| 研究概要 |
著者が提案した非単調神経回路網は,従来の神経回路モデルにはない多くの優れた性質をもつ.特に,このモデルが動的パターンの記憶に適した力学的性質を備えていることは重要である.すなわち,コバリアンス則に基づく簡単な学習則によって,入力された動的パターンの軌道をアトラクタとして埋め込み,記憶することが可能である.本研究では,そのような記憶の過程を調べると共に,その特性を生かした新しい動的パターンの認識モデルを構成した.
このモデルでは,いくつかの動的パターンを学習した後,不完全またはノイズの加わったパターンが入力されると,回路網の状態は,最も近い学習パターンの軌道に引き込まれ,その軌道上を遷移していく.状態遷移の速さは入力パターンに応じて変化するので,時間の伸縮に対しても対応可能である.認識は,最終的にどの状態に達したかによって行う.
簡単な場合についてシミュレーション実験を行ったところ,かなり良い結果が得られた.また,認識すべき動的パターンが長く複雑になった場合には,間違った軌道に引き込まれたまま正しい軌道に戻らないなどの問題が生じたが,これは階層構造を導入することによって解決できることが明らかになった.但し,この問題に関する詳細な検討及び本モデルの能力の解析は今後の課題である.
|
