arquitectura del procesador CNN. Por ejemplo, se han propuesto procesadores Star-CNN, donde un multiplicador analógico se comparte en el tiempo entre varias unidades de procesador, y se espera que den como resultado un tamaño de reducción de la unidad de procesador del 80%. [46]
Procesadores CNN digitales, FPGA
Aunque no son tan rápidos y energéticamente eficientes, los procesadores CNN digitales no comparten los problemas de variación del proceso y tamaño de función de sus contrapartes analógicas. Esto permite que los procesadores CNN digitales incluyan unidades procesadoras anidadas, no linealidades, etc. Además, las CNN digitales son más flexibles, cuestan menos y son más fáciles de integrar. La implementación más común de procesadores CNN digitales utiliza una FPGA . Eutecus, fundada en 2002 y que opera en Berkeley, proporciona propiedad intelectual que puede sintetizarse en una FPGA Altera. Sus procesadores CNN digitales basados en FPGA de 320x280 funcionan a 30 cuadros / sy hay planes para hacer un ASIC digital rápido. Eustecus es un socio estratégico de las computadoras AnaLogic, y sus diseños FPGA se pueden encontrar en varios de los productos de AnaLogic. Eutecus también está desarrollando bibliotecas de software para realizar tareas que incluyen, entre otras, análisis de video para el mercado de seguridad de video, clasificación de funciones, seguimiento de múltiples objetivos, procesamiento de señales e imágenes y procesamiento de flujo. Muchas de estas rutinas se derivan mediante un procesamiento similar a CNN. Para aquellos que deseen realizar simulaciones de CNN para la creación de prototipos, aplicaciones de baja velocidad o investigación, existen varias opciones. En primer lugar, existen paquetes de software de emulación CNN precisos como SCNN 2000. Si la velocidad es prohibitiva, existen técnicas matemáticas, como el método iterativo de Jacobi o las recursiones hacia adelante y hacia atrás, que se pueden utilizar para derivar la solución de estado estable de un procesador CNN. Por último, los procesadores CNN digitales se pueden emular en procesadores altamente paralelos para aplicaciones específicas, como procesadores gráficos. La implementación de redes neuronales mediante procesadores gráficos es un área de investigación adicional. [47] [48] [49] [50] [51]
Holografía, nanotecnología
Los investigadores también están examinando tecnologías alternativas para los procesadores de CNN. Aunque los procesadores CNN actuales evitan algunos de los problemas asociados con sus homólogos digitales, comparten algunos de los mismos problemas a largo plazo que son comunes a todos los procesadores basados en semiconductores. Estos incluyen, entre otros, velocidad, confiabilidad, consumo de energía, etc. AnaLogic Computers está desarrollando procesadores ópticos CNN, que combinan ópticas, láseres y memorias biológicas y holográficas . Lo que inicialmente fue exploración de tecnología resultó en un procesador CNN de 500x500 capaz de realizar 300 giga-operaciones por segundo.
Otra tecnología prometedora para los procesadores de CNN es la nanotecnología. Un concepto de nanotecnología que se está investigando es el uso de uniones de túnel de un solo electrón, que se pueden convertir en transistores de un solo electrón o de alta corriente, para crear unidades de procesamiento McCulloch-Pitts CNN. En resumen, los procesadores de CNN se han implementado y brindan valor a sus usuarios. Han podido aprovechar eficazmente las ventajas y abordar algunas de las desventajas asociadas con su tecnología subyacente, es decir, los semiconductores. Los investigadores también están haciendo la transición de los procesadores CNN a tecnologías emergentes. Por lo tanto, si la arquitectura CNN es adecuada para un sistema de procesamiento de información específico, hay procesadores disponibles para su compra (como los habrá en el futuro previsible). [52]
Aplicaciones
Los investigadores de CNN tienen diversos intereses, que van desde aplicaciones físicas, de ingeniería, teóricas, matemáticas, computacionales y filosóficas.
Procesamiento de imágenes
Los procesadores CNN fueron diseñados para realizar procesamiento de imágenes; Específicamente, procesamiento de velocidad de cuadros ultra alta (> 10,000 cuadros / s) en tiempo real para aplicaciones como detección de partículas en fluidos de motores a reacción y detección de bujías. Actualmente, los procesadores de CNN pueden alcanzar hasta 50.000 fotogramas por segundo, y para ciertas aplicaciones como seguimiento de misiles, detección de destellos y diagnóstico de bujías, estos microprocesadores han superado a una supercomputadora convencional . Los procesadores CNN se prestan para operaciones locales, de bajo nivel, intensivas en procesadores y se han utilizado en extracción de características, [53] ajustes de nivel y ganancia, detección de constancia de color, [54] mejora de contraste, deconvolución , [55] compresión de imágenes , [56 ] [57] estimación de movimiento , [58] [59] codificación de imágenes, decodificación de imágenes, segmentación de imágenes, [60] [61] mapas de preferencias de orientación, [62] aprendizaje / reconocimiento de patrones, [43] [63] seguimiento de múltiples objetivos , [64] estabilización de imagen , [58] mejora de resolución, [65] deformaciones de imagen y mapeo, imagen en pintura, [66] flujo óptico, [67] contorneado, [68] [69] detección de objetos en movimiento , [70] eje de detección de simetría, [71] y fusión de imágenes . [72] [73] [74]
Debido a sus capacidades de procesamiento y flexibilidad, los procesadores CNN se han utilizado y prototipado para aplicaciones de campo novedosas como el análisis de llamas para monitorear la combustión en un incinerador de desechos , [75] detección de minas usando imágenes infrarrojas , pico de racimo de calorímetro para física de alta energía , [ 76] detección de anomalías en mapas de campo potenciales para geofísica, [77] detección de puntos láser, [78] inspección de metales para detectar defectos de fabricación, [79] y selección de horizonte sísmico . También se han utilizado para realizar funciones biométricas [80] como el reconocimiento de huellas dactilares , [81] extracción de características de las venas, seguimiento facial [82] y la generación de estímulos visuales a través de patrones emergentes para medir las resonancias perceptuales .
