JPH03194648A - ニューロコンピュータ - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、神経回路素子モデルによって構成された大規
模な神経回路網を多数のプロセッサを用いてシミュレー
ションするニューロコンピュータに関するものである。

〔従来の技術〕

従来、大規模な神経回路網のシミュレーションは、多数
提案されている神経回路素子モデルの内の１種類から構
成された神経回路網に関して行われる場合が多く、各神
経回路素子モデルに対して並列計算処理を行い得る汎用
の並列コンピュータにより実行される。

大規模な神経回路網では神経回路素子間の結合が非常に
多いため、多数のプロセッサでシミュレーションする場
合、各プロセッサ間の結合方式として、メツシュ型（格
子型）結合、クロスバ−結合、トリー型結合、多段クロ
ス型結合、キューブ型結合などの方式が提案されている
。

特に、神経回路素子モデルのシミュレーションには、ト
リー型結合、多段クロスバ−型結合、キューブ型結合な
どが適しているが、これらの結合方式では、プロセッサ
の数が増えると多数の切換え回路を必要としたり、伝送
路の容量が不足したり、配線の交差が非常に多くなって
実装が非常に複雑になるなどの種々の問題を含んでいた
が、本発明者による格子状円環体結合（出願番号６３−
３３０９７１）および格子状矩形面結合（出願番号平１
−２４３０７　）により解決されており、これらの結合
方式は、式（１）及び式（２） ’Ｊ＋＝Σｗ、ｘ１　　　　・・１団・　（１）】＝１ ｚ＋　　＝Ｆ　　（ｙ＋　）　　　　　　　　・・・・
・・・・・　（２）で示される神経回路素子モデルによ
って構成される大規模な神経回路網をシミュレーション
する並列処理の構成法を提案している。

前述の格子状円環体結合および格子状矩形面結合の並列
型ニューロコンピュータでは、第１θ図に示す神経回路
素子モデルをシミュレーションの対象としてきた。

この神経回路素子モデルは式（１）及び式（２）の計算
式によって表される多くの種類の神経回路素子モデルを
包含しているが、神経回路素子モデルには式（１）およ
び式（２）だけでは表わせない、教師なし自己学習を行
い得る神経回路素子モデルがある。

［発明が解決しようとする課題］ 従来の格子状円環体結合および格子状矩形面結合を用い
たニューロコンピュータには、教師なし自己学習を行う
神経回路素子モデルに対してシミュレーションを行う方
法が示されていなかった。

本発明の目的は、格子状円環体結合および格子状矩形面
結合を用いたニューロコンピュータにおいて教師なし自
己学習を行う神経回路素子モデルに対してシミュレーシ
ョンを行なう方法を提供することにある。

［課題を解決するための手段］ 本発明によれば、前記目的は、複数の行及び複数の列に
よって規定された位置に神経回路素子の機能を有する基
本プロセッサが配置されており、該基本プロセッサの一
部が外部装置に接続されているニューロコンピュータで
あって、前記外部装置に接続されていない基本プロセッ
サは、同行上の隣接する２つの基本プロセッサ及び同列
上の隣接する２つの基本プロセッサに夫々接続されてお
り、前記外部装置に接続されていない基本プロセッサは
少なくとも２種類あり、一方の種類の前記基本プロセッ
サは、隣接した基本プロセッサの１つから伝送された出
力値と隣接した基本プロセッサの他の１つから伝送され
た出力値とを比較し、大きい方の出力値を極大値として
、前記出力値を出力した基本プロセッサ以外の隣接した
基本プロセッサに出力するように構成されており、他方
の種類の前記基本プロセッサは、隣接した基本プロセッ
サの１つから伝送された極大値と隣接した基本プロセッ
サの他の１つから伝送された出力値とを比較し、当該比
較の結果によって前記極大値又は前記出力値を出力した
基本プロセッサ以外の隣接した基本プロセッサに所定の
値を出力するように構成されていることを特徴とするニ
ューロコンピュータによって達成される。

［作　用］ 本発明のニューロコンピュータによれば、外部装置に接
続されていない基本プロセッサは少なくとも２種類あり
、一方の種類の基本プロセッサが、隣接した基本プロセ
ッサの１つから伝送された出力値と隣接した基本プロセ
ッサの他の１つから伝送された出力値とを比較して大き
い方の出力値を極大値として、出力値を出力した基本プ
ロセッサ以外の隣接した基本プロセッサに出力し、他方
の種類の基本プロセッサは、隣接した基本プロセッサの
１つから伝送された極大値と隣接した基本プロセッサの
他の１つから伝送された出力値とを比較し、比較の結果
によって極大値又は出力値を出力した基本プロセッサ以
外の隣接した基本プロセッサに所定の値を出力する。

本発明のニューロコンピュータとしては、複数に分割さ
れた矩形領域に少くとも１つの実プロセッサが各々配置
されており、各実プロセッサは、配置された矩形領域に
含まれる複数の基本プロセッサの全ての機能を有してお
り、同行上の隣接する２つの他の実プロセッサ及び同列
上の隣接する２つの他の実プロセッサに夫々接続されて
いてもよい。

〔実　施　例〕

以下、本発明のニューロコンピュータを図面に示す一実
施例を用いて詳述する。

自己学習機能を有しており、５つの層からなるカウンタ
ー・プロパゲーション・ネットワーク（以下、ＣＰＮと
略称）の構成を第３図に示す。

ＣＰＮのシミュレーションにおいては、第１層、第５層
は入力層であり、第３層はコホーネン（Ｋｏｈｏｎｅｎ
）の自己組織化処理を行う中間層であり、第２層、第４
層は、グロスバーブ（Ｇｒｏｓｓｂｅｔｇ）の学習処理
を行う層である。コホーネンの自己組織モデルおよびＣ
ＰＮモデルを以下に詳述する。

〔コホーネンの自己組織モデル〕

コホーネンの自己組織ネットワークは、第２図に示すよ
うな構成をしており、入力信号をｘ＝［ｘ、、ｘ２　、
　　・・・、ｘＮコ、係数としての重み係数をＷｉ　＝
’　［ｗ、□、Ｗ１□、・・・、ＷＩＮ］とすると、そ
の機能は以下の式で表される。

まず、各ユニットの出力は ７＋＝ΣＶ１．’　Ｘ　Ｈ＝ＶＩｌ’　Ｘ”　”””　
　（３）ｉ＝１ で表される。学習はユニットの集合 ５＝（１，２，・・・、ｓ）の中で出力として最大値を
持つユニットに０とその周辺のユニットｉεｒ（ｋｏ）
に対して次式で行われる。

ｋＯ＝　Ｉ　ｋ　ｌ　Ｙｉ　＝ｍａ　ｘ　　Ｉｙ＋　１
１−・・（４）ｉεＳ Ｗｉ　　（ｔ）　　＋αｘ　（ｔ） ｗ　ｌｆｔ　＋　Ｉ）　＝ １１ＷＩ　　（１）　　＋αｘ（ｊ）　　Ｉｆ［但し　
ｉεｒ（ｋｏ）コ　　　　・・・・・・・・・　（５）
〔ヘクト−ニールセン（Ｈｅｃｈｔ−Ｎｉｅｌｓｅｎ）
のＣＰＮモデル〕 ＣＰＮモデルは第１図に示すように５層のネットワーク
構成を持っている。入力ベクトルをｘ＝（Ｘ　ｌ　＋　
　ｘ２　＋　・・・、ｘ７）、Ｖ”　（３’＋　、　　
７２　、　・・・、ｙ、）とすると、第１層と第５層に
はベクトルの対（ｘ、　　ｙ）が入力として与えられる
。そして第２層と第４層からはベクトルｘＳｙの近似と
してベクトル Ｘ　＝（Ｘ’ｌ　＋　　Ｘ　２　＋　”’＋　　Ｘ′ｎ
　）、ｙ’＝　（ｙ’＋　ｌ　　ｙ’２１　・・・＋　
　ｙ’ゆ）が出力される。

第３層の出力はベクトル Ｚ”　（Ｚｔ　＋　　２２　＋　”・＋　　ｚＮ　）で
表すと、ＣＰＮモデルの伝達関数と学習規則は、以下の
式で表される。

第１層と第５層二人力層 第２層と第４層： ｙ′１＝Σｗｌｌ’ｚ、　　　　　　　・・・・・・・
・・・・・　（６）ｉ＝１ ΔＷ’　＋１＝　（ａＷ’　ｘ＋ｂＶ＋　）’　Ｚｒ　
・・’　　（７）ｘ′１＝Σ　ｗｌｊｚ。

ｊ：ｌ ・・・・・・・・・・・・　（８） ΔＷ”　ｌ＋＝　（ＣＷ”　□＋ｄｘ、）Ｚ　Ｈ・・・
・・・・・・・・・　（９） 第３層： ｍｎ ωｉ　＝Σ　ｕＩＪＸ、＋Σ　Ｖ ｊ・１　　　　　　　ｊ・１ ＝ｕ＋　　ＩＩＸ＋Ｖ＋　　ｄ　ｙ　　　　−−°１ｌ
Ｏ）Δｕ＋　＝ａ　（ｘ−Ｌｌｌ　）　ｉ　　　−旧−
・−（１２）ΔＶ１　＝β　（ｙ　　　ｖ　＋　　）　
　ｚ　＋　　　　−・”−（１３）ここで、ａｓ　ｂｚ
　Ｃ５ｄｓα、βは定数を表し、Ｓは第３層のユニット
の集合５＝（１，２、・・・、Ｎ）を表す。

