JPH0696045A - パターン認識装置 - Google Patents
パターン認識装置Info
- Publication number
- JPH0696045A JPH0696045A JP4243583A JP24358392A JPH0696045A JP H0696045 A JPH0696045 A JP H0696045A JP 4243583 A JP4243583 A JP 4243583A JP 24358392 A JP24358392 A JP 24358392A JP H0696045 A JPH0696045 A JP H0696045A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- recognition
- network
- parameter
- stored
- 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
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
(57)【要約】
【目的】 入力空間を学習パターンにより自律的に分割
し記憶する能力を持つニューラルネットワークを複数個
用いることにより、パターン認識装置に個人別のくせの
あるパターンを効率的に学習させる。 【構成】 一般の学習パターンを用いて、学習済みの一
般用ネットワークと並列に、個人別のくせパターンを学
習するための個人用ネットワークを備える。個人用ネッ
トの認識の許容度は一般用ネットよりも小さく設定され
る。未知パターンが個人用ネットに記憶されていればそ
の結果を用い、リジェクトであって一般用ネットに記憶
されていればその結果を用い、両方でリジェクトなら新
規パターンとして個人用ネットに学習される。
し記憶する能力を持つニューラルネットワークを複数個
用いることにより、パターン認識装置に個人別のくせの
あるパターンを効率的に学習させる。 【構成】 一般の学習パターンを用いて、学習済みの一
般用ネットワークと並列に、個人別のくせパターンを学
習するための個人用ネットワークを備える。個人用ネッ
トの認識の許容度は一般用ネットよりも小さく設定され
る。未知パターンが個人用ネットに記憶されていればそ
の結果を用い、リジェクトであって一般用ネットに記憶
されていればその結果を用い、両方でリジェクトなら新
規パターンとして個人用ネットに学習される。
Description
【０００１】
【産業上の利用分野】本発明は、入力空間を学習パター
ンにより自律的に分割し記憶する能力を持つニューラル
ネットワークを用いたパターン認識装置を、個人別のく
せのある学習パターンに効果的に対応させるための、構
成方式、制御方式に関する。
ンにより自律的に分割し記憶する能力を持つニューラル
ネットワークを用いたパターン認識装置を、個人別のく
せのある学習パターンに効果的に対応させるための、構
成方式、制御方式に関する。
【０００２】
【従来の技術】入力空間を学習パターンにより自律的に
分割し記憶する能力を持つニューラルネットワーク、例
えばＡＲＴ１（参考文献;Carpenter, Gail A. and Gros
sberg,Stephen : "A Massively Parallel Architecture
for a Self-Organizing Neu-ral Pattern Recognition
Machine", Computer Vision, Graphics and Imageproc
essing, vol.37, pp.54-115, 1987)は、学習パターンに
内在する構造を、教師信号によらず、自律的に抽出、記
憶する優れた特性を持っている。
分割し記憶する能力を持つニューラルネットワーク、例
えばＡＲＴ１（参考文献;Carpenter, Gail A. and Gros
sberg,Stephen : "A Massively Parallel Architecture
for a Self-Organizing Neu-ral Pattern Recognition
Machine", Computer Vision, Graphics and Imageproc
essing, vol.37, pp.54-115, 1987)は、学習パターンに
内在する構造を、教師信号によらず、自律的に抽出、記
憶する優れた特性を持っている。
【０００３】ＡＲＴ１の論理的な動作を簡略化して示す
と次のようになる。 (1) 未知パターンと記憶パターンの１個を比較して、類
似度を求める。 (2) 類似度は、未知パターンと記憶パターンの論理積を
とり、その１の数を未知パターンの１の数で割ったもの
である。 (3) 類似度がしきい値以上なら、その記憶パターンの番
号を出力する。 (4) 類似度がしきい値未満なら、次の記憶パターンと比
較する。 (5) すべての記憶パターンと比較しても類似していない
場合は、新規パターンとして記憶する。 (6) 未知パターンと記憶パターンを比較する順序は類似
している可能性の高い順に決める。 (7) この可能性はネットワークの積和演算によって求め
られる。
