Zelluläres neuronales Netzwerk - Wikipedia

In der Informatik und im maschinellen Lernen sind zellulare neuronale Netze (CNN) (oder zelluläre nichtlineare Netze (CNN) ) ein paralleles Rechenparadigma, das dem neuronalen Netz ähnlich ist, mit dem Unterschied Diese Kommunikation ist nur zwischen benachbarten Einheiten zulässig. Typische Anwendungen umfassen die Bildverarbeitung, die Analyse von 3D-Oberflächen, das Lösen partieller Differentialgleichungen, das Reduzieren nicht visueller Probleme auf geometrische Karten, die Modellierung biologischer Sicht und andere sensorisch-motorische Organe.

CNN-Architektur [ edit ]

Aufgrund ihrer Anzahl und Vielfalt der Architekturen ist es schwierig, einen CNN-Prozessor genau zu definieren. Unter dem Gesichtspunkt der Architektur sind CNN-Prozessoren ein System aus endlichen, örtlich miteinander verbundenen, nichtlinearen Verarbeitungseinheiten mit mehreren Eingängen, fester Position, fester Position, fester Topologie. Die nichtlinearen Verarbeitungseinheiten werden oft als Neuronen oder Zellen bezeichnet. Mathematisch kann jede Zelle als dissipatives, nichtlineares dynamisches System modelliert werden, in dem Informationen über ihren Anfangszustand, über Eingänge und Variablen, die zur Definition ihres Verhaltens verwendet werden, kodiert werden. Die Dynamik ist normalerweise kontinuierlich, wie im Fall von Continuous-Time-CNN-Prozessoren (CT-CNN), sie kann jedoch auch diskret sein, wie im Fall von Discrete-Time-CNN-Prozessoren (DT-CNN). Jede Zelle hat einen Ausgang, über den sie ihren Status mit anderen Zellen und externen Geräten kommuniziert. Die Ausgabe ist typischerweise reell, kann aber auch komplex oder sogar quaternionisch sein, d. H. Ein mehrwertiges CNN (MV-CNN). In den meisten CNN-Prozessoren sind Verarbeitungseinheiten identisch, es gibt jedoch Anwendungen, die nicht identische Einheiten erfordern, die als Nicht-Uniform-Prozessor-CNN (NUP-CNN) -Prozessoren bezeichnet werden und aus verschiedenen Arten von Zellen bestehen. In dem ursprünglichen Chua-Yang-CNN-Prozessor (CY-CNN) war der Zustand der Zelle eine gewichtete Summe der Eingaben und die Ausgabe war eine stückweise lineare Funktion. Wie bei den ursprünglichen neuronalen Netzen auf Perzeptron-Basis waren die Funktionen jedoch begrenzt: Insbesondere waren sie nicht in der Lage, nichtlineare Funktionen wie XOR zu modellieren. Komplexere Funktionen sind über nichtlineare CNN (NL-CNN) -Prozessoren realisierbar.

Zellen werden in einem normierten Raum definiert, üblicherweise einer zweidimensionalen euklidischen Geometrie, wie ein Gitter. Die Zellen sind jedoch nicht auf zweidimensionale Räume beschränkt; Sie können in einer beliebigen Anzahl von Dimensionen definiert werden und können quadratisch, dreieckig, sechseckig oder jede andere räumlich invariante Anordnung sein. Topologisch können Zellen auf einer unendlichen Ebene oder einem toroidalen Raum angeordnet werden. Die Zellverbindung ist lokal, dh alle Verbindungen zwischen Zellen befinden sich innerhalb eines angegebenen Radius (wobei der Abstand topologisch gemessen wird). Verbindungen können auch zeitverzögert sein, um die Verarbeitung im zeitlichen Bereich zu ermöglichen.

Die meisten CNN-Architekturen verfügen über Zellen mit den gleichen relativen Interconnects, es gibt jedoch Anwendungen, die eine räumlich abweichende Topologie erfordern, d. H. CNN-Prozessoren (MNS-CNN) mit mehreren Nachbarn. Außerdem können mehrschichtige CNN (ML-CNN) -Prozessoren verwendet werden, bei denen alle Zellen auf derselben Schicht identisch sind, um die Fähigkeit von CNN-Prozessoren zu erweitern.

Die Definition eines Systems ist eine Sammlung unabhängiger, interagierender Entitäten, die ein integriertes Ganzes bilden, dessen Verhalten sich von den Entitäten unterscheidet und qualitativ höher ist. Obwohl die Verbindungen lokal sind, kann der Informationsaustausch global durch Diffusion erfolgen. In diesem Sinne sind CNN-Prozessoren Systeme, da ihre Dynamik von der Wechselwirkung zwischen den Verarbeitungseinheiten und nicht innerhalb von Verarbeitungseinheiten abgeleitet wird. Infolgedessen zeigen sie aufstrebendes und kollektives Verhalten. Mathematisch kann die Beziehung zwischen einer Zelle und ihren Nachbarn, die sich in einem Einflussbereich befinden, durch ein Kopplungsgesetz definiert werden. Dies bestimmt hauptsächlich das Verhalten des Prozessors. Wenn die Kopplungsgesetze durch Fuzzy-Logik modelliert werden, handelt es sich um ein Fuzzy-CNN
^[1] Wenn diese Gesetze durch die Rechenlogik modelliert werden, wird sie zu einem Rechenverbn CNN (Verb CNN).
^[2][3]
. ^[4] Sowohl Fuzzy- als auch Verb-CNNs sind für die Modellierung sozialer Netzwerke nützlich, wenn die lokalen Kopplungen durch sprachliche Ausdrücke erreicht werden.

Literaturübersicht [ edit ]

Die Idee der CNN-Prozessoren wurde von Leon Chua und Lin Yangs zweiteiligem Artikel von 1988, "Cellular Neural Networks: Theory" und "Cellular", vorgestellt Neuronale Netze: Anwendungen "in IEEE-Transaktionen auf Schaltungen und Systemen. In diesen Artikeln beschreiben Chua und Yang die zugrunde liegende Mathematik hinter CNN-Prozessoren. Sie verwenden dieses mathematische Modell, um für eine bestimmte CNN-Implementierung zu demonstrieren, dass bei einer statischen Eingabe die Verarbeitungseinheiten konvergieren und zur Durchführung nützlicher Berechnungen verwendet werden können. Sie schlagen dann eine der ersten Anwendungen von CNN-Prozessoren vor: Bildverarbeitung und Mustererkennung (die nach wie vor die größte Anwendung ist). Leon Chua ist immer noch in der CNN-Forschung tätig und veröffentlicht viele seiner Artikel im International Journal of Bifurcation and Chaos, dessen Herausgeber er ist. Sowohl IEEE-Transaktionen auf Schaltungen und Systemen als auch das International Journal of Bifurcation enthalten eine Vielzahl nützlicher Artikel zu CNN-Prozessoren, die von anderen sachkundigen Forschern verfasst wurden. Ersteres konzentriert sich tendenziell auf neue CNN-Architekturen und letztere auf die dynamischen Aspekte von CNN-Prozessoren.

In einem weiteren wichtigen Artikel, Tamas Roska und Leon Chua aus dem Jahr 1993 "Die CNN-Universalmaschine: Ein analoger Array-Computer", wurde der erste algorithmisch programmierbare analoge CNN-Prozessor der Forschungsgemeinschaft vorgestellt. Die multinationalen Bemühungen wurden vom Office of Naval Research, der National Science Foundation und der Ungarischen Akademie der Wissenschaften finanziert und von der Ungarischen Akademie der Wissenschaften und der University of California erforscht. Dieser Artikel beweist, dass CNN-Prozessoren herstellbar sind, und bietet Forschern eine physische Plattform zum Testen ihrer CNN-Theorien. Nach diesem Artikel begannen die Unternehmen, in größere, leistungsfähigere Prozessoren zu investieren, die auf derselben Basisarchitektur wie der CNN Universal Processor basieren. Tamas Roska ist ein weiterer wichtiger Beitrag zu CNNs. Sein Name wird oft mit biologisch inspirierten Informationsverarbeitungsplattformen und -algorithmen in Verbindung gebracht. Er hat zahlreiche Schlüsselartikel veröffentlicht und war in Unternehmen und Forschungseinrichtungen involviert, die CNN-Technologie entwickeln.

In der veröffentlichten Literatur gibt es mehrere Übersichten zu CNN-Prozessoren. Eine der besseren Referenzen ist ein Artikel "Cellular Neural Networks: A Review", geschrieben für Neuronale Netze WIRN Vietri 1993 von Valerio Cimagalli und Marco Balsi. Das Dokument enthält Definitionen, CNN-Typen, Dynamiken, Implementierungen und Anwendungen in einem relativ kleinen, lesbaren Dokument. Es gibt auch ein Buch "Zelluläre neuronale Netze und Grundlagen des Visual Computing", das von Leon Chua und Tamas Roska verfasst wurde. Es enthält Beispiele und Übungen, die helfen, Punkte auf eine für Papiere und Zeitschriftenartikel ungewöhnliche Weise zu veranschaulichen. Das Buch deckt viele verschiedene Aspekte von CNN-Prozessoren ab und kann als Lehrbuch für einen Master oder einen Ph.D. Kurs. Die beiden Referenzen sind von unschätzbarem Wert, da sie es schaffen, die große Menge CNN-Literatur in einem kohärenten Rahmen zu organisieren.

