基于双光反馈VCSEL的储备池计算系统及其并行处理能力的研究
发布时间：2021-07-30 10:00
在当今的大数据时代,人们的生活方式发生了翻天覆地的变化,同时人们周围的信息和数据也呈现出爆发式增长。在这样的时代背景下,研究工作者们致力于探究快速、高效且精确的信息处理方式。基于人脑对外来输入信息的处理模式,人工神经网络（Artificial Neural Networks,ANNs）在语音识别、手写数字识别、人脸识别和混沌时间序列预测等高复杂度任务上体现出高精确度高效率的优势从而在人工智能领域大放异彩。作为一种新型的基于递归神经网络（Recurrent Neural Networks,RNNs）的算法,储备池计算（Reservoir Computing,RC）凭借其训练过程简单等特点引发研究人员的广泛关注。目前,为了节约成本,更便于RC系统的实际应用,大量研究报告主要涉及到基于单个非线性节点加延迟反馈环结构的延迟型储备池计算（Delay-based Reservoir Computing,Delay-based RC）。特别地,由于具有较高的驰豫振荡频率,利用光反馈半导体激光器（Semiconductor Laser,SL）作为非线性节点来搭建RC系统能更快速地处理信息,备受人们青睐...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
前向神经网络(FNNs)拓扑结构图
ralNetworks,RNNs)。其中，FNNs一般由三层构成，分别称之为输入层、隐藏层和输出层，其网络拓扑结构示意图如图2.1所示。输入层用来输入待处理任务的数据，输入的信息在隐藏层中完成转换，最后在输出层产生处理后的信号。由于FNNs内部各节点之间无反馈连接，在这种情况下信号在传播过程中不可能同时经过同一个神经元两次，于是FNNs的输出只依赖于当前的数据输入，从而该网络不存在任何记忆能力，只能处理与时间无关的静态任务。因此，FNNs也被称作静态神经网络。与FNNs相对应，RNNs也被称为动态神经网络，其网络拓扑示意图如图2.2所示。显然，RNNs内部各节点之间或者节点内部存在反馈连接，这样的结构导致系统的输出除了依赖于当前的输入之外，还取决于之前的输入。于是RNNs具有动态记忆能力，能处理时间序列预测和语音识别等与时间相关的任务。由于实际中大部分任务都涉及时间或与时间息息相关，这使得RNNs在实际应用方面比FNNs更符合时代需求。图2.1前向神经网络(FNNs)拓扑结构图图2.2递归神经网络(RNNs)拓扑结构图
?连接权重可以随机生成无需训练。就这个方面而言，ESNs和LSMs大大简化了训练过程，减少了RNNs的计算成本，与此同时也提高了系统的运行效率。从这一角度出发，2007年D.Verstraeten等人首次将ESNs和LSMs统一命名为储备池计算(ReservoirComputing,RC)[8]。自此，RC这一概念由于具有较容易的训练过程和较高的计算效率，在人工智能领域光彩夺目，大放异彩，被广泛应用于语音识别[11,26,65-66]，手写数字识别[67]，人脸识别，时间序列预测[6,30-33]，非线性信道均衡[36]和机器人控制等任务并取得了良好的处理效果。图2.3传统储备池计算系统结构示意图传统的RC系统一般由输入层、储备池层和输出层构成[12]，如图2.3所示。该系统的信息或数据的处理过程如下所述：信息或数据经由输入层输入到储备池层，这一过程中输入的信息或者数据带有相应的权重值，称为输入权重。储备池层一般由成百上千个节点根据相应的连接权重相互连接而成，信息或数据进入该层后，各个节点便在输入信号的激励下产生暂态响应，生成相应的节点状态，这些节点状态便构成一个高维状态空间。每一个输入信号在储备池层内由低维映射到高维状态空间从而完成非线性转换，由于经非线性转换后的输入信息更容易被预测或者分类，RC处理复杂且困难的任务便显得极为高效。除了信息或数据的输入和储备池层的非线性转换之外，要想完成解决任务的目的，还需要输出层的参与。对比图2.2与2.3，输出层的存在也使得RC与传统的RNNs区别开来。在输出层，之前提到的各节点的状态被收集起来，再与经训练过程得到的输出权重加权求和
【参考文献】：
期刊论文
[1]半导体激光器储备池计算系统的工作点选取方法[J]. 花飞,方捻,王陆唐. 物理学报. 2019(22)
[2]储备池计算硬件实现方案研究进展[J]. 李磊,方捻,王陆唐,黄肇明. 激光与光电子学进展. 2017(08)
[3]基于偏振旋转耦合1550nm垂直腔面发射激光器环形系统产生多路高质量混沌信号[J]. 杨峰,唐曦,钟祝强,夏光琼,吴正茂. 物理学报. 2016(19)
