JP2003016422A - ニューラルネットワークを構築したデータベースシステム - Google Patents
ニューラルネットワークを構築したデータベースシステムInfo
- Publication number
- JP2003016422A JP2003016422A JP2002100610A JP2002100610A JP2003016422A JP 2003016422 A JP2003016422 A JP 2003016422A JP 2002100610 A JP2002100610 A JP 2002100610A JP 2002100610 A JP2002100610 A JP 2002100610A JP 2003016422 A JP2003016422 A JP 2003016422A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- database system
- data
- representation
- processor
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
- G06N3/105—Shells for specifying net layout
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】 （修正有）
【課題】ニューラルネットワークを構築したデータベー
スシステムを提供する。 【解決手段】予め定義されたデータ型にしたがうニュー
ラルネットワーク探索オブジエクトは、データベース１
０におけるニューラルネットワークを構築するため、各
記憶モジュール２８に格納される。ニューラルネットワ
ークモデルはニューラルネットワーク探索オブジエクト
内に格納され、これらのオブジエクトは記憶モジュール
２８Ａ，２８Ｂ内に格納されたＮＮＳＯテーブル３４内
に格納される。
スシステムを提供する。 【解決手段】予め定義されたデータ型にしたがうニュー
ラルネットワーク探索オブジエクトは、データベース１
０におけるニューラルネットワークを構築するため、各
記憶モジュール２８に格納される。ニューラルネットワ
ークモデルはニューラルネットワーク探索オブジエクト
内に格納され、これらのオブジエクトは記憶モジュール
２８Ａ，２８Ｂ内に格納されたＮＮＳＯテーブル３４内
に格納される。
Description
【０００１】
【発明の属する技術分野】本発明は、ニューラルネット
ワークを構築したデータベースシステムに関する。
ワークを構築したデータベースシステムに関する。
【０００２】
【従来の技術】従来からニューラルネットワーク（人工
ニューラルネットワークとも呼ばれる）は、重み付けさ
れた接続部（シナプスに類似している）に結合された比
較的多数の相互接続された処理要素（ニューロンに類似
の）を含んでいる。用語「ニューロン」は、人間の脳細
胞を指しており、また「シナプス」は二つのニューロン
間のギャップまたは接続を表す。人工ニューラルネット
ワークは、ニューロンとシナプスとから構成された生物
学的ニューラルネットワークを模倣するように設計され
る。人工ニューラルネットワークを使って、パターン認
識（例えば画像認識、文字認識、信号認識）その他のタ
スクといった多数の異なるタスクを実行することが出来
る。人工ニューラルネットワークの利点には、これらの
学習能力と、入力データの歪みにもかかわらず比較的よ
り正確な結果（標準的コンピュータシステムによって生
成される結果よりも）を生成する能力とがある。
ニューラルネットワークとも呼ばれる）は、重み付けさ
れた接続部（シナプスに類似している）に結合された比
較的多数の相互接続された処理要素（ニューロンに類似
の）を含んでいる。用語「ニューロン」は、人間の脳細
胞を指しており、また「シナプス」は二つのニューロン
間のギャップまたは接続を表す。人工ニューラルネット
ワークは、ニューロンとシナプスとから構成された生物
学的ニューラルネットワークを模倣するように設計され
る。人工ニューラルネットワークを使って、パターン認
識（例えば画像認識、文字認識、信号認識）その他のタ
スクといった多数の異なるタスクを実行することが出来
る。人工ニューラルネットワークの利点には、これらの
学習能力と、入力データの歪みにもかかわらず比較的よ
り正確な結果（標準的コンピュータシステムによって生
成される結果よりも）を生成する能力とがある。
【０００３】
【発明が解決しようとする課題】典型的な人工ニューラ
ルネットワークは、入力層と隠れ層と出力層という三つ
の層を持っている。入力層は、ニューラルネットワーク
の外部から信号を受取り、これらの信号をパターン認識
・解釈のための相互接続されたニューロンを含む隠れ層
に渡す。それからこれらの信号は出力層に向けられる。
隠れ層では、ニューロンは各々重みを割り当てられる
が、この重みは訓練手順を実行することによって変更で
きる。
ルネットワークは、入力層と隠れ層と出力層という三つ
の層を持っている。入力層は、ニューラルネットワーク
の外部から信号を受取り、これらの信号をパターン認識
・解釈のための相互接続されたニューロンを含む隠れ層
に渡す。それからこれらの信号は出力層に向けられる。
隠れ層では、ニューロンは各々重みを割り当てられる
が、この重みは訓練手順を実行することによって変更で
きる。
【０００４】ニューラルネットワークを訓練するため
に、訓練用データセットが使われる。一旦ニューラルネ
ットワークが訓練されると、このニューラルネットワー
クを使って、ニューラルネットワークによって処理すべ
き目標パターンまたはオブジェクトを含む目標データセ
ットに対してパターン認識その他のタスクを実行するこ
とが出来る。
に、訓練用データセットが使われる。一旦ニューラルネ
ットワークが訓練されると、このニューラルネットワー
クを使って、ニューラルネットワークによって処理すべ
き目標パターンまたはオブジェクトを含む目標データセ
ットに対してパターン認識その他のタスクを実行するこ
とが出来る。
【０００５】
【課題を解決するための手段】本発明は、その第１の実
施の形態として、一つ以上の記憶モジュールと、ニュー
ラルネットワークを表す少なくとも一つのオブジェクト
を含み、前記一つ以上の記憶モジュールに記憶された少
なくとも一つの関係テーブルと、前記ニューラルネット
ワーク表現を使って演算を実行することに適応した少な
くとも一つのプロセッサとからなることを特徴とするデ
ータベースシステムにある。
施の形態として、一つ以上の記憶モジュールと、ニュー
ラルネットワークを表す少なくとも一つのオブジェクト
を含み、前記一つ以上の記憶モジュールに記憶された少
なくとも一つの関係テーブルと、前記ニューラルネット
ワーク表現を使って演算を実行することに適応した少な
くとも一つのプロセッサとからなることを特徴とするデ
ータベースシステムにある。
【０００６】このプロセッサは、前記ニューラルネット
ワーク表現を使って、特に入力パターンを受け取ってそ
の入力パターンの一部分を前記ニューラルネットワーク
表現と結合することによって、パターン認識演算を実行
することに適応している。
ワーク表現を使って、特に入力パターンを受け取ってそ
の入力パターンの一部分を前記ニューラルネットワーク
表現と結合することによって、パターン認識演算を実行
することに適応している。
【０００７】このデータベースシステムは好適にも、こ
のニューラルネットワークがそこにオブジェクトとして
記憶されるオブジェクト関係データベース管理システム
を含んでいる。
のニューラルネットワークがそこにオブジェクトとして
記憶されるオブジェクト関係データベース管理システム
を含んでいる。
【０００８】記憶モジュールは好適にも、訓練データを
記憶しており、前記プロセッサは、訓練データを使って
ニューラルネットワーク表現を修正することによってこ
のニューラルネットワークを訓練することに適応してい
る。特に、訓練は、ニューラルネットワーク表現の隠れ
層を表すブラブ内に含まれる、ニューラルネットワーク
表現の重みを調整することによって達成される。前記記
憶モジュールは解答データを更に含んでおり、前記プロ
セッサは前記訓練データと前記解答データとを使って前
記ニューラルネットワーク表現を訓練することに適応し
ており、前記解答データは前記訓練データが入力として
前記ニューラルネットワーク表現に与えられるときに期
待される解答を含んでいる。
記憶しており、前記プロセッサは、訓練データを使って
ニューラルネットワーク表現を修正することによってこ
のニューラルネットワークを訓練することに適応してい
る。特に、訓練は、ニューラルネットワーク表現の隠れ
層を表すブラブ内に含まれる、ニューラルネットワーク
表現の重みを調整することによって達成される。前記記
憶モジュールは解答データを更に含んでおり、前記プロ
セッサは前記訓練データと前記解答データとを使って前
記ニューラルネットワーク表現を訓練することに適応し
ており、前記解答データは前記訓練データが入力として
前記ニューラルネットワーク表現に与えられるときに期
待される解答を含んでいる。
【０００９】関係テーブルは、予め定義されたデータ型
にしたがってデータを記憶することができ、前記ニュー
ラルネットワーク表現は前記予め定義されたデータ型の
一つである。
にしたがってデータを記憶することができ、前記ニュー
ラルネットワーク表現は前記予め定義されたデータ型の
一つである。
【００１０】一実施例では、データベースシステムは複
数の記憶モジュールを含んでおり、プロセッサは各々が
対応する記憶モジュールにアクセスできる複数のノード
を持っており、前記ニューラルネットワーク表現は前記
記憶モジュールの各々内に複製されている。一実施例で
は、複数のプロセッサは前記演算を並列に実行する。
数の記憶モジュールを含んでおり、プロセッサは各々が
対応する記憶モジュールにアクセスできる複数のノード
を持っており、前記ニューラルネットワーク表現は前記
記憶モジュールの各々内に複製されている。一実施例で
は、複数のプロセッサは前記演算を並列に実行する。
【００１１】更なる態様から本発明は、ニューラルネッ
トワークを構築するプロセスであって、前記ニューラル
ネットワークの表現をデータベース内に格納するステッ
プと、前記ニューラルネットワーク表現を使ってタスク
を実行するための一つ以上のユーザ定義の手順を備える
ステップと、演算を実行する要求を受け取るステップ
と、前記演算を実行するために前記ニューラルネットワ
ークの表現をアクセスする前記一つ以上のユーザ定義の
手順を呼び出すステップとからなる前記プロセスにあ
る。
トワークを構築するプロセスであって、前記ニューラル
ネットワークの表現をデータベース内に格納するステッ
プと、前記ニューラルネットワーク表現を使ってタスク
を実行するための一つ以上のユーザ定義の手順を備える
ステップと、演算を実行する要求を受け取るステップ
