| 研究課題/領域番号 |
07650422
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 研究分野 |
情報通信工学
|
|---|
| 研究機関 | 金沢大学 |
|---|
研究代表者 |
中山 謙二 金沢大学, 自然科学研究科, 教授 (00207945)
|
|---|
| 研究分担者 |
王 幼華 金沢大学, 工学部, 講師 (10283095)
池田 和司 金沢大学, 工学部, 講師 (10262552)
馬 志強 金沢大学, 工学部, 講師 (10251935)
|
|---|
| 研究期間 (年度) |
1995 – 1997
|
| 研究課題ステータス |
完了 (1997年度)
|
| 配分額 *注記 |
1,600千円 (直接経費: 1,600千円)
1997年度: 300千円 (直接経費: 300千円)
1996年度: 1,300千円 (直接経費: 1,300千円)
|
|---|
| キーワード | ニューラルネットワーク / 階層形ニューラルネットワーク / 活性化関数 / 学習 / パターン分類 / 隠れ層 / 階層形ネットワーク / 教師あり学習 / リカレントネットワーク / 連想記憶 / 学習理論 / ダイナミクス / 学習則 / 隠れユニット / 雑音 |
|---|
| 研究概要 |
1.階層形NNによるパターン分類能力の評価
周波数成分に基づく信号検出において、測定サンプル数が制限されている場合は線形処理によるスペクトル分析では十分な検出が行えない。階層形NNでは、ニューロンの非線形特性により信号空間での領域形成の自由度が高く,不規則に分布する信号の分類能力が高いことを確認した。具体的には、ダイヤルトーンなどの応用例においてその有効性を確認した。
2.凡化能力を保証する最小学習データの選択方法
パターン分類を対象として、未学習パターンに対しても高い分類(凡化)能力を有する階層形NNを実現するための最小学習データの選択方法を提案した。ユークリッド距離に基づいて分類境界面に対峙する各クラスのデータを抽出するものである。データの組み合わせに基づく方法と、学習中の出力誤差に基づく方法について、収束性と学習時間の関係について検討した。また、データが逐次与えられる問題において、常に、最少の学習データを保持できることをシミュレーションにより確認した。
3.オンライン学習における最少学習データの選択方法
未学習パターンに対しても高い分類(汎化)能力を保証する最少データ選択法について、更に、オンライン学習における方法を提案した。種々のパターン分類問題に適用し、有効性を確認した。
4.階層形NNにおけるニューロンの活性化関数の最適化
最適な活性化関数はNNを適用する問題によって様々である。また、活性化関数を最適化することにより、回路規模を大幅に低減できる。本研究では、結合荷重の学習と同時に活性化関数自身を学習する方法を提案した。8ビットパリテイ問題等、難しい問題が最小の回路規模で実現できることを確認した。
|