Biologia y medicina
Los procesadores CNN se han utilizado para la investigación médica y biológica al realizar un recuento automático de células nucleadas para detectar hiperplasia , [83] segmentar imágenes en regiones anatómica y patológicamente significativas, medir y cuantificar la función cardíaca, medir el tiempo de las neuronas y detectar anomalías cerebrales que podrían provocar convulsiones. [84] [85]
Una posible aplicación futura de los microprocesadores de CNN es combinarlos con microarrays de ADN para permitir un análisis de ADN casi en tiempo real de cientos de miles de secuencias de ADN diferentes. Actualmente, el principal cuello de botella del análisis de microarrays de ADN es la cantidad de tiempo necesario para procesar datos en forma de imágenes, y utilizando un microprocesador de CNN, los investigadores han reducido la cantidad de tiempo necesario para realizar este cálculo a 7 ms.
Reconocimiento de texturas
Los procesadores de CNN también se han utilizado para generar y analizar patrones y texturas. Una motivación fue utilizar procesadores CNN para comprender la generación de patrones en sistemas naturales. Se utilizaron para generar patrones de Turing con el fin de comprender las situaciones en las que se forman, los diferentes tipos de patrones que pueden surgir y la presencia de defectos o asimetrías. [27] Además, los procesadores de CNN se utilizaron para aproximar los sistemas de generación de patrones que crean frentes estacionarios, patrones espacio-temporales que oscilan en el tiempo, histéresis , memoria y heterogeneidad. Además, la generación de patrones se utilizó para ayudar a la generación y compresión de imágenes de alto rendimiento a través de la generación en tiempo real de patrones biológicos estocásticos y de grano grueso, detección de límites de textura y reconocimiento y clasificación de patrones y texturas . [86] [87]
Sistemas de control y actuador
Existe un esfuerzo continuo para incorporar procesadores CNN en máquinas de accionamiento de computación sensorial como parte del campo emergente de las máquinas celulares . La premisa básica es crear un sistema integrado que utilice procesadores CNN para el procesamiento de señales sensoriales y potencialmente la toma de decisiones y el control. La razón es que los procesadores CNN pueden proporcionar un sistema informático y de actuación de bajo consumo, tamaño pequeño y eventualmente de bajo costo adecuado para máquinas celulares. Estas máquinas celulares eventualmente crearán una red de sensores-actuadores (SAN), [88] un tipo de redes móviles ad hoc (MANET) que se pueden utilizar para la recopilación de inteligencia militar, vigilancia de entornos inhóspitos, mantenimiento de grandes áreas, exploración planetaria, etc.
Se ha demostrado que los procesadores CNN son lo suficientemente versátiles para algunas funciones de control. Se han utilizado para optimizar la función a través de un algoritmo genético, [89] para medir distancias, para realizar una búsqueda de ruta óptima en un entorno dinámico y complejo, y teóricamente se pueden utilizar para aprender y asociar estímulos complejos. También se han utilizado para crear pasos antónimos y motores de bajo nivel para nematodos robóticos , arañas y pasos de lamprea utilizando un generador de patrones central (CPG). Pudieron funcionar utilizando solo la retroalimentación del entorno, lo que permitió un sistema de motor de robot robusto, flexible y de inspiración biológica. Los sistemas basados en CNN pudieron operar en diferentes entornos y aún funcionan si algunas de las unidades de procesamiento están desactivadas. [90] [91] [92]
Sistemas de comunicación
La variedad de comportamiento dinámico que se observa en los procesadores de CNN los hace intrigantes para los sistemas de comunicación. Se están investigando las comunicaciones caóticas que utilizan procesadores CNN debido a su potencial bajo consumo de energía, robustez y características de espectro ensanchado. La premisa detrás de la comunicación caótica es utilizar una señal caótica para la onda portadora y utilizar la sincronización de fase caótica para reconstruir el mensaje original. Los procesadores CNN se pueden utilizar tanto en el transmisor como en el receptor para codificar y decodificar un mensaje determinado. También se pueden utilizar para el cifrado y descifrado de datos, la autenticación de la fuente a través de marcas de agua, [93] detección de patrones complejos en imágenes de espectrograma [94] ( procesamiento de sonido ) y detección de señales espectrales transitorias.
