JPH03119463A - ニューラルネットにおける非線形計算方式 - Google Patents
ニューラルネットにおける非線形計算方式Info
- Publication number
- JPH03119463A JPH03119463A JP1257529A JP25752989A JPH03119463A JP H03119463 A JPH03119463 A JP H03119463A JP 1257529 A JP1257529 A JP 1257529A JP 25752989 A JP25752989 A JP 25752989A JP H03119463 A JPH03119463 A JP H03119463A
- Authority
- JP
- Japan
- Prior art keywords
- function
- nonlinear
- output
- neural network
- nonlinear function
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 16
- 230000001537 neural effect Effects 0.000 title 1
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 102220107837 rs2268147 Human genes 0.000 description 1
- 102220272493 rs782575179 Human genes 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】
[発明の目的]
(産業上の利用分野)
この発明はニューラルネットにおける非線形計算を簡単
に行うことのできる方式に関する。
に行うことのできる方式に関する。
(従来技術)
近時、ニューラルネットをパターン認識、信号処理、知
識処理等に応用する研究が進んでいる。
識処理等に応用する研究が進んでいる。
これは、ニューラルネットにパターン認識処理機能や知
識処理機能を教え込むアルゴリズム(バックプロパゲー
ション(誤差逆伝搬法、以下、BPアルゴリズムと呼ぶ
)が発見されたことによる。
識処理機能を教え込むアルゴリズム(バックプロパゲー
ション(誤差逆伝搬法、以下、BPアルゴリズムと呼ぶ
)が発見されたことによる。
このBPアルゴリズムを用いることにより、人力と望ま
しい出力を与えていくことにより、自動的にニューラル
ネットを学習することができる。すなわち、入力を与え
、ネットワークの出力を調べる。正しくなければ、正し
い出力をネットワークに教える。この結果ネットワーク
は正しい出力を出すようにネットワークの接続の強さを
変える。
しい出力を与えていくことにより、自動的にニューラル
ネットを学習することができる。すなわち、入力を与え
、ネットワークの出力を調べる。正しくなければ、正し
い出力をネットワークに教える。この結果ネットワーク
は正しい出力を出すようにネットワークの接続の強さを
変える。
これを繰り返すことにより学習が完了する。BPアルゴ
リズムが使えるニューラルネットとしてパターン連想型
がある。パターン連想型では各ユニットにューロン)を
入力層、中間層、出力層に階層化している。各ユニット
は入力の総和を関数f適用し、嚢換する。この関数とし
ては例えばs i gmo i d関数が使われる。
リズムが使えるニューラルネットとしてパターン連想型
がある。パターン連想型では各ユニットにューロン)を
入力層、中間層、出力層に階層化している。各ユニット
は入力の総和を関数f適用し、嚢換する。この関数とし
ては例えばs i gmo i d関数が使われる。
この入出力特性は非線形になる。
このようなニューラルネットを用いる場合、般に汎用マ
イクロコンピュータ上で実行されることが多い。また、
汎用マイクロコンピュータに付加演算装置を設は浮動小
数点演算を高速で実行することにより計算時間を短縮す
るシステムもある。
イクロコンピュータ上で実行されることが多い。また、
汎用マイクロコンピュータに付加演算装置を設は浮動小
数点演算を高速で実行することにより計算時間を短縮す
るシステムもある。
第3図に標準的な多層(3層)ニューラルネットのモデ
ルを示す。第3図において、(YOI。
ルを示す。第3図において、(YOI。
YO2,YO3,YO4,YO5) はニューラルネッ
トの人力の値を示す。また、(Xll。
トの人力の値を示す。また、(Xll。
X12.X13)は中間層の3つのユニットへの入力の
総和を、(X21.X22)は出力層の2つのユニット
への入力の総和を示す。(Yll。
総和を、(X21.X22)は出力層の2つのユニット
への入力の総和を示す。(Yll。
Yl2.Yl3)は中間層の出力の値を示し、中間層の
3つのユニットへの入力の総和(Xll。
3つのユニットへの入力の総和(Xll。
X12.X13)に対して第2図に示す非線形開用いて
非線形変換した値である。(Y21゜Y22)はニュー
