JPH05189397A - ニューラル・ネットワークの学習方法および情報処理システム - Google Patents
ニューラル・ネットワークの学習方法および情報処理システムInfo
- Publication number
- JPH05189397A JPH05189397A JP4003677A JP367792A JPH05189397A JP H05189397 A JPH05189397 A JP H05189397A JP 4003677 A JP4003677 A JP 4003677A JP 367792 A JP367792 A JP 367792A JP H05189397 A JPH05189397 A JP H05189397A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- input
- output
- learning
- node
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【構成】少なくとも一つのノードから成る入力層と、少
なくとも一つのノードから成る一つ以上の中間層と、少
なくとも一つのノードから成る出力層によって構成され
る階層型ニューラル・ネットワーク（１）、入力値と出
力値の組から成る学習データ（２）、ニューラル・ネッ
トワークの出力値と学習データを比較する比較部
（３）、バック・プロパゲーション・アルゴリズムによ
ってニューラル・ネットワークのパラメータを修正する
パラメータ修正部（４）、重みが制約条件を満たすかど
うか監視し、満たさない場合に重みを修正する重み監視
部（５）から構成される。 【効果】ニューラル・ネットワークの学習に関して、教
師データの質や量が期待出来ない場合であっても、対象
領域特有の常識や知識を制約条件という形で導入するこ
とにより、提示された入力に対して適切な出力が得られ
るニューラル・ネットワークを生成することができる。
なくとも一つのノードから成る一つ以上の中間層と、少
なくとも一つのノードから成る出力層によって構成され
る階層型ニューラル・ネットワーク（１）、入力値と出
力値の組から成る学習データ（２）、ニューラル・ネッ
トワークの出力値と学習データを比較する比較部
（３）、バック・プロパゲーション・アルゴリズムによ
ってニューラル・ネットワークのパラメータを修正する
パラメータ修正部（４）、重みが制約条件を満たすかど
うか監視し、満たさない場合に重みを修正する重み監視
部（５）から構成される。 【効果】ニューラル・ネットワークの学習に関して、教
師データの質や量が期待出来ない場合であっても、対象
領域特有の常識や知識を制約条件という形で導入するこ
とにより、提示された入力に対して適切な出力が得られ
るニューラル・ネットワークを生成することができる。
Description
【０００１】
【産業上の利用分野】本発明は、階層型ニューラル・ネ
ットワークの学習方法およびそれを用いた情報処理シス
テムに関する。
ットワークの学習方法およびそれを用いた情報処理シス
テムに関する。
【０００２】
【従来の技術】従来の階層型ニューラル・ネットワーク
の学習方法は、例えば、特開平３−１４９６４６号に開
示されているように、バック・プロパゲーション・アル
ゴリズムを用いた学習の際、入出力データの組から成る
学習データに、効率良く合致させる方法を提供してい
る。
の学習方法は、例えば、特開平３−１４９６４６号に開
示されているように、バック・プロパゲーション・アル
ゴリズムを用いた学習の際、入出力データの組から成る
学習データに、効率良く合致させる方法を提供してい
る。
【０００３】
【発明が解決しようとする課題】上述の従来技術におい
ては、対象領域の入出力値の組からなる学習データをよ
り多く収集し、ニューラル・ネットワークを、学習デー
タにいかに効率良く合致させるかということが目的とさ
れている。しかし、データにノイズが乗っていたり、数
少ないデータしか得られない場合に、望ましいネットワ
ークを生成することは非常に困難であった。
ては、対象領域の入出力値の組からなる学習データをよ
り多く収集し、ニューラル・ネットワークを、学習デー
タにいかに効率良く合致させるかということが目的とさ
れている。しかし、データにノイズが乗っていたり、数
少ないデータしか得られない場合に、望ましいネットワ
ークを生成することは非常に困難であった。
