跳到主要內容

臺灣博碩士論文加值系統

(100.28.132.102) 您好!臺灣時間:2024/06/16 15:30
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:鄭超仁
研究生(外文):Chau-Jern Cheng
論文名稱:光學認知學習網路之研究
論文名稱(外文):A Study of Optical PerceptronLearning Networks
指導教授:許根玉
指導教授(外文):Ken Yuh Hsu
學位類別:博士
校院名稱:國立交通大學
系所名稱:光電(科學)研究所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:1994
畢業學年度:82
語文別:中文
論文頁數:121
中文關鍵詞:認知學習光折變全像術光學神經網路
外文關鍵詞:perceptron learningalgorithmphotorefractive holographyoptical neural network
相關次數:
  • 被引用被引用:0
  • 點閱點閱:246
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
本論文主要在研究光學認知學習網路的原理、架構、實現方式以及其學習
特性。我們以光折變全像技術來演示認知學習模型並建造一種光學認知學
習網路以進行光學圖形識識別與分類。網路的神經連線係以全像光柵的形
式記錄、儲存在一個光折變晶體中,而晶體的動態特性則用用來模擬網路
的學習行為。此外,我們也結合一對光偵測器與電子相減器的干涉技術來
來建構一種雙極光學輸出神經元,以實現雙極光學認知學習網路。我們並
以數學證明方式來求解光折變全像式光學認知網路的收斂特性,而得到一
個曝光時間的參考指引。另一方 面,我們結合了電腦學習、電腦全像片
以及光學處理方式來 建構一種電腦與光學混合式認知學習圖形分類系統
,而其中的電腦全像相關濾波片則是利用認知學習法則來設計。同時,我
們亦以實驗演示了一種即時電腦全像技術,而使得這個可學習的圖形分類
系統能進行線上處理。在認知網路的模型理論上,我們首先探討一種廣義
認知學習網路的收斂特性,這種網路涉及了連線權值更新時增益因素的影
響。由於增益 (或者衰減)因子可能影響認知學習過程之收斂,我們推導
出廣義學習法則的收斂條件。而光折變認知網路則是其中的一個重要實例
。我們也提出並分析一種具有值補償方式的修 正認知學習網路,以達到
接近於理想的認知法則。最後,我們探討一種嶄新的光學方法,它能使得
在光折變介質內衰減(或微弱)的全像光柵經由二波混合的能量耦合作用而
得到復原與增強。藉由結合一系列的讀寫時程與一個相位共軛器,可得到
一種穩態光折變全像光柵,這種穩態光折變全像能夠一直持續地維持其振
幅強度而不致於衰減。理論分析的結果顯示這種光學復原方法能夠使得復
原的光折變全像的重建影像對比度保持不變。
The thesis investigates the principles, architectures,
implementations and learning characteristics of optical
perceptron netetworks. The perceptron model is realized by
using the technique of photorefractctive dynamic hologram and
optical perceptron is used for optical pattern recognition and
classification. The interconnection of the network is
construructed by the amplitude of photorefractive hologram. The
dynamic characteristics of the photorefractive crystal is used
for simulating the learning behaviors of the optical
perceptron. In addition, we used an interferometric technique
which combines a pair photodetectors with an electronic
subtractor for implementing the bipolar optical perceptron. The
convergence properties of the optical perceptron are derived
and a guideline for the exposure schedule of the
photorefractive perceptron learning is presented. A novel
technique for trainable pattern classification using a computer
generated hologram is proposed and demonstrated. The perceptron
learning algorithm is used for training, and the trained
interconnection weight is transferred into a computer-generated
hologram. The hologram is used as a correlation filter in the
optical system for pattern classification. Furthermore, the
computer generated holographic technique is used in the optical
recognition system for real-time image processing. On the other
hand,we consider the properties of a generalized perceptron
learning network taking into account the decay or gain of the
weight during the training stages. A mathematical proof is
given which shows the conditional convergence of the learning
algorithm. We also described a modified learning algorithm
which provides a solution to the problem of weight decay in
optical perceptron due to hologram erasure.
封面
目錄
中文摘要
英文摘要
誌謝
圖表目錄
第1章 緒論
參考文獻
第2章 光折變動態光柵
2.1 光折變效應
2.2 光折變折射率光柵的暫態特性
2.3 光折變晶體中的二波混合作用
參考文獻
第3章 光學認知學習網路
3.1 簡介
3.2 光學系統的設計要件
3.3 光學認知學習系統
3.4 雙極光學認知網路
3.5 光學認知學習法則及其收斂特性
3.6 結論
參考文獻
第4章 電腦全像式認知學習網路
4.1 簡介
4.2 可訓練之電腦全像式圖形分類系統
4.3 即時電腦全像式圖形分類係統
4.4 結論
參考文獻
第5章 廣義認知學習網路
5.1 簡介
5.2 廣義學習法則
5.3 光折變認知網路的實例
5.4 一種修正的認知學習法則
5.5 結論
參考文獻
第6章 光折變全像光柵復原法
6.1 簡介
6.2 光折變光柵的瞬時增益
6.3 雙側交替讀寫法
6.4 光折變全像之復原
6.5 結論
參考文獻
附錄A廣義認知學習法則之收斂證明
著作目錄
作者簡歷
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top