JP2000122991A5

JP2000122991A5 -

Info

Publication number: JP2000122991A5
Application number: JP1998293690A
Authority: JP
Filing date: 1998-10-15
Publication date: 2005-12-08
Anticipated expiration: 2018-10-15

Description

この態様では動作信号の入力に対する前記第２層ニューロンモデル群の各部分反応度が、まず算出される。そして、その部分反応度と、前記制御用ニューロンモデルと第２層ニューロンモデル群との間の結合荷重と、に基づいて、動作信号に対応する操作量を算出する。例えば前記制御用ニューロンモデルと第２層ニューロンモデル群との間の結合荷重を、前記部分反応度により重み付け加算して、操作量を算出すればよい。こうすれば、ニューラルネットワークの学習内容に基づき、動作信号に対応する操作量を算出することができる。 In this aspect, each partial reactivity of the second layer neuron model group with respect to the input of the motion signal is first calculated. Then, the operation amount corresponding to the operation signal is calculated based on the partial reactivity and the connection load between the control neuron model and the second layer neuron model group. For example, the operation amount may be calculated by weighting and adding the connection load between the control neuron model and the second layer neuron model group according to the partial reactivity. In this way, the amount of operation corresponding to the operation signal can be calculated based on the learning content of the neural network.

入力層１０に学習ベクトルＩ_１が与えられると、勝者ユニット（勝ちニューロン）、即ち学習ベクトルＩ_１に対して最も反応する競合層１２のニューロンモデルが決定される（Ｓ１０５）。具体的には、次式（３）により、競合層１２のｉ番目のニューロンモデルと入力層１０のニューロンモデルとの間のユークリッド距離Ｄ _ｉを求め、それが最も短いものを勝者ユニットとする。 When the learning vector I ₁ is given to the input layer 10, the winning unit (winning neuron), that is, the neuron model of the competing layer 12 that responds most to the _{learning vector I 1 is determined (S105).} Specifically, the following equation (3), determine the Euclidean distance D _i between the i-th neuron model and neuron model in the input layer 10 of the competitive layer 12, it is the winner units shortest.

図３には、上から学習ベクトル空間（平面）、重みベクトル空間（平面）、競合層１２が順に描かれている。学習ベクトル空間は第１ベクトルＸ及び第２ベクトルＹに対応する座標軸を有しており、学習ベクトルＩが与えられると、それを平面上の一点に対応づけることができるようになっている。一方、重みベクトル空間は重みベクトルＷの２成分に対応する軸を有しており、重みベクトルＷ_ｉの終点が平面上の一点にそれぞれ描かれるようになっている。 In FIG. 3, the learning vector space (plane), the weight vector space (plane), and the competition layer 12 are drawn in this order from the top. The learning vector space has coordinate axes corresponding to the first vector X and the second vector Y, and when the learning vector I is given, it can be associated with a point on the plane. On the other hand, the weight vector space has an axis corresponding to the two components of the weight vector W, the end point of the weight vector W _i is adapted to be drawn respectively to a point on the plane.

同図に示すように、ある学習ベクトルＩが与えられると、競合層１２に配置されるニューロンモデルから勝者ユニットが決定される。この勝者ユニットは、学習ベクトルＩを重みベクトル空間上の一点に表した場合に、その点に最も近い点に終点を有する重みベクトルＷ_ｉである。続いて、その勝者ユニットに対する近傍ユニットも選ばれる。同図では競合層１２にニューロンモデルを平面的に配置しているため、勝者ユニットの周囲を取り巻くユニットが近傍ユニットに選ばれる。 As shown in the figure, given a certain learning vector I, the winning unit is determined from the neuron model arranged in the competing layer 12. The winner unit, when representing the learning vector I at one point on the weight vector space, a weight vector W _i having an end point at a point closest to the point. Subsequently, a nearby unit with respect to the winning unit is also selected. In the figure, since the neuron model is arranged in a plane on the competing layer 12, the unit surrounding the winning unit is selected as the neighboring unit.