JP2002324226A - ニューロシステム及びその構築方法 - Google Patents

Abstract

(57)【要約】 【課題】 既存対象に対する認識性能を変えることな
く、追加対象に対する認識を行えるようにし、且つ、認
識率の性能向上を図る。 【解決手段】 既存ニューロ１は、既存対象ａの既存ニ
ューロ用特徴量ｃを抽出し、作成された既存ニューロ入
力情報ｅを入力して既存ニューロ出力部３より出力情報
ｇを出力する。追加ニューロ２は、追加対象ｂの追加ニ
ューロ用特徴量ｄを抽出し、作成された追加ニューロ入
力情報ｆを入力して、追加ニューロ出力部４の既存出力
部５より出力情報ｈを出力し、追加出力部６より出力情
報ｉを出力する。既存ニューロ出力部３の出力情報ｇか
ら追加ニューロ出力部４の既存出力部５の出力情報ｈを
減じた後の出力情報ｊと、追加ニューロ出力部４の追加
出力部６からの出力情報ｉとを合わせて統合出力情報ｋ
とし、これが統合出力所望値ｍになるように追加ニュー
ロ２のみを学習させる。そのため、追加ニューロ２用の
追加ニューロ出力所望値ｎを学習データ毎に設定して学
習を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、学習データに応じ
て入出力変換を行うニューロシステムに関し、特に、ニ
ューロを利用した認識システムにおける認識対象の追加
方法に関するものである。

【０００２】

【従来の技術】脳神経細胞のように学習によって知識を
獲得する情報処理として、ニューロコンピュータ処理が
知られており、このようなニューロコンピュータ処理の
ネットワークとしてニューロシステムが知られている。
従来、ニューロシステムにおける認識対象の追加方法
は、例えば、特開平７−１６０６６０号公報などに、出
力層ユニットを追加して中間層ユニットとの結合係数の
みを調整することにより、認識対象の追加に対処する方
法が開示されている。この技術によれば、入力層と中間
層と出力層を有したバックプロパゲーション型（つま
り、誤差逆伝搬型）のニューロシステムにおいて、学習
済みのニューロシステムに入力される追加データに対応
した追加出力ニューロを設け、この追加出力ニューロと
中間層の結合係数を、追加出力ニューロの出力信号と追
加教示信号（学習の結果に対する希望信号）との差分に
基づいて決定している。

【０００３】このような追加学習においては、学習済み
ニューロシステムに対する入力データとして追加データ
のみが与えられ、これに対応する追加出力ニューロの出
力信号と追加教示信号との差分がフィードバックされ
て、中間層と追加出力ニューロとの結合係数を決定する
ことができる。このような認識対象の追加方法によれ
ば、追加ニューロを設けて追加学習する場合、従来の追
加学習に比べて計算量が少なくなるので、追加学習の処
理速度を速くすることができる。また、追加学習の動作
原理が単純になるため、プログラムを簡略化することが
できる。

【０００４】図５は、他の従来技術における認識対象の
追加出力対応方法を示すニューロシステムの概念図であ
る。図５に示す従来の認識対象の追加方法は、新たに認
識対象となる追加対象ｑと共に既に認識対象となってい
る既存対象ｐを用いて新規ニューロ１１を再構築（再学
習）している。つまり、既存対象ｐ及び追加対象ｑより
新規ニューロ用特徴量ｒを抽出して新規ニューロ入力情
報ｓを作成し、この新規ニューロ用入力情報ｓを新規ニ
ューロ１１の入力層１１ａに入力している。そして、新
規ニューロ１１の中間層１１ｂを経て、出力層１１ｃよ
り新規ニューロ出力所望値ｕに対応する新規ニューロ出
力情報ｔを出力している。

【０００５】一例を挙げてより具体的に説明すると、
今、例えば既存対象ｐを１０００円札又は５０００円札
とし、追加対象ｑを２０００円札とした場合、追加対象
である２０００円札を鑑別できるように学習させる際、
既存ニューロを捨てて追加対象ｑである２０００円札と
共に既存対象ｐの１０００円札、５０００円札をも学習
させて新規ニューロを設計していた。なお、新規ニュー
ロ用特徴量抽出ｒは、１０００円札、２０００円札、５
０００円札とがそれぞれ判別できるように特徴量抽出方
法が設定される。