Los procesadores CNN son procesadores neuromórficos , lo que significa que emulan ciertos aspectos de las redes neuronales biológicas . Los procesadores originales de CNN se basaban en retinas de mamíferos, que consisten en una capa de fotodetectores conectados a varias capas de neuronas acopladas localmente. [95] Esto hace que los procesadores de CNN formen parte de un área de investigación interdisciplinaria cuyo objetivo es diseñar sistemas que aprovechen el conocimiento y las ideas de la neurociencia y contribuyan mediante la validación de teorías en el mundo real. Los procesadores de CNN han implementado un sistema en tiempo real que replica las retinas de mamíferos, validando que la arquitectura CNN original elegida modeló los aspectos correctos de las redes neuronales biológicas utilizadas para realizar la tarea en la vida de los mamíferos. [95] Sin embargo, los procesadores de CNN no se limitan a verificar las redes neuronales biológicas asociadas con el procesamiento de la visión; se han utilizado para simular la actividad dinámica observada en las redes neuronales de los mamíferos que se encuentran en el bulbo olfatorio y el lóbulo antenal de la langosta , responsables del preprocesamiento de la información sensorial para detectar diferencias en los patrones repetidos. [96] [97]
Los procesadores de CNN se utilizan para comprender sistemas que pueden modelarse utilizando unidades simples acopladas, como células vivas, redes biológicas, sistemas fisiológicos y ecosistemas. La arquitectura de CNN captura algunas de las dinámicas que a menudo se ven en la naturaleza y es lo suficientemente simple como para analizar y realizar experimentos. También se están utilizando para técnicas de simulación estocástica , que permiten a los científicos explorar problemas de espín, dinámica de poblaciones, modelos de gas basados en celosías, percolación y otros fenómenos. Otras aplicaciones de simulación incluyen transferencia de calor, sistemas de vibración mecánica, producción de proteínas, [98] problemas de Josephson Junction , [99] propagación de ondas sísmicas [100] y estructuras geotérmicas. [101] Se han utilizado instancias de 3D CNN para probar ciertos fenómenos emergentes en sistemas complejos, estableciendo un vínculo entre el arte, los sistemas dinámicos y la tecnología VLSI . [102] [103] [104] [105]
Los procesadores de CNN se han utilizado para investigar una variedad de conceptos matemáticos, como los sistemas de no equilibrio , la construcción de sistemas no lineales de complejidad arbitraria, la dinámica caótica emergente y el descubrimiento de nuevos comportamientos dinámicos. A menudo se utilizan en la investigación de la sistémica , un campo científico transdisciplinario que estudia los sistemas naturales. El objetivo de los investigadores sistémicos es desarrollar un marco conceptual y matemático necesario para analizar, modelar y comprender sistemas, incluidos, entre otros, los sistemas atómicos, mecánicos, moleculares, químicos, biológicos, ecológicos, sociales y económicos. Los temas explorados son la emergencia, el comportamiento colectivo, la actividad local y su impacto en el comportamiento global, y la cuantificación de la complejidad de un sistema aproximadamente espacial y topológicamente invariante. [106] Con otra definición de complejidad (el profesor del MIT Seth Lloyd ha identificado 32 definiciones diferentes de complejidad [107] ), puede ser potencialmente matemáticamente ventajoso cuando se analizan sistemas como los económicos y los sistemas sociales.
Notas
- ↑ Slavova, A. (31 de marzo de 2003). Redes neuronales celulares: dinámica y modelado . Springer Science & Business Media. ISBN 978-1-4020-1192-4.
- ^ S. Malki, Y. Fuqiang y L. Spaanenburg, "Extracción de características de venas mediante DT-CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ H. Harrer y J.Nossek, "Redes neuronales celulares de tiempo discreto", Revista internacional de teoría y aplicaciones de circuitos, 20: 453-467, 1992.
- ^ M. Brugge, "Diseño morfológico de redes neuronales celulares de tiempo discreto", Disertación de la Universidad de Groningen, 2005.
- ^ E. Gomez-Ramirez, G. Pazienza, X. Vilasis-Cardona, "Redes neuronales celulares polinomiales de tiempo discreto para resolver el problema XOR", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ Yang, T .; et al. (Octubre de 1996). "La estabilidad global de la red neuronal celular difusa". Transacciones IEEE sobre circuitos y sistemas I: Teoría y aplicaciones fundamentales . IEEE . 43 (10): 880–883. doi : 10.1109 / 81.538999 .
- ^ Yang, T. (marzo de 2009). "Redes celulares de verbos computacionales: parte I - un nuevo paradigma de formación de patrones sociales humanos". Revista Internacional de Cognición Computacional . Prensa científica de Yang . 7 (1): 1–34.
- ^ Yang, T. (marzo de 2009). "Redes celulares del verbo computacional: parte II - Reglas locales del verbo computacional unidimensional". Revista Internacional de Cognición Computacional . Prensa científica de Yang . 7 (1): 35–51.
- ^ Yang, T. (junio de 2009). "Redes celulares verbales computacionales: parte III - Soluciones de redes celulares verbales computacionales unidimensionales". Revista Internacional de Cognición Computacional . Prensa científica de Yang . 7 (2): 1–11.
- ^ E. Gunay, M. Alci y S. Parmaksizoglu, "Generación de N-Scroll en SC-CNN a través de la función no lineal basada en Neuro Fuzzy", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ https://www.researchgate.net/publication/3183706_Cellular_neural_networks_Theory ("Redes neuronales celulares: teoría" y "Redes neuronales celulares: aplicaciones" en transacciones IEEE en circuitos y sistemas)
- ^ a b c Roska, T .; Chua, LO (marzo de 1993). "La máquina universal de CNN: una computadora de matriz analógica" . Transacciones IEEE en circuitos y sistemas II: Procesamiento de señales analógicas y digitales . 40 (3): 163-173. doi : 10.1109 / 82.222815 . ISSN 1057-7130 .
- ^ Redes neuronales celulares: una revisión (Redes neuronales WIRN Vietri 1993)
- ^ C. Wu y Y. Wu, "El diseño de la red no lineal celular de memoria de relación de no auto-retroalimentación CMOS sin operación transcurrida para el reconocimiento y el aprendizaje de patrones", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ C. Wu y C. Cheng, "El diseño de redes neuronales celulares con memoria de relación para el aprendizaje y el reconocimiento de patrones", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- ^ M. Yalcin, J. Suykens y J. Vandewalle, Redes neuronales celulares, sincronización y caos de varios desplazamientos, 2005.
- ^ A. Slavova y M. Markovat, "Modelo CNN basado en receptor con histéresis para la generación de patrones", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ K. Yokosawa, Y. Tanji y M. Tanaka, "CNN con salida de cuantización de histéresis multinivel" Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ T. Nakaguchi, K. Omiya y M. Tanaka, "Redes neuronales celulares de histéresis para resolver problemas de optimización combinatoria", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ G. Cserey, C. Rekeczky y P. Foldesy, "Modificación de histograma basada en PDE con procesamiento morfológico integrado de los conjuntos de niveles", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ P. Sonkolyt, P. Kozmat, Z. Nagyt y P. Szolgay, "Modelado de propagación de ondas acústicas en la arquitectura CNN-UM", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ A. Adamatzky , B. Costello, T Asai "Computadoras de reacción y difusión", 2005.