【０００４】データの質や量が期待できない場合、対象
領域特有の常識や知識があれば、ニューラル・ネットワ
ークの学習に取り入れるべきである。
領域特有の常識や知識があれば、ニューラル・ネットワ
ークの学習に取り入れるべきである。
【０００５】本発明の目的は、このような従来の課題を
解決し、対象領域に関する知識を制約条件という形で導
入することにより、データの質や量が期待できない場合
にも、提示された入力に対して適切な出力が得られるニ
ューラル・ネットワークを生成できる学習方法およびそ
れを用いた情報処理システムを提供することにある。
解決し、対象領域に関する知識を制約条件という形で導
入することにより、データの質や量が期待できない場合
にも、提示された入力に対して適切な出力が得られるニ
ューラル・ネットワークを生成できる学習方法およびそ
れを用いた情報処理システムを提供することにある。
【０００６】
【課題を解決するための手段】上記目的を達成するため
に、本発明は次のように構成される。（イ）階層型ニュ
ーラル・ネットワークの入出力の依存関係を制約条件と
して与える。また、（ロ）ノード間を結合しているシナ
プスの重みの値域に制限を与える。また、（ハ）上記の
入出力の依存関係が、入力値に応じた出力値の範囲の限
定である。また、（ニ）上記の入出力の依存関係が、入
力値の変化率に応じた出力値の変化率の範囲の限定であ
る。さらに、（ホ）ノード間を結合しているシナプスの
重みとしきい値の初期値をランダムに与え、入力値と出
力値の組から成る学習データの入力値を一つずつニュー
ラルネットワークに入力し、その際のニューラル・ネッ
トワークの出力値と対応する学習データの出力値を比較
して誤差を求め、誤差に応じてネットワーク中の各シナ
プスの重みとしきい値を修正し、重みに対して事前に与
えられた制限値域を逸脱していないか監視し、逸脱した
場合には制限値域内に戻す。また、本発明の情報処理シ
ステムとしての実施態様は、（ヘ）階層型ニューラル・
ネットワークを用いて、提示された入力値から適切な出
力値を得るための学習を行う手段と、ニューラル・ネッ
トワークに任意の値を入力し出力値を得る手段と、この
入出力値の関係を複数の手段で表示する手段を有する。
に、本発明は次のように構成される。（イ）階層型ニュ
ーラル・ネットワークの入出力の依存関係を制約条件と
して与える。また、（ロ）ノード間を結合しているシナ
プスの重みの値域に制限を与える。また、（ハ）上記の
入出力の依存関係が、入力値に応じた出力値の範囲の限
定である。また、（ニ）上記の入出力の依存関係が、入
力値の変化率に応じた出力値の変化率の範囲の限定であ
る。さらに、（ホ）ノード間を結合しているシナプスの
重みとしきい値の初期値をランダムに与え、入力値と出
力値の組から成る学習データの入力値を一つずつニュー
ラルネットワークに入力し、その際のニューラル・ネッ
トワークの出力値と対応する学習データの出力値を比較
して誤差を求め、誤差に応じてネットワーク中の各シナ
プスの重みとしきい値を修正し、重みに対して事前に与
えられた制限値域を逸脱していないか監視し、逸脱した
場合には制限値域内に戻す。また、本発明の情報処理シ
ステムとしての実施態様は、（ヘ）階層型ニューラル・
ネットワークを用いて、提示された入力値から適切な出
力値を得るための学習を行う手段と、ニューラル・ネッ
トワークに任意の値を入力し出力値を得る手段と、この
入出力値の関係を複数の手段で表示する手段を有する。
【０００７】
【作用】本発明の望ましい実施態様によれば、（１）ニ
ューラル・ネットワークは、学習データと、ネットワー
クの入出力の依存関係を表す制約条件を用いて学習され
る。また、（２）ノード間を結合しているシナプスの重
みの値域に制限を与えられ、入出力に依存関係のあるニ
ューラル・ネットワークが構築される。
ューラル・ネットワークは、学習データと、ネットワー
クの入出力の依存関係を表す制約条件を用いて学習され
る。また、（２）ノード間を結合しているシナプスの重
みの値域に制限を与えられ、入出力に依存関係のあるニ
ューラル・ネットワークが構築される。
【０００８】これにより、学習データの学習データの質
や量が期待出来ない場合であっても、対象領域特有の常
識や知識を制約条件という形で導入することにより、提
示された入力に対して適切な出力が得られるニューラル
・ネットワークを生成することができる。
や量が期待出来ない場合であっても、対象領域特有の常
