JPH04114264A - Labelling method for output node in self-organized neural network - Google Patents

Abstract

PURPOSE:To prevent a labelling method to an output node from being different by a constructing person by selecting the prescribed number of output nodes well reflecting feature vectors from the ordered output nodes according to a prescribed rule. CONSTITUTION:Based on an output value from an output node 1 in the case of successively inputting the feature vectors belonging to a certain feature to an input node 2 of a self-organized neural network, ordering to the output node 1 outputting a value within a prescribed order is started from the larger one. Then, according to the prescribed rule based on this order, the prescribed number of output nodes 1 well reflecting the feature vectors are selected from the ordered output nodes 1, and these selected output nodes 1 are labeled to show the feature. Thus, labelling is prevented from being different by the constructing person, and the self-organized neural network having stable classifying ability can be constructed.

Description

【発明の詳細な説明】[Detailed description of the invention] 【産業上の利用分野】[Industrial application field]

この発明は、各種認識装置や特徴抽出装置、あるいは、
コンピュータそのものに用いられる自己組織化ニューラ
ルネットワークにおける出力ノードのラベル付け方法に
関する。This invention is applicable to various recognition devices, feature extraction devices, or
This paper relates to a method for labeling output nodes in self-organizing neural networks used in computers themselves.

【従来の技術】[Conventional technology]

近年各種認識装置等に用いられるようになってきたニュ
ーラルネットワークには、種々の構造と分類アルゴリズ
ムをａするニューラルネットワークがある。その一つに
自己組織化特徴写像によって学習が行われるコホーネン
型ニューラルネットワークや適応共鳴理論によって学習
が行われるクロスパーグ型ニューラルネットワーク等に
代表される自己組織化ニューラルネットワークかある。 上記自己組織化ニューラルネットワークに対する学習は
、自己組織化ニューラルネットワークに対して学習ベク
トルだけを呈示し、その際に出力ノードからの出力値が
正しいか誤っているか等を表す教師データは呈示しない
所謂教師無し学習によって行われる。この学習は、自己
組織化ニューラルネットワークにおける入力ノードに学
とベクトルを入力すると、この人力ノードに結合された
複数の出力ノードのうち最大値を出力している出力ノー
ドだけが活性化される。つまり、上記最大値を出力して
いる出力ノードだけ、あるいは、最大値を出力している
出力ノードとその近傍の出力ノードだけについて、結合
に付加されたウェイトベクトルが学習ベクトルに近似す
るように更新されて学習が実行されるのである。 通常、学習済みの自己組織化ニューラルネットワークを
用いて入力ベクトルを属する特徴で分類する場合には、
出力ノードからの出力値に基づいて分類する。ところが
、自己組織化ニューラルネットワークの各出力ノードに
は、予め上記特徴が割り付けられていないのである。し
たがって、学習を行った後に、７台ベクトルが属してい
る特徴がとの出力ノードに割り付けられたかを判別して
おく必要がある。以下、このように学習ベクトルが属し
ている特徴と出力ノードとの対応付けるために、出力ノ
ードに上記特徴を表すラベルを付けることをラベル付け
と言う。 従来より、上述のようなラベル付けは、自己組織化ニュ
ーラルネットワークにある特徴に属する特徴ベクトルを
呈示した際に、最大値を出力する出力ノードに上記入力
ベクトルが属している特徴を表すラベルを付けることに
よって行われている。 具体的には、以下に述べるとおりである。 ここで、分類すべき特徴は（Ａ、Ｂ、Ｃ，Ｄ）であり、
各特徴にはその特徴を表す特徴ベクトルが１個づつ存在
するものとする。この特徴ベクトルを上記特徴Ａ、Ｂ、
Ｃ，Ｄに対応付けて、ａＯ＋　ｂ　Ｏ＋　０１１　＋　
ｄ　Ｏとする。また、上記時１１ｋＡ、Ｉ３．Ｃ，Ｄを
識別する自己組織化ニューラルネットワークは３個の出
力ノード（Ｏｏ、０　、Ｏｔ）を有するものとする。 いま、特徴ベクトルａ。、ｂＯ＋ｃ６＋ｄｏを上記自己
組緑化ニューラルネットワークに入力した結果、特徴ベ
クトルａ。を入力した場合には出力ノードＯ８が最大値
を出力したとする。同様に、特徴ベクトルｂ。を入力し
た場合には出力ノードＯ８が、特徴ベクトルＣ８を入力
した場合には出力ノード０．が、特徴ベクトルｄ。を入
力した場合には出力ノード０、が最大値を出力したとす
る。そのような場合には、出力ノード０゜にはラベル“
Ａ、Ｂ”を、出カッ−］・０１にはラベル“Ｃ”を、出
力ノード０．にはラベル“Ｄ”を付けるのである。Neural networks that have come to be used in various recognition devices and the like in recent years include neural networks with various structures and classification algorithms. One of these is a self-organizing neural network, typified by a Kohonen-type neural network in which learning is performed by self-organizing feature mapping and a Crosspurg-type neural network in which learning is performed by adaptive resonance theory. The above-mentioned learning for the self-organizing neural network is performed by a so-called teacher who presents only learning vectors to the self-organizing neural network, but does not present training data indicating whether the output value from the output node is correct or incorrect. This is done by learning without learning. In this learning, when a function and a vector are input to an input node in a self-organizing neural network, only the output node outputting the maximum value among the plurality of output nodes connected to this human-powered node is activated. In other words, the weight vector added to the connection is updated to approximate the learning vector only for the output node that outputs the above maximum value, or only for the output node that outputs the maximum value and its neighboring output nodes. learning is then carried out. Normally, when classifying input vectors by the features to which they belong using a trained self-organizing neural network,
Classify based on the output value from the output node. However, the above characteristics are not assigned in advance to each output node of the self-organizing neural network. Therefore, after learning, it is necessary to determine whether the feature to which the 7-vehicle vector belongs has been assigned to the output node. Hereinafter, in order to associate the feature to which a learning vector belongs with the output node, attaching a label representing the feature to the output node will be referred to as labeling. Conventionally, in the above-mentioned labeling, when a feature vector belonging to a certain feature is presented to a self-organizing neural network, a label representing the feature to which the input vector belongs is attached to the output node that outputs the maximum value. This is done by Specifically, it is as described below. Here, the features to be classified are (A, B, C, D),
It is assumed that each feature has one feature vector representing that feature. This feature vector is used for the above features A, B,
Corresponding to C and D, aO+ b O+ 011 +
Let it be dO. In addition, at the above time, 11 kA, I3. It is assumed that the self-organizing neural network that identifies C and D has three output nodes (Oo, 0, Ot). Now, the feature vector a. , bO+c6+do into the self-assembled greening neural network, the feature vector a. It is assumed that the output node O8 outputs the maximum value when . Similarly, feature vector b. is input, the output node O8 is input, and when the feature vector C8 is input, the output node 0. is the feature vector d. It is assumed that when inputting , output node 0 outputs the maximum value. In such a case, the output node 0° is labeled “
A, B", output].01 is given a label "C", and output node 0. is given a label "D".

【発明が解決しようとする課題】[Problem to be solved by the invention]

上述のように、上記自己組織化ニューラルネットワーク
における出ツノノードのラベル付け方法においては、特
徴ベクトルを呈示した際に最大値を出力する出力ノード
に上記特徴ベクトルが属する特徴を表すようなラベルを
付けるようにしている。 しかしながら、一般には、ある特徴（例えば、文字「大
Ｊの文字画像情報のパターン）を表す特徴ベクトルは１
個ではなく複数個（例えば、種々の明朝体、ゴチック体
、教科書体等）存在する。そのため、特徴Δの特徴ベク
トルとしてａ。、ａｌ、ａ。 ８ｎのｎ個の特徴ベクトルか存在する場合、自己組織化
ニューラルネットワークに特徴ベクトルａ。 ａ　ｌ　＋　８　！−・・、ａｎを入力すると必ずしも
同し出力ノードが最大値を出力するとは限らない。した
がって、自己組織化ニューラルネットワークを構築する
人によって出力ノードに対するラベルの付け方がまちま
ちなってしまうという問題がある。 そこで、この発明の目的は、自己組織化ニューラルネッ
トワークに特徴ベクトルを呈示した際の出力ノードから
の出力値に基づく所定のルールに従って出力ノードのラ
ベル付けを行なう自己組織化ニューラルネットワークに
おける出力ノードのラベル付け方法を提供することにあ
る。As mentioned above, in the method for labeling output nodes in the self-organizing neural network, the output node that outputs the maximum value when presenting a feature vector is labeled to represent the feature to which the feature vector belongs. I have to. However, in general, the feature vector representing a certain feature (for example, the pattern of character image information for the character "Large J") is 1
There are multiple types (for example, various Mincho typefaces, Gothic typefaces, textbook typefaces, etc.) rather than just one. Therefore, a is the feature vector of the feature Δ. ,al,a. If there are 8n n feature vectors, the self-organizing neural network has a feature vector a. a l + 8! -..., an does not necessarily mean that the same output node will output the maximum value. Therefore, there is a problem in that the way in which output nodes are labeled varies depending on the person who constructs the self-organizing neural network. Therefore, an object of the present invention is to label an output node in a self-organizing neural network by labeling the output node according to a predetermined rule based on the output value from the output node when a feature vector is presented to the self-organizing neural network. The purpose is to provide a method for attaching the product.