以上、２つのモデルの記述において、次式で定義される
最大値を検出する関数Φ（ωｊ、　　Ｓ）が使われてい
る。

この最大値検出関数Φ（ω６．Ｓ）を用いるとコホーネ
ンの自己組織モデルの式（４）およびＣＰＮモデルの式
（１１）はそれぞれ式（１５）、式（１６）のように書
き換えられる。

ｋ’　＝　（ｋ　ｌΦ（ω、、５）＝１）・旧・・（Ｉ
５］ｚ、＝Φ（ω３．Ｓ）　　　　　・旧・・・・・（
１６）このように式（１４）で示される最大値検出関数
の（ω１．Ｓ）を格子状円環体結合および格子状矩形面
結合の並列型プロセッサーによって効率的に処理するこ
とによって、コホーネンの自己組織モデル、ヘクト−ニ
ールセンのＣＰＮモデル、グロスバーブのＡＲＴ　（Ａ
ｄａｐｔｉｖｅ　Ｒｅ５ｏｎａｎｃｅＴｈｅｏｒ７）モ
デルなど広範な神経回路素子モデルをシミュレーション
し得る。

格子状円環体に接続された基本プロセッサであって、外
部装置に接続されている基本プロセッサとしての入力プ
ロセッサ、出力プロセッサ、及び入出カプロセッサ、外
部装置に接続されていない一方の種類の基本プロセッサ
としての重みプロセッサ、及び外部装置に接続されてい
ない他方の種類の基本プロセッサとしての細胞プロセッ
サによって構成されたＣＰＮの並列処理システムを第１
図に示す。

神経回路網の入力ベクトルＸの入力の数と出力ベクトル
Ｘ′の出力の数とをそれぞれｍ１人入力ベクトルの入力
の数と出力ベクトルｙ′の出力の数とをそれぞれｎ１第
３層の神経回路素子の出力の数をＮとして、前述のプロ
セッサを（Ｎ＋ｍ＋ｎ＋１）行、（２ｍ＋２ｎ＋Ｎ）列
の格子状に配列する。

第０行目には、第１列目から第ｍ＋ｎ列目までは、（＋
ｎ＋ｎ）個の入力プロセッサー、第ｍ＋ｎ＋　１列目か
ら第ｍ＋ｎ＋Ｎ列目までは、Ｎ個の出力プロセッサ、第
ｍ＋ｎ＋Ｎ＋Ｉ列目から第２ｍ＋２ｎ十Ｎ列目までは、
（ｍ　＋　ｎ　）個の入出カプロセッサー、第１行目か
ら第（Ｎ＋ｍ＋ｎ）行目までは各行毎に（２ｍ＋２ｎ＋
Ｎ−１）個の重みプロセッサ、第１行、第（ｎ＋ｍ＋Ｉ
Ｊ列目から第ト（ｍ＋ｎＪ行、第（２ｍ＋２ｎ＋Ｎ）列
目まで対角線上に各列に１つ細胞プロセッサが、それぞ
れ配置されている。以下、各層におけるプロセッサの配
置を詳述する。

第１層［第１列目〜第ｍ列目コ 第０行目に入力プロセッサ５００１〜５００３、第１行
目に重みプロセッサ５１０１〜５１０３、第ｉ行目に重
みプロセッサ５１３１〜５１３５、第Ｎ行目に重みプロ
セッサ５Ｉ６！〜５Ｉ６３、第Ｎ４１行目に重みプロセ
ッサ５２０１〜５２０３、第１１行目に重みプロセッサ
５２３１〜５２３３、第Ｎ＋ｍ行目に重みプロセッサ５
２６１〜５２６３、第Ｎ＋ｍ＋１行目に重みプロセッサ
５３０１〜５３θ３、第ｊｙ行目に重みプロセッサ５３
３１〜５３３３、第Ｎ＋Ｈ＋ｎ行目に重みプロセッサ５
３６１〜５３６３がそれぞれ配置されている。

第５層［第ｍ＋１列目〜第ｍ＋ｎ列目］第０行目に入力
プロセッサ５００４〜５００５、第１行目に重みプロセ
ッサ５１０４〜５１０５、第ｉ行目に重みプロセッサ５
１３６〜５１３７、第Ｎ行目に重みプロセッサ５１６４
〜５１６５、第Ｎ＋１行目に重みプロセッサ５２０４〜
５２０５、第１１行目に重みプロセッサ５２３４〜５２
３５、第Ｎ＋ｍ行目に重みプロセッサ５２６４〜５２６
５、第Ｎ十ｍ＋１行目に重みプロセッサ５３０４〜５３
０５、第ｉｙ行目に重みプロセッサ５３３４〜５３３５
、第Ｎ＋ｍ＋ｎ行目に重みプロセッサ５３６４〜５３６
５がそれぞれ配置されている。

第３層［第ｍ＋ｎ＋Ｉ列目〜第ｍ＋ｎ十Ｎ列目］第０行
目に出力プロセッサ５００６〜５００８、第１行目、第
ｍ十ｎ＋１列目に細胞プロセッサ５１０６、それ以外の
第１行目に重みプロセッサ５１０７〜５１０８、第行目
、第ｍ＋ｎ＋ｉ列目に細胞プロセッサ５１４０、それ以
外の第１行目に重みプロセッサ５１３８．５１３９．５
１４１、及び５１４２、第Ｎ行目、第ｍ＋ｎ＋Ｎ列目に
細胞プロセッサ５１６８、それ以外の第Ｎ行目に重みプ
ロセッサ５１６６〜５１６７、第Ｎ＋１行目に重みプロ
セッサ５２（１６〜５２（ｉｌｌ、第ｊｘ行目に重みプ
ロセッサ５２３６〜５２４０、第Ｎ＋ｍ行目に重みプロ
セッサ５２６６〜５２６８、第Ｎ＋ｍ＋１行目に重みプ
ロセッサ５３０６〜５３０８、第１１行目に重みプロセ
ッサ５３３６〜５３３８、第Ｎ＋ｍ＋ｎ行目に重みプロ
セッサ５３６６〜５３６８がそれぞれ配置されている。

第４層［第ｍ＋ｎ＋ＮｆＩ列目〜第２ｍ＋ｎ＋Ｎ列目］
０行目に入出カプロセッサ５００９〜５０１１、第１行
目に重みプロセッサ５１０９〜５１１１．第１行目に重
みプロセッサ５１４３〜５１４５、第Ｎ行目に重みプロ
セッサ５１６９〜５１７１、第Ｎ＋１行目、第ｍ＋ｎ＋
Ｎ＋１列目に細胞プロセッサ５２０９、それ以外の第Ｎ
＋１行目に重みプロセッサ５２１０〜５２１１、第ｉｔ
行目、第ｍ＋ｎ＋Ｎ＋ｉｘ列目に細胞プロセッサ５２４
２、それ以外の第ｊｘ行目に重みプロセッサ５２４１及
び５２４３、第Ｎ＋ｍ行目、第２ｍ＋ｎ＋Ｎ列目に細胞
プロセッサ５２７１、それ以外の第Ｎ＋ｍ行目に重みプ
ロセッサ５２６９〜５２７０、第Ｎ＋ｍ＋１行目に重み
プロセッサ５３０９〜５３１１、第ｉｙ行目に重みプロ
セッサ５３３９〜５３４１、第Ｎ＋ｍ＋ｎ行目に重みプ
ロセッサ５３６９〜５３７１がそれぞれ配置されている
。

第２層［第２ｍ＋２ｎＮ＋１列目〜第２ｍ＋２ｎ＋Ｎ列
目コ第０行目に入出カプロセッサ５０１２〜５０１４、
第１行目に重みプロセッサ５１１２〜５１１４、第１行
目に重みプロセッサ５１４６〜５１４Ｂ、第８行目に重
みプロセッサ５１７２〜５１７４、第Ｎ＋１行目に重み
プロセッサ５２１２〜５２１４、第１１行目に重みプロ
セッサ５２４４〜５２４６、第Ｎ＋ｍ行目に重みプロセ
ッサ５２７２〜５２７４、第Ｎ＋ｍ＋１行目、第２ｍ＋
２ｎＮ＋１列目に細胞プロセッサ５３１２、それ以外の
第Ｎ＋ｍ＋１行目に重みプロセッサ５３１３〜５３１４
、第１１行目、第２ｔｎ＋ｎ＋Ｎ＋ｒｙ列目に細胞プロ
セッサ５３４４、それ以外の第１１行目に重みプロセッ
サ５３４２．５３４３．５３４５及び５３４６、第Ｎ＋
ｍ＋ｎ行目、第２ｍ＋２ｎ十Ｎ列目に細胞プロセッサ５
３７４、それ以外の第Ｎ＋ｍ＋ｎ行目に重みプロセッサ
５３７２〜５３７３がそれぞれ配置されている。各層に
おける個々の重みプロセッサおよび細胞プロセッサは上
、下、左、右の重みプロセッサあるいは細胞プロセッサ
と格子状に接続されている。

最右端の重みプロセッサ５１１４．５１４８．５１７４
．５２１４．５２４６．５２７４．５３１４．５３４６
および細胞プロセッサ５３７４は同じ行の最左端の重み
プロセッサ５１０１．５１３１、５１６１．５２０１．
５２３１．５２６１．５３０１．５３３１゜５３６１に
信号線５４０１〜５４０９によって各々接続されて、同
時に最下端の重みプロセッサ５３６Ｉ〜５３７３および
細胞プロセッサ５３７４はそれぞれ同じ列の入力プロセ
ッサ５００１〜５００５、出力プロセッサ５００６〜５
００８または入出カプロセッサ５００９〜５０１４に信
号線５４１１〜５４２４によって各々接続されている。