- ^ F. Gollas y R. Tetzlaff, "Modelado de sistemas complejos mediante redes celulares no lineales de reacción-difusión con funciones polinomiales de peso", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ A. Selikhov, "mL-CNN: un modelo de CNN para procesos de difusión de reacción en sistemas de componentes m", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ B. Shi y T. Luo, "Formación de patrones espaciales a través de la dinámica de reacción-difusión en el chip CNN de 32x32x4", IEEE Trans. Sobre circuitos y sistemas-I, 51 (5): 939-947, 2004.
- ^ a b c Chen, F .; Él, G .; Xu, X .; Chen, G. (agosto de 2006). "Implementación de funciones booleanas arbitrarias a través de CNN" . 2006 10º Taller internacional sobre redes neuronales celulares y sus aplicaciones : 1–6. doi : 10.1109 / CNNA.2006.341641 . ISBN 1-4244-0639-0. S2CID 9648461 .
- ^ a b Goras, L .; Chua, LO; Leenaerts, DMW (1995). "Patrones de Turing en CNN. I. Una vez más a la ligera" . Transacciones IEEE sobre circuitos y sistemas I: Teoría y aplicaciones fundamentales . 42 (10): 602–611. doi : 10.1109 / 81.473567 . ISSN 1057-7122 .
- ^ T. Kozek, T. Roska y L. Chua, "Algoritmos genéticos para el aprendizaje de plantillas de CNN", IEEE Trans. sobre circuitos y sistemas I, 40 (6): 392-402, 1993.
- ^ G. Pazienza, E. Gomez-Ramirezt y X. Vilasis-Cardona, "Programación genética para la CNN-UM", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ E. Lopez, M. Balsif, D. Vilarilio y D. Cabello, "Diseño y entrenamiento de redes neuronales celulares de tiempo discreto multicapa para la detección de minas antipersonal mediante algoritmos genéticos", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000 .
- ^ R. Carmona, F. Jimenez-Garrido, R. Dominguez-Castro, S. Espejo y A. Rodriguez-Vazquez, "Realización CMOS de una máquina universal CNN de 2 capas", Taller internacional sobre redes neuronales celulares y sus Aplicaciones, 2002.
- ^ C. Dominguez-Matas, R. Carmona-Galan, F. Sainchez-Fernaindez, A. Rodriguez-Vazquez, "Chip CNN de 3 capas para dinámicas complejas de plano focal con captura adaptativa de imágenes", Taller internacional sobre neuronas celulares Redes y sus aplicaciones, 2006.
- ^ C. Dominguez-Matas, F. Sainchez-Femaindez, R. Carmona-Galan y E. Roca-Moreno, "Experimentos de adaptación global y local a las condiciones de iluminación basados en el cálculo medio del plano focal", Taller internacional sobre celular Redes neuronales y sus aplicaciones, 2006.
- ^ S. Xavier-de-Souza, M. Yalcın, J. Suykens y J. Vandewalle, "Hacia la robustez específica del chip CNN", IEEE Trans. Sobre circuitos y sistemas - I, 51 (5): 892-902, 2004.
- ^ D. Hillier, S. Xavier de Souza, J. Suykens, J. Vandewalle, "CNNOPT Learning CNN Dynamics and Chip-specific Robustness", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ D. Vilarino y C. Rekeczky, "Implementación de un algoritmo de serpiente a nivel de píxel en una arquitectura de conjunto de chips basada en CNNUM", IEEE Trans. Sobre circuitos y sistemas - I, 51 (5): 885-891, 2004.
- ^ "Adquisición de AnaFocus: negocio de imágenes CMOS de rápido crecimiento para integrarse en la división de imágenes de alto rendimiento" . e2v . Consultado el 27 de diciembre de 2020 .
- ^ "StackPath" . www.vision-systems.com . Consultado el 27 de diciembre de 2020 .
- ↑ A. Rodríguez-Vázquez, G. Liñán-Cembrano, L. Carranza, E. Roca-Moreno, R. Carmona-Galán, F. Jiménez-Garrido, R. Domínguez-Castro y S. Meana, "ACE16k: The Tercera generación de chips ACE SIMD-CNN de señal mixta hacia VSoC, "IEEE Trans. sobre circuitos y sistemas - I, 51 (5): 851-863, 2004.
- ^ Roska, T .; Balya, D .; Lazar, A .; Karacs, K .; Wagner, R .; Szuhaj, M. (mayo de 2006). "Aspectos del sistema de un anteojo biónico" . Simposio internacional sobre circuitos y sistemas del IEEE 2006 : 4 págs. – 164. doi : 10.1109 / ISCAS.2006.1692547 . ISBN 0-7803-9389-9. S2CID 3842486 .
- ^ K. Karacst y T. Roskatt, "Reconocimiento de número de ruta de vehículos de transporte público a través de la lente biónica", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ R. Wagner y M. Szuhajt, "Procesamiento del color en gafas biónicas portátiles"
- ^ a b C. Wu y C. Cheng, " El diseño de la red neuronal celular con memoria de relación para el reconocimiento y el aprendizaje de patrones ", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- ^ W. Yen, R. Chen y J. Lai, " Diseño de redes neuronales celulares Min / Max en tecnología CMOS " (IEEE), Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ W. Yen y C. Wu, "El diseño de la estructura de la red neuronal celular (CNN) del transistor de unión neurona-bipolar (vBJT) con plantilla de capa de vecindario múltiple", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000 .
- ^ F. Sargeni, V. Bonaiuto y M. Bonifazi, "Arquitectura multiplexada Star-CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ Z. Nagyt, Z. Voroshazi y P. Szolgay, "Una implementación del modelo de retina de mamíferos en tiempo real en FPGA", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ S. Kocsardit, Z. Nagyt, S. Kostianevt y P. Szolgay, "Implementación basada en FPGA de inyección de agua en estructura geotérmica", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ P. Arena, L. Fortuna, G. Vagliasindi y A. Basile, "Chip CNN y FPGA para explorar la complejidad", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ W. Fang, C. Wang y L. Spaanenburg, "En busca de un sistema CNN digital robusto" Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ Z. Kincsest, Z. Nagyl y P. Szolgay, "Implementación de CNN-UM digital emulado de corredor de plantilla no lineal en FPGA", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ W. Porod, F. Werblin, L. Chua, T. Roska, A. Rodríguez-Vázquez, B. Roska, R. Faya, G. Bernstein, Y. Huang y A. Csurgay, "Bio-Inspired Nano- Sensor-Enhanced CNN Visual Computer ", Anales de la Academia de Ciencias de Nueva York, 1013: 92–109, 2004.
