You are on page 1of 35

CIRCUITI NON LINEARI E RETI CELLULARI

M. Gilli Politecnico di Torino Dipartimento di Elettronica Torino, Italy

Sommario
1. Circuiti non lineari descritti da modelli continui nel tempo. - Reti neurali/non lineari cellulari (Cellular neural/nonlinear networks - CNNs). (a) Modello matematico. (b) Principali applicazioni. (c) Realizzazioni hardware. (d) Comportamento dinamico. ` i. Comportamento stazionario: punti di equilibrio e stabilita. ` ii. Comportamento periodico: cicli limite e stabilita. iii. Comportamento non periodico: tori, attrattori caotici.

2. Circuiti non lineari descritti da modelli discreti nel tempo. (a) Approccio statistico e relativi vantaggi. (b) Applicazioni. i. Ottimizzazione delle prestazioni di sistemi di comunicazione multiutente. ii. Riduzione delle interferenze elettromagnetiche, dovute a segnali di temporizzazione.

CNN: modello matematico


L(Dt )xij (t) =
|n|r,|m|r A C Tmn f ( x i+m,j +n ) + Tmn xi+m,j +n

+
|n|r,|m|r

B Tmn ui+m,j +n + I

T A,B,C

(1 i N, 1 j M )

I termini di ingresso ui,j sono normalmente costanti (sistemi autonomi)

CNN: modello matematico (cont.)

xij (t): variabili di stato L(Dt ): funzione razionale delloperatore Dt = uij (t): termini di ingresso I : termine di bias
Condizioni iniziali [xij (0)] & Condizioni al contorno
d dt

f (): funzione di uscita non lineare e senza memoria

Celle identiche, contenenti un solo elemento non lineare senza memoria. Connessioni locali ed invariabili nello spazio.

CNN: modello classico di Chua-Yang


dxij = xij + dt +
|n|r,|n|r
y(x)

A Tmn y ( x i+m,j +n ) |m|r,|n|r B Tmn ui+m,j +n + I

1 1 x

Schiere di oscillatori non lineari


1

Gs

Gs

G1

x1 Y

x2

xi

GK

Y (Dt )xi (t) = f [xi (t)] 2Gs xi (t) + Gs xi+1 (t) + Gs xi1 (t) L(Dt ) = Y (Dt ) f (): resistore non lineare controllato in tensione.
A Tm = [0 1 0] C = [Gs 2Gs Gs ] Tm
6

Principali applicazioni
1. Elaborazione in tempo reale delle immagini: (a) Preelaborazione delle immagini (metodi basati su PDE). (b) Applicazioni mediche: mammograa, ecocardiograa, applicazioni oftalmiche. (c) Visione stereoscopica ed elaborazione delle immagini in movimento. 2. Modelli derivati (ispirati) dalla biologia. (a) Sistema visivo: modello della retina. (b) Sistema tattile. (c) Sistema audiometrico. (d) Sistema talamo-corticale (reti di oscillatori accoppiati): memorie associative. 3. CNN Universal Machine: algoritmi analogici.
7

Elaborazione delle immagini


Metodi per lelaborazione delle immagini basati su equazioni non lineari alle derivate parziali

[L. Alvarez, F. Guichard, P. L. Lions, J. M. Morel, Axioms and Fundamental equations of image processing, Arch. Rational Mech. Anal. 123, 1993]

Teoria sistematica dellelaborazione delle immagini, mediante analisi multiscala

Realizzazione mediante CNN

Elaborazione delle immagini (cont.)

Realizzazioni hardware (cont.)

10

Realizzazioni hardware (cont.)

11

Realizzazioni hardware (cont.)

12

Realizzazioni hardware (cont.)

13

Comportamento dinamico

Determinazione di tutti gli attrattori della rete e dei corrispondenti bacini di attrazione

14

Comportamento stazionario: punti di equilibrio


1. Determinazione di tutti i punti di equilibrio stabili ed instabili. 2. Biforcazioni di punti di equilibrio. (a) Biforcazioni locali (saddle-node, transcritical, pitchfork, Hopf). (b) Bifurcazioni globali (omocline ed eterocline). 3. Bacini di attrazione dei punti di equilibrio stabili. ` 4. Concetti di stabilita. ` completa (convergenza). (a) Stabilita ` quasi ovunque. (b) Stabilita ` globale. (c) Stabilita

15

Punti di equilibrio (cont.) Una CNN classica composta da N lineari.

M celle presenta 3N M regioni

Tutti gli algoritmi per la determinazione dei punti di equilibrio di una CNN ` esponenziale. hanno complessita

Le biforcazioni si possono studiare solo per reti semplici. I risultati relativi ai bacini di attrazione sono essenzialmente limitati a sistemi piani o di dimensione non elevata.