入力プロセッサ５００１〜５００５、出力プロセッサ５
００６〜５００８および入出カプロセッサ５００９〜５
０１４は外部装置と信号線５０２１〜５０３４によって
各々接続されている。

カウンター・プロパゲーション・ネットワーク（ＣＰＮ
）モデルは第３図に示すように５層のネットワーク構成
を持っている。第１層と第５層には第ρ番目（ｊ）＝１
．２．３・・・・・・　Ｌ）のベクトルの対（ｘ（１）
、ｙ（ρ））が入力として与えられる。

ここで、 ｘ　（ｊ））＝　（ｘｌ　（ｉ））、ｘ２　（Ｎ）。

−−−−、ｘ、−（ｊ）　）　、　　ｘ、　　（ｊ）　
）　）、ｙ　　（１））　＝　（ｙ＋　　（ｊ）、　　
７２　　Ｃ１＞。

ｙれ−ｓ　　（ｊ）、ｙ−（ρ））である。

そして第２層と第４層からはベクトルｘ（１）、ｙ（１
）の近似としてベクトルｘ（１）、ｙ（１）が出力され
る。中間層の出力はベクトルｚ（！ｌ）で表すと、ＣＰ
Ｎモデルの伝達関数と学習規則は、以下の式で表される
。

第１層と第５層二人力層 第２層と第４層： ｘ、（ｊ）＝Σ　ｗ８１Ｉ（１）・ｚｌ　（Ｉｌ）１゛
１　　　　　　　　　　・・・・・・（２１）６ｗ”’
（ρ） （ｃｗ”　　１＋Ｑ’）＋ｄｘ、　　（ｉ’））Ｚｉ　
　（＋２）・・・・・・（２２） ｗ”　　ｚ（１＋ｌ）”ｗ”　　ｚ　ＣＲ）　　＋６ｗ
”　　１１　（ｊ’　）・・・・・・（２３） ｙ’＋（１）＝Σ　ｗ’ ｊ＝１ （Ｉｌ）　　・Ｚ、（ｊ） ・・・・・（２４） ΔＷｙ （ｆり （−ａｗ’　　ｚ　（２）＋ｂｙ、　　（１））Ｚｉ　
　（１）・・・・・・（２５） ”’　　＋＋（１＋ｌ）・Ｗｙ　１Ｉ（１）＋ΔＷ’　
　、、　（、ｆｌ　）・・・・・・（２６） 第３層： （ρ）＝Σ　ｕ、Ｉ（ｊ）　　・ｘ、　　（１）ｊ＝１ ＋Σ　Ｖ、、Ｑ））　　・ｙ＋（ｉ’）ｊ”ｌ　　　　
　　　・・・・・・（２７）ｚ、（１）＝Φ（ω、ＣＩ
　）　、　　Ｓ）　・・・・・１２８）Δｕ、、（１）
＝ ａ　　（Ｘ＋　　（ｊ））　　−ｕｎｉ　（ｊ））　）
　　ｚｌ（ｉ））　・（２９）ｕ＋＋　（ｊ　＋１）　
＝ｌｌｌＩ（ｆり＋Δｕ１　（Ｉｌ）・・・・・・（３
０） Δ　ｖ、、（ｊ））＝ β　（ｙ＋　　（ｊ　）　　　Ｖ、＋　（ｆり　）　　
ｚｌ（ｆｌ）　−（３１）■、（１＋１）＝ｖｌＩ（１
）＋ΔＶ、、Ｑ））・・・・・・（３２） ここで ｔ（１）） ＝　　［ｘ　　（ｆｌ）、　　ｙ　　Ｑ））、　　ｚ　
　Ｑ））。

ｘ’（Ｉ）、ｙ’Ｑ））］ ＝（ｘ、　　（ｊ）、ｘ２　（ｉ））、　　・・・・・
・ｘ、　　Ｑ））、７＋　　（ｊ）、ｙ＋　　（ｊ））
。

ｙ２　（ｆり、・・・・・・ｙ、　　（ρ）。

Ｚｉ　　（ρ）、　　　ｚ２　（１）、　　・・・・・
・ｚ、（Ｉｌ）、ｘ′、（ｊ）、　　　ｘ′２　（２）
・・・・・・、　　ｘ’、６（ｊ’）、　　ｙ’＋　　
（ρ）。

ｙ’＋　　（＃）、　　Ｙ’２　　（１）。

ｙ’、　　（ρ）） とし、策９図に示すように ・・・・・・（３３） ・・・・・・（３４） とすると、式（２１）、式（２４）は既出願の特許（原
本＝「ニューロコンピュータ」出願番号６３−３３０９
７１および原本：　「ニューロコンピュータ」出願番号
平１−２４３０７）に示されているように、次の漸化式
に分解される。

ｘ’、（１）　＝ｘ’、　’−’　　（ｊ２　）＋Ｗ１
．□　（！り・ｔｋ（１）） １≦ｉ≦ｎ　　　・・・・・・（３５）Ｙ’＋　　　（
ｊ　）　＝ｙ’＋　ｋ−’　　（ｆり＋ｗ、、、、（１
）　　・ｔｈ（Ｉｌ）１≦ｉ≦ｍ　　　・・・・・・（
３６）同様に式（２７）も漸化式に分解することが出来
る。

ω、（ｊ）＝ω、’−”（Ｌ） ＋Ｗｇ（ｈ＋Ｅ　　Ｃ１）　・ｔｈ（ｔ））１≦ｉ≦Ｎ
　　　・・・・・・（３７）また、式（２８）で表され
る最大値検出関数は、次の漸化式と判別式に分解される
。

φ、＋（ρ）＝ ｍａＩ（Φ、’−’　　（ｊ）、　ω１　（ｆｔ））ｅ
Ｓ Φ（ω＋（１）、５）＝ ＣＰＮの学習は、第４図に示すように、入力データの設
定、第３層の計算処理、最大値の検出、第３層の学習処
理、第２層、第４層の計算処理及び第２層、第４層の学
習処理を繰り返し行うことにより実行される。

以下、第４図の順序に従って第３図に示されたＣＰＮに
おけるコホーネンの自己組織化処理、グロスバーブの学
習処理を、第１図に示す格子状円環体に接続された前述
のプロセッサの動作に基づいて詳述する。

（＾）重み係数の初期設定 第１層の重みプロセッサ、５１０１〜５１０３．５１３
１〜５１３５．５１６１〜５１６３．５２０１〜５２０
３．５２３１〜５２３３．５２６１〜５２６３．５３０
１〜５３０３．５３３１〜５３３３．５３６１〜５３６
３、第５層の重みプロセッサ、５１０４〜５１０５．５
１３６〜５１３７．５１６４〜５１６５．５２０４〜５
２０５．５２３４〜５２３５．５２６４〜５２６５．５
３０４〜５３０５．５３３４〜５３３５．５３６４〜５
３６５、第３層の重みプロセッサ、５１０７〜５１０８
．５１３８〜５１３９．５１４１〜５１４２．５１６６
〜５１６７．５２０６〜５２０８．５２３６〜５２４０
．５２６６〜５２６８．５３０６〜５３０８．５３３６
〜５３３８．５３６６〜５３６８、第４層の重みプロセ
ッサ、５１０９〜５１１１．５１４３〜５１４５．５１
６９〜５１７１．５２１Ｏ〜５２１１．５２４１．５２
４３．５２６９〜５２７０．５３０９〜５３１１．５３
３９〜５３４１．５３６９〜５３７Ｌ第２層の重みプロ
セッサ、５１１２〜５１１４．５１４６〜５１４８．５
１７２〜５１７４．５２１２〜５２１４．５２４４〜５
２４６．５２７２〜５２７４．５３１３〜５３１４．５
３４２〜５３４３．５３４５〜５３４６．５３５１．５
３７２〜５３７３の中で、使われている状態、即ち結合
フラグ＝１の状態の重みプロセッサが記憶している重み
係数ｗ１＋（０）を乱数により初期化する。

（Ｂ）入力データの設定 第１層の入力プロセッサ５００１〜５００３は外部の処
理装置から信号線５０２１〜５０２３を介して夫々１番
目の入力データＸ＋　　（ｊ’　）　、ｌ　＝０，１．
　２．−Ｌを受は取り、第５層の入力プロセッサ５００
４．５００５は信号線５０２４．５０２５を介して夫々
入力データｙ＋（Ａ’）を受は取ると共に、各入力プロ
セッサは夫々の入力データを保持すると同時に下行の重
みプロセッサに入力データｘ、（Ｉ）及びｙＩ（Ａ’）
の夫々をｔｈ（１）として転送する。

（Ｃ）第３層の計算処理 まず第３層の細胞プロセッサ５１０６．５１４０．５１
６８の出力値Ｚｌ（ｊ’）、第４層の細胞プロセッサ５
２０９．５２４２．５２７１の出力値Ｘ’ｌ（Ａ’）、
第２層の細胞プロセッサ５３１２．５３４４．５３７４
の出力値ｙ’＋（ｊ’）の夫々の出力値を零に設定する
。

以下、各重みプロセッサ、各細胞プロセッサの夫々の代
表例として、第ｉ行、第ｈ　（ｈ≦ｍ＋ｎ）列目の第１
層の重みプロセッサ５１３３と第ｉ行、第ｋ　（ｋ＝ｍ
＋ｎ＋ｉＪ列目（１〈ｉ≦Ｎ）の第３層の細胞プロセッ
サ５１４０とによりその計算処理を述べる。

［第ｉ行、第り列目の重みプロセッサ５１３３］■　上
の重みプロセッサ５１２１から転送されて来た信号ｔｈ
（１）を受は取り、下の重みプロセッサ５１５１に転送
する。