ラルネットの出力値であり、出力層の2つのユニットへ
の入力の総和lX21゜X22)に対して、第2図に示
す非線形関数を用いて非線形変換した値である。さらに
、(Wlllll 、Wl2”ゝ w 1311)。
非線形変換した値である。(Y21゜Y22)はニュー
ラルネットの出力値であり、出力層の2つのユニットへ
の入力の総和lX21゜X22)に対して、第2図に示
す非線形関数を用いて非線形変換した値である。さらに
、(Wlllll 、Wl2”ゝ w 1311)。
Wl4”ゝ Wl5”ゝ)、 (W21+1)W22
+1) 、 W23 +1) 、 W24 (+>W
25”’ ) 、 (WB2(” 、WB2”’W3
3(1) WB2”l 、WB2”’ )は中間層の
3つのユニットへの各入力に対する重み係数を、また(
Wl 1 (2) 、 Wl 2(2’ 、 Wl 3
(2’ )(W 21 (2ゝ、W22(2)、W23
32ゝ)は出力層の2つのユニットへの各人力に対する
重み係数を示す。ニューラルネットへの人力(YOI。
+1) 、 W23 +1) 、 W24 (+>W
25”’ ) 、 (WB2(” 、WB2”’W3
3(1) WB2”l 、WB2”’ )は中間層の
3つのユニットへの各入力に対する重み係数を、また(
Wl 1 (2) 、 Wl 2(2’ 、 Wl 3
(2’ )(W 21 (2ゝ、W22(2)、W23
32ゝ)は出力層の2つのユニットへの各人力に対する
重み係数を示す。ニューラルネットへの人力(YOI。
YO2,YO3,YO4,YO5)が与えられると、最
終的なこの出力(Y21.Y22+ は以下の計算から
求められる。
終的なこの出力(Y21.Y22+ は以下の計算から
求められる。
XI 1−YO1*W11”’ +YO2*Wl 2”
’ +YO3*W13”’ +YO4*W14”’ +YO5* W 15 (1+ Xi 2−YOI *W21 ”’ 十YO2*W22
”’ +YO3*W23”ゝ +YO4*W24”’ +YO5* W250ゝ X13−YO1*W31”’ 十YO2*W32”’
+YO3*W33”ゝ +YO4*W34”)+YO5* WB2(1) ・・・ (
1)Yll−1/ (1+e )Y12=1
/(1+e ) Yl3−1/ (1+e )・・・ (2) X21−Yl 1 *W1 1 ”’ +Y1
21Wl 2”’ +Y13*W13”) X22−Yl 1 *W2 1 (2’ +Y
1 2*W22L2’ +Y1 3層w23<2>(
3) Y2 1 = 1/ (1+e−”’)Y22=1
/ (1+e−122) −(4
)上記(1)式乃至(4)式の=1算は、汎用マイクロ
コンピュータを用いる場合、四則演算と関数(2)式と
(4)式における非線形関数(exponential
)を利用することで簡単に行うことができる。
’ +YO3*W13”’ +YO4*W14”’ +YO5* W 15 (1+ Xi 2−YOI *W21 ”’ 十YO2*W22
”’ +YO3*W23”ゝ +YO4*W24”’ +YO5* W250ゝ X13−YO1*W31”’ 十YO2*W32”’
+YO3*W33”ゝ +YO4*W34”)+YO5* WB2(1) ・・・ (
1)Yll−1/ (1+e )Y12=1
/(1+e ) Yl3−1/ (1+e )・・・ (2) X21−Yl 1 *W1 1 ”’ +Y1
21Wl 2”’ +Y13*W13”) X22−Yl 1 *W2 1 (2’ +Y
1 2*W22L2’ +Y1 3層w23<2>(
3) Y2 1 = 1/ (1+e−”’)Y22=1
/ (1+e−122) −(4
)上記(1)式乃至(4)式の=1算は、汎用マイクロ
コンピュータを用いる場合、四則演算と関数(2)式と
(4)式における非線形関数(exponential
)を利用することで簡単に行うことができる。
(発明が解決しようとする課@)
ニスうルネットを現場で学習させることは、1)重みの
値のレンジがわからない、2)大量の学習データを保持
しなくてはならない、3)バックプロパゲーションによ
る学習に時間がかかる等の理由から困難である。
値のレンジがわからない、2)大量の学習データを保持
しなくてはならない、3)バックプロパゲーションによ
る学習に時間がかかる等の理由から困難である。
また、上述した(1)式乃至(4)式の計算を汎用のデ
ジタル信号処理LSIもしくは、専用の信号処理LSI
により実行する場合、exponentialのような
関数を持たないため、(2)式と(4)式におけるe
x p o n e n t i a l の計算が
問題となる。
ジタル信号処理LSIもしくは、専用の信号処理LSI
により実行する場合、exponentialのような
関数を持たないため、(2)式と(4)式におけるe
x p o n e n t i a l の計算が
問題となる。
1つの方法としては、この関数をテーブルで用意してお
き、その都度テーブルを引くことが考えられる。しかし
、この場合は、テーブル用に大きなメモリ領域を確保し
なければならないという欠点がある。