- ^ O. Lahdenoja, M. Laiho y A. Paasio, "Extracción de vectores de características de patrones binarios locales con CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ L. Torok y A. Zarandy, "Algoritmo de constancia del color basado en CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ L. Orzo, "Optimal CNN Templates for Deconvolution", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006
- ^ P. Venetianer y T. Roska, "Compresión de imágenes por redes neuronales celulares", IEEE Trans. Circuits Syst., 45 (3): 205-215, 1998.
- ^ R. Dogarut, R. Tetzlaffl y M. Glesner, "Genes CNN semi-totalistas para la compresión de imágenes compactas", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ a b Y. Cheng, J. Chung, C. Lin y S. Hsu, "Estimación de movimiento local basada en tecnología de red neuronal celular para procesamiento de estabilización de imagen", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ A. Gacsadi, C. Grava, V. Tiponut y P. Szolgay, "Una implementación de CNN del método de estimación de movimiento de Horn & Schunck", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ S. Chen, M. Kuo y J. Wang, "Segmentación de imágenes basada en votación por consenso", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ G. Grassi, E. Sciascio, A. Grieco y P. Vecchio, "Un nuevo algoritmo de segmentación orientado a objetos basado en CNN - Parte II: Evaluación del rendimiento", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ J. Wu, Z. Lin y C. Liou, "Formación y variabilidad de mapas de preferencia de orientación en la corteza visual: un enfoque basado en matrices gaussianas normalizadas", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ C. Wu y S. Tsai, "Red no lineal autónoma de memoria de relación (ARMCNN) para el reconocimiento y el aprendizaje de patrones", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ G. Timar y C. Rekeczky, "Aplicaciones de seguimiento de objetivos múltiples de la plataforma Bi-I: selección de atención, seguimiento y navegación", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ T. Otake, T. Konishi, H. Aomorit, N. Takahashit y M. Tanakat, "Mejora de resolución de imagen a través de red neuronal celular discreta de dos capas", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ A. Gacsadi y P. Szolgay, "Métodos de pintura de imagen mediante el uso de redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ B. Shi, T. Roska y L. Chua, "Estimación del flujo óptico con redes neuronales celulares", Revista internacional de teoría y aplicaciones de circuitos, 26: 344-364, 1998.
- ^ Szalka, G. Soos, D. Hillier, L. Kek, G. Andrassy y C. Rekeczky, "Análisis de firma espacio-tiempo de ecocardiogramas 2D basados en técnicas topográficas de contorno activo celular", Taller internacional sobre redes neuronales celulares y Sus aplicaciones, 2006.
- ^ T. Szabot y P. Szolgay, "Métodos basados en CNN-UM que utilizan contornos deformables en límites suaves", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ G. Costantini, D. Casali y R. Perfetti, "Detección de objetos en movimiento en una secuencia de video binocular", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ G Costantini, D. Casafi. Y R. Perfetti, "Un nuevo método basado en CNN para la detección del eje de simetría". Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ I. Szatmari, P. Foldesy, C. Rekeczky y A. Zarandy, "Biblioteca de procesamiento de imágenes para la computadora Aladdin", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ I. Szatmari, P. Foldesy, C. Rekeczky y A. Zarandy, "Biblioteca de procesamiento de imágenes para la computadora visual Aladdin", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ K. Wiehler, M. Perezowsky, R. Grigat, "Un análisis detallado de diferentes implementaciones de CNN para un sistema de procesamiento de imágenes en tiempo real", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- ^ L. Bertucco, A. Fichaa, G. Nmari y A. Pagano, "Un enfoque de redes neuronales celulares para el análisis de imágenes de llamas para el monitoreo de combustión", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- ^ C. Baldanza, F. Bisi, M. Bruschi, I. D'Antone, S. Meneghini, M. Riui, M. Zufa, "Una red neuronal celular para la búsqueda de picos en la física de altas energías", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- ^ E. Bilgili, O. Ucan, A. Albora e I. Goknar, "Separación de anomalías potenciales mediante redes neuronales celulares entrenadas genéticamente", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ C. Rekeczky y G. Timar "Detección y localización de múltiples puntos láser dentro de un marco de fusión de sensores impulsado por la atención", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ Z. Szlavikt, R. Tetzlaff, A. Blug y H. Hoefler, "Inspección visual de objetos metálicos mediante redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ R. Dogaru e I. Dogaru, "Autenticación biométrica basada en la resonancia perceptiva entre los patrones emergentes de CNN y los humanos", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ T. Su, Y. Du, Y. Cheng y Y. Su, "Un sistema de reconocimiento de huellas dactilares mediante redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ S. Xavier-de-Souza, M. Van Dyck, J. Suykens y J. Vandewalle, "Seguimiento facial rápido y robusto para chips de CNN: aplicación a la conducción en silla de ruedas", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ Q. Feng, S. Yu y H. Wang, "Un nuevo método automático de recuento de células nucleadas con redes neuronales celulares mejoradas (ICNN)", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ D. Krug, A. Chernihovskyi, H. Osterhage, C. Elger y K. Lehnertz, "Estimación de la sincronización generalizada en la actividad eléctrica cerebral de pacientes con epilepsia con redes celulares no lineales", Taller internacional sobre redes neuronales celulares y sus aplicaciones , 2006.
