Тезисы докладов

Математическая кибернетика

Клеточно-нейронные сети (КНС) впервые были предложены L.O.Chua [1] в 1988 году и могут рассматриваться как гибрид клеточных автоматов и искусственных нейронных сетей. Они представляет собой множество клеток, обычно расположенных в узлах пространственной решетки. Каждая клетка имеет взвешенные связи только со своим ближайшим окружением, и характеризуется внутренним состоянием, выходом и, возможно, смещением. На первом этапе все клетки устанавливаются в начальное состояние, после чего начинается итеративный процесс вычислений в сети. В этой работе будут исследоваться дискретные модели, все клетки которых функционируют синхронно, меняя свое внутреннее состояние в зависимости от взвешенной суммы, вычисляемой от состояния выходов соседей. Выход клетки получается как нелинейная функция от ее внутреннего состояния.

Порядок КНС определяется числом уравнений, описывающих функционирование клетки. КНС первого порядка при определенных условиях приходят в устойчивое состояние, и моделируют реактивно- диффузионные процессы возникновения диссипативных структур. Экспериментально показано, что при некоторых значениях весов связей КНС формирует устойчивые состояния, напоминающие раскраску животных, рыб, насекомых, а при больших размерах соседства клетки получаемые образы имеют еще более сложную структуру [2]. Отсюда интерес к таким КНС, поскольку они позволяют понять механизмы возникновения подобных структур, и служить инструментом для их формирования.

В работе исследуются однородные КНС первого порядка, анализируются свойства устойчивых состояний. Решается проблема синтеза однородных сетей по примеру устойчивого состояния с использованием идей метода персептрона, поскольку он, как это показано в [3], обладает наилучшими способностями по хранению информации среди существующих методов обучения КНС. Разрабатывается метод обучения для работы с образами, имеющими произвольные оттенки серого. Получены интересные результаты, касающиеся единственности получаемого решения. Решение проблемы синтеза КНС актуально с точки зрения возможностей моделирования тех явлений экологии, биологии, химии, для которых пока еще нет математических уравнений.

Литература:

1. L.O.Chua, L.Yang. "Cellular Neural Networks: Theory and Application" // IEEE Trans. Circuits and Systems, CAS-35, 1257-1290 (1988).
2. Leon O.Chua. CNN: a Paradigm for Complexity. World Scientific, Series on Nonlinear Science, Vol. 31, 1998.
3. S.Pudov. "Comparative Analysis of Learning Methods of Cellular-Neural Associative Memory" // Lecture Notes in Computer Science, 1662, 1999, pp.108-119.

Примечание. Тезисы докладов публикуются в авторской редакции

Ваши комментарии

[Головная страница] [Конференции] [СО РАН]

© 2001, Сибирское отделение Российской академии наук, Новосибирск
© 2001, Объединенный институт информатики СО РАН, Новосибирск
© 2001, Институт вычислительных технологий СО РАН, Новосибирск
© 2001, Институт систем информатики СО РАН, Новосибирск
© 2001, Институт математики СО РАН, Новосибирск
© 2001, Институт цитологии и генетики СО РАН, Новосибирск
© 2001, Институт вычислительной математики и математической геофизики СО РАН, Новосибирск
© 2001, Новосибирский государственный университет
Дата последней модификации 06-Jul-2012 (11:45:21)