き、その都度テーブルを引くことが考えられる。しかし
、この場合は、テーブル用に大きなメモリ領域を確保し
なければならないという欠点がある。
テーブルを使わずに(2)式と(4)式におけるexp
onentialの計算を行うために、第2図に示すs
igmoid関数の折れ線近似を用いて直接計算するこ
とも考えられる。しかし、第2図から明らかなように、
正の方向では人力Xが大きくなるにつれ出力が大きくな
るが、負方向では逆に人力Xが大きくなるにつれ出力y
が小さくなる。このため、非線形関数としてその出力が
原点に対して対称ではないので、第2図に示す非線形関
数を折れ線近似で非線形関数変換することができない。
onentialの計算を行うために、第2図に示すs
igmoid関数の折れ線近似を用いて直接計算するこ
とも考えられる。しかし、第2図から明らかなように、
正の方向では人力Xが大きくなるにつれ出力が大きくな
るが、負方向では逆に人力Xが大きくなるにつれ出力y
が小さくなる。このため、非線形関数としてその出力が
原点に対して対称ではないので、第2図に示す非線形関
数を折れ線近似で非線形関数変換することができない。
この発明の目的は上述した欠点を除去し、上記非線形関
数(exponential)の計算を簡単な方法で実
現することのできる、ニューラルネットにおける非線形
関数計算方式を提供することである。
数(exponential)の計算を簡単な方法で実
現することのできる、ニューラルネットにおける非線形
関数計算方式を提供することである。
[発明の構成]
(問題点を解決するための手段)
この発明によれば、ニューラルネットにおける非線形変
換を行う際に、非線形関数としてその出力が原点に対し
て対称なタイプの関数を用いるとともに、この関数の折
れ線近似を加算とシフト演算のみで行い出力を得る。
換を行う際に、非線形関数としてその出力が原点に対し
て対称なタイプの関数を用いるとともに、この関数の折
れ線近似を加算とシフト演算のみで行い出力を得る。
(作 用)
この発明によれば、第2図に示す非線形関数を第1図に
示すように、出力が奇関数となるように移動する。この
非線形関数は入力の正負で絶対値が対称となり、後述す
るように加算とシフト演算のみで変換が可能となる。従
って、ニューラルネットの非線形関数計算を、その出力
が原点に対して対称なタイプの関数を用いて行う。また
、第2図のタイプの非線形関数を使用する場合は、いっ
たん第1図に示す関数を用いて非線形変換を行い、一定
の値(#1”)を加算するようにすればよい。
示すように、出力が奇関数となるように移動する。この
非線形関数は入力の正負で絶対値が対称となり、後述す
るように加算とシフト演算のみで変換が可能となる。従
って、ニューラルネットの非線形関数計算を、その出力
が原点に対して対称なタイプの関数を用いて行う。また
、第2図のタイプの非線形関数を使用する場合は、いっ
たん第1図に示す関数を用いて非線形変換を行い、一定
の値(#1”)を加算するようにすればよい。
(実施例)
上述したように、正および負の入力の絶対値はy軸に対
して対称であり、下記の加算とシフト演算を行うだけで
非線形変換を行うことができる。
して対称であり、下記の加算とシフト演算を行うだけで
非線形変換を行うことができる。
いま、人力Xを極性(±)を有する13ビツトの線形な
値とする(入力の絶対値がこの値を越える場合は、あら
かじめ最大値に置き換えておくものとする)。この線形
な値に第3図の折れ線近似した非線形変換を施すには、
次のような処理を行えば良い。なお10進数は()、。
値とする(入力の絶対値がこの値を越える場合は、あら
かじめ最大値に置き換えておくものとする)。この線形
な値に第3図の折れ線近似した非線形変換を施すには、
次のような処理を行えば良い。なお10進数は()、。
で表現する。
イマ、入力(+242)to(2進数X−000000
11110010)を非線形変換するものとする。
11110010)を非線形変換するものとする。
1)符号ビット(s)を除き、X+33とする。
(#33”という値を加算するのは入カバターンが0の
場合であっても一番下のレンジに人カバターンが入るよ
うにするためのストッパの役割を果たす) −O X+100001 −0000100010011 1ee ・轡争118・11@ ΦI8桁目2)最上位
のビットがdigit8に来るまで右へシフト(シフト
同数−L)する。この例では、5桁目の“1”を8桁目
まで右にシフトすることになるので、右へ3回シフトす
ることになる。
場合であっても一番下のレンジに人カバターンが入るよ
うにするためのストッパの役割を果たす) −O X+100001 −0000100010011 1ee ・轡争118・11@ ΦI8桁目2)最上位
のビットがdigit8に来るまで右へシフト(シフト
同数−L)する。この例では、5桁目の“1”を8桁目
まで右にシフトすることになるので、右へ3回シフトす
ることになる。
(但し、シフトされたビットは循環せずに廃棄されるも
