Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Emotion Prediction from User-Generated Videos by Emotion Wheel Guided Deep Learning Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Photonic Reservoir Computing Based on Laser Dynamics with External Feedback

verfasst von : Seiji Takeda, Daiju Nakano, Toshiyuki Yamane, Gouhei Tanaka, Ryosho Nakane, Akira Hirose, Shigeru Nakagawa

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Reservoir computing is a novel paradigm of neural network, offering advantages in low learning cost and ease of implementation as hardware. In this paper we propose a concept of reservoir computing consisting of a semiconductor laser subject to external feedback by a mirror, where input signal is supplied as modulation pattern of mirror reflectivity. In that system, non-linear interaction between optical field and electrons are enhanced in complex manner under substantial external feedback, leading to achieve highly nonlinear projection of input electric signal to output optical field intensity. It is exhibited that the system can most efficiently classify waveforms of sequential input data when operating around laser oscillation’s effective threshold.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Hybrid Gravitational Search Algorithm with Swarm Intelligence for Object Tracking
Nächstes Kapitel FPGA Implementation of Autoencoders Having Shared Synapse Architecture
Literatur
1.
Quoc, V.L.: Building high-level features using large scale unsupervised learning. In: 2013 IEEE International Conference on Acoustic, Speech and Signal Processing, pp. 8595–8598, Vancouver, BC (2016)
2.
Taigman, Y., Yang, M., Ranzato, M.A., Wolf, L.: Deep face: closing the gap to human-level performance in face verification. In: 2014 IEEE Conference on Computer Vision and Pattern Recognition, pp. 1701–1708 (2014)
3.
Wang, W., Arora, R., Livescu, K., Bilmes, J.: On deep multi-view representation learning. In: Proceedings of the 32nd International Conference on Machine Learning, pp. 1083–1092 (2015)
4.
Jaeger, H., Haas, H.: Harnessing nonlinearity: predicting chaotic systems and saving energy in wireless communication. Science 304, 78–80 (2004)CrossRef
5.
Maass, W., Natschläger, T., Markram, H.: Real-time computing without stable states: a new framework for neural computation based on perturbations. Neural Comput. 14, 2531–2560 (2002)CrossRefMATH
6.
Verstraeten, D., Schrauwen, B., Stroobandt, D.: Isolated word recognition using a liquid state machine. In: Proceedings of the 13th European Symposium on Artificial Neural Networks (ESANN), pp. 435–440 (2005)
7.
Jalalvand, A., Wallendael, G.V., Walle R.V.: Real-time reservoir computing network-based systems for detection tasks on visual contents. In: 7th International Conference on Computational Intelligence, Communication Systems and Networks (CICSyN), pp. 146–151 (2015)
8.
Triefenbach, F., Jalalvand, A., Schrauwen, B., Martens, J.-P.: Phoneme recognition with large hierarchical reservoirs. Adv. Neural Inf. Process. Syst. 23, 2307–2315 (2010)
9.
Yamane, T., Katayama, Y., Nakane, R., Tanaka, G., Nakano, D.: Wave-based reservoir computing by synchronization of coupled oscillators. In: Arik, S., Huang, T., Lai, W.K., Liu, Q. (eds.) ICONIP 2015. LNCS, vol. 9491, pp. 198–205. Springer, Heidelberg (2015). doi:10.​1007/​978-3-319-26555-1_​23 CrossRef
10.
Appeltant, L., Soriano, M.C., Van der Sande, G., Danchaert, J., Massar, S., Dambre, J., Schrauwen, B., Mirasso, C.R., Fischer, I.: Information processing using a single dynamical node as complex system. Nature Commun. 2, 468–472 (2011)CrossRef
11.
Nakajima, K., Hauser, H., Li, T., Pfeifers, R.: Information processing via physical soft body. Sci. Rep. 5, 10487 (2015)CrossRef
12.
Vandoorne, K., Dierckx, W., Schrauwen, B., Verstraeten, D., Baets, R., Bienstman, P., Campenhout, J.V.: Toward optical signal processing using photonic reservoir computing. Opt. Express 16, 1182–1192 (2008)CrossRef
13.
Brunner, D., Soriano, M.C., Mirasso, C.R., Fischer, I.: Parallel photonic information processing at gigabyte per second data rates using transient state. Nature Commun. 4, 1364 (2012)CrossRef
14.
15.
Sciamanna, M., Shore, K.A.: Physics and applications of laser diode chaos. Nat. Photonics 9, 151–162 (2015)CrossRef
16.
Kannno, K., Uchida, A.: Complexity analysis in a semiconductor laser with time-delayed optical feedback. Rev. Laser Eng. 39, 543–549 (2011)CrossRef
17.
Sukow, D.W., Gauhier, D.J.: Entraining power-dropout events in an external-cavity semiconductor laser using weak modulation of the injection current. IEEE J. Quantum Electron. 36, 175–183 (2000)CrossRef
Metadaten
Titel
Photonic Reservoir Computing Based on Laser Dynamics with External Feedback
verfasst von
Seiji Takeda
Daiju Nakano
Toshiyuki Yamane
Gouhei Tanaka
Ryosho Nakane
Akira Hirose
Shigeru Nakagawa
Copyright-Jahr
2016
Buch
Neural Information Processing

Print ISBN: 978-3-319-46686-6

Electronic ISBN: 978-3-319-46687-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46687-3_24