Der beste Ort für CNN-Literatur ist aus den Arbeiten von "The International Workshop on Cellular Neural Networks und ihren Anwendungen". Die Konferenz ist online über IEEE Xplore für Konferenzen im Jahr 1990, 1992, 1994, 1996, 1998, 2000, 2002, 2005 und 2006 verfügbar. Am 14. und 16. Juli findet außerdem ein Workshop in Santiago de Composetela, Spanien, statt . Zu den Themen gehören Theorie, Design, Anwendungen, Algorithmen, physische Implementierungen und Programmier- / Trainingsmethoden. Für ein Verständnis der auf CNN-Technologie basierenden analogen Halbleiterprodukte hat AnaLogic Computers seine Produktreihe zusätzlich zu den auf ihrer Homepage veröffentlichten Artikeln und deren Publikationsliste. Sie haben auch Informationen zu anderen CNN-Technologien wie zum Beispiel dem optischen Rechnen. Viele der häufig verwendeten Funktionen wurden bereits mit CNN-Prozessoren implementiert. Ein guter Anhaltspunkt für einige davon sind Bildverarbeitungsbibliotheken für CNN-basierte visuelle Computer wie die CNN-basierten Systeme von Analogic.

Verwandte Verarbeitungsarchitekturen [ edit ]

CNN-Prozessoren könnten als Hybrid zwischen ANN und CA (Continuous Automata) betrachtet werden. Die Verarbeitungseinheiten von CNN und NN sind ähnlich. In beiden Fällen handelt es sich bei den Prozessoreinheiten um dynamische Systeme mit mehreren Eingängen, und das Verhalten der Gesamtsysteme wird hauptsächlich durch die Gewichte der linearen Verbindung der Verarbeitungseinheit bestimmt. Das Hauptunterscheidungsmerkmal besteht darin, dass in CNN-Prozessoren Verbindungen lokal hergestellt werden, wohingegen Verbindungen in ANN global sind. Zum Beispiel sind Neuronen in einer Schicht vollständig mit einer anderen Schicht in einem Vorwärtskopplungs-NN verbunden, und alle Neuronen sind in Hopfield-Netzwerken vollständig miteinander verbunden. In ANNs enthalten die Gewichtungen der Verbindungen Informationen zum vorherigen Zustand oder Feedback des Verarbeitungssystems. In CNN-Prozessoren werden die Gewichtungen jedoch verwendet, um die Dynamik des Systems zu bestimmen. Außerdem neigen sie aufgrund der hohen Verbindungsfähigkeit von ANN dazu, die Lokalität weder im Datensatz noch in der Verarbeitung auszunutzen, und daher sind sie in der Regel hochredundante Systeme, die ein robustes, fehlertolerantes Verhalten ohne katastrophale Fehler ermöglichen. Eine Kreuzung zwischen einem ANN- und einem CNN-Prozessor ist ein Ratio Memory CNN (RMCNN). In RMCNN-Prozessoren ist die Zellverbindung lokal und topologisch invariant, aber die Gewichte werden verwendet, um vorherige Zustände zu speichern, und nicht um die Dynamik zu steuern. Die Gewichte der Zellen werden während eines bestimmten Lernzustands geändert, wodurch ein Langzeitgedächtnis entsteht.

Die Topologie und Dynamik von CNN-Prozessoren ähnelt stark der von CA. Wie die meisten CNN-Prozessoren besteht CA aus einer festen Anzahl identischer Prozessoren, die räumlich diskret und topologisch einheitlich sind. Der Unterschied ist, dass die meisten CNN-Prozessoren einen kontinuierlichen Wert haben, während CA diskrete Werte hat. Darüber hinaus wird das Zellenverhalten des CNN-Prozessors über einige nichtlineare Funktionen definiert, während CA-Prozessorzellen von einer Statusmaschine definiert werden. Es gibt jedoch einige Ausnahmen. Zellularautomaten mit kontinuierlichem Wert oder kontinuierliche Automaten sind CA mit kontinuierlicher Auflösung. Je nachdem, wie ein bestimmter Automaten angegeben wird, kann es sich auch um ein CNN handeln. Es gibt auch Continuous Spatial Automata, die aus unendlich vielen räumlich kontinuierlichen Automaten bestehen. Auf diesem Gebiet wird beträchtliche Arbeit geleistet, da durchgehende Räume mathematisch einfacher zu modellieren sind als diskrete Räume, so dass ein quantitativerer Ansatz möglich ist als ein empirischer Ansatz, der von einigen Forschern von Zellularautomaten verfolgt wird. Kontinuierliche Spatial Automaten-Prozessoren können physisch über eine unkonventionelle Informationsverarbeitungsplattform wie einen chemischen Computer realisiert werden. Es ist außerdem denkbar, dass große CNN-Prozessoren (hinsichtlich der Auflösung der Ein- und Ausgabe) als kontinuierliche räumliche Automaten modelliert werden können.

Rechenmodell [ edit ]

Das dynamische Verhalten von CNN-Prozessoren kann mathematisch als Reihe gewöhnlicher Differentialgleichungen ausgedrückt werden, wobei jede Gleichung den Zustand einer einzelnen Verarbeitungseinheit darstellt . Das Verhalten des gesamten CNN-Prozessors wird durch seine Anfangsbedingungen, die Eingänge, die Zellenverbindung (Topologie und Gewichte) und die Zellen selbst definiert. Ein möglicher Einsatz von CNN-Prozessoren besteht darin, Signale bestimmter dynamischer Eigenschaften zu erzeugen und darauf zu reagieren. Zum Beispiel wurden CNN-Prozessoren verwendet, um ein Mehrfach-Scroll-Chaos zu erzeugen, sich mit chaotischen Systemen zu synchronisieren und eine Mehrstufen-Hysterese aufzuweisen. CNN-Prozessoren sind speziell für die Lösung lokaler, prozessorintensiver Probleme mit niedrigem Level in Abhängigkeit von Raum und Zeit konzipiert. Zum Beispiel können CNN-Prozessoren verwendet werden, um Hochpass- und Tiefpassfilter und morphologische Operatoren zu implementieren. Sie können auch zur Annäherung an einen weiten Bereich der partiellen Differentialgleichungen (PDE) wie Wärmeableitung und Wellenausbreitung verwendet werden.

CNN-Prozessoren können als Reaction-Diffusion (RD) -Prozessoren verwendet werden. RD-Prozessoren sind räumlich invariante, topologisch invariante, analoge, parallele Prozessoren, die durch Reaktionen gekennzeichnet sind, wobei sich zwei Agenten kombinieren können, um einen dritten Agenten zu bilden, und Diffusionen, die Ausbreitung von Agenten. RD-Prozessoren werden normalerweise durch Chemikalien in einer Petrischale (Prozessor), Licht (Eingabe) und eine Kamera (Ausgabe) implementiert. RD-Prozessoren können jedoch auch durch einen mehrschichtigen CNN-Prozessor implementiert werden. Mit RD-Prozessoren können Voronoi-Diagramme erstellt und eine Skelettierung durchgeführt werden. Der Hauptunterschied zwischen der chemischen Implementierung und der CNN-Implementierung besteht darin, dass CNN-Implementierungen erheblich schneller als ihre chemischen Gegenstücke sind und die chemischen Prozessoren räumlich kontinuierlich sind, während die CNN-Prozessoren räumlich diskret sind. Der am meisten erforschte RD-Prozessor, Belousov-Zhabotinsky (BZ) -Prozessoren, wurde bereits mit vierschichtigen CNN-Prozessoren simuliert und in einem Halbleiter implementiert.

Wie bei CA können Berechnungen durch Erzeugung und Ausbreitung von Signalen durchgeführt werden, die im Laufe der Zeit entweder wachsen oder sich ändern. Berechnungen können innerhalb eines Signals oder durch Interaktion zwischen Signalen erfolgen. Eine Art von Verarbeitung, bei der Signale verwendet werden und einen Impuls gewinnen, ist die Wellenverarbeitung, bei der Wellen erzeugt, expandiert und schließlich zusammengedrückt werden. Mit der Wellenverarbeitung können Sie Entfernungen messen und optimale Pfade finden. Berechnungen können auch durch Partikel, Gleiter, Lösungen und lokalisierte Strukturen von Filtern erfolgen, die ihre Form und Geschwindigkeit beibehalten. In Anbetracht dessen, wie diese Strukturen miteinander und mit statischen Signalen interagieren / kollidieren, können sie dazu verwendet werden, Informationen als Zustände zu speichern und verschiedene boolesche Funktionen zu implementieren. Berechnungen können auch zwischen komplexen, potenziell wachsenden oder sich entwickelnden lokalisierten Verhaltensweisen durch Würmer, Leitern und Pixelschlangen auftreten. Zusätzlich zum Speichern von Zuständen und zum Ausführen boolescher Funktionen können diese Strukturen statische Strukturen miteinander interagieren, erstellen und zerstören.

