Физические принципы организации нейроподобной голографической сети для обработки массивов аналоговой информации тема диссертации и автореферата по ВАК РФ 01.04.05, кандидат физико-математических наук Денисов, Игорь Викторович

• Денисов, Игорь Викторович
• кандидат физико-математических наук
• 1999

Оглавление диссертации кандидат физико-математических наук Денисов, Игорь Викторович

СОДЕРЖАНИЕ

Лист

ВВЕДЕНИЕ

1. ЭКСПЕРИМЕНТАЛЬНЫЕ МЕТОДИКИ

1.1. Универсальная экспериментальная установка для

исследования принципов создания информационно-измерительных систем на основе голографической нейроподобной вычислительной сети дискового типа

1.1.1. Блок формирования опорных пучков и ввода оптического излучения в волоконно-оптические измерительные линии

1.1.2. Система моделирования физических воздействий на ВС распределённой волоконно-оптической измерительной сети

1.2 Процесс записи оптической информации на тонких

голограммах

1.3. Процесс обработки массивов аналоговой информации волоконно-оптической измерительной сети с применением голографической запоминающей среды

2. ОПТИЧЕСКАЯ НЕЙРОННАЯ СЕТЬ НА ОСНОВЕ ДВУХСЛОЙНОГО ГОЛОГРАФИЧЕСКОГО ВЕКТОР-МАТРИЧНОГО УМНОЖИТЕЛЯ

2.1. Вектор-матричный умножитель оптической нейронной

сети типа двухслойный персептрон

2.1.1. Алгоритм работы двухслойного вектор-матричного

умножителя

2.1.2. Принципы обучения нейронной сети на основе вектор-

матричного умножителя

2.2. Голографический аналог двухслойной нейронной сети

2.3. Процесс восстановления информации от волоконно-оптической измерительной сети посредством оптической нейронной сети

3. СИСТЕМА РАСПОЗНАВАНИЯ ОБРАЗОВ НА ОСНОВЕ ВОЛОКОННО-ОПТИЧЕСКОЙ ИЗМЕРИТЕЛЬНОЙ СЕТИ И МОДЕЛИ ОПТИЧЕСКОЙ НЕЙРОННОЙ ВЫЧИСЛИТЕЛЬНОЙ СЕТИ

3.1. Распределённая волоконно-оптическая измерительная сеть

3.1.1. Принцип действия распределённой волоконно-оптической измерительной линии

3.1.2. Применение волоконно-оптических измерительных сетей для исследования физических полей

3.2. Компьютерная модель нейронной сети

3.3. Волоконно-оптическая система восстановления функции распределения деформационного поля

3.4. Принцип работы нейроподобного вычислительного

комплекса

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Физические принципы организации нейроподобной голографической сети для обработки массивов аналоговой информации»

ВВЕДЕНИЕ

В настоящее время большое внимание привлечено к созданию новых систем обработки информации, способных управлять сложными многопараметрическими процессами в высокотехнологичных производствах различных отраслей промышленности, при мониторинге изменений в атмосфере и океане, в процедурах неразрушающего контроля, в гидроакустике, геофизике, для разработки охранных систем объектов и так далее [1]. Такой интерес объясняется значительным повышением требований, предъявляемых к разработке быстродействующих информационно-измерительных систем, что связано с постоянным увеличением объёма и сложности обрабатываемых данных, которые в большинстве случаев являются многомерными. В свою очередь, подобная тенденция стимулирует исследовательские работы по совершенствованию существующих и созданию новых устройств записи, хранения и обработки информации, имеющих большую ёмкость и быстродействие, на основе новых алгоритмов.

Создание мощных ЭВМ, направленных на решение описанной проблемы, наталкивается на предел в скорости обмена и обработки информации, ограничение ёмкости их оперативной памяти и другие проблемы, вызванные последовательным принципом работы таких вычислительных устройств [2]. Поэтому большой интерес представляют оптические методы обработки информации, что связано с огромными

потенциальными возможностями параллельной обработки больших массивов информации, высокой плотностью хранения этой информации на оптических носителях, распространением её со световой скоростью и т. д. [3]. Кроме того, с помощью оптических устройств реализуются очень важные интегральные преобразования над сигналами, такие как, нахождение свёртки, корреляции, а также преобразования Фурье, Гильберта, Лапласа, Френеля, Меллина и другие [4]. Все эти особенности позволяют производить вычисления с использованием оптического излучения практически в реальном времени, что является наиболее привлекательным на пути создания высокоскоростных вычислительных устройств и систем [5].

Указанные преимущества реализуются в специализированных оптических процессорах, которые представляют собой совокупность оптических и оптоэлектронных элементов, выполняющих, в соответствии с заданной функцией, оптическую обработку информации [6]. В зависимости от используемых элементов и их характеристик определяется алгоритм этой оптической обработки [7]. Несмотря на то, что цифровые оптические процессоры к настоящему времени хорошо развиты, алгоритм обработки информации у них подобен алгоритму обработки, используемому в универсальных ЭВМ. Поэтому важным вопросом на пути создания высокоэффективных вычислительных устройств является развитие аналоговых оптических процессоров с параллельным принципом действия.

Наибольшие трудности перед разработчиками оптических процессоров встают при выборе и практическом изготовлении оптической запоминающей

среды. Запись информации в ней основана на изменении параметров этой среды при воздействии на неё оптического излучения [8, 9]. Среди оптических запоминающих сред выделяются среды, в которых запись информации осуществляется голографическим способом [10, 11]. Практически с первых работ в этом направлении было показано, что голографические запоминающие среды обладают высокой помехоустойчивостью, обеспечивают возможность высокой плотности хранения информации [12, 13], а также позволяют реализовывать в устройствах на их основе ассоциативный поиск [14], логические, арифметические операции [15], функциональные цифровые преобразования [16] и интегральные преобразования, указанные выше.