- ^ C. Niederhoefer y R. Tetzlaff, "¿Perfiles de error de predicción que permiten un pronóstico de convulsiones en la epilepsia?", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ E. David, P. Ungureanu y L. Goras, "Sobre el rendimiento de extracción de funciones de filtros tipo Gabor en aplicaciones de reconocimiento de texturas", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ C. Lin y S. Chen, "Procesamiento visual biológico para la detección de límites de textura de orden híbrido con CNN-UM", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ M. Haenggi, "Redes de sensores-actuadores móviles: oportunidades y desafíos", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ D. Balya y V. Galt, "Implementación analógica del algoritmo genético", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ Asli, AE Niaraki; Roghair, J .; Jannesari, A. (11 de marzo de 2020). "Selección de objetivos conscientes de la energía y planificación de rutas de sistemas UAV a través del aprendizaje por refuerzo". arXiv : 1909.12217 [ eess.SP ].
- ^ I. Gavrilut, V. Tiponut y A. Gacsadi, "Planificación de rutas de robots móviles mediante el uso de redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ P. Arena, P. Crucitti, L. Fortuna, M. Frasca, D. Lombardo y L. Patane, "Patrones perceptivos para robots móviles a través de RD-CNN y aprendizaje por refuerzo", Taller internacional sobre redes neuronales celulares y su Aplicaciones, 2006.
- ^ P. Arena, A. Basile, L. Fortuna, ME Yalcin y J. Vandewalle, "Marca de agua para la autenticación de video en CNN-UM", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ K. Slot, P. Korbe, M. Gozdzik y Hyongsuk Kim, "Detección de patrones en espectrogramas mediante redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ a b D. Balya y B. Roska, "Un práctico dispositivo de exploración de retina", Taller sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ C. Dominguez-Matas, R. Carmona-Galan, F. Sanchez-Fernaindez, J. Cuadri y A. Rodriguez-Vaizquez, "Un chip frontal de visión bioinspirado con procesamiento espacio-temporal y captura de imagen adaptativa" , Taller internacional sobre arquitectura informática para la percepción y detección de máquinas, 2006.
- ^ A. Zarandy y C. Rekeczky, "Bi-i: un sistema de visión celular independiente de ultra alta velocidad", IEEE Circuits and Systems Magazine, 5 (2): 36-45, 2005.
- ^ W. Samarrai, J. Yeol, I. Bajis y Y. Ryu, "Modelado de biología del sistema del proceso de proteínas mediante autómatas finitos deterministas (DFA)", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ V. Mladenovt y A. Slavoval, "Sobre las soluciones del período en redes neuronales celulares unidimensionales basadas en las uniones de Josephson", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ K. Huang, C. Chang, W. Hsieh, S. Hsieh, L. Wang y F. Tsai, "Red neuronal celular para selección de horizonte sísmico", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- ^ P. Lopez, D. Vilarino, D. Cabello, H. Sahli y M. Balsi, "Modelado térmico basado en CNN del suelo para la detección de minas anitpersonal", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- ^ H. Ip, E. Drakakis y A. Bharath, "Hacia matrices VLSI analógicas para filtrado espaciotemporal 3D no separable", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ P.Arena, L. Fortuna, M. Frasca, L. Patane y M. Pollino, "Un controlador de robot autónomo mini-hexápodo a través de un chip VLSI basado en CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- ^ A. Adamatzky , P. Arena, A. Basile, R. Carmona-Galán, B. Costello, L. Fortuna, M. Frasca y A. Rodríguez-Vázquez, "Control de robot de navegación de reacción-difusión: de la sustancia química al VLSI Procesadores analógicos ", IEEE Trans. Sobre circuitos y sistemas - I, 51 (5): 926-938, 2004.
- ^ L. Chua, L. Yang y KR Krieg, "Procesamiento de señales mediante redes neuronales celulares", Revista de procesamiento de señales VLSI, 3: 25-51, 1991.
- ^ L. Chua, "La actividad local es el origen de la complejidad", Int'l Journal of Bifurcation and Chaos, 15 (11): 3435-2456, 2005.
- ^ S. Lloyd, Programación del universo, 2006.
Referencias
- Las conferencias Chua: una serie de 12 partes con Hewlett Packard Labs [1]
- D. Balya, G, Tímar, G. Cserey y T. Roska, "Un nuevo modelo computacional para CNN-UM y su complejidad computacional", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2004.
- L. Chua y L. Yang, "Redes neuronales celulares: teoría", IEEE Trans. sobre circuitos y sistemas, 35 (10): 1257-1272, 1988. [2]
- L. Chua y L. Yang, "Redes neuronales celulares: aplicaciones" IEEE Trans. sobre circuitos y sistemas, 35 (10): 1273: 1290, 1988.
- L. Chua, T. Roska, Redes neuronales celulares y computación visual: fundamentos y aplicaciones, 2005.
- V. Cimagalli, M. Balsi, "Redes neuronales celulares: una revisión", Redes neuronales WIRN Vietri, 1993.
- S. Majorana y L. Chua, "Un marco unificado para CNN multicapa de alto orden", Revista Internacional de Teoría y Aplicaciones de Circuitos, 26: 567-592, 1998.
- T. Roska, L. Chua, "La máquina universal de CNN: una computadora de matriz analógica", IEEE Trans. sobre circuitos y sistemas-II, 40 (3): 163-172, 1993.
- T. Roska y L. Chua, "Redes neuronales celulares con elementos de plantilla de tipo retardado y no lineal y cuadrículas no uniformes", Revista internacional de teoría y aplicaciones de circuitos, 20: 469-481, 1992.
- K. Yokosawa, Y. Tanji y M. Tanaka, "CNN with Multi-Level Hysteresis Quantization Output" Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- T. Nakaguchi, K. Omiya y M. Tanaka, "Redes neuronales celulares de histéresis para resolver problemas de optimización combinatoria", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- K. Crounse, C. Wee y L. Chua, "Diseño de filtros espaciales lineales para la implementación en la máquina universal CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- J. Poikonen1 y A. Paasio, "Reconstrucción morfológica en escala de grises asincrónica tolerante a la discordancia", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- M. Gilli, T. Roska, L. Chua y P. Civalleri, "CNN Dynamics Representa una clase de rango más amplio que las PDE", Int'l Journal of Bifurcations and Chaos, 12 (10): 2051-2068, 2002.
