Zastosowanie modelu uczenia maszynowego do realizacji procesora analogowego

• Autorzy: Citko W. , Sieńko W.

Identyfikatory

DOI

10.15199/48.2018.09.14

Warianty tytułu

EN

Application of the machine learning model to the implementation of the analog processor

• Języki publikacji: PL

Abstrakty

PL

W pracy zaproponowano wykorzystanie, opartego na transformacjach ortogonalnych i biortogonalnych, modelu uczenia maszynowego do syntezy procesora realizującego funkcję dodawania i mnożenia liczb rzeczywistych. Ze względu na cechy bezstratności oraz realizację zasady superpozycji model ten można zakwalifikować jako system kwantowego przetwarzania sygnałów.

EN

The goal of this paper is to present a universal machine learning model using orthogonal and biorthogonal transformations based on Hurwitz-Radon matrices. This model was used to synthesize a processor that performs the function of adding and multiplying real numbers. Due to the lossless features and implementation of the superposition principle, the model can be qualified as a quantum signal processing system.

Słowa kluczowe

PL

system uczenia maszynowego; inteligencja obliczeniowa; kwantowe przetwarzanie sygnałów; macierze Hurwitza-Radona

EN

machine learning systems; computational intelligence; quantum signal processing; Hurwitz-Radon matrices

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2018
• Tom: R. 94, nr 9
• Strony: 56--58
• Opis fizyczny: Bibliogr. 9 poz., rys.

Twórcy

autor

Citko W.

• Akademia Morska w Gdyni, Wydział Elektryczny, ul. Morska 81-87, 81-225 Gdynia

autor

Sieńko W.

• Akademia Morska w Gdyni, Wydział Elektryczny, ul. Morska 81-87, 81-225 Gdynia

Bibliografia

• [1] W. Citko, W. Sieńko, Modele optymalnego przetwarzania sygnałów losowych, Zeszyty Naukowe Akademii Morskiej w Gdyni, nr 90/2015, (2015)
• [2] W. Citko, W. Sieńko, Zastosowanie macierzy Hurwitza-Radona w uczeniu maszynowym, Elektronika : konstrukcje, technologie, zastosowania, (10), 28–30, (2016)
• [3] W. Citko, W. Sieńko, Realizacja pamięci skojarzeniowej z zastosowaniem uczenia maszynowego, Przegląd Elektrotechniczny, (8), 77-80, (2017)
• [4] B. Eckmann, Topology, Algebra, Analysis-Relations and Missing Links, Notices of the AMS, vol. 46, No 5, (1999)
• [5] Y. C. Eldar, A.V. Oppenheim, Quantum Signal Processing, IEEE Signal Processing Magazine, vol. 19, pp. 12-32, Nov (2002)
• [6] J. Biamonte, P. Wittek, N. Pancotti, P. Rebentrost, N. Wiebe, S. Lloyd, Quantum Machine Learning, Nature, vol. 549, pp. 195–202, Sep (2017)
• [7] J.J. Hopfield, Neural Networks and Physical Systems with Emergent Collective Computational Abilities, Proc. of Nat. Acad. Sci. USA, Biophysics, Vol. 79, p. 2554, April (1982)
• [8] W. Sienko, W. Citko, Hamiltonian Neural Networks Based Networks for Learning, in Machine Learning, ed. A. Mellouk and A. Chebira, Austria, Vienna: I-Tech, pp. 75-92, (2009)
• [9] W. Citko, W. Sienko, Hamiltonian Neural Networks-Based Orthogonal Filters a Basis for Artificial Intelligence, in Proc. Of the International Conference on Neural Computation Theory and Applications (NCTA), pp. 124-127, France, Paris, Oct 24-26, (2011)

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).