識や知識を制約条件という形で導入することにより、提
示された入力に対して適切な出力が得られるニューラル
・ネットワークを生成することができる。
【０００９】
【実施例】以下、本発明の実施例を図１〜図７を用いて
詳細に説明する。
詳細に説明する。
【００１０】図１は、本発明の第１の実施例を示すニュ
ーラル・ネットワークの学習方式のブロック図であり、
階層型ニューラル・ネットワーク１、入力値と出力値の
組から成る学習データ２、ニューラル・ネットワーク１
の出力値と学習データを比較する比較部３、パラメータ
修正部４、重み監視部５から構成される。
ーラル・ネットワークの学習方式のブロック図であり、
階層型ニューラル・ネットワーク１、入力値と出力値の
組から成る学習データ２、ニューラル・ネットワーク１
の出力値と学習データを比較する比較部３、パラメータ
修正部４、重み監視部５から構成される。
【００１１】まず、階層型ニューラル・ネットワーク１
のパラメータを初期化する。学習データ２の入力値を一
組ずつニューラル・ネットワーク１に入力する。その
際、出力された値と学習データ２の出力値を比較部３で
比較し、バック・プロパゲーション・アルゴリズムに基
づき、パラメータ修正部４でニューラル・ネットワーク
１のパラメータを修正する。重み監視部５は、パラメー
タ中の特に重みについて監視し、重みが制約条件を満た
さない場合、それを制約条件を満たすように修正する。
この入力・比較・修正・監視の過程を学習に必要な回数
分繰り返す。
のパラメータを初期化する。学習データ２の入力値を一
組ずつニューラル・ネットワーク１に入力する。その
際、出力された値と学習データ２の出力値を比較部３で
比較し、バック・プロパゲーション・アルゴリズムに基
づき、パラメータ修正部４でニューラル・ネットワーク
１のパラメータを修正する。重み監視部５は、パラメー
タ中の特に重みについて監視し、重みが制約条件を満た
さない場合、それを制約条件を満たすように修正する。
この入力・比較・修正・監視の過程を学習に必要な回数
分繰り返す。
【００１２】図２、図３により、本発明の第１の実施例
をある高級な商品の関心度調査を例として説明する。
をある高級な商品の関心度調査を例として説明する。
【００１３】図２はこの商品の関心度調査データの例で
あり、調査番号２１、年齢２２、年収２３、関心度２４
からなり、年齢２２、年収２３を学習データ２の入力と
し、関心度２４を出力とする。
あり、調査番号２１、年齢２２、年収２３、関心度２４
からなり、年齢２２、年収２３を学習データ２の入力と
し、関心度２４を出力とする。
【００１４】ここで、年齢、年収共に高ければ高いほど
関心度は増加すると仮定し、これをこの商品の関心度に
関する知識とすると、年齢２２と関心度２４、そして年
収２３と関心度２４の間には、単調増加という関係があ
るということになる。この関係をニューラル・ネットワ
ーク１で実現するには、パラメータの一つである重みを
非負にすればよいことになる。
関心度は増加すると仮定し、これをこの商品の関心度に
関する知識とすると、年齢２２と関心度２４、そして年
収２３と関心度２４の間には、単調増加という関係があ
るということになる。この関係をニューラル・ネットワ
ーク１で実現するには、パラメータの一つである重みを
非負にすればよいことになる。
【００１５】図３はこの例の処理手順を表すフローチャ
ートである。まず、パラメータ初期化の際、重みは非負
の乱数に設定する（３０１）。学習データ２の入力値で
あるテレビ放送費２２とラジオ放送費２３の組を一組ず
つニューラル・ネットワーク１に入力（３０２）して、
得られた出力値と学習データ２の出力値である知名度２
４を比較部３で比較（３０３）し、バック・プロパゲー
ション・アルゴリズムによりニューラル・ネットワーク
１のパラメータをパラメータ修正部４で修正する（３０
４）。重み監視部５で重みについて監視（３０５）し、
重みが負なら重みに０を代入（３０６）し、重みが非負
ならステップ３０７に進む。ステップ３０７で全学習デ
ータについて終了したかどうかをチェックし、終了して
いなければステップ３０２に戻る。全学習データについ
て終了していれば、学習終了かどうかチェック（３０
８）し、学習終了でなければステップ３０２に戻り、学
習終了なら処理を終了する。学習終了の基準としては、
例えば、学習データ２とニューラル・ネットワーク１の
出力との誤差の二乗和が許容範囲に達したこと、学習回