と次のようになる。 (1) 未知パターンと記憶パターンの１個を比較して、類
似度を求める。 (2) 類似度は、未知パターンと記憶パターンの論理積を
とり、その１の数を未知パターンの１の数で割ったもの
である。 (3) 類似度がしきい値以上なら、その記憶パターンの番
号を出力する。 (4) 類似度がしきい値未満なら、次の記憶パターンと比
較する。 (5) すべての記憶パターンと比較しても類似していない
場合は、新規パターンとして記憶する。 (6) 未知パターンと記憶パターンを比較する順序は類似
している可能性の高い順に決める。 (7) この可能性はネットワークの積和演算によって求め
られる。
【０００４】また、以下の性質を持つ。 (8) しきい値を変化させることにより、ある記憶パター
ンと類似していると判定される入力空間の範囲を制御で
きる。
ンと類似していると判定される入力空間の範囲を制御で
きる。
【０００５】
【発明が解決しようとする課題】しかし、個人別のくせ
のあるパターンをも識別できるようＡＲＴ１に学習させ
ようとすると、すでに学習済みのパターンとの相違が大
きいため、効果的に学習させることは困難であった。
のあるパターンをも識別できるようＡＲＴ１に学習させ
ようとすると、すでに学習済みのパターンとの相違が大
きいため、効果的に学習させることは困難であった。
【０００６】例として、Ａ，Ｂの２つのカテゴリーの分
類を行わせる場合について、従来技術の問題点を示す。
類を行わせる場合について、従来技術の問題点を示す。
【０００７】第１図に示すような学習パターン（ａ１…
…ａｍ，ｂ１……ｂｎ）を用いて学習させ、第２図に示
すような記憶パターン（α１……αμ，β１……βν）
を得たとする。円で囲まれた内側がＡ，Ｂのカテゴリー
に分類される範囲を示す。このときの学習パターンは一
般的なもので、特殊なパターンは含まれていない。した
がって、２つのカテゴリーの境界は入り組んでいない。
…ａｍ，ｂ１……ｂｎ）を用いて学習させ、第２図に示
すような記憶パターン（α１……αμ，β１……βν）
を得たとする。円で囲まれた内側がＡ，Ｂのカテゴリー
に分類される範囲を示す。このときの学習パターンは一
般的なもので、特殊なパターンは含まれていない。した
がって、２つのカテゴリーの境界は入り組んでいない。
【０００８】ここで、第３図に示すように、特定の個人
のくせのあるパターン（ａｘ）がカテゴリーＡに分類さ
れるように学習させるためには、くせパターンを含めた
すべての学習パターン（ａ１……ａｍ，ｂ１……ｂｎ，
ａｘ）を用いて学習し直す必要がある。このとき、認識
の許容度を制御するパラメータをより許容度の小さい方
向に調整することが必要である。
のくせのあるパターン（ａｘ）がカテゴリーＡに分類さ
れるように学習させるためには、くせパターンを含めた
すべての学習パターン（ａ１……ａｍ，ｂ１……ｂｎ，
ａｘ）を用いて学習し直す必要がある。このとき、認識
の許容度を制御するパラメータをより許容度の小さい方
向に調整することが必要である。
【０００９】その結果を第４図に示す。このようにする
と、認識の許容度を制御するパラメータを厳しくしなけ
ればならないため、記憶パターン数が増大し、かつ、分
類可能な範囲が狭くなる。そのため、再学習のための時
間を必要とし、さらに、認識処理のコスト（記憶領域の
大きさ、処理時間）も大きく増加する、さらに、ネット
ワークの汎化能力も損なわれる、という問題があった。
と、認識の許容度を制御するパラメータを厳しくしなけ
ればならないため、記憶パターン数が増大し、かつ、分
類可能な範囲が狭くなる。そのため、再学習のための時
間を必要とし、さらに、認識処理のコスト（記憶領域の
大きさ、処理時間）も大きく増加する、さらに、ネット
ワークの汎化能力も損なわれる、という問題があった。
【００１０】
【課題を解決するための手段】本発明は上記問題点を解
決するためになされたもので、一般の学習パターンを用
いて学習済みのニューラルネットワークを用いた第１の
パターン認識手段（一般用ネットワーク）と並列に、個
人別のくせのある学習パターンを記憶、認識するための
ニューラルネットワークを用いた第２のパターン認識手
段（個人用ネットワーク）を設ける。
決するためになされたもので、一般の学習パターンを用
いて学習済みのニューラルネットワークを用いた第１の
パターン認識手段（一般用ネットワーク）と並列に、個
人別のくせのある学習パターンを記憶、認識するための
ニューラルネットワークを用いた第２のパターン認識手
段（個人用ネットワーク）を設ける。
【００１１】この第２のパターン認識手段の認識の許容
度を制御するパラメータは、第１のパターン認識手段の
認識の許容度を制御するパラメータに比べて許容度の小
さい方へ設定する。未知パターンを認識する場合、第２
のパターン認識手段に記憶されているパターンであると
認識されたならばその出力を用い、第２のパターン認識
手段に記憶されておらず第１のパターン認識手段に記憶
されているパターンであると認識されたならばその出力
を用い、第１のパターン認識手段、第２のパターン認識
手段のどちらにも記憶されていないならば新規パターン
であるから、第２のパターン認識手段に学習させる。
度を制御するパラメータは、第１のパターン認識手段の
