JPH0652140A - ニューラルネットワークのデータ構造 - Google Patents
ニューラルネットワークのデータ構造Info
- Publication number
- JPH0652140A JPH0652140A JP22504692A JP22504692A JPH0652140A JP H0652140 A JPH0652140 A JP H0652140A JP 22504692 A JP22504692 A JP 22504692A JP 22504692 A JP22504692 A JP 22504692A JP H0652140 A JPH0652140 A JP H0652140A
- Authority
- JP
- Japan
- Prior art keywords
- cell
- input
- function
- cells
- information
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 コンピュータ上でニューラルネットワークを
扱うに際し、これらの記憶形式を考慮したＮＮのデータ
構造を得ること。 【構成】 ニューラルネットワークを構成するセル毎
に、これら各セルに接続するセル番号と結合係数からな
るシナプス情報と入出力関数情報を用いてＮＮを記述す
るようにした。
扱うに際し、これらの記憶形式を考慮したＮＮのデータ
構造を得ること。 【構成】 ニューラルネットワークを構成するセル毎
に、これら各セルに接続するセル番号と結合係数からな
るシナプス情報と入出力関数情報を用いてＮＮを記述す
るようにした。
Description
【０００１】
【産業上の利用分野】本発明は、コンピュータ上でニュ
ーラルネットワークを扱うに際してのＮＮのデータ構造
に関する。
ーラルネットワークを扱うに際してのＮＮのデータ構造
に関する。
【０００２】
【従来の技術】近年、ニューロコンピュータが開発さ
れ、各種の研究成果が発表されている。ニューロコンピ
ュータとは、脳の基本素子であるニューロン（神経細
胞）に着目したものであり、これらが結合した結果でき
るニューラルネットワークをヒントにすることにより、
脳と同じような機能を達成しようとするものである。そ
して、従来のコンピュータがアルゴリズムに基づいた直
列情報処理であるのに対して、ニューロコンピュータは
各ニューロン間の並列情報処理である点を特徴としてい
る。しかも実際のネットワークモデルとしては、各ニュ
ーロンに対応したセルを備えた入力層，中間層及び出力
層からなり、各層にあるセルは、その前後の層にある全
てのセルと結合する構成を有している。又、各セル同士
の結合には荷重と称する結合係数を導入し、かつ、これ
らの係数は学習により修正（補正）するようにしてい
る。
れ、各種の研究成果が発表されている。ニューロコンピ
ュータとは、脳の基本素子であるニューロン（神経細
胞）に着目したものであり、これらが結合した結果でき
るニューラルネットワークをヒントにすることにより、
脳と同じような機能を達成しようとするものである。そ
して、従来のコンピュータがアルゴリズムに基づいた直
列情報処理であるのに対して、ニューロコンピュータは
各ニューロン間の並列情報処理である点を特徴としてい
る。しかも実際のネットワークモデルとしては、各ニュ
ーロンに対応したセルを備えた入力層，中間層及び出力
層からなり、各層にあるセルは、その前後の層にある全
てのセルと結合する構成を有している。又、各セル同士
の結合には荷重と称する結合係数を導入し、かつ、これ
らの係数は学習により修正（補正）するようにしてい
る。
【０００３】
【発明が解決しようとする課題】上記した従来技術から
明らかなように、各階層に属するセルは、前後の層の全
てのセルと結合しているため、これをコンピュータ上の
ソフトウェアにて処理しようとすると、ＮＮに関する全
てのデータを一旦メモリ上に記憶し、逐次プログラムが
そのデータを読み込んで演算しなければならず、メモリ
も膨大になるばかりか、ＮＮの形にも柔軟性がないと言
う欠点を有する。本発明は上記欠点を解決するためにな
されたものであり、コンピュータ上でＮＮを扱うに際
し、これらのデータの記憶形式を考慮したＮＮのデータ
構造を提供することを目的としている。
明らかなように、各階層に属するセルは、前後の層の全
てのセルと結合しているため、これをコンピュータ上の
ソフトウェアにて処理しようとすると、ＮＮに関する全
てのデータを一旦メモリ上に記憶し、逐次プログラムが
そのデータを読み込んで演算しなければならず、メモリ
も膨大になるばかりか、ＮＮの形にも柔軟性がないと言
う欠点を有する。本発明は上記欠点を解決するためにな
されたものであり、コンピュータ上でＮＮを扱うに際
し、これらのデータの記憶形式を考慮したＮＮのデータ
構造を提供することを目的としている。
【０００４】
【課題を解決するための手段】上記目的を達成するた
め、本発明はＮＮを構成する各セル毎に、これらの各セ
ルに接続するセル番号と結合係数からなるシナプス情報
と入出力関数情報を用いてＮＮを記述するように構成し
た。
め、本発明はＮＮを構成する各セル毎に、これらの各セ