В соответствии с физическими и химическими способами записи информации выделяют несколько классов голографических регистрирующих материалов, из которых основными являются фотографические и фотохромные среды, фоторезисты, фотопластики, фотополимеры, бихромированная желатина и другие [17].

Каждый из перечисленных материалов обладает определёнными преимуществами и недостатками по сравнению с другими. Поэтому выбор той или иной запоминающей среды в качестве носителя информации оптического процессора определяется задачей, на выполнение которой он направлен.

Наибольшее признание в голографической записи по сравнению с другими материалами получили фотографические эмульсии по причине

простоты их эксплуатации. Они характеризуются очень высокой экспозиционной чувствительностью (1-1(Г8 - МО'4 Дж/см2 в красной области спектра регистрирующих волн) и разрешающей способностью (от 300 до свыше 3000 мм"1 в той же области длин волн), а также широким диапазоном спектральной чувствительности [17]. Кроме того, фоторегистрирующие эмульсии легко обрабатываются, и их можно применять для получения как плоских, так и объёмных голограмм с амплитудной или фазовой записью.

Однако все специализированные оптические процессоры на фоне общего развития вычислительной техники и повышения сложности задач, решаемых информационно-измерительными системами, имеют довольно узкую направленность, что ограничивает их практическое применение. Именно по причине этого неудобства оптические процессоры не получили широкого распространения. Тем не менее, существует широкий класс задач, где применение оптики является намного перспективней традиционных электронных вычислительных устройств, снимая описанные выше ограничения их работы.

Одной из наиболее важных и актуальных, с практической точки зрения, проблем, решаемых оптическими вычислительными устройствами, является задача оперативной обработки больших объёмов динамически меняющихся оптических сигналов. Поэтому остро встаёт вопрос о необходимости создания быстродействующих вычислительных устройств, способных адаптироваться под решение конкретной задачи [18]. Таким

требованиям могут удовлетворять системы, работа которых подобна работе биологических нейронных клеток, являющихся основными элементами мозга любых живых существ, а сама структура мозга является самой сложной из известных на данный момент структур.

Системы, в которых предпринимаются попытки имитации поведения живого мозга, в том числе и человеческого, называются нейроподобными. Они имеют множество достоинств: параллельный механизм обработки данных, способность прогнозировать изменения входной информации, сохранение работоспособности при частичном выходе из строя элементов и связей, самообучаемость, гибкость, ассоциативность, абсолютная и быстрая сходимость к одному из устойчивых состояний под действием входного сигнала, попадающего в область притяжения этого состояния.

Недостаток нейроподобных систем заключается в том, что они не являются универсальными [19]. Программа аналоговой машины определена её строением. Чтобы перепрограммировать такую систему на решение новой задачи, необходимо фактически заново создать её внутреннюю архитектуру.

Однако подобное сужение специализации этих устройств компенсируется способностью к обучению - основному преимуществу нейроподобных вычислительных сетей. При соответствующем обучении нейросеть приобретает способность выполнять практически любые преобразования данных, даже в том случае, если они не могут быть описаны определённой функциональной зависимостью. Кроме того, нейронная сеть может оперировать с аналоговыми сигналами без применения аналого-

цифровых преобразователей, что существенно повышает скорость обработки данных. Для воспроизведения тех или других особенностей нейросистем создаются их модели с заданным набором свойств.

Первым, кто успешно сымитировал одну из важнейших процедур мозга - распознавание образов, был Розенблатт [20], в начале шестидесятых годов. Несмотря на некоторые успехи, основные выводы, сделанные на том же этапе, были пессимистичными. Результатом явилось то, что основное внимание сместилось к альтернативным методам в области искусственного интеллекта, что было более обещающим. Однако позже, из-за увеличения компьютерных мощностей и того, что проблема искусственного интеллекта действительно была хорошо проработана, былой интерес вновь вернулся к искусственным нейронным сетям, результатом чего явилось огромное число интересных работ по дальнейшему изучению нейронных сетей и созданию новых перспективных архитектур.

К настоящему времени сделано множество попыток смоделировать интеллектуальные способности мозга, такие как размышление, память, решение сложных многопараметрических задач, и обучение. Подобное стремление не случайно, так как перечисленные выше достоинства нейроподобных систем являются характерными особенностями работы человеческого мозга.

Основой такой вычислительной системы базирующейся на представлениях о строении мозга и о процессах обучения является нейроподобный процессор, который упрощённо можно представить как

устройство, которое получает вектор входных данных и выполняет над ним некоторые преобразования, зависящие от набора настраиваемых параметров. Полученные значения хранятся в особом устройстве памяти с быстрым доступом. При этом применение таких процессоров и специальных устройств памяти ориентировано на выполнение операций, адекватных структуре нейросети.

Нейронная сеть представляет собой совокупность простых процессорных элементов, называемых нейронами, обладающих локальным функционированием и объединённых направленными связями [19]. Нейроны и межнейронные связи могут задаваться несколькими способами, наиболее важными из которых являются имитационные программы на обычных компьютерах, специальные приставки к ним, либо самостоятельные нейрокомпьютеры на электронной или оптической элементной базе. Функционирование нейрона в нейрокомпьютере или нейропрограмме сродни работе биологического нейрона.