■（ａ）結合フラグ＝１の場合 式（３７）に示すように、左の重みプロセッサ５１３２
から送られて来た部分和ωｌｈ−’（Ａ’）に信号１、
（１）と記憶している重み係数”ｇ（ｈｌｋ　　（１）
を表わすｕ＋ｈ（１）又はｖ＋ｈ（１）のいずれか−方
との積を加えて新しい部分和ω１　　（１）を計算し、
新しい部分和ωｌ　　（１）を右の重みプロセッサ５１
３４に伝送する。

（ｂ）結合フラグ＝０の場合 左の重みプロセッサ５１３２から送られてきた部分和ω
五ｈ−１（１）をωｌ　　　（Ａｔ）として右の重みプ
ロセッサ５１３４に転送する。

［第ｉ行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉＪ列目の細胞プロセ
ッサ５Ｌ４０コ ■　細胞プロセッサの出力ｚ、（Ａ’）をｔ、。、（１
）として下の重みプロセッサ５１５２に伝送する。

■　部分和ω＋　　　（２）＝０として右の重みプロセ
ッサ５１４１に伝送する。

■　結合フラグ−〇なので、左の重みプロセッサ５１３
９から送られて来た部分和ω、に−１（１）を最終の積
和結果すなわち累積値ωｌ（Ａり＝ω１に′−１（１）
とする。

上述の計算処理において、出力プロセッサ、入出カプロ
セッサは、同列の最下行の重みプロセッサまたは細胞プ
ロセッサからｔｈ（１）を受は取ると、直ちにすぐ下の
重みプロセッサまたは細胞プロセッサに転送する。

（ＤＪ最大値検出処理 第３層の全ての細胞プロセッサ５１０６．５１４０．５
１６８で最終の積和結果が得られたら第３層の各細胞プ
ロセッサの出力の中で最大値を求める。最大値検出処理
では、まず、第２層と第４層の細胞プロセッサ５２０９
．５２４２．５２７１．５３１２．５３４４．５３７４
は、それぞれ最小値−（１）を右の重みプロセッサに出
力する。そして、各重みプロセッサは左の重みプロセッ
サまたは細胞プロセッサから送られて来た値をそのまま
右の重みプロセッサに転送する。

第３図の第ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列の最大値検出処理
を、第５図に示す。

第５図において、第り行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列
目（ｌ＜１≦Ｎ）の重みプロセッサ７０３と第ｉ行、第
ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列目（１＜ｉ≦Ｎ）の細胞プロ
セッサ７０６の計算処理を代表例として示す。

［第り行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列目の重みプロセ
ッサ７０３］ ■　左の重みプロセッサ７２１から転送されて来た累積
値ω、（Ａ’）を受は取り、右の重みプロセッサ７２２
に転送する。

■　上の重みプロセッサ７０２から送られて来た極大値
φ　ｈ−１（１）と、左の重みプロセッサ２１から送ら
れてきた累積値ωｈ（１）とを比較して、式（３８）に
より、大きい方の値を、重みプロセッサ７０３における
極大値φ１　　（１）として、下の重みプロセッサ７０
４に伝送する。

［第ｉ行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉＪ列目の細胞プロセ
ッサ７０６］ ■　左の重みプロセッサ７３１から送られて来た累積値
ω、（１）を受は取り、右の重みプロセッサ７３２に伝
送する。

■　細胞プロセッサ７０６の初期極大値φ、’（ｊ’）
を−ψとして下の重みプロセッサ７０７に伝送する。

■　式（３９）に基づいて、上の重みプロセッサ７０５
から送られて来た極大値φｌ’−’（１）と、細胞プロ
セッサ７０６の累積値ωｌ　（Ｉ）とを大小比較する。

（り　　ω＋（１）＞φｌ’−’（Ａ’）の場合最大値
検出関数Φ（ω、（１）、５）＝１を細胞プロセッサ７
０６の出力とする。

（ｂ）　　その他の場合 最大値検出関数Φ（ω、　　（Ａ’）、　　Ｓ）　＝０
を細胞プロセッサ７０６の出力とする。

（Ｅ）第３層の学習処理 教師なしの自己学習を行うＣＰＮモデルでは、入力ベク
トルｘ（７）、ｙ（１）が教師データとなる。

教師データｘ（１）、ｙ（１）は、入力プロセッサから
同列に配置された重みプロセッサを通して上から下へ伝
送され、同列の各重みプロセッサに供給される。各細胞
プロセッサの出力は、同じ行の重みプロセッサを通して
伝送され、同行の各重みプロセッサに供給される。

自己学習によって変化する重み係数は、上述の最大値検
出関数Φ（ωｔ　　（ｚ）、５）＝ｔを出力した第３層
の細胞プロセッサと同じ行で結合フラグが１の重みプロ
セッサの重み係数だけである。

重み係数の変化量は、式（２９Ｌ　（３１）によって表
される。

以下、第１行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列目（１くｉ
≦Ｎ）の第３層の細胞プロセッサ５１４０と第ｉ行、第
ｈ（ｈ≦ｍ＋ｎ）列目の第１層の重みプロセッサ５１３
３の計算処理を代表例として示す。

［第１行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列目の第３層の細
胞プロセッサ５１４０］ ■　同行の右側の列の重みプロセッサ５１４１に、式（
２８）により計算された最大値検出の結果ｚ＋（１）を
出力する。

■　同時に、０（零）を同列の下の重みプロセッサ５１
５２に出力する。

［第ｉ行、第り列目の重みプロセッサ５１３３］■　同
列の上の重みプロセッサ５１２１から転送されて来た信
号［教師入力データ］ｘｈ（Ｊ）を受は取り、同列の下
の重みプロセッサ５１５１に転送する。

■　同行の左の列の重みプロセッサ５１３２から転送さ
れて来た信号ｚ＋（１）を受は取り、受は取った信号ｚ
、（ｊりを同行の右の列の重みプロセッサ５１３４に転
送する。

■　（ａ）結合フラグ＝１の場合 式（２９）、（３１）に従って、同列の上の重みプロセ
ッサ５１２１から送られて来た教師データｘｈ（Ｊ）（
またはｙｈ（１））と記憶している重み係数ｕ＋ｈ（Ｉ
ｌ）（またはＶｌｈ（Ａ’））との差に左の重みプロセ
ッサから送られて来た細胞プロセッサの出力ｚ、（１）
と学習係数α（またはβ）を掛けて重み係数の変化量Δ
ｕ、ｈ（１）（またはΔＶｌｈ（１））を計算して、式
（３０）および式（３２）に従って、重み係数の値を更
新する。

（ｂ）　　結合フラグ＝０の場合 上述の重み係数の変更はない。

最古列の重みプロセッサは最左列の重みプロセッサに信
号ｚ、（１）を転送する。

（Ｆ）第２層、第４層の計算処理 第２層、第４層の計算処理では、まず、第３層の細胞プ
ロセッサ５１０６．５１４０．５１６８の出力値Ｚｌ（
１）は同じ列の重みプロセッサを通して同列の各重みプ
ロセッサに配られる。

各重みプロセッサ及び各細胞プロセッサは、式（２１）
及び式（２４）の計算処理を以下に示す代表例のように
行う。

ここでは、第１行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列目（１
〈ｌ　≦Ｎ）の第３層の細胞プロセッサ５１４０と第１
１行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ１列目の第３層目の重み
プロセッサ５２３８と第ｉｙ　　行、第ｂ　（ｋ＝２ｍ
＋ｎ＋Ｎ＋ｉｙ）列目（１＜ｉ　≦ｌＩ）の第２層の細
胞プロセッサ５３４４の計算処理を代表例として示す。

出力プロセ・ソサ、入出カプロセッサは、同列の最下行
の重みプロセ・ソサまたは細胞プロセッサからｔｈ（Ｉ
りを受は取ると、直ちにすぐ下の重みプロセッサまたは
細胞プロセッサに転送する。

［第１行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列目の第３層の細
胞プロセッサ５１４０］ ■　細胞プロセッサ５１４０の出力２＋（１）をｔｈ（
Ｉりとして同列の下の重みプロセッサ５１５２に伝送す
る。

［第ｊｘ行、第ｋ　（ｋ＝ｍ＋＋＋＋ｉ）列目の第３層
の重みプロセッサ５２３８］ ■　同列の上の重みプロセッサ５２２１から転送されて
来た信号ｔｈ（１）を受は取り、同列の下の重みプロセ
ッサ５２５１に転送する。

■（ａ）　　結合フラグ＝１の場合 式（３５）又は式（３６）に従って、左の重みプロセッ
サ５２３７から送られて来た部分和Ｘ＋”−’（１）（
またはｙ＋　Ｋ−’　　ＣＩ　）　）に信号１．（１）
と記憶している重み係数 ｕ＋ｈ（１）（またはＶ＋ｈ（Ａ’））との積を加えて
新しい部分和ｘ＋（１）（またはｙ／、　　　（１）　
）として右の重みプロセッサ５２３９に伝送する。

（ｂ）結合フラグ＝０の場合 左の重みプロセッサ５２３７から送られて来た部分和Ｘ
’＋　’−’　　（１）　　（まりｔ；ｔ　ｙ／、　’
−’　　（１）　’ｊｔ新りい部分和Ｘ′１″　（１）
（またはｙ／、　　　（１）　）として右の重みプロセ
ッサ５２３９に転送する。

［第ｉｙ行、第ｋ（ｋ　＝２ｍ＋ｎ＋Ｎ＋ｉ７）列目（
１く１≦ｎ）の第２層の細胞プロセッサ５３４４］■　
細胞プロセッサ５３４４の出力ｙ’＋（Ａ’）（または
ｘ’＋（１））を１．（１）として同列の下の重みプロ
セッサ５３５１に伝送する。

