田中 衞

本報告では、区分線形ヒステリシスを含むニューラルタイプ発振器の同期現象を解析する。解析法は、本系に適応できる厳密解を基にした高速計算法を用いた。これまでに本系が呈する周期解等に関して解析を行なってきた。しかしながらこれらの解析結果は全てのセルが同一の時定数を有している場合のみであり、それぞれのセルが異なる時定数を有する場合に関しては行なわれていない。本報告では時定数の異なるセルで構成される系を提案し、その解析を行なう。そして分岐現象に関して理論的解析を行なった。

マニピュレーターの運動軌道が目標軌道を追従するために必要な制御トルクをフィードフォワードニューラルネットワークの重みを制御と同時に連続的に変化させ,制御に必要なトルクを各瞬間において獲得できるシステムが参考文献[1]に示されている 今回は,リカレントネットワークに参考文献[1]で示されているフィードフォワードネットワークから得られる制御トルクのダイナミクスを学習させるシミュレーションを行なった.

本論文では非対称なAテンプレートを用いた離散時間型セルラーニューラルネットワークを提案する。その応用例として明暗の2状態のみをとることができる強誘電液晶をもちいた面積階調型液晶ディスプレイ(FLCD)上にダイナミクスにより、入力画像を投影する手法を示す。この際各面積要素を考慮するため、非対称ダイナミクスが必要となる。

全ての素子のパラメータが一様で相互に結合した簡素なヒステリシスネット(Simple Hysteresis Network 以下SHNと略す)が呈するハイパーカオスについて報告する。SHNは相互結合、自己結合、直流分の3個のみをパラメータとして有する。単体のヒステリシス素子はパラメータにより無安定、単安定、双安定の状態を有し安定平衡点アトラクタ、周期アトラクタが存在するが、単体ではカオス等の非周期アトラクタは存在しない。しかしながらこのような素子を複数個を一様に結合させた系において非周期アトラクタを呈することを我々はこれまでに発見し報告した。本報告では SHNがハイパーカオスを呈することを示し、同期現象との関係に関して考察を行う。

本論文では、X Window上で動作する回路シミュレータの解析アルゴリズム及び、この回路シミュレータを使った水道管ネットワークについて述べる.回路のDC解析、過渡解析では、大規模な連立一次方程式をとく必要があり,その解法は、LU分解に代表される直接法とガウス-サイデル法による緩和法の2つに大別される.この回路シミュレータでは、直接法、緩和法、何れもシミュレーションが実行可能であり,今回この回路シミュレータを用いて、水道管ネットワークの解析を行なった.

本報告では離散時間型セルラーニューラルネットワーク(DT-CNN)の面積階調法への適用について提案する.また,DT-CNNによる面積階調法での形状効果について,その出現方法および対処法などを考察する.

離散時間型セルラーニューラルネットワーク(DT-CNN)による画像処理について考察する。本報告では高品質な出力画像を得るため,多値出力が可能なDT-CNNについて考える。また新たな階調変換法を提案する。

離散時間型セルラーニューラルネットワーク(DTCNN)を用いたブロックマッチングにより文字抽出をし、マッチ度の分布の中から得られる最大値を競合ネットワークの数理モデルと共に, そのダイナミクスを用いて最大検出するための応用を述べる.

簡潔な区分線形2値ヒステリシスを含む連続時間型ニューラルネットワーク(SHN)の実装回路をVLSI化を念頭において提案する.これは,電圧制御型SHN発振器の改良版であり,複数のセルを接続してニューラルネットワークを実現することを目的としている.また本稿では電圧モードでなく電流モードで動作するような回路を考案した.このネットワークを用いるとA/DコンバータやWinner Take All 回路などに応用が可能である.今回は量子化器に利用するための回路を考案し,その動作をSPlCEでシミュレーションした.

以前、我々は一様な結合荷重を有するSimple Hysteresis Network ( SHN )を提案、解析を行なった。本報告ではSHNを一般化し、結合荷重をある一つの2値ベクトルの相関行列により与えたGeneralized Simple Hysteresis Network ( GSHN ) を提案する。GSHNに存在するアトラクタは自己結合荷重と入力により変化することを明らかにし、系に存在するアトラクタが全て安定平街点である場合に関して解析を行なう。そして系に存在する安定平街点の種類とその個数、各安定平衡点の収束領域を明らかにする。更にGSHNの結果に基づき結合荷重に制限を与えないネットについて考察を行ない、その応用例としてヒステリシス量子化器を紹介する。

これまでに, 我々は離散時間型セルラーニューラルネットワーク(DT-CNN)についてさまざまな研究を行なってきた. しかしながら, DT-CNNが連続時間型セルラーニューラルネットワーク(CT-CNN)と同等の機能を有することは示していない. そこで本報告ではCT-CNNと同等の機能を有するDT-CNNにおける各種のテンプレートを示す. さらに, DT-CNNを用いたブロックマッチングによる文字抽出について良好な結果が出たので報告する. またこの文字抽出では文字認識も同時に行なえることを報告する.