Бионейрон - это клетка, содержащая ядро и цитоплазму, заключённую в оболочку [21]. Он имеет длинные отростки, связанные с другими нейронами с помощью синапсов, число которых колеблется от сотни до тысяч, передающих электрический импульс от одного нейрона к другому. Отростки подразделяются на ветвящиеся - дендриты, передающие сигналы к данному нейрону, и аксоны, нервные волокна или осевые отростки, передающие сигнал от данного нейрона. Аксоны имеют боковые отростки -коллатерали, заканчивающиеся на других клетках. Нейроны живых

организмов многообразны, но их можно разбить на три группы: мотонейроны, чувствительные и ассоциативные нейроны.

Функционирование же формального нейрона начинается с того, что в определённый момент времени он получает по дендритам входные сигналы от других нейронов. Сигнал с каждого входа умножается на весовой коэффициент этого входа и складывается с другими сигналами, также умноженными на весовые коэффициенты соответствующих входов. В зависимости от полученного значения формируется выходной сигнал, передающийся другим нейронам по аксону. Таким образом, нейронная сеть способна после прохода по нейронам входного сигнала выдавать на выходе определённый ответ, который зависит от весовых коэффициентов всех нейронов. При этом, установление соответствия выходного сигнала входному сигналу, посредством настраивания весовых коэффициентов, и есть не что иное, как обучение нейронной сети [22, 23].

В настоящее время доминирует представление о структуре и функционировании мозга, согласно которому вся сложность и важнейшие качества мозга определяются связями между нейронами [24]. Соответствующее направление получило название коннекционизма (главное - связи, а не свойства элементов). При этом индивидуальные биохимические свойства клеток, закладываемые на стадии их роста, вообще не рассматриваются [25].

Искусственная нейронная сеть является упрощённой моделью биологической сети.

Модель искусственного нейрона

1 - синапсы; 2 - сумматор; 3 - нелинейный оператор; 4 - точка ветвления.

Рис. 1.

Модель слабосвязной нейронной Модель полносвязной нейронной

сети.

сети.

Рис. 2.

Рис. 3.

Согласно специальной схемотехники, выработанной в нейроинформатике, для создания нейронных процессоров в упрощённом представлении необходимо объединение следующих основных элементарных устройств (рис.1) [26].

1) Синапсы - 1 определяют связи между нейронами и выполняют умножение X; компонент передаваемого входного сигнала Х = (х15х2,...,хп) на соответствующие а; веса синапсов - вектор настраиваемых параметров а = (а,,а2,...,ап).

2) Сумматор - 2 имеет векторный вход и складывает сигналы, приходящие по синапсам к данному нейрону:

п

Х-ат =(х1,х2,...,хп)-(а1,а2,...,ап)т = Хх1а1'

¡=1

где значок Т у вектора а означает операцию транспонирования.

3) Нелинейный оператор - 3 действием характеристической функции ср

п

переводит входной скалярный сигнал , поступающий с выхода

¡=1

сумматора, в выходной у = ср

С п Л V 1=1 У

, от явного вида которого зависит тип

нейрона. Сам нейрон получается последовательным соединением первых трёх элементов.

При этом сеть называется гомогенной или гетерогенной, что определяется числом параметров характеристической функции.

Модель циклической нейронной сети.

Рис. 4.

Модель многослойной нейронной сети.

Входные

сигналы

Выходные

сигналы —►

Заключение диссертации по теме «Оптика», Денисов, Игорь Викторович

Основные результаты настоящей работы сводятся к следующему.

1. Предложено новое теоретическое описание двухслойного вектор-матричного умножителя и его модели на волоконно-оптической элементной основе. Теоретически и экспериментально доказана возможность эффективной обработки массивов аналоговой информации распределённой волоконно-оптической измерительной сети при помощи оптического вектор-матричного умножителя. Получены формулы, описывающие процесс обработки данных волоконно-оптической измерительной сети и позволяющие производить восстановление функции пространственного распределения деформационного поля.

2. Исследована зависимость дифракционной эффективности плоских голограмм на нелинейном участке денситометрической кривой от соотношения интенсивностей опорной и предметной волн. Разработан алгоритм реализации голографической матрицы связей оптической нейронной сети типа двухслойный персептрон. Осуществлено обучение и получены матрицы связей предложенной компьютерной модели нейронной сети типа двухслойный персептрон. Проведена экспериментальная проверка метода формирования матрицы связей оптической нейронной сети типа двухслойный персептрон, основанного на пересчёте весовых коэффициентов матрицы связей компьютерной модели нейронной сети в дифракционные эффективности записываемых голограмм.

3. Проведено теоретическое исследование оптоэлектронного аналога нейронной сети типа двухслойный персептрон на основе вектор-матричного умножителя. Разработан и экспериментально исследован макет информационно-измерительной системы для сбора и обработки томографических данных о распределении параметров физических полей на примере деформационного поля силы тяжести. Теоретически и экспериментально доказано, что полученная нейронная сеть способна с точностью 6 % определять координаты деформационного воздействия и не хуже 20 % осуществлять восстановление величины действующей силы тяжести по данным, собираемым с использованием распределённых волоконно-оптических измерительных сетей, имеющих 256 элементарных участков. Предложен и опробован принцип работы квазираспределённой волоконно-оптической измерительной сети с распределёнными датчиками на основе маломодовой интерференции. Экспериментально показана эффективность обработки массивов аналоговой информации распределённых волоконно-оптических измерительных сетей путём применения голографической нейроподобной сети типа двухслойный персептрон на основе вектор-матричного умножителя.

