JPH02222062A - 学習機械 - Google Patents
学習機械Info
- Publication number
- JPH02222062A JPH02222062A JP1043731A JP4373189A JPH02222062A JP H02222062 A JPH02222062 A JP H02222062A JP 1043731 A JP1043731 A JP 1043731A JP 4373189 A JP4373189 A JP 4373189A JP H02222062 A JPH02222062 A JP H02222062A
- Authority
- JP
- Japan
- Prior art keywords
- output signal
- input
- error
- unit
- output
- 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
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 240000001973 Ficus microcarpa Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
産業上の利用分野
本発明はデータ処理装置の学習機械に関するものである
。
。
従来の技術
従来の、学習機械としては、例えばテ゛イイー１Ｌ：／
メルハルト、シーイヒルトン 及びＹ−ルシ゛１イウイ
リ７ムス（Ｄ、 Ｅ、 Ｒｕｍｅｌｈａｒｔ、 Ｇ
、 Ｅ、旧ｎｔｏｎ ａｎｄ Ｒ，Ｊ−Ｗｉｌｌｉａｍ
ｓ）による”ラーニンク゛レフ″シセ゛シテイショシ
バーツタフロ０八〇ケーイテインクーＩラ−（Ｌｅａ
ｒ旧ｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ
Ｂａｃｋ−Ｐｒｏｐａｇａｔｉｎｇ Ｅｒｒｏｒ
ｓ）、″ネイチ＋−（Ｎａｔｕｒｅ）、 ｖｏｌ、３
２３． ｐｐ、５３３−５３６． Ｏｃｔ。
メルハルト、シーイヒルトン 及びＹ−ルシ゛１イウイ
リ７ムス（Ｄ、 Ｅ、 Ｒｕｍｅｌｈａｒｔ、 Ｇ
、 Ｅ、旧ｎｔｏｎ ａｎｄ Ｒ，Ｊ−Ｗｉｌｌｉａｍ
ｓ）による”ラーニンク゛レフ″シセ゛シテイショシ
バーツタフロ０八〇ケーイテインクーＩラ−（Ｌｅａ
ｒ旧ｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ
Ｂａｃｋ−Ｐｒｏｐａｇａｔｉｎｇ Ｅｒｒｏｒ
ｓ）、″ネイチ＋−（Ｎａｔｕｒｅ）、 ｖｏｌ、３
２３． ｐｐ、５３３−５３６． Ｏｃｔ。
９．１９８６）に示されている。この従来の学習機械は
、第９図に示すように出力信号算出部と重み係数更新部
からなり、前記出力信号算出部は層構造をもち、各層内
相互の結合がなく、上位層にのみ信号が伝搬するように
ネットワーク接続された複数の多入力一出力信号処理部
９００から構成される。各多入力一出力信号処理部９０
０はそれに接続されている下層の多入力一出力信号処理
部９００の出力とその接続の度合である重み係数とを掛
は合わせたものの総和をしきい値開数で変換した後、そ
の値を上層への出力として伝達する働きをしている。重
み係数更新部は、前記出力信号算出部の入力部９０１か
ら入力される信号に応じて、教師信号発生部９０２が前
記入力信号にたいする望ましい出力信号を教師信号ｔｋ
として発生し、誤差信号算出部９０３において前記出力
信号算出部から出力される実際の出力信号０＊ （Ｏｋ
は、出力信号算出部における最上位層の第に番目の多入
力一出力信号処理部の出力を表す。）と前記教師信号と
の差から誤差Ｅ ＝０．５ （ｔ ＊−Ｏｂ） ２が計
算されこの値で現在の結合状態（重み係数の大きさ）で
のネットワークの性能を評価する。このようにして計算
された誤差Ｅをもとに重み変更量算出部９０４は前記出
力信号算出部の重み係数の変更量△Ｗｉ４を次式に基づ
いて計算する。
、第９図に示すように出力信号算出部と重み係数更新部
からなり、前記出力信号算出部は層構造をもち、各層内
相互の結合がなく、上位層にのみ信号が伝搬するように
ネットワーク接続された複数の多入力一出力信号処理部
９００から構成される。各多入力一出力信号処理部９０