区分線形2値ヒステリシスを含む連続時間型アナログセルラーニューラルネットワークの実装回路をVLSI化を念頭において提案する. このネットワークはニューラルタイプオシレータを基本としており、安定平衡点、周期解、非周期解などの多彩な現象を呈し、これらを情報と対応付けることが出来ればより多機能なニューラルネットの実現が可能である。さらにこのネットワークでA/DコンバータやWinner Take All回路などにも応用も可能である. 本論文ではこのネットワークの実装回路を比較的簡潔なMOS回路で構成し, セル単体の発振をSPICEでシミュレーションした.

シリコン網膜はニューロンが局所的に接続されたセルラーニューラルネット(CNN)によって実現される.本研究では,CNNのダイナミクスによって,2枚のステレオ画像から3次元の情報を得る奥行き知覚について述べる.送信側で左右の画像の差をCNNによる構造圧縮と面積階調による量子化の圧縮を行う。受信側では,これを逆変換し,ブロックマッチングにより奥行き情報を得る.

本論文は、従来、有限体GF(2)のハミング距離上で論じられきた線形符号理論を、実数体のユークリッド距離上で定義されれるアナログ符号理論に拡張する2つのSophia方式(既提案)を簡単にまとめる。方式1は、既約接続行列Aをパリティ検査行列Hに対応させる方式で、方式2は、有限体GF(2)のパリティ検査行列Hをそのまま転用する方式である。情報圧縮を目的とする場合は、情報系列の変化分を誤りeとして、これをHで写像したシンドロームのみを伝送し、誤り訂正を目的とする場合は、情報系列に冗長系列を加わえた符号を伝送または記憶することになる。符号復号化方式は、CNNの状態方程式で表現される。

これまでに我々は一様な相互結合を持ち、制御パラメータが2個のみの簡素なヒステリシスニューラルネットを提案し、解析を行ってきた。そして簡素なヒステリシスネットに存在するアトラクタの個数、その収束領域を完全に解明した。本報告ではこの簡素なヒステリシスネットを拡張し、結合係数行列の各行が一様であるようなヒステリシスネットを提案し、本系に存在するアトラクタとその収束領域について解析する。アナログ入力値の大きさによりパターンを想起する連想メモリを提案する。更に本連想メモリを利用した面積階調システムを提案する。

本論文では,このセルラーニューラルニューラルネットワーク(CNN)を現状のエレクトロニクス技術で実現するためには,離散時間で動作させるデジタルCNNが不可欠であると考え,デジタル技術を用いた離散時間型セルラーニューラルネットワーク(DTCNN)を採用し,その理論的な意味づけとそのアプリケーションについての考察を行なった.アプリケーションとして,表示可能な色数が限定されたディスプレイに静止画像や動画像を表示するためのDTCNN について述べている.

本論文はハミング符号理論をアナログ符号理論に拡張し, OP-AM(Orthogonal Projection type of Associative Memory : 直交射影型連想記憶)モデルの理論を利用した直交射影型ニューラルネットワーク(OPNN)の直交射影ダイナミクスと競合ネットニ-クのwinner-take-all(WTA)機能を組み合わせたネットワークモデルを設計し、アナログ誤り訂正を可能とした.

この論文では、セルラニューラルネットワークを用いて静止画像の2値化、復号化を行なう際に画素の近傍の相関関係に応じてテンプレートの大きさを変える方法とそのシミュレーション結果について述べる.これにより従来の固定テンプレートを用いるものよりもエッジを強調しより良い復元画像を得ることが期待できる.

最近,CRTにかわる画像表示装置として強誘電性液晶ディスプレイ(FLCD)が注目されている.FLCDは原理的に2つの分子配向により,明暗の2状態のみを使って各出力画素を構成する.このような表示可能な色数が限定されたディスプレイに静止画像および動画像を表示する場合,それに適した量子化変換が必要である.この場合の量子化変換は,ある近傍内での量子化された画素値の総和が原画像の画素値に等しくなるように行なわれなければならない.本論文では,離散時間型セルラーニューラルネットワーク(DTCNN)を用いて,静止画像および動画像の多値化を行なった.