Obwohl CNN-Prozessoren hauptsächlich für analoge Berechnungen vorgesehen sind, können bestimmte Typen von CNN-Prozessoren jede boolesche Funktion implementieren, um die Simulation von CA zu ermöglichen. Da es sich bei einigen CA um Universal Turing-Maschinen (UTM) handelt, können beliebige Algorithmen auf Prozessoren, die auf der von Neumann-Architektur basieren, ausgeführt werden. Dies macht diese Art von CNN-Prozessoren zu einem universellen CNN-Prozessor (UTM). Eine CNN-Architektur besteht aus einer zusätzlichen Schicht, ähnlich der ANN-Lösung des von Marvin Minsky vor Jahren gestellten Problems. CNN-Prozessoren haben zur einfachsten Umsetzung von Conways Game of Life und Wolframs Regel 110 geführt, der einfachsten bekannten universellen Turing-Maschine. Diese einzigartige, dynamische Darstellung eines alten Systems ermöglicht es Forschern, für CNN entwickelte Techniken und Hardware anzuwenden, um wichtige CA besser zu verstehen. Darüber hinaus erzeugt der kontinuierliche Zustandsraum von CNN-Prozessoren mit geringfügigen Modifikationen, die bei Cellular Automata keine Entsprechung haben, ein nie zuvor gesehenes Auftauchen.

Jede Informationsverarbeitungsplattform, die den Aufbau beliebiger boolescher Funktionen ermöglicht, wird als universell bezeichnet. Daher werden CNN-Prozessoren dieser Klasse im Allgemeinen als universelle CNN-Prozessoren bezeichnet. Die ursprünglichen CNN-Prozessoren können nur linear trennbare boolesche Funktionen ausführen. Dies ist im Wesentlichen das gleiche Problem, das Marvin Minsky in Bezug auf die Wahrnehmungen der ersten neuronalen Netzwerke eingeführt hat. In beiden Fällen können durch das Übersetzen von Funktionen aus digitalen Logik- oder Suchtabellendomänen in den CNN-Bereich einige Funktionen erheblich vereinfacht werden. Beispielsweise kann die Neun-Bit-Odd-Parity-Erzeugungslogik, die typischerweise durch acht verschachtelte Exklusiv-Oder-Gatter implementiert wird, auch durch eine Summenfunktion und vier verschachtelte Absolutwertfunktionen dargestellt werden. Es gibt nicht nur eine Verringerung der Funktionskomplexität, sondern die CNN-Implementierungsparameter können in der fortlaufenden reellen Zahlendomäne dargestellt werden.

Es gibt zwei Methoden, um einen CNN-Prozessor zusammen mit einer Vorlage oder Gewichtungen auszuwählen. Die erste ist eine Synthese, bei der die Koeffizienten offline bestimmt werden. Dies kann durch die Nutzung früherer Arbeiten, d. H. Bibliotheken, Papiere und Artikel, oder durch mathematisches Ableiten von Co erfolgen, das dem Problem am besten entspricht. Die andere besteht darin, den Prozessor zu trainieren. Die Forscher haben Backpropagation und genetische Algorithmen verwendet, um Funktionen zu erlernen und auszuführen. Back-Propagation-Algorithmen sind in der Regel schneller, aber genetische Algorithmen sind nützlich, da sie einen Mechanismus für die Suche nach einer Lösung in einem diskontinuierlichen, lauten Suchraum bieten.

Technologie [ edit ]

Eine Informationsverarbeitungsplattform bleibt nichts weiter als eine intellektuelle Übung, es sei denn, sie kann in Hardware implementiert und in ein System integriert werden. Prozessoren, die auf Billardkugeln basieren, können zwar interessant sein, es sei denn, ihre Implementierung bringt Vorteile für ein System, sie dienen nur als Unterrichtsgerät. CNN-Prozessoren wurden unter Verwendung der aktuellen Technologie implementiert, und es ist geplant, CNN-Prozessoren in zukünftige Technologien einzuführen. Sie enthalten die notwendigen Schnittstellen für die Programmierung und die Schnittstellen und wurden in verschiedenen Systemen implementiert. Es folgt eine flüchtige Untersuchung der verschiedenen heute verfügbaren CNN-Prozessoren, ihrer Vor- und Nachteile sowie der zukünftigen Roadmap für CNN-Prozessoren.

CNN-Prozessoren wurden implementiert und sind derzeit als Halbleiter verfügbar, und es ist geplant, CNN-Prozessoren in Zukunft auf aufstrebende Technologien umzustellen. CNN-Prozessoren auf Halbleiterbasis können in analoge CNN-Prozessoren, digitale CNN-Prozessoren und CNN-Prozessoren, die mit digitalen Prozessoren emuliert werden, segmentiert werden. Analoge CNN-Prozessoren waren die ersten, die entwickelt wurden. Analoge Computer waren in den 1950er und 1960er Jahren recht verbreitet, wurden jedoch in den 70er Jahren allmählich durch digitale Computer ersetzt. Analoge Prozessoren waren in bestimmten Anwendungen erheblich schneller, z. B. bei der Optimierung von Differentialgleichungen und bei der Modellierung von Nichtlinearitäten. Der Grund für das Nachlassen der analogen Verarbeitung war jedoch die mangelnde Präzision und die Schwierigkeit, einen analogen Computer für die Lösung einer komplexen Gleichung zu konfigurieren. Analoge CNN-Prozessoren haben einige der gleichen Vorteile wie ihre Vorgänger, insbesondere die Geschwindigkeit. Die ersten analogen CNN-Prozessoren waren in der Lage, eine Verarbeitung mit ultrahoher Bildrate (> 10.000 Frames / s) durchzuführen, die von digitalen Prozessoren nicht erreicht werden konnte. Die analoge Implementierung von CNN-Prozessoren erfordert weniger Fläche und verbraucht weniger Strom als ihre digitalen Pendants. Obwohl die Genauigkeit von analogen CNN-Prozessoren nicht mit ihren digitalen Gegenstücken zu vergleichen ist, sind Rauschen und Prozessabweichungen für viele Anwendungen klein genug, um die Bildqualität nicht wahrnehmbar zu beeinflussen.

Der erste algorithmisch programmierbare, analoge CNN-Prozessor wurde 1993 erstellt. Er wurde als CNN Universal Processor bezeichnet, weil sein interner Controller die Ausführung mehrerer Schablonen für denselben Datensatz ermöglichte, so dass mehrere Schichten simuliert und eine universelle Berechnung ermöglicht wurde. Das Design beinhaltete eine 8-bis 8-fache CCN-Einzelschicht, Schnittstellen, Analogspeicher, Schaltlogik und Software. Der Prozessor wurde entwickelt, um die Herstellbarkeit und den Nutzen des CNN-Prozessors zu bestimmen. Das CNN-Konzept erwies sich als vielversprechend und im Jahr 2000 entwarfen mindestens sechs Organisationen algorithmisch programmierbare, analoge CNN-Prozessoren. Zu diesem Zeitpunkt stellte AnaFocus, ein Mixed-Signal-Halbleiterunternehmen, das aus der Forschung an der Universität von Sevilla hervorging, seine CNE-Produktlinie für ACE-Prototypen vor. Ihr erster ACE-Prozessor enthielt 20x20 B / W-Prozessoreinheiten; Ihr nächster ACE-Prozessor stellte 48x48 Graustufen-Prozessoreinheiten bereit, und der neueste ACE-Prozessor enthält 128x128 Graustufenprozessoreinheiten. Mit der Zeit erhöhte sich nicht nur die Anzahl der Verarbeitungselemente, sondern auch ihre Geschwindigkeit, die Anzahl der Funktionen, die sie ausführen können, und eine nahtlose Detektorschnittstelle wurde in das Silizium integriert (wodurch die Schnittstelle erheblich verbessert wurde). Die Möglichkeit, die Detektorschnittstelle in den CNN-Prozessor einzubetten, ermöglicht eine Echtzeit-Interaktion zwischen Erfassung und Verarbeitung. AnaFocus verfügt über eine mehrschichtige CASE-Prototypenlinie für CNN-Prozessoren. Der neueste CASE-Prozessor ist ein dreischichtiger 32x32-CNN-Prozessor. Ihre Arbeit in CNN-Prozessoren gipfelt derzeit in der bald im Handel erhältlichen Eye-RIS-Produktlinie, die aus allen Prozessoren, Co-Prozessoren, Software-Entwicklungskits und Unterstützung für die Programmierung und Integration eines analogen Prozessors besteht in ein System.