認識の許容度を制御するパラメータに比べて許容度の小
さい方へ設定する。未知パターンを認識する場合、第２
のパターン認識手段に記憶されているパターンであると
認識されたならばその出力を用い、第２のパターン認識
手段に記憶されておらず第１のパターン認識手段に記憶
されているパターンであると認識されたならばその出力
を用い、第１のパターン認識手段、第２のパターン認識
手段のどちらにも記憶されていないならば新規パターン
であるから、第２のパターン認識手段に学習させる。
【００１２】
【作用】この発明によるパターン認識装置は、未知パタ
ーンが個人用ネットワークとして作用する第２のパター
ン認識手段に記憶されているならばその認識結果を用い
るため、個人別のくせのあるパターンを、一般用ネット
ワークとして作用する第１のパターン認識手段で認識す
る必要がなくなる。したがって、第１のパターン認識手
段がくせパターンのために影響を受けることはない。
ーンが個人用ネットワークとして作用する第２のパター
ン認識手段に記憶されているならばその認識結果を用い
るため、個人別のくせのあるパターンを、一般用ネット
ワークとして作用する第１のパターン認識手段で認識す
る必要がなくなる。したがって、第１のパターン認識手
段がくせパターンのために影響を受けることはない。
【００１３】しかも、第２のパターン認識手段の認識の
許容度を制御するパラメータを、第１のパターン認識手
段の認識の許容度を制御するパラメータよりも許容度の
小さい方に設定してあるので、くせパターンと比較的類
似してはいるが異なる未知パターンを、誤って第２のパ
ターン認識手段で認識することはない。
許容度を制御するパラメータを、第１のパターン認識手
段の認識の許容度を制御するパラメータよりも許容度の
小さい方に設定してあるので、くせパターンと比較的類
似してはいるが異なる未知パターンを、誤って第２のパ
ターン認識手段で認識することはない。
【００１４】さらに、第２のパターン認識手段に認識さ
せるパターンは、第１のパターン認識手段で正しく認識
できないパターンに限定しているため、第２のパターン
認識手段の大きさは第１のパターン認識手段より小さい
ものですむ。したがって、全体の処理時間に与える影響
もわずかである。
せるパターンは、第１のパターン認識手段で正しく認識
できないパターンに限定しているため、第２のパターン
認識手段の大きさは第１のパターン認識手段より小さい
ものですむ。したがって、全体の処理時間に与える影響
もわずかである。
【００１５】
【実施例】本発明の一実施例について説明する。
【００１６】先ず構成について説明する。本発明の一実
施例の構成を第５図に示す。個人用ネットワークを１個
だけ持つ構成である。 １が入力手段、２が第１のパタ
ーン認識手段、３が第２のパターン認識手段、４が第１
のパラメータ記憶手段、５が第２のパラメータ記憶手
段、６が制御手段、７が出力手段、８がパターン認識装
置の全体である。
施例の構成を第５図に示す。個人用ネットワークを１個
だけ持つ構成である。 １が入力手段、２が第１のパタ
ーン認識手段、３が第２のパターン認識手段、４が第１
のパラメータ記憶手段、５が第２のパラメータ記憶手
段、６が制御手段、７が出力手段、８がパターン認識装
置の全体である。
【００１７】入力手段（第５図１参照）はパターンを入
力するための手段である。第１のパターン認識手段（第
５図２参照）は一般の学習パターンをあらかじめ学習さ
せておくためのニューラルネットワーク（一般用ネット
ワーク）である。第２のパターン認識手段（第５図３参
照）は一般用ネットワーク（第５図２参照）と並列に設
けられる、個人別のくせのある学習パターンを記憶、認
識するためのニューラルネットワーク（個人用ネットワ
ーク）である。第１のパラメータ記憶手段（第５図４参
照）は一般用ネットワーク（第５図２参照）の認識の許
容度を制御するパラメータを記憶する手段である。第２
のパラメータ記憶手段（第５図５参照）は個人用ネット
ワーク（第５図３参照）の認識の許容度を制御するパラ
メータを記憶する手段である。出力手段（第５図７参
照）は認識結果を出力するための手段である。制御手段
（第５図６参照）は以上の各ブロックを制御するための
手段である。
力するための手段である。第１のパターン認識手段（第
５図２参照）は一般の学習パターンをあらかじめ学習さ
せておくためのニューラルネットワーク（一般用ネット
ワーク）である。第２のパターン認識手段（第５図３参
照）は一般用ネットワーク（第５図２参照）と並列に設
けられる、個人別のくせのある学習パターンを記憶、認
識するためのニューラルネットワーク（個人用ネットワ
ーク）である。第１のパラメータ記憶手段（第５図４参
照）は一般用ネットワーク（第５図２参照）の認識の許
容度を制御するパラメータを記憶する手段である。第２
のパラメータ記憶手段（第５図５参照）は個人用ネット
ワーク（第５図３参照）の認識の許容度を制御するパラ
メータを記憶する手段である。出力手段（第５図７参
照）は認識結果を出力するための手段である。制御手段
（第５図６参照）は以上の各ブロックを制御するための
手段である。
【００１８】次に動作手順を説明する。未知パターンの