と、前記演算を実行するために前記ニューラルネットワ
ークの表現をアクセスする前記一つ以上のユーザ定義の
手順を呼び出すステップとからなる前記プロセスにあ
る。
【００１２】前記演算を実行するための前記一つ以上の
ユーザ定義の手順を呼び出すステップは好適にも、例え
ばパターン照合演算を実行するための第１の手順を呼び
出すことと、前記表現内のニューラルネットワーク要素
の重みを調整することによって前記ニューラルネットワ
ークを訓練するための第２の手順を呼び出すこととによ
ってパターン認識演算を実行するステップを含む。更に
前記ニューラルネットワークを形成するための他の方法
は、入力サイズと出力サイズと隠れ層サイズとを指定す
ることによって呼び出すことが出来る。
ユーザ定義の手順を呼び出すステップは好適にも、例え
ばパターン照合演算を実行するための第１の手順を呼び
出すことと、前記表現内のニューラルネットワーク要素
の重みを調整することによって前記ニューラルネットワ
ークを訓練するための第２の手順を呼び出すこととによ
ってパターン認識演算を実行するステップを含む。更に
前記ニューラルネットワークを形成するための他の方法
は、入力サイズと出力サイズと隠れ層サイズとを指定す
ることによって呼び出すことが出来る。
【００１３】本発明はまた、相互接続された処理要素の
ネットワークの表現を含み、これら相互接続された処理
要素間の少なくとも幾つかの接続部に関連した重みを更
に含む関係テーブルを記憶した記憶モジュールと、前記
重みを調整することによってパターン認識のために前記
ネットワークを訓練することに適応したコントローラ
（制御機構）とを含むことを特徴とするデータベースシ
ステムによって定義することもできる。
ネットワークの表現を含み、これら相互接続された処理
要素間の少なくとも幾つかの接続部に関連した重みを更
に含む関係テーブルを記憶した記憶モジュールと、前記
重みを調整することによってパターン認識のために前記
ネットワークを訓練することに適応したコントローラ
（制御機構）とを含むことを特徴とするデータベースシ
ステムによって定義することもできる。
【００１４】なお、更なる態様から本発明は、実行され
たときにデータベースシステムに、ニューラルネットワ
ーク・オブジェクトを生成することと、関係テーブル内
に前記ニューラルネットワーク・オブジェクトを格納す
ることと、前記ニューラルネットワーク・オブジェクト
を使ってパターン認識演算を実行することとを行わせる
命令を含む少なくとも一つの記憶媒体を含むことを特徴
とする物品として定義することもできる。
たときにデータベースシステムに、ニューラルネットワ
ーク・オブジェクトを生成することと、関係テーブル内
に前記ニューラルネットワーク・オブジェクトを格納す
ることと、前記ニューラルネットワーク・オブジェクト
を使ってパターン認識演算を実行することとを行わせる
命令を含む少なくとも一つの記憶媒体を含むことを特徴
とする物品として定義することもできる。
【００１５】前記命令は実行されたときに好適にも、前
記データベースシステムに、訓練データを記憶すること
と、前記訓練データを使って前記ニューラルネットワー
ク・オブジェクトを訓練することとを行わせる。
記データベースシステムに、訓練データを記憶すること
と、前記訓練データを使って前記ニューラルネットワー
ク・オブジェクトを訓練することとを行わせる。
【００１６】入力データは好適にも、記憶されており、
前記パターン認識演算を実行するために前記ニューラル
ネットワーク・オブジェクトに与えられる。ニューラル
ネットワーク・オブジェクトはまた、入力サイズと出力
サイズと隠れ層サイズとを指定することによって形成す
ることもできる。
前記パターン認識演算を実行するために前記ニューラル
ネットワーク・オブジェクトに与えられる。ニューラル
ネットワーク・オブジェクトはまた、入力サイズと出力
サイズと隠れ層サイズとを指定することによって形成す
ることもできる。
【００１７】
【発明の実施の形態】以下、本発明の実施の形態の詳細
を図面を参照しつつ説明する。
を図面を参照しつつ説明する。
【００１８】下記の説明では、本発明の理解を与えるた
めに多くの詳細事項が述べられる。しかしながら本発明
がこれらの詳細事項なしも実施され得るものであること
と、説明された実施例からの多くの変形あるいは修正が
可能であることとは、本技術を熟知する人々によって理
解されるであろう。
めに多くの詳細事項が述べられる。しかしながら本発明
がこれらの詳細事項なしも実施され得るものであること
と、説明された実施例からの多くの変形あるいは修正が
可能であることとは、本技術を熟知する人々によって理
解されるであろう。
【００１９】図１は、データネットワーク１２上でクラ
イアントシステム１４に接続されたデータベースシステ
ム１０の一実施例を示す。データネットワーク１２の例
としては、ローカルエリアネットワーク（ＬＡＮ）、ワ
イドエリアネットワーク（ＷＡＮ）、あるいはパブリッ
クネットワーク（公衆網）（インターネットといった）
がある。クライアントシステム１４のユーザは、データ
ベースシステム１０内でデータを抽出して他のタスクを
実行するために、データシステム１０に対して構造的問
い合わせ言語（ＳＱＬ）文、またはその他の標準的デー
タベース問い合わせ文といった要求を発行することがで
きる。ＳＱＬは、関係データベース（リレーショナルデ
ータベース）の一つの言語であって、アメリカ規格協会
（ＡＮＳＩ）によって定義されている。ユーザは、クラ
イアントシステム１４のユーザインタフェース１６から
ＳＱＬ文を発行することができる。幾つかの実施例によ
れば、データベースシステム１０のニューラルネットワ
ーク機能を呼び出すＳＱＬ文は、クライアント端末１４
からユーザが発行できる。
イアントシステム１４に接続されたデータベースシステ
ム１０の一実施例を示す。データネットワーク１２の例
としては、ローカルエリアネットワーク（ＬＡＮ）、ワ
イドエリアネットワーク（ＷＡＮ）、あるいはパブリッ
クネットワーク（公衆網）（インターネットといった）
がある。クライアントシステム１４のユーザは、データ
ベースシステム１０内でデータを抽出して他のタスクを
実行するために、データシステム１０に対して構造的問
い合わせ言語（ＳＱＬ）文、またはその他の標準的デー
タベース問い合わせ文といった要求を発行することがで
きる。ＳＱＬは、関係データベース（リレーショナルデ
ータベース）の一つの言語であって、アメリカ規格協会
（ＡＮＳＩ）によって定義されている。ユーザは、クラ
イアントシステム１４のユーザインタフェース１６から
ＳＱＬ文を発行することができる。幾つかの実施例によ
れば、データベースシステム１０のニューラルネットワ
ーク機能を呼び出すＳＱＬ文は、クライアント端末１４
からユーザが発行できる。
【００２０】図示の実施例ではデータベースシステム１
０は、多数のノード２６Ａ、２６Ｂ（二つ以上）を含ん
でいる。代替の実施例ではデータベースシステム１０
は、単一ノード・システムであり得る。これらのノード
２６Ａ、２６Ｂは、相互接続ネットワーク５０によって
接続され、この相互接続ネットワークは今度は、インタ
フェース・ノード２０に接続される。インタフェース・
ノード２０は、クライアントシステム１４から問い合わ
せを受け取り、受け取った要求を分析し、対応するノー
ド２６Ａ、２６Ｂ内の一つ以上のアクセスモジュール３
０に対してアクセス要求を生成する問い合わせコーディ
ネータ２２を含んでいる。インタフェース・ノード２０
はまた、データネットワーク１２上での通信を可能にす
るネットワーク・インタフェース２４を含んでいる。
０は、多数のノード２６Ａ、２６Ｂ（二つ以上）を含ん
でいる。代替の実施例ではデータベースシステム１０
は、単一ノード・システムであり得る。これらのノード
２６Ａ、２６Ｂは、相互接続ネットワーク５０によって
接続され、この相互接続ネットワークは今度は、インタ
フェース・ノード２０に接続される。インタフェース・
ノード２０は、クライアントシステム１４から問い合わ
せを受け取り、受け取った要求を分析し、対応するノー
ド２６Ａ、２６Ｂ内の一つ以上のアクセスモジュール３
０に対してアクセス要求を生成する問い合わせコーディ
ネータ２２を含んでいる。インタフェース・ノード２０
はまた、データネットワーク１２上での通信を可能にす
るネットワーク・インタフェース２４を含んでいる。
【００２１】各アクセスモジュール３０は、テーブルの
定義を生成、修正あるいは削除し、テーブル内で行を挿
入、削除または修正し、定義とテーブルとから情報を検
索し、そしてデータベースとテーブルとをロックするデ
ータベース・マネージャを含んでいる。一例では、アク
セスモジュールは、ＮＣＲ社から出ている幾つかのＴＥ
ＲＡＤＡＴＡ（Ｒ）データベースシステムで使われるア
クセスジュール・プロセッサ（ＡＭＰ）である。各ノー
ド２６には、多数のＡＭＰが常駐できる。
定義を生成、修正あるいは削除し、テーブル内で行を挿
入、削除または修正し、定義とテーブルとから情報を検
索し、そしてデータベースとテーブルとをロックするデ
ータベース・マネージャを含んでいる。一例では、アク
セスモジュールは、ＮＣＲ社から出ている幾つかのＴＥ
ＲＡＤＡＴＡ（Ｒ）データベースシステムで使われるア
クセスジュール・プロセッサ（ＡＭＰ）である。各ノー
ド２６には、多数のＡＭＰが常駐できる。
【００２２】各アクセスモジュール３０は、それぞれの
ファイルシステム３２を介してそれぞれの記憶モジュー
ル２８に入出力（Ｉ／Ｏ）要求を送り、そのモジュール
からデータを受ける。単数形で呼ばれてはいるが、「記
憶モジュール」は、ハードディスク・ドライブ、ディス
クアレイ、テープドライブ、その他の磁気媒体、光媒
体、その他の媒体といった単数または複数の記憶装置を
表すことができる。
ファイルシステム３２を介してそれぞれの記憶モジュー
ル２８に入出力（Ｉ／Ｏ）要求を送り、そのモジュール
からデータを受ける。単数形で呼ばれてはいるが、「記
憶モジュール」は、ハードディスク・ドライブ、ディス
クアレイ、テープドライブ、その他の磁気媒体、光媒
体、その他の媒体といった単数または複数の記憶装置を
表すことができる。
【００２３】本発明の幾つかの実施例によれば、予め定
義されたデータ型にしたがうオブジェクト（ニューラル
ネットワーク探索オブジェクトまたはＮＮＳＯと呼ばれ
る）は、データベースシステム１０におけるニューラル
ネットワークの構築を可能にするために各記憶モジュー
ル２８内に格納される。ニューラルネットワークは、パ
ターンを認識したり、他のタスクを実行するために実行
可能な一つまたは複数のソフトウエア・ルーチンとして
実現される数学モデルである。ニューラルネットワーク
は、そのニューラルネットワークに正確なパターンと不
正確なパターンとを提示して、パターンが認識されたと
きにフィードバックを与えることによってパターンを認
識するように「訓練」される。幾つかの実施例によれば
このニューラルネットワーク・モデルは、ニューラルネ