【０００６】

【発明が解決しようとする課題】しかしながら、図５に
示すような従来技術においては、新規ニューロを再構築
する場合、既存対象と追加対象を含めて差異が出るよう
に特徴量の抽出（つまり、新規ニューロ入力情報の作
成）を行わなければならない。このため、追加対象が多
くなると特徴量の抽出方法を決定するのにかなりの時間
がかかってしまうなどの不具合がある。さらに、新規ニ
ューロを再構築する場合に、追加対象のみならず、既存
対象まで学習をし直すこととなり、無駄が生じることと
なる。上述した、具体例においては、既に所望の入出力
関係が得られている既存対象（１０００円札、５０００
円札）に関するニューロまで再学習させなければならな
い。換言すれば、ユーザサイドからすれば、既に良い結
果が得られているニューロを捨てることの無駄が生じる
と共に、再学習により新しく構築されたニューロが実用
可能であることを検証しなければならない。また、特開
平７−１６０６６０号公報においては、中間層と追加出
力ニューロとの結合係数を決定する関係上、中間層から
の出力追加となるため、全てが同じ特徴量抽出方法であ
る必要があり、結果的に、認識率などにおいて高い性能
が出せないなどの問題がある。

【０００７】本発明はこのような事情に鑑みてなされた
ものであり、その目的は、既存対象に対する認識性能を
変えることなく、追加対象に対する認識を行えるように
することで、既存ニューロを無駄にすることがなく、従
って経済的であり、且つ高い認識率の性能が出せるニュ
ーロシステム及びその構築方法を提供することにある。

【０００８】

【課題を解決するための手段】上記の課題を解決するた
めに、本発明のニューロシステムは、既存対象について
抽出される既存ニューロ用特徴量に基づいて第１の値を
出力する既存ニューロと、追加対象について抽出される
追加ニューロ用特徴量に基づいて第２の値を出力すると
共に、前記追加対象に対して前記既存ニューロより出力
される値を第３の値とする値を出力し、且つ前記既存対
象に対して第４の値を出力するよう学習された追加ニュ
ーロとを備えてなる。

【０００９】また、本発明は、既存対象についての認識
を行う既存ニューロに、追加対象についての認識を行う
追加ニューロを付加して既存対象及び追加対象について
の認識を行うようにしたニューロシステムの構築方法に
おいて、前記追加ニューロが前記追加対象について抽出
される追加ニューロ用特徴量に基づいて第５の値を出力
するように前記追加ニューロを学習させると共に、前記
追加対象に対して前記既存ニューロが出力する値を前記
追加ニューロが出力する値を用いて第６の値とするよう
に前記追加ニューロを学習させ、且つ、前記既存対象に
対して第７の値を出力するよう前記追加ニューロを学習
させるようにしたことを特徴とする。

【００１０】本発明によれば、追加ニューロにおいて、
追加対象について所望値を出力すると共に、既存対象に
ついては、例えば０などの既存対象の所望値と異なる所
定値を出力し、且つ追加対象について、既存ニューロが
出力する不定値をキャンセルする値を出力するように学
習させればよいので、既存対象を認識する既存ニューロ
を維持して、追加対象をも認識することができるニュー
ロシステムを得ることができる。

【００１１】

【発明の実施の形態】以下、図面を用いて、本発明にお
けるニューロシステムの実施の形態を詳細に説明する。
図１は、本発明の一実施の形態における認識対象の追加
出力対応方法を示すニューロシステムの概念図である。
同図に示すように、本発明のニューロシステムは、入力
層１ａと中間層１ｂと出力層１ｃとを有する既存ニュー
ロ１及び入力層２ａと中間層２ｂと出力層２ｃとを有す
る追加ニューロ２が並列に接続された構成となってい
る。そして、既存ニューロ１は、既存ニューロ出力部３
を備えて、これより出力情報ｇを出力する。追加ニュー
ロ２は、既存出力部５と追加出力部６を有する追加ニュ
ーロ出力部４を備え、既存出力部５より出力情報ｈを出
力し、追加ニューロ出力部４より出力情報ｉを出力す
る。

【００１２】既存出力部５からの出力情報ｈは、既存ニ
ューロ出力部３からの出力情報ｇの補正（追加対象に対
する値をキャンセルすること）を目的とするものであ
り、既存ニューロ出力部３の出力情報ｇに加算（減算：
ｇ−ｈ）される。そして、出力情報ｇから既存出力部５
の出力情報ｈを減算してなる出力情報ｊと、追加ニュー
ロ出力部４の追加出力部６からの出力情報ｉとを合わせ
て統合出力情報ｋとし、この統合出力情報ｋが所望の値
（すなわち、統合出力所望値ｍ）になるように追加ニュ
ーロ２を学習させている。追加ニューロ２から得られる
所望値（すなわち、追加ニューロ出力所望値ｎ）は学習
データ毎に設定され、また、学習データには既存対象ａ
のデータと追加対象ｂのデータの両方が使用され、それ
ぞれ以下のように学習される。

