| 研究概要 |
本研究では,ニューラルネットワークの学習法ならびにそれによるデータ,特に画像からの構造発見が主な研究テーマとなっている。最終年度では,認識領域に基づいた3層ニューラルネットワークの新しい学習法を提案し,データからの規則発見の手法について研究した。また,ニューラルネットワークを用いて3D画像から構造を発見するためには,ニューラルネットワークに入力するための3Dモデルの曲面生成について研究することが必要不可欠であるので,曲面生成アルゴリズムの研究を行った。
まず,ニューラルネットワークの新しい学習法を提案するために,一つ一つの訓練パターンに対して認識領域を導入し,それを出来るだけ大きくするという基準によって学習法を構築した。この学習法によって学習されたニューラルネットワークの結合荷重を枝刈りすることによって,データから単純な規則を取り出すことができる。
次に,二つの3Dモデルの曲面生成法を提案した。これらのアルゴリズムは,隣り合った2頂点を1頂点にマージする方法であり,単純で高速なアルゴリズムである。しかも,単純化された3Dモデルは,もとの3Dモデルがもつ位相を維持しており,もとの3Dモデルを高精度で近似している。また,この種の問題では,曲面の境界をどう処理するかが最大のボトルネックであるが,提案する方法は,特別な境界処理を行う必要はなく,自然な接続を実現する。このような単純化された3Dモデルは頂点数が格段に少ないので,ニューラルネットワークに入力しやすくなっている。
|