ットワーク探索オブジェクト内に格納され、これらのオ
ブジェクトは記憶モジュール２８Ａ、２８Ｂ内に格納さ
れたＮＮＳＯテーブル３４内に格納される。更に一般的
には「ニューラルネットワーク・オブジェクト」は、ニ
ューラルネットワークを表現する、そして演算（例えば
パターン認識）を実行する他のコンポーネントによるア
クセスが可能である何らかのオブジェクト（例えばファ
イル、データ、ソフトウエア手順、ソフトウエア・ルー
チンまたはモジュールなど）を指している。
義されたデータ型にしたがうオブジェクト（ニューラル
ネットワーク探索オブジェクトまたはＮＮＳＯと呼ばれ
る）は、データベースシステム１０におけるニューラル
ネットワークの構築を可能にするために各記憶モジュー
ル２８内に格納される。ニューラルネットワークは、パ
ターンを認識したり、他のタスクを実行するために実行
可能な一つまたは複数のソフトウエア・ルーチンとして
実現される数学モデルである。ニューラルネットワーク
は、そのニューラルネットワークに正確なパターンと不
正確なパターンとを提示して、パターンが認識されたと
きにフィードバックを与えることによってパターンを認
識するように「訓練」される。幾つかの実施例によれば
このニューラルネットワーク・モデルは、ニューラルネ
ットワーク探索オブジェクト内に格納され、これらのオ
ブジェクトは記憶モジュール２８Ａ、２８Ｂ内に格納さ
れたＮＮＳＯテーブル３４内に格納される。更に一般的
には「ニューラルネットワーク・オブジェクト」は、ニ
ューラルネットワークを表現する、そして演算（例えば
パターン認識）を実行する他のコンポーネントによるア
クセスが可能である何らかのオブジェクト（例えばファ
イル、データ、ソフトウエア手順、ソフトウエア・ルー
チンまたはモジュールなど）を指している。
【００２４】幾つかの実施例では各ＮＮＳＯテーブル３
４は、関係データベース管理システム（ＲＤＢＭＳ）内
の関係テーブルである。多くの関係データベース管理シ
ステム内に定義されたデータ型には、整数、実数および
文字列といった比較的単純なデータ型が含まれる。オー
ディオデータ、ビデオデータ、マルチメディアデータ、
画像データ、定様式文書、地図などを含むデータ型とい
った更に複雑なデータ型に関しては、オブジェクト関係
データベース管理システムは、「複合」データ型の定義
がオブジェクト内にこのような情報を記憶することを可
能にする。一実施例ではＮＮＳＯは、オブジェクト関係
データベース管理システムのオブジェクトである。代替
として他の実施例では、このＮＮＳＯは、関係データベ
ース管理システム内で「より単純な」データ型として定
義されている。関係データベース管理システムの代わり
に他の実施例は、ニューラルネットワークを構築するた
めにユーザ定義の手順または関数を生成できるデータベ
ースシステムの他の型を使用することができる。
４は、関係データベース管理システム（ＲＤＢＭＳ）内
の関係テーブルである。多くの関係データベース管理シ
ステム内に定義されたデータ型には、整数、実数および
文字列といった比較的単純なデータ型が含まれる。オー
ディオデータ、ビデオデータ、マルチメディアデータ、
画像データ、定様式文書、地図などを含むデータ型とい
った更に複雑なデータ型に関しては、オブジェクト関係
データベース管理システムは、「複合」データ型の定義
がオブジェクト内にこのような情報を記憶することを可
能にする。一実施例ではＮＮＳＯは、オブジェクト関係
データベース管理システムのオブジェクトである。代替
として他の実施例では、このＮＮＳＯは、関係データベ
ース管理システム内で「より単純な」データ型として定
義されている。関係データベース管理システムの代わり
に他の実施例は、ニューラルネットワークを構築するた
めにユーザ定義の手順または関数を生成できるデータベ
ースシステムの他の型を使用することができる。
【００２５】ニューラルネットワーク・モデルまたはア
ルゴリズムを表すＮＮＳＯは、記憶モジュール２８に格
納された訓練データ３６を使用することによって訓練さ
れる。一旦訓練されるとＮＮＳＯは、記憶モジュール２
８に格納された入力目標データ３８のパターン認識を実
行することができる。図１に示す構成の利点は、対応す
るノード２６Ａ、２６Ｂによって独立にアクセス可能な
多数の記憶モジュールにＮＮＳＯテーブル３４と訓練デ
ータ３６と目標データ３８とが格納されていることであ
る。その結果、異なるノード２６Ａ、２６Ｂに亘って分
散配置されたＮＮＳＯで構築されたニューラルネットワ
ークは、性能を向上させるために並列に実行できる。こ
れは、パターン認識がＤＮＡ列、画像などといった比較
的複雑なデータを含む場合に特に有利である。
ルゴリズムを表すＮＮＳＯは、記憶モジュール２８に格
納された訓練データ３６を使用することによって訓練さ
れる。一旦訓練されるとＮＮＳＯは、記憶モジュール２
８に格納された入力目標データ３８のパターン認識を実
行することができる。図１に示す構成の利点は、対応す
るノード２６Ａ、２６Ｂによって独立にアクセス可能な
多数の記憶モジュールにＮＮＳＯテーブル３４と訓練デ
ータ３６と目標データ３８とが格納されていることであ
る。その結果、異なるノード２６Ａ、２６Ｂに亘って分
散配置されたＮＮＳＯで構築されたニューラルネットワ
ークは、性能を向上させるために並列に実行できる。こ
れは、パターン認識がＤＮＡ列、画像などといった比較
的複雑なデータを含む場合に特に有利である。
【００２６】ある構成では、ＮＮＳＯとＮＮＳＯテーブ
ル３４との複製は、並列実行のために多数の記憶モジュ
ールに亘って分散配置された入力目標データ３８の異な
る部分と共に、多数の記憶モジュール２８内に格納され
ている。例えばＮＮＳＯテーブル３４は、ＮＮＳＯテー
ブル３４内のデータの比較を要求するＳＱＬ Ｓｅｌｅ
ｃｔ文に応答して、並列論理によって異なるノードに複
写することが出来る。一実施例ではＮＮＳＯテーブル３
４の複製は、与えられた問い合わせに関して「低コス
ト」実行プランを選択する責任を有するデータベース最
適化プログラムによって実行される。
ル３４との複製は、並列実行のために多数の記憶モジュ
ールに亘って分散配置された入力目標データ３８の異な
る部分と共に、多数の記憶モジュール２８内に格納され
ている。例えばＮＮＳＯテーブル３４は、ＮＮＳＯテー
ブル３４内のデータの比較を要求するＳＱＬ Ｓｅｌｅ
ｃｔ文に応答して、並列論理によって異なるノードに複
写することが出来る。一実施例ではＮＮＳＯテーブル３
４の複製は、与えられた問い合わせに関して「低コス
ト」実行プランを選択する責任を有するデータベース最
適化プログラムによって実行される。
【００２７】各ノード２６での実行に関して、ＮＮＳＯ
データ型に関連する三つの異なる手順（メソッド）が定
義される。第１の手順は、ＣＯＮＦＩＧＵＲＥ−ＮＥＴ
手順４８であって、これはＮＮＳＯテーブル３４に格納
されたＮＮＳＯを形成するために使われる。ＴＲＡＩＮ
手順４６は、各記憶モジュール２８内のＮＮＳＯを訓練
するために使われる。ＭＡＴＣＨ手順４４は、ＮＮＳＯ
を使って目標データ３８を照合するために使われる。ニ
ューラルネットワーク演算のために他の手順を定義する
こともできる。これらの手順４４、４６、４８（および
他の手順）は、最初は各記憶モジュール２８に格納され
ていて、各ノード２６で実行可能なニューラルネットワ
ーク・ルーチン４９によって呼び出されると、実行のた
めにノード２６内にロードされる。ノード２６内の一つ
または複数の制御ユニット４０上では、種々のソフトウ
エア・ルーチン、モジュール、または手順が実行可能で
ある。ノード２６はまた、一つまたは複数の制御ユニッ
ト４０に接続されたメモリ４２を含んでいる。単一コン
ポーネントとして図示されているが、制御ユニット４０
とメモリ４２は、他の実施例では多数のコンポーネント
であり得る。
データ型に関連する三つの異なる手順（メソッド）が定
義される。第１の手順は、ＣＯＮＦＩＧＵＲＥ−ＮＥＴ
手順４８であって、これはＮＮＳＯテーブル３４に格納
されたＮＮＳＯを形成するために使われる。ＴＲＡＩＮ
手順４６は、各記憶モジュール２８内のＮＮＳＯを訓練
するために使われる。ＭＡＴＣＨ手順４４は、ＮＮＳＯ
を使って目標データ３８を照合するために使われる。ニ
ューラルネットワーク演算のために他の手順を定義する
こともできる。これらの手順４４、４６、４８（および
他の手順）は、最初は各記憶モジュール２８に格納され
ていて、各ノード２６で実行可能なニューラルネットワ
ーク・ルーチン４９によって呼び出されると、実行のた
めにノード２６内にロードされる。ノード２６内の一つ
または複数の制御ユニット４０上では、種々のソフトウ
エア・ルーチン、モジュール、または手順が実行可能で
ある。ノード２６はまた、一つまたは複数の制御ユニッ
ト４０に接続されたメモリ４２を含んでいる。単一コン
ポーネントとして図示されているが、制御ユニット４０
とメモリ４２は、他の実施例では多数のコンポーネント
であり得る。
【００２８】並行処理を改善するため、幾つかの実施例
によればニューラルネットワークを構築するために、よ
り多数のノードを使用することができる。代替としてＮ
ＮＳＯとそれに関連する手順は、データベースシステム
１０の単一ノード上に実現可能である。
によればニューラルネットワークを構築するために、よ
り多数のノードを使用することができる。代替としてＮ
ＮＳＯとそれに関連する手順は、データベースシステム
１０の単一ノード上に実現可能である。
【００２９】図２は、ＮＮＳＯテーブル３４と訓練デー
タ３６と目標データ３８とを更に詳細に示す。ＮＮＳＯ
テーブル３４は、訓練重み１０２を含んだＮＮＳＯ１０
０を格納している。訓練重みは、初めはランダムな値ま
たは幾つかの予め決められた値に設定されている。幾つ
かの実施例では訓練重み１０２は、ブラブ（大きな２進
オブジェクト）として表される。ブラブは、この場合は
重みを表すバイトの集まりを有する大きなオブジェクト
である。他の実施例では、訓練重み１０２は、異なる型
のオブジェクトまたはファイル内に表現される。訓練重
み１０２は、マトリックスとして表される。図２の例で
はこのマトリックス・サイズは、９行×４列である。更
に図２の例ではＮＮＳＯの入力サイズは、９入力であ
り、出力サイズは１出力である。
タ３６と目標データ３８とを更に詳細に示す。ＮＮＳＯ
テーブル３４は、訓練重み１０２を含んだＮＮＳＯ１０
０を格納している。訓練重みは、初めはランダムな値ま
たは幾つかの予め決められた値に設定されている。幾つ
かの実施例では訓練重み１０２は、ブラブ（大きな２進
オブジェクト）として表される。ブラブは、この場合は
重みを表すバイトの集まりを有する大きなオブジェクト
である。他の実施例では、訓練重み１０２は、異なる型
のオブジェクトまたはファイル内に表現される。訓練重
み１０２は、マトリックスとして表される。図２の例で
はこのマトリックス・サイズは、９行×４列である。更