・Analogic CNN ノイマン型計纂機は、万能的に情報の処理を可能にするが、認識のような複雑な機能を並列処理で行なうことはむつかしい。そこで、単純な画路から生成する複雑なダイナミクス(動力学)を利用して命令数の少ない非ノイマン型Universal Machine(UM)を構築することが重要となる。我々は、網膜から大脳視覚野に至る視覚情報処理系のように、センサー処理、画像処理、表示処理がすべて一体となった並列処理伝送系のUMを構築することをめざしている。CNNによるUMは,セルが局所的に接続された非線形なAnalogicな回路である。Cellular Automataと異なる点は、状態が実数であって、系は徹分方程式によって記述されることである。CNNは、視覚情報処理系の分野で重要な応用を持っている。すなわち、光情報に対しても、高度なAD変換器の逐次動作を使用せずに、デジタル情報に並列に変換し、並列に記憶または伝送し、さらに、認識のような汎化処理の結果を表示する。CNNによるアナログ処理の利点は、センサーとの結合性がよいこと、電圧や電流の分布が高速であり、全体の情報を即座に得ることができること、積和の演算は、電流和で並列処理的に簡単に形成できることである。M×NのCNNの各セルC(i,j)は、コンデンサC、抵抗R^xおよぴ区分線形な非線形素子から構成される。電圧x_<ij>は状態、電圧u_<ij>は入力、電圧y_<ij>は出力とする。セルC(i,j)の状態方程式は、r-近傍系N_r(i,j)に対して、次のように表現される。[numerical formula]CNNのダイナミクスは、出力フィードパックと入力フィードフォワードの両方のメガニズムを持っている。前者はA-TemplateA(i,j;k,l)に依存し、後者はB-TemplateB(i,j;k,l)に依存する。これらのTemplatesはプログラム可能なパラメータである。[numerical formula]を満足するならば、CNNの各セルは1つの安定平衡点に収束する。そして、次式が成立する。[numerical formula]この定理によって、CNNは、アナログ画像を並列かつダイナミックに量子化して、ピクセル値として-1と1を持つ2値画像を出カする。一定な安定状態に収束することは、CNNのエネルギー関数[numerical formula]の単調減少性[numerical formula]によって、保証される。定理を満足しなければ、出力は、アナログ値に落ち着くか、周期解、概周期解、あるいは、カオスとなる。以上が、ChuaのOriginalなCNN理論[ie^3,Oct,1988]である。

この論文では,より簡単かつ高速にカオティックな挙動を発生させる回路についての数式モデルについて提案する.回路は簡単で,カオスを発生させるパラメータとして,クロック周波数を用い,それによる分岐現象を確認することができる.提案した回路をシミュレーションするのに有効な数式モデルを提案する.

近年,ニューロコンピュータの研究が盛んに行われているが,集積化が比較的容易な上,並列に動作することが可能な,セルフ・ニューラル・ネットワーク(CNN)等の,いわゆる網膜的情報処理が注目されている.本報告では,網膜的情報処理と,それに基づいたCNNによる経路探索について論じ,複数ロボットの経路ブランニングへの応用を想定したシミュレーション結果を示す.

網膜の集積回路、すなわち、シリコン網膜はニューロンが局所的に接続されたセルラーニューラルネットワーク(CNN)によって実現される。本論文は、CNNのダイナミクスによって、動画像の圧縮再生と、2枚の画像から3次元の情報を得る奥行き知覚について述べる。まず、動画像伝送用として、送信側(網膜側)に復号逆モデルを含むアナログセルラーニューラルネット(CNN)を提案し、このネットのエネルギー関数を使ってひずみ関数をできる限り最小にする符号復号化方式を提案する。一方、奥行き知覚では、左右の濃淡画像のずれから奥行きを認識できるようにしたもので、2値化による圧縮と認識を組み合わせた高度な画像通信システムの構築が可能となる。ハードを簡単にできるCNNのダイナミクスによってアナログ画像を圧縮するとともにデジタル変換し、再びCNNで復号したアナログ情報からパターン認識で立体画像を得る。

本論文では,最大値の検出および経路の探索にセルラニューラルネットワークを使うことを特徴とした局所電流比較法によって,複数の自律型ロボットの移動経路のプランニングをおこなう新しい手法を提案するとともに,経路プランニングのシミュレーション結果を示す.局所電流比較法は,節点近傍解析に深く関係し,特にアナログ・デジタル混在チップによる専用ハードウェア化に極めて適する手法である.専用ハードウェアエンジンの基本動作は,アナログダイナミクスに基づいており,極めて高速に経路のプランニングを行えることから,かなり早い速度で移動する複数のロボットを,実時間でプランニングするようなシステムの実現が期待できる.