数が予定に達したことが挙げられる。
ートである。まず、パラメータ初期化の際、重みは非負
の乱数に設定する（３０１）。学習データ２の入力値で
あるテレビ放送費２２とラジオ放送費２３の組を一組ず
つニューラル・ネットワーク１に入力（３０２）して、
得られた出力値と学習データ２の出力値である知名度２
４を比較部３で比較（３０３）し、バック・プロパゲー
ション・アルゴリズムによりニューラル・ネットワーク
１のパラメータをパラメータ修正部４で修正する（３０
４）。重み監視部５で重みについて監視（３０５）し、
重みが負なら重みに０を代入（３０６）し、重みが非負
ならステップ３０７に進む。ステップ３０７で全学習デ
ータについて終了したかどうかをチェックし、終了して
いなければステップ３０２に戻る。全学習データについ
て終了していれば、学習終了かどうかチェック（３０
８）し、学習終了でなければステップ３０２に戻り、学
習終了なら処理を終了する。学習終了の基準としては、
例えば、学習データ２とニューラル・ネットワーク１の
出力との誤差の二乗和が許容範囲に達したこと、学習回
数が予定に達したことが挙げられる。
【００１６】ある高級商品の関心度調査の例では、学習
データだけでニューラル・ネットワーク１を学習させる
と、年齢、年収共に高ければ高いほど関心度は増加する
という知識の示す単調増加性がニューラル・ネットワー
ク上に実現されない可能性がある。ニューラル・ネット
ワーク１の重みを非負に制限することにより、単調増加
性をニューラル・ネットワーク１に反映でき、よりイメ
ージに合ったモデリングができるという効果がある。
データだけでニューラル・ネットワーク１を学習させる
と、年齢、年収共に高ければ高いほど関心度は増加する
という知識の示す単調増加性がニューラル・ネットワー
ク上に実現されない可能性がある。ニューラル・ネット
ワーク１の重みを非負に制限することにより、単調増加
性をニューラル・ネットワーク１に反映でき、よりイメ
ージに合ったモデリングができるという効果がある。
【００１７】第１の実施例の変形例は次の通りである。
ある高級商品に関して、年齢・年収が最大限に高くても
関心度は１００を超えないと仮定し、これを知識として
ニューラル・ネットワーク１に反映させる。そのため
に、年齢・年収を共に最大限、関心度を１００としたデ
ータを学習データに追加するのである。
ある高級商品に関して、年齢・年収が最大限に高くても
関心度は１００を超えないと仮定し、これを知識として
ニューラル・ネットワーク１に反映させる。そのため
に、年齢・年収を共に最大限、関心度を１００としたデ
ータを学習データに追加するのである。
【００１８】これにより、元の学習データが少なく、そ
のままでは対象領域全体として、十分なモデリングがで
きなかった場合の学習も可能となる。
のままでは対象領域全体として、十分なモデリングがで
きなかった場合の学習も可能となる。
【００１９】次に、図４〜図７を用いて、本発明の第２
の実施例を説明する。本実施例は、学習後のニューラル
・ネットワーク１の状態を３次元ＣＧ（コンピュータ・
グラフィックス）で表示することにより、ニューラル・
ネットワーク・モデルの特性を明らかにしようとするも
のである。
の実施例を説明する。本実施例は、学習後のニューラル
・ネットワーク１の状態を３次元ＣＧ（コンピュータ・
グラフィックス）で表示することにより、ニューラル・
ネットワーク・モデルの特性を明らかにしようとするも
のである。
【００２０】図４は、本発明の第２の実施例を示す情報
処理システムのブロック図であり、階層型ニューラル・
ネットワーク１、入力値と出力値の組から成る学習デー
タ２、学習データ２を用いてニューラル・ネットワーク
１を学習させるネットワーク学習手段６、指定される表
示内容に必要な入力データを生成し学習後のニューラル
・ネットワーク１を用いてシミュレーションすることに
より入出力関係データを獲得する手段７、獲得された入
出力関係データを３次元ＣＧとして表示可能なデータに
変換する３次元ＣＧ表示手段８、３次元ＣＧを表示する
表示装置９から構成される。
処理システムのブロック図であり、階層型ニューラル・
ネットワーク１、入力値と出力値の組から成る学習デー
タ２、学習データ２を用いてニューラル・ネットワーク
１を学習させるネットワーク学習手段６、指定される表
示内容に必要な入力データを生成し学習後のニューラル
・ネットワーク１を用いてシミュレーションすることに