- Fangyue Chen, Guolong He, Xiubin Xu y Guanrong Chen , "Implementación de funciones booleanas arbitrarias a través de CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- R. Doguru y L. Chua , "CNN Genes for One-Dimensional Cellular Automata: A Multi-Nested Piecewise-Linear Approach", Int'l Journal of Bifurcation and Chaos, 8 (10): 1987-2001, 1998.
- R. Dogaru y L. Chua, "Universal CNN Cells", Int'l Journal of Bifurcations and Chaos, 9 (1): 1-48, 1999.
- R. Dogaru y LO Chua, "Emergencia de organismos unicelulares de un autómata celular generalizado simple", Int'l Journal of Bifurcations and Chaos, 9 (6): 1219-1236, 1999.
- T. Yang, L. Chua, "Implementación del algoritmo de aprendizaje de retropropagación a través del tiempo utilizando redes neuronales celulares", Revista Internacional de Bifurcaciones y Caos, 9 (6): 1041-1074, 1999.
- J. Nossek, G. Seiler, T. Roska y L. Chua, "Redes neuronales celulares: teoría y diseño de circuitos", Revista internacional de teoría y aplicaciones de circuitos, 20: 533-553, 1998.
- A. Zarandry, S. Espejo, P. Foldesy, L. Kek, G. Linan, C. Rekeczky, A. Rodríguez-Vazquez, T. Roska, I. Szatmari, T. Sziranyi y P. Szolgay, "CNN Technology in Action ", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- L. Chua, L. Yang y KR Krieg, "Procesamiento de señales mediante redes neuronales celulares", Journal of VLSI Signal Processing, 3: 25-51, 1991.
- T. Roska, L. Chua, "La máquina universal de CNN: una computadora de matriz analógica", IEEE Trans. sobre circuitos y sistemas-II, 40 (3): 163-172, 1993.
- T. Roska y A. Rodríguez-Vázquez, "Revisión de las implementaciones CMOS de los microprocesadores visuales tipo máquina universales de CNN", Simposio internacional sobre circuitos y sistemas, 2000
- T. Roska, "Cellular Wave Computers and CNN Technology - a SoC architecture with xK Processors and Sensor Arrays", Conferencia internacional sobre diseño asistido por computadora, documento aceptado, 2005.
- K. Karahaliloglu, P. Gans, N. Schemm y S. Balkir, "Sensor óptico integrado CNN para aplicaciones computacionales en tiempo real", IEEE Int'l Symposium on Circuits and Systems, págs. 21-24, 2006.
- C. Wu y C. Cheng, "El diseño de redes neuronales celulares con memoria de relación para el aprendizaje y el reconocimiento de patrones", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- W. Yen, R. Chen y J. Lai, "Diseño de redes neuronales celulares mínimas / máximas en tecnología CMOS", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- Z. Gallias y M. Ogorzalek, "Influencia de la no uniformidad del sistema en el fenómeno dinámico en matrices de redes acopladas no lineales", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002
- A. Paasio y J. Poikonen, "CNN anidada digital programable", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- M. Hanggi, R. Dogaru y L. Chua, "Modelado físico de células CNN basadas en RTD", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- Z. Voroshazi, Z. Nagy, A. Kiss y P. Szolgay, "Implementación de una unidad de programación analógica global CNN-UM integrada en FPGA", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- A. Loncar, R. Kunz y R. Tetzaff, "SCNN 2000 - Parte I: Estructuras y características básicas del sistema de simulación para redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- V. Tavsanoglu, "Método iterativo de Jacobi para resolver ecuaciones lineales y la simulación de CNN lineal", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- B. Shi, "Estimación del estado estable usando recursiones hacia adelante y hacia atrás", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- S. Tokes, L. Orzo y A. Ayoub, "OASLM programable como una nueva computadora celular sensora", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- J. Flak, M. Laiho1 y K Halonen, "Célula CNN programable basada en transistores SET", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- A. Zarandry, S. Espejo, P. Foldesy, L. Kek, G. Linan, C. Rekeczky, A. Rodríguez-Vazquez, T. Roska, I. Szatmari, T. Sziranyi y P. Szolgay, "CNN Technology in Action ", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- L. Chua, S. Yoon y R. Dogaru, "Una perspectiva dinámica no lineal del nuevo tipo de ciencia de Wolfram. Parte I: Umbral de complejidad", Int'l Journal of Bifurcation and Chaos, 12 (12): 2655-2766, 2002.
- P. Ecimovic y J. Wu, "Mejora del contraste impulsada por el retardo utilizando una red neuronal celular con retardo dependiente del estado", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- H. Aomori, T. Otaket, N. Takahashi y M. Tanaka, "Un modulador sigma delta de dominio espacial utilizando redes neuronales celulares de tiempo discreto", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- H. Kim, H. Hijo. J. Lee, I. Kim y I. Kim, "Un decodificador de Viterbi analógico para PRML usando circuitos de procesamiento paralelo analógico de la CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- S. Chen, M. Kuo y J. Wang, "Segmentación de imágenes basada en la votación por consenso", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- Y. Cheng, J. Chung, C. Lin y S. Hsu, "Estimación del movimiento local basada en la tecnología de redes neuronales celulares para el procesamiento de estabilización de imágenes", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- P. Korbel y K. Slot, "Modelado de límites entre nodos elásticos en la implementación basada en redes neuronales celulares del paradigma de la cuadrícula deformable", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- C. Amenta, P. Arena, S. Baglio, L. Fortuna, D. Richiura, M.Xibilia y L. Vu, "SC-CNN para la fusión y el control de datos de sensores en estructuras distribuidas en el espacio", Taller internacional sobre celulares Redes neuronales y sus aplicaciones, 2000.