■　部分和ｙ＋　’−’　　ＣＩ　）　＝Ｏ（またはｘ
、　ｋ−’　　ＣＩ　）　＝０　）として同行の右の重
みプロセッサ５３４５に伝送する。

■　結合フラグ＝０なので、同行の左の重みプロセッサ
５３４３から送られて来た部分和ｙ＋’−’（１）（ま
たはＸ’ｌ　’−’　　ＣＩ　）　）を最終の積和結果
ｙ′、　　（Ｉ）　＝７’、　ト’　　（Ａ’　）　　
（またはＸ’１（１）＝Ｘ’ｌ　’−’　　ＣＩ　”）
　）とする。

（Ｇ）第２層、第４層の学習処理 第２層、第４層の学習においても第３層の学習と同様、
教師なしの自己学習なので、入力ベクトルＸ（Ｉｌ）、
ｙ（１）が教師データとなる。第２層、第４層の場合に
は、教師データは入出カプロセッサから供給され、同じ
列上の重みプロセッサを通して各列に配置された第２層
、第４層の各細胞プロセッサに一旦格納され、これらの
細胞プロセッサから同じ行の重みプロセッサを経て同じ
行の各重みプロセッサに配られる。

第３層の細胞プロセッサの出力は同じ列の重みプロセッ
サを通して伝搬され、同列の各重みプロセッサに配られ
る。

自己学習によって変化する重み係数は、最大値検出関数
Φ（ω、（１）、５）＝１を出力している第３層の細胞
プロセッサの出力に接続されている重みプロセッサの重
み係数だけである。

重み係数の変化量は式（２２）及び式（２５）によって
表される。

以下、第１行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ）列目（１〈ｉ
≦Ｎ）の第３層の細胞プロセッサ５１４０と第１１行、
ｋ　（ｋ＝ｍ＋ｎ＋）列目の第３層の重みプロセッサ５
２３８と第ｊｙ行、第ｋ　（ｋ＝２ｍ＋ｎ＋Ｎ＋ｉり列
目（１＜ｉ≦ｎ）の第２層の細胞プロセッサ５３４４の
計算処理を代表例として示す。

出力プロセッサ、入出カプロセッサは、同列の最下行の
重みプロセッサまたは細胞プロセッサからｔｈ（１）を
受は取ると、直ちにすぐ下の重みプロセッサまたは細胞
プロセッサに転送する。

［第１行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉＪ列目の第３層の細
胞プロセッサ５１４０コ ■　細胞プロセッサ５１４０の出力Ｚｌ（Ａ’）をｔ、
（１）として同列の下の重みプロセッサ５Ｉ５２に伝送
する。

［第ｊｘ行、第ｋ　（ｋ＝ｍ＋ｎ＋ｉ１列目の第３層の
重みプロセッサ５２３８］ ■　同列の上の重みプロセッサ５２２Ｉから転送されて
来た信号ｔｈ（１）を受は取り、同列の下の重みプロセ
ッサ５２５１に転送する。

■　同行の左の重みプロセッサ５２３７から転送されて
来た教師データＸＩ　　（ｊり　　（またはｙ＋（１）
）を受は取り、同行の右の重みプロセッサ５２３９に転
送する。

■（ａ）結合フラグ＝１の場合 式（２２）　（または式（２５））に示すように、同行
の左の重みプロセッサ５２３７から送られて来た教師デ
ータＸＩ　　（１）（またはｙ＋（Ｉｌ））に係数ｄ（
または係数ｂ）を掛け、記憶している重み係数Ｗ”１ｌ
（１）（またはｗ’　Ｂ　Ｃ１）　）　ニ係数−Ｃ（ま
たは係数−ａ）を掛けたものを加算し、これに第３層の
細胞プロセッサの出力ｚ、（１）を掛けて重みの変化量
Δｗ１□（Ｉｌ］　（またはΔＷ！（Ａ’））を計算し
て、式（２３）および式（２Ｇ）に従って、重み係数の
値を更新する。

（ｂ）　　結合フラグ−〇の場合 重み係数の変更は、行わない。

Ｃ第ｉｙ行、第ｋ（ｋ　＝　２ｍ＋ｎ十Ｎ＋７７）列目
（Ｉ〈１≦ｎ）の第２層の細胞プロセッサ５３４４］■
　入出カプロセッサ５０１３より事前に受は取っていた
教師データｙ＋ｙ（１）（またはＸＩ、（１））を同行
の右の重みプロセッサ５３４５に伝送する。

（Ｈ）学習の収束判定 学習の収束判定では、学習による重みの変化量の平均値
又は最大値が、所定の値より小さくなったかどうかを調
べて、このＣＰＮが安定状態に入ったか否かを判定する
。安定状態に入ったならば、学習を終了する。一方、ま
だ不安定な場合には、（Ｂ）の処理にもどって、入力デ
ータを繰り返し与えることにより学習を継続する。

以上、最大値検出処理を含むＣＰＮの計算処理を格子状
円環体結合の基本プロセッサ上で行なうことについて述
べたが、これらの計算処理は格子状矩形面結合の基本プ
ロセッサ上でも同様に行なうことができる。

次に、重みプロセッサ、細胞プロセッサ、入力プロセッ
サ、出力プロセッサ、入出カプロセッサをすべて仮想プ
ロセッサと考え、ＰｘＱ個の格子状円環体結合の実プロ
セッサを備えたニューロコンビコータについて述べる。

前記の重みプロセッサ、細胞プロセッサ、入力プロセッ
サ、出力プロセッサ、入出カプロセッサを全て仮想プロ
セッサと考え、第６図に示すように、（Ｎ＋ａ＋＋ｎ＋
１）行、（Ｎ＋２ｍ＋２ｎ）列の格子状に配列された仮
想プロセッサ群を縦方向にＰ （Ｐ＜　Ｎ＋ｍ＋ｎ＋１）分割、横方向にＱ　（Ｑ＜　
Ｎ＋２ｍ＋２ｎ）分割する。

次に、第７図（ａ）に示すように分割された矩形領域に
夫々１つの実プロセッサ（実際のプロセッサ）９１Ｏ〜
９３４を割り当てることにより、Ｐ行、Ｑ列の格子状に
実プロセッサの配列を構成する。

各実プロセッサは、上、下、左、右の実プロセッサと格
子状に接続し、最右端の実プロセッサ９１４．９１９．
９２４．９２９．９３４は信号線９４０〜９４４によっ
て、それぞれ同じ行の最左端の実プロセッサ９１０．９
１５．９２０．９２５．９３０に接続する。

最下端の実プロセッサ９３０〜９３４は信号線９３５〜
９３９によって、それぞれ同じ列の最上端の実プロセッ
サ９１０〜９１４に接続する。さらに、最下行の実プロ
セッサ９１０〜９１４に入出力機能を持たせるために、
信号線９０１〜９０５によって、ホストコンピュータ９
００のパスライン９０６に実プロセッサ９１０〜９１４
のそれぞれを接続する。

ただし、入出力機能を持たせる実プロセッサは必ずしも
最上行である必要はなく、各列に少なくとも１つ配置さ
れていれば良い。

入出力機能をもった実プロセッサは第７図（ｂ）に示す
ように、割り当てられた矩形領域に含まれる入力プロセ
ッサ、出力プロセッサ、入出カプロセッサ、重みプロセ
ッサおよび細胞プロセッサの演算機能および記憶機能を
分担する。

他の実プロセッサは第７図（ｅ）に示すように、割り当
てられた矩形領域に含まれる重みプロセッサおよび細胞
プロセッサの演算機能および記憶機能を分担する。

以上のように構成された実プロセッサ群は格子状円環体
に結合された実プロセッサ群を形成する。

各実プロセッサは格子の接点（交差点）に位置するので
、これをノードプロセッサと呼ぶことにする。

ノードプロセッサは、重みプロセッサの重み係数、細胞
プロセッサの出力値および学習の中間値を記憶するデー
タメモリと４方向の接続ができる入出力機能とを持った
通常のマイクロプロセッサで良く、高速の積和演算機能
を持っていることが好ましい。

適切な行の値Ｐと列の値Ｑを選んで、格子状円環体に結
合されたノードプロセッサ群を用いれば、現実的な数の
プロセッサで大規模な神経回路網の計算を並列に行うニ
ューロコンピュータを実現することができる。

仮想プロセッサを矩形領域に分割してノードプロセッサ
に割り当てる場合には、式（２１）、式（２４）、式（
２７）、式（４０）、式（４２）、式（４４）の部分和
の式と式（４１）、式（４３）、式（４５）の漸化式で
表される。

ｕｑ Ａ、　　　（１＝Σ　　Ｗｇｕ＋ｈ　　（ｊ’　）　　
・ｔｍ　　（！りｋ″”　ｑｌ　≦ｉ　≦ｎ　　−・・
・・・（４０）Ｘ＋　　　（ｆｉ　）　＝）（’、　ｑ
−’　　（１）　＋Ａｌ　　　（１）１≦ｉ≦ｎ　・・
・・・・（４１） ｕｑ ＢＩ　Ｑ　（１＝Σ　　Ｗｉｆｌ）ｋ　　（ｊ）−ｔｍ
　　（１）”ｌｑ１≦ｊ≦ｍ　−＝１４２） Ｖ’＋’（ρ）　＝ｙ’、　ｑ−’　　（１）　＋ＢＩ
　Ｑ（ｆり１≦ｊ≦ｍ　・・・・・・（４３） ｕｑ Ｃｈｑ　（ｊ）＝Σ　　Ｊｉｌｋ　　Ｇ＋　）　　−ｔ
ｋＱ）　）ｋ＝ＩＩｑ　　　１≦ｌ≦Ｎ　・・団・（４
４）ω、°（ρ）＝ωｈ　ｑ−’　　（１）＋Ｃｈ　ｑ
　（１１≦ｈ≦Ｎ　・・・・・・（４５） また、式（２８）を次に示す式（４６）の極大値検出と
式（４７）の漸化式と式（４８）の判別式に書き換える
事が出来る。