０はそれに接続されている下層の多入力一出力信号処理
部９００の出力とその接続の度合である重み係数とを掛
は合わせたものの総和をしきい値開数で変換した後、そ
の値を上層への出力として伝達する働きをしている。重
み係数更新部は、前記出力信号算出部の入力部９０１か
ら入力される信号に応じて、教師信号発生部９０２が前
記入力信号にたいする望ましい出力信号を教師信号ｔｋ
として発生し、誤差信号算出部９０３において前記出力
信号算出部から出力される実際の出力信号０＊ （Ｏｋ
は、出力信号算出部における最上位層の第に番目の多入
力一出力信号処理部の出力を表す。）と前記教師信号と
の差から誤差Ｅ ＝０．５ （ｔ ＊−Ｏｂ） ２が計
算されこの値で現在の結合状態（重み係数の大きさ）で
のネットワークの性能を評価する。このようにして計算
された誤差Ｅをもとに重み変更量算出部９０４は前記出
力信号算出部の重み係数の変更量△Ｗｉ４を次式に基づ
いて計算する。
Δｗ、＝ −εつＥ ／ ：Ｑ Ｗ ； ４ここで、ε
は学習レートと呼ばれる正の定数である。以上のように
重みの更新を繰り返すことにより、誤差を小さくしてゆ
き、誤差が十分小さくなると、出力信号が望ましい値に
十分近くなったものとして、学習を終了する。
は学習レートと呼ばれる正の定数である。以上のように
重みの更新を繰り返すことにより、誤差を小さくしてゆ
き、誤差が十分小さくなると、出力信号が望ましい値に
十分近くなったものとして、学習を終了する。
発明が解決しようとする課題
しかしながら上記のような構成では、最上位層における
一部の多入力一出力信号処理部の誤差だけが、非常に大
きくなったまま収束せずに残ってしまうことから、学習
に要する時間が長くなるという課題を有していた。
一部の多入力一出力信号処理部の誤差だけが、非常に大
きくなったまま収束せずに残ってしまうことから、学習
に要する時間が長くなるという課題を有していた。
本発明はかかる点に鑑み、学習に要する時間の短い学習
機械を提供することを目的とする。
機械を提供することを目的とする。
課題を解決するための手段
本発明は、層構造をもち、各層内相互の結合がなく、上
位層にのみ信号が伝搬するようにネットワーク接続され
た複数の多入力一出力信号処理部からなる出力信号算出
部と、該出力信号算出部で得られた出力信号をもとに前
期出力信号算出部の重み係数の値を更新する重み係数更
新部を具備し、前記多入力一出力信号処理部は、複数の
重み係数を保持するメモリと、複数のデータを入力する
入力部と、前記メモリに貯えられた重み係数で前記入力
部からの入力データを重み付けする乗算手段と、前記乗
算手段で重み付けされた複数のデータを多数加え合わせ
る加算手段と、該加算手段の出力を一定範囲の値に制限
するしきい値処理部を備え、前記重み係数更新部は、上
記出力信号算出部の出力信号の望ましい値として教師信
号を与える教師信号発生部と、前記出力信号と該教師信
号との誤差を求める誤差信号算出部と、前記誤差信号算
出部の出力に応じて前記メモリに蓄えられた重み係数の
変更量を計算する重み変更量算出部と、前記誤差算出部
の出力に応じて前期重み係数の変更量を制御する重み変
更量制御部とを備えた学習機械である。
位層にのみ信号が伝搬するようにネットワーク接続され
た複数の多入力一出力信号処理部からなる出力信号算出
部と、該出力信号算出部で得られた出力信号をもとに前
期出力信号算出部の重み係数の値を更新する重み係数更
新部を具備し、前記多入力一出力信号処理部は、複数の
重み係数を保持するメモリと、複数のデータを入力する
入力部と、前記メモリに貯えられた重み係数で前記入力
部からの入力データを重み付けする乗算手段と、前記乗
算手段で重み付けされた複数のデータを多数加え合わせ
る加算手段と、該加算手段の出力を一定範囲の値に制限
するしきい値処理部を備え、前記重み係数更新部は、上
記出力信号算出部の出力信号の望ましい値として教師信
号を与える教師信号発生部と、前記出力信号と該教師信
号との誤差を求める誤差信号算出部と、前記誤差信号算
出部の出力に応じて前記メモリに蓄えられた重み係数の
変更量を計算する重み変更量算出部と、前記誤差算出部
の出力に応じて前期重み係数の変更量を制御する重み変