ルに接続するセル番号と結合係数からなるシナプス情報
と入出力関数情報を用いてＮＮを記述するように構成し
た。
【０００５】
【実施例】以下図面を参照して実施例を説明する。図１
は一つのセル（セル番号ｉ）とそのセルの入力端に結合
するセルとの関係を示す図である。図において、Ｎ1 ，
Ｎ2 ，…，Ｎj ，…，Ｎjmx は各入力セルに付けられた
番号であり、Ｗ1 ，Ｗ2 ，…，Ｗj ，…Ｗjmx は結合係
数、Ｇ1 ，…，Ｇjmx は学習ゲインである。図２はセル
ｉのシナプス情報を示すメモリ構造であり、最初のｆnc
はそのセルの入力関数で、Ｎ1 はセル番号、Ｗ1 は結合
係数、Ｇ1 は学習ゲインで、これらが各セル番号毎に記
述され、最後の０はセルｉの情報の終りを示す。なお、
ｆncはセルｉの入力関数を表わす数値で、例えば「０」
は図５(a) に示されるシグモイド関数を示し、「１」は
同じく恒等関数を示す。
は一つのセル（セル番号ｉ）とそのセルの入力端に結合
するセルとの関係を示す図である。図において、Ｎ1 ，
Ｎ2 ，…，Ｎj ，…，Ｎjmx は各入力セルに付けられた
番号であり、Ｗ1 ，Ｗ2 ，…，Ｗj ，…Ｗjmx は結合係
数、Ｇ1 ，…，Ｇjmx は学習ゲインである。図２はセル
ｉのシナプス情報を示すメモリ構造であり、最初のｆnc
はそのセルの入力関数で、Ｎ1 はセル番号、Ｗ1 は結合
係数、Ｇ1 は学習ゲインで、これらが各セル番号毎に記
述され、最後の０はセルｉの情報の終りを示す。なお、
ｆncはセルｉの入力関数を表わす数値で、例えば「０」
は図５(a) に示されるシグモイド関数を示し、「１」は
同じく恒等関数を示す。
【０００６】図３は他の実施例を説明するためのであ
る。本実施例は入力端（あるいは出力端）に結合がある
セルの入出力関数とシナプス情報とを表わしたものであ
る。この場合、図１に示したセルの集りとして表現でき
る。図において、１〜７はセル番号、ａ〜ｊは結合係
数、セル１，２は入力セル、セル３，４，５は中間セ
ル、セル６，７は出力セルであり、Ｆ3 〜Ｆ7 は入力関
数を表わす数値である。図３のＮＮを表わすメモリ構造
を図４に示す。図４では各セル毎に一連の情報が順次、
列として示される。即ち、セル３については最初に入力
関数を表わす数値Ｆ3 、セル番号１、結合係数ａ、学習
ゲインＧaが列として示される。その他のセルについて
も同様であるため、説明を省略する。図４に示したメモ
リ情報の他に入力セルと中間セルと出力セルの数がわか
ればＮＮの計算が行なえる。又、本実施例の特徴は、セ
ル毎に入出力関数を指定できる点にある。
る。本実施例は入力端（あるいは出力端）に結合がある
セルの入出力関数とシナプス情報とを表わしたものであ
る。この場合、図１に示したセルの集りとして表現でき
る。図において、１〜７はセル番号、ａ〜ｊは結合係
数、セル１，２は入力セル、セル３，４，５は中間セ
ル、セル６，７は出力セルであり、Ｆ3 〜Ｆ7 は入力関
数を表わす数値である。図３のＮＮを表わすメモリ構造
を図４に示す。図４では各セル毎に一連の情報が順次、
列として示される。即ち、セル３については最初に入力
関数を表わす数値Ｆ3 、セル番号１、結合係数ａ、学習
ゲインＧaが列として示される。その他のセルについて
も同様であるため、説明を省略する。図４に示したメモ
リ情報の他に入力セルと中間セルと出力セルの数がわか
ればＮＮの計算が行なえる。又、本実施例の特徴は、セ
ル毎に入出力関数を指定できる点にある。
【０００７】
【発明の効果】以上説明したように、本発明によればＮ
Ｎを構成する各セル毎に、これら各セルに接続するセル
番号と結合係数からなるシナプス情報と入出力関数情報
を用いてＮＮを記述する構成としたので、各セルにて任
意の入出力関数が設定できるばかりか、セルの結合に関
する規制がなくなり、ＮＮの設計に柔軟性がでるデータ
構造を提供できる。
Ｎを構成する各セル毎に、これら各セルに接続するセル
番号と結合係数からなるシナプス情報と入出力関数情報
を用いてＮＮを記述する構成としたので、各セルにて任
意の入出力関数が設定できるばかりか、セルの結合に関
する規制がなくなり、ＮＮの設計に柔軟性がでるデータ
構造を提供できる。
【図１】一つのセルと、そのセルの入力端に結合するセ
ルとの関係を示す図。
ルとの関係を示す図。
【図２】図１のセルｉのシナプス情報を示すメモリ構造
図。
図。
【図３】他の実施例を説明する図。
【図４】図３のメモリ構造図。
【図５】入出力関数を示す図。
Ｎ1 〜Ｎjmx 入力セルの番号 Ｗ1 〜Ｗjmx ，ａ〜ｊ 結合係数 Ｇa 〜Ｇj 学習ゲイン ｆnc 入出力関数
Claims (1)
- 【請求項１】 ニューラルネットワーク（以下ＮＮと称
す）を構成する各セル毎に、これら各セルに接続するセ
ル番号と結合係数からなるシナプス情報と入出力関数情
報を用いてＮＮを記述することを特徴とするＮＮのデー