- T. Su, Y. Du, Y. Cheng y Y. Su, "Un sistema de reconocimiento de huellas dactilares que utiliza redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- M. Bucolo, L. Fortuna, M. Frasca, M. La Rosa, D. Shannahoff-Khalsa, "Un sistema basado en CNN para separar fuentes ciegas de señales MEG", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002 .
- F. Dohler, A. Chernihovskyi, F. Mormann, C. Elger y K. Lehnertz, "Detección de alteraciones estructurales en el cerebro utilizando una clasificación basada en redes neuronales celulares de imágenes de resonancia magnética", Taller internacional sobre redes neuronales celulares y Sus aplicaciones, 2006.
- L. Fortuna, P. Arena, D. Balya y A. Zarandy, "Cellular Neural Networks: A Paradigm for Nonlinear Spatio-Temporal Processing", IEEE Circuits and Systems Magazine, 1 (4): 6-21, 2001.
- L. Goras, L. Chua y D. Leenearts, "Patrones de Turing en las CNN - Parte I: Una vez más a la ligera", IEEE Trans. sobre circuitos y sistemas - I, 42 (10): 602-611, 1995.
- L. Goras, L. Chua y D. Leenearts, "Patrones de Turing en las CNN - Parte II: Ecuaciones y comportamiento", IEEE Trans. sobre circuitos y sistemas - I, 42 (10): 612-626, 1995.
- L. Goras, L. Chua y D. Leenearts, "Patrones de Turing en las CNN - Parte III: Resultados de la simulación por computadora", IEEE Trans. sobre circuitos y sistemas - I, 42 (10): 627-637, 1995.
- L. Kornatowski, K. Slot, P. Dȩbiec y H. Kim, "Generación de patrones con propiedades estadísticas predefinidas utilizando redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- C. Lin y S. Chen, "Procesamiento visual biológico para la detección de límites de textura de orden híbrido con CNN-UM", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- G. Costantini, D. Casali y M. Carota, "Un método de clasificación de patrones basado en una plantilla de CNN de variación espacial", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- T. Roska y LO Chua, "The CNN Universal Machine: 10 Years Later, Journal of Circuits, Systems, and Computers", Int'l Journal of Bifurcation and Chaos, 12 (4): 377-388, 2003.
- R. Bise, N. Takahashi y T. Nishi, "Sobre el método de diseño de redes neuronales celulares para memorias asociadas basadas en un problema de valor propio generalizado", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- I. Szatmhri, "La implementación de una métrica de onda no lineal para el análisis y la clasificación de imágenes en el chip CNN-UM de E / S 64x64", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- P. Arena, L. Fortuna, M. Frasca y L. Patane, "Generadores de patrones centrales basados en CNN con retroalimentación sensorial", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- R. Caponetto, L. Fortuna, L. Occhipiniti y MG Xibilia, "Generación de señales caóticas de SC-CNN", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- R. Chen y J. Lai, "Cifrado de datos usando autómatas celulares 2-D no uniformes de Von Neumann", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2005.
- A. Chernihovskyi, C. Elger y K. Lehnertz, "Efecto del acoplamiento difusivo inhibitorio en la selectividad de frecuencia de medios excitables simulados con redes neuronales celulares", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- P. Arena, M. Bedia, L. Fortuna, D. Lombardo, L. Patane y M. Velardet, "Patrones espacio-temporales en CNN para la clasificación: el principio de competencia sin ganadores", Taller internacional sobre redes neuronales celulares y Sus aplicaciones, 2006.
- V. Pérez-Munuzuri, AP Munuzuri, M. Gómez-Gesteria, V. Pérez-Villar, L. Pivka y L. Chua, "Ondas no lineales, patrones y caos espacio-temporal en redes neuronales celulares", Phil. Trans. R. Soc. Lond. A, (353): 101-113, 1995.
- M. Ercsey-Ravasz, T. Roska y Z. Neda, "Generador de números aleatorios y simulaciones tipo Monte Carlo en el CMM-UM", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2006.
- P. Szolgay, T. Hidvegi, Z. Szolgay y P. Kozma, "Una comparación de las diferentes implementaciones de CNN para resolver el problema de la dinámica espacio-temporal en sistemas mecánicos", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2000.
- R. Brown y L. Chua, "Chaos or Turbulence", Revista Internacional de Bifurcación y Caos, 2 (4): 1005-1009, 1992.
- M. Gilli, F. Corinto y P. Checco, "Oscilaciones periódicas y bifurcaciones en redes celulares no lineales", IEEE Trans. sobre circuitos y sistemas - I, 51 (5): 948-962, 2004.
- KA Richardson, "Teoría de sistemas y complejidad: Parte 1", Emergencia: Complejidad y organización, 6 (3): 75-79.
- KA Richardson, "Teoría de sistemas y complejidad: Parte 2", Emergencia: Complejidad y organización, 6 (4): 77-82.
- KA Richardson, "Teoría de sistemas y complejidad: Parte 3", Emergencia: Complejidad y organización, 7 (2): 104-114.
- P. Anderson, "Emergence", Actas de la Segunda Conferencia Internacional sobre Sistemas Complejos, 2004.
- K. Mainzer, "CNN y la evolución de los sistemas de información complejos en la naturaleza y la tecnología", Taller internacional sobre redes neuronales celulares y sus aplicaciones, 2002.
- L. Chua, "La actividad local es el origen de la complejidad", Int'l Journal of Bifurcation and Chaos, 15 (11): 3435-2456, 2005.
- P. Arena, M. Bucolo, S. Fazzino, L. Fortuna, M. Frasca, 'El paradigma de CNN: formas y complejidad', Revista Internacional de Bifurcaciones y Caos (2005), vol. 15, núm. 7, págs. 2063–2090 - World Scientific.
enlaces externos
- Página de inicio de Eutecus