に図２の例ではＮＮＳＯの入力サイズは、９入力であ
り、出力サイズは１出力である。
【００３０】ニューラルネットワークはまた、ニューロ
ンの一つ以上の隠れ層を持っている。図６には、３層の
ニューラルネットワーク・モデルが示されている。入力
層５００は、ＮＮＳＯ１００による定義のように９入力
を受け取るための９個の入力ニューロンを持っている。
隠れ層５０２（この例では一つの隠れ層）は、入力層ニ
ューロンに「完全に」接続された多数のパターン・ニュ
ーロンを持っている。「完全に」接続されているとは、
各入力層ニューロンが各々の隠れ層またはパターン・ニ
ューロン５０６Ａ、５０６Ｂ、５０６Ｃ、または５０６
Ｄに接続されていることを意味している。一対の入力層
ニューロンと隠れ層ニューロン５０６との間の各接続部
には、重みが与えられる。４個の隠れ層ニューロン５０
６Ａ〜Ｄは、出力層５０４内の１個のニューロン（ＮＮ
ＳＯ１００によって定義された１出力に対応する）に接
続されている。
ンの一つ以上の隠れ層を持っている。図６には、３層の
ニューラルネットワーク・モデルが示されている。入力
層５００は、ＮＮＳＯ１００による定義のように９入力
を受け取るための９個の入力ニューロンを持っている。
隠れ層５０２（この例では一つの隠れ層）は、入力層ニ
ューロンに「完全に」接続された多数のパターン・ニュ
ーロンを持っている。「完全に」接続されているとは、
各入力層ニューロンが各々の隠れ層またはパターン・ニ
ューロン５０６Ａ、５０６Ｂ、５０６Ｃ、または５０６
Ｄに接続されていることを意味している。一対の入力層
ニューロンと隠れ層ニューロン５０６との間の各接続部
には、重みが与えられる。４個の隠れ層ニューロン５０
６Ａ〜Ｄは、出力層５０４内の１個のニューロン（ＮＮ
ＳＯ１００によって定義された１出力に対応する）に接
続されている。
【００３１】図２に示す訓練重みマトリックス１０２の
各列（コラム）１１０Ａ、１１０Ｂ、１１０Ｃまたは１
１０Ｄは、それぞれのパターン・ニューロン５０６と９
個の入力層ニューロンとの間の接続部の重みを持ってい
る。したがって例えば、行１１０Ａは、パターン・ニュ
ーロン５０６Ａとそれぞれ９個の入力層ニューロンとの
間の９個の接続部の９個の重みを持っている。行１１０
Ｂは、パターン・ニューロン５０６Ｂとそれぞれの入力
層ニューロンとの間の接続部の重みを持っているなど、
以下同様である。図６の例では隠れ層アレイは、４×１
（４個のニューロンを持った１隠れ層）である。他の構
成ではＭ×Ｎ隠れ層アレイを使用することができ、これ
は各々が１層当たりＭ個のパターン・ニューロンを有す
るＮ個の層を表す。
各列（コラム）１１０Ａ、１１０Ｂ、１１０Ｃまたは１
１０Ｄは、それぞれのパターン・ニューロン５０６と９
個の入力層ニューロンとの間の接続部の重みを持ってい
る。したがって例えば、行１１０Ａは、パターン・ニュ
ーロン５０６Ａとそれぞれ９個の入力層ニューロンとの
間の９個の接続部の９個の重みを持っている。行１１０
Ｂは、パターン・ニューロン５０６Ｂとそれぞれの入力
層ニューロンとの間の接続部の重みを持っているなど、
以下同様である。図６の例では隠れ層アレイは、４×１
（４個のニューロンを持った１隠れ層）である。他の構
成ではＭ×Ｎ隠れ層アレイを使用することができ、これ
は各々が１層当たりＭ個のパターン・ニューロンを有す
るＮ個の層を表す。
【００３２】入力層ニューロンによって受け取られた入
力は、それぞれの重み値を乗じられて、パターン・ニュ
ーロン５０６Ａ〜５０６Ｂに供給される。各ニューロン
５０６は、受け取った９個の重み付けされた入力を合計
する。これらの合計された値は、出力を生成するための
関数（例えば非線形関数）に与えられる。この関数は、
この合計値が真または偽の状態に対応するしきい値より
上にあるか下にあるかを決定するしきい値関数であって
よい。
力は、それぞれの重み値を乗じられて、パターン・ニュ
ーロン５０６Ａ〜５０６Ｂに供給される。各ニューロン
５０６は、受け取った９個の重み付けされた入力を合計
する。これらの合計された値は、出力を生成するための
関数（例えば非線形関数）に与えられる。この関数は、
この合計値が真または偽の状態に対応するしきい値より
上にあるか下にあるかを決定するしきい値関数であって
よい。
【００３３】一例では「後戻り（Ｂａｃｋｐｒｏｐ）」
アルゴリズムを使用するニューラルネットワークが使わ
れる。後戻りアルゴリズムは、入力データがパターン認
識のためにはニューラルネットワーク内で前方に伝搬す
ることを可能にし、訓練目的のためには失敗情報の後方
へのフィードバックを可能にする。他の実施例ではニュ
ーラルネットワーク・オブジェクト１００を用いて他の
タイプのニューラルネットワークを構築することができ
る。
アルゴリズムを使用するニューラルネットワークが使わ
れる。後戻りアルゴリズムは、入力データがパターン認
識のためにはニューラルネットワーク内で前方に伝搬す
ることを可能にし、訓練目的のためには失敗情報の後方
へのフィードバックを可能にする。他の実施例ではニュ
ーラルネットワーク・オブジェクト１００を用いて他の
タイプのニューラルネットワークを構築することができ
る。
【００３４】訓練重み１０２の値は、訓練データ３６を
使って設定されるが、この訓練データは入力訓練テーブ
ル１０４（ＴＲＡＩＮＩＮＧ−ＤＡＴＡテーブルとも呼
ばれる）と予想解答セット・テーブル１０６（ＡＮＳＷ
ＥＲ−ＳＥＴテーブルとも呼ばれる）とを含んでいる。
このように入力訓練テーブル１０４に応答してＮＮＳＯ
１００は、解答セット・テーブル１０６内にリストアッ
プされている解答を生成することが期待される。この入
力訓練テーブル１０４は、異なるＤＮＡ列に対応する多
数の行を持っている。ＤＮＡ列に基づいて、出力は、
「０」（偽）または「１」（真）であることが予期され
る。このように図２の例ではＮＮＳＯは、ある幾つかの
タイプのＤＮＡ列に関しては真値を返し、他のＤＮＡ列
に関しては偽値を返すように訓練される。他の実施例で
はＮＮＳＯは、他の型のデータ（例えば画像、オーディ
オ、マルチメディア等）を認識するように訓練すること
もできる。
使って設定されるが、この訓練データは入力訓練テーブ
ル１０４（ＴＲＡＩＮＩＮＧ−ＤＡＴＡテーブルとも呼
ばれる）と予想解答セット・テーブル１０６（ＡＮＳＷ
ＥＲ−ＳＥＴテーブルとも呼ばれる）とを含んでいる。
このように入力訓練テーブル１０４に応答してＮＮＳＯ
１００は、解答セット・テーブル１０６内にリストアッ
プされている解答を生成することが期待される。この入
力訓練テーブル１０４は、異なるＤＮＡ列に対応する多
数の行を持っている。ＤＮＡ列に基づいて、出力は、
「０」（偽）または「１」（真）であることが予期され
る。このように図２の例ではＮＮＳＯは、ある幾つかの
タイプのＤＮＡ列に関しては真値を返し、他のＤＮＡ列
に関しては偽値を返すように訓練される。他の実施例で
はＮＮＳＯは、他の型のデータ（例えば画像、オーディ
オ、マルチメディア等）を認識するように訓練すること
もできる。
【００３５】一旦、訓練データ３６を使って訓練重み１
０２の値が設定されると、目標データ３８を備えた目標
データ・テーブル１０８（ＴＡＲＧＥＴ−ＤＡＴＡテー
ブルとも呼ばれる）は、パターン照合のために入力とし
てＮＮＳＯ１００に供給される。図２に示すように目標
データ・テーブル１０８は、異なるＤＮＡ列に対応する
幾つかの行を持っている。訓練重み１０２に基づいてＮ
ＮＳＯ１００は、ＮＮＳＯ１００は、目標データベース
１０８内で、ＤＮＡ列のある幾つかのものに関しては真
という結果を生成し、他のＤＮＡ列に関しては偽という
結果を生成するであろう。
０２の値が設定されると、目標データ３８を備えた目標
データ・テーブル１０８（ＴＡＲＧＥＴ−ＤＡＴＡテー
ブルとも呼ばれる）は、パターン照合のために入力とし
てＮＮＳＯ１００に供給される。図２に示すように目標
データ・テーブル１０８は、異なるＤＮＡ列に対応する
幾つかの行を持っている。訓練重み１０２に基づいてＮ
ＮＳＯ１００は、ＮＮＳＯ１００は、目標データベース
１０８内で、ＤＮＡ列のある幾つかのものに関しては真
という結果を生成し、他のＤＮＡ列に関しては偽という
結果を生成するであろう。
【００３６】更なる実施例では、単一のＮＮＳＯテーブ
ル３４の代わりに多数のＮＮＳＯテーブルが各記憶モジ
ュール２８内に記憶されることもある。これら多数のＮ
ＮＳＯテーブルは、他の型の入力目標データに関連する
ＮＮＳＯを格納することができる。例えば一つのＮＮＳ
Ｏテーブルは、ＤＮＡ列の照合を実行するために使わ
れ、第２のＮＮＳＯテーブルは、顔面画像の照合を実行
するために使われ、第３のＮＮＳＯテーブルは、車両の
照合を実行するために使われる、等々である。更に他の
実施例では、各ＮＮＳＯテーブル３４が多数のＮＮＳＯ
を持っている。例えば一つのＮＮＳＯは、目標データ３
８内の第１のパターンに関して検出するように訓練でき
るが、もう一つのＮＮＳＯは、目標データ３８内の別の
パターンに関して検出するように訓練できる。
ル３４の代わりに多数のＮＮＳＯテーブルが各記憶モジ
ュール２８内に記憶されることもある。これら多数のＮ
ＮＳＯテーブルは、他の型の入力目標データに関連する
ＮＮＳＯを格納することができる。例えば一つのＮＮＳ
Ｏテーブルは、ＤＮＡ列の照合を実行するために使わ
れ、第２のＮＮＳＯテーブルは、顔面画像の照合を実行
するために使われ、第３のＮＮＳＯテーブルは、車両の
照合を実行するために使われる、等々である。更に他の
実施例では、各ＮＮＳＯテーブル３４が多数のＮＮＳＯ
を持っている。例えば一つのＮＮＳＯは、目標データ３
８内の第１のパターンに関して検出するように訓練でき
るが、もう一つのＮＮＳＯは、目標データ３８内の別の
パターンに関して検出するように訓練できる。
【００３７】図３は、各ノード２６内のニューラルネッ
トワーク・ルーチン４９によって実行されるプロセスの
流れ図である。このニューラルネットワーク・ルーチン
４９は先ず、ＮＮＳＯ１００とそれに関連する手順４
４、４６、４８とを定義する（２０２で）。次に種々の
テーブル３４、１０４、１０６、１０８が形成され（２
０４で）、ニューラルネットワークが訓練される（ＮＮ
ＳＯの訓練重みを調整することによって）。次に種々の
テーブル３４、１０４、１０６、１０８が形成され（２
０４で）、ニューラルネットワークが訓練される（ＮＮ
ＳＯの訓練重みを調整することによって）。次にこのニ
ューラルネットワーク・ルーチンは、照合を実行する要
求が受け取られたかどうかを決定する（２０６で）。例
えばユーザは、クライアント端末１４（図１）から要求
（例えばＳＱＬのＳＥＬＥＣＴ文の形をした）を送るこ
とができる。代替として他の幾つかの刺激に応答してパ
ターン照合を実行することもできる。照合実行の要求が
受け取られた場合は、このニューラルネットワーク・ル
ーチン４９は、出力結果を生成するためにテーブル３４
内に格納されたＮＮＳＯ１０を使って目標データ３８を