より入出力関係データを獲得する手段７、獲得された入
出力関係データを３次元ＣＧとして表示可能なデータに
変換する３次元ＣＧ表示手段８、３次元ＣＧを表示する
表示装置９から構成される。
【００２１】図５は、本発明の第２の実施例を示す情報
処理システムの動作フローチャートである。まず、ネッ
トワーク学習手段６が、ニューラル・ネットワーク１の
パラメータを初期化（５０１）し、ネットワーク学習手
段６が全ての学習データ２を用いてニューラル・ネット
ワーク１をバック・プロパゲーション・アルゴリズムに
基づき学習させる（５０２）。事前に指定された学習終
了条件、例えば学習データ２とニューラル・ネットワー
ク１の出力との誤差の二乗和が許容範囲に達したこと、
学習回数が予定に達したこと、などが成立したかどうか
チェック（５０３）し、成立していなければステップ５
０２に戻り、成立していれば、ユーザが表示内容を指定
する（５０４）。この指定内容に従って、入出力関係デ
ータ獲得手段７が、入力用データを作成し、学習後のニ
ューラル・ネットワーク１を用いてシミュレーションす
ることにより入出力関係データを獲得する（５０５）。
３次元ＣＧ表示手段８が、獲得された入出力関係データ
を３次元ＣＧとして表示可能なデータに変換し、表示装
置９が３次元ＣＧを表示（５０６）して、処理を終了す
る。
処理システムの動作フローチャートである。まず、ネッ
トワーク学習手段６が、ニューラル・ネットワーク１の
パラメータを初期化（５０１）し、ネットワーク学習手
段６が全ての学習データ２を用いてニューラル・ネット
ワーク１をバック・プロパゲーション・アルゴリズムに
基づき学習させる（５０２）。事前に指定された学習終
了条件、例えば学習データ２とニューラル・ネットワー
ク１の出力との誤差の二乗和が許容範囲に達したこと、
学習回数が予定に達したこと、などが成立したかどうか
チェック（５０３）し、成立していなければステップ５
０２に戻り、成立していれば、ユーザが表示内容を指定
する（５０４）。この指定内容に従って、入出力関係デ
ータ獲得手段７が、入力用データを作成し、学習後のニ
ューラル・ネットワーク１を用いてシミュレーションす
ることにより入出力関係データを獲得する（５０５）。
３次元ＣＧ表示手段８が、獲得された入出力関係データ
を３次元ＣＧとして表示可能なデータに変換し、表示装
置９が３次元ＣＧを表示（５０６）して、処理を終了す
る。
【００２２】図６は、ユーザが指定する３次元表示内容
の例である。３次元のｘ軸は年齢、ｙ軸は年収、ｚ軸は
関心度であり、年齢は１５才〜５６才の範囲で８才間
隔、年収は０円〜７０，０００，０００円の範囲で１
０，０００，０００円間隔の全ての組み合わせを学習後
ニューラル・ネットワーク１に入力してシミュレーショ
ンし、出力値として関心度を獲得することを表してい
る。
の例である。３次元のｘ軸は年齢、ｙ軸は年収、ｚ軸は
関心度であり、年齢は１５才〜５６才の範囲で８才間
隔、年収は０円〜７０，０００，０００円の範囲で１
０，０００，０００円間隔の全ての組み合わせを学習後
ニューラル・ネットワーク１に入力してシミュレーショ
ンし、出力値として関心度を獲得することを表してい
る。
【００２３】図７は、表示装置９に表示される３次元Ｃ
Ｇの例である。年齢、年収、関心度を３軸としたニュー
ラル・ネットワークの入出力関係を表す曲面が表示され
ている。
Ｇの例である。年齢、年収、関心度を３軸としたニュー
ラル・ネットワークの入出力関係を表す曲面が表示され
ている。
【００２４】第２の実施例の効果は次の通りである。従
来、学習後のニューラル・ネットワーク・モデルの特性
を知るために、共通の入力値に対する検証用の実データ
の出力値とニューラル・ネットワーク出力値とを比較し
て評価していた。しかし、実データで網羅されていない
入力に対する学習後のニューラル・ネットワークの出力
特性に関しては、評価する基準がなかった。本実施例に
よれば、学習後のニューラル・ネットワーク１の状態を
人間のイメージしやすい３次元ＣＧの曲面で表示するこ
とにより、実データで網羅されていない入力値の範囲に
おけるニューラル・ネットワーク・モデルの特性を明ら
かにすることができる。また、ニューラル・ネットワー
ク１の構築者が、３次元ＣＧを見て、ニューラル・ネッ
トワーク・モデルの特性を明らかにすることにより、モ
デル修正作業の効率化が図れる。
来、学習後のニューラル・ネットワーク・モデルの特性