更量制御部とを備えた学習機械である。
作用
本発明は前記した構成により、誤差の大きい出力信号を
より早く収束させることが出来るので学習に要する時間
を短縮することができる。
より早く収束させることが出来るので学習に要する時間
を短縮することができる。
実施例
以下に、本発明の実施例について図面を参照しながら説
明する。第１図は本発明の第１の実施例における学習機
械の構成図を示すものである。第１図において、ｌは出
力信号算出部、２は該出力信号算出部ｌで得られた出力
信号をもとに前期出力信号算出部ｌの重み係数の値を更
新する重み係数更新部である。出力信号算出部・ｌは、
第２図に示すように多段の回路網的構成をしており、１
００は多入力一出力信号処理部、１０１は出力信号算出
部ｌの入力部である。このような出力信号算出ｇｌを構
成する多入力一出力信号処理部１００の構成を具体的に
示したものが第３図である。第３図において、１００１
は多入力一出力信号処理部１００の入力部、１００２は
入力部１００１からの複数入力を重み付ける重み係数を
格納するメモリ、１００３はメモリ１００２の重み係数
と入力部１００１からの入力を各々掛は合わせる乗算器
、１００４は乗算器１００３の各々の出力を足し合わせ
る加算器、１００５は加算器１００４の出力を一定範囲
の値に制限するしきい値処理部である。しきい値処理部
１００５の入出力特性を第４図に示す。例えば、出力を
（０，１）の範囲に制限するしきい値処理部２０００の
人出力特性はｆ （ｔ） ＝１／（１＋ｅｘｐ（−１
十〇）） （１）と数式的に表現できる。ここで、
■はしきい値処理部１００５の入力である。なお、しき
い値処理部１００５の人出力特性としては上記以外のし
きい値開数でもよい。重み係数更新部２の構成図を第５
図に示す。２００は教師信号発生部、２０１は誤差信号
算出部、２０２は重み変更量算出部、２０３は重み変更
量制御部である。
明する。第１図は本発明の第１の実施例における学習機
械の構成図を示すものである。第１図において、ｌは出
力信号算出部、２は該出力信号算出部ｌで得られた出力
信号をもとに前期出力信号算出部ｌの重み係数の値を更
新する重み係数更新部である。出力信号算出部・ｌは、
第２図に示すように多段の回路網的構成をしており、１
００は多入力一出力信号処理部、１０１は出力信号算出
部ｌの入力部である。このような出力信号算出ｇｌを構
成する多入力一出力信号処理部１００の構成を具体的に
示したものが第３図である。第３図において、１００１
は多入力一出力信号処理部１００の入力部、１００２は
入力部１００１からの複数入力を重み付ける重み係数を
格納するメモリ、１００３はメモリ１００２の重み係数
と入力部１００１からの入力を各々掛は合わせる乗算器
、１００４は乗算器１００３の各々の出力を足し合わせ
る加算器、１００５は加算器１００４の出力を一定範囲
の値に制限するしきい値処理部である。しきい値処理部
１００５の入出力特性を第４図に示す。例えば、出力を
（０，１）の範囲に制限するしきい値処理部２０００の
人出力特性はｆ （ｔ） ＝１／（１＋ｅｘｐ（−１
十〇）） （１）と数式的に表現できる。ここで、
■はしきい値処理部１００５の入力である。なお、しき
い値処理部１００５の人出力特性としては上記以外のし
きい値開数でもよい。重み係数更新部２の構成図を第５
図に示す。２００は教師信号発生部、２０１は誤差信号
算出部、２０２は重み変更量算出部、２０３は重み変更
量制御部である。
以上のように構成された第１の実施例の学習機械につい
て、以下その動作を説明する。
て、以下その動作を説明する。
出力°信号算出部１０入力部１０１に入力信号が入力さ
れると、各多入力一出力信号処理部１０１は、該多入力
一出力信号処理部１０１に接続されている下層の多入力
一出力信号処理部１０１の出力とメモリ１００２に記憶
されているその接続の度合である重み係数とを乗算器１
００３により掛は合わせ、前記乗算器１００３の各々の
出力の総和を加算器１００４で計算した後、しきい値処
理部１００５で変換しその値を上層の多入力一出力信号
処理部へ出力する。つまり、第３図に示す多入力一出力
信号処理部１００は、入力部１００１への入力値をｏ＋
（下層のｊ番目の多入力一出力信号処理部の出力）