【課題を解決するための手段】[Means to solve the problem]

上記目的を達成するため、第１の発明の自己組織化ニュ
ーラルネットワークにおける出力ノードのラベル付け方
法は、教師無し学Ｈによって学習された自己組織化ニュ
ーラルネットワークの出力ノードに、分類されるべき特
徴が割付られたことを表すためのラベルを付ける自己組
織化ニューラルネットワークにおける出力ノードのラベ
ル付け方法において、ある特徴に属する特徴ベクトルを
上記自己組織化ニューラルネットワークの入力ノードに
順次人力した際における出力ノードからの出力値に基づ
いて、大きいほうから所定順位以内の値を出力している
出力ノードに順位付けを行い、］−記順位付けされた出
力ノードの中から上記特徴ベクトルをよく反映している
所定数の出力ノードを上記順位に基づく所定のルールに
従って選出し、この選出された出力ノードに上記特徴を
表すラベルを付けることを特徴としている。 また、第２の発明の自己組織化ニューラルネットワーク
における出力ノードのラベル付け方法は、第１の発明の
自己組織化ニューラルネットワークにおける出力ノード
のラベル付け方法において、」ユ記特徴ベクトルをよく
反映している出力ノードを選出する際に、各出力ノード
に付けられた上記順位の関数を用いて特徴ベクトルを反
映している度合いを表す得点を夫々の出力ノードに付与
し、この付与された得点の順位に従って」−足囲定数の
出力ノードを選出することを特徴としている。 また、第３の発明の自己組織化ニューラルネットワーク
における出力ノードのラベル付け方法は、第１の発明あ
るいは第２の発明の自己組織化ニューラルネットワーク
における出力ノードのラベル付け方法において、所定数
の出力ノードに同一のラベルを付ける際に、まず、上記
特徴ベクトルをよく反映している出力ノードのうち上記
特徴ベクトルを最もよく反映している出力ノードにラベ
ル付けを行い、次に、既にラベル付けされた出力ノード
からの出力値の順位が大きいほうから］二足所定順位以
内の値となるような特徴ベクトル以外の未反映特徴ベク
トルを選出し、−ト記未反映特徴ベクトルを最もよく反
映している出力ノードを各出力ノードに付けられた上記
順位に基づいて選出して上記ラベルを付ける処理を、ラ
ベル付けされた出力ノード数が上記所定数になるまで又
は上記未反映特徴ベクトルが無くなるまで繰り変えして
実施することを特徴としている。 また、第４の発明の自己組織化ニューラルネットワーク
における出力ノードのラベル付け方法は、第１乃至第３
のいずれかの発明の自己組織化ニューラルネットワーク
における出力ノードのラベル付け方法において、上記出
力ノードに対する順位付けを実施するに際して、上記特
徴ベクトルを上記自己組織化ニューラルネットワークに
入力した際に、予め設定された閾値以上であってかつ大
きいほうから上記所定順位以内の値を出力している出力
ノードに順位付けを行なうことを特徴としている。In order to achieve the above object, a method for labeling output nodes in a self-organizing neural network according to the first invention includes a method for labeling output nodes in a self-organizing neural network learned by unsupervised learning H. In a method of labeling output nodes in a self-organizing neural network, in which a label is attached to indicate that the output node has been assigned, the feature vectors belonging to a certain feature are sequentially input manually to the input nodes of the self-organizing neural network. Based on the output value of The present invention is characterized in that several output nodes are selected according to a predetermined rule based on the above ranking, and a label representing the above characteristics is attached to the selected output nodes. Furthermore, the method for labeling output nodes in the self-organizing neural network of the second invention better reflects the feature vectors in the method for labeling output nodes in the self-organizing neural network of the first invention. When selecting an output node, a score indicating the degree to which the feature vector is reflected is assigned to each output node using the above ranking function assigned to each output node, and It is characterized by selecting the output node of the "-foot circumference constant according to". Further, the method for labeling output nodes in a self-organizing neural network according to the third invention is the method for labeling output nodes in a self-organizing neural network according to the first invention or the second invention, in which a predetermined number of output nodes are When assigning the same label to the output nodes that best reflect the feature vector, first label the output node that best reflects the feature vector, and then label the output node that best reflects the feature vector, and then Select unreflected feature vectors other than feature vectors that have values within two predetermined ranks (in descending order of the output value from the output node with the highest rank), and select the unreflected feature vectors that best reflect the unreflected feature vectors listed in (g). The process of selecting output nodes based on the rankings assigned to each output node and labeling them is repeated until the number of labeled output nodes reaches the predetermined number or the unreflected feature vectors disappear. It is characterized by the fact that it is carried out by Further, the method for labeling output nodes in a self-organizing neural network according to the fourth invention is as follows.
In the method for labeling output nodes in a self-organizing neural network according to any one of the inventions, when ranking the output nodes, when the feature vector is input to the self-organizing neural network, The method is characterized in that output nodes outputting values that are greater than or equal to a given threshold value and that are within the predetermined ranking are ranked in descending order.

