基于光电混合神经网络的单像素快速运动物体分类(特邀)

对快速运动物体进行持续分类具有重要的应用前景。受限于有限的数据传输带宽和存储空间,目前基于场景图像的物体分类技术难以实现对运动物体的持续分类。受到单像素成像在时间上累积获取信息这一方式的启发,结合深度学习,提出了一种基于光电混合神经网络的单像素快速运动物体分类方法。该方法不需要获取目标物体的图像,利用对光场的空间调制和单像素测量,直接获取用于分类的特征信息,从而避免了在持续分类过程中基于图像分类方法产生的海量图像数据。单像素测量过程作为神经网络的一部分,将光计算与电子计算无缝衔接起来,构建了一个光电混合神经网络用于对物体的分类。通过对快速旋转圆盘上的手写数字进行持续分类实验测试,证明了提出的方法在分类快速运动的手写数字方面的能力,超过了人眼视觉。

洗牌型光电混合神经网络实验系统

在研究洗牌网局部互连光学实现问题的基础上 ,采用洗牌型图样间联想模型建立了具有完整的加权互连、求和、非线性处理及反馈功能的光电混合神经网络实验系统 ,进行了 8× 8数字样本的光学联想识别。

光计算

TP183 2002064250洗牌型光电混合神经网络实验系统=Implementationof a perfect shuffle type of optoelectronic neuralnetwork system(刊,中]/许锐,黄达诠,李志能(浙江大学信息与电子工程系.浙江,杭州(310027))∥光学学报.—2002,22(1).—62-66在研究洗牌网局部互连光学实现问题的基础上。

光计算

TP381 99042544大规模光电混合神经网络中的可编程拓扑重构=Reconfigurationof topology in an opto—electronicneural system[刊,中]/张延忻,常胜江,申金媛,张文伟(南开大学现代光学研究所,光学信息技术科学开放研究实验室.天津(300071))//光学学报.—1998,18(10).—1306—1310提出一种在大规模光电混合神经网络系统中实现可编程拓扑重构的有效方法。介绍了这种方法的原理、运用技术以及采用这种方法在已有NP1024光学/数字神经网络处理器中运行单层反馈型和多层前馈型等不同网络拓扑结构的实验结果。图7参9(严寒)