Synergetic Computers and Cognition: A Top-Down Approach to Neural Nets

این کتاب رویکرد جدیدی به شبکه‌های عصبی ارائه می‌کند و بنابراین یک جایگزین واقعی برای رایانه‌های عصبی تا کنون شناخته شده ارائه می‌دهد. این رویکرد مبتنی بر کشف قیاس عمیق بین تشخیص الگو و شکل‌گیری الگو در سیستم‌های باز به دور از تعادل است. بنابراین می توان از ابزارهای ریاضی و مفهومی هم افزایی بهره برداری کرد و مفهوم کامپیوتر هم افزایی را فرموله کرد. یک نظریه کامل و دقیق از تشخیص و یادگیری الگو ارائه شده است. الگوریتم به دست آمده را می توان بر روی رایانه های سریال پیاده سازی کرد یا توسط شبکه های کاملاً موازی که در آن هیچ حالت جعلی رخ نمی دهد، تحقق یابد. نمونه های صریح (تشخیص چهره ها و نقشه های شهر) ارائه شده است. فرآیند تشخیص با توجه به ترجمه همزمان، چرخش و مقیاس‌بندی ثابت می‌شود و امکان تشخیص صحنه‌های پیچیده را فراهم می‌کند. نوسانات و هیسترزیس در درک الگوهای مبهم و همچنین شناخت الگوهای حرکتی درمان می شود. مقایسه بین توانایی‌های تشخیص انسان و رایانه هم افزایی، مدل‌های احتمالی فرآیندهای ذهنی را روشن می‌کند. کامپیوتر سینرژتیک همچنین می تواند مراحل منطقی مانند عملیات XOR را انجام دهد. نسخه جدید شامل بخشی در مورد خواص تبدیل معادلات کامپیوتر هم افزایی و ویژگی های تغییر ناپذیری معادلات پارامتر ترتیب است. افزوده‌های بیشتر بخش جدیدی در مورد استریوپسیس و پیشرفت‌های اخیر در استفاده از شبکه‌های عصبی همراه با پالس برای تشخیص الگو هستند.

This book presents a novel approach to neural nets and thus offers a genuine alternative to the hitherto known neuro-computers. This approach is based on the author's discovery of the profound analogy between pattern recognition and pattern formation in open systems far from equilibrium. Thus the mathematical and conceptual tools of synergetics can be exploited, and the concept of the synergetic computer formulated. A complete and rigorous theory of pattern recognition and learning is presented. The resulting algorithm can be implemented on serial computers or realized by fully parallel nets whereby no spurious states occur. Explicit examples (recognition of faces and city maps) are provided. The recognition process is made invariant with respect to simultaneous translation, rotation, and scaling, and allows the recognition of complex scenes. Oscillations and hysteresis in the perception of ambiguous patterns are treated, as well as the recognition of movement patterns. A comparison between the recognition abilities of humans and the synergetic computer sheds new light on possible models of mental processes. The synergetic computer can also perform logical steps such as the XOR operation. The new edition includes a section on transformation properties of the equations of the synergetic computer and on the invariance properties of the order parameter equations. Further additions are a new section on stereopsis and recent developments in the use of pulse-coupled neural nets for pattern recognition.