Ｅ＋　’　　Ｑ）　）　＝ｍａｒｉωｕ、　　（１）　
。

ωｌｊｐ。１　（１）・・・・・・、ω１゜、−、（！
り。

ω１゜、（ρ））　　　　　　　　　・・・・・・（４
Ｇ）φ＋　’　　（ｉ）　）　＝ｍｘｚ［φ１’−’　
　ＣＩ　）　。

Ｅｌ’（！りｌ　　　　　・・・・・・（４７）Φ　（
ω＋（ｊ）、Ｓ）＝ 以上の式の変形からも分かるように各ノードプロセッサ
は逐次処理を行うが、ＰＸ３台のノードプロセッサが並
列に処理を行う。特に、非常に時間のかかる積和演算に
ついては、重みプロセッサが個々に行っていた部分和の
計算を、分担する矩形領域の中での部分和の計算として
各ノードプロセッサが独立に行う。

以下、第７図（ａ）、第７図（ｂ）および第７図（Ｃ）
を参照して、ＣＰＮのシミュレーションを第４図の処理
フローに沿って説明する。

（Ａ）重み係数の初期設定 ノードプロセッサ９１０〜９３４の夫々は、分担してい
る重みプロセッサが記憶している重み係数の中で結合フ
ラグ＝１の重み係数を、逐次、乱数によって初期化する
。各ノードプロセッサは、同時にかつ並列に初期化を行
う。

（Ｂ）入力データの設定 入出力機能を有するノードプロセッサ９１０〜９１４の
夫々は、分担している各入力プロセッサに対応する入力
データを逐次ホストコンピュータ９００から受は取り、
受は取った入力データを入力プロセッサのバッファ９４
５．９４６に保持する。同時に、分担している各入出カ
プロセッサに対してもホストコンピュータ９００から入
力データを受は取り、受は取った入力データを教師デー
タとして入出カプロセッサのバッファ９４８〜９５０に
保持する。

（Ｃ）第３層の計算処理 第３層の計算処理では、まず、細胞プロセッサを分担し
ている各ノードプロセッサは細胞プロセッサの出力値ｚ
Ｉ　（１）、ｘｌ　（１）、ｙ′Ｉ　（１）をすべて零
−にする。次に各重みプロセッサおよび細胞プロセッサ
の計算処理について、第９行、第９列目のノードプロセ
ッサ９２２の計算処理を例に説明するが、これらの処理
は各ノードプロセッサで同時にかつ並列に実行される。

■　第９行、第９列目のノードプロセッサ９２２のノー
ドプロセッサが分担している矩形領域内に入力プロセッ
サが存在する列りがあれば、ｔｈ　　（ｊ７）＝ｘｈ　
　（１）またはｙｈ（ｊ’）として、ｔｈ（１）を列番
号りと一緒に下のノードプロセッサ９２７に逐次転送す
る。

矩形領域内に細胞プロセッサが存在する列に＝ｇ　（ｉ
）があれば、ｔｈ　　（１）＝ｚ、（Ｉ）、Ｘ’ｌ（Ａ
’）またはｙ’＋（Ｉｌ）とし、ｔｋ　　（Ａ’、）を
列番号にと一緒に同列の下のノードプロセッサ９２７に
逐次転送する。

細胞プロセッサ、入力プロセッサが存在していない列に
ついては、同列の上のノードプロセッサ９１７から転送
されて来た信号ｔ＋　　（１）（ｉｅ（ＬｌｑＳ　１１
ｑ＋１、・・・、Ｉｕｑ　−１、ｌｕｑ　）　］を逐次
受は取り、各列毎に入出カプロセッサ９４８またはバッ
ファ９７０．９７３．９７４に保持すると同時に、１．
（１）を列番号ｉと一緒に同列の下のノードプロセッサ
９２７に逐次転送する。

ｐ＝ｐ、すなわち、最下行のノードプロセッサ９３２の
場合には、ｔ、（Ｉ）を列番号ｉと一緒に最上端のノー
ドプロセッサ９１２に信号線９３７により逐次転送する
。

■　第９行、第９列目のノードプロセッサ９２２が分担
している仮想プロセッサの中に第３層の細胞プロセッサ
が含まれていたならば、含まれている第３層の細胞プロ
セッサに対して、その位置する行番号ｊと一緒に部分和
の初期値ωｌ　　　（１）＝０を右のノードプロセッサ
９２３に逐次転送する。

■　第９行、第９列目のノードプロセッサ９２２が分担
している矩形領域内の重みプロセッサについて各行毎に
式（４４）によって矩形領域内の部分和Ｃ１（Ｊ）を計
算し、計算の結果をバッファ９５６〜９６０及び９８８
〜９９３に格納しておく。

■　左のノードプロセッサ９２１から部分和ω１°−’
（Ｉりが行番号ｊと一緒に送られて来たならば、矩形領
域内の部分和ｃ、　　　（７）の計算が済んでいるか否
かを調べる。

（ａ）部分和の計算が済んでいる場合 式（４５）によって新しい部分和ωｒ　　　（ｊりを計
算する。

（ｂ）矩形領域内の部分和の計算が済んでいない場合 部分和ωｒＱ−’Ｃｉ）を−旦行番号ｊと一緒にバッフ
ァ９５６〜９６０及び９８８〜９９２の対応する場所に
格納しておき、矩形領域内の部分和Ｃ６（１）の計算が
済むのを待つ。矩形領域内の部分和Ｃ，（１）の計算が
終了すれば直ちに式（４５）によって、新しい部分和ω
１　　（１）を計算する。

ここで、矩形領域内のｊ行目に細胞プロセッサが含まれ
ているかを調べる。

（ｃ）　ｊ行目に細胞プロセッサが含まれていない場合 新しい部分和ω、　　（Ｉ）を番号ｊと一緒に右のノー
ドプロセッサ９２３に転送する。

（ｄ）ｊ行目に細胞プロセッサが含まれている場合 新しい部分和ω、　　（１）を積和演算結果ωＩ（Ａ’
）とする。

最右端に位置する場合、即ち、ｑ＝Ｑの場合には、新し
い部分和ω＋。（１）＝ωＩＱ　Ｕ’）を番号ｊと一緒
に最左端のノードプロセッサ９２０に転送する。

（Ｄ）最大値検出処理 第３層の全ての細胞プロセッサに最終の積和結果が得ら
れた後、第３層の各細胞プロセッサの出力の中で最大値
を求める。

■　第ｐ行、第９列目のノードプロセッサ９２２のノー
ドプロセッサが分担している矩形領域内に第３層の細胞
プロセッサが存在する行に＝ｇ（ｉ）があれば、ωＩ（
Ａ’）を行番号にと一緒に右のノードプロセッサ９２３
に逐次転送する。

矩形領域内に第２層または第４層の細胞プロセッサが存
在する行ｋ　＝ｇ（ｉ）があれば、−（１）を行番号に
と一緒に右のノードプロセッサ９２３に逐次転送する。

細胞プロセッサが存在していない行については、左のノ
ードプロセッサ９２１から行番号ｊと一緒に転送されて
来た信号ωＩ（Ａ’）又は−（１）〔ｊ（ＪｌｐＳＩｌ
ｐ　＋１、・・・、Ｊｕｐ　−Ｉ　５Ｊｕｌ＋　）　］
を逐次受は取り、各行毎にバッファ９５１〜９５５及び
９７６〜９８１に保持すると同時に、ω、（１）または
−■を行番号ｊと一緒に右のノードプロセッサ９２３に
逐次転送する。

最右端に位置する場合、即ちｑ＝Ｑの場合にはω、（り
または一■を行番号ｊと一緒に最左端のノードプロセッ
サに逐次転送する。

■　第ｐ行、第９列目のノードプロセッサ９２２が分担
している矩形領域の重みプロセッサについて各列毎に式
（４６）によって矩形領域内の部分極大値Ｅｌ　　　（
１）を計算する。計算が終われば、バッファ９６１〜９
６６及び９８２〜９８７に格納しておく。

■　上のノードプロセッサ９１７から極大値φＩ’−’
（ｊ’）が列番号ｊと一緒に送られて来たならば、矩形
領域内の部分極大値Ｅｌ　　　（Ａ’）の計算が済んで
いるか否かを調べる。

（ａ）計算が済んでいる場合 式（４７）によって新しい極大値φ、　　（１）を計算
する。

（ｂ）計算がまだ済んでいない場合 極大値φ＋’−’（１）を−旦列番号ｊと一緒にバッフ
ァ９６１〜９６６及び９８２〜９８７の対応する場所に
格納しておき、矩形領域内の部分極大値Ｅｌ　　　（１
）の計算が済むのを待つ。矩形領域内の部分極大値Ｅｌ
　　　（１）の計算が終了すれば直ちに式（４７）によ
って、新しい極大値φ１　　（１）を計算する。