【実施例】【Example】

以下、この発明を図示の実施例により詳細に説明する。 第１実施例 本実施例は、ある特ｆｆ１Ｆに属する特徴ベクトル１を
自己組織化ニューラルネットワークの入力ノードに呈示
した際に、出力ノードから出力される出力値の順位に基
づく得点に従って出力ノードにラベル付けを行なうもの
である。 二こて、 上記分類すべき特徴Ｆは （Ｆ＋、Ｆｚ、−、Ｆｊ、−、Ｆｎｌ、上記特徴ベクト
ル■は 上記自己組織化ニューラルネットワークの出力ノードは （０＋、Ｏｔ、・・・ＯＱ、・・、Ｏｐ）であるとする
。 また、上記自己組織化ニューラルネットワークは既に掌
合が終了しているものとする。 第１図は代表的な自己組織化ニューラルネットワークで
あるコホーネン型ニューラルネットワークの構造概念図
である。このコホーネン型二二一うルネットワークの構
造は、総ての出力ノード１１、・・が入力ノード２に対
して結合された構造になっている。このコホーネン型ニ
ューラルネットワークによる特徴ベクトルの分類は、次
のようにして実施される。人力ノード２にはある特徴パ
ターンを表す特徴ベクトルＩが入力される。そうすると
、入力された特徴ベクトルｌと学習によって設定された
ウェイトベクトルＷとに基づいて、所定のアルゴリズム
に従って各出力ノード１，１．・・からの出力値が各結
合毎に算出される。そして、最大値を出力している出力
ノードに付けられたラベルによって表される特徴を分類
結果とするのである。ここで、上記ウェイトベクトルＷ
は出力ノードｌに対応付けて結合毎に付加されている。 第２図は上記自己組織化ニューラルネットワークにおけ
る出力ノードｌに対するラベル付け手順のフローチャー
トである。以下、第２図に従って出力ノードｌに対する
ラベル付け手順について詳細に説明する。 ステップＳｌで、上記特徴Ｆの番号ｊ（１≦ｊ≦ｎ）に
初期値“ｌｏがセットされる。 ステップＳ２で、上記特徴ベクトル■の番号ｉ（１≦ｉ
≦ｍ）に初期値“ビがセットされる。 ステップＳ３で、ｊ番目の特徴Ｆｊに属する特徴ベクト
ルｌｊｉが自己組織化ニューラルネットワークの入力ノ
ード２に呈示される。 ステップＳ４で、呈示された特徴ベクトル１ｊｉと各ウ
ェイトベクトル＋Ｗ、、Ｗ、、・　、ｖＢ、　　・、Ｗ
ｐ）とに基づいて、所定のアルゴリズムによって各出力
ノード１，１．・・・の出力値が算出される。 ステップＳ５で、上記ステップＳ４において算出された
出力値のうち大きいほうから第１位までの出力値を出力
するｒ個の出力ノードが選出される。 この選出されたｒ個の出カッ−１ζはラベル“Ｆｊ”が
付与される出力ノードの候補である。以下、この選出さ
れたｒ個の出力ノードを［０（ｉ）ｍａｙ−１，０（ｉ
）ｗａｘ−２，−１Ｏ（ｉ）ａａｘ−に、−，０（ｉ）
ｍａｘ−ｒ）とする。 ここで、ｋは出力値の順位（ｌ≦に≦「）であり、Ｏ（
ｉ）ｗａｘ−にはｉ番目の特徴ベクトルエコｉを呈示し
た際に第に位の出力値を出力する出力ノードを表す。 ステップＳ６で、上記ステップＳ５において選出された
ｒ個の出ツノノードに対して関数ｒ（ｋ）て与えられる
ラベル得点が付与される。ここで、ｆ（ｋ）は、ラベル
得点を付与する出力ノードに係る出力値の順位にの関数
であり、この関数ｆ（ｋ）をどのように設定するかによ
ってラベル付けの結果が異なるのである。 ステップＳ７で、上記ステップＳ５において選出された
ｒ個の出力ノードの累積ラベル得点Ｇが次式によって算
出される。 Ｇ　（０（ｉ）ｍａＸ−ｋ）−Ｇ　（０（ｉ）ｆｆｉａ
ｘ−ｋ）　＋　ｆ（ｋ）ｆｏｒ　ｋ＝１．−、ｒ ステップＳ８で、ｉ＝ｍであるか否かが判別される。そ
の結果ｉ＝ｍであれば１番目の特徴Ｆｊに属する総ての
特徴ベクトルＩｊｉの呈示が終了したのでステップＳＩ
Ｏに進み、そうでなければステップＳ９に進む。 ステップＳ９で、特徴ベクトル■の番号ｌの内容がイン
クリメントされてステップＳ３に戻り、特徴Ｆｊに属す
る次の特徴ベクトルに対する処理に入る。 ステップＳＩＯで、上記ステップＳ７において算出され
た累積ラベル得点Ｇの値のうち大きいほうから第９位ま
での値か付与されたｑ個の出力ノードが選出される。そ
して、この選出されたｑ個の出力ノードに特？ｆｌｌ　
Ｆ　ｊを表すラヘノビＦｊ−か付けられる。 ステップＳｌｌで、ｊ＝ｎであるか否かが判別される。 その結果ｊ＝ｎであれば総ての特ｆｉ　＋−’に属する
総ての特徴ベクトルｌの呈示が終了したのでラベル付け
を終了する。一方、そうでなければステップＳ１２に進
む。 ステップＳ１２で、特１ｆｉＦの番号Ｊの内容がインク
リメントされてステップＳ２に戻り、次の特徴に属する
１番目の特徴ベクトルに対する処理にはいる。そして、
ステップＳｌｌにおいてｊ＝ｎであると判別されるとラ
ベル付けを終了する。 」二連のラベル付け手順において、上記ステップＳＩＯ
においである出力ノードにラベルを付与しようとした際
に、既に他のラベルが付与されている場合がある。この
場合には、一つの出カッ〜ドに複数のラベルが付与され
ることになる。こうして一つの出力ノードに複数のラベ
ルが付与された自己組織化ニューラルネットワークによ
って特徴ベクトルを分類した場合には、どうしても個々
の特徴に分類できない特徴ベクトルが生ずる。このよう
な場合には、他のニューラルネットワークとの併用等に
よって個々の特徴に分類すればよい。 次に、本実施例を種々の例を上げてより具体的に説明す
る。 （ａ）例１ ・分類すべき特徴の個数が４個（ｎ−１）、・各特徴Ｆ
に属する特徴ベクトルｌの個数が１個（ｍ＝ｌ）、 ・関数ｆ（ｋ）−Ａ−ｋ　（但し、Ａ≧ｒ、　ｋ＝１，
２・、ｒ）、 ・最大累積ラベル得点Ｇ　（０（ｉ）ｍａｘ−１）を有
する出力ノードのみにラベルイ寸け（ｑ＝１）、・出力
ノードの個数が３個（ｐ＝３） の場合を考える。 いま、分類すべき特徴を （Ｆ　１．Ｆ　ｚ、Ｆ　ｓ、Ｆ−）、 特徴ベクトルを （Ｉ　ｌｌ＋　＋　２１＋　１３１＋　＋　４１］、出
力ノードを （（Ｌ、Ｏｙ、Ｏ８，Ｏ４） とする。 上記特徴ベクトルＩ　Ｉｌ＋　Ｉ□＋＋３１．１４１を
学腎済みの自己組織化ニューラルネットワークに呈示し
た際に、第２図におけるステップＳ４、ステップＳ５に
おいて、第１表に示すように第１位（ｒ＝　Ｉ　）の出
力値を出力する出力ノードが選出される。 第１表 以下、ステップＳ６において、各特徴ベクトル毎に第１
位の値を出力する出力ノードにラベル得点（Ａ−１）を
与える。この例の場合にはｍ＝ｌ、ｐ＝１であるから、
第１表において各特徴ベクトル毎に第１位を示している
出力ノードの累積ラベル得点Ｇか最大値となる。したが
って、例１場合には出力ノード０１には°Ｆ１”、“Ｆ
、″がラベル付けされる。 同様に、出力ノードＯ１にはＦ３”か、出力ノード０３
には“Ｆ４＃がラベル付けされるのである。 本例においては、ステップＳ５において出力値が第１位
の出力ノード１個のみを選出しているが、必要に応して
出力値が第１位までの１個の出力ノードを選出しても何
等差し支えない。 （ｂ）例２ ・各特徴Ｆｊに属する特徴ベクトルｌＪｉの個数はｍ個
、 ・大きい順に第１位までの値を出力する出力ノードにラ
ベル７’Ｊ点を付与、 ・関数ｆ（ｋ）＝Ｉ　　（ｋ＝１，２．＝−、ｒ）、・
最大累積ラベル得点Ｇを存する出力ノードのみにラベル
付け（ｑ＝１）、 ・出力ノードの個数か４個（ｐ＝ｌ） の場合を考える。 いま、分類すべき特徴を 文字「人」、 特徴ベクトルが表す内容を 出力ノードを （０＋　　Ｏｔ、Ｏｓ、Ｏ−） とする。 文字「大」に属する明朝体】、明朝体２　ゴチック体、
教科台体の特徴ベクトルを学習済みの自己組織化ニュー
ラルネットワークに呈示した際に、第２表に示すように
第３位までＣｒ＝　３　）の出力値を出力する出力ノー
ドが選出される。 以下余白 第２表 そして、第３位までの値を出力した出力ノードに夫々ラ
ベル得点“ビずっが与えられ、さらに全特徴ベクトルに
関してラベル得点の値が累計されて累積ラベル得点Ｇが
得られる。その結果出力ノードＯ２に係る累積ラベル得
点が最大値“４”であるから、出力ノード０．に文字「
大」を表すラベル“大“が付けられるのである。 すなわち、本例においては、ｍ個の特徴ベクトルの呈示
に対して夫々ｒ個の出力ノードが選出されるので、一つ
の特徴に対して述べ（＊Ｘｒ）個の出力ノードがラベル
付け候補として選出される。そして、そのうち選出され
た回数が多いほうから第ｑ位（上述の例ではｑ＝ｌ）ま
での出力ノードにラベル付けするようにしている。つま
り、いずれの特徴ベクトルに対しても第１位以内の値を
（順位には関係無く）満遍なく出力する出力ノードに当
該特徴を表すラベルを付加するのである。 （ｃ）例３ ・各特徴Ｆｊに属する特徴ベクトルＩｊ１の個数はｍ個
、 ・大きい順に第１位までの値を出力する出力ノードにラ
ベル得点を付与、 ・関数ｒ（ｋ）＝　Ａ　−ｋ　（但し、Ａ≧ｒ、　ｋ＝
１．２・、「）、 ・第ｑ位までの累積ラベル得点Ｇを存する出力ノードに
ラベル付け、 ・出力ノードの個数が４個（ｐ＝４） の場合を考える。 いま、分類すべき特徴を 文字「大Ｊ、 特徴ベクトルが表す内容を 明朝体１．　明朝体２ ゴヂック体、教科何体、 出ツノノードを （０，，０，，０３，Ｏ，） とする。 文字１人」に属する明り１体１．明朝体２．ゴヂック体
、教科方体の特徴ベクトルを学習済みの自己組織化ニュ
ーラルネットワークに呈示した際に、第３表に示すよう
に第３位まで（ｒ＝３）の出力値を出力する出力ノード
が選出される。 第３表 そして、第３位までの値を出力した出力ノードに、ラベ
ル得点（Ａ−ｋ）が与えられ、さらに全特徴ベクトルに
関してラベル得点の値が累計されて累積ラベル（Ｏ点Ｇ
が得られる。例えば八−とすると、出力ノード０．の累
積ラベル得点 （４−１）＋（４−２）→−（４−１）３＋２＋３＝８ 出力ノードＯ２の累積ラベル得点 ＝２→Ｉ　＋　２　＋　２　＝　７ 出力ノード０３の累積ラベル得点 ！＋３＝４ 出力ノード０４の累積ラベル得点 ＝ｌ＋３＋ｌ−５ その結果、例えばＱ＝２とすると、出力ノード０に係る
累積ラベル得点Ｇが最大値“８°であり、出力ノードＯ
１に係る累積ラベル得点Ｇが第２位の値“７゛であるか
ら、出力ノード０１と出力ノードＯ２とにラベル“大゛
が付けられるのである。 すなわち、本例においては、一つの特徴Ｆｊに対してラ
ベル付けＨＮｌｉとして選出された述べ（ａＸｒ）個の
出力ノードのうち累積ラベル得点Ｇが高いほうから、換
言すれば、種々の特徴へクトルＩｊｉの呈示に対して、
出力される出力値の順位の高さと選出された回数の多さ
とを加味した得点が高いほうから第９位（」二連の例で
はｑ−２）までの出力ノードにラベル付けするのである
。 （ｄ）例４ ・各特徴Ｆｊに属する特徴ベクトル■ｊｉの個数はｍ個
、 ・大きい順に第ｒ位までの値を出力する出力ノードにラ
ベル得点を付与、 ・関数ｆ（ｋ）＝（ｍ＋Ｉ　）Ａ−ｋ（但し、Ａ≧ｒ、
　ｋ−１，２，・・、「）、 ・累積ラベル得点が（ｍ＋　ｌ　）Ａ−に以上である出
力ノードにラベル付け、 ・出力ノードの個数が４個（ｐ＝４） の場合を考える。 いま、分類すべき特徴を 文字「大」、 特徴ベクトルが表す内容を 出力ノードを （０，，０，、Ｏ，，０４） とする。 文字１人」に属する明朝体１．明朝体２．ゴヂック体、
教科告体の特徴ベクトルを学習済みの自己組織化ニュー
ラルネットワークに呈示した際に、第４表に示すように
第３位まで（ｒ＝　３　）の出力値を出力する出力ノー
ドか選出される。 第４表 そして、第３位までの値を出力した出力ノードに、ラベ
ル得点（＋ａ＋　ｌ　）Ａ−ｋが与えられ、さらに全特
徴ベクトルに関してラベル得点の値が累計されて累積ラ
ベル得点Ｇが得られる。例えばＡ＝４とすると、ｍ＝４
であるから、 出力ノードＯ８の累積ラベル得点 ＝（４＋　ｌ　）’−’＋（４＋１　）’−’＋（４＋
ｌ）’ ＝１２５→−２５＋Ｉ２５＝２７５ 出力ノードＯ２の累積ラベル得点 一２５＋５＋２５＋２５＝８０ 出力ノード０３の累積ラベル得点 一５＋１２５＝１３０ 出力ノード０４の累積ラベル得点 ５＋１２５＋５＝１３５ その結果、（ＩＩｌ＋Ｉ　）Ａ−に＝　ｌ　２５以上の
累積ラベル得点Ｇを有する出力ノードは出力ノード０１
．出力ノード０３および出力ノード０４であるから、出
力ノード０１と出力ノード０３と出力ノード０４とにラ
ベル“大”か付けられるのである。 すなわち、上述の例２および例３の場合には、出力ノー
ドＯ１は総での特徴ベクトル■ｊｉの呈示に対して最大
値を出力することか１回も無い、それにも拘わらず累積
ラベル得点Ｇの値が高いためにラベル付けが行われてい
る。そこで、本例にわいては、累積うｌ＼ルｊＩＩ点Ｇ
を特徴ヘクトル数ｍより大きな数の指数関数で表すので
ある。こうすることによって、もしある特ｆｆ１Ｆｊに
属する総ての特徴ベクトルＩＪ１の呈示に対して一回も
最大値を出力しない出力ノードがある場合には、たとえ
その出力ノードが総ての特徴ベクトル１ｊｌの呈示に対
して第２位の出力値を出力したとしても、その累積ラベ
ル得点は“１２５“以上にはならないのである。 したがって、文字「犬」に属する種々の特徴ベクトルの
呈示に対して、少なくとも１回は最大値を出力した出力
ノードに対してのみラベル付けがなされるのである。 （ｅ）例５ ・各特徴Ｆｊに属する特徴ベクトルｌｊｉの個数はｍ個
、 ・大きい順に第１位までの値を出力する出力ノードにラ
ベル得点を付与、 ・関数ｆ（ｋ）＝（ｍ＋１）Ａ−ｋ（但し、Ａ≧ｒ、　
ｋ−１，２，・・・、ｒ）、 ・累積ラベル得点が（ｍ＋　１　）”°を存する出力ノ
ードにラベル付け　（但し、ｋｏは整数であり、１≦ｋ
ｏ≦ｒ） の場合を考える。 この場合は、上述の例４の場合を更に一般化した例であ
る。 すなわち、本例においては、一つの特ｆｆ１Ｆｊに対し
てラベル付け候補として選出された述へ（ｍＸｒ）個の
出力ノードのうち、文字「大」に属する種々の特徴ベク
トルの呈示に対して少なくとも１回は第ｋｏ位以上の値
を出力した出力ノードにラベノビ大”を付けるのである
。 上述のように、第１実施例においては、ラベル得点を求
める際の関数ｆ（ｋ）をどのように設定するかによって
、ラベル付けされる出力ノードを選出する基準が ・総ての特徴ベクトルの呈示に対して所定順位以内の出
力値を満遍なく出力する出力ノード、・総ての特徴ベク
トルの呈示に対して所定順位以内の出力値を出力する回
数が多く、かつ、出力値の順位が高い出力ノード、 ・総ての特徴ベクトルの呈示に対して所定順位以内の出
力値を少なくとも１回は出力する出力ノード のように異なるのである。したがって、構築した自己組
織化ニューラルネットワークを使用する際の識別基準に
応したラベル（す点関数ｆ（ｋ）を選択すればよいので
ある。 上述のように、第１実施例においては、学’Ｐ！？ｆｉ
みの自己組織化ニューラルネットワークにある特徴Ｆｊ
に属する種々の特徴ベクトル１ｊ１を呈示し、その際の
出力ノード１からの出力値の順位ｋに基づいて、各出力
ノード１にラベル得点「（ｋ）を付与する。そして、各
出カッ−１Ｎに付与されたラベルｉす点を累積した累積
ラベル得点Ｇに応じて選出された出力ノードに上記特徴
Ｆｊを表すラベノビＦｊ”を付加するのである。 したがって、本実施例によれば、出力値の順位ｋに基づ
く関数ｆ（ｋ）を用いた所定のルールに従って選出され
た出力ノードに対してラベル付けが行われるので、自己
組織化ニューラルネットワークを構築する人によってラ
ベルの付け方がまちまちになることかない。その結果、
安定した識別能力をａする自己組織化ニューラルネット
ワークを構築できるのである。 」二足実施例においては、各特徴ＦＪに属する特徴ベク
トルＩ」ｌの数ｍは総て同しである必要はなく、種々の
数を取っても何等差し支えない。 第２実施伊１ 上記第１実施例においては、ラベル付けされる出力ノー
ドの選出に際して、上述のようにラベル付け手順のフロ
ーチャートにおけるステップ８５〜ステツプＳ７て各出
力ノードに対する累積ラベル得点付けを実施し、この付
与された累積ラベル得点Ｇの値に応じてラベル付けする
出力ノードを選出するようにしている。 本実施例においては、ラベル付けする出力ノードを、上
述のような累積ラベル得点Ｇによらずに選出するのであ
る。 （イ）例１ 第２図に示す第１実施例のラベル付け手順のフローチャ
ートにおけるステップ６６〜ステツプＳ７およびステッ
プＳ１０を次のように変更する。 すなわち、第２図のステップＳ５において出力ノードが
選出された回数を谷出力ノード毎にカウントする。そし
て、上記ステップＳ８でｉ−一であると判別された場合
には、各出力ノード毎のカウント値を参照して、カウン
ト値（すなわち、選出された回数）の多い方から第９番
目までの出力ノード■を選出してラベル付けを実行する
。 こうすることによって、第１実施例における例２と全く
同じラベル付け結果が得られるのである。 （ロ）例２ 第２図に示す第１実施例のラベル付け手順のフローチャ
ートにおけるステップ８５〜ステツプＳ７およびステッ
プＳＩＯを次のように変更する。 すなわち、第２図のステップＳ４で算出された各出力ノ
ード１の出力値の大きいほうからの順位を、各出力ノー
ド毎に特徴ベクトルに対応付けそメモリに格納する。そ
して、上記ステップＳ８でｉ＝ｍであると判別された場
合には、各特徴ベクトル別に各出力ノードにおける出力
値の順位を参照して、総ての特徴ベクトルの呈示に際し
て少なくとし１回は所定順位以内の値を出力した出力ノ
ードを選出してラベル付けを実行する。 こうすることによって、第１実施例における例４あるい
は例５と全く同しラベル付け結果が得られるのである。 上述のように、本実施例によれば、学習済みの自己組織
化ニューラルネットワークにある特徴Ｆｊに属する種々
の特徴ベクトルＩｊｉを入力する。 そして、その際の出力ノード１からの出力値に基づいて
、各出力ノード■こラベル得点を付与することなく所定
の基準に合致した出力ノードを選出し、この選出された
出力ノードに上記時ｆｆ１Ｆｊを表ずラベル“Ｆｊ”を
付ける。 第３実施例 本実施例は、ある特１ｈＦｊを表すラベル“Ｆｊ”を複
数個の出力ノードに付ける際に、夫々が特＠Ｆ」に属す
る特徴ベクトル１ｊｉのうち異なる特徴ベクトルを極め
てよく反映するような出力ノードに対してのみラベル付
けを行うものである。 ここで、 分類すべき特徴Ｆは ［Ｆ　＋、Ｆ　ｔ、−、Ｆｊｓ・・、Ｆｎ）、上記特徴
ベクトルＩは （１ｔｌ＋　Ｉ　ｔｔ、−、Ｉ　２ｉ、−、Ｉ　、ｍ）
（Ｉ　ｎｉ　ｒ　ｎｔ、−、Ｉ　ｎｉ、−、Ｉ　ｎ５ｉ
ｌ、上記自己組織化ニューラルネットワークの出力ノー
ドは （Ｏｌ、Ｏ！、・・・ＯＱ、・・、　Ｏｐ）であるとす
る。 また、上記自己組織化ニューラルネットワークは既に学
冒が終了しているものとする。 第３図は本実施例におけるラベル付け手順のフローチャ
ートである。以下、第３図に従って出力ノードｌに対す
るラベル付け手順について詳細に説明する。 ここで、ステップ８２１〜ステツプＳ２９は、第２図に
おけるステップ８１〜ステツプＳ９の処理内容と全く同
じであるから、概略のみを説明する。 上記特徴Ｆの番号ｊおよび特徴ベクトルＩの番号ｉに初
期値“ビがセットされた後、自己組織化ニューラルネッ
トワークにある特徴ＦＪに属する特徴ベクトルＩｊｉが
呈示された際の凸出力ノード１、ｌ、・の出力値が算出
される。そして、大きいほうから第１位までの出力値を
出力するｒ個の出力ノードに対して関数ｆ（ｋ）で与え
られるラベル得点が付与され、累積ラベル得点Ｇが算出
される。こうして、ある特徴Ｆｊに属する総ての特徴ベ
クトルＩｊｉの呈示が終了した後ステップＳ３０に進む
。 ステップＳ３０で、特徴Ｐｊを表すラベル“Ｆｊ”が付
けられた出力ノードの個数■（に初期値“ビがセットさ
れる。 ステップＳ３１で、ステップＳ２７において算出された
累積ラベル得点Ｃの値か最大値である出力ノードか選出
される。そして、この選出さ石た出力ノードにラベル“