を知るために、共通の入力値に対する検証用の実データ
の出力値とニューラル・ネットワーク出力値とを比較し
て評価していた。しかし、実データで網羅されていない
入力に対する学習後のニューラル・ネットワークの出力
特性に関しては、評価する基準がなかった。本実施例に
よれば、学習後のニューラル・ネットワーク１の状態を
人間のイメージしやすい３次元ＣＧの曲面で表示するこ
とにより、実データで網羅されていない入力値の範囲に
おけるニューラル・ネットワーク・モデルの特性を明ら
かにすることができる。また、ニューラル・ネットワー
ク１の構築者が、３次元ＣＧを見て、ニューラル・ネッ
トワーク・モデルの特性を明らかにすることにより、モ
デル修正作業の効率化が図れる。
【００２５】
【発明の効果】ニューラル・ネットワークの学習に関し
て、教師データの質や量が期待出来ない場合であって
も、対象領域特有の常識や知識を制約条件という形で導
入することにより、提示された入力に対して適切な出力
が得られるニューラル・ネットワークを生成することが
できる。
て、教師データの質や量が期待出来ない場合であって
も、対象領域特有の常識や知識を制約条件という形で導
入することにより、提示された入力に対して適切な出力
が得られるニューラル・ネットワークを生成することが
できる。
【図１】本発明の第１の実施例を示すニューラル・ネッ
トワークの学習方式のブロック図である。
トワークの学習方式のブロック図である。
【図２】ある高級商品の関心度調査データの例である。
【図３】図２の例の処理手順を表すフローチャートであ
る。
る。
【図４】本発明の第２の実施例を示す情報処理システム
のブロック図である。
のブロック図である。
【図５】本発明の第２の実施例を示す情報処理システム
の動作フローチャートである。
の動作フローチャートである。
【図６】ユーザが指定する３次元表示内容の例である。
【図７】表示装置９に表示される３次元ＣＧの例であ
る。
る。
１・・階層型ニューラル・ネットワーク、２・・入力値
と出力値の組から成る学習データ、３・・ニューラル・
ネットワーク１の出力値と学習データとを比較する比較
部、４・・パラメータ修正部、５・・重み監視部。
と出力値の組から成る学習データ、３・・ニューラル・
ネットワーク１の出力値と学習データとを比較する比較
部、４・・パラメータ修正部、５・・重み監視部。
Claims (6)
- 【請求項１】少なくとも一つのノードから成る入力層
と、少なくとも一つのノードから成る一つ以上の中間層
と、少なくとも一つのノードから成る出力層によって構
成される階層型ニューラル・ネットワークを用いて、提
示された入力値から適切な出力値を得るための学習にお
いて、 上記ネットワークの入出力の依存関係を制約条件として
与えることを特徴とするニューラル・ネットワークの学
習方法。 - 【請求項２】少なくとも一つのノードから成る入力層
と、少なくとも一つのノードから成る一つ以上の中間層
と、少なくとも一つのノードから成る出力層によって構
成される階層型ニューラル・ネットワークを用いて、提
示された入力値から適切な出力値を得るための学習にお
いて、 ノード間を結合しているシナプスの重みの値域に制限を
与えることを特徴とするニューラル・ネットワークの学
習方法。 - 【請求項３】上記請求項１の学習方法の入出力の依存関
係が、入力値に応じた出力値の範囲の限定であることを
特徴とするニューラル・ネットワークの学習方法。 - 【請求項４】上記請求項１の学習方法の入出力の依存関
係が、入力値の変化率に応じた出力値の変化率の範囲の
限定であることを特徴とするニューラル・ネットワーク
の学習方法。 - 【請求項５】少なくとも一つのノードから成る入力層
と、少なくとも一つのノードから成る一つ以上の中間層
と、少なくとも一つのノードから成る出力層によって構
成される階層型ニューラル・ネットワークを用いて、提
示された入力値から適切な出力値を得るための学習にお
いて、 ノード間を結合しているシナプスの重みとしきい値の初
期値をランダムに与え、入力値と出力値の組から成る学
習データの入力値を一つずつ上記ネットワークに入力
し、該ネットワークの出力値と該学習データの出力値を
比較して誤差を求め、該誤差に応じて該ネットワーク中
の各シナプスの重みとしきい値を修正し、重みに対して
事前に与えられた制限値域を逸脱していないか監視し、
逸脱した場合には制限値域内に戻すことを特徴とするニ