4. Предложен новый тип комплексной нейронной информационной системы, состоящей из нескольких нейронных сетей, способных решать широкий круг задач по обработке оптических сигналов и изображений. Определён алгоритм работы оптоэлектронного вычислительного комплекса на основе нейронных сетей трёх типов. Выявлены особенности применения в составе комплекса оптической нейронной сети типа двухслойный персептрон.

В заключение считаю своим долгом выразить глубокую признательность своему научному руководителю, д. ф.-м. наук, профессору Кульчину Юрию Николаевичу за всестороннюю помощь в разрешении возникавших проблем и обсуждение полученных результатов, а также за постоянное внимание к моей работе.

Выражаю огромную благодарность своим коллегам по работе, сотрудникам лаборатории оптоэлектроники ДВГТУ к. ф.-м. наук Каменеву

Олегу Тимуровичу, Витрику Олегу Борисовичу, Обух Валентину Фёдоровичу, м. н. с. Петрову Юрию Сергеевичу, Кириченко Олегу Викторовичу и Ромашко Роману Владимировичу за постоянную помощь в работе.

Хочется также сказать слова особой признательности коллегам по работе на кафедре физики ДВГМА, руководству Академии и лично д. т. н., профессору Седых Вячеславу Ивановичу, д. т. н., профессору Гаманову Владимиру Фёдоровичу и к. т. н., доценту Огай Сергею Алексеевичу за создание самых благоприятных условий для научной работы, моральную и материальную поддержку в столь сложное время.

ЗАКЛЮЧЕНИЕ

Несмотря на значительные успехи цифровой вычислительной техники, которая в настоящее время способна решать практически любые задачи обработки информации, постоянное внимание привлекают оптические методы обработки. Они предоставляют целый ряд уникальных возможностей, которыми цифровые методы в принципе не обладают. Круг задач, на решение которых нацелено применение оптоэлектронных вычислительных систем огромен и постоянно увеличивается. Важными объектами исследований являются природные и искусственные физические объекты, деформационные, температурные и другие поля, распределённые на некоторой площади. Для решения этих задач наиболее перспективно применение квазираспределённых волоконно-оптических измерительных сетей в комплексе оптоэлектронных вычислительных систем. Такие сети состоят из наборов волоконно-оптических измерительных линий и служат для сбора информации о физических параметрах исследуемых или контролируемых объектов.

Кроме того, большое значение имеет естественное согласование оптической информации, поступающей от этих сетей, с самим процессором, производящим её обработку. Так как сбор данных с распределённых площадей осуществляется с использованием волоконно-оптических измерительных сетей, то для обработки этих данных следует применять оптические процессоры. Наибольшие трудности на пути их практической реализации представляет создание носителя информации.

Несмотря на успехи и достижения в области разработки новых регистрирующих сред единственной наиболее распространённой средой для хранения оптических сигналов до сих пор является фотографическая эмульсия. Запись информации в ней целесообразно производить голографическим способом, в силу целого ряда положительных особенностей голограмм. Для увеличения скорости последующей обработки голографический носитель перспективно изготавливать в виде вращающегося диска.

Задача обработки массивов аналоговой информации волоконно-оптических измерительных сетей может быть решена с использованием различных вычислительных систем. Однако, при использовании томографических принципов сбора данных их обработка требует применения итерационных алгоритмов, что снижает быстродействие информационно-измерительных систем.

Применение принципов нейросетевой обработки информации позволяет решить проблему быстродействия. Поэтому большое значение имеет исследование путей и методов практической реализации нейроподобных вычислительных систем на оптических элементах. Это обеспечивает полное согласование измерительной сети и вычислительной системы, что ведёт к параллельной обработке аналоговой информации практически в реальном времени.

В настоящей работе рассмотрен ряд вопросов, посвященных исследованию физических принципов организации нейроподобной сети для обработки аналоговой информации, созданию оптоэлектронных вычислительных систем на волоконно-оптической элементной базе, реализации матрицы связей нейронной сети на основе голографического вращающегося диска, изучению возможности записи голограмм с предварительно рассчитанной дифракционной эффективностью, разработке методов обработки выходных сигналов волоконно-оптических томографических измерительных сетей с применением нейронных вычислительных сетей, а также исследованию принципов создания вычислительных комплексов на основе нейроподобных оптоэлектронных вычислительных систем различного типа.

Рассмотренные вопросы охватывают лишь часть круга проблем, связанных с разработкой методов и принципов построения быстродействующих помехозащищённых интеллектуальных информационно-измерительных систем. Проведённые исследования направлены на выяснение возможности создания таких систем на оптической элементной базе, а также выполнения ими функции сбора и обработки аналоговой информации о физических параметрах объектов различного происхождения.

Полученные результаты работы позволяют сделать вывод о том, что обработка массивов томографических данных, собираемых волоконно-оптическими измерительными сетями, может существенно ускориться при использовании оптической нейронной сети типа двухслойный персептрон. Показано, что матрица связей этой сети реализуется в виде диска с записанными на нём голографическими дифракционными решетками, дифракционная эффективность которых соответствует значениям элементов матрицы связей нейронной сети.

Представленные принципы организации обработки томографических данных позволяют создавать высокоэффективные информационно-измерительные системы и комплексы на их основе для исследования физических объектов с динамически меняющимися параметрами. Применение полученных в работе результатов является дальнейшим шагом на пути к разработке полностью оптических, интеллектуальных информационно-измерительных систем, осуществляющих обработку данных об исследуемом физическом объекте в аналоговой форме практически в реальном времени, а также для решения различных задач управления и контроля во многих областях науки и техники.