Ｆｊ”か付加される。 ステップＳ３２て、総ての累積ラベル得点Ｇの（ｌＩが
“０“にクリアされる。 ステップＳ３３で、特徴ベクトルｌの番号１に初期値“
ビがセットされる。 ステップＳ３４で、特徴ベクトル■ｊ１が呈示された場
合に、大きいほうから第１位までの値を出力する出力ノ
ードの中に上記ステップＳ３１においてラベル付けされ
た出力ノードかあるか否かが、次式によって判定される
。 ０（ｉ）＋＋＋ａｘ−に＃ｏ（ｊ）ｌａｂｅｌｈここて
、Ｏ（Ｄｌａｂｅｌ−ｈは特徴［−ｊを呈示した場合に
ラベノビＦｊ“が付けられたｈ個目の出カッ−］・を表
す。 その結果、ラベル付けされた出力ノードが無ければステ
ップＳ３５に進み、そうでなければステップＳ３５．ス
テップＳ３８をスキップする。 ステップＳ３５で、特徴ベクトルＩｊｉが呈示された際
における第１位までの値を出力する出力ノードに対して
上記関数「（ｋ）で与えられるラベル得点が付与される
。 ステップＳ３６で、累積ラベル得点Ｇが次式によりて算
出される。 Ｇ　（０（ｉ）Ｉｌａｘ−ｋ）＝　Ｇ　（０（ｉ）ｍａ
ｘ−ｋ）＋　ｆ（ｋ）ｆｏｒ　？１−　ｒ ステップＳ３７で、ｉ＝ｍであるか否かか判定される。 その結果ｉ＝ｍであれば、５番目の特ｆｆ１Ｆｊに属す
る総ての特徴ベクトルＩｊｊに付いて累積ラベル得点Ｇ
の算出が終了したので、ステップＳ３９に進む。一方、
そうでなければ、ステップ５３８に進む。 ステップＳ３８で、特徴ベクトルＩの番号ｉの内容がイ
ンクリメントされてステップ３４に戻り、特徴Ｆｊに属
する次の特徴ベクトルに対する処理に入る。 ステップ３３９で、ラベル゛Ｆｊ”が付けられた出力ノ
ードの個数Ｈの内容がインクリメントされる。 ステップＳ４０で、Ｈ＞ｑ（ｑニラペル付けする出力ノ
ード数）であるか否かが判別される。その結果、Ｉ−１
＞ｑであればステップＳ４１に進み、そうでなければス
テップＳ３１に戻ってラベル“Ｆｊ”を付ける次の出力
ノードの選出処理に入る。 ステップＳ４１で、ｊ＝ｎであるか否かが判別される。 その結果ｊ＝ｎであれば総ての特ｆｉＦに属する総ての
特徴ベクトルｆの呈示が終γしたのでラベル付けを終了
する。一方、そうでなければステップＳ４２に進む。 ステップＳ４２で、特ｆｉＦの番号ｊの内容がインクリ
メントされてステップＳ２２に戻り、次の特徴に属する
１番目の特徴ベクトルに対する処理にはいる。そして、
ステップＳ４１においてｊ＝ｎであると判別されるとラ
ベル付けを終了する。 次に、本実施例をより具体的に説明する。 （Ａ）例！ 例１として、第１実施例における例３の場合と同じ場合
を考える。 いま、分類すべき特徴を 文字「人」、 特徴ベクトルが表す内容を 第５表 出力ノードを （０＋　、　Ｏｔ、　Ｏｓ、　０４）、関￥ｉ、ｆ（ｋ
）を とする。 文字１大」に鵬する明朝体１．明朝体２．ゴチック体、
教科書体の特徴ベクトルを学と済みの自己組織化ニュー
ラルネットワークに呈示した際に、第５表に示すように
第３位まで（ｒ＝３）の出力値を出力する出力ノードが
選出される。 以下余白 上述のようにして第３図のフローチャートにおけるステ
ップＳ２５で選出された上位第３位までの値を出力した
出力ノードに、ラベル得点（Ａ　−ｋ）が与えられ、さ
らに全特徴ベクトルに関してラベル得点の値が累計され
て累積ラベル得点Ｇが得られる。この累積ラベル得点Ｇ
を第１累債ラヘル得点Ｇｌとケる。例えばΔ−４とする
と、第５表に示すように第１実施例の例３における累積
ラベル得点Ｇと同じ値の第１累積ラベル得点Ｇｌがｉ４
られる。そして、ステップＳ３１において第１累積ラベ
ル得点Ｇｌが最大である第１の出力ノードＯにラベル“
大°が付けられるのである。 次に、第１累積ラベル得点Ｇ１の内容が“０”にクリア
され、ステップＳ２５において、出力ノード０１からの
出力値が第３位以内の値とならないような（すなわち、
出力ノードＯ２によって反映されないような）未反映特
徴ベクトルを選出する。その結果、本例では教科方体が
未反映特徴ベクトルとして選出される。そして、教科古
体の特徴ベクトルが呈示された場合に１−位第３位まで
の値を出力した出力ノードに、ステップＳ３５において
ラベル得点（Ａ−ｋ）が与えられ、さらに全特徴ベクト
ルに関してラベル得点の値か累計されて第２累積ラヘル
得点Ｇ２が得られる。例えばＡ＝４とすると、第５表に
示すように第２累積ラベル得点Ｇ２が得られる。そして
、ステップＳ３１において第２累積ラヘル得点Ｇ２が最
大である第２の出力ノード０３にラベル“犬“が付けら
れる。こうして、２個（ｑ＝２）の出力ノードに対する
ラベル付Ｉすが終了するのである。 その際に、第２累積ラベル得点Ｇ２を算出する場合には
、教科書体の特徴ベクトルを呈示した際に既にラベル付
けが成された第１の出カッ−）・０１からの出力値は第
３位以内には入らない。したがって、教科書体に係る出
力ノードＯ１の第２累積ラベル得点Ｇ２は０′となり、
出力ノード０には教科古体の特徴ベクトルに基づくラベ
ル付けは行われないのである。さらに、第２累積ラベル
得点Ｇ２を算出する際には、上述のように第１累積ラヘ
ル（す点Ｇ１がクリヤされて、教科古体の特徴ベクトル
を呈示した際の出力値順位に従ってのみ第２累積ラベル
得点Ｇ２が付与される。その結果、第２累積ラベル得点
Ｇ２は、明朝体Ｉ、明朝体２およびゴチック体の特徴ベ
クトルによる識別結果によって影響されないのである。 その結果、ラベル付けする際に、明朝体１．明朝体２．
ゴチック体の特徴ベクトルに基づいて特徴［大Ｊを識別
する際の出力ノードＯ５と、教科古体の特徴ベクトルに
基づいて特徴「犬Ｊを識別する際の出力ノードＯ８とに
役割を区別してラベル付１ｙができるのである。また、
ある特徴ベクトルを最もよく反映していない（端的に言
えば、ある特徴ベクトルの呈示に対して第１位の出ツノ
値を呈しない）出力ノード０．のような出力ノードであ
っても第１累積ラベル得点Ｇｌの値か高いためにラベル
が付けられることか防止される。一方、多くの特徴ベク
トルＩの呈示に対して頻繁に第３位以内の値を出力しな
いために第１累積ラヘル得点Ｇ１が低い出力ノード０３
のような出力ノードであっても、ある特定の特徴ベクト
ルを顕著に反映している出力ノードであればラベルが付
けられるのである。 上述のように、第３実施例では、ある特徴Ｆｊに対して
ｑ個の出力ノードにラベル付けする場合において、まず
第１実施例の方法によって第１累積ラベル得点Ｇ１の値
が最大である第１の出力ノードにラベル“Ｆｊ”を付け
る。次に、既にラベル付けされた第１の出力ノードによ
って反映されていない（換言すれば、既にラベル付けさ
れた第１の出力ノードからの出力値が上位から第ｒ位以
内に入らない）ような未反映特徴ベクトルの呈示に際し
て再付与された第２累積ラベル得点Ｇ２か最大の第２の
出力ノードにラベル付けするのである。 以下、上述の処理をラベル付けされた出力ノード数か所
定数ｑになるか、あるいは未反映特徴ベクトルか無くな
るまで繰り返４〜。 したがって、第３実施例によっである特徴Ｆｊを表ずラ
ベルを複数の出力ノード１に付ける場合には、夫々か特
１ｆｉＦｊに属する複数の特徴ベクトルＩｊ１のうち異
なる特徴ベクトルを極めてよく反映するような出力ノー
ドに対してのみラベル”Ｆｊ“が付けられるのである。 すなわち、特徴Ｆ」に属する特徴ベクトルＩｊｌによっ
て、より適確に特徴Ｆｊを識別できるように出力ノード
１に対するラベル付けがてきるのある。 東↓良Ｏｖ 上記各実施例においては、ある特１ｈＦｊに属する特徴
ベクトル■ｊｌを呈示した際に、無条件に大きいほうか
ら第ｒ（を以内の値を出力する１個の出力ノードを選出
するようにしている。ところが、その場合にはある特徴
ベクトル■コｉを反映していない（すなわち、その特徴
ベクトルＩ３１が呈示された場合に極端に低い値を出力
する）出力ノードであっても、上記第ｒ位以内に入って
いさえすればラベル付け候補として選出されてしまうの
である。 そこで、本実施例では、特ｙ！ＬＦｊに属する特徴ベク
トル■ｊｉを呈示した際に、第２図におけるステップＳ
５あるいは第３図におけるステップＳ２５においてラベ
ル付け候補として選出する出力ノードを、予め定められ
た閾値を越えた値であって上位第ｒ位以内の値を出力し
ている出ツノノードを選出するようにするのである。 すなわち、本実施例では、呈示された特徴ベクトルをあ
まり反映しないような出力ノードは、最初からラベル付
けの対象とはしないのである。 次に、本実施例をより具体的に説明する。 （１）例１ 例１として、第１実施例における例３の場合と同じ場合
を考える。 いま、分類すべき特徴を 文字１大」、 特徴ベクトルが表す内容を 出力ノードを （０＋、０２．Ｏｓ、０４）、 関数ｆ（ｋ）を ｒ（ｋ）＝Ａ−ｋ （但し、Ａ≧ｒ、　ｋ＝１．２．−、ｒ）、とする。 文字「大」に属する明朝体１．明朝体２．ゴヂック体、
教科書体の特徴ベクトルを学習済みの自己組織化ニュー
ラルネットワークに呈示した際に、第６表に示すように
閾値以上であって第３位まで（「−３）の出力値を出力
する出力ノードが選出される。 以下金白 第６表 第６表においては、明朝体ｌおよびゴチック体の特徴ベ
クトルを呈示した際に出力ノードから出ツノされる第２
位と第３位の値は予め設定された上記閾値上り低いたぬ
、その出力ノードは選出されていない。その結果、Δ−
４とすれば各出力ノード１における累積ラベル得点Ｇは
第６表に示すようになる。したがって、例えばＱ＝２と
すると、出力ノード０．に係る累積ラベル得点Ｇが最大
値“８”であり、出力ノード０４に係る累積ラベル得点
Ｃか第２位の値“４”となる。すなわち、明朝体１およ
びゴチック体の特徴ベクトルをよく反映してぃない出力
ノードＯ２に係る累積ラベル得点Ｇの値“３”は、第１
実施例の例３の場合よりも低くなり、出カッ−１”　Ｏ
ｔに対するラベル付けは行われないのである。 」−述のように、第４実施例においては、−１−記各実
施例において、ある特徴Ｆ　ｊに属する特徴ベクトルＩ
Ｊｌを呈示した際にラベル付け蛇補となる特徴ベクトル
を選出する場合、予め定められた閾値を越えた値であっ
て」三位第ｒ位以内の値を出力している出力ノードを選
出するようにしている。したがって、特徴Ｆｊに属する
特徴ベクトルＩｊｉに基づく分類には貢献しないような
出力ノードに対してはラベル付けは行われず、特徴Ｆｊ
の分類に有効な出力値を出力する出力ノードに対しての
みラベル付けが行われるのである。Hereinafter, the present invention will be explained in detail with reference to illustrated embodiments. First Example In this example, when a feature vector 1 belonging to a certain feature ff1F is presented to an input node of a self-organizing neural network, the output node is labeled according to a score based on the rank of the output value output from the output node. It is used for attaching. The above feature F to be classified is (F+, Fz, -, Fj, -, Fnl, the above feature vector ■ is the output node of the above self-organizing neural network is (0+, Ot, ... OQ, ... , Op). It is also assumed that the above self-organizing neural network has already completed its configuration. Figure 1 shows the structure of a Kohonen neural network, which is a typical self-organizing neural network. This is a conceptual diagram.The structure of this Kohonen-type neural network is such that all output nodes 11,... are connected to input node 2.Characteristics of this Kohonen-type neural network Vector classification is carried out as follows.A feature vector I representing a certain feature pattern is input to the human powered node 2.Then, the input feature vector l and the weight vector W set by learning are combined. Based on this, the output value from each output node 1, 1, etc. is calculated for each connection according to a predetermined algorithm.Then, it is represented by the label attached to the output node that outputs the maximum value. The features are used as classification results.Here, the weight vector W
is added to each connection in association with the output node l. FIG. 2 is a flowchart of the labeling procedure for the output node l in the self-organizing neural network. The labeling procedure for the output node l will be described in detail below with reference to FIG. In step Sl, the initial value "lo" is set to the number j (1≦j≦n) of the feature F. In step S2, the number i (1≦i
In step S3, the feature vector lji belonging to the j-th feature Fj is presented to the input node 2 of the self-organizing neural network. In step S4, the presented feature Vector 1ji and each weight vector +W, , W, , vB, , W
p), each output node 1, 1 . The output value of ... is calculated. In step S5, r output nodes are selected that output the first largest output value among the output values calculated in step S4. The selected r output nodes -1ζ are output node candidates to which the label "Fj" is assigned. Below, these r selected output nodes are defined as [0(i)may−1,0(i
)wax-2,-1O(i)aax-to,-,0(i)
max-r). Here, k is the rank of the output value (l≦≦“), and O(
i) wax- represents an output node that outputs the output value of the th place when the i-th feature vector eco i is presented. In step S6, label scores given by the function r(k) are assigned to the r outgoing nodes selected in step S5. Here, f(k) is a function of the rank of the output value related to the output node to which a label score is assigned, and the labeling result differs depending on how this function f(k) is set. . In step S7, the cumulative label scores G of the r output nodes selected in step S5 are calculated using the following equation. G (0(i)maX-k)-G (0(i)ffia
x−k) + f(k)for k=1. -, r In step S8, it is determined whether or not i=m. As a result, if i=m, the presentation of all feature vectors Iji belonging to the first feature Fj has been completed, so step SI
If not, proceed to step S9. In step S9, the contents of the number l of the feature vector ■ are incremented, and the process returns to step S3 to begin processing for the next feature vector belonging to the feature Fj. In step SIO, q output nodes are selected, to which the ninth largest cumulative label score G calculated in step S7 is assigned. Then, what is special about these q selected output nodes? fll
Rahenobi Fj-, which represents F j, is added. In step Sll, it is determined whether j=n. As a result, if j=n, the presentation of all feature vectors l belonging to all features fi +-' has been completed, and therefore labeling is completed. On the other hand, if not, the process proceeds to step S12. In step S12, the contents of the number J of the special 1fiF are incremented, and the process returns to step S2, whereupon processing is started for the first feature vector belonging to the next feature. and,