メモリ１００２に格納されている重み係数をＷ＋４（ｉ
番目の多入力一出力信号処理部と下層のｊ番目の多入力
一出力信号処理部との結合重み）とすれば、 ｏ、＝ｆ（ΣＷｉｔ （１） （２）を
計算しているわけである。
れると、各多入力一出力信号処理部１０１は、該多入力
一出力信号処理部１０１に接続されている下層の多入力
一出力信号処理部１０１の出力とメモリ１００２に記憶
されているその接続の度合である重み係数とを乗算器１
００３により掛は合わせ、前記乗算器１００３の各々の
出力の総和を加算器１００４で計算した後、しきい値処
理部１００５で変換しその値を上層の多入力一出力信号
処理部へ出力する。つまり、第３図に示す多入力一出力
信号処理部１００は、入力部１００１への入力値をｏ＋
（下層のｊ番目の多入力一出力信号処理部の出力）
メモリ１００２に格納されている重み係数をＷ＋４（ｉ
番目の多入力一出力信号処理部と下層のｊ番目の多入力
一出力信号処理部との結合重み）とすれば、 ｏ、＝ｆ（ΣＷｉｔ （１） （２）を
計算しているわけである。
重み係数更新部２は、前記出力信号算出部ｌの入力部１
０１から入力される信号に応じて、教師信号発生部２０
０が前記入力信号にたいする望ましい出力信号を教師信
号ｔｋとして発生し、誤差信号算出部２０１において前
記出力信号算出部１から出力される実際の出力信号Ｏｋ
と前記教師信号との差から、＠Ｌ位層におけるに番目の
多入力一出力信号処理部の誤差Ｅ：０．５（ｔｂ−Ｏｂ
）”が計算されこの値で現在の結合状態（重み係数の大
きさ）でのネットワークの性能を評価する。このように
して計算された誤差Ｅをもとに重み変更量算出部２０２
は前記出力信号算出部１のメモリ１００２に記憶されて
いる重み係数の変更量ΔＷ、を次式に基づいて計算する
。
０１から入力される信号に応じて、教師信号発生部２０
０が前記入力信号にたいする望ましい出力信号を教師信
号ｔｋとして発生し、誤差信号算出部２０１において前
記出力信号算出部１から出力される実際の出力信号Ｏｋ
と前記教師信号との差から、＠Ｌ位層におけるに番目の
多入力一出力信号処理部の誤差Ｅ：０．５（ｔｂ−Ｏｂ
）”が計算されこの値で現在の結合状態（重み係数の大
きさ）でのネットワークの性能を評価する。このように
して計算された誤差Ｅをもとに重み変更量算出部２０２
は前記出力信号算出部１のメモリ１００２に記憶されて
いる重み係数の変更量ΔＷ、を次式に基づいて計算する
。
ΔＷ＋７ ＝ −ｔ ａＥ／、；１ｗｒ４
（３）ここで、εは学習レートと呼ばれる正の定数
である。重み変更量制御部２０３は、誤差Ｉｔｂ ｏ
ｗｌがしきい値Ｔより大きい場合に、前記出力信号算出
部１における最上位層の重み係数変更量のみｍ倍する。
（３）ここで、εは学習レートと呼ばれる正の定数
である。重み変更量制御部２０３は、誤差Ｉｔｂ ｏ
ｗｌがしきい値Ｔより大きい場合に、前記出力信号算出
部１における最上位層の重み係数変更量のみｍ倍する。
以上のようにして、重みの更新を繰り返すことにより、
誤差を小さくしてゆき、誤差が十分小さくなると、出力
信号が望ましい値に十分近くなったものとして、学習を
終了する。
誤差を小さくしてゆき、誤差が十分小さくなると、出力
信号が望ましい値に十分近くなったものとして、学習を
終了する。
次に、この学習機械を文字認識に応用した例について説
明する。第６図はその構成図である。６０１は二１（α
化後の文字データから特徴パラメータを求める特徴抽出
部、６０２は特徴パラメータから文字を認識する文字認
識部、６０３は文字認識部２０重み係数の値を更新する
重み係数更新部である。文字認識部６０２は、第７図に
示すように５６個の中間ユニットをもち、６４個の特徴
パラメータを入力として３６個の英数字を認識する３層
の回路構成にした。重み係数更新部６０３における重み
の更新は、重み変更時に前回の変更量が影響するように
次式に基づいて重み係数を変更した。
明する。第６図はその構成図である。６０１は二１（α
化後の文字データから特徴パラメータを求める特徴抽出
部、６０２は特徴パラメータから文字を認識する文字認
識部、６０３は文字認識部２０重み係数の値を更新する
重み係数更新部である。文字認識部６０２は、第７図に