Список литературы диссертационного исследования кандидат физико-математических наук Денисов, Игорь Викторович, 1999 год

СПИСОК ЛИТЕРАТУРЫ

1. Матушкин Н. Н., Южаков А. А. Тенденция развития информационно-измерительных систем // Методология, технология и инструментальные средства создания перспективных автоматизированных производственных систем. - Пермь: НПО «Парма». - 1992. - С. 46 - 58.

2. Кииз Р. У. Фундаментальные пределы в цифровой обработке информации//ТИИЭР. - 1981.-Т. 69-№2.-С. 152 - 166.

3. Парыгин В. Н., Балакший В. И. Оптическая обработка информации. - М.: Изд-во МГУ, 1987. - 142 с.

4. Престон К. Когерентные оптические вычислительные машины / Пер. с англ. - М.: Мир, 1974.-382 с.

5. Feldman М. R., Esener S. С., Guest С. С. and Lee S. Н. Comparison between optical and electrical interconnects based on power and speed considerations // Appl. Opt. - 1988. - V. 27. - P. 1742 - 1751.

6. Шмидт Д., Шварц В. Оптоэлектронные сенсорные системы / Пер. с нем. - М.: Мир, 1991. - 96 с.

7. Аблеков В. К., Зубков П. И., Фролов А. В. Оптическая и оптоэлектронная обработка информации. - М.: Наука, 1976. - 226 с.

8. Вуль В. А. Оптические запоминающие устройства. - Л.: Энергия,

1979.

9. Bartolini R., Weakliem Н. and Williams В. Review and analysis of optical recording media // Opt. Eng. - 1976. - V. 15. - P. 99 - 108.

10. Голография и обработка информации / Под ред. С. Б. Гуревича. -

Л.: Наука, 1976. - 196 с.

11. Kogelnik Н. Coupled wave theory for thick hologram gratings // Bell syst. tech. - 1969. - V. 48. - № 9. - P. 2909 - 2947.

12. Rajchman J. A. Promise of optical memories // Appl. Phys. - 1970. -V. 41. - № 3. - P. 1376 - 1383.

13. Микаэлян А. Л., Бобринев В. И., Аксельрод А. А. и др. Голографические запоминающие устройства с записью информации массивами // Квантовая электроника. - 1971. - № 1. - С. 79 - 84.

14. Knight G. R. Page - Oriented associative holographic memory // Appl. Opt. - 1974. - V. 13. - № 4. - P. 904 - 912.

15. Майоров С. А., Ли Си Кен Об одном методе выполнения арифметических и др. операций на голографических устройствах // Изв. вузов, Приборостроение. - 1974. - Т. 17. - № 2. - С. 53 - 55.

16. Коршевер И. И., Матушкин Г. Г., Твердохлеб П. Е. Цифровые функциональные преобразования на основе оптических запоминающих устройств // Автометрия. - 1974. - № 1. - С. 9 - 15.

17. Оптическая голография / Под. ред. Г. Колфилда / Пер. с англ., Т. 1 -2.-М.: Мир, 1982.-736 с.

18. Уидроу Б., Стирнз С. Адаптивная обработка сигналов / Пер. с англ. Под ред. В. В. Шахгильдяна. - М.: Радио и связь, 1989. - 439 с.

19. Уоссерман Ф. Нейрокомпьютерная техника. - М.: Мир, 1992.

20. Розенблатт Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга / Пер. с англ. - М.: Мир, 1965. - 480 с.

21. Кохонен Т. Ассоциативная память. - М.: Мир, 1980. - 238 с.

22. Kohonen Т. Self-organizing maps: optimization approaches // Artificial Neural Networks. - 1991. - P. 981 - 989.

23. Kohonen T. Self-organizing formation of topologically correct feature maps // Biol. Cybernetics. - 1982. - V. 43. - № 1. - P. 59 - 69.

24. Мак-Каллок У. С., Пите В. Логическое исчисление идей, относящихся к нервной активности // Нейрокомпьютер. - 1992. - № 3, 4. -С. 40 - 53.

25. Kaneko К., Yomo Т. Isologous diversification: a theory of cell differentiation // Bulletin of Mathematical Biology. - 1997. - V. 59. - № 1. - P. 139 - 196.

26. Горбань A. H. Двойственность в сетях автоматах // Нейроинформатика и её применения: Материалы III Всероссийского семинара, Ч. 1 / Под ред. А. Н. Горбаня. - Красноярск: изд. КГТУ. - 1995. -С. 32 - 65.

27. Fukushima К. Neocognitron: a self-organizing neural network model for a mechanism of pattern recognition uneffected by shift in position // Biol. Cybernetics. - 1980. - V. 36. - № 4. - P. 193 - 202.

28. Gilev S. E., Gorban A. N., Mirkes E. M. Several methods for accelerating the training process of neural networks in pattern recognition // Adv. Modeling & Analysis, A. AMSE Press. - 1992. - V. 12. - № 4. - P. 29 - 53.

29. Быковский Ю. А., Оныкий Б. H. Двухслойная нейронная сеть: математическая модель и оптоэлектронная реализация. - Препринт 005-94, МИФИ.- 1994.

30. Кохонен Т. Ассоциативные запоминающие устройства / Пер. с

англ. Под ред. В. И. Зуева. - М.: Мир, 1982. - 383 с.

31. Нильсен Н. Обучающиеся машины / Пер. с англ. - М.: Мир, 1967. -

180 с.

32. Grossberg S. Nonlinear neural networks: principles, mechanism and architectures // Neural Networks. - 1988. - V. 1. - № 1. - P. 47 - 62.