タ構造。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22504692A JPH0652140A (ja) | 1992-07-31 | 1992-07-31 | ニューラルネットワークのデータ構造 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22504692A JPH0652140A (ja) | 1992-07-31 | 1992-07-31 | ニューラルネットワークのデータ構造 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0652140A true JPH0652140A (ja) | 1994-02-25 |
Family
ID=16823196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22504692A Pending JPH0652140A (ja) | 1992-07-31 | 1992-07-31 | ニューラルネットワークのデータ構造 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0652140A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0652139A (ja) * | 1992-07-31 | 1994-02-25 | Mikuni Corp | ニューラルネットワークのデータ構造 |
| WO2016166881A1 (ja) * | 2015-04-17 | 2016-10-20 | Ｃｏｃｏｒｏ Ｓｂ株式会社 | 処理システム及びプログラム |
-
1992
- 1992-07-31 JP JP22504692A patent/JPH0652140A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0652139A (ja) * | 1992-07-31 | 1994-02-25 | Mikuni Corp | ニューラルネットワークのデータ構造 |
| WO2016166881A1 (ja) * | 2015-04-17 | 2016-10-20 | Ｃｏｃｏｒｏ Ｓｂ株式会社 | 処理システム及びプログラム |
| JPWO2016166881A1 (ja) * | 2015-04-17 | 2018-02-22 | Ｃｏｃｏｒｏ Ｓｂ株式会社 | 処理システム及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH08297716A (ja) | ニューラル・ネットワーク用の適応型重み調整回路 | |
| US5317675A (en) | Neural network pattern recognition learning method | |
| JPH0652140A (ja) | ニューラルネットワークのデータ構造 | |
| Yang et al. | A general mean-based iterative winner-take-all neural network | |
| JPH0652139A (ja) | ニューラルネットワークのデータ構造 | |
| JPH04237388A (ja) | ニューロプロセッサ | |
| JPS6219940A (ja) | 高速推論処理方式 | |
| JPH05159087A (ja) | ニューロプロセッサ | |
| JPH02189635A (ja) | ファジィ推論装置 | |
| JPH0652141A (ja) | ニューラルネットワークのデータ構造 | |
| CN118014054B (zh) | 一种基于平行重组网络的机械臂多任务强化学习方法 | |
| JPH0883261A (ja) | ニューロ演算装置 | |
| JP3343626B2 (ja) | ファジィ推論のためのニューラルネットワーク | |
| CN108446890A (zh) | 一种审批模型训练方法、计算机可读存储介质及终端设备 | |
| JP3296609B2 (ja) | メンバーシップ関数を出力するニューラルネットワーク | |
| JP2654686B2 (ja) | ニューラルネットワーク | |
| JP3389684B2 (ja) | ニューラルネットワークの学習方法 | |
| JPH0752439B2 (ja) | ダイナミックプログラミング機能を有するニューラルネットワーク | |
| JP3618007B2 (ja) | ニューラルネットワークの学習装置及び学習方法 | |
| JP3491317B2 (ja) | フィードフォワード型ニューラルネットワークの構築方法 | |
| JPH06301663A (ja) | 直列結合型リカレントニューラルネットワークの学習方式 | |
| Kufudaki et al. | 43. ASSOCIATIVE NEURAL NETWORKS WITH THRESHOLD-CONTROLLED ATTENTION | |
| JP3393511B2 (ja) | 文字認識装置及び方法 | |
| Touzet et al. | Application of connectionist models to fuzzy inference systems | |
| JPH0744513A (ja) | 直列結合型リカレントニューラルネットワークの学習方式 |