のとする) L−(3) −011 シフト後の値−100010 いま、L−3であるので、第1図において、折れ線と一
点鎖線で形成される領域(レンジ)が−番大きなレンジ
(正のX方向の一番右側の領域)から数えて3番目のレ
ンジ内に入力された値があることがわかる。
のとする) L−(3) −011 シフト後の値−100010 いま、L−3であるので、第1図において、折れ線と一
点鎖線で形成される領域(レンジ)が−番大きなレンジ
(正のX方向の一番右側の領域)から数えて3番目のレ
ンジ内に入力された値があることがわかる。
3)再び右へ1回シフトして、下位4ビツト(−V)を
とる。
とる。
シフト後の値−10001
−0001
■の値は2)のステップで求めたレンジ内のさらにどの
量子化ステップかを表している。
量子化ステップかを表している。
以上の処理から符号(S)、レンジング(折れ線0
の番号−L)および折れ線の量子化ステップ(V)が計
算され、人力XはY−00110001と非線形変換さ
れる。
算され、人力XはY−00110001と非線形変換さ
れる。
上記1)ないし3)の処理は加算とシフトで実現するこ
とができる。なお、第2に示す非線形関数は、そのまま
では同様の処理を適用できないが、第3図の非線形変換
を行った後、値”1”を加算すればよい。
とができる。なお、第2に示す非線形関数は、そのまま
では同様の処理を適用できないが、第3図の非線形変換
を行った後、値”1”を加算すればよい。
[発明の効果]
以上説明したように、この発明によればニューラルネッ
ト計算における非線形変換を簡単に行うことができ、汎
用の信号処理LSI等を用いてニューラルネット計算を
実行させることができる。
ト計算における非線形変換を簡単に行うことができ、汎
用の信号処理LSI等を用いてニューラルネット計算を
実行させることができる。
第1図はこの発明の実施例を示す説明図; 第2図およ
び第3図は従来のニューラルネットにおける非線形計算
方式を示す図であり、第2図は標準的な多層ニューラル
ネットのモデルを示す図、および第3図は非線形関数で
あるs i gmo i d関数を示す図である。 1
び第3図は従来のニューラルネットにおける非線形計算
方式を示す図であり、第2図は標準的な多層ニューラル
ネットのモデルを示す図、および第3図は非線形関数で
あるs i gmo i d関数を示す図である。 1
Claims (2)
- (1)ニューラルネットにおける非線形関数変換を行う
際に、非線形関数としてその出力が原点に対して対称な
タイプの関数を用いるとともに、この関数の折れ線近似
を加算とシフト演算のみで行い出力を得ることを特徴と
するニューラルネットにおける非線形計算方式。 - (2)前記ニューラルネットの非線形関数が原点に対し
て対称でない場合は、この出力にバイアスを加えて所望
の出力を得ることを特徴とする特許請求の範囲第1項記
載のニューラルネットにおける非線形計算方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1257529A JPH03119463A (ja) | 1989-10-02 | 1989-10-02 | ニューラルネットにおける非線形計算方式 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1257529A JPH03119463A (ja) | 1989-10-02 | 1989-10-02 | ニューラルネットにおける非線形計算方式 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH03119463A true JPH03119463A (ja) | 1991-05-21 |
Family
ID=17307559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1257529A Pending JPH03119463A (ja) | 1989-10-02 | 1989-10-02 | ニューラルネットにおける非線形計算方式 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH03119463A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100035603A (ko) * | 2008-09-26 | 2010-04-05 | 쥬라 엘렉트로아파라테 아게 | 배수밸브를 가진 음료제조장치 |
-
1989
- 1989-10-02 JP JP1257529A patent/JPH03119463A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100035603A (ko) * | 2008-09-26 | 2010-04-05 | 쥬라 엘렉트로아파라테 아게 | 배수밸브를 가진 음료제조장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Delon | Midway image equalization | |