認識処理を行う場合の本発明の一実施例の動作を第５図
と第６図に従って示す。
認識処理を行う場合の本発明の一実施例の動作を第５図
と第６図に従って示す。
【００１９】一般用ネットワーク（第５図２参照）には
あらかじめ一般的な学習パターンを学習させておく。個
人用ネットワークには一般用ネットワークで正しく認識
できないパターンが学習されている。
あらかじめ一般的な学習パターンを学習させておく。個
人用ネットワークには一般用ネットワークで正しく認識
できないパターンが学習されている。
【００２０】未知パターンは入力手段（第５図１参照）
によって入力され（第６図９参照）て、一般用ネットワ
ークと個人用ネットワーク（第５図３参照）に与えられ
認識処理が行われる（第６図１０参照）。一般用ネット
ワーク（第５図２参照）は第１のパラメータ記憶手段
（第５図４参照）に記憶された認識の許容度を制御する
パラメータを使って未知パターンと記憶パターンを比較
し、類似した記憶パターンがあるかどうかを判断する。
個人用ネットワーク（第５図３参照）は第２のパラメー
タ記憶手段（第５図５参照）に記憶された認識の許容度
を制御するパラメータを使って未知パターンと記憶パタ
ーンを比較し、類似した記憶パターンがあるかどうかを
判断する。
によって入力され（第６図９参照）て、一般用ネットワ
ークと個人用ネットワーク（第５図３参照）に与えられ
認識処理が行われる（第６図１０参照）。一般用ネット
ワーク（第５図２参照）は第１のパラメータ記憶手段
（第５図４参照）に記憶された認識の許容度を制御する
パラメータを使って未知パターンと記憶パターンを比較
し、類似した記憶パターンがあるかどうかを判断する。
個人用ネットワーク（第５図３参照）は第２のパラメー
タ記憶手段（第５図５参照）に記憶された認識の許容度
を制御するパラメータを使って未知パターンと記憶パタ
ーンを比較し、類似した記憶パターンがあるかどうかを
判断する。
【００２１】個人用ネットワーク（第５図３参照）に未
知パターンと類似した記憶パターンがある場合（第６図
１１参照）、個人用ネットワーク（第５図３参照）の出
力がパターン認識装置（第５図８参照）の出力となる
（第６図１４参照）。
知パターンと類似した記憶パターンがある場合（第６図
１１参照）、個人用ネットワーク（第５図３参照）の出
力がパターン認識装置（第５図８参照）の出力となる
（第６図１４参照）。
【００２２】個人用ネットワーク（第５図３参照）に未
知パターンと類似した記憶パターンがある場合（第６図
１１参照）、個人用ネットワーク（第５図３参照）の出
力がパターン認識装置（第５図８参照）の出力となる
（第６図１４参照）。
知パターンと類似した記憶パターンがある場合（第６図
１１参照）、個人用ネットワーク（第５図３参照）の出
力がパターン認識装置（第５図８参照）の出力となる
（第６図１４参照）。
【００２３】一般用ネットワーク（第５図２参照）に
も、個人用ネットワーク（第５図３参照）にも、未知パ
ターンと類似したパターンが記憶されていなかった場
合、新規パターンであるから個人用ネットワーク（第５
図３参照）に学習される（第６図１３参照）。
も、個人用ネットワーク（第５図３参照）にも、未知パ
ターンと類似したパターンが記憶されていなかった場
合、新規パターンであるから個人用ネットワーク（第５
図３参照）に学習される（第６図１３参照）。
【００２４】次に、二つのカテゴリーの分類を行わせる
例に適用した場合を説明する。先に［発明が解決しよう
とする問題点］で述べた、２つのカテゴリーの分類を行
わせる例に、本発明の一実施例を適用した場合、個人用
ネットワークにくせパターンを学習させた結果の記憶パ
ターンを第７図に示す。くせパターンａｘに対応した記
憶パターンαｘは個人用ネットワークに記憶されてい
る。
例に適用した場合を説明する。先に［発明が解決しよう
とする問題点］で述べた、２つのカテゴリーの分類を行
わせる例に、本発明の一実施例を適用した場合、個人用
ネットワークにくせパターンを学習させた結果の記憶パ
ターンを第７図に示す。くせパターンａｘに対応した記
憶パターンαｘは個人用ネットワークに記憶されてい
る。
【００２５】以上、個人用ネットワークを１個だけ備え
た実施例について述べたが、複数の個人用ネットワーク
を備えて、使用者毎に使い分けることも容易である。ま
た、ソフトウェアによって処理するなど一般用ネットワ
ークと個人用ネットワークを並列に動作させることがで
きない場合、個人用ネットワークと一般用ネットワーク
の認識処理を時系列的に順次行うようにすることも可能
である。
た実施例について述べたが、複数の個人用ネットワーク
を備えて、使用者毎に使い分けることも容易である。ま
た、ソフトウェアによって処理するなど一般用ネットワ
ークと個人用ネットワークを並列に動作させることがで
きない場合、個人用ネットワークと一般用ネットワーク
の認識処理を時系列的に順次行うようにすることも可能
である。
【００２６】
【発明の効果】本発明によれば、入力空間を学習パター
ンにより自律的に分割し記憶する能力を持つニューラル
ネットワークを用いたパターン認識装置において、個人
別のくせのあるパターンを容易に学習、認識できる。ま
た、学習にかかる時間、認識コスト（記憶領域の大き
