| 研究課題/領域番号 |
22300079
|
|---|
| 研究機関 | 筑波大学 |
|---|
研究代表者 |
森田 昌彦 筑波大学, システム情報系, 教授 (00222349)
|
|---|
| 研究分担者 |
田中 文英 筑波大学, システム情報系, 准教授 (50512787)
|
|---|
| 研究期間 (年度) |
2010-04-01 – 2014-03-31
|
| キーワード | 選択的不感化ニューラルネット / 関数近似 / 強化学習 / 筋電位信号 / 教育支援 |
|---|
| 研究概要 |
本研究の目的は，関数近似器として従来にない優れた性質をもつ選択的不感化ニューラルネット（SDNN）の更なる性能向上を図りつつ，その特性を生かした工学的応用の可能性を検討することである．本年度の主な研究成果は以下の通りである．
1. SDNNの関数近似能力の解析：SDNNは，2クラス識別を行う素子が多数並んだ構造をしているが，各識別素子のクラス分類能力について解析を進めた．その結果，SDNNがどのようなパターン分類問題に特に有効であるかがわかった．また，それを事前に評価するための指標も開発した．
2. 表面筋電位信号からの動作意図推定：新しいインタフェースの開発を視野に入れて，現実的な状況において動作の誤認識を減らす手法として，Half-vs-Half法を提案した．また，その有効性を実験的に確かめた．
3. 教育支援への応用：ロボットを用いた子どもの教育支援への応用の一環として，ロボットを教育現場に導入することの有効性を実証した．また，子ども用ウェアラブルセンサシステムを開発し，加速度情報などから子どもの動作種類や状態がどの程度推定可能か検討した．
4. 強化学習の価値関数近似への応用：行動次元も連続な場合にもQ学習を適用するための実用的な方法を開発したが，その有効性の評価実験を行った．その結果，少なくとも計算量の点では従来手法を大きく上回ることが確認された．
5. 脳のモデル化への応用：我々は，脳がSDNNに似た関数近似器機能を持つと考えているが，項目4に関連して大脳基底核線状体を中心とした脳の強化学習の仕組みについて解析し，それを基に新たなモデルを提案した．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
基礎的な研究については，ほぼ期待した成果が得られた．応用面では，有用性の確認や日本および米国への特許出願が順調に進んでいる．
|
| 今後の研究の推進方策 |
研究の成果を広く利用してもらえるよう，論文発表だけでなく，Webページやデモビデオを作成して一般にわかりやすい形で伝える．応用に関しては，有効性の実証を更に進めると共に，産学連携に向けての取り組みを強化する．
|