【００１３】「既存対象ａのデータに対する学習」追加
ニューロ出力部４の既存出力部５に対しては、出力情報
ｈがすべて立たない（すなわちｈ＝０となる）ように学
習させる。これは、既存ニューロ１が既存対象ａのデー
タに対して学習済であり、既存ニューロ出力部３より正
しい値を出力するため、既存ニューロ出力部３の出力情
報ｇを補正する必要がないからである。また、追加ニュ
ーロ出力部４の追加出力部６に対しては、出力情報ｉが
すべて立たない（すなわちｉ＝０となる）ように学習さ
せる。これは、統合出力所望値ｍにおいては、既存対象
ａのみに対応しているため、追加対象ｂに対応した出力
情報ｉを立たせる（つまり、ｉ＝１とする）必要がない
からである。

【００１４】「追加対象ｂのデータに対する学習」追加
ニューロ出力部４の既存出力部５に対しては、出力情報
ｈが対応する既存ニューロ出力部３の出力情報ｇを補正
することにより、既存ニューロ出力部３の出力情報の値
ｊが立たない（ｊ＝０）ように学習させる。これは、既
存ニューロ１が追加対象ｂのデータに対して未学習であ
り、意味のない値を出力するため、既存出力部５の出力
情報ｈによって既存ニューロ出力部３の出力情報ｇを打
ち消して（つまり、ｇ−ｈ＝ｊの演算を行って）、意味
のない出力を無効にする必要があるからである。また、
追加ニューロ出力部４の追加出力部６に対しては、対応
する出力情報ｉが立つ（すなわちｉ＝１となる）ように
学習させる。これは、統合出力所望値ｍにおいて追加対
象ｂに対応した出力情報ｉを立たせる（ｉ＝１とする）
必要があるからである。

【００１５】ここで説明を分かり易くするため、一例と
して、既存対象ａを１０００円札又は５０００円札と
し、追加対象ｂを２０００円札とする場合について説明
する。 （第１ステップ） 追加対象ｂ：２０００円札は、既存ニューロ用特徴量ｃ
により特徴量を抽出され、既存ニューロ１に入力される
こととなる。その結果、既存ニューロ出力部３には、不
定値（意味のない値）が出力されることとなる。そこ
で、この不定値により、２０００円札が１０００円札や
５０００円札と間違って鑑別（認識）されないように、
鑑別システムを設計する必要がある。つまり、既存ニュ
ーロ出力部３の数値と同一のものを既存出力部５で生成
し、これらの差分を０として、既存ニューロ出力所望値
ｊを０とする。すなわち、追加対象である２０００円札
を既存ニューロ１により計算させたときに、既存対象で
ある１０００円札と鑑別する割合が０．３、５０００円
札と鑑別する割合が０．５ならば、それぞれの出力を０
にするように追加ニューロ２を学習させる（設計す
る）。よって、この場合の第１ステップとして、追加対
象２０００円札を既存の特徴量抽出方法によって抽出量
を抽出し、このデータを既存ニューロ１に入力したとき
に、１０００円札と鑑別する割合を知る必要がある。

【００１６】（第２ステップ）次に第２ステップ（第１
ステップの前後を問わない）として、追加ニューロ２に
１０００円札、２０００円札、５０００円札の特徴量を
入力したときに、所望の出力が得られるように、追加ニ
ューロ２を学習させる。ここで、追加ニューロ用特徴量
抽出ｄは、新規に設計されるものであり、追加対象であ
る２０００円札を鑑別できない既存ニューロ１に対し
て、新規ニューロ２では、２０００円札を鑑別できるよ
うに、１０００円札、２０００円札、５０００円札の特
徴量に差異が現れるような追加ニューロ用特徴量抽出ｄ
を設定する。追加ニューロ用特徴量抽出方法としては、
例えば、お札をｎ分割し、ディジタル画像処理したとき
に差異がよく現れるｉ（ｎより小）番目を使用するとい
う方法をとることができる。また、既存ニューロ用特徴
量抽出ｃはお札をｎ分割する方法を利用し、追加ニュー
ロ用特徴量抽出ｄはお札全体を所定方向からスキャンす
るなどして既存抽出方法と追加抽出方法とを別の方式と
することもできる。