さ、処理時間）の増加もわずかである。
ンにより自律的に分割し記憶する能力を持つニューラル
ネットワークを用いたパターン認識装置において、個人
別のくせのあるパターンを容易に学習、認識できる。ま
た、学習にかかる時間、認識コスト（記憶領域の大き
さ、処理時間）の増加もわずかである。
【図１】学習パターンの例を示す図である。
【図２】図１の学習パターンを学習した結果の記憶パタ
ーンの例を示す図である。
ーンの例を示す図である。
【図３】記憶パターンとくせパターンの位置を示す図で
ある。
ある。
【図４】図３のくせパターンを認識できるように再学習
した結果の記憶パターンを示す図である。
した結果の記憶パターンを示す図である。
【図５】本発明の一実施例の構成を示す図である。
【図６】本発明の一実施例の動作を示すずである。
【図７】本発明により個人用ネットワークにくせパター
ンを学習させた結果の記憶パターンを示す図である。
ンを学習させた結果の記憶パターンを示す図である。
１ 入力手段 ２ 第１のパターン認識手段（一般用ネットワーク） ３ 第２のパターン認識手段（個人用ネットワーク） ４ 第１のパラメータ記憶手段 ５ 第２のパラメータ記憶手段 ６ 制御手段 ７ 出力手段 ８ パターン認識装置
Claims (1)
- 【請求項１】a) パターンの入力手段、 b) 入力空間を学習パターンにより自律的に分割し記憶
する能力を持ち、すでに一般的な学習パターンを用いて
学習済みのニューラルネットワークを用いた第１のパタ
ーン認識手段、 c) 入力空間を学習パターンにより自律的に分割し記憶
する能力を持つニューラルネットワークを用いた第２の
パターン認識手段、 d) 上記第１のパターン認識手段の認識の許容度を制御
するパラメータを記憶する第１のパラメータ記憶手段、 e) 上記第１のパラメータ記憶手段に記憶された認識の
許容度を制御するパラメータよりも許容度の小さいパラ
メータを、上記第２のパターン認識手段の認識の許容度
を制御するパラメータとして記憶する第２のパラメータ
記憶手段、 f) 上記パターン入力手段より入力されたパターンを上
記第１のパターン認識手段及び第２のパターン認識手段
に与え、 上記第２のパラメータ記憶手段に記憶された認識の許容
度を制御するパラメータを使用して上記第２のパターン
認識手段に記憶済みのパターンであると認識された場
合、上記第２のパターン認識手段の出力を認識結果と
し、 上記第２のパターン認識手段に記憶されておらず、上記
第１のパラメータ記憶手段に記憶された認識の許容度を
制御するパラメータを使用して上記第１のパターン認識
手段に記憶済みのパターンであると認識された場合、上
記第１のパターン認識手段の出力を認識結果とし、 上記第１のパターン認識手段、第２のパターン認識手段
のどちらにも記憶されていない場合、上記第２のパター
ン認識手段に新規パターンとして学習させる制御手段、 g) 上記制御手段によって決定された認識結果を出力す
る出力手段、からなるパターン認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4243583A JPH0696045A (ja) | 1992-09-11 | 1992-09-11 | パターン認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4243583A JPH0696045A (ja) | 1992-09-11 | 1992-09-11 | パターン認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0696045A true JPH0696045A (ja) | 1994-04-08 |
Family
ID=17105980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4243583A Pending JPH0696045A (ja) | 1992-09-11 | 1992-09-11 | パターン認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0696045A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018147261A (ja) * | 2017-03-06 | 2018-09-20 | Kddi株式会社 | モデル統合装置、モデル統合システム、方法およびプログラム |
-
1992
- 1992-09-11 JP JP4243583A patent/JPH0696045A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018147261A (ja) * | 2017-03-06 | 2018-09-20 | Kddi株式会社 | モデル統合装置、モデル統合システム、方法およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rodríguez et al. | Support vector machines of interval-based features for time series classification | |