示すように５６個の中間ユニットをもち、６４個の特徴
パラメータを入力として３６個の英数字を認識する３層
の回路構成にした。重み係数更新部６０３における重み
の更新は、重み変更時に前回の変更量が影響するように
次式に基づいて重み係数を変更した。
Δｗ；７（ｎ＋１）＝ −ｃ ９Ｅ／’９ｗ＋ α
Δｗ＋４（ｎ） ここで、αは加速度レートと呼ばれる正の定数である。
Δｗ＋４（ｎ） ここで、αは加速度レートと呼ばれる正の定数である。
第８図に、しきい値処理部２０００の人出力特性を
ｆ （１） ＝Ｉ ／ （１＋ｅｘｐ（−１十〇
）） （１）しきい値Ｔを０．５、学習レートεを
０．２、加速度レートαを０．９５とした場合の認識率
と学習に要する時間の関係を、制御ｆ１ｍをパラメータ
として示した。ここで、ｍ＝１の場合は従来例に相当す
る。
）） （１）しきい値Ｔを０．５、学習レートεを
０．２、加速度レートαを０．９５とした場合の認識率
と学習に要する時間の関係を、制御ｆ１ｍをパラメータ
として示した。ここで、ｍ＝１の場合は従来例に相当す
る。
第８図から明らかなように、本実施例は、従来例に比べ
て学習に要する時間が短くなることがわかる。例えば認
識率が９９．９χになるまでの時間をｍ＝４の場合とｍ
＝１（従来例）の場合で比較すると約１／３に短縮され
ており、同様に認識率が１０ｏｚに達するまでの時間で
比較すると約１／４に短縮されている。
て学習に要する時間が短くなることがわかる。例えば認
識率が９９．９χになるまでの時間をｍ＝４の場合とｍ
＝１（従来例）の場合で比較すると約１／３に短縮され
ており、同様に認識率が１０ｏｚに達するまでの時間で
比較すると約１／４に短縮されている。
このように本実施例によれば、学習に要する時間を短く
することが出来る。
することが出来る。
発明の詳細
な説明した゛ように、本発明によれば、誤差信号の大き
さに応じて重み係数の変更量を制御する重み変更量制御
部を設けることにより、誤差の大きい出力信号より速く
収束させることが出来、学習の高速化が計れるので、そ
の実用的効果は太きい。
さに応じて重み係数の変更量を制御する重み変更量制御
部を設けることにより、誤差の大きい出力信号より速く
収束させることが出来、学習の高速化が計れるので、そ
の実用的効果は太きい。
第１図は本発明における第１の実施例における学習機械
のブロック図、第２図は同実施例における出力信号算出
部のブロック図、第３図は同実施例における多入力一出
力信号処理部のブロック図、第４図は同実施例における
しきい値処理部の人出力特性グラフ、第５図は同実施例
における重み係数更新部のグラフ、第６図は同実施例を
文字認識に応用した場合のブロック図、第７図は同実施
例における文字認識部の構成図、第８図は同実施例にお
ける認識率の例を示すグラフ、第９図は従来の学習機械
のブロック図である。 ｌ・・・出力信号算出部、２・・・重み変更量算出部、
１００・・・多入力一出力信号処理部、１０１・・・出
力信号算出部の入力部、１ｏｏｔ・・・多入力一出力信
号処理部の入力部、１００２・・・メモ１ハ １００３
・・・乗算器、１００４・・・加算器、１００５・・・
しきい値処理部、２００・・・教師信号発生部、２０１
・・・誤差信号算出部、２０３・・・重み変更量算出部
、２０４・・・重み変更量制御部。
のブロック図、第２図は同実施例における出力信号算出
部のブロック図、第３図は同実施例における多入力一出
力信号処理部のブロック図、第４図は同実施例における
しきい値処理部の人出力特性グラフ、第５図は同実施例
における重み係数更新部のグラフ、第６図は同実施例を
文字認識に応用した場合のブロック図、第７図は同実施
例における文字認識部の構成図、第８図は同実施例にお
ける認識率の例を示すグラフ、第９図は従来の学習機械
のブロック図である。 ｌ・・・出力信号算出部、２・・・重み変更量算出部、
１００・・・多入力一出力信号処理部、１０１・・・出
力信号算出部の入力部、１ｏｏｔ・・・多入力一出力信
号処理部の入力部、１００２・・・メモ１ハ １００３
・・・乗算器、１００４・・・加算器、１００５・・・
しきい値処理部、２００・・・教師信号発生部、２０１
・・・誤差信号算出部、２０３・・・重み変更量算出部
、２０４・・・重み変更量制御部。