[4]可变偏振光注入下1550nm垂直腔面发射激光器的偏振开关及双稳特性[J]. 陈俊,陈建军,吴正茂,蒋波,夏光琼. 物理学报. 2016(16)
[5]回声状态网络的研究进展[J]. 罗熊,黎江,孙增圻. 北京科技大学学报. 2012(02)
博士论文
[1]光注入及光电反馈垂直腔面发射激光器的非线性动力学特性研究[D]. 陈建军.西南大学 2017
硕士论文
[1]基于光反馈混沌储备池计算的分组头识别研究[D]. 秦杰.大连理工大学 2017
本文编号：3311199
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
前向神经网络(FNNs)拓扑结构图
ralNetworks,RNNs)。其中，FNNs一般由三层构成，分别称之为输入层、隐藏层和输出层，其网络拓扑结构示意图如图2.1所示。输入层用来输入待处理任务的数据，输入的信息在隐藏层中完成转换，最后在输出层产生处理后的信号。由于FNNs内部各节点之间无反馈连接，在这种情况下信号在传播过程中不可能同时经过同一个神经元两次，于是FNNs的输出只依赖于当前的数据输入，从而该网络不存在任何记忆能力，只能处理与时间无关的静态任务。因此，FNNs也被称作静态神经网络。与FNNs相对应，RNNs也被称为动态神经网络，其网络拓扑示意图如图2.2所示。显然，RNNs内部各节点之间或者节点内部存在反馈连接，这样的结构导致系统的输出除了依赖于当前的输入之外，还取决于之前的输入。于是RNNs具有动态记忆能力，能处理时间序列预测和语音识别等与时间相关的任务。由于实际中大部分任务都涉及时间或与时间息息相关，这使得RNNs在实际应用方面比FNNs更符合时代需求。图2.1前向神经网络(FNNs)拓扑结构图图2.2递归神经网络(RNNs)拓扑结构图
?连接权重可以随机生成无需训练。就这个方面而言，ESNs和LSMs大大简化了训练过程，减少了RNNs的计算成本，与此同时也提高了系统的运行效率。从这一角度出发，2007年D.Verstraeten等人首次将ESNs和LSMs统一命名为储备池计算(ReservoirComputing,RC)[8]。自此，RC这一概念由于具有较容易的训练过程和较高的计算效率，在人工智能领域光彩夺目，大放异彩，被广泛应用于语音识别[11,26,65-66]，手写数字识别[67]，人脸识别，时间序列预测[6,30-33]，非线性信道均衡[36]和机器人控制等任务并取得了良好的处理效果。图2.3传统储备池计算系统结构示意图传统的RC系统一般由输入层、储备池层和输出层构成[12]，如图2.3所示。该系统的信息或数据的处理过程如下所述：信息或数据经由输入层输入到储备池层，这一过程中输入的信息或者数据带有相应的权重值，称为输入权重。储备池层一般由成百上千个节点根据相应的连接权重相互连接而成，信息或数据进入该层后，各个节点便在输入信号的激励下产生暂态响应，生成相应的节点状态，这些节点状态便构成一个高维状态空间。每一个输入信号在储备池层内由低维映射到高维状态空间从而完成非线性转换，由于经非线性转换后的输入信息更容易被预测或者分类，RC处理复杂且困难的任务便显得极为高效。除了信息或数据的输入和储备池层的非线性转换之外，要想完成解决任务的目的，还需要输出层的参与。对比图2.2与2.3，输出层的存在也使得RC与传统的RNNs区别开来。在输出层，之前提到的各节点的状态被收集起来，再与经训练过程得到的输出权重加权求和
【参考文献】：
期刊论文
[1]半导体激光器储备池计算系统的工作点选取方法[J]. 花飞,方捻,王陆唐. 物理学报. 2019(22)
[2]储备池计算硬件实现方案研究进展[J]. 李磊,方捻,王陆唐,黄肇明. 激光与光电子学进展. 2017(08)
[3]基于偏振旋转耦合1550nm垂直腔面发射激光器环形系统产生多路高质量混沌信号[J]. 杨峰,唐曦,钟祝强,夏光琼,吴正茂. 物理学报. 2016(19)
[4]可变偏振光注入下1550nm垂直腔面发射激光器的偏振开关及双稳特性[J]. 陈俊,陈建军,吴正茂,蒋波,夏光琼. 物理学报. 2016(16)
[5]回声状态网络的研究进展[J]. 罗熊,黎江,孙增圻. 北京科技大学学报. 2012(02)
博士论文
[1]光注入及光电反馈垂直腔面发射激光器的非线性动力学特性研究[D]. 陈建军.西南大学 2017
硕士论文
[1]基于光反馈混沌储备池计算的分组头识别研究[D]. 秦杰.大连理工大学 2017
本文编号：3311199
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3311199.html