33. Гилев C.E. Алгоритм сокращения нейронных сетей, основанный на разностной оценке вторых производных целевой функции // Нейроинформатика и её приложения: Материалы V Всероссийского семинара / Под ред. А. Н. Горбаня. - Красноярск: изд. КГТУ. - 1997. - С. 45 -46.

34. Гилев С. Е., Коченов Д. А., Миркес Е. М., Россиев Д. А. Контрастирование, оценка значимости параметров, оптимизация их значений и их интерпретация в нейронных сетях // Нейроинформатика и её приложения: Материалы III Всероссийского семинара, Ч. 1 / Под ред. А. Н. Горбаня. - Красноярск: изд. КГТУ. - 1995. - С. 66 - 78.

35. Гилл Ф., Мюррей У. Практическая оптимизация / Пер. с англ. - М.: Мир, 1985. - 510 с.

36. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. - Новосибирск: Наука (Сиб. отделение), 1996. - 276 с.

37. Крюков В. И. Что такое нейрокомпьютеры? // Нейрокомпьютер, как основа мыслящих ЭВМ. - М: Наука. - 1993. - С. 84 - 86.

38. Фор А. Восприятие и распознавание образов / Пер. с фр. - М: Машиностроение, 1989. - 271 с.

39. Фролов А. А., Муравьёв И. П. Нейронные модели ассоциативной

памяти. - M.: Наука, 1987.

40. Saaf L. A., Morris G. M. Filter synthesis using neural networks // Proc. Soc. Photo-Opt. Instrum. Eng. - 1989. - V. 1134. - P. 12-16.

41. Лоули Д., Максвелл А. Факторный анализ как статистический метод. - М: Мир, 1967.

42. Pham D. Т., Liu X. Statespace identification of dynamic systems using neural networks // Eng. Appl. Artif. Intell. - 1990. - V. 3. - № 3. - P. 198 - 203.

43. Судариков В. А. Исследование адаптивных нейросетевых алгоритмов решения задач линейной алгебры // Нейрокомпьютер. - 1992. -№ 3, 4. - С. 13-20.

44. Шенк Р., Хантер Л. Познать механизмы мышления. Реальность и прогнозы искусственного интеллекта. - М: Мир, 1987.

45. Горбаченко В. И. Решение дифференциальных уравнений в частных производных на нейроподобных сетях // Нейроинформатика и её приложения: Тезисы докладов IV Всероссийского семинара. / Под ред. А. Н. Горбаня. - Красноярск: изд. КГТУ. - 1996. - С. 15 - 16.

46. Новые физические принципы оптической обработки информации / Под ред. С. А. Ахманова, М. А. Воронцова. - М.: Наука, 1990. - 400 с.

47. Шульгина Г. И. Исследование условий проведения возбуждения, процессов обучения и образования ассоциаций на модели сети из возбудительных и тормозных нейроподобных элементов // Нейрокомпьютер как основа мыслящих ЭВМ. - М.: Наука. - 1993. - С. 110 - 128.

48. Горбань А. Н. Проекционные сетчатки для обработки бинарных изображений // Математическое обеспечение и архитектура ЭВМ:

Материалы иаучно-техн. конф. "Проблемы техники и технологий XXI века". - Красноярск: изд. КГТУ. - 1994. - С. 50 - 54.

49. Owechko Y. Optoelectronic resonator neural networks // Appl. Opt. -1987. - V. 26. - P. 5104-5111.

50. Farhat N. H., Psaltis D., Prata A. and Park E. Optical implementation of the Hopfield model // Appl. Opt. - 1985. - V. 24. - P. 1469 - 1475.

51. Минский M., Пайперт С. Персептроны / Пер. с англ. - М.: Мир, 1971.-261 с.

52. Burns R. S. The use of artificial neural networks for the intelligent optimal control of surface ships // Oceanic Engineering. - 1995. - V. 20. - № 1. -P. 65 -72.

53. Ивахненко А. Г. Персептроны. - Киев: Наукова думка, 1974.

54. Jutamulia S., Yu F. T. S., Asakura T. Applications of neural networks in optics // Optical Engineering. - 1996. -V. 35. -№ 8. - P. 2119 - 2121.

55. Колфилд X. Дж., Кинсер Дж., Роджерс С. К. Оптические нейронные сети // ТИИР. - 1989. - Т. 77. - № 10. - С. 193 - 204.

56. White Н. J., Aldridg N. В. and Lindsay I. Digital and analogue holographic associative memories // Opt. Eng. - 1988. - V. 27. - P. 30 - 37.

57. Verleysen M., Thissen P., Voz J.-L., Madrenas J. An analog processor architecture for a neural network classifier // IEEE Micro. - 1994. - V. 22. - P. 16-28.

58. Jang J. S., Jung S.-W., Lee S.-Y. and Shin S.-Y. Optical implementation of the Hopfield model for two-dimensional associative memory // Opt. Lett. - 1988. - V. 13. - P. 248 - 250.

59. Fisher A. D., Lippincott W. L. and Lee N. N. Optical implementations of associative networks with versable adaptive leaning capability // Appl. Opt. -1987. - V. 26. - P. 5039 - 5054.

60. Шубников E. И. Адаптивная нейронная сеть для распознавания образов // Оптика и спектроскопия. - 1994. - Т 76. - № 5. - С. 785 - 789.

61. Шубников Е. И. Исследование состояний нейронных сетей на базе корреляционной оптики // Оптика и спектроскопия. - 1996. - Т. 81. - № 2. -С. 281 -288.