US5259064A (en) | Signal processing apparatus having at least one neural network having pulse density signals as inputs and outputs | |
JP2020009048A (ja) | ニューラルネットワークの学習装置および学習方法 | |
JPH04312184A (ja) | 画像処理システムのエッジ検出方法及びその装置 | |
Mizutani et al. | On derivation of MLP backpropagation from the Kelley-Bryson optimal-control gradient formula and its application | |
Duan et al. | Decentralized adaptive NN state-feedback control for large-scale stochastic high-order nonlinear systems | |
Maleknejad et al. | Numerical solution of integro‐differential equations by using rationalized Haar functions method | |
Bu | Actor-critic reinforcement learning control of non-strict feedback nonaffine dynamic systems | |
Hayati et al. | Modeling and simulation of combinational CMOS logic circuits by ANFIS | |
JPH03119463A (ja) | ニューラルネットにおける非線形計算方式 | |
JP3229624B2 (ja) | 多層神経回路網及びその回路設計方法 | |
Ranjan et al. | Iterative image fusion technique using fuzzy and neuro fuzzy logic and applications | |
JP3229623B2 (ja) | 多層神経回路網及びその回路設計方法 | |
Garzón et al. | A strong uniform approximation of fractional Brownian motion by means of transport processes | |
CN114118363A (zh) | 卷积神经网络的量化感知训练方法、卷积神经网络结构 | |
Zhou | Research and application of data mining algorithm based on fuzzy neural network for nonlinear problems in large data environment | |
Song et al. | Exponential stability for impulsive BAM neural networks with time-varying delays and reaction-diffusion terms | |
US20190303763A1 (en) | Trinary neural network and back-propagation methodology | |
Yin et al. | Legendre wavelets-Picard iteration method for solution of nonlinear initial value problems | |
Flood | Performing differential and integral calculus using radial-Gaussian neural networks | |
Takada et al. | Output feedback stabilization of Takagi-Sugeno fuzzy bilinear time-delay systems | |
Houmor et al. | A secure communication Scheme based on adaptive modified projective combination synchronization of fractional-order hyper-chaotic systems | |
Bouayach | Artificial intelligence & digital citizenship-For ethical AI that respects human rights | |
CN110866103B (zh) | 一种对话系统中的句子多样性生成方法及系统 | |
JPH02189635A (ja) | ファジィ推論装置 |