AnaFocus arbeitet mit AnaLogic Computers zusammen, um ihre CNN-Prozessoren in visuelle Systeme einzubinden. AnaLogic Computers wurde im Jahr 2000 von vielen Forschern gegründet, die hinter dem ersten algorithmisch programmierbaren CNN-Universalprozessor stehen. Die Mission von AnaLogic Computers ist die Kommerzialisierung von biologisch inspirierten Hochgeschwindigkeitssystemen, die auf CNN-Prozessoren basieren. Im Jahr 2003 entwickelte AnaLogic Computers eine PCI-X-Grafikkarte mit einem ACE 4K-Prozessor, einem Texas Instrument DIP-Modul und einem Hochgeschwindigkeits-Framegrabber. Dadurch konnte die CNN-Verarbeitung problemlos in einen Desktop-Computer integriert werden, wodurch die Benutzerfreundlichkeit und die Leistungsfähigkeit von CNN-Analogprozessoren erheblich verbessert wurden. Im Jahr 2006 entwickelte AnaLogic Computers die Produktreihe Bi-I Ultra High Speed ​​Smart Camera, die den ACE 4K-Prozessor in ihren High-End-Modellen enthält. Das Produkt, das ihr Entwicklungsteam jetzt verfolgt, ist die Bionic Eyeglass. Bei der Bionic Eyeglass handelt es sich um eine tragbare Plattform mit zwei Kameras, die auf der Bi-I Ultra-High-Speed-Smart-Kamera basiert. Sie wurde entwickelt, um Blinden zu helfen. Einige Funktionen, die das Bionic Eyeglass-System ausführen wird, sind die Erkennung von Routennummern und die Farbverarbeitung.

Einige Forscher entwickeln eigene analoge CNN-Prozessoren. Beispielsweise wurde ein analoger CNN-Prozessor von einem Forschungsteam der Universität Degli Studi di Catania entwickelt, um Gangarten für einen Hexapod-Roboter zu erzeugen. Forscher der National Chiao Tung University entwickelten einen RM-CNN-Prozessor, um mehr über das Lernen und Anerkennen von Mustern zu lernen. Forscher des National Lien-Ho Institute of Technology entwickelten einen Min-Max-CNN-Prozessor (MMCNN), um mehr über die CNN-Dynamik zu erfahren. In Anbetracht der Vielfalt der CNN-Prozessoren und der Dynamik, die die CNN-Forschung gewonnen hat, ist es plausibel, dass solche analogen CNN-Entwicklungsbemühungen in naher Zukunft recht häufig sein werden.

Trotz ihrer Geschwindigkeit und ihres geringen Stromverbrauchs weisen analoge CNN-Prozessoren einige erhebliche Nachteile auf. Erstens können analoge CNN-Prozessoren aufgrund von Umgebungs- und Prozessvariationen möglicherweise fehlerhafte Ergebnisse erzeugen. In den meisten Anwendungen sind diese Fehler nicht wahrnehmbar, aber es gibt Situationen, in denen geringfügige Abweichungen zu katastrophalen Systemausfällen führen können. Bei der chaotischen Kommunikation ändert beispielsweise die Prozessvariation die Flugbahn eines gegebenen Systems im Phasenraum, was zu einem Verlust der Synchronizität / Stabilität führt. Aufgrund der Schwere des Problems werden zur Verbesserung des Problems umfangreiche Forschungsarbeiten durchgeführt. Einige Forscher optimieren Vorlagen, um größere Variationen zu ermöglichen. Andere Forscher verbessern den Halbleiterprozess, um die theoretische CNN-Leistung besser abzustimmen. Andere Forscher untersuchen verschiedene, möglicherweise robustere CNN-Architekturen. Schließlich entwickeln die Forscher Methoden, um Vorlagen auf einen bestimmten Chip und bestimmte Betriebsbedingungen abzustimmen. Mit anderen Worten, die Vorlagen werden für die Informationsverarbeitungsplattform optimiert. Die Prozessvariation begrenzt nicht nur, was mit aktuellen analogen CNN-Prozessoren möglich ist, sondern sie erschwert auch die Schaffung komplexerer Verarbeitungseinheiten. Wenn diese Prozessvariation nicht aufgelöst wird, können Ideen wie verschachtelte Verarbeitungseinheiten, nichtlineare Eingaben usw. nicht in einem analogen Echtzeit-CNN-Prozessor implementiert werden. Der Halbleiter "Immobilien" für Verarbeitungseinheiten begrenzt auch die Größe von CNN-Prozessoren. Derzeit besteht der größte AnaVision CNN-basierte Bildprozessor aus einem 4K-Detektor, der deutlich unter den Megapixel-Detektoren von erschwinglichen Consumer-Kameras liegt. Leider führt die Reduzierung der Feature-Größe, wie im Moore-Gesetz vorhergesagt, nur zu geringfügigen Verbesserungen. Aus diesem Grund werden alternative Technologien wie resonante Tunneldioden und Neuron-Bipolar-Junction-Transistoren erforscht. Auch die Architektur der CNN-Prozessoren wird neu bewertet. Beispielsweise wurden Star-CNN-Prozessoren vorgeschlagen, bei denen ein analoger Multiplizierer zeitlich zwischen mehreren Prozessoreinheiten aufgeteilt wird, und es wird erwartet, dass die Prozessoreinheit zu einer Verringerung der Größe um achtzig Prozent führt.

Digitale CNN-Prozessoren sind zwar nicht annähernd so schnell und energiesparend, teilen jedoch nicht die Probleme der Prozessvariation und der Funktionsgröße ihrer analogen Pendants. Dadurch können digitale CNN-Prozessoren geschachtelte Prozessoreinheiten, Nichtlinearitäten usw. einschließen. Darüber hinaus sind digitale CNN flexibler, kostengünstiger und einfacher zu integrieren. Die gängigste Implementierung von digitalen CNN-Prozessoren verwendet einen FPGA. Eutecus, gegründet 2002 und in Berkeley tätig, stellt geistiges Eigentum zur Verfügung, das zu einem Altera FPGA zusammengefügt werden kann. Ihre digitalen FPGA-basierten CNN-Prozessoren mit 320 x 280 Pixeln laufen mit 30 Frames / s und es ist geplant, einen schnellen digitalen ASIC zu erstellen. Eustecus ist ein strategischer Partner von AnaLogic-Computern, und ihre FPGA-Designs sind in mehreren AnaLogic-Produkten zu finden. Eutecus entwickelt auch Softwarebibliotheken zur Durchführung von Aufgaben, unter anderem zur Videoanalyse für den Videosicherheitsmarkt, zur Klassifizierung von Merkmalen, zur Verfolgung von mehreren Zielen, zur Signal- und Bildverarbeitung sowie zur Flussverarbeitung. Viele dieser Routinen werden unter Verwendung einer CNN-ähnlichen Verarbeitung abgeleitet. Für diejenigen, die CNN-Simulationen für Prototyping, Low-Speed-Anwendungen oder Forschung durchführen möchten, gibt es mehrere Möglichkeiten. Erstens gibt es genaue CNN-Emulationssoftwarepakete wie SCNN 2000. Wenn die Geschwindigkeit unerschwinglich ist, gibt es mathematische Techniken, wie die Iterative Methode von Jacobi oder Vorwärts-Rückwärts-Rekursionen, die verwendet werden können, um die stationäre Lösung eines CNN-Prozessors abzuleiten. Die Techniken können mit jedem mathematischen Werkzeug ausgeführt werden, z. Matlab. Schließlich können digitale CNN-Prozessoren auf hochparallelen, anwendungsspezifischen Prozessoren wie beispielsweise Grafikprozessoren emuliert werden. Die Implementierung neuronaler Netzwerke mit Grafikprozessoren ist ein Forschungsbereich für die Forschungsgemeinschaft.

Forscher verwenden auch alternative Technologien für CNN-Prozessoren. Aktuelle CNN-Prozessoren umgehen zwar einige der mit ihren digitalen Pendants verbundenen Probleme, teilen jedoch einige der gleichen langfristigen Probleme, die allen Prozessoren auf Halbleiterbasis gemeinsam sind. Dazu gehören unter anderem Geschwindigkeit, Zuverlässigkeit, Stromverbrauch usw. AnaLogic Computers entwickelt optische CNN-Prozessoren, die Optiken, Laser und biologische und holographische Speicher kombinieren. Was anfänglich Technologieexploration war, führte zu einem 500 x 500 CNN-Prozessor, der 300 Giga-Operationen pro Sekunde ausführen kann. Eine weitere vielversprechende Technologie für CNN-Prozessoren ist die Nanotechnologie. Ein Nanotechnologiekonzept, das untersucht wird, besteht darin, einzelne Elektronentunnelverbindungen zu verwenden, die zu Einzelelektronen- oder Hochstromtransistoren verarbeitet werden können, um McCulloch-Pitts CNN-Verarbeitungseinheiten zu erzeugen. Zusammenfassend sind CNN-Prozessoren implementiert worden, die ihren Benutzern einen Mehrwert bieten. Sie waren in der Lage, die Vorteile effektiv zu nutzen und einige der mit ihrer zugrunde liegenden Technologie verbundenen Nachteile, d. H. Halbleiter, anzugehen. Forscher wandeln auch CNN-Prozessoren in aufkommende Technologien um. Wenn die CNN-Architektur für ein bestimmtes Informationsverarbeitungssystem geeignet ist, stehen daher Prozessoren zum Kauf zur Verfügung (wie in absehbarer Zukunft).