62. Agranat A., Neugebauer С. F. and Yariv A. Parallel optoelectronics realization of neural network models using CID technology // Appl. Opt. - 1988. - V. 27. - P. 4354 -4355.

63. Kim J. H., Lin S. H., Katz J, and Psaltis D. Monolithically integrated 2-D arrays of optoelectronic devices for neural network applications // Proc. Soc. Photo-Opt. Instrum. Eng. - 1989. - V. 1043. - P. 44 - 52.

64. Psaltis D., Yu J., Gu X. G. and Lee H. Optical neural nets implemented with volume holograms // Proc. OSA 2nd Topical Meet. On Optical Computing. -P. 129.

65. Ganzherli N. M. and Denisyuk Yu. N. Pseudodeep holography and its properties // Optical Memory and Neural Networks. - 1992. - V. 1. - № 1. - P. 1

-5.

66. Coulfield H. J. Parallel N4 weighted optical interconnections // Appl. Opt. - 1987. - V. 26. - P. 4039 - 4040.

67. Psaltis D., Levene M., Pu A., Barbastathis G. and Curtis K. Holographic storage using shift multiplexing // Opt. Lett. - 1995. - V. 20. - № 7.

-P. 782-784.

68. Кольер P., Беркхарт К., Лин Л. Оптическая голография / Пер. с англ. под ред. Ю. Н. Островского. - М.: Мир, 1973. - 686 с.

69. Бори М., Вольф Э. Основы оптики / Пер. с английского - М.: Наука, 1973. - 720 с.

70. Применение методов фурье-оптики / Под ред. Г. Старка. / Пер. с англ. под ред. И. Н. Компанца. - М.: Радио и связь, 1988. - 536 с.

71. Бердичевский Б., Королькевич В., Лавренцов В. и др. Состояние и перспективы оптоволоконных измерительных систем // Зарубежная электронная техника. - 1987. - № 3. - С. 3 - 68.

72. Снайдер А., Лав Д. Теория оптических волноводов / Пер. с англ. -М: Радио и связь, 1987. - 656 с.

73. Мидвинтер Дж. Э. Волоконные световоды для передачи информации / Пер. с англ. под ред. Е. М. Дианова. - М.: Радио и связь, 1983. - 336 с.

74. Тидекен Р. Волоконная оптика и её применения / Пер. с англ. под ред. Д. К. Саттарова. - М: Мир, 1975. - 240 с.

75. Аш Ж. и др. Датчики измерительных систем: в 2-х кн. / Пер. с фр. -М.: Мир, 1992.-904 с.

76. Kulchin Yu. N., Vitrik О. В., Petrov Yu. S., Kirichenko О. Y., Kamenev O. T. Tomography fiber optic network for low frequency acoustic investigations // Papers of Conf. «International symposium on surface waves in solid structures». - Moscow - St. Petersburg, Russia. - 1994. - P. 121.

77. Kulchin Yu. N., Vitrik О. В., Petrov Yu. S., Kirichenko О. V.

Measuring networks on the base of fiber-optic interferometers // Optical Information Processing, - St. Petersburg, Russia. - 1993. - V. 2051. - P. 83 -90.

78. Воронцов M. А., Корябин А. В., Шмальгаузен В. И. Управляемые оптические системы. - М.: Наука, 1988. - 272 с.

79. Hayasaki Y., Tohyama I., Toyohiko Y., Mori M. and Ishihara S. Reversal-input superposing technique for all-optical neural networks // Appl. Opt. - 1994. - V. 33. - № 3. - P. 1477 - 1483.

80. Kinser J. M., Johnson J. L. Stabilized input with a feedback pulse-coupled neural network // Opt. Eng. - 1996. - V. 35. - № 8. - P. 2158 - 2160.

81. Павлов А. В. Двуслойная двунаправленная оптическая нейронная сеть на базе коррелятора Ван дер Люгта // Оптика и спектроскопия. - 1994. -Т. 76.-№ 5.-С. 794 -797.

82. Протопопов В. В., Устинов Н. Д. Лазерное гетеродирование / Под ред. Н. Д. Устинова. - М: Наука, 1985. - 288 с.

83. Кульчин Ю. Н., Витрик О. Б., Обух В. Ф. Деформометр с протяжённой базой на основе маломодового волоконного световода // Деп. в ВИНИТИ. - 1987. - С. 974 - 989.

84. Сороко Л. М. Основы голографии и когерентной оптики. - М: Наука, 1971.-616 с.

85. Денисов И. В. Вектор-матричный умножитель голографического типа // Тезисы докладов региональной научно-технической конференции «Вологдинские чтения». - Владивосток: Изд-во ДВГТУ. - 1998. - С. 26 - 27.

86. Psaltis D., Neifeld М. A., Yamamura A. and Kobayashi S. Optical

memory disks in optical information processing // Appl. Opt. - 1990. - V. 29. -№ 14.-P. 2038 - 2057.

87. Mikaelian A. L., Gulanyan E. H., Kretov B. S., Semichev V. A., Molchanova L. V. Superposition of 1-D holograms in disk memory system // Opt. Memory & Neural Networks. - 1992. - V. 1. - № 1. - P. 7 - 14.

88. Kutanov A., Abdrisaev B. and Dordoev S. Holographic-disk-based optical neural network // Opt. Letters. - 1992. - V. 17. - № 13. - P. 952 - 954.

89. Lu Т., Mintzer D., Kostrzewski A., Lin F. Compact holographic optical neural network system for real-time pattern recognition // Opt. Engineering. -1996.-V. 35.-№8.-P. 2122-2131.

