JPH0342767A - 神経回路網の学習方式 - Google Patents
神経回路網の学習方式Info
- Publication number
- JPH0342767A JPH0342767A JP1178319A JP17831989A JPH0342767A JP H0342767 A JPH0342767 A JP H0342767A JP 1178319 A JP1178319 A JP 1178319A JP 17831989 A JP17831989 A JP 17831989A JP H0342767 A JPH0342767 A JP H0342767A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- pattern
- category
- pseudo
- patterns
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims 1
- 238000003909 pattern recognition Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
〔概要〕
音声9文字1図形等の各種パターンを学習して、未知の
入力パターンを識別する神経回路網の学習方式に関し、 学習パターンが少ない場合においても、マルチテンプレ
ート法等の従来方式に劣らぬ未知の入力パターンに対す
る識別性能を確保することを目的とし、 与えられた学習パターンから擬似学習パターンを自動生
成し、又は、乱数により擬似学習パタンを自動生成し、
更に、各生成された擬似学習パターンのカテゴリ番号(
[2])を、カテゴリ決定部において、例えば、マルチ
テンブレー1へ法により決定することにより、非常に多
くの擬似学習パタンを用意できるように構成する。
入力パターンを識別する神経回路網の学習方式に関し、 学習パターンが少ない場合においても、マルチテンプレ
ート法等の従来方式に劣らぬ未知の入力パターンに対す
る識別性能を確保することを目的とし、 与えられた学習パターンから擬似学習パターンを自動生
成し、又は、乱数により擬似学習パタンを自動生成し、
更に、各生成された擬似学習パターンのカテゴリ番号(
[2])を、カテゴリ決定部において、例えば、マルチ
テンブレー1へ法により決定することにより、非常に多
くの擬似学習パタンを用意できるように構成する。
本発明は、音声9文字9図形等の各種パタ−ンを学習し
て、未知の入力パターンを識別する神経回路網の学習方
式に関する。
て、未知の入力パターンを識別する神経回路網の学習方
式に関する。
最近の計算機システムの処理能力の向上に伴って、生物
の神経回路網を模した学習装置が実用化されつつある。
の神経回路網を模した学習装置が実用化されつつある。
このような学習装置では、できる限り少ない学習パター
ンで認識率の高い学習装置が構築できることが必要とさ
れる。
ンで認識率の高い学習装置が構築できることが必要とさ
れる。
〔従来の技術と発明が解決しようとする課題〕第4図は
従来の神経回路網の学習方式を説明する図である。
従来の神経回路網の学習方式を説明する図である。
神経細胞の機能を備えた複数の回路により1つの層を形
威し、入力層、1乃至複数の隠れ層、出力層の複数の層
からなる神経回路網により、学習機能を備えたパターン
識別装置を実現させることは従来から知られている。
威し、入力層、1乃至複数の隠れ層、出力層の複数の層
からなる神経回路網により、学習機能を備えたパターン
識別装置を実現させることは従来から知られている。
その場合、人力された学習パターン(x+〜XN)に対
して、各神経細胞に如何なる重み係数を与えるかを求め
ることが学習であり、複数の学習パタンに対して、その
都度、それぞれに所望の固有の出力を発生ずるように、
学習の各段階の出力と所望の出力(該学習パターンに対
応したカテゴリ番号のに基づいた教師信号)との誤差E
を検出して、その差が最も小さくなるように、学習機構
内の「U4.更新係数演算部J64.rV(j更新係数
演算部」67で、該神経回路網を構成している出力層。
して、各神経細胞に如何なる重み係数を与えるかを求め
ることが学習であり、複数の学習パタンに対して、その
都度、それぞれに所望の固有の出力を発生ずるように、
学習の各段階の出力と所望の出力(該学習パターンに対
応したカテゴリ番号のに基づいた教師信号)との誤差E
を検出して、その差が最も小さくなるように、学習機構
内の「U4.更新係数演算部J64.rV(j更新係数
演算部」67で、該神経回路網を構成している出力層。
隠れ層の各神経細胞の重み係数U j k + V
i jを更新する作業を繰り返し行う方法としてバック
プロバケーション法が知られている。
i jを更新する作業を繰り返し行う方法としてバック
プロバケーション法が知られている。
この方法による学習では、パターン入力に対して各層の
細胞に与える重み係数の初期値は、乱数発生部68によ
り発生した値を用いており、誤差(iiEが減少しなく
なった時点で、該学習を終了するように機能する。
細胞に与える重み係数の初期値は、乱数発生部68によ
り発生した値を用いており、誤差(iiEが減少しなく
なった時点で、該学習を終了するように機能する。
Claims (5)
- (1)未知の入力パターンのカテゴリを識別する神経回
路網の本体(60〜63)と、 複数個の学習パターンと、各学習パターンのカテゴリ番
号を記憶する学習パターン記憶部(72)と、該カテゴ
リ番号から教師信号を生成する教師信号生成部(73)
と、 上記学習パターンと、教師信号とに基づいて、該神経回
路網(60〜63)の学習を行う学習機構(64〜70
)と、 該学習機構(64〜70)を制御する学習制御部(74
)とを有する神経回路網において、 学習時に、上記学習パターンの上記カテゴリ番号([1
])を、特定の手段で変換して、新たなカテゴリ番号(
[2])を決定するカテゴリ決定部(101)を設け、 該カテゴリ決定部(101)から出力されるカテゴリ番
号([2])を学習の為のカテゴリ番号として用いるこ
とを特徴とする神経回路網の学習方式。 - (2)上記カテゴリ決定部(101)における学習パタ
ーンのカテゴリ番号 (1)を変換する手段として、マ
ルチテンプレート法による認識結果を計算する手段を用
いることを特徴とする請求項1に記載の神経回路網の学
習方式。 - (3)上記マルチテンプレート法による認識結果を算出
する手段を用いたカテゴリ決定部(101)に対する未
知入力パターンとして、上記学習パターン記憶部(72