Anwendungen [ edit ]

Die Philosophie, die Interessen und die Methodik der CNN-Forscher sind vielfältig. Aufgrund des Potenzials der CNN-Architektur hat diese Plattform Menschen mit unterschiedlichen Hintergründen und Disziplinen angezogen. Einige erforschen praktische Implementierungen von CNN-Prozessoren, andere verwenden CNN-Prozessoren, um physikalische Phänomene zu modellieren, und es gibt sogar Forscher, die theoretische mathematische, rechnerische und philosophische Ideen mit CNN-Prozessoren untersuchen. Einige Anwendungen beziehen sich auf das Engineering, wobei einige bekannte, verstandene Verhaltensweisen von CNN-Prozessoren zur Ausführung einer bestimmten Aufgabe ausgenutzt werden, und andere sind wissenschaftliche Aufgaben, bei denen CNN-Prozessoren zur Erkundung neuer und unterschiedlicher Phänomene eingesetzt werden. CNN-Prozessoren sind vielseitige Plattformen, die für eine Vielzahl von Anwendungen verwendet werden.

CNN-Prozessoren wurden zur Bildverarbeitung entwickelt. Die ursprüngliche Anwendung von CNN-Prozessoren bestand im Besonderen darin, eine Verarbeitung mit ultrahoher Bildrate (> 10.000 Frames / s) durchzuführen, die von digitalen Prozessoren nicht erreicht werden kann, die für Anwendungen wie die Partikelerkennung in Düsentriebwerkflüssigkeiten und die Zündkerzenerkennung erforderlich sind. Gegenwärtig können CNN-Prozessoren bis zu 50.000 Frames pro Sekunde erreichen, und für bestimmte Anwendungen wie Raketenverfolgung, Flash-Erkennung und Zündkerzendiagnose haben diese Mikroprozessoren einen herkömmlichen Supercomputer übertroffen. CNN-Prozessoren eignen sich für lokale, prozessorintensive Operationen auf niedriger Ebene und wurden bei der Merkmalsextraktion, Pegel- und Verstärkungseinstellungen, Farbkonstanzerfassung, Kontrastverbesserung, Dekonvolution, Bildkompression, Bewegungsschätzung, Bildkodierung, Bilddekodierung, Bildsegmentierung verwendet Orientierungspräferenzkarten, Lernen / Erkennen von Mustern, Tracking mit mehreren Zielen, Bildstabilisierung, Verbesserung der Auflösung, Bildverformungen und -abbildung, Bildmalerei, optischer Fluss, Konturierung, Bewegungsobjekterkennung, Symmetrieachsenerkennung und Bildfusion.

Aufgrund ihrer Verarbeitungsfähigkeiten und ihrer Flexibilität wurden CNN-Prozessoren für neuartige Feldanwendungen verwendet und prototypisiert, z. B. Flammenanalyse zur Überwachung der Verbrennung in einer Müllverbrennungsanlage, Minensuche unter Verwendung von Infrarotbildern, Kalorimeter-Cluster-Peak für Hochenergiephysik, Anomalie Detektion in potenziellen Feldkarten für die Geophysik, Laserpunkterkennung, Metallinspektion zur Erkennung von Herstellungsfehlern und Kommissionierung des seismischen Horizonts. They have also been used to perform biometric functions such as fingerprint recognition, vein feature extraction, face tracking, and generating visual stimuli via emergent patterns to gauge perceptual resonances. CNN processors have been used for medical and biological research in performing automated nucleated cell counting for detecting hyperplasia, segment images into anatomically and pathologically meaningful regions, measure and quantify cardiac function, measure the timing of neurons, and detect brain abnormalities that would lead to seizures. One potential future application of CNN microprocessors is to combine them with DNA microarrays to allow for a near-real time DNA analysis of hundreds of thousands of different DNA sequences. Currently, the major bottleneck of DNA microarray analysis is the amount of time needed to process data in the form of images, and using a CNN microprocessor, researchers have reduced the amount of time needed to perform this calculation to 7ms.

CNN processors have also been used to generate and analyze patterns and textures. One motivation was to use CNN processors to understand pattern generation in natural systems. They were used to generate Turing patterns in order to understand the situations in which they form, the different types of patterns which can emerge, and the presence of defects or asymmetries. Also, CNN processors were used to approximate pattern generation systems that create stationary fronts, spatio-temporal patterns oscillating in time, hysteresis, memory, and heterogeneity. Furthermore, pattern generation was used to aid high-performance image generation and compression via real-time generation of stochastic and coarse-grained biological patterns, texture boundary detection, and pattern and texture recognition and classification.

Control and Actuator Systems[edit]

There is an ongoing effort to incorporate CNN processors into sensory-computing-actuating machines as part of the emerging field of Cellular Machines. The basic premise is to create an integrated system that uses CNN processors for the sensory signal-processing and potentially the decision-making and control. The reason is that CNN processors can provide a low power, small size, and eventually low-cost computing and actuating system suited for Cellular Machines. These Cellular Machines will eventually create a Sensor-Actuator Network (SAN), a type of Mobile Ad Hoc Networks (MANET) which can be used for military intelligence gathering, surveillance of inhospitable environments, maintenance of large areas, planetary exploration, etc.

CNN processors have been proven versatile enough for some control functions. They have been used to optimize function via a genetic algorithm, to measure distances, to perform optimal path-finding in a complex, dynamic environment, and theoretically can be used to learn and associate complex stimuli. They have also been used to create antonymous gaits and low-level motors for robotic nematodes, spiders, and lamprey gaits using a Central Pattern Generator (CPG). They were able to function using only feedback from the environment, allowing for a robust, flexible, biologically inspired robot motor system. CNN-based systems were able to operate in different environments and still function if some of the processing units are disabled.

The variety of dynamical behavior seen in CNN processors make them intriguing for communication systems. Chaotic communications using CNN processors is being researched due to their potential low power consumption, robustness and spread spectrum features. The premise behind chaotic communication is to use a chaotic signal for the carrier wave and to use chaotic phase synchronization to reconstruct the original message. CNN processors can be used on both the transmitter and receiver end to encode and decode a given message. They can also be used for data encryption and decryption, source authentication through watermarking, detecting of complex patterns in spectrogram images (sound processing), and transient spectral signals detection.

CNN processors are neuromorphic processors, meaning that they emulate certain aspects of biological neural networks. The original CNN processors were based on mammalian retinas, which consist of a layer of photodetectors connected to several layers of locally coupled neurons. This makes CNN processors part of an interdisciplinary research area whose goal is to design systems that leverage knowledge and ideas from neuroscience and contribute back via real-world validation of theories. CNN processors have implemented a real-time system that replicates mammalian retinas, validating that the original CNN architecture chosen modeled the correct aspects of the biological neural networks used to perform the task in mammalian life. However, CNN processors are not limited to verifying biological neural networks associated with vision processing; they have been used to simulate dynamic activity seen in mammalian neural networks found in the olfactory bulb and locust antennal lobe, responsible for pre-processing sensory information to detect differences in repeating patterns.

CNN processors are being used to understand systems that can be modeled using simple, coupled units, such as living cells, biological networks, physiological systems, and ecosystems. The CNN architecture captures some of the dynamics often seen in nature and is simple enough to analyze and conduct experiments. They are also being used for stochastic simulation techniques, which allow scientists to explore spin problems, population dynamics, lattice-based gas models, percolation, and other phenomena. Other simulation applications include heat transfer, mechanical vibrating systems, protein production, Josephson Transmission Line (JTL) problems, seismic wave propagation, and geothermal structures. Instances of 3D (Three Dimensional) CNN have been used to prove known complex shapes are emergent phenomena in complex systems, establishing a link between art, dynamical systems and VLSI technology. CNN processors have been used to research a variety of mathematical concepts, such as researching non-equilibrium systems, constructing non-linear systems of arbitrary complexity using a collection of simple, well-understood dynamic systems, studying emergent chaotic dynamics, generating chaotic signals, and in general discovering new dynamic behavior. They are often used in researching systemics, a trandisiplinary, scientific field that studies natural systems. The goal of systemics researchers is to develop a conceptual and mathematical framework necessary to analyze, model, and understand systems, including, but not limited to, atomic, mechanical, molecular, chemical, biological, ecological, social and economic systems. Topics explored are emergence, collective behavior, local activity and its impact on global behavior, and quantifying the complexity of an approximately spatial and topologically invariant system^{[citation needed]}. Although another measure of complexity may not arouse enthusiasm (Seth Lloyd, a professor from Massachusetts Institute of Technology (MIT), has identified 32 different definitions of complexity), it can potentially be mathematically advantageous when analyzing systems such as economic and social systems.

1. ^ Yang, T.(et al) (October 1996). "The global stability of fuzzy cellular neural network". IEEE Transactions on Circuits and Systems---I: fundamental theory and applications. IEEE. 43 (10): 880–883.
   


2. ^ Yang, T. (March 2009). "Computational Verb Cellular Networks: Part I--A New Paradigm of Human Social Pattern Formation,". International Journal of Computational Cognition. Yang's Scientific Press. 7 (1): 1–34.
   