ューラル・ネットワークの学習方法。 - 【請求項６】少なくとも一つのノードから成る入力層
と、少なくとも一つのノードから成る一つ以上の中間層
と、少なくとも一つのノードから成る出力層によって構
成される階層型ニューラル・ネットワークを用いて、提
示された入力値から適切な出力値を得るための学習を行
う手段と、該学習後ニューラル・ネットワークに任意の
値を入力し出力値を得る手段と、該入出力値の関係を複
数の手段で表示する手段、を有することを特徴とする情
報処理システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4003677A JPH05189397A (ja) | 1992-01-13 | 1992-01-13 | ニューラル・ネットワークの学習方法および情報処理システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4003677A JPH05189397A (ja) | 1992-01-13 | 1992-01-13 | ニューラル・ネットワークの学習方法および情報処理システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05189397A true JPH05189397A (ja) | 1993-07-30 |
Family
ID=11564051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4003677A Pending JPH05189397A (ja) | 1992-01-13 | 1992-01-13 | ニューラル・ネットワークの学習方法および情報処理システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05189397A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11296697A (ja) * | 1998-04-10 | 1999-10-29 | Toyota Motor Corp | 曲面生成方法 |
| KR100442287B1 (ko) * | 1997-02-26 | 2005-01-15 | 주식회사 하이닉스반도체 | 신경망(NeuralNetwork)학습기 |
| WO2019168129A1 (ja) * | 2018-03-01 | 2019-09-06 | 国立大学法人 東京大学 | 情報処理装置、及び機械学習データの製造方法 |
-
1992
- 1992-01-13 JP JP4003677A patent/JPH05189397A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100442287B1 (ko) * | 1997-02-26 | 2005-01-15 | 주식회사 하이닉스반도체 | 신경망(NeuralNetwork)학습기 |
| JPH11296697A (ja) * | 1998-04-10 | 1999-10-29 | Toyota Motor Corp | 曲面生成方法 |
| WO2019168129A1 (ja) * | 2018-03-01 | 2019-09-06 | 国立大学法人 東京大学 | 情報処理装置、及び機械学習データの製造方法 |
| JP2019152977A (ja) * | 2018-03-01 | 2019-09-12 | 国立大学法人 東京大学 | 情報処理装置、機械学習データの製造方法、及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | Group decision support using fuzzy cognitive maps for causal reasoning | |
| Suh et al. | Nested logit models for multiple-choice item response data | |
| Pathak et al. | How well do structural demand models work? Counterfactual predictions in school choice | |
| Capuano et al. | A fuzzy group decision making model for ordinal peer assessment | |