Claims (2)
- （１）層構造をもち、各層内相互の結合がなく、上位層
にのみ信号が伝搬するようにネットワーク接続された複
数の多入力一出力信号処理部からなる出力信号算出部と
、該出力信号算出部で得られた出力信号をもとに前期出
力信号算出部の重み係数の値を更新する重み係数更新部
を具備し、前記多入力一出力信号処理部は、複数の重み
係数を保持するメモリと、複数のデータを入力する入力
部と、前記メモリに貯えられた重み係数で前記入力部か
らの入力データを重み付けする乗算手段と、前記乗算手
段で重み付けされた複数のデータを多数加え合わせる加
算手段と、該加算手段の出力を一定範囲の値に制限する
しきい値処理部を備え、前記重み係数更新部は、上記出
力信号算出部の出力信号の望ましい値として教師信号を
与える教師信号発生部と、前記出力信号と該教師信号と
の誤差を求める誤差信号算出部と、前記誤差信号算出部
の出力に応じて前記メモリに蓄えられた重み係数の変更
量を計算する重み変更量算出部と、前記誤差算出部の出
力に応じて前期重み係数の変更量を制御する重み変更量
制御部とを備えたことを特徴とする学習機械。 - （２）重み変更量制御部は、前記誤差算出部の出力がし
きい値を越えた場合に、前記出力信号算出部の最上位層
の重み変更量をｍ倍することを特徴とする請求項１記載
の学習機械。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1043731A JPH02222062A (ja) | 1989-02-23 | 1989-02-23 | 学習機械 |
| DE69013716T DE69013716T2 (de) | 1989-02-23 | 1990-02-20 | Lernmaschine. |
| US07/481,316 US5129038A (en) | 1989-02-23 | 1990-02-20 | Neural network with selective error reduction to increase learning speed |
| EP90301810A EP0384709B1 (en) | 1989-02-23 | 1990-02-20 | Learning Machine |
| KR1019900002310A KR920006793B1 (ko) | 1989-02-23 | 1990-02-23 | 학습기계 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1043731A JPH02222062A (ja) | 1989-02-23 | 1989-02-23 | 学習機械 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH02222062A true JPH02222062A (ja) | 1990-09-04 |
Family
ID=12671927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1043731A Pending JPH02222062A (ja) | 1989-02-23 | 1989-02-23 | 学習機械 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH02222062A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5390284A (en) * | 1991-06-27 | 1995-02-14 | Hitachi, Ltd. | Learning method and apparatus for neural networks and simulator with neural network |
| US7606775B2 (en) | 2003-06-20 | 2009-10-20 | Lg Electronics Inc. | Mobile communication terminal using MOBP learning |
-
1989