)からの学習パターンから擬似学習パターンを生成する
擬似学習パターン生成部(100)を備え、該擬似学習
パターン生成部(100)の出力を用いることを特徴と
する請求項1、2に記載の神経回路網の学習方式。 - (4)上記擬似学習パターン生成部(100)として乱
数発生機構を用いることを特徴とする請求項1、2、3
に記載の神経回路網の学習方式。 - (5)上記擬似学習パターン生成部(100)として、
上記学習パターン記憶部(72)からの任意の2個以上
の学習パターン間の演算により、該擬似学習パターンを
生成する機構を用いることを特徴とする請求項1、2、
3に記載の神経回路網の学習方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1178319A JPH0342767A (ja) | 1989-07-11 | 1989-07-11 | 神経回路網の学習方式 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1178319A JPH0342767A (ja) | 1989-07-11 | 1989-07-11 | 神経回路網の学習方式 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0342767A true JPH0342767A (ja) | 1991-02-22 |
Family
ID=16046404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1178319A Pending JPH0342767A (ja) | 1989-07-11 | 1989-07-11 | 神経回路網の学習方式 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0342767A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5490223A (en) * | 1993-06-22 | 1996-02-06 | Kabushiki Kaisha Toshiba | Pattern recognition apparatus |
-
1989
- 1989-07-11 JP JP1178319A patent/JPH0342767A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5490223A (en) * | 1993-06-22 | 1996-02-06 | Kabushiki Kaisha Toshiba | Pattern recognition apparatus |
US5748769A (en) * | 1993-06-22 | 1998-05-05 | Kabushiki Kaisha Toshiba | Pattern recognition apparatus |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Back et al. | FIR and IIR synapses, a new neural network architecture for time series modeling | |
Ferreira et al. | Comparing recurrent networks for time-series forecasting | |
CN114912357A (zh) | 基于用户模型学习的多任务强化学习用户运营方法及*** | |
Liu et al. | Evolving neural networks for Hang Seng stock index forecast | |
JP3515267B2 (ja) | 多層神経回路網学習装置 | |
JPH0784978A (ja) | ニューラルネットワーク装置およびその学習方法 | |
JPH0342767A (ja) | 神経回路網の学習方式 | |
JPH05197705A (ja) | ニューラルネットワークの学習システム | |
JP2736361B2 (ja) | ニューラルネット構成方法 | |
Zhang et al. | Hybrid adaptive learning control of nonlinear system | |
Liu et al. | A new learning algorithm for feedforward neural networks | |
Kaur et al. | Extended Bipolar Sigmoid Algorithm for Enhancing Performance of Constructive Neural Network | |
JP3310009B2 (ja) | ニューラルネットワークシステム | |
JPH05128082A (ja) | 階層ネツトワーク構成データ処理装置とその学習処理方法 | |
Hwang et al. | Fast learning neural network with modified neurons | |
Zhao et al. | Stochastic connection neural networks | |
Liu | Open-loop training of recurrent neural networks for nonlinear dynamical system identification | |
Petridis et al. | Recurrent neural networks as pattern generators | |
CN116663622A (zh) | 一种生物可信的神经元计算电路及计算方法 | |
Liu et al. | An improved fuzzy identification method based on Sigmoid data transfer function | |
Vassiliadis | Neural networks-twelve learning algorithms | |
JPH0512239A (ja) | 相互結合ネツトワーク構成データ処理装置とその学習処理方法 | |
JP2000122991A (ja) | 制御装置の製造方法、制御装置、データ生成装置、入出力特性決定方法及び相関関係評価方法 | |
JP3389684B2 (ja) | ニューラルネットワークの学習方法 | |
JPH03260807A (ja) | 階層ネットワーク構成ファジィ制御器 |