16

a11 =a22=2, a12=0.5, a21=0.5 (m=0)

Biforcazioni locali di punti di equilibrio (cont.)

3 2 1 x2(t)

T0 = 2, T+ 1 = 0.5, T 1 = 0.5

3 2 1 x (t)
2

A A A T0 = 1.5, T+ 1 = 0.5, T 1 = 0.5

1 2 3 3 2 1 0 x1(t) 1 2 3

1 2 3 3 2 1 0 x1(t) 1 2 3

` stabili ed instabili. Varieta

17

Biforcazioni globali di punti di equilibrio (cont.)


5 4 3 2 1 TA = 1.45
0

5 4 3 2 1

TA = 0.3984
0

5 4 3 2 1

TA = 0.35
0

x (t)

1 2 3 4 5 TA = 1/3, TA = 3 +1 1 1 0 x1(t) 1

x2(t)

1 2 3 4 TA = 1/3, TA 5
+1 1

=3 5 1

x2(t)

1 2 3 4 TA = 1/3, TA
+1 1

=3

0 x1(t)

0 x1(t)

` stabile ed una instabile. Intersezioni mediante una varieta


18

Biforcazioni: Equazione di Nagumo

2x x =D + f ( x) t z 2

(0 z

lz )

x = 0 |z=0,lz z x 0 0x 1 x 1

x f ( x) = x 3 + (1 + ) x 2 x ( 1)( x 1)

19

Funzione non lineare f () -


0.25 0.2 0.15 0.1 0.05 0 0.05 0.1 0.15 0.2 0.25 0.5

= 0.5 (cont.)

P0 P

0.5

1.5

20

Equazione di Nagumo e corrispondente modello discreto (CNN) (cont.)

2x D D [xi+1 (t) 2xi (t) + xi1 (t)] z 2 h2

dx1 (t) dt dxi (t) dt dxN (t) dt

= = =

D h2 D h2 D h2

[x2 (t) x1 (t)] + f [x1 (t)] [xi+1 (t) 2xi (t) + xi1 (t)] + f [xi (t)] (i = 2, N ) [xN 1 (t) xN (t)] + f [xN (t)] =
h D

Passo di discretizzazione spaziale normalizzato hD

21

Modello discreto (CNN) (cont.) 1. Per ogni numero N di celle esiste un passo di discretizzazione spaziale normalizzato hD , tale che per 0 h D < hD la CNN presenta solo tre punti di equilibrio: - Due punti di equilibrio stabili Pa = (0, 0, ..., 0, 0) and Pb = (1, 1, ..., 1, 1), con N autovalori reali negativi. - Un punto di equilibrio instabile P reale positivo.

= (, , ..., , ), con un autovalore

` topologicamente 2. For ogni passo hD < hD , il modello discreto (CNN) e equivalente al modello continuo (PDE di Nagumo). , i due punti di equilibrio stabili Pa e Pb non vengono alterati. 3. Se hD hD Si osserva una sequenza di biforcazioni di tipo pitchfork del punto di ` luogo alla nascita di equilibrio instabile P = (, , ..., , ), che da ulteriori punti di equilibrio stabili.

22

CNN composta da 20 celle. (cont.)


hs = 1.1190 D
P
11

(0,...,0,1,...1) h* D = 0.3139
P

hD = 0.9338

P12

h = 0.6258 D P = (, ..., )

P3

P6

21

(1,...1,0,...0)
P22

23

Modello discreto (CNN) (cont.) ` topologicamente equivalente al modello 4. Il modello discreto (CNN) non e continuo (PDE) per hD hD , ovvero dopo la prima biforcazione.
s 5. Per hD > hD il modello discreto (CNN) presenta una coppia di punti di equilibrio stabili che non sono presenti nella PDE originale: non esiste una corrispondenza uno-uno tra gli attrattori dei due modelli.

Il fenomeno denominato Propagation failure avviene per quei passi di s discretizzazione hD > hD , tali che non esiste una corrispondenza unouno tra i punti di equilibrio stabili dei due modelli. Per ogni passo di discretizzazione normalizzato h (anche arbitrariamente h D piccolo) esiste un coefciente di diffusione D tale hD = > h S,
D

ovvero il modello discreto (CNN) ed il modello continuo (PDE) non sono topologicamente equivalenti.

24

` Stabilita

` completa (Convergenza): ogni traiettoria converge ad un punto di Stabilita equilibrio. Il sistema in genere presenta vari punti di equilibrio (sia stabili che instabili). Tutti gli attrattori sono punti di equilibrio stabili.

