ファジィ制御を多層ニューラルネットワークに応用し，多層ニューラルネットワークの学習係数とシグモイド関数の傾きを柔軟に制御することにより、画像認識におけるニューラルネットの学習を高速化する方法を提案する。

　多層ニューラルネットワークの一部のニューロンに二次元ガウシアン分布関数で記述されたシナプス結合荷重を持たせることにより画像認識におけるニューラルネットワークの汎化能力を向上する方法について提案する。この方法により，幾何学的な変換の二次元パターンを認識できることを示す。

【原理と光学システム】

【幾何不変なパターン認識結果】

Terminal attractor (TA) associative memory/TA連想メモリ
　TAモデルというのは、数学的には力学系の正しい平衡点に唯一収束するようなネットワークを構成することを言う。そのため，このモデルにより与えられる連想記憶ネットワークにおいては，偽記憶が存在せず，連想能力を向上させることができる。

　式が与えられた力学系の線形部分は平衡点におけるヤコビ行列のすべての固有値の実部が負となるから，このような力学系からなるネットワークでは，不安定な偽状態が存在せず，常に漸近安定な系である。

Simulations for terminal attractor associative memory/TA連想メモりのシミュレーション
　ニューロン数＝100，記憶パターン数＝12，記憶パターン間の平均ハミング距離＝30.8。

Optical implementation of terminal attractor optical associative memory/TA光連想メモり
　図の下の部分はHopfieldモデルであり，上の部分はTAモデルを実現する光学系である。ネットワークの状態と結合荷重はそれぞれLCTV1とLCTV2に表示される。LCTVの偏光変調を用いた光学減算システムにより力学系の減算を行った。指数演算部分は，その値に等しくなるような透過光量特性を持つ光学系により実現した。

　　実験結果によると，Hopfieldメモリでは偽パターンに収束する例が見られるが，TAメモリにおいてはすべて正しいパターンが得られている。

【原理】　レーザスペックル照明による結像システムにおいて，光学系の伝達関数はインコヒーレント照明結像系の場合と同じように表すことができ，焦点ずれの結像に対しては，画像の高周波数成分が欠落したものとなる。完全な結像系による像と適当な焦点ずれのある像を多重露光し，これをもとにフィルタリングにより二重露光画像間の減算を行うと，画像のエッジエンハンスが可能になる。

【実験】　二つの同じ画像に対し適当な時間間隔でそれぞれスペックル照明する。片方の結像は完全であるが，他方は焦点ずれのある光学系である。また、FLC偏光スイッチと複屈折板よりなる空間シフターにより，二つのスペックル画像の間には適当な空間シフトが与えられる。二つの画像は，FLC-SLMに記録された画像を読み出し，フィルタリングにより画像間の差を取ると，エッジエンハンスされた画像が得られる。

　人工網膜(AR)カメラによる画像処理の基本構成を図に示す。AR-LSIに入力画像を投射し，LSI内の感度可変受光セル(VSPD)とスキャナーにより並列光演算を行い，演算結果がベクトルとしてマルチプレクサの出力信号になる。また，MCU（micro-control unit）の役割は，AR-LSIの各種制御を行うことと，AR-LSIからの出力信号の認識処理である。CCDイメージセンサを用いた画像処理系と比べて，画像検出とともに画像処理を行うことができる。従ってシステムとして高速画像処理が可能という特長がある。