ここで、矩形領域内のｊ列目に細胞プロセッサが含まれ
ているかを調べる。

（ｃ）含まれていない場合 新しい極大値φ、　　（１）を列番号ｊと一緒に下のノ
ードプロセッサ９２７に転送する。

（ｄ）含まれている場合 式（４８）によって、新しい極大値φ、　　（１）と細
胞プロセッサの累積値ω、（１）と大小比較を行う。

累積値ω、（Ｉ）が極大値φ、　　（１）より大きい場
合には、最大値検出関数Φ（ωＩ（Ａ’）。

５）＝１を細胞プロセッサの出力とする。

その他の場合には、最大値検出関数の （ωＩ　　（ｊ’）、　　Ｓ）　＝０を細胞プロセッサ
の出力とする。　最下行、即ち、ｐ＝ｐのノードプロセ
ッサ９３２の場合には、新しい極大値φＩ’（り＝φ、
（りを列番号ｊと一緒に最上端のノードプロセッサ９０
３に転送する。

（Ｅ）第３層の学習処理 教師データの設定において、入出力機能を有するノード
プロセッサ９１０〜９１４　は、各ノードプロセッサが
分担している矩形領域内の各入力プロセッサに保持され
ている入力データｘｈ（１）またはｙｈ（Ａ’）を教師
データとして供給する。

以下、最下行の入出力機能をもつノードプロセッサ９１
０〜９１４と第ｐ行、第９列目のノードプロセッサ９２
２の計算処理を例に説明するが、これらの処理は各ノー
ドプロセッサで同時にかつ並列に実行される。

■　入出力機能を持つノードプロセッサ９１０〜９１４
はそのノードプロセッサが分担している矩形領域内の各
入力プロセッサが保持している入力データｘｈ（Ｊ）ま
たはｙｈ（１）を教師データとしてその列番号りと一緒
に各列毎に下のノードプロセッサに出力する。

これらの各ノードプロセッサはこの教師データを上のノ
ードプロセッサから受は取り、下のノードプロセッサに
転送する。

■　第３層の細胞プロセッサを含むノードプロセッサは
、第３層の細胞プロセッサの各出力値ｚ＋（ｊ’）を行
番号ｉと一緒に右のノードプロセッサに出力する。

第２．４層の細胞プロセッサを含むノードプロセッサは
、夫々出力Ｘ＋　　（１）　、ｙ′、　　（１）として
０を行番号ｉと一緒に右のノードプロセッサに出力する
。

各ノードプロセッサは左のノードプロセッサから送られ
て来た出力値を受は取りこれをバッファに保持すると同
時に行番号ｉと一緒に右のノードプロセッサの入出カプ
ロセッサに転送する。

■　第３層の重みプロセッサを含むノードプロセッサは
、式（２９）〜（３２）に基づいて、上のノードプロセ
ッサから送られて来た入力データと左のノードプロセッ
サから送られて来た出力値ｚ＋（Ａりおよび夫々保持し
ている重み係数Ｕ＋＋（Ｚ）、Ｖｌｌ（ｊ）から変化分
Δｕ、（１）、ΔＶｌｌ（１）を計算し、各重み係数の
更新を行う。

（Ｆ）第２層、第４層の計算処理 第２層、第４層の計算処理では、まず、細胞プロセッサ
を分担している各ノードプロセッサは第３層の細胞プロ
セッサを除いて細胞プロセッサの出力値ｘ′１　（１）
、ｙ′１　（１）をすべて零にする。

次に各重みプロセッサおよび細胞プロセッサの計算処理
について、第ｐ行、第９列目のノードプロセッサ９２２
の計算処理を例に説明するが、これらの処理は各ノード
プロセッサで同時にかつ並列に実行される。

■　第ｐ行、第ｑ列目のノードプロセッサ９２２のノー
ドプロセッサが分担している矩形領域内に入力プロセッ
サが存在する列りがあれば、ｔ　ｈ　　（Ｊ　）　＝　
Ｘｈ　　（１）またはｙｈ（１）として、ｔｈ（Ｊ）を
列番号りと一緒に下のノードプロセッサ９２７に逐次転
送する。

矩形領域内に細胞プロセッサが存在する列ｋ　＝ｇ（ｉ
）があれば、ｔｍ　　（ｊ）＝ｚｔ　　（ｊ）、ｘ’＋
（１）またはｙ’＋（Ａ’）とし、ｔ、（ｚ）を列番号
ｌと一緒に下のノードプロセッサ９２７に逐次転送する
。

細胞プロセッサ、入力プロセッサが存在していない列に
ついては、上のノードプロセッサ９１７から転送されて
来た信号ｔ＋　　（ｊり［ｉ６　　（Ｉｊｑ。

Ｉｆ　ｑ　＋ｌ　、　・・・、ＩＩＩＱ　−１、ＩＩＩ
（ｌ　）　Ｅを逐次骨は取り、各列毎に入出カプロセッ
サ９４８またはバッファ９７（１，９７３，９７４に保
持すると同時に、１＋（１）を列番号ｉと一緒に下のノ
ードプロセッサー９２７に逐次転送する。

最下行、即ち、ｐ＝ｐのノードプロセッサ９３２の場合
には、ｔｌ（７１’）を列番号ｉと一緒に最上端のノー
ドプロセッサ９１２に逐次転送する。

■　第ｐ行、第ｑ列目のノードプロセッサ９２２が分担
している仮想プロセッサの中に第２層、第４層の細胞プ
ロセッサが含まれていたならば、含まれている細胞プロ
セッサの全てに対して、その位置する行番号ｊと一緒に
部分和の初期値ｘ／、　　　（ｊ）＝０．または７’＋
　＠ＣＩ　）　＝Ｏを右のノードプロセッサ９２３に逐
次転送する。

■　第ｐ行、第ｑ列目のノードプロセッサ９２２が分担
している矩形領域の重みプロセッサについて各行毎に式
（４０）または式（４２）によって矩形領域内の部分和
ＡＩ　　　（１）またはＢｌ　　　（４）を計算する。

計算が終われば、バッファ９５６〜９ＩｉＯ及び９８８
〜９９３に格納してお（。

■　左のノードプロセッサ９２１から部分和ｘ／、　’
−’　　ＣＩ　’）またはｙ’＋　”−’　　（１）が
行番号ｊと一緒に送られて来たならば、矩形領域内の部
分和　ＡＩ　　　（１）またはＢｌ　　　（ｊｌ）の計
算が済んでいるか否かを調べる。

（１）計算が済んでいる場合 式（４１）または式（４３）によって新しい部分和Ｘ’
ｔ”（Ａ’）または７’＋　　　（ｊ’）を計算する。

（ｂ）計算がまだ済んでいない場合 部分和ｘ／、　ａ−１（１）またはｙ’＋　’−’　　
（ｊ’　）を−旦行番号ｉまたは１と一緒にバッファ９
５６〜９６Ｇ　、９８８〜９９２の対応する場所に格納
しておき、矩形領域内の部分和Ａｌ　　　（Ａ’）また
はＢｌ　　　（Ａ’）の計算が済むのを待つ。矩形領域
内の部分和ＡＩ　　　（１）またはＢｌ　　　（ｊ’）
の計算が終了すれば直ちに式（４１）または式（４３）
によって、新しい部分和ｘ／、　　　（１）またはｙ’
＋　　　ＣＩ　）を計算する。

ここで、矩形領域内のｊ行目に細胞プロセッサが含まれ
ているか否かを調べる。

（ｃ）含まれていない場合 新しい部分和ｘｉ、　　　ＣＩ）またはｙ’＋　　　（
１）を行番号ｊと一緒に右のノードプロセッサ９２３に
転送する。

（ｄ）含まれている場合 新しい部分和ｘｉ　　　（Ａ’）またはｙ’＋ｑ（Ａり
を積和演算結果Ｘ’１（Ｊ）またはｙ’＋（Ａ’）とす
る。

最右端に位置する場合、即ちｑ＝Ｑの場合には、新しい
部分和ｘ／、　。ＣＩ　）　＝Ｘ’Ｉ　Ｑ（／　）また
はｙ’＋　　　（１）　＝ｙ’＋　’　　ＣＩ　）を行
番号ｊと一緒に最左端のノードプロセッサ９２０に転送
する。

最後に、積和結果Ｘ’ｌ（ｊ’）またはｙ’＋（Ｊ）を
細胞プロセッサに対応する記憶領域に格納する。

（Ｇ）第２層、第４層の学習処理 第２層、第４層の学習処理では、教師なしの自己学習な
ので、入力データｘ（１）またはｙ（Ｊ）が教師データ
となり、入出カプロセッサを経由して各細胞プロセッサ
に供給される。この学習処理における各ノードプロセッ
サは以下の処理を行う。

各ノードプロセッサが分担する入出カプロセッサ、重み
プロセッサおよび細胞プロセッサの計算処理について、
第１行目の入出力機能を持つノードプロセッサ９１０〜
９１４と第１行、第９列目のノードプロセッサ９２２の
計算処理を例に説明するが、これらの処理は各ノードプ
ロセッサで同時にかつ並列に実行される。

■　第１行目のノードプロセッサ９１０〜９１４が分担
している矩形領域の仮想プロセッサ群の中に入出カプロ
セッサを含んでいれば、対応する入力データｘｈ（７）
またはｙｈ（１）をパスライン９０６を通してホストコ
ンピュータから受は取り、下のノードプロセッサに転送
する。

各ノードプロセッサは上のノードプロセッサから送られ
て来た入力データｘｈ（１）またはｙｈ　（１）に対応
する第り列の細胞プロセッサを含んでいれば、その入力
データをその細胞プロセッサに格納する。

■　第１行、第９列目のノードプロセッサ９２２が分担
している矩形領域の仮想プロセッサ群の中に第ｊ行、第
ｉ　＝ｇ（ｊ）列に第２層または第４層の細胞プロセッ
サを含んでいれば、先に受は取った入力データｘ、（Ａ
’）またはｙ＋（１）を行番号ｊと一緒に右のノードプ
ロセッサ９２３に転送する。