| JP2001236337A (ja) | ニューラルネットワークによる予測装置 | |
| US7010159B2 (en) | Apparatus and method for combining random set of video features in a non-linear scheme to best describe perceptual quality of video sequences using heuristic search methodology | |
| US20080104000A1 (en) | Determining Utility Functions from Ordinal Rankings | |
| CN110222830B (zh) | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 | |
| CN112416986A (zh) | 基于分层个性化联邦学习的用户画像实现方法及系统 | |
| US20190385704A1 (en) | Apparatus and method for utilizing a parameter genome characterizing neural network connections as a building block to construct a neural network with feedforward and feedback paths | |
| US20180068323A1 (en) | Automated method for learning the responsiveness of potential consumers to different stimuli in a marketplace | |
| CN115114421A (zh) | 一种问答模型训练方法 | |
| de Landgraaf et al. | Parameter calibration using meta-algorithms | |
| CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
| Xu et al. | A class of multiobjective linear programming models with random rough coefficients | |
| Raunak et al. | Metamorphic testing on the continuum of verification and validation of simulation models | |
| JPH0721029A (ja) | 推論装置 | |
| JP3638310B2 (ja) | 事例推論支援装置 | |
| JPH05189397A (ja) | ニューラル・ネットワークの学習方法および情報処理システム | |
| Sidajaya et al. | Neural network approach to the simulation of entangled states with one bit of communication | |
| CN116187852A (zh) | 一种基于社区关联和行为特征学习的在线课程推荐方法 | |
| JP3287738B2 (ja) | 関係関数探索装置 | |
| JPH0561848A (ja) | 最適アルゴリズムの選定及び実行のための装置及び方法 | |
| Liu et al. | Inductive Cognitive Diagnosis for Fast Student Learning in Web-Based Intelligent Education Systems | |
| Haghshenas Gorgani et al. | A two-phase hybrid product design algorithm using learning vector quantization, design of experiments, and adaptive neuro-fuzzy interface systems to optimize geometric form in view of customers’ opinions |