If it is determined in step Sll that j=n, labeling ends. ” In the double labeling procedure, the above step SIO
When trying to assign a label to an output node that is a scent, another label may have already been assigned. In this case, multiple labels will be assigned to one output card. When feature vectors are classified using a self-organizing neural network in which multiple labels are assigned to one output node, some feature vectors inevitably arise that cannot be classified into individual features. In such a case, it is sufficient to classify the information into individual characteristics by using it in combination with other neural networks. Next, this embodiment will be described in more detail by citing various examples. (a) Example 1 - The number of features to be classified is 4 (n-1), - Each feature F
The number of feature vectors l belonging to
2., r), - Label only the output node with the maximum cumulative label score G (0 (i) max - 1) (q = 1), - Number of output nodes is 3 (p = 3). Consider the case. Now, assume that the features to be classified are (F 1.F z, F s, F-), the feature vector is (Ill+ + 21+ 131+ + 41), and the output node is ((L, Oy, O8, O4). When the above-mentioned feature vector I Il+ I An output node that outputs the output value of I ) is selected. In Table 1 below, in step S6, the
A label score (A-1) is given to the output node that outputs the value of the position. In this example, m=l and p=1, so
The cumulative label score G of the output node that ranks first for each feature vector in Table 1 is the maximum value. Therefore, in Example 1, output node 01 has °F1", "F
,'' are labeled. Similarly, output node O1 is labeled with F3'' or output node 03
is labeled with "F4#." In this example, only one output node with the first output value is selected in step S5, but if necessary, the output node with the first output value is selected. There is no problem in selecting one output node up to the highest rank. (b) Example 2 - The number of feature vectors lJi belonging to each feature Fj is m. - Output that outputs the values up to the first rank in descending order. Assign a label 7'J point to the node, ・Function f(k)=I (k=1, 2.=-, r), ・
Consider the case where only the output node with the maximum cumulative label score G is labeled (q=1), and the number of output nodes is 4 (p=l). Now, let us assume that the feature to be classified is the character "person", and the content represented by the feature vector is the output node (0+ Ot, Os, O-). Mincho typeface belonging to the character “large”], Mincho typeface 2 Gothic typeface,
When the feature vector of the subject is presented to the learned self-organizing neural network, the output nodes that output the output values of Cr=3) are selected as shown in Table 2. Table 2 below: A label score "Biz" is given to each of the output nodes that output the values up to the third place, and the label score values for all feature vectors are added up to obtain a cumulative label score G. As a result, the cumulative label score related to output node O2 is the maximum value "4", so the character "
The label "large" representing "large" is attached. That is, in this example, since r output nodes are selected for each presentation of m feature vectors, (*Xr) output nodes are selected as labeling candidates for one feature. be done. Then, the qth output nodes (q=l in the above example) are labeled, starting from the one that has been selected the most times. In other words, a label representing the feature is added to an output node that uniformly outputs a value within the first rank for any feature vector (regardless of the rank). (c) Example 3 ・The number of feature vectors Ij1 belonging to each feature Fj is m. ・A label score is given to the output node that outputs the first value in descending order. ・Function r(k) = A − k (However, A≧r, k=
1.2., "), - Label the output nodes that have cumulative label scores G up to the qth rank, - Consider the case where the number of output nodes is 4 (p = 4). Now, the features to be classified Let the character ``Large J'' represent the content represented by the feature vector in Mincho font 1. Mincho font 2 Godik font, how many subjects are there, and the output horn node be (0,, 0,, 03, O,). 1 character.'' 1 light belonging to 1. Mincho font 2. When the feature vectors of the Godik typeface and the subject square are presented to the trained self-organizing neural network, the output nodes that output the top three output values (r = 3) are selected as shown in Table 3. be done. Table 3 Then, a label score (A-k) is given to the output node that outputs the values up to the third place, and the label score values are accumulated for all feature vectors to obtain a cumulative label (O point G
is obtained. For example, if the output node is 8-, then the output node is 0. Cumulative label score of (4-1) + (4-2) → -(4-1) 3 + 2 + 3 = 8 Cumulative label score of output node O2 = 2 → I + 2 + 2 = 7 Cumulative label score of output node 03! +3=4 Cumulative label score of output node 04=l+3+l-5 As a result, for example, if Q=2, the cumulative label score G related to output node 0 is the maximum value "8°," and output node O
Since the cumulative label score G related to No. 1 is the second highest value "7", the label "large" is attached to the output node 01 and the output node O2. That is, in this example, among the (aXr) output nodes selected as labeling HNli for one feature Fj, the one with the highest cumulative label score G, in other words, In response to the presentation of
The output nodes with the highest scores, taking into account the high ranking of output values and the number of times they have been selected, are labeled from the ninth position (q-2 in the double example) to the output nodes. (d) Example 4 ・The number of feature vectors ji belonging to each feature Fj is m. ・A label score is assigned to the output node that outputs the values up to the rth rank in descending order. ・Function f(k)=(m+I ) A−k (However, A≧r,
k-1, 2,..., "), ・Label the output nodes whose cumulative label score is greater than (m+l)A-, ・Consider the case where the number of output nodes is 4 (p=4) Now, suppose that the feature to be classified is the character "large", and the content represented by the feature vector is the output node (0,,0,,O,,04). Mincho typeface 1, which belongs to ``Character 1 person''. Mincho font 2. Godgic typeface,
When the feature vector of the subject report is presented to the trained self-organizing neural network, the output nodes that output the top three (r=3) output values are selected as shown in Table 4. Table 4 Then, the label score (+a+l)A−k is given to the output node that outputs the values up to the third place, and the label score values are accumulated for all feature vectors to obtain the cumulative label score G. It will be done. For example, if A=4, m=4
Therefore, cumulative label score of output node O8 = (4+l)'-'+(4+1)'-'+(4+
l)' = 125 → -25 + I25 = 275 Cumulative label score of output node O2 - 25 + 5 + 25 + 25 = 80 Cumulative label score of output node 03 - 5 + 125 = 130 Cumulative label score of output node 04 5 + 125 + 5 = 135 As a result, (IIl + I)A- = l An output node with a cumulative label score G of 25 or more is output node 01
．． Since they are the output nodes 03 and 04, the labels "large" are attached to the output nodes 01, 03, and 04. That is, in the case of Examples 2 and 3 described above, the output node O1 never outputs the maximum value for the total presentation of the feature vector ■ji, and despite this, the cumulative label score G Labeling is done because the value of is high. Therefore, in this example, the cumulative sum is
is expressed as an exponential function of a number larger than the number of feature hectares m. By doing this, if there is an output node that does not output the maximum value even once for the presentation of all feature vectors IJ1 belonging to a certain feature ff1Fj, even if that output node Even if the second highest output value is output for the presentation, the cumulative label score will not exceed "125". Therefore, for the presentation of various feature vectors belonging to the character "dog", only the output node that outputs the maximum value at least once is labeled. (e) Example 5 ・The number of feature vectors lji belonging to each feature Fj is m. ・A label score is given to the output node that outputs the first value in descending order. ・Function f(k) = (m+1) A−k (However, A≧r,