3. ^ Yang, T. (March 2009). "Computational Verb Cellular Networks: Part II--One-Dimensional Computational Verb Local Rules,". International Journal of Computational Cognition. Yang's Scientific Press. 7 (1): 35–51.
   


4. ^ Yang, T. (June 2009). "Computational Verb Cellular Networks: Part III--Solutions of One-Dimensional Computational Verb Cellular Networks,". International Journal of Computational Cognition. Yang's Scientific Press. 7 (2): 1–11.
   

References[edit]

• The Chua Lectures: A 12-Part Series with Hewlett Packard Labs [1]


• D. Balya, G, Tímar, G. Cserey, and T. Roska, "A New Computational Model for CNN-UMs

and its Computational Complexity", Int’l Workshop on Cellular Neural Networks and Their Applications, 2004.

• L. Chua and L. Yang, "Cellular Neural Networks: Theory," IEEE Trans. on Circuits and Systems, 35(10):1257-1272, 1988. [2]


• L. Chua and L. Yang, "Cellular Neural Networks: Applications" IEEE Trans. on Circuits and Systems, 35(10):1273:1290, 1988.


• L. Chua, T. Roska, Cellular Neural Networks and Visual Computing: Foundations and Applications, 2005.


• V. Cimagalli, M. Balsi, "Cellular Neural Networks: A Review", Neural Nets WIRN Vietri, 1993.


• H. Harrer and J.Nossek, "Discrete-Time Cellular Neural Networks", International Journal of Circuit Theory and Applications, 20:453-467, 1992.


• S. Majorana and L. Chua, "A Unified Framework for Multilayer High Order CNN", Int’l Journal of Circuit Theory and Applications, 26:567-592, 1998.


• T. Roska, L. Chua, "The CNN Universal Machine: An Analogic Array Computer", IEEE Trans. on Circuits and Systems-II, 40(3): 163-172, 1993.


• T. Roska and L. Chua, "Cellular Neural Networks with Non-Linear and Delay-Type Template Elements and Non-Uniform Grids", Int’l Journal of Circuit Theory and Applications, 20:469-481, 1992.


• I. Szatmari, P. Foldesy, C. Rekeczky and A. Zarandy, "Image Processing Library for the Aladdin Computer", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• C. Wu and Y. Wu, "The Design of CMOS Non-Self-Feedback Ratio Memory Cellular Nonlinear Network without Elapsed Operation for Pattern Learning and Recognition", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• M. Yalcin, J. Suykens, and J. Vandewalle, Cellular Neural Networks, Multi-Scroll Chaos And Synchronization, 2005.


• K. Yokosawa, Y. Tanji and M. Tanaka, "CNN with Multi-Level Hysteresis Quantization Output" Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• T. Nakaguchi, K. Omiya and M. Tanaka, "Hysteresis Cellular Neural Networks for Solving Combinatorial Optimization Problems", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• K. Crounse, C. Wee and L. Chua, "Linear Spatial Filter Design for Implementation on the CNN Universal Machine", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• H. Ip, E. Drakakis, and A. Bharath, "Towards Analog VLSI Arrays for Nonseparable 3D Spatiotemporal Filtering", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• M. Brugge, "Morphological Design of Discrete−Time Cellular Neural Networks", University of Groningen Dissertation, 2005.


• J. Poikonen1 and A. Paasio, "Mismatch-Tolerant Asynchronous Grayscale Morphological Reconstruction", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• M. Gilli, T. Roska, L. Chua, and P. Civalleri, "CNN Dynamics Represents a Broader Range Class than PDEs", Int’l Journal of Bifurcations and Chaos, 12(10):2051-2068, 2002.


• A. Adamatzky, B. Costello, T Asai "Reaction-Diffusion Computers", 2005.


• F. Gollas and R. Tetzlaff, "Modeling Complex Systems by Reaction-Diffusion Cellular Nonlinear Networks with Polynomial Weight-Functions", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• A. Selikhov, "mL-CNN: A CNN Model for Reaction Diffusion Processes in m Component Systems", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• B. Shi and T. Luo, "Spatial Pattern Formation via Reaction–Diffusion Dynamics in 32x32x4 CNN Chip", IEEE Trans. On Circuits And Systems-I, 51(5):939-947, 2004.


• E. Gomez-Ramirez, G. Pazienza, X. Vilasis-Cardona, "Polynomial Discrete Time Cellular Neural Networks to solve the XOR Problem", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• F. Chen, G. He, X. Xu1, and G. Chen, "Implementation of Arbitrary Boolean Functions via CNN", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• R. Doguru and L. Chua, "CNN Genes for One-Dimensional Cellular Automata: A Multi-Nested Piecewise-Linear Approach", Int’l Journal of Bifurcation and Chaos, 8(10):1987-2001, 1998.


• R. Dogaru and L. Chua, "Universal CNN Cells", Int’l Journal of Bifurcations and Chaos, 9(1):1-48, 1999.


• R. Dogaru and L. O. Chua, "Emergence of Unicellular Organisms from a Simple Generalized Cellular Automata", Int’l Journal of Bifurcations and Chaos, 9(6):1219-1236, 1999.


• T. Yang, L. Chua, "Implementing Back-Propagation-Through-Time Learning Algorithm Using Cellular Neural Networks", Int’l Journal of Bifurcations and Chaos, 9(6):1041-1074, 1999.


• T. Kozek, T. Roska, and L. Chua, "Genetic Algorithms for CNN Template Learning," IEEE Trans. on Circuits and Systems I, 40(6):392-402, 1993.


• G. Pazienza, E. Gomez-Ramirezt and X. Vilasis-Cardona, "Genetic Programming for the CNN-UM", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• J. Nossek, G. Seiler, T. Roska, and L. Chua, "Cellular Neural Networks: Theory and Circuit Design," Int’l Journal of Circuit Theory and Applications, 20: 533-553, 1998.


• K. Wiehler, M. Perezowsky, R. Grigat, "A Detailed Analysis of Different CNN Implementations for a Real-Time Image Processing System", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• A. Zarandry, S. Espejo, P. Foldesy, L. Kek, G. Linan, C. Rekeczky, A. Rodriguez-Vazquez, T. Roska, I. Szatmari, T. Sziranyi and P. Szolgay, "CNN Technology in Action ", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• L. Chua, L. Yang, and K. R. Krieg, "Signal Processing Using Cellular Neural Networks", Journal of VLSI Signal Processing, 3:25-51, 1991.


• T. Roska, L. Chua, "The CNN Universal Machine: An Analogic Array Computer", IEEE Trans. on Circuits and Systems-II, 40(3): 163-172, 1993.


• T. Roska and A. Rodriguez-Vazquez, "Review of CMOS Implementations of the CNN Universal Machine-Type Visual Microprocessors", International Symposium on Circuits and Systems, 2000


• A. Rodríguez-Vázquez, G. Liñán-Cembrano, L. Carranza, E. Roca-Moreno, R. Carmona-Galán, F. Jiménez-Garrido, R. Domínguez-Castro, and S. Meana, "ACE16k: The Third Generation of Mixed-Signal SIMD-CNN ACE Chips Toward VSoCs," IEEE Trans. on Circuits and Systems - I, 51(5): 851-863, 2004.


• T. Roska, "Cellular Wave Computers and CNN Technology – a SoC architecture with xK Processors and Sensor Arrays", Int’l Conference on Computer Aided Design Accepted Paper, 2005.


• K. Karahaliloglu, P. Gans, N. Schemm, and S. Balkir, "Optical sensor integrated CNN for Real-time Computational Applications", IEEE Int’l Symposium on Circuits and Systems, pp. 21–24, 2006.


• C. Dominguez-Matas, R. Carmona-Galan, F. Sanchez-Fernaindez, J. Cuadri, and A. Rodriguez-Vaizquez, "A Bio-Inspired Vision Front-End Chip with Spatio-Temporal Processing and Adaptive Image Capture", Int’l Workshop on Computer Architecture for Machine Perception and Sensing, 2006.


• C. Dominguez-Matas, R. Carmona-Galan, F. Sainchez-Fernaindez, A. Rodriguez-Vazquez, "3-Layer CNN Chip for Focal-Plane Complex Dynamics with Adaptive Image Capture", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• I. Szatmari, P. Foldesy, C. Rekeczky and A. Zarandy, "Image processing library for the Aladdin Visual Computer", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• A. Zarandy and C. Rekeczky, "Bi-i: a standalone ultra high speed cellular vision system", IEEE Circuits and Systems Magazine, 5(2):36-45, 2005.


• T. Roska, D. Balya, A. Lazar, K. Karacs, R. Wagner and M. Szuhaj, "System Aspects of a Bionic Eyeglass", IEEE Int’l Symposium on Circuits and Systems, 2006.