` (Convergenza) quasi ovunque: ogni traiettoria (con leccezione di Stabilita un insieme di misura nullo) converge ad un punto di equilibrio stabile. ` presentare insiemi limite invarianti instabili (sia periodici Il sistema puo che non periodici), ad esempio cicli limite instabili. Tutti gli attrattori sono punti di equilibrio stabili.

` globale: tutte le traiettorie convergono verso un singolo punto di Stabilita ` globalmente asintoticamente stabile. equilibrio, che e

25

` completa (cont.) Stabilita

Funzione di Lyapunov V (x ) con derivata rispetto al tempo non positiva


lungo le traiettorie del sistema:

(x ) 0. V

Tutte le traiettorie sono limitate. I punti di equilibrio sono isolati.

` completa Il principio di La Salle assicura la Stabilita

CNN con template simmetrici (Chua et al., Forti et al.)

CNN descritte da template con termine centrale dominante (Takahasci et al.)

Classe di CNN con template non positivi e non simmetrici (Gilli et al.)
26

` (cont.) Stabilita ` quasi ovunque Stabilita Risultati dovuti a Hirsch sui sistemi cooperativi

CNN classiche irriducibili, con template positivi (Chua et al.)

CNN classiche irriducibili, con template non positivi, ma ad essi equivalenti, mediante trasformazioni di stato diagonali (Wu et al.).

` globale Stabilita

Risultati relativi a reti neurali di Hopeld.

Le CNN con un solo punto di equilibrio non sono adatte allelaborazione delle informazioni.

27

` ed Instabilita ` (cont.) Stabilita

` non utilizza la connettivita ` locale La maggior parte delle condizioni di stabilita e linvarianza spaziale

28

Comportamento periodico: cicli limite


1. In sistemi dinamici di elevata dimensione, come le CNN, la sola simulazione non consente di identicare tutti i cicli limite (e le ` di stabilita). ` relative proprieta (a) La simulazione richiederebbe di considerare innite condizioni iniziali. (b) I cicli limite instabili non possono essere individuati mediante la simulazione. 2. Attraverso tecniche spettrali, il problema della determinazione dei cicli limite diventa non differenziale (talvolta algebrico). (a) Tecnica della Funzione Descrittiva. (b) Tecnica del Bilanciamento Armonico. (c) Tecniche miste (dominio del tempo e della frequenza) per il calcolo dei Moltiplicatori di Floquet (FM)
29

Cicli limite: metodo della funzione descrittiva (cont.) ` rappresentata per mezzo di una Ognuna delle N M variabili di stato e singola armonica (con data ampiezza, pulsazione e fase)

xij (t) Aij + Bij sin (t + ij )

11 = 0

A B f (xij (t)) Fij + F ij sin (t + ij )

A Fij

1 = 2

f [Aij + Bij sin()]d

B Fij

1 =

f [Aij + Bij sin()] sin()d

30

Cicli limite: metodo della funzione descrittiva (cont.) 1. Sostituendo lespressione approssimata dello stato, nelle equazioni di stato, il problema viene ricondottto alla determinazione di tutte le soluzioni del

sistema di of 3(N M ) equazioni, con le seguenti incognite (a) la pulsazione . (b) N M termini costanti Aij . (c) N M ampiezze delle armoniche Bij . M 1 fasi ij (11 si assume nulla). (d) the N 2. I risultati ottenuti attraverso il metodo della funzione descrittiva sono rigorosi, ` soddisfatto (Mees solo se un insieme di condizioni abbastanza restrittive e et al.). Nella maggior parte dei casi, essi sono soddisfacenti (Gilli et al.). ` dei cicli limite e le biforcazioni possono essere studiati con 3. La stabilita metodi spettrali, basati sulla funzione descrittiva (Genesio et al.).

31

Cicli limite: Bilanciamento armonico e Moltiplicatori di Floquet (cont.) Funzione descrittiva: identicazione di tutti i cicli limite (sia stabili, che instabili) Bilanciamento armonico: caratterizzazione accurata di ogni ciclo limite (sia stabile, che instabile), utilizzando come parametri di ingresso lapprossimazione con singola armonica ottenuta mediante il metodo della funzione descrittiva Moltiplicatori di Floquet: determinazione dei FM per mezzo di tecniche nel dominio spettrale, nel dominio del tempo e di tecniche miste (Bonani and Gilli)

Analisi delle biforcazioni ed eventuale comportamento non-periodico.

32

Esempio di dinamica complessa

TA

0 = s 0

r 0 p s r 0
y(x)

con p > 1, r > 0, s > 0

1 1 x

33

Diagramma di biforcazione in una CNN composta da 3 3 celle (cont.)


8

bPD

RC TB
C bTB

RPD
b
PD

R
b

NS

RP
bH

34