| 研究概要 |
カーネル法に基づいて特徴量の最適化,パターン認識器の最適化と可視化方式の開発を進め,以下の成果を得た.
a)特徴空間における複雑度に基づいた特徴選択多クラスKDA(Kernel Discriminant Analysis)を特徴選択の基準として多クラスパターン認識問題の特徴量を選択する方式を開発した。サポートベクトルマシン(SVM)の認識率を基準とする特徴選択方式と比較して,多くのベンチマーク問題で高速にかつ汎化能力を落とさずに特徴選択ができることを検証した.
b)カーネル特徴抽出法に基づいたパターン認識法特徴空間上で構成したカーネルファジィ識別器のメンバーシップ関数をSVMのマージン最大化の概念によりチューニングする方式を開発しで,KDAをベースにしたファジィ識別器,カーネルマハラノビス距離をベースにしたファジィ識別器に適用して,チューニングにより汎化能力が向上することを確認した.
c)サポートベクトルマシン(SVM)とファジィ推論の融合によるパターン認識器の可視化方式多クラス問題に拡張したKDAをベースにしたファジィ識別器の可視化のプリミティブな方式を開発して,小規摸な多クラス問題で有効性を検証した.
d)複数のパターン認織器の最適構成方式
相関のある複数のパターン認識問題に対し,共有できる識別領域や特徴空間の情報を新しい識別タスクに移転して,少ない訓練データで高い汎化能力を得る逐次マルチタスク学習モデルを開発した.また,多くのベンチマーク問題でその有効性を検証した.
|