第ｊ行、第ｉ　＝ｇ（ｉ）列に第３層の細胞プロセッサ
を含んでいれば、細胞プロセッサの出力ｚ、（ｎ）を列
番号１と一緒に下のノードプロセッサーに転送する。

細胞プロセッサおよび入力プロセッサの含まれていない
行については、左のノードプロセッサ９２１から転送さ
れて来た入力データＸ　（りまたはｙ＋（ｎ）を列番号
ｉと一緒に下のノードプロセッサーに転送する。

細胞プロセッサおよび入力プロセッサの含まれていない
行については、左のノードプロセッサ９２１から転送さ
れて来た入力データＸＩ（Ａ’）または３’＋　　（１
）（ｊ　　（Ｊ！！ｑ、Ｊｊｑ＋１、・・・ＪＯＱ　−
１、Ｊｕｑ　）　）を逐次受は取り、列毎にバッファ９
５２．９５５．９７８．９８０．９８１に保持すると同
時に、入力データｘ、（Ｊ）またはｙ＋（１）を行番号
ｊと一緒に右のノードプロセッサ９２３に転送する。

細胞プロセッサおよび入力プロセッサの含まれていない
列については、上のノードプロセッサ９１７から転送さ
れて来た出力データｚ＋（Ｊ）（ｉ　　　（Ｊｊ）ｑ、
Ｊｉ）ｑ＋１．・・・、Ｊｕｑ　−Ｉ　５Ｊｕｑ））を
逐次受は取り、列毎にバッファ９７０．９７３．９７４
に保持すると同時に、出力データ２゜（ｊ’）を列番号
ｊと一緒に下のノードプロセッサ９２７に転送する。

最右端に位置している場合、即ちｑ＝Ｑの場合のノード
プロセッサは、最左端のノードプロセッサーヘデータを
伝送し、最下端に位置している場合、即ちｐ＝Ｐの場合
のノードプロセッサは、最上端のノードプロセッサへデ
ータを伝送する。

■　第１行、第９列目のノードプロセッサ９２２が分担
している矩形領域の中の個々の重みプロセッサについて
、下記の選択を行なう。

（１）結合フラグ＝１の場合 左のノードプロセッサ９２１から送られて来た入力デー
タＸＩ（１）またはｙ＋（１）と上のノードプロセッサ
から送られて来た出力信号ｚ　（ｎ）　　とから式（２
２）または式（２５）に従って、重み係数ｗ”　、、　
（ｎ）またはｗ　　ＩＩ’　　（ｎ）の変更量Δｗ”、
、（１）またはΔｗ’　Ｂ（ｎ）を計算し、式（２３）
または式（２６）に従って重み係数Ｗ”１ｌ（ｌｌ）ま
たはｗ’　、、（１）を更新する。

（ｂ）結合フラグ＝０の場合 何も行わない。

（Ｈ）学習の収束判定 学習の収束判定では、学習による重みの変化量の平均値
または最大値が、所定の値より小さくなったかどうかを
調べて、このＣＰＮが安定状態に入ったか否かを判定す
る。安定状態に入ったならば、学習を終了する。一方、
まだ不安定な場合には、（Ｂ）の処理にもどって、入力
データを繰り返し与えることにより学習を継続する。

以上、最大値検出処理を含むＣＰＮの計算処理を格子状
円環体結合のノードプロセッサを備えるニューロコンピ
ュータでシミュレーションする方法について述べたが、
これらのシミュレーションの方法は格子状矩形面結合の
ノードプロセッサを備えるニューロコンピュータにおい
ても同様である。　次に第８図（りおよび第８図（ｂ）
にＣＰＮモデルの負荷バランスの一実施例を示す。

第８図（りは、第９図の重みプロセッサおよび細胞プロ
セッサの処理を２行、３列の６台のノードプロセッサで
並列処理する場合、負荷バランスのために、仮想プロセ
ッサの行あるいは列の置換（Ｐｅｔｍｌａｊｉｏｎ）を
行うための矩形領域の分割を示したものである。この分
割毎に行および列の置換を順次行うことにより、第８図
（ｂ）のような配列に変換することができる。ここで、
式（２１）、式（２４）、式（２７）の積和演算は、加
算の順序には全く影響されないので、行と行、列と列の
置換を行っても全く同じ計算結果を得ることができる。

同様に、式（２８）の最大値検出処理もその演算の順序
には影響されないので、行と行、列と列の置換を行って
も全く同じ計算結果を得ることができる。

第８図（ｂ）は６台のノードプロセッサによる並列処理
のための負荷の分割を示しており、仮想プロセッサの行
数、列数がノードプロセッサの行数、列数でそれぞれ割
り切れないため、１行あるいは１列分の負荷の違いが生
じる。しかし負荷バランスは維持されている。

本実施例では、最大値検出処理を説明したが、交換体の
成り立つ演算であれば、同様に格子状円環体結合のノー
ドプロセッサで並列処理を行うことができる。

また、本実施例では、格子状円環体結合の仮想プロセッ
サおよびノードプロセッサにおける最大値検出処理につ
いて述べたが、格子状矩形面結合の仮想プロセッサおよ
びノードプロセッサにおいても同様に最大値検出処理の
並列処理を行うことができる。

［発明の効果］ 本発明のニューロコンピュータによれば、教師なし自己
学習を行い得る神経回路素子モデルに対して各神経回路
素子の出力間の最大値を検出し得、その結果、教師なし
自己学習を行う神経回路素子モデルに対してもシミュレ
ーションを行い得る。

【図面の簡単な説明】

第１図は、重みプロセッサ、細胞プロセッサ、入力プロ
セッサ、出力プロセッサ、及び入出カプロセッサから成
る格子状円環体結合の構成を示す図、第２図はコホーネ
ンの自己組織モデルの構成を示す図、第３図はＣＰＮの
構成を示す図、第４図はＣＰＮのシミュレーションの手
順を示すフロー図、第５図は最大値検出処理の処理方法
を示す図、第６図は格子状円環体結合の仮想プロセッサ
を実プロセッサにマツピングするための分割を示す図、
第７図は格子状円環体に結合されたノードプロセッサか
ら成るニューロコンピュータシステムの構成と各ノード
プロセッサの仮想的な内部構成を示す図、第８図は、行
及び列の置換によって、負荷の不均衡を解消する様子を
示す図、第９図はＣＰＮによって対応する重みプロセッ
サ、細胞プロセッサの配列を示す図、第１０図は神経回
路素子のモデルを示す図である。 ９００・・・ホストコンピュータ、９０１〜９０６．９
４０〜９４４．５０２１〜５０３４．５４０１〜５４０
９・・・信号線、９１０〜９１４人出力機能付ノードプ
ロセッサ、９１５〜９３４ノードプロセッサ、９４５〜
９４６．５００１〜５００５・・・入力プロセッサ、９
４７．５００６〜５００８・・・出力プロセッサ、９４
８〜９５０．５００９〜５０１４・・・入出カプロセッ
サ、９５１〜９６６．９７０〜９９３・・・バッファメ
モリ、９６７〜９６９．９９３〜９９５．５１０６．５
１４０．５１６８．５２０９．５２４２．５２７１．５
３１２．５３４４．５３７４・・・細胞プロセッサ、５
１０１〜５１０５．５１０７〜５１１４．５１２１〜５
１２２．５１３１〜５１３９．５１４１〜５１４８．５
１５１〜５１５２．５１６１〜５１６７．５１６９〜５
１７４．５２０１〜５２０８．５２１０〜５２１４．５
２２１．５２３１〜５２４１．５２４３〜５２４６．５
２５１．５２６１〜５２７０．５２７２〜５２７４．５
３０１〜５３１１゜５３２１．５３３１〜５３４３．５
３４５〜５３４６．５３７３・・・重みプロセッサ。 ５３１３〜５３１４． ５３５ｋ　　５３６１〜 叡 （５０４１シヤ一プ体式会社

Claims (2)

【特許請求の範囲】
1. （１）複数の行及び複数の列によって規定された位置に
   神経回路素子の機能を有する基本プロセッサが配置され
   ており、該基本プロセッサの一部が外部装置に接続され
   ているニューロコンピュータであって、前記外部装置に
   接続されていない基本プロセッサは、同行上の隣接する
   ２つの基本プロセッサ及び同列上の隣接する２つの基本
   プロセッサに夫々接続されており、前記外部装置に接続
   されていない基本プロセッサは少なくとも２種類あり、
   一方の種類の前記基本プロセッサは、隣接した基本プロ
   セッサの１つから伝送された出力値と隣接した基本プロ
   セッサの他の１つから伝送された出力値とを比較し、大
   きい方の出力値を極大値として、前記出力値を出力した
   基本プロセッサ以外の隣接した基本プロセッサに出力す
   る機能を持っており、他方の種類の前記基本プロセッサ
   は、隣接した基本プロセッサの１つから伝送された極大
   値と隣接した基本プロセッサの他の１つから伝送された
   出力値とを比較し、当該比較の結果によって前記極大値
   又は前記出力値を出力した基本プロセッサ以外の隣接し
   た基本プロセッサに所定の値を出力するように構成され
   ていることを特徴とするニューロコンピュータ。
2. （２）全ての前記基本プロセッサを複数の矩形領域に分
   割し、当該分割された矩形領域に少くとも１つの実プロ
   セッサが各々配置されており、該各実プロセッサは、同
   行上の隣接する２つの他の前記実プロセッサ及び同列上
   の隣接する２つの他の前記実プロセッサに夫々接続され
   ており、前記実プロセッサは、当該実プロセッサが配置
   された矩形領域に含まれる複数の基本プロセッサの全て
   の機能を有している請求項１に記載のニューロコンピュ
   ータ。