k-1, 2,..., r), ・Label the output node whose cumulative label score is (m+ 1)"° (however, ko is an integer and 1≦k
Consider the case where o≦r). This case is a more generalized example of the above-mentioned example 4. That is, in this example, among the (mXr) output nodes selected as labeling candidates for one feature ff1Fj, at least one In this case, the output node that outputs a value equal to or higher than the koth rank is marked with "Labenovy large".As mentioned above, in the first embodiment, how to set the function f(k) when calculating the label score. The criteria for selecting the output nodes to be labeled depends on whether the An output node that outputs an output value within a predetermined rank a large number of times and has a high output value rank. - An output node that outputs an output value within a predetermined rank at least once for the presentation of all feature vectors. Therefore, it is only necessary to select a label (point function f(k)) that corresponds to the identification criteria when using the constructed self-organizing neural network.As mentioned above, the first In the example, Gaku'P!?fi
Features Fj in the self-organizing neural network
Various feature vectors 1j1 belonging to the output node 1 are presented, and a label score ``(k)'' is assigned to each output node 1 based on the rank k of the output value from the output node 1 at that time. A label Fj'' representing the feature Fj is added to the selected output node according to the cumulative label score G obtained by accumulating the points assigned to the label i. Therefore, according to this embodiment, since output nodes selected according to a predetermined rule using a function f(k) based on the rank k of output values are labeled, a self-organizing neural network is constructed. The way people label something varies depending on the person doing it. the result,
A self-organizing neural network with stable discrimination ability can be constructed. In the two-legged embodiment, the number m of feature vectors I'l belonging to each feature FJ does not necessarily have to be the same, and there is no problem in having various numbers. Second Example 1 In the first example described above, when selecting output nodes to be labeled, cumulative label scoring is performed for each output node in steps 85 to S7 in the flowchart of the labeling procedure as described above. , an output node to be labeled is selected according to the value of the assigned cumulative label score G. In this embodiment, output nodes to be labeled are selected without depending on the cumulative label score G as described above. (A) Example 1 Steps 66 to S7 and S10 in the flowchart of the labeling procedure of the first embodiment shown in FIG. 2 are changed as follows. That is, in step S5 of FIG. 2, the number of times an output node is selected is counted for each valley output node. If it is determined in step S8 that the node is i-1, the count value for each output node is referred to, and the ninth node is selected from the node with the highest count value (i.e., the number of times selected). Select the output node ■ and perform labeling. By doing this, exactly the same labeling result as Example 2 in the first embodiment can be obtained. (b) Example 2 Steps 85 to S7 and step SIO in the flowchart of the labeling procedure of the first embodiment shown in FIG. 2 are changed as follows. That is, the ranking from the largest output value of each output node 1 calculated in step S4 of FIG. 2 is associated with a feature vector for each output node and stored in the memory. If it is determined in step S8 that i=m, the ranking of the output value at each output node is referred to for each feature vector, and the predetermined number of times is determined at least once when all feature vectors are presented. Output nodes that output values within the ranking are selected and labeled. By doing this, it is possible to obtain labeling results exactly the same as in Example 4 or Example 5 in the first embodiment. As described above, according to this embodiment, various feature vectors Iji belonging to a feature Fj in a trained self-organizing neural network are input. Then, based on the output value from output node 1 at that time, output nodes that meet the predetermined criteria are selected without assigning a label score to each output node. Attach the label “Fj” without representing it. Third Embodiment In this embodiment, when attaching the label "Fj" representing a certain feature 1hFj to a plurality of output nodes, different feature vectors among the feature vectors 1ji belonging to "Special@F" are reflected extremely well. Labeling is performed only on such output nodes. Here, the feature F to be classified is [F +, F t, -, Fjs..., Fn), and the feature vector I is (1tl+ I tt, -, I 2i, -, I, m)
(I ni r nt, -, I ni, -, I n5i
l, the output nodes of the above self-organizing neural network are (Ol, O!, . . . OQ, . . . Op). Further, it is assumed that the self-organizing neural network described above has already completed its academic studies. FIG. 3 is a flowchart of the labeling procedure in this embodiment. The labeling procedure for the output node l will be described in detail below with reference to FIG. Here, since steps 821 to S29 are exactly the same as the processing contents of steps 81 to S9 in FIG. 2, only an outline will be described. After the initial value "bi" is set to the number j of the feature F and the number i of the feature vector I, convex output nodes 1 and l when the feature vector Iji belonging to the feature FJ in the self-organizing neural network is presented. , · are calculated.Then, label scores given by the function f(k) are assigned to the r output nodes that output output values from the largest to the first, and the cumulative label score is G is calculated. After the presentation of all feature vectors Iji belonging to a certain feature Fj is completed, the process proceeds to step S30. In step S30, the number of output nodes to which the label "Fj" representing the feature Pj is attached is calculated. () An initial value "B" is set to (.) In step S31, the output node that has the maximum value or the value of the cumulative label score C calculated in step S27 is selected. label"
In step S32, (lI of all cumulative label scores G is cleared to "0". In step S33, the initial value "" is added to number 1 of the feature vector l.
B is set. In step S34, when the feature vector ■j1 is presented, the next step is to determine whether or not there is an output node labeled in step S31 among the output nodes that output the values from the largest to the first rank. Determined by the formula. 0(i)+++ax-, #o(j)labelh, where O(Dlabel-h represents the feature [h-th output with label Fj" attached when -j is presented]. As a result, if there is no labeled output node, the process proceeds to step S35, otherwise, steps S35 and S38 are skipped.In step S35, the values up to the first rank when the feature vector Iji is presented are A label score given by the above function "(k)" is assigned to the output node to be output. In step S36, the cumulative label score G is calculated by the following formula: G (0(i)Ilax-k) = G (0(i)ma
x−k)+f(k)for? 1-r In step S37, it is determined whether i=m. As a result, if i=m, the cumulative label score G for all feature vectors Ijj belonging to the fifth feature ff1Fj
Since the calculation of has been completed, the process advances to step S39. on the other hand,
Otherwise, proceed to step 538. In step S38, the content of number i of feature vector I is incremented, and the process returns to step S34, where processing begins for the next feature vector belonging to feature Fj. In step 339, the content of the number H of output nodes attached with the label "Fj" is incremented. In step S40, it is determined whether H>q (the number of output nodes to which q is attached). As a result, I-1
If >q, the process advances to step S41; if not, the process returns to step S31 and enters the process of selecting the next output node to which the label "Fj" is attached. In step S41, it is determined whether j=n. As a result, if j=n, the presentation of all the feature vectors f belonging to all the special fiFs has been completed, so labeling ends. On the other hand, if not, the process advances to step S42. In step S42, the content of the special fiF number j is incremented, and the process returns to step S22, whereupon processing begins for the first feature vector belonging to the next feature. and,
