home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1993 #1 / NN_1993_1.iso / spool / comp / ai / neuraln / 4707 < prev    next >
Encoding:
Internet Message Format  |  1993-01-05  |  6.4 KB
  1. Xref: sparky comp.ai.neural-nets:4707 sci.physics:22131 sci.image.processing:1491 triangle.talks:234
  2. Path: sparky!uunet!gatech!concert!borg.cs.unc.edu!not-for-mail
  3. From: marshall@cs.unc.edu (Jonathan Marshall)
  4. Newsgroups: comp.ai.neural-nets,sci.physics,sci.image.processing,image,triangle.talks
  5. Subject: Triangle NN talks: Szu
  6. Followup-To: comp.ai.neural-nets
  7. Date: 5 Jan 1993 17:03:21 -0500
  8. Organization: The University of North Carolina at Chapel Hill
  9. Lines: 106
  10. Distribution: usa
  11. Expires: 21 Jan 93
  12. Message-ID: <1id0j9INNku2@marshall.cs.unc.edu>
  13. NNTP-Posting-Host: marshall.cs.unc.edu
  14.  
  15. From: <sutton@eos.ncsu.edu>
  16.  
  17. =============  TRIANGLE AREA NEURAL NETWORK SOCIETY presents:  =============
  18.  
  19. The Triangle Area Neural Network Society proudly presents Dr. Harold Szu,
  20. President of the International Neural Network Society, for two lectures on
  21. January 20, 1993.
  22.  
  23. The first lecture will be at NCSU (and will be broadcast over the MCNC
  24. Network to requesting sites) at 10:15.  The second will be at the Research
  25. Triangle Institute at 5:15, and refreshments will be available at 5 pm.
  26. These lectures are appropriate for all those with a neural network interest.
  27.  
  28. ============================================================================
  29.  
  30. The first lecture:
  31.  
  32. Topic:         REVIEW OF NEUROCOMPUTING, THE PAST AND THE FUTURE
  33. Speaker:       Dr. HAROLD SZU
  34. Date/Time:     January 20 1993, 10:15 to 11:05 AM
  35. Location:      Studio 2, Park Shops, North Carolina State University
  36.  
  37. Abstract:
  38.   "Classical neural networks (NN) will be characterized with Hebbian-like
  39. learning algebra (small perturbation) and various architectures (fixed
  40. layers).  The limited ability of fault tolerance, associative memory
  41. capacity, and the tradeoff between abstract/generalization and network
  42. complexity has now become obvious rooted in the small perturbation learning
  43. approach to a fixed architecture and the input impedance mismatch of sensor
  44. data format with the brain-style computing.
  45.   "Then, the computational property of Biological NN (BNN) is observed in
  46. vitro by an electronic chip substrate system that consists of time-lapsed
  47. Video imaging (to be shown during the presentation) through a microscope
  48. (and some neurochemical control of synaptic growth, namely the phosphopro-
  49. teins: Synapsin IIb discovered by Han & Greengard, Nature 1991 could be
  50. added).  The purpose of this on-going study is threefold:
  51.   (1) Near Term: to measure in parallel with modern instrumentations the
  52.       sigmoidal function proposed by McCullouch-Pitts five decades ago for a
  53.       single neuron firing rate transfer function.
  54.   (2) Middle Term: to characterize the neurite formation pair correlation
  55.       function proposed recently.
  56.   (3) Long Term: to determine in vitro the link between the specific BNN
  57.       architectural topology to the functional efficiency in information
  58.       processing.  The minimum intelligent network is discovered to be
  59.       three hairy neurons of chick embryo neurons, called Peter, Paul, Mary
  60.       revealing in a dynamic reconfiguration in network architecture.
  61.   "It should not be expected form our effort to unveil human intelligence,
  62. but only to capture and endow artificial neural networks (ANN) with somewhat
  63. intelligent capability for a devoted and efficient processing system."
  64.  
  65. ============================================================================
  66.  
  67. The second lecture:
  68.  
  69. Topic:     ADAPTIVE WAVELET TRANSFORM
  70. Speaker:   Dr. HAROLD SZU
  71. Date/Time: January 20, 1993, 5:15 to 6:15 PM
  72. Location:  Dreyfus Auditorium, Research Triangle Institute
  73.  
  74. Abstract:
  75.   "During the last decade, 1980's, French geologists & scientists, Morlet,
  76. Meyer, Grossmann, et. al., have developed the Wavelet Transform (WT) of a
  77. constant resolution resonator Q = df/f, in order to overcome the high
  78. frequency noisy seismic signal reconstruction instability that a fixed
  79. windowed Gabor Transform based on the uncertainty principle seems to
  80. produce.  WT was demonstrated ideally for Wideband Transient (WT) signal
  81. syntheses, such as the sound, seismic wave image reconstruction for oil
  82. exploration.  The major contribution of WT is the mathematics methodology to
  83. construct in the Hilbert space a complete and orthonormal (CON) set of
  84. daughter wavelets based on an affine transform of a good mother h(t) that is
  85. a band-pass function (no d.c. component) and has a finite energy (square-
  86. integrable).  The affine transform can produce a so-called snug frame
  87. (almost CON coined by Daubechies) for a good enough mother to spawn a set of
  88. daughter wavelets hab(t) = h(t') by replacing t by t' = t P b/a, where b is
  89. the discrete or continuous shift in time and a is the scale parameter
  90. proportional to the Fourier frequency f expressed usually in a discrete
  91. logarithmic 2-base: 1/f = a = 2N, with N = 0, 11, 12, etc.
  92.   "One of the recent advancements in WT is in the joint areas of neural
  93. networks and WT: `Neural Network Adaptive Wavelets for Signal Representation
  94. and Classification [Szu, et. al. Opt. Eng. 31, 1907Q1916, Sep.'92],' which
  95. is inspired by the sensitive human ear detection of one's own name or other
  96. interesting sound with P3dB during a noisy drinking party (Cocktail Party
  97. Effect).  Another less obvious advancement in WT is perhaps in the shift of
  98. paradigm in solving a nonlinear dynamics problem `Why the soliton wavelet
  99. transform is useful for nonlinear dynamic phenomena,' Szu, H., SPIE 1705,
  100. 280Q288, 1992.  While linear FT defers the nonlinearity to later mode-mode
  101. coupling, WT gives us the freedom to pay the nonlinear price early by
  102. choosing a particular nonlinear solution, say soliton, as a mother wavelet
  103. and then enjoy the linear superposition principle of WT."
  104.  
  105. ============================================================================
  106.  
  107. Dr. Szu is currently the Information Science Group Leader at Naval Surface
  108. Warfare Center, Code R44, White Oak, MD 20903.  He is President of the
  109. International Neural Network Society and Adjunct Professor at George
  110. Washington University and American University.
  111.  
  112. ============================================================================
  113.  
  114. DIRECTIONS to Dreyfus Auditorium from Raleigh, Durham, or Chapel Hill: Take
  115. the Davis Drive Exit on I40.  Turn right onto Davis Drive.  At Cornwallis
  116. Road, which is the first intersection, go left.  Take the first road on the
  117. left off Corwallis, which is Institute Drive.  The second turn-off on the
  118. right leads directly to Dreyfus Auditorium.
  119.  
  120. ============================================================================
  121.