【００１７】（第３ステップ）第３ステップとして、追
加ニューロの学習については、学習の条件として以下の
項目がある。 １）既存対象ａである１０００円札や５０００円札につ
いては、追加ニューロ用特徴量を抽出し、追加ニューロ
2に入力し、得られる結果が０となるように学習させ
る。この理由は、既存対象（１０００円札や５０００円
札）であることを鑑別するには、既に所望の応答が得ら
れている既存ニューロ1からの出力を使用すればよく、
既存対象を追加ニューロ２で鑑別できるよう学習させる
必要がないからである。 ２）追加対象ｂである２０００円札は、追加ニューロ用
特徴量抽出ｄで特徴量が抽出され、それが追加ニューロ
２で計算され、その結果、追加ニューロ出力所望値ｎの
２０００円札を示す領域にフラグを立てる。つまり、追
加出力部６が１になるように追加ニューロ２を学習させ
る必要がある。 ３）追加対象ｂ（２０００円札）は、既存の方法により
特徴量を抽出され既存ニューロ１で計算されると共に、
追加ニューロ用特徴量抽出ｃにより特徴量を抽出され、
追加ニューロ２でも計算される。追加対象ｂが既存ニュ
ーロ１で計算されると、既存ニューロ出力部３には、不
定値が出力される。この不定値は、第１ステップにおい
て求めたものであり、この不定値をキャンセルするよう
に、追加ニューロ２を学習させる。具体的には追加対象
ｂが追加ニューロ用特徴量抽出ｄにより特徴量を抽出さ
れ、追加ニューロ２で計算した結果が第１ステップで求
められた数値になるよう学習させる。

【００１８】上述のように学習させるために、以下のよ
うに追加ニューロ出力所望値を設定する。すなわち、既
存ニューロ１の出力から統合出力所望値の既存対象に対
応した出力部分をそれぞれ減じ、その値が正ならばその
値を、その値が負ならゼロ（０）を既存出力部５の所望
値として設定し、統合出力所望値の追加対象に対応した
出力部分の値をそのまま追加出力部６の所望値として設
定する。

【００１９】また、学習においては、それに先立ち、学
習パターンを全認識対象からそれぞれ作成しておく。学
習パターンとは、既存対象ａ・追加対象ｂの認識対象か
ら、既存ニューロ用用特徴量ｃの抽出過程を通して得ら
れる既存ニューロ入力情報ｅと、既存対象ａ・追加対象
ｂの認識対象から、追加ニューロ用特徴量ｄの抽出過程
を通して得られる追加ニューロ入力情報ｆと、これらに
対応した統合出力所望値ｍの組のことである。

【００２０】図２は、図１のニューロシステムにおける
学習パターンの構成を示す図である。図２において、学
習パターン数はｎパターンとし、既存ニューロ入力情報
ｅの入力数が２、追加ニューロ入力情報ｆの入力数が
３、統合出力所望値ｍの出力数が４の場合を示してい
る。例えば、統合出力情報ｋ（統合出力所望値ｍ）の項
目を左からＡ，Ｂ，Ｃ，Ｄに対応づけているとすると、
パターン１は、既存ニューロ入力情報ｅが（０．８，
０．７）、追加ニューロ入力情報ｆが（０．１，０．
３，０．２）のとき、統合出力所望値ｍは、Ａ＝０、B
＝0、Ｃ＝０、Ｄ＝１であるので、この認識対象はＤで
あると判断して欲しいことを表している。

【００２１】同様にして、パターンｎは、既存ニューロ
入力情報ｅが（０．３，０．２）、追加ニューロ入力情
報ｆが（０．８，０．６，０．７）のとき、統合出力所
望値ｍは、Ａ＝１、B＝0、Ｃ＝０、Ｄ＝０であるので、
この認識対象はＡであると判断して欲しいことを表して
いる。尚、既存ニューロ入力情報ｅ及び追加ニューロ入
力情報ｆの入力値は０〜１の連続値を、統合出力情報ｋ
の出力値（統合出力所望値ｍ）は０か１の離散値をと
る。

【００２２】次に、これらの学習パターンを利用して実
際の学習を行う手順を、フローチャートを用いて説明す
る。図3は、図1に示すニューロシステムにおける学習の
手順を示すフローチャートである。先ず、既存ニューロ
１用のウェイト（すなわち、性能を決定する内部パラメ
ータ）に既存のウェイトをセットする（Ｓｔｅｐ１）。
さらに、追加ニューロ２用のウェイトを初期化して（Ｓ
ｔｅｐ２）、学習パターンをセットする（Ｓｔｅｐ
３）。