90. Abu-Mostafa Y. and Psaltis D. Optical neural computers // Sci. Am. -1987.-V. 255.-P. 88 - 95.

91. Muller В., Reinhardt J. Neural Networks. - Berlin, Heidelberg, 1990.

92. Kulchin Yu., Vitrik O., Petrov Yu., Kirichenko O., Kamenev O., Romashko R. and Denisov I. Holographic neural network for processing of signals of distributed optical fiber measuring networks with the tomographic principle of data gathering // Optical Memory and Neural Networks. - 1997. - V. 6.-№2.-P. 149 - 156.

93. Кульчин Ю. H., Витрик О. Б., Каменев О. Т., Петров Ю. С., Ромашко Р. В., Денисов И. В. Модель кибернетической сети для оптоэлектронной нейроподобной измерительной системы // Труды Дальневосточного государственного технического университета. - 1996. -Вып. 117.-Серия 5.-С. 13- 16.

94. Кульчин Ю. Н., Денисов И. В., Витрик О. Б., Каменев О. Т.,

Кириченко О. В. Влияние соотношения интенсивностей опорной и предметной волн на дифракционную эффективность плоской амплитудной голограммы // Труды Дальневосточного государственного технического университета. - 1998. - Вып. 120. - Серия 7. - С. 66 - 69.

95. Coulfield Н. J., Kinser J., Rogers S. К. Optical neural networks // Proc. of IEEE. - 1989. -V.77.-N.10.-P.1573 - 1583.

96. Гудмен Дж. Введение в фурье —оптику — М.: Мир, 1970. — 364 с.

97. Строук Дж. Введение в когерентную оптику и голографию / Пер. с англ. - М.: Мир, 1967. - 347 с.

98. Зорич В. А. Математический анализ, ч. 2 - М: Наука, 1984. - 640 с.

99. Kulchin Yu., Kamenev О., Romashko R. and Denisov I. Research of physical fields by opto-electronic measuring systems // Abstracts of the 4th International Conference on Optics within Life Sciences. - Munster, Germany. -1996. - P. 36.

100. Кульчин Ю. H., Витрик О. Б., Каменев О. Т., С., Ромашко Р. В., Денисов И. В. Применение нейроподобных вычислительных сетей в вычислениях физических полей // Тезисы докладов IV Всероссийского семинара "Нейроинформатика и её приложения". - Красноярск. - 1996. - С. 63.

101. Бусурин В. И., Семёнов А. С., Удалов Н. П. Оптические и волоконно-оптические датчики // Квантовая электроника. - 1985. - Т. 12. -№ 5.-С. 901 -943.

102. Бусурин В. И., Носов Ю. Р. Волоконно-оптические датчики: физические основы, вопросы расчёта и применения. - М.: Энергоатомиздат,

1990.-255 с.

103. Корн Г., Корн Т. Справочник по математике. - М.: Наука, 1978. -

720 с.

104. Унгер X. Г. Планарные и волоконно-оптические волноводы. - М.: Мир, 1980.- 656 с.

105. Хелгасон С. Преобразование Радона. - М.: Мир, 1983. - 152 с.

106. Наттерер Ф. Математические аспекты компьютерной томографии / Пер. с англ. - М.: Мир, 1990. - 288 с.

107. Cha Soyoung S. and Sun Hongwei Tomography for reconstructing continuous fields from ill-posed multidirectional interferometric data // Appl. Opt. - 1990. - V. 29. - № 2. - P. 251 - 258.

108. Асаи К., Ватада Д., Иваи С. и др. Прикладные нечёткие системы / Пер. с япон. - М.: Мир, 1993. - 368 с.

109. Тихонов А. Н., Арсенин В. Я. Методы решения некорректных задач. - М.: Наука, 1986. - 288 с.

110. Левин Г. Г., Вишняков Г. Н. Оптическая томография. - М.: Радио и связь, 1989. - 224 с.

111. Вайнштейн Б. К. Трёхмерная электронная микроскопия биологических макромолекул // Успехи физических наук. - 1973. - Т. 109. -№ 3.-С. 455 -497.

112. Кульчин Ю. Н., Витрик О. Б., Денисов И. В., Каменев О. Т., Кириченко О. В. Дифракционная эффективность плоской амплитудной голограммы // Сборник докладов "XXXIX Всероссийская межвузовская научно-техническая конференция". - Владивосток. - 1996. - Т. 2. - С. 68 -

113. Denisov I. V. Holographic neural network for processing of optical signals // Abstracts of the 2nd International Congress of the Asia-Pacific Region Countries. - Vladivostok. - 1997. - P. 292.

114. Денисов И. В. Оптический вектор-матричный умножитель для обработки сигналов волоконно-оптической измерительной сети // Тезисы докладов региональной научно-технической конференции «Вологдинские чтения». - Владивосток: Изд-во ДВГТУ. - 1998. - С. 14.

115. Denisov I. V., Kirichenko О. V. Neural-like information system for classification and processing signals // Abstracts of the 2nd International Congress of the Asia-Pacific Region Countries. - Vladivostok. - 1997. - P. 317 -318.

116. Kulchin Yu., Denisov I., Kamenev O., Vitrik O., Kirichenko O. Neural-like holographic information system for processing of optical signals // Optical Information Science & Technology'97. Opt. Memory and Neural Networks. - Proc. of SPIE. - 1997. - V. 3402. - P. 374 - 376.

117. Денисов И. В. Применение вектор-матричного коррелятора для нейроподобной информационной системы // Материалы региональной научной конференции «Молодёжь и научно-технический прогресс». -Владивосток: Изд-во ДВГТУ. - 1998. - С. 180 - 181.