照合するＭＡＴＣＨ手順４４を呼び出すことによって照
合を実行する（２０８で）。
トワーク・ルーチン４９によって実行されるプロセスの
流れ図である。このニューラルネットワーク・ルーチン
４９は先ず、ＮＮＳＯ１００とそれに関連する手順４
４、４６、４８とを定義する（２０２で）。次に種々の
テーブル３４、１０４、１０６、１０８が形成され（２
０４で）、ニューラルネットワークが訓練される（ＮＮ
ＳＯの訓練重みを調整することによって）。次に種々の
テーブル３４、１０４、１０６、１０８が形成され（２
０４で）、ニューラルネットワークが訓練される（ＮＮ
ＳＯの訓練重みを調整することによって）。次にこのニ
ューラルネットワーク・ルーチンは、照合を実行する要
求が受け取られたかどうかを決定する（２０６で）。例
えばユーザは、クライアント端末１４（図１）から要求
（例えばＳＱＬのＳＥＬＥＣＴ文の形をした）を送るこ
とができる。代替として他の幾つかの刺激に応答してパ
ターン照合を実行することもできる。照合実行の要求が
受け取られた場合は、このニューラルネットワーク・ル
ーチン４９は、出力結果を生成するためにテーブル３４
内に格納されたＮＮＳＯ１０を使って目標データ３８を
照合するＭＡＴＣＨ手順４４を呼び出すことによって照
合を実行する（２０８で）。
【００３８】図４は、ＮＮＳＯ１００とそれに関連する
手順とを定義するプロセス（２０２）の流れ図である。
最初にこのニューラルネットワーク・ルーチン４９は、
ＮＮＳＯデータ型を生成する（３０２で）。一実施例で
は下記のＳＱＬ ＣＲＥＡＴＥ ＴＹＰＥ文が使用でき
る： ＣＲＥＡＴＥ ＴＹＰＥ ＮＮＳＯ（InputSize
整数、OutputSize整数、HiddenLayer Array[1..2] 整
数、TrainingWeights ブラブ）。
手順とを定義するプロセス（２０２）の流れ図である。
最初にこのニューラルネットワーク・ルーチン４９は、
ＮＮＳＯデータ型を生成する（３０２で）。一実施例で
は下記のＳＱＬ ＣＲＥＡＴＥ ＴＹＰＥ文が使用でき
る： ＣＲＥＡＴＥ ＴＹＰＥ ＮＮＳＯ（InputSize
整数、OutputSize整数、HiddenLayer Array[1..2] 整
数、TrainingWeights ブラブ）。
【００３９】パラメータInputSizeは、ＮＮＳＯ１００
への入力の数を表し、パラメータOutputSizeは、出力の
数を表し、HiddenLayerアレイは、ブラブTrainingWeigh
ts内の訓練重みに関連する相互接続されたパターン・ニ
ューロンのアレイを表す。ＣＲＥＡＴＥ ＴＹＰＥ文
は、ニューラルネットワークを新しいデータ型としてデ
ータベースシステム内に効果的に結合する。次にこのニ
ューラルネットワーク・ルーチン４９は、ＣＯＮＦＩＧ
ＵＲＥ−ＮＥＴ手順を生成する（３０４で）が、これは
一実施例では、下記のＳＱＬ文を発行することによって
実行できる： ＣＲＥＡＴＥ ＭＥＴＨＯＤ ＣＯＮＦ
ＩＧＵＲＥ−ＮＥＴ（ＩＮＴＥＧＥＲ，ＩＮＴＥＧＥ
Ｒ，ＡＲＲＡＹ〔１．．２〕ＩＮＴＥＧＥＲ）。
への入力の数を表し、パラメータOutputSizeは、出力の
数を表し、HiddenLayerアレイは、ブラブTrainingWeigh
ts内の訓練重みに関連する相互接続されたパターン・ニ
ューロンのアレイを表す。ＣＲＥＡＴＥ ＴＹＰＥ文
は、ニューラルネットワークを新しいデータ型としてデ
ータベースシステム内に効果的に結合する。次にこのニ
ューラルネットワーク・ルーチン４９は、ＣＯＮＦＩＧ
ＵＲＥ−ＮＥＴ手順を生成する（３０４で）が、これは
一実施例では、下記のＳＱＬ文を発行することによって
実行できる： ＣＲＥＡＴＥ ＭＥＴＨＯＤ ＣＯＮＦ
ＩＧＵＲＥ−ＮＥＴ（ＩＮＴＥＧＥＲ，ＩＮＴＥＧＥ
Ｒ，ＡＲＲＡＹ〔１．．２〕ＩＮＴＥＧＥＲ）。
【００４０】このＣＯＮＦＩＧＵＲＥ−ＮＥＴ手順は、
入力サイズ（InputSize）と出力サイズ（OutputSize）
と隠れ層のアレイ・サイズとを指定する。ＴＲＡＩＮ手
順は、下記の文を発行することによって生成される（３
０６で）： ＣＲＥＡＴＥＭＥＴＨＯＤ ＴＲＡＩＮ
（ＳＴＲＩＮＧ，ＳＴＲＩＮＧ）、ここで第１の文字列
は入力訓練テーブル１０４を表し、第２の文字列は解答
セット・テーブル１０６を表す。ＭＡＴＣＨ手順は、下
記の文を発行することによって生成される（３０８
で）： ＣＲＥＡＴＥ ＭＥＴＨＯＤ ＭＡＴＣＨ（Ｓ
ＴＲＩＮＧ）ＲＥＴＵＲＮＳ ＢＯＯＬＥＡＮ。
入力サイズ（InputSize）と出力サイズ（OutputSize）
と隠れ層のアレイ・サイズとを指定する。ＴＲＡＩＮ手
順は、下記の文を発行することによって生成される（３
０６で）： ＣＲＥＡＴＥＭＥＴＨＯＤ ＴＲＡＩＮ
（ＳＴＲＩＮＧ，ＳＴＲＩＮＧ）、ここで第１の文字列
は入力訓練テーブル１０４を表し、第２の文字列は解答
セット・テーブル１０６を表す。ＭＡＴＣＨ手順は、下
記の文を発行することによって生成される（３０８
で）： ＣＲＥＡＴＥ ＭＥＴＨＯＤ ＭＡＴＣＨ（Ｓ
ＴＲＩＮＧ）ＲＥＴＵＲＮＳ ＢＯＯＬＥＡＮ。
【００４１】ＭＡＴＣＨ手順に対する入力文字列は、目
標データ・テーブル１０８であり、出力は論理状態真ま
たは偽である。ＮＮＳＯデータ型とこれらの手順４４、
４６、４８とを生成した後に、このニューラルネットワ
ーク・ルーチン４９は、種々のテーブルを形成して訓練
する（図３の２０４）。このルーチン４９は、下記の文
を発行することによってＴＲＡＩＮＩＮＧ−ＤＡＴＡテ
ーブル３６を生成する（４０２で）： ＣＲＥＡＴＥ
ＴＡＢＬＥ ＴＲＡＩＮＩＮＧ−ＤＡＴＡ（ＩＤ文字
列、ＳＥＱ文字列）。
標データ・テーブル１０８であり、出力は論理状態真ま
たは偽である。ＮＮＳＯデータ型とこれらの手順４４、
４６、４８とを生成した後に、このニューラルネットワ
ーク・ルーチン４９は、種々のテーブルを形成して訓練
する（図３の２０４）。このルーチン４９は、下記の文
を発行することによってＴＲＡＩＮＩＮＧ−ＤＡＴＡテ
ーブル３６を生成する（４０２で）： ＣＲＥＡＴＥ
ＴＡＢＬＥ ＴＲＡＩＮＩＮＧ−ＤＡＴＡ（ＩＤ文字
列、ＳＥＱ文字列）。
【００４２】識別子（ＩＤ）は、ＴＲＡＩＮＩＮＧ−Ｄ
ＡＴＡテーブル内の各ＤＮＡ列（ＳＥＱ）に割り当てら
れる。ＡＮＳＷＥＲ−ＳＥＴテーブルは、下記の文を与
えることによって生成される（４０４で）： ＣＲＥＡ
ＴＥ ＴＡＢＬＥ ＡＮＳＷＥＲ−ＳＥＴ（ＡＮＳＷＥ
Ｒ論理値）。 このＡＮＳＷＥＲ−ＳＥＴテーブルは、
真または偽の状態を有するエントリーを持っている。Ｔ
ＡＲＧＥＴ−ＤＡＴＡテーブルは、下記の文を発行する
ことによって生成される（４０６で）： ＣＲＥＡＴＥ
ＴＡＢＬＥ ＴＡＲＧＥＴ−ＤＡＴＡ（ＩＤ文字列、
ＳＥＱ文字列）。
ＡＴＡテーブル内の各ＤＮＡ列（ＳＥＱ）に割り当てら
れる。ＡＮＳＷＥＲ−ＳＥＴテーブルは、下記の文を与
えることによって生成される（４０４で）： ＣＲＥＡ
ＴＥ ＴＡＢＬＥ ＡＮＳＷＥＲ−ＳＥＴ（ＡＮＳＷＥ
Ｒ論理値）。 このＡＮＳＷＥＲ−ＳＥＴテーブルは、
真または偽の状態を有するエントリーを持っている。Ｔ
ＡＲＧＥＴ−ＤＡＴＡテーブルは、下記の文を発行する
ことによって生成される（４０６で）： ＣＲＥＡＴＥ
ＴＡＢＬＥ ＴＡＲＧＥＴ−ＤＡＴＡ（ＩＤ文字列、
ＳＥＱ文字列）。
【００４３】ＮＮＳＯテーブル３４は、下記の文を発行
することによって生成される（４０８で）： ＣＲＥＡ
ＴＥ ＴＡＢＬＥ ＮＮＳＯ−ＴＡＢＬＥ（ＩＤ整数、
ＤＥＳＣＲＩＰＴＩＯＮ文字列、ＮＮ ＮＮＳＯ）。
することによって生成される（４０８で）： ＣＲＥＡ
ＴＥ ＴＡＢＬＥ ＮＮＳＯ−ＴＡＢＬＥ（ＩＤ整数、
ＤＥＳＣＲＩＰＴＩＯＮ文字列、ＮＮ ＮＮＳＯ）。
【００４４】このＮＮＳＯテーブル３４は、識別子（Ｉ
Ｄ）と記述（ＤＥＳＣＲＩＰＴＩＯＮ）と図４の３０２
で生成された型を有するＮＮＳＯとに関連している。一
旦このＮＮＳＯテーブルが生成されると、ＮＮＳＯテー
ブル３４内に値を挿入することができる（４１０で）。
一実施例ではこれは、ＳＱＬ ＩＮＳＥＲＴ文を発行す
ることによって遂行される： ＩＮＳＥＲＴ ＩＮＴＯ
ＮＮＳＯ−ＴＡＢＬＥ ＶＡＬＵＥＳ（１，" Backpr
op"（後戻り）， ＮＮＳＯ（））。
Ｄ）と記述（ＤＥＳＣＲＩＰＴＩＯＮ）と図４の３０２
で生成された型を有するＮＮＳＯとに関連している。一
旦このＮＮＳＯテーブルが生成されると、ＮＮＳＯテー
ブル３４内に値を挿入することができる（４１０で）。
一実施例ではこれは、ＳＱＬ ＩＮＳＥＲＴ文を発行す
ることによって遂行される： ＩＮＳＥＲＴ ＩＮＴＯ
ＮＮＳＯ−ＴＡＢＬＥ ＶＡＬＵＥＳ（１，" Backpr
op"（後戻り）， ＮＮＳＯ（））。
【００４５】上記の発行されたＩＮＳＥＲＴ文は、後戻
り（Ｂａｃｋｐｒｏｐ）ニューラルネットワークとして
定義されたニューラルネットワークと共に一つのＮＮＳ
ＯをＮＮＳＯテーブル３４内に挿入する。
り（Ｂａｃｋｐｒｏｐ）ニューラルネットワークとして
定義されたニューラルネットワークと共に一つのＮＮＳ
ＯをＮＮＳＯテーブル３４内に挿入する。
【００４６】次にＮＮＳＯテーブル３４の内容は、ＣＯ
ＮＦＩＧＵＲＥ−ＮＥＴ手順を呼び出すことによって更
新される。ＮＮＳＯテーブル３４は、ＳＱＬ ＵＰＤＡ
ＴＥ文を使って、９入力と１出力と４×１隠れアレイと
を持つように形成される（４１２で）： ＵＰＤＡＴＥ
ＮＮＳＯ−ＴＡＢＬＥ ＳＥＴ：ＮＮ＝：ＮＮ．ＣＯ
ＮＦＩＧＵＲＥ−ＮＥＴ（９，１，ＡＲＲＡＹ（４，
１））。
ＮＦＩＧＵＲＥ−ＮＥＴ手順を呼び出すことによって更
新される。ＮＮＳＯテーブル３４は、ＳＱＬ ＵＰＤＡ
ＴＥ文を使って、９入力と１出力と４×１隠れアレイと
を持つように形成される（４１２で）： ＵＰＤＡＴＥ
ＮＮＳＯ−ＴＡＢＬＥ ＳＥＴ：ＮＮ＝：ＮＮ．ＣＯ
ＮＦＩＧＵＲＥ−ＮＥＴ（９，１，ＡＲＲＡＹ（４，
１））。
【００４７】ＣＯＮＦＩＧＵＲＥ−ＮＥＴ手順は、ＵＰ
ＤＡＴＥ文内で呼び出される。ＮＮＳＯテーブル３４が
形成された後にニューラルネットワーク・ルーチン４９
は、ＴＲＡＩＮＩＮＧ−ＤＡＴＡテーブル１０４とＡＮ
ＳＷＥＲ−ＳＥＴテーブル１０６とを使ってＮＮＳＯを
訓練するためのＴＲＡＩＮ手順を呼び出す： ＵＰＤＡ
ＴＥ ＮＮＳＯ−ＴＡＢＬＥ ＳＥＴ：ＮＮ＝：ＮＮ．
ＴＲＡＩＮ（ＴＲＡＩＮＩＮＧ−ＤＡＴＡ，ＡＮＳＷＥ
Ｒ−ＳＥＴ）。
ＤＡＴＥ文内で呼び出される。ＮＮＳＯテーブル３４が
形成された後にニューラルネットワーク・ルーチン４９
は、ＴＲＡＩＮＩＮＧ−ＤＡＴＡテーブル１０４とＡＮ
ＳＷＥＲ−ＳＥＴテーブル１０６とを使ってＮＮＳＯを
訓練するためのＴＲＡＩＮ手順を呼び出す： ＵＰＤＡ
ＴＥ ＮＮＳＯ−ＴＡＢＬＥ ＳＥＴ：ＮＮ＝：ＮＮ．
ＴＲＡＩＮ（ＴＲＡＩＮＩＮＧ−ＤＡＴＡ，ＡＮＳＷＥ
Ｒ−ＳＥＴ）。
【００４８】ＮＮＳＯテーブル３４が形成されて訓練さ
れた後に、ＭＡＴＣＨ手順は、ＮＮＳＯを使って目標デ
ータ３８のパターン認識を実行するために幾つかの刺激