【００２３】次に、既存ニューロ１用の入力データの読
込みと、追加ニューロ２用の入力データの読込みとに分
かれて処理が行われる。先ず、既存ニューロ１側では、
既存ニューロ入力情報ｅを読込んで（Ｓｔｅｐ４）、既
存ニューロ１に対して認識を行い（Ｓｔｅｐ５）、既存
ニューロ出力部３の出力情報ｇを得る。尚、既存ニュー
ロ出力部３の出力情報ｇが既存ニューロ入力情報ｅに対
する判断の結果であるという意味で認識と呼ぶ。そし
て、既存ニューロ出力部３の出力情報ｇから統合出力所
望値ｍの既存対象ａに対応した出力部分を減じて差分を
算出し（Ｓｔｅｐ６）、差分が正ならばその値を、負な
らばゼロ（０）を追加ニューロ出力部４の既存出力部５
に対応した追加ニューロ出力所望値ｎとしてセットする
（Ｓｔｅｐ７）。

【００２４】一方、追加ニューロ２側では、追加ニュー
ロ入力情報ｆを読込み（Ｓｔｅｐ８）、追加ニューロ２
に対する認識を行い（Ｓｔｅｐ９）、追加ニューロ出力
部４の出力情報を得る。さらに、統合出力所望値ｍの追
加対象ｂに対応した出力部分の値ｉをそのまま追加ニュ
ーロ出力部４の追加出力部６に対応した追加ニューロ出
力所望値ｎとしてセットする（Ｓｔｅｐ１０）。

【００２５】次に、追加ニューロ出力所望値ｎと追加ニ
ューロ出力部４の出力情報との差分を算出する（Ｓｔｅ
ｐ１１）。そして、Ｓｔｅｐ１１で算出した差分に基づ
いて、その誤差が小さくなる方向に追加ニューロ２用の
ウェイトを修正し（Ｓｔｅｐ１２）、学習パターンを更
新する（Ｓｔｅｐ１３）。

【００２６】このようにして、全学習パターンに対して
更新作業が一巡したか否かをチェックし（Ｓｔｅｐ１
４）、まだ一巡していなければ（Ｓｔｅｐ１４，Ｎ）、
Ｓｔｅｐ３に戻って、未更新の学習パターンをセット
し、前述のＳｔｅｐ３〜Ｓｔｅｐ１４の処理を繰り返
す。一方、全学習パターンの更新作業が一巡していれば
（Ｓｔｅｐ１４，Ｙ）、全学習パターンに対して一巡し
て学習回数を一回とするカウントで、学習回数を「１」
増加させてＳｔｅｐ１５へ進む。

【００２７】そして、全学習パターンに対してＳｔｅｐ
３〜Ｓｔｅｐ１１と同様の手順で認識を行い、算出した
誤差があらかじめ設定した基準値以下であるか否かをチ
ェックする（Ｓｔｅｐ１５）。ここで、基準値以下であ
れば（Ｓｔｅｏ１５，Ｙ）、正常動作として学習を終了
する。一方、算出した誤差が基準値以下でなければ（Ｓ
ｔｅｏ１５，Ｎ）、学習回数があらかじめ設定した既定
回数を越えたか否かをチェックする（Ｓｔｅｐ１６）。
ここで、既定回数を越えていれば（Ｓｔｅｐ１６，
Ｙ）、学習を異常終了し、学習回数が既定回数を越えて
いなければ（Ｓｔｅｐ１６，Ｎ）、Ｓｔｅｐ３に戻っ
て、前述のＳｔｅｐ３〜Ｓｔｅｐ１６の処理を繰り返え
し、全学習パターンに対して再び学習させる。以上のよ
うな手順により、既存対象の出力にほとんど影響を与え
ることなく、追加対象の学習が可能となり、追加対象用
の出力を含めた入出力関係が得られる。