If it is determined in step S41 that j=n, labeling ends. Next, this example will be explained in more detail. (A) Example! As Example 1, consider the same case as Example 3 in the first embodiment. Now, let the character to be classified be the character "person", and the content represented by the feature vector be the output node in Table 5 (0+, Ot, Os, 04), Seki\i, f(k
). Mincho font 1. Mincho font 2. gothic type,
When the feature vectors of the textbook are presented to a well-known self-organizing neural network, output nodes that output the top three (r=3) output values are selected as shown in Table 5. A label score (A - k) is given to the output node that outputs the top three values selected in step S25 in the flowchart of FIG. The score values are accumulated to obtain a cumulative label score G. This cumulative label score G
Let be the first debt Rahel score Gl. For example, if Δ-4, the first cumulative label score Gl, which is the same value as the cumulative label score G in Example 3 of the first embodiment, is i4 as shown in Table 5.
It will be done. Then, in step S31, the first output node O having the maximum first cumulative label score Gl is labeled "
It is given a large degree. Next, the content of the first cumulative label score G1 is cleared to "0", and in step S25, the output value from the output node 01 is not within the third place (i.e.,
An unreflected feature vector (such as one that is not reflected by the output node O2) is selected. As a result, in this example, the subject square is selected as the unreflected feature vector. Then, in step S35, a label score (A-k) is given to the output node that outputs the values from the 1st to the 3rd place when the feature vector of the old subject is presented, and furthermore, the label score (Ak) is given for all the feature vectors. The values of are accumulated to obtain a second cumulative Rahel score G2. For example, if A=4, the second cumulative label score G2 is obtained as shown in Table 5. Then, in step S31, the label "dog" is attached to the second output node 03 with the highest second cumulative Rahel score G2. In this way, labeling of two (q=2) output nodes is completed. At that time, when calculating the second cumulative label score G2, the output value from the first output score G2, which has already been labeled when the feature vector of the textbook body was presented, is It doesn't fall within that range. Therefore, the second cumulative label score G2 of the output node O1 related to the textbook body is 0',
Output node 0 is not labeled based on the feature vector of the old textbook. Furthermore, when calculating the second cumulative label score G2, the first cumulative label score G1 is cleared as described above, and the second cumulative label score is calculated only according to the output value rank when the feature vector of the subject old body is presented. A label score G2 is assigned.As a result, the second cumulative label score G2 is not affected by the identification results of the feature vectors of Mincho font I, Mincho font 2, and Gothic font.As a result, when labeling , Mincho typeface 1. Mincho typeface 2.
The output node O5 for identifying the feature [Large J] based on the feature vector of Gothic font and the output node O8 for identifying the feature ``Dog J'' based on the feature vector of the subject ancient font are labeled with their roles distinguished. 1y can be done.Also,
Output node 0. which does not best reflect a certain feature vector (to put it simply, does not exhibit the highest output value for the presentation of a certain feature vector). Even an output node such as ``Gl'' is prevented from being labeled because the value of the first cumulative label score Gl is high. On the other hand, the output node 03 has a low first cumulative Rahel score G1 because it does not frequently output values within the third place when many feature vectors I are presented.
Even output nodes like , can be labeled if they significantly reflect a certain feature vector. As described above, in the third embodiment, when labeling q output nodes for a certain feature Fj, first the method of the first embodiment is used to label the first cumulative label score G1 having the maximum value. Add a label "Fj" to the output node of No. 1. Next, if the output value from the already labeled first output node is not reflected by the already labeled first output node (in other words, the output value from the already labeled first output node does not fall within the rth order from the top), The second output node with the maximum second cumulative label score G2 re-applied upon presentation of the unreflected feature vector is labeled. Thereafter, the above process is repeated from 4 to 4 until the number of labeled output nodes reaches a predetermined number q or there are no unreflected feature vectors. Therefore, when a label is attached to a plurality of output nodes 1 to represent a certain feature Fj according to the third embodiment, a different feature vector among the plurality of feature vectors Ij1 belonging to each feature Fj is very well reflected. The label "Fj" is attached only to output nodes that are ``Fj''. That is, the output node 1 is labeled by the feature vector Ijl belonging to the feature F so that the feature Fj can be more accurately identified. East ↓ Good Ov In each of the above embodiments, when a feature vector ■jl belonging to a certain special 1hFj is presented, one output node that outputs a value within the r-th (from the largest one) is unconditionally selected. However, in that case, even if the output node does not reflect a certain feature vector I (i.e., outputs an extremely low value when that feature vector I31 is presented), As long as it is within the r-th rank, it will be selected as a labeling candidate. Therefore, in this embodiment, when the feature vector ■ji belonging to y!LFj is presented, the step in FIG. S
5 or in step S25 in FIG. 3, the output node to be selected as a labeling candidate is selected as an output node that outputs a value exceeding a predetermined threshold and within the top r rank. That's what I do. That is, in this embodiment, an output node that does not reflect the presented feature vector very much is not labeled from the beginning. Next, this example will be explained in more detail. (1) Example 1 As Example 1, consider the same case as Example 3 in the first embodiment. Now, the feature to be classified is 1 large letter, the output node is (0+, 02.Os, 04), the content represented by the feature vector is r, k=1.2.-, r). Mincho font belonging to the character “dai” 1. Mincho font 2. Godgic typeface,
When the feature vector of the textbook body is presented to the trained self-organizing neural network, as shown in Table 6, the output nodes that output the output value of the third place (“-3”) that is equal to or higher than the threshold value are In Table 6 of the Kinpaku Table 6 below, the second horn output from the output node when presenting the feature vectors of Mincho font l and Gothic font is shown.
Since the values of the first and third places are lower than the preset threshold, the output node is not selected. As a result, Δ−
4, the cumulative label score G at each output node 1 will be as shown in Table 6. Therefore, for example, if Q=2, the output node 0. The cumulative label score G related to the output node 04 is the maximum value "8", and the cumulative label score C related to the output node 04 is the second highest value "4". That is, the value "3" of the cumulative label score G related to the output node O2, which does not reflect the feature vectors of the Mincho font 1 and the Gothic font well, is the first
It is lower than in Example 3 of the embodiment, and the output is 1" O
No labeling is performed for t. - As mentioned above, in the fourth embodiment, in each of the embodiments -1-, the feature vector I belonging to a certain feature F j
When selecting a feature vector to serve as a label complement when Jl is presented, select an output node that outputs a value that exceeds a predetermined threshold and is within the third or rth rank. That's what I do. Therefore, labeling is not performed on output nodes that do not contribute to classification based on the feature vector Iji belonging to the feature Fj, and the output nodes that do not contribute to classification based on the feature vector Iji belonging to the feature Fj
Labeling is performed only on output nodes that output output values that are valid for classification.