に応答してＳＥＬＥＣＴ文に呼び出される： ＳＥＬ＊
ＦＲＯＭ ＴＡＲＧＥＴ−ＤＡＴＡ，ＮＮＳＯ−ＴＡＢ
ＬＥ ＷＨＥＲＥ ＮＮ．ＭＡＴＣＨ（ＴＡＲＧＥＴ−
ＤＡＴＡ．ＳＥＱ）＝ＴＲＵＥ。
れた後に、ＭＡＴＣＨ手順は、ＮＮＳＯを使って目標デ
ータ３８のパターン認識を実行するために幾つかの刺激
に応答してＳＥＬＥＣＴ文に呼び出される： ＳＥＬ＊
ＦＲＯＭ ＴＡＲＧＥＴ−ＤＡＴＡ，ＮＮＳＯ−ＴＡＢ
ＬＥ ＷＨＥＲＥ ＮＮ．ＭＡＴＣＨ（ＴＡＲＧＥＴ−
ＤＡＴＡ．ＳＥＱ）＝ＴＲＵＥ。
【００４９】ＳＥＬＥＣＴ文は、ＭＡＴＣＨ手順を呼び
出して、ＮＮＳＯテーブル３４からのＮＮＳＯとＴＡＲ
ＧＥＴ−ＤＡＴＡテーブル１０８の列（コラム）との結
合を実行する。一般に結合演算は、複数のテーブルから
の行または他のオブジェクトを結合することを含む。二
つ以上のパターンの特性を有するデータは、問い合わせ
内で二つ以上のＮＮＳＯ探索（例えば各ＮＮＳＯテーブ
ル内の二つ以上のＮＮＳＯ）を結合することによって得
ることができる。
出して、ＮＮＳＯテーブル３４からのＮＮＳＯとＴＡＲ
ＧＥＴ−ＤＡＴＡテーブル１０８の列（コラム）との結
合を実行する。一般に結合演算は、複数のテーブルから
の行または他のオブジェクトを結合することを含む。二
つ以上のパターンの特性を有するデータは、問い合わせ
内で二つ以上のＮＮＳＯ探索（例えば各ＮＮＳＯテーブ
ル内の二つ以上のＮＮＳＯ）を結合することによって得
ることができる。
【００５０】関係データベース管理システムといったデ
ータベースシステム内にニューラルネットワークを構築
することにより、ニューラルネットワークの性能は、こ
のようなデータベースシステム内に存在する効率的なデ
ータ・アクセス機構を利用することによって改善され
る。更にデータベースシステム内にデータへの並列アク
セスの可能な多数のプロセッサを有する並列データベー
スシステムでは、ニューラルネットワーク性能は、複数
の並列プロセッサにパターン探索を分散させることによ
って更に改善される。これらの並列プロセッサは、単一
ノードまたは複数ノード内の複数の制御ユニット上で実
行可能なソフトウエア・ルーチンであることができる。
並列データベースシステムの一例は、ＮＣＲ社から出て
いるＴＥＲＡＤＡＴＡ（Ｒ）データベースシステムであ
る。
ータベースシステム内にニューラルネットワークを構築
することにより、ニューラルネットワークの性能は、こ
のようなデータベースシステム内に存在する効率的なデ
ータ・アクセス機構を利用することによって改善され
る。更にデータベースシステム内にデータへの並列アク
セスの可能な多数のプロセッサを有する並列データベー
スシステムでは、ニューラルネットワーク性能は、複数
の並列プロセッサにパターン探索を分散させることによ
って更に改善される。これらの並列プロセッサは、単一
ノードまたは複数ノード内の複数の制御ユニット上で実
行可能なソフトウエア・ルーチンであることができる。
並列データベースシステムの一例は、ＮＣＲ社から出て
いるＴＥＲＡＤＡＴＡ（Ｒ）データベースシステムであ
る。
【００５１】幾つかの実施例の更なる利点は、ニューラ
ルネットワークがオブジェクト関係データベース管理シ
ステム内のオブジェクトといったオブジェクトとして定
義できることである。データベースシステム内のオブジ
ェクトとしてのニューラルネットワークの定義は、ニュ
ーラルネットワークの構築を簡単にする。
ルネットワークがオブジェクト関係データベース管理シ
ステム内のオブジェクトといったオブジェクトとして定
義できることである。データベースシステム内のオブジ
ェクトとしてのニューラルネットワークの定義は、ニュ
ーラルネットワークの構築を簡単にする。
【００５２】上述の種々のシステム（クライアントシス
テムおよびデータベースシステム）は各々、種々のソフ
トウエア・ルーチンまたはモジュールを含んでいる。こ
のようなソフトウエア・ルーチンまたはモジュールは、
対応する制御ユニット上で実行可能である。これら種々
の制御ユニットは、マイクロプロセッサ、マイクロコン
トローラ、あるいは他の制御または計算装置を含んでい
る。ここで使われたように「コントローラ」または「プ
ロセッサ」は、ハードウエア・コンポーネント、ソフト
ウエア・コンポーネント、またはこれら二つの組合せを
指している。「コントローラ」または「プロセッサ」は
また、複数のハードウエア・コンポーネント、ソフトウ
エア・コンポーネント、または複数のハードウエア・コ
ンポーネントとソフトウエア・コンポーネントとの組合
せを指すこともある。
テムおよびデータベースシステム）は各々、種々のソフ
トウエア・ルーチンまたはモジュールを含んでいる。こ
のようなソフトウエア・ルーチンまたはモジュールは、
対応する制御ユニット上で実行可能である。これら種々
の制御ユニットは、マイクロプロセッサ、マイクロコン
トローラ、あるいは他の制御または計算装置を含んでい
る。ここで使われたように「コントローラ」または「プ
ロセッサ」は、ハードウエア・コンポーネント、ソフト
ウエア・コンポーネント、またはこれら二つの組合せを
指している。「コントローラ」または「プロセッサ」は
また、複数のハードウエア・コンポーネント、ソフトウ
エア・コンポーネント、または複数のハードウエア・コ
ンポーネントとソフトウエア・コンポーネントとの組合
せを指すこともある。
【００５３】この論議のなかで言及した記憶モジュール
は、データと命令とを記憶するための一つ以上の機械可
読記憶媒体を含む。これらの記憶媒体は、ダイナミック
またはスタティック・ランダムアクセスメモリ（ＤＲＡ
ＭまたはＳＲＡＭ）、消去可能プログラム可能読取り専
用メモリ（ＥＰＲＯＭ）、電気的に消去可能なプログラ
ム可能読取り専用メモリ（ＥＥＰＲＯＭ）、フラッシュ
メモリといった半導体メモリ装置、固定ディスク、フロ
ッピーディスク、可換型ディスクといった磁気ディス
ク、テープを含む他の磁気媒体、あるいはコンパクトデ
ィスク（ＣＤ）またはディジタルビデオディスク（ＤＶ
Ｄ）といった光媒体を含む種々の形態のメモリを含んで
いる。種々の装置またはシステム内に種々のソフトウエ
ア・ルーチンまたはモジュールを用意する命令は、それ
ぞれの記憶ユニット内に格納される。これらの命令は、
それぞれの制御ユニットによって実行されると、対応す
る装置またはシステムにプログラムされた動作を実行さ
せる。
は、データと命令とを記憶するための一つ以上の機械可
読記憶媒体を含む。これらの記憶媒体は、ダイナミック
またはスタティック・ランダムアクセスメモリ（ＤＲＡ
ＭまたはＳＲＡＭ）、消去可能プログラム可能読取り専
用メモリ（ＥＰＲＯＭ）、電気的に消去可能なプログラ
ム可能読取り専用メモリ（ＥＥＰＲＯＭ）、フラッシュ
メモリといった半導体メモリ装置、固定ディスク、フロ
ッピーディスク、可換型ディスクといった磁気ディス
ク、テープを含む他の磁気媒体、あるいはコンパクトデ
ィスク（ＣＤ）またはディジタルビデオディスク（ＤＶ
Ｄ）といった光媒体を含む種々の形態のメモリを含んで
いる。種々の装置またはシステム内に種々のソフトウエ
ア・ルーチンまたはモジュールを用意する命令は、それ
ぞれの記憶ユニット内に格納される。これらの命令は、
それぞれの制御ユニットによって実行されると、対応す
る装置またはシステムにプログラムされた動作を実行さ
せる。
【００５４】ソフトウエア・ルーチンまたはモジュール
の命令は、多くの異なる方法の一つで各装置またはシス
テムにロードまたはトランスポートされる。例えば、フ
ロッピーディスク、ＣＤまたはＤＶＤ媒体、ハードディ
スクなどに格納された命令、またはネットワーク・イン
タフェース・カード、モデム、その他のインタフェース
装置を介してトランスポートされた命令を含む符号セグ
メントは、これらの装置またはシステム内にロードさ
れ、対応するソフトウエア・ルーチンまたはモジュール
として実行される。ローディングまたはトランスポート
処理において、搬送波に具体化される（電話線、ネット
ワーク・ライン、無線リンク、ケーブル等で伝送され
る）データ信号は、命令を含む符号セグメントを装置ま
たはシステムに伝達する。このような搬送波は、電気
的、光学的、音響的、電磁的またはその他のタイプの信
号の形をとっている。
の命令は、多くの異なる方法の一つで各装置またはシス
テムにロードまたはトランスポートされる。例えば、フ
ロッピーディスク、ＣＤまたはＤＶＤ媒体、ハードディ
スクなどに格納された命令、またはネットワーク・イン
タフェース・カード、モデム、その他のインタフェース
装置を介してトランスポートされた命令を含む符号セグ
メントは、これらの装置またはシステム内にロードさ
れ、対応するソフトウエア・ルーチンまたはモジュール
として実行される。ローディングまたはトランスポート
処理において、搬送波に具体化される（電話線、ネット
ワーク・ライン、無線リンク、ケーブル等で伝送され
る）データ信号は、命令を含む符号セグメントを装置ま
たはシステムに伝達する。このような搬送波は、電気
的、光学的、音響的、電磁的またはその他のタイプの信
号の形をとっている。
【図１】 クライアント端末に接続された、一実施例に
よるデータベースシステムのブロック図。
よるデータベースシステムのブロック図。
【図２】 図１のデータベースシステムに格納されたニ
ューラルネットワーク探索オブジェクト（ＮＮＳＯ）と
その他のデータとを示す図。
ューラルネットワーク探索オブジェクト（ＮＮＳＯ）と
その他のデータとを示す図。
【図３】 図１のデータベースシステムにニューラルネ
ットワークを構築するプロセスの流れ図。
ットワークを構築するプロセスの流れ図。
【図４】 ニューラルネットワーク探索オブジェクトと
それに関連する手順とを定義するプロセスの流れ図。
それに関連する手順とを定義するプロセスの流れ図。
【図５】 ニューラルネットワークを形成して訓練する
プロセスの流れ図。
プロセスの流れ図。
【図６】 図２のＮＮＳＯによって表される例示的ニュ
ーラルネットワークを示す図。
ーラルネットワークを示す図。
─────────────────────────────────────────────────────
フロントページの続き
(72)発明者 ジョン ディー フレーザー
アメリカ合衆国 92065 カリフォルニア
州 ロモナ エチェベリー ストリート
821
(72)発明者 ミカエル エル リード
アメリカ合衆国 92120 カリフォルニア
州 サンディエゴ シーマン ストリート
6266
Ｆターム(参考） 5B075 QT04 QT06
Claims (26)
- 【請求項１】 一つ以上の記憶モジュールと、 ニューラルネットワークを表す少なくとも一つのオブジ
ェクトを含み、前記一つ以上の記憶モジュールに記憶さ
れた少なくとも一つの関係テーブルと、 前記ニューラルネットワーク表現を使って演算を実行す
るように適応した少なくとも一つのプロセッサとからな
ることを特徴とするデータベースシステム。 - 【請求項２】 前記プロセッサは、前記ニューラルネッ