【００２８】以上述べた実施の形態は本発明を説明する
ための一例であり、本発明は、上記の実施の形態に限定
されるものではなく、発明の要旨の範囲で種々の変形が
可能である。例えば、上記の実施の形態では、既存ニュ
ーロと追加ニューロの特徴量の抽出が異なる場合につい
て述べたが、両者の特徴量の抽出が同じ場合は上記の実
施の形態に限ることはない。図４は、本発明の実施の形
態において、既存対象と追加対象の特徴量抽出が同じ場
合における認識対象の追加出力対応方法を示すニューロ
システムの概念図である。すなわち、図４に示すよう
に、既存対象ａと追加対象ｂとにおいて入力数が同じで
特徴量抽出法に違いがなければ、追加ニューロ２への追
加ニューロ入力情報ｆの作成は、既存ニューロ用特徴量
ｃの抽出法を利用することもできる。つまり、既存対象
ａ、追加対象ｂ共に既存ニューロ用特徴量ｃの抽出法を
利用して、既存ニューロ入力情報ｅ及び追加ニューロ入
力情報ｆを作成し、それぞれ、既存ニューロ１と追加ニ
ューロ２とに入力することができる。

【００２９】

【発明の効果】以上説明したように、本発明によれば、
既存ニューロはそのままとし、追加ニューロのみを学習
させるようにしているため、ニューロ入力となる特徴量
の抽出を考慮する際、追加対象に対してのみ差異がでる
ように設定して認識処理を行えばよいので、認識率の高
性能化を図ることができる。さらに、既存ニューロがそ
のまま使用できるので、既存対象及び追加対象のニュー
ロ用特徴量に基づいて認識処理を行う従来のシステムに
比べて、無駄がなく、開発期間を短縮できて、労力、コ
ストを低減できる。また、既存対象に対しては、認識率
やマージンなどにおいて従来と同等の性能を期待するこ
とができ、もって、既存対象と追加対象を合わせたトー
タルな入出力関係において良好な認識処理が得られる。

【図面の簡単な説明】

【図１】本発明の一実施の形態における認識対象の追加
出力対応方法を示すニューロシステムの概念図である。

【図２】図１のニューロシステムにおける学習パターン
の構成を示す図である。

【図３】図1に示すニューロシステムにおける学習の手
順を示すフローチャートである。

【図４】本発明の実施の形態において、既存対象と追加
対象の特徴量抽出が同じ場合における認識対象の追加出
力対応方法を示すニューロシステムの概念図である。

【図５】従来技術における認識対象の追加出力対応方法
を示すニューロシステムの概念図である。

【符号の説明】

１ 既存ニューロ、２ 追加ニューロ、１ａ、２ａ、１
１ａ 入力層、１ｂ、２ｂ、１１ｂ 中間層、１ｃ、２
ｃ、１１ｃ 出力層、３ 既存ニューロ出力部、 ４
追加ニューロ出力部、５ 既存出力部、６ 追加出力
部、１１ 新規ニューロ、ａ、ｐ 既存対象、ｂ、ｑ
追加対象、ｃ 既存ニューロ用特徴量、ｄ追加ニューロ
用特徴量、ｅ 既存ニューロ入力情報、ｆ 追加ニュー
ロ入力情報、ｇ、ｈ、ｉ、ｊ 出力情報、ｋ 統合出力
情報、ｍ 統合出力所望値、ｎ追加ニューロ出力所望
値、ｒ 新規ニューロ用特徴量、ｓ 新規ニューロ入力
情報、ｔ 新規ニューロ出力情報、ｕ 新規ニューロ出
力所望値。

Claims (2)

【特許請求の範囲】
1. 【請求項１】 既存対象について抽出される既存ニュー
   ロ用特徴量に基づいて第１の値を出力する既存ニューロ
   と、 追加対象について抽出される追加ニューロ用特徴量に基
   づいて第２の値を出力すると共に、前記追加対象に対し
   て前記既存ニューロより出力される値を第３の値とする
   値を出力し、且つ前記既存対象に対して第４の値を出力
   するよう学習された追加ニューロとを備えてなるニュー
   ロシステム。
2. 【請求項２】 既存対象についての認識を行う既存ニュ
   ーロに、追加対象についての認識を行う追加ニューロを
   付加して既存対象及び追加対象についての認識を行うよ
   うにしたニューロシステムの構築方法において、 前記追加ニューロが前記追加対象について抽出される追
   加ニューロ用特徴量に基づいて第５の値を出力するよう
   に前記追加ニューロを学習させると共に、前記追加対象
   に対して前記既存ニューロが出力する値を前記追加ニュ
   ーロが出力する値を用いて第６の値とするように前記追
   加ニューロを学習させ、且つ、前記既存対象に対して第
   ７の値を出力するよう前記追加ニューロを学習させるよ
   うにしたことを特徴とするニューロシステムの構築方
   法。