| Burr | Experiments on neural net recognition of spoken and written text | |
| Anderson et al. | Artificial neural networks technology | |
| Cohen et al. | Masking fields: A massively parallel neural architecture for learning, recognizing, and predicting multiple groupings of patterned data | |
| Kubat | Decision trees can initialize radial-basis function networks | |
| US5687286A (en) | Neural networks with subdivision | |
| US5822742A (en) | Dynamically stable associative learning neural network system | |
| Tuba et al. | Support vector machine optimized by elephant herding algorithm for erythemato-squamous diseases detection | |
| Ritter et al. | Fixed points of lattice transforms and lattice associative memories | |
| US5588091A (en) | Dynamically stable associative learning neural network system | |
| EP2776984A1 (en) | Methods and apparatus for unsupervised neural replay, learning refinement, association and memory transfer: structural plasticity and structural constraint modeling | |
| Karthika et al. | Study of Gabor wavelet for face recognition invariant to pose and orientation | |
| Young et al. | CARVE-a constructive algorithm for real-valued examples | |
| Escalera et al. | Traffic-Sign Recognition Systems | |
| Cañete-Sifuentes et al. | Classification based on multivariate contrast patterns | |
| Rabaoui et al. | Improved one-class SVM classifier for sounds classification | |
| Alpaydin | Neural models of incremental supervised and unsupervised learning | |
| MÜLLER et al. | Analysis of switching dynamics with competing neural networks | |
| Alzate et al. | A weighted kernel PCA formulation with out-of-sample extensions for spectral clustering methods | |
| JPH0696045A (ja) | パターン認識装置 | |
| Frolov et al. | Quality and efficiency of retrieval for Willshaw-like autoassociative networks. I. Correction | |
| WO1992021098A1 (en) | Method and apparatus for pattern classification using distributed adaptive fuzzy windows | |
| Jain | Warped-linear models for time series classification | |
| Duch | From cognitive models to neurofuzzy systems-the mind space approach | |
| Bodenhausen et al. | Application oriented automatic structuring of time-delay neural networks for high performance character and speech recognition |