【発明の効果】【Effect of the invention】

以上より明らかなように、第１の発明の自己組織化ニュ
ーラルネットワークにおける出カッ−［・のラベル付け
方法は、学習済みの自己組織化ニューラルネットワーク
にある特徴に属する特徴ベクトルを入力した際に、大き
いほうから所定順位以内の値を出力している出力ノード
に順位付けを行い、この順位付けされた出力ノードの中
から上記特徴ベクトルをよく反映している出力ノードを
上記順位に基づく所定のルールに従って選出する。 そして、この選出された出力ノードに上記特徴を表すラ
ベルを付けるようにしているので、上記順位に基づく所
定のルールに従ってラベル付けが行われる。 したがって、自己組織化ニューラルネットワークを構築
する人によってラベル付けがまちまちになることがなく
、安定した分類能力を有する自己組織化ニューラルネッ
トワークを構築できる。 また、第２の発明の自己組織化ニューラルネットワーク
における出力ノードのラベル付け方法は、上記第１の発
明において上記特徴ベクトルをよく反映している出力ノ
ードを選出する際に、各出力ノードに付けられた上記順
位の関数による得点を夫々の出力ノードに付与し、この
得点の順位に従って上記出力ノードを選出するようにし
ているので、上記関数を種々設定することによって上記
出力ノードの選出基準を変更でき、構築する自己組織化
ニューラルネットワークの分類基準を変更できる。 また、第３の発明の自己組織化ニューラルネットワーク
における出力ノードのラベル付け方法は、上記第１の発
明あるいは第２の発明において、所定数の出力ノードに
同一のラベルを付ける際に、まず上記特徴ベクトルを最
らよく反映している第１の出力ノードにラベルを付け、
次に既にラベル付けされた出力ノードによって反映され
ない未反映特徴ベクトルを最もよく反映している第２の
出力ノードに上記ラベルを付けるようにしているので、
夫々が、ある特徴に属する特徴ベクトルのうち異なる特
徴ベクトルを適確に反映するような出力ノードに対して
のみラベル付けを行なうことができる。 したがって、安定性および精度の高い分類能力を有する
自己組織化ニューラルネットワークを構築できる。 また、第４の発明の自己組織化ニューラルネットワーク
にお１する出力ノードのラベル付け方法は、上記第１の
発明乃至第３の発明のいずれかにおいて、」二足出力ノ
ードに対する順位付けを実施する際に、予め設定された
閾値以上であってかつ大きいほうから上記所定順位以内
の値を出力している出力ノードに順位付けを行なうよう
にしているので、特徴へりトルの分類に有効な出力ノー
ドに対してのみラベル付けを行なうことができる。 したがって、安定性および有用性の高い分類能力を有す
る自己組織化ニューラルネットワークを構築できる。As is clear from the above, the method for labeling the output in the self-organizing neural network of the first invention, when a feature vector belonging to a certain feature is input to the trained self-organizing neural network, Output nodes that output values within a predetermined rank are ranked starting from the largest one, and from among the output nodes that have been ranked, output nodes that reflect the feature vector well are selected according to a predetermined rule based on the rank. Select according to the following. Then, since a label representing the above-mentioned characteristics is attached to the selected output node, labeling is performed according to a predetermined rule based on the above-mentioned ranking. Therefore, the labeling does not vary depending on the person constructing the self-organizing neural network, and a self-organizing neural network having stable classification ability can be constructed. Furthermore, the method for labeling output nodes in the self-organizing neural network of the second invention is such that when selecting an output node that well reflects the feature vector in the first invention, A score based on the above ranking function is given to each output node, and the output node is selected according to the ranking of this score, so the selection criteria for the output node can be changed by setting various functions. , the classification criteria of the self-organizing neural network to be constructed can be changed. Further, in the method for labeling output nodes in a self-organizing neural network according to the third invention, in the first invention or the second invention, when labeling a predetermined number of output nodes with the same label, first the above-mentioned characteristics are applied. Label the first output node that best reflects the vector,
Next, since the above label is attached to the second output node that best reflects the unreflected feature vector that is not reflected by the already labeled output nodes,
It is possible to label only those output nodes, each of which accurately reflects a different feature vector among the feature vectors belonging to a certain feature. Therefore, a self-organizing neural network with high stability and highly accurate classification ability can be constructed. Further, the method for labeling output nodes to be outputted to a self-organizing neural network according to the fourth invention is the method according to any one of the first to third inventions described above, in which "ranking of bipedal output nodes is carried out. In this case, output nodes that are outputting values that are greater than a preset threshold and within the above-mentioned predetermined ranking are ranked from the highest to the highest, so output nodes that are effective for classifying feature Labels can only be applied to. Therefore, a self-organizing neural network with highly stable and useful classification ability can be constructed.

【図面の簡単な説明】[Brief explanation of drawings]

第１図はこの発明に係る自己組織化ニコーラルネソトワ
ークの一実施例の横進概念図、第２図は」４記自己組織
化ニューラルネットワークに対するラベル付け手順のフ
ローチャート、第３図は第２図とは異なるラベル付け手
順のフローチャートである。 ｌ・・出力ノード、　　　　　　２・　入力ノード。 第　３Fig. 1 is a conceptual diagram of the lateral progression of one embodiment of the self-organizing neural network according to the present invention, Fig. 2 is a flowchart of the labeling procedure for the self-organizing neural network described in 4. 2 is a flowchart of a labeling procedure different from that shown in the figure. 1. Output node, 2. Input node. Third

Claims (4)

【特許請求の範囲】[Claims] （１）教師無し学習によって学習された自己組織化ニュ
ーラルネットワークの出力ノードに、分類されるべき特
徴が割付られたことを表すためのラベルを付ける自己組
織化ニューラルネットワークにおける出力ノードのラベ
ル付け方法において、ある特徴に属する特徴ベクトルを
上記自己組織化ニューラルネットワークの入力ノードに
順次入力した際における出力ノードからの出力値に基づ
いて、大きいほうから所定順位以内の値を出力している
出力ノードに順位付けを行い、 上記順位付けされた出力ノードの中から上記特徴ベクト
ルをよく反映している所定数の出力ノードを上記順位に
基づく所定のルールに従って選出し、 この選出された出力ノードに上記特徴を表すラベルを付
けることを特徴とする自己組織化ニューラルネットワー
クにおける出力ノードのラベル付け方法。(1) In a method for labeling output nodes in a self-organizing neural network, in which a label is attached to the output node of a self-organizing neural network learned by unsupervised learning to indicate that a feature to be classified has been assigned. , based on the output values from the output nodes when the feature vectors belonging to a certain feature are sequentially input to the input nodes of the above self-organizing neural network, the output nodes that output values within a predetermined ranking are ranked in descending order of magnitude. Then, from among the ranked output nodes, a predetermined number of output nodes that well reflect the feature vector are selected according to a predetermined rule based on the ranking, and the features are assigned to the selected output nodes. A method for labeling output nodes in a self-organizing neural network, which is characterized by attaching labels that represent output nodes. （２）請求項１に記載の自己組織化ニューラルネットワ
ークにおける出力ノードのラベル付け方法において、 上記特徴ベクトルをよく反映している出力ノードを選出
する際に、各出力ノードに付けられた上記順位の関数を
用いて特徴ベクトルを反映している度合いを表す得点を
夫々の出力ノードに付与し、この付与された得点の順位
に従って上記所定数の出力ノードを選出することを特徴
とする自己組織化ニューラルネットワークにおける出力
ノードのラベル付け方法。(2) In the method for labeling output nodes in a self-organizing neural network according to claim 1, when selecting an output node that well reflects the feature vector, the rank assigned to each output node is A self-organizing neural system characterized by assigning a score representing the degree to which a feature vector is reflected to each output node using a function, and selecting the predetermined number of output nodes according to the ranking of the assigned score. How to label output nodes in a network. （３）請求項１あるいは請求項２に記載の自己組織化ニ
ューラルネットワークにおける出力ノードのラベル付け
方法において、所定数の出力ノードに同一のラベルを付
ける際に、 まず、上記特徴ベクトルをよく反映している出力ノード
のうち上記特徴ベクトルを最もよく反映している出力ノ
ードにラベル付けを行い、 次に、既にラベル付けされた出力ノードからの出力値の
順位が大きいほうから上記所定順位以内の値となるよう
な特徴ベクトル以外の未反映特徴ベクトルを選出し、 上記未反映特徴ベクトルを最もよく反映している出力ノ
ードを各出力ノードに付けられた上記順位に基づいて選
出して上記ラベルを付ける処理を、ラベル付けされた出
力ノード数が上記所定数になるまで又は上記未反映特徴
ベクトルが無くなるまで繰り変えして実施することを特
徴とする自己組織化ニューラルネットワークにおける出
力ノードのラベル付け方法。(3) In the method for labeling output nodes in a self-organizing neural network according to claim 1 or claim 2, when attaching the same label to a predetermined number of output nodes, first, the feature vector is well reflected. Output nodes that best reflect the above feature vector are labeled among the output nodes that are already labeled, and then the output values from the output nodes that have already been labeled are assigned a value within the above predetermined order starting from the one with the highest rank. Select unreflected feature vectors other than the feature vectors such that A method for labeling output nodes in a self-organizing neural network, characterized in that the process is repeated until the number of labeled output nodes reaches the predetermined number or until there are no unreflected feature vectors. （４）請求項１乃至請求項３のいずれかに記載の自己組
織化ニューラルネットワークにおける出力ノードのラベ
ル付け方法において、 上記出力ノードに対する順位付けを実施するに際して、
上記特徴ベクトルを上記自己組織化ニューラルネットワ
ークに入力した際に、予め設定された閾値以上であって
かつ大きいほうから上記所定順位以内の値を出力してい
る出力ノードに順位付けを行なうことを特徴とする自己
組織化ニューラルネットワークにおける出力ノードのラ
ベル付け方法。(4) In the method for labeling output nodes in a self-organizing neural network according to any one of claims 1 to 3, when ranking the output nodes,
When the feature vector is input to the self-organizing neural network, the output nodes outputting a value that is greater than or equal to a preset threshold and within the predetermined ranking from the larger value are ranked. A method for labeling output nodes in a self-organizing neural network.