トワーク表現を使ってパターン認識演算を実行すること
に適応していることを特徴とする請求項１に記載のデー
タベースシステム。 - 【請求項３】 前記プロセッサは、入力パターンを受け
取り、前記入力パターンの一部分を前記ニューラルネッ
トワーク表現と結合して前記パターン認識を実行するこ
とに適応していることを特徴とする請求項２に記載のデ
ータベースシステム。 - 【請求項４】 前記ニューラルネットワーク表現がオブ
ジェクト関係データベース管理システム内にオブジェク
トとして記憶されている前記オブジェクト関係データベ
ース管理システムを含むことを特徴とする請求項１乃至
３の何れか一項に記載のデータベースシステム。 - 【請求項５】 前記記憶モジュールは、訓練データを更
に記憶しており、前記プロセッサは前記訓練データを使
って前記ニューラルネットワーク表現を修正することに
よって前記ニューラルネットワークを訓練することに適
応していることを特徴とする、請求項１乃至４の何れか
一項に記載のデータベースシステム。 - 【請求項６】 前記プロセッサは、前記ニューラルネッ
トワークの訓練に際して前記ニューラルネットワーク表
現の重みを調整することに適応していることを特徴とす
る請求項５に記載のデータベースシステム。 - 【請求項７】 前記ニューラルネットワーク表現は、前
記重みを含むブラブを有することを特徴とする請求項６
に記載のデータベースシステム。 - 【請求項８】 前記記憶モジュールは解答データを更に
記憶しており、前記プロセッサは前記訓練データと前記
解答データとを使って前記ニューラルネットワーク表現
を訓練することに適応しており、前記解答データは前記
訓練データが入力として前記ニューラルネットワーク表
現に適用されるときに期待される解答を含んでいること
を特徴とする請求項７に記載のデータベースシステム。 - 【請求項９】 前記ブラブは前記ニューラルネットワー
ク表現の隠れ層を表すことを特徴とする請求項７に記載
のデータベースシステム。 - 【請求項１０】 前記関係テーブルは予め定義されたデ
ータ型にしたがってデータを記憶することができ、前記
ニューラルネットワーク表現は前記予め定義されたデー
タ型の一つであることを特徴とする請求項１乃至９の何
れか一項に記載のデータベースシステム。 - 【請求項１１】 前記ニューラルネットワーク表現に関
連したタスクを実行するために前記プロセッサによって
呼び出され得る手順（メソッド）を更に含むことを特徴
とする請求項１乃至１０の何れか一項に記載のデータベ
ースシステム。 - 【請求項１２】 前記プロセッサは構造的問い合わせ言
語文に応答して、前記演算を実行することを特徴とする
請求項１乃至１１の何れか一項に記載のデータベースシ
ステム。 - 【請求項１３】 前記プロセッサは一つ以上のソフトウ
エア・ルーチンを含むことを特徴とする請求項１乃至１
２の何れか一項に記載のデータベースシステム。 - 【請求項１４】 複数の記憶モジュールを含んでおり、
前記プロセッサは各々が対応する記憶モジュールにアク
セスできる複数のノードを持っていることを特徴とする
請求項１乃至１３の何れか一項に記載のデータベースシ
ステム。 - 【請求項１５】 前記ニューラルネットワーク表現は前
記記憶モジュールの各々内に複製されていることを特徴
とする請求項１４に記載のデータベースシステム。 - 【請求項１６】 前記複数のプロセッサは前記演算を並
列に実行することを特徴とする請求項１乃至１５の何れ
か一項に記載のデータベースシステム。 - 【請求項１７】 ニューラルネットワークを構築するプ
ロセスであって、 前記ニューラルネットワークの表現をデータベース内に
格納するステップと、 前記ニューラルネットワーク表現を使ってタスクを実行
するための一つ以上のユーザ定義の手順を備えるステッ
プと、 演算を実行する要求を受け取るステップと、 前記演算を実行するために前記ニューラルネットワーク
の前記表現をアクセスする前記一つ以上のユーザ定義の
手順を呼び出すステップと、の各ステップを有すること
を特徴とする前記プロセス。 - 【請求項１８】 前記演算を実行するために前記一つ以
上のユーザ定義の手順を呼び出すステップは、パターン
認識演算の実行を含むことを特徴とする請求項１７に記
載のプロセス。 - 【請求項１９】 前記一つ以上のユーザ定義の手順を呼
び出すステップは、パターン照合演算を実行するための
第１の手順を呼び出すことを含むことを特徴とする請求
項１７に記載のプロセス。 - 【請求項２０】 前記一つ以上のユーザ定義の手順を呼
び出すステップは、前記表現内のニューラルネットワー
ク要素の重みを調整することによって前記ニューラルネ
ットワークを訓練するための第２の手順を呼び出すこと
を含むことを特徴とする請求項１９に記載のプロセス。 - 【請求項２１】 前記一つ以上のユーザ定義の手順を呼
び出すステップは、入力サイズと出力サイズと隠れ層サ
イズとを指定することによって前記ニューラルネットワ
ークを形成するための他の一つの方法を呼び出すことを
含むことを特徴とする請求項２０に記載のプロセス。 - 【請求項２２】 相互接続された処理要素のネットワー
クの表現を含み、前記相互接続された処理要素間の少な
くとも幾つかの接続部に関連した重みを更に含む関係テ
ーブルを記憶した記憶モジュールと、 前記重みを調整することによってパターン認識のために
前記ネットワークを訓練することに適応したコントロー
ラ（制御機構）とを含むことを特徴とするデータベース
システム。 - 【請求項２３】 実行されたときにデータベースシステ
ムにおいて、 ニューラルネットワーク・オブジェクトを生成すること
と、 関係テーブル内に前記ニューラルネットワーク・
オブジェクトを格納することと、 前記ニューラルネットワーク・オブジェクトを使ってパ
ターン認識演算を実行すること、とを行わせる命令を含
む少なくとも一つの記憶媒体。 - 【請求項２４】 前記命令は、実行されたときに前記デ
ータベースシステムに、 訓練データを記憶することと、 前記訓練データを使って前記ニューラルネットワーク・
オブジェクトを訓練すること、とを行わせることを特徴
とする、請求項２３に記載の記憶媒体。 - 【請求項２５】 前記命令は、実行されたときに前記デ
ータベースシステムに、入力データを記憶することと、 前記パターン認識演算を実行するために入力データを前
記ニューラルネットワーク・オブジェクトに与えること
とを行わせることを特徴とする、請求項２３または２４
に記載の記憶媒体。 - 【請求項２６】 前記命令は、実行されたときに前記デ
ータベースシステムに、入力サイズと出力サイズと隠れ
層サイズとを指定することによって前記ニューラルネッ
トワーク・オブジェクトを形成させることを特徴とする
請求項２５に記載の記憶媒体。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/797353 | 2001-02-28 | ||
| US09/797,353 US20020120435A1 (en) | 2001-02-28 | 2001-02-28 | Implementing a neural network in a database system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2003016422A true JP2003016422A (ja) | 2003-01-17 |
Family
ID=25170597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002100610A Pending JP2003016422A (ja) | 2001-02-28 | 2002-02-27 | ニューラルネットワークを構築したデータベースシステム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20020120435A1 (ja) |
| EP (1) | EP1237121A3 (ja) |
| JP (1) | JP2003016422A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220156550A1 (en) * | 2020-11-19 | 2022-05-19 | International Business Machines Corporation | Media capture device with power saving and encryption features for partitioned neural network |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10025260B4 (de) * | 2000-05-22 | 2004-11-25 | Conti Temic Microelectronic Gmbh | Verfahren zur Detektion von Überrollvorgängen bei Kraftfahrzeugen mit Sicherheitseinrichtungen |
| US7778996B2 (en) * | 2002-09-25 | 2010-08-17 | Teradata Us, Inc. | Sampling statistics in a database system |
| US20080168013A1 (en) * | 2006-12-05 | 2008-07-10 | Paul Cadaret | Scalable pattern recognition system |
| US10552851B2 (en) | 2012-02-20 | 2020-02-04 | Ameriprise Financial, Inc. | Opportunity list engine |
| JP2017182710A (ja) * | 2016-03-31 | 2017-10-05 | ソニー株式会社 | 情報処理装置、情報処理方法および情報提供方法 |
| US10445356B1 (en) * | 2016-06-24 | 2019-10-15 | Pulselight Holdings, Inc. | Method and system for analyzing entities |
| US11397159B1 (en) * | 2018-08-31 | 2022-07-26 | Byte Nutrition Science Incorporated | Systems, devices and methods for analyzing constituents of a material under test |
| US11934931B2 (en) | 2018-12-17 | 2024-03-19 | Shape Security, Inc. | Decision tree training using a database system |