- 1989-02-23 JP JP1043731A patent/JPH02222062A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5390284A (en) * | 1991-06-27 | 1995-02-14 | Hitachi, Ltd. | Learning method and apparatus for neural networks and simulator with neural network |
| US7606775B2 (en) | 2003-06-20 | 2009-10-20 | Lg Electronics Inc. | Mobile communication terminal using MOBP learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Man et al. | A new adaptive backpropagation algorithm based on Lyapunov stability theory for neural networks | |
| Haddad et al. | Variable-structure backstepping controller for multivariable nonlinear systems with actuator nonlinearities based on adaptive fuzzy system | |
| US5845051A (en) | Learning method for multilayer perceptron neural network with N-bit data representation | |
| EP0384709A2 (en) | Learning Machine | |
| JPH02222062A (ja) | 学習機械 | |
| JPH0451384A (ja) | ニューラルネットワークの構築方法 | |
| EP0970420B1 (en) | Associative neuron in an artificial neural network | |
| JP3082530B2 (ja) | ニューラルネットワーク回路 | |
| JPH0492901A (ja) | ニューラルネットワークによるファジイ制御器 | |
| JP2752109B2 (ja) | 集積回路及び半導体装置 | |
| Wang et al. | Finite time stability of octonion-valued neural networks with delays | |
| JP3262340B2 (ja) | 情報処理装置 | |
| JPH04662A (ja) | 学習機械 | |
| Takanashi et al. | Image Classification Using l 1-fidelity Multi-layer Convolutional Sparse Representation | |
| JPH04310167A (ja) | 学習機械 | |
| JPH0367358A (ja) | 学習機械 | |
| JP2976835B2 (ja) | ニューラルネットワーク装置 | |
| Latino et al. | Realizing general MLP networks with minimal FPGA resources | |
| JP2744313B2 (ja) | ネットワーク構成データ処理装置 | |
| JPH02178759A (ja) | 神経回路網 | |
| JPH04360266A (ja) | 学習装置 | |
| Belikov et al. | Dynamic pole placement based control of nonlinear discrete time systems with input delay | |
| JPH0233655A (ja) | 神経回路網型パターン処理装置 | |
| JPH0731522B2 (ja) | 適応制御装置 | |
| Toqeer et al. | Neurocontroller for induction motors |