• K. Karacst and T. Roskatt, "Route Number Recognition of Public Transport Vehicles via the Bionic Eyeglass", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• R. Wagner and M. Szuhajt, "Color Processing in Wearable Bionic Glasses"


• P.Arena, L. Fortuna, M. Frasca, L. Patane, and M. Pollino, "An Autonomous Mini-Hexapod Robot Controller through a CNN Based VLSI Chip", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• C. Wu and C. Cheng, "The Design of Cellular Neural Network with Ratio Memory for Pattern Learning and Recognition", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• W. Yen, R. Chen and J. Lai, "Design of Min/Max Cellular Neural Networks in CMOS Technology", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• Z. Gallias and M. Ogorzalek, "Influence in System Nonuniformity on Dynamic Phenomenon in Arrays of Coupled Nonlinear Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002


• S. Xavier-de-Souza, M. Yalcın, J. Suykens, and J. Vandewalle, "Toward CNN Chip-Specific Robustness", IEEE Trans. On Circuits And Systems - I, 51(5): 892-902, 2004.


• D. Hillier, S. Xavier de Souza, J. Suykens, J. Vandewalle, "CNNOPT Learning CNN Dynamics and Chip-specific Robustness", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• A. Paasiot and J. Poilkonent, "Programmable Diital Nested CNN", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• M. Znggi, R. Dogaru, and L. Chua, "Physical Modeling of RTD-Based CNN Cells", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• W. Yen and C. Wu, "The Design of Neuron-Bipolar Junction Transistor (vBJT) Cellular Neural Network(CNN) Structure with Multi-Neighborhood-Layer Template", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• F. Sargeni, V. Bonaiuto and M. Bonifazi, "Multiplexed Star-CNN Architecture", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• Z. Kincsest, Z. Nagyl, and P. Szolgay, "Implementation of Nonlinear Template Runner Emulated Digital CNN-UM on FPGA", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• W. Fangt, C. Wang and L. Spaanenburg, "In Search of a Robust Digital CNN System" Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• Z. Voroshazit, Z. Nagyt, A. Kiss and P. Szolgay, "An Embedded CNN-UM Global Analogic Programming Unit Implementation on FPGA", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• Eutecus Homepage


• - A. Loncar, R. Kunz and R. Tetzaff, "SCNN 2000 - Part I: Basic Structures and Features of the Simulation System for Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• V. Tavsanoglu, "Jacobi’s Iterative Method for Solving Linear Equations and the Simulation of Linear CNN", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• B. Shi, "Estimating the Steady State using Forward and Backward Recursions", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• S. Tokes, L. Orzo, and A. Ayoub, "Programmable OASLM as a Novel Sensing Cellular Computer", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• W. Porod, F. Werblin, L. Chua, T. Roska, A. Rodriguez-Vázquez, B. Roska, R. Faya, G. Bernstein, Y. Huang, and A. Csurgay, "Bio-Inspired Nano-Sensor-Enhanced CNN Visual Computer", Annals of the New York Academy of Sciences, 1013: 92–109, 2004.


• J. Flak, M. Laiho1, and K Halonen, "Programmable CNN Cell Based on SET Transistors", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• A. Zarandry, S. Espejo, P. Foldesy, L. Kek, G. Linan, C. Rekeczky, A. Rodriguez-Vazquez, T. Roska, I. Szatmari, T. Sziranyi and P. Szolgay, "CNN Technology in Action ", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• L. Chua, S. Yoon and R. Dogaru, "A Nonlinear Dynamics Perspective of Wolfram’s New Kind of Science. Part I: Threshold of Complexity," Int’l Journal of Bifurcation and Chaos, 12(12):2655-2766, 2002.


• O. Lahdenoja, M. Laiho and A. Paasio, "Local Binary Pattern Feature Vector Extraction with CNN", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• C. Dominguez-Matas, F. Sainchez-Femaindez, R. Carmona-Galan, and E. Roca-Moreno, "Experiments on Global and Local Adaptation to Illumination Conditions based on Focal Plane Average Computation", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• L. Torok and A. Zarandy, "CNN Based Color Constancy Algorithm", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• P. Ecimovic and J. Wu, "Delay Driven Contrast Enhancement using a Cellular Neural Network with State Dependent Delay", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• G. Cserey, C. Rekeczky and P. Foldesy, "PDE Based Histogram Modification with Embedded Morphological Processing of the Level Sets", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• L. Orzo, "Optimal CNN Templates for Deconvolution", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006


• P. Venetianer and T. Roska, "Image Compression by Cellular Neural Networks," IEEE Trans. Circuits Syst., 45(3): 205-215, 1998.


• R. Dogarut, R. Tetzlaffl and M. Glesner, "Semi-Totalistic CNN Genes for Compact Image Compression", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• A. Gacsadi, C. Grava, V. Tiponut, and P. Szolgay, "A CNN Implementation of the Horn & Schunck Motion Estimation Method", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• H. Aomori, T. Otaket, N. Takahashi, and M. Tanaka, "A Spatial Domain Sigma Delta Modulator Using Discrete Time Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• H. Kimt, H. Son. J. Lee, I. Kimt and I. Kimt, "An Analog Viterbi Decoder for PRML using Analog Parallel Processing Circuits of the CNN", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• S. Chen, M. Kuo and J. Wang, "Image Segmentation Based on Consensus Voting", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• G. Grassi, E. Sciascio, A. Grieco and P. Vecchio, "A New Object-oriented Segmentation Algorithm based on CNNs - Part II: Performance Evaluation", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• J. Wu, Z. Lin and C. Liou, "Formation and Variability of Orientation Preference Maps in Visual Cortex: an Approach Based on Normalized Gaussian Arrays", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• C. Wu and S. Tsai, "Autonomous Ratio-Memory Cellular Nonlinear Network (ARMCNN) for Pattern Learning and Recognition", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• G. Timar and C. Rekeczky, "Multitarget Tracking Applications of the Bi-I Platform: Attention-selection, Tracking and Navigation", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• Y. Cheng, J. Chung, C. Lin and S. Hsu, "Local Motion Estimation Based On Cellular Neural Network Technology for Image Stabilization Processing", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• T. Otake, T. Konishi, H. Aomorit, N. Takahashit and M. Tanakat, "Image Resolution Upscaling Via Two-Layered Discrete Cellular Neural Network", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• P. Korbelt and K. Sloti, "Modeling of Elastic Inter-node Bounds in Cellular Neural Network-based Implementation of the Deformable Grid Paradigm", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• A. Gacsadi and P. Szolgay, "Image Inpainting Methods by Using Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• B. Shi, T. Roska and L. Chua, "Estimating Optical Flow with Cellular Neural Networks," Int’l Journal of Circuit Theory and Applications, 26: 344-364, 1998.


• D. Vilarino and C. Rekeczky, "Implementation of a Pixel-Level Snake Algorithm on a CNNUM-Based Chip Set Architecture", IEEE Trans. On Circuits And Systems - I, 51(5): 885-891, 2004.


• G. Costantini, D. Casali, and R. Perfetti, "Detection of Moving Objects in a Binocular Video Sequence", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• G Costantini, D. Casafi., and R. Perfetti, "A New CNN-based Method for Detection of the Axis of Symmetry.", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• C. Amenta, P. Arena, S. Baglio, L. Fortuna, D. Richiura, M.Xibilia and L. Vu1, "SC-CNNs for Sensors Data Fusion and Control in Space Distributed Structures", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• L. Bertucco, A. Fichaa, G. Nmari and A. Pagano, "A Cellular Neural Networks Approach to Flame Image Analysis for Combustion Monitoring", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• E. Lopez, M. Balsif, D. Vilarilio and D. Cabello, "Design and Training of Multilayer Discrete Time Cellular Neural Networks for Antipersonnel Mine Detection Using Genetic Algorithms", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• C. Baldanza, F. Bisi, M. Bruschi, I. D’Antone, S. Meneghini, M. Riui, M. Zufa, "A Cellular Neural Network For Peak Finding In High-Energy Physics", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• E. Bilgili, O. Ucan, A. Albora and I. Goknar, "Potential Anomaly Separation Using Genetically Trained Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• C. Rekeczky and G. Timar "Multiple Laser Dot Detection and Localization within an Attention Driven Sensor Fusion Framework", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• Z. Szlavikt R. Tetzlaff1, A. Blug and H. Hoefler, "Visual Inspection of Metal Objects Using Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• K. Huang, C. Chang, W. Hsieh, S. Hsieh, L. Wang and F. Tsai, "Cellular Neural Network For Seismic Horizon Picking", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• T. Su, Y. Du, Y. Cheng, and Y. Su, "A Fingerprint Recognition System Using Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• S. Malki, Y. Fuqiang, and L. Spaanenburg, "Vein Feature Extraction Using DT-CNNs", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• S. Xavier-de-Souza, M. Van Dyck, J. Suykens and J. Vandewalle, "Fast and Robust Face Tracking for CNN Chips: Application to Wheelchair Driving", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• R. Dogaru and I. Dogaru, "Biometric Authentication Based on Perceptual Resonance Between CNN Emergent Patterns and Humans", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• Q. Feng, S. Yu and H. Wang, "An New Automatic Nucleated Cell Counting Method With Improved Cellular Neural Networks (ICNN)", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• T. Szabot and P. Szolgay, "CNN-UM-Based Methods Using Deformable Contours on Smooth Boundaries", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• Zs. Szalka, G. Soos, D. Hillier, L. Kek, G. Andrassy and C. Rekeczky, "Space-time Signature Analysis of 2D Echocardiograms Based on Topographic Cellular Active Contour Techniques", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• M. Bucolo, L. Fortuna, M. Frasca, M. La Rosa, D. Shannahoff-Khalsa, "A CNN Based System to Blind Sources Separation of MEG Signals", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• F. Dohlert, A. Chernihovskyi, F. Mormann, C. Elger, and K. Lehnertz, "Detecting Structural Alterations in the Brain using a Cellular Neural Network based Classification of Magnetic Resonance Images", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• D. Krug, A. Chernihovskyi, H. Osterhage, C. Elger, and K. Lehnertz, "Estimating Generalized Synchronization in Brain Electrical Activity from Epilepsy Patients with Cellular Nonlinear Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• C. Niederhoefer and R. Tetzlaff, "Prediction Error Profiles allowing a Seizure Forecasting in Epilepsy?", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• L. Fortuna, P. Arena, D. Balya, and A. Zarandy, "Cellular Neural Networks: A Paradigm for Nonlinear Spatio-Temporal Processing", IEEE Circuits and Systems Magazine, 1(4): 6-21, 2001.