| US11894113B2 (en) * | 2018-12-31 | 2024-02-06 | Cerner Innovation, Inc. | Ontological standards based approach to charting utilizing a generic concept content based framework across multiple localized proprietary domains |
| US11373233B2 (en) | 2019-02-01 | 2022-06-28 | Target Brands, Inc. | Item recommendations using convolutions on weighted graphs |
| CN110070224A (zh) * | 2019-04-20 | 2019-07-30 | 北京工业大学 | 一种基于多步骤递归预测的空气质量预测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3329806B2 (ja) * | 1990-11-09 | 2002-09-30 | 株式会社日立製作所 | ニューラルネット構築装置 |
| US5461699A (en) * | 1993-10-25 | 1995-10-24 | International Business Machines Corporation | Forecasting using a neural network and a statistical forecast |
| US5692107A (en) * | 1994-03-15 | 1997-11-25 | Lockheed Missiles & Space Company, Inc. | Method for generating predictive models in a computer system |
| US5701400A (en) * | 1995-03-08 | 1997-12-23 | Amado; Carlos Armando | Method and apparatus for applying if-then-else rules to data sets in a relational data base and generating from the results of application of said rules a database of diagnostics linked to said data sets to aid executive analysis of financial data |
| US6108648A (en) * | 1997-07-18 | 2000-08-22 | Informix Software, Inc. | Optimizer with neural network estimator |
| US6438552B1 (en) * | 1998-10-02 | 2002-08-20 | Ncr Corporation | SQL-Based automated histogram bin data derivation assist |
| US6704717B1 (en) * | 1999-09-29 | 2004-03-09 | Ncr Corporation | Analytic algorithm for enhanced back-propagation neural network processing |
-
2001
- 2001-02-28 US US09/797,353 patent/US20020120435A1/en not_active Abandoned
-
2002
- 2002-02-25 EP EP02251260A patent/EP1237121A3/en not_active Withdrawn
- 2002-02-27 JP JP2002100610A patent/JP2003016422A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220156550A1 (en) * | 2020-11-19 | 2022-05-19 | International Business Machines Corporation | Media capture device with power saving and encryption features for partitioned neural network |
| US11948059B2 (en) * | 2020-11-19 | 2024-04-02 | International Business Machines Corporation | Media capture device with power saving and encryption features for partitioned neural network |
Also Published As
| Publication number | Publication date |
|---|---|
| EP1237121A2 (en) | 2002-09-04 |
| EP1237121A3 (en) | 2007-12-19 |
| US20020120435A1 (en) | 2002-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5050095A (en) | Neural network auto-associative memory with two rules for varying the weights | |
| JP2003016422A (ja) | ニューラルネットワークを構築したデータベースシステム | |
| JP5989792B2 (ja) | 無監督ニューラルリプレイ、学習改善、関連付け、およびメモリ転送のための方法および装置：ニューラル構成要素メモリ転送 | |
| EP1295252B1 (en) | Apparatus for generating sequences of elements | |
| Falandays et al. | The emergence of cultural attractors: how dynamic populations of learners achieve collective cognitive alignment | |
| CN113361279A (zh) | 一种基于双邻域图神经网络的医疗实体对齐方法及系统 | |
| CN100580654C (zh) | 信息处理装置和方法 | |
| Vaghela et al. | Students' Admission Prediction using GRBST with Distributed Data Mining | |
| Chen | A machine learning approach to document retrieval: an overview and an experiment | |
| Yao et al. | Learning to activate logic rules for textual reasoning | |
| Maudal | Preprocessing data for neural network based classifiers: Rough sets vs Principal Component Analysis | |
| JP3114276B2 (ja) | 階層型ニューラルネットワークの学習方法 | |
| Elketroussi et al. | Optimization of simulation models with GADELO: a multi-population genetic algorithm | |
| Bull | Model-based evolutionary computing: A neural network and genetic algorithm architecture | |
| US20220405577A1 (en) | Storage and inference method for deep-learning neural network | |
| Balfour et al. | InfoExec: object-oriented/semantic database implementation | |
| Avner | Discovery of comprehensible symbolic rules in a neural network | |
| Liu | Application Scheme of Artificial Neural Network in Archives Intelligent Management | |
| Yan et al. | Studies on genetic multilayer feedforward neural networks and the development of GMNN | |
| Guinier | Computer “virus” identification by neural networks: An artificial intelligence connectionist implementation naturally made to work with fuzzy information | |
| Deepthi et al. | A new hierarchical pattern recognition method using mirroring neural networks | |
| Sabah | Applying Neural Network to Combining the Heterogeneous Features | |
| Lin | Optimal Stopping of exotic American option by Deep Learning | |
| Raviram et al. | Concurrency control in CAD with KBMS using counter propagation neural network | |
| JP2904832B2 (ja) | 神経回路網装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050113 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070612 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20071122 |