• L. Goras, L. Chua, and D. Leenearts, "Turing Patterns in CNNs – Part I: Once Over Lightly", IEEE Trans. on Circuits and Systems – I, 42(10):602-611, 1995.


• L. Goras, L. Chua, and D. Leenearts, "Turing Patterns in CNNs – Part II: Equations and Behavior", IEEE Trans. on Circuits and Systems – I, 42(10):612-626, 1995.


• L. Goras, L. Chua, and D. Leenearts, "Turing Patterns in CNNs – Part III: Computer Simulation Results", IEEE Trans. on Circuits and Systems – I, 42(10):627-637, 1995.


• A. Slavova and M. Markovat, "Receptor Based CNN Model with Hysteresis for Pattern Generation", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• L. Komatowskit, K. Slot, P. Dqbiec, and H. Kim, "Generation of Patterns with Predefined Statistical Properties using Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• C. Lin and S. Chen, "Biological Visual Processing for Hybrid-Order Texture Boundary Detection with CNN-UM", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• G. Costantini, D. Casali, and M. Carota, "A Pattern Classification Method Based on a Space-Variant CNN Template", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• E. David, P. Ungureanu, and L. Goras, "On he Feature Extraction Performances of Gabor-Type Filters in Texture Recognition Applications", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• C. Lin and Y. Shou, "Texture Classification and Representation by CNN based Feature Extraction", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• T. Roska and L. O. Chua, "The CNN Universal Machine: 10 Years Later, Journal of Circuits, Systems, and Computers", Int’l Journal of Bifurcation and Chaos, 12(4):377-388, 2003.


• M. Haenggi, "Mobile Sensor-Actuator Networks: Opportunities and Challenges", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• R. Bise, N. Takahashi and T. Nishi, "On the Design Method of Cellular Neural Networks for Associate Memories Based on Generalized Eigenvalue Problem", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• D. Balya and V. Galt, "Analogic Implementation of the Genetic Algorithm", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• I. Szatmhri, "The Implementation of a Nonlinear Wave Metric for Image Analysis and Classification on the 64x64 I/O CNN-UM Chip", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• A. Adamatzky, P. Arena, A. Basile, R. Carmona-Galán, B. Costello, L. Fortuna, M. Frasca, and A. Rodríguez-Vázquez, "Reaction-Diffusion Navigation Robot Control: From Chemical to VLSI Analogic Processors", IEEE Trans. On Circuits And Systems – I, 51(5):926-938, 2004.


• I. Gavrilut, V. Tiponut, and A. Gacsadi, "Path Planning of Mobile Robots by Using Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• P. Arena, P. Crucitti, L. Fortuna, M. Frasca, D. Lombardo and L. Patane, "Perceptive Patterns For Mobile Robots via RD-CNN and Reinforcement Learning", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• P. Arena, L. Fortuna, M. Frasca, and L. Patane, "CNN Based Central Pattern Generators with Sensory Feedback", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• R. Caponetto, L. Fortuna, L. Occhipiniti, and M. G. Xibilii, "SC-CNN Chaotic Signals Generation", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• R. Chen and J. Lai, "Data Encryption Using Non-uniform 2-D Von Neumann Cellular Automata", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• P. Arena, A. Basile, L. Fortuna, M. E. Yalcin, and J. Vandewalle, "Watermarking for the Authentication of Video on CNN-UM", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• K. Slot, P. Korbe, M. Gozdzik, and Hyongsuk Kim, "Pattern detection in spectrograms by means of Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• A. Chernihovskyi, C. Elger, and K. Lehnertz, "Effect of in Inhibitory Diffusive Coupling on Frequency-Selectivity of Excitable Media Simulated With Cellular Neural Networks", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• R. Carmona, F. Jimenez-Garrido, R. Dominguez-Castro, S. Espejo and A. Rodriguez-Vazquez, "CMOS Realization of a 2-layer CNN Universal Machine", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• Z. Nagyt, Z. Voroshazi and P. Szolgay, "A Real-time Mammalian Retina Model Implementation on FPGA", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• D. Balya and B. Roska, "A Handy Retina Exploration Device", Workshop on Cellular Neural Networks and Their Applications, 2005.


• P. Arena, M. Bediat, L. Fortuna, D. Lombardo, L. Patane, and M. Velardet, "Spatio-temporal Patterns in CNNs for Classification: the Winnerless Competition Principle", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• V. Perez-Munuzuri, A. P. Munuzuri, M. Gomez-Gesteria, V. Perez-Villar, L. Pivka, and L. Chua, "Nonlinear Waves, Patters, and Spatio-Temporal Chaos in Cellular Neural Networks," Phil. Trans. R. Soc. Lond. A, (353): 101-113, 1995.


• M. Ercsey-Ravasz, T. Roska and Z. Neda, "Random Number Generator and Monte Carlo type Simulations on the CMM-UM", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• P. Lopez, D. Vilarino, D. Cabello, H. Sahli and M. Balsi, "CNN Based Thermal Modeling of the Soil for Anitpersonnel Mine Detection", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• P. Szolgay, T. Hidvegi, Z. Szolgay and P. Kozma, "A Comparison of the Different CNN Implementations in Solving the Problem of Spatiotemporal Dynamics in Mechanical Systems ", Int’l Workshop on Cellular Neural Networks and Their Applications, 2000.


• W. Samarrai, J. Yeol, I. Bajis and Y. Ryu, "System Biology Modeling of Protein Process using Deterministic Finite Automata (DFA)", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• V. Mladenovt, and A. Slavoval, "On the Period Solutions in One Dimensional Cellular Neural Networks based on Josephson Junctions", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• P. Sonkolyt, P. Kozmat, Z. Nagyt and P. Szolgay, "Acoustic Wave Propagation Modeling on CNN-UM Architecture", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• S. Kocsardit, Z. Nagyt, S. Kostianevt and P. Szolgay, "FPGA Based Implementation of Water Injection in Geothermal Structure", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• R. Brown and L. Chua, "Chaos or Turbulence", Int’l Journal of Bifurcation and Chaos, 2(4):1005-1009, 1992.


• P. Arena, L. Fortuna, G. Vagliasindi and A. Basile, "CNN Chip And FPGA To Explore Complexity", Int’l Workshop on Cellular Neural Networks and Their Applications, 2005.


• E. Gunay, M. Alci and S. Parmaksizoglu, "N-Scroll Generation in SC-CNN via Neuro Fuzzy Based Non-Linear Function", Int’l Workshop on Cellular Neural Networks and Their Applications, 2006.


• M. Gilli, F. Corinto, and P. Checco, "Periodic Oscillations and Bifurcations in Cellular Nonlinear Networks", IEEE Trans. on Circuits and Systems – I, 51(5):948-962, 2004.


• K. A. Richardson, "Systems Theory and Complexity: Part 1", Emergence: Complexity and Organization, 6(3):75-79.


• K. A. Richardson, "Systems Theory and Complexity: Part 2", Emergence: Complexity and Organization, 6(4):77-82.


• K. A. Richardson, "Systems Theory and Complexity: Part 3", Emergence: Complexity and Organization, 7(2):104-114.


• P. Anderson, "Emergence", Proceedings of the Second Int’l Conference on Complex Systems, 2004.


• K. Mainzer, "CNN and the Evolution of Complex Information Systems in Nature and Technology", Int’l Workshop on Cellular Neural Networks and Their Applications, 2002.


• S. Lloyd, Programming the Universe, 2006.


• L. Chua, "Local Activity is the Origin of Complexity", Int’l Journal of Bifurcation and Chaos, 15(11):3435-2456, 2005.


• P. Arena, M. Bucolo, S. Fazzino, L. Fortuna, M. Frasca, ‘The CNN Paradigm: Shapes and Complexity’, International Journal of Bifurcations and Chaos (2005), Vol. 15, No. 7, pp. 2063–2090 – World Scientific.