JPH0764945A - ニューラルネットワーク - Google Patents
ニューラルネットワークInfo
- Publication number
- JPH0764945A JPH0764945A JP5214570A JP21457093A JPH0764945A JP H0764945 A JPH0764945 A JP H0764945A JP 5214570 A JP5214570 A JP 5214570A JP 21457093 A JP21457093 A JP 21457093A JP H0764945 A JPH0764945 A JP H0764945A
- Authority
- JP
- Japan
- Prior art keywords
- unit
- input
- output
- pattern
- layer
- 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.)
- Withdrawn
Links
Landscapes
- Image Analysis (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 本発明はニューラルネットワークに関し、入
力パターンの各データが出力パターンの各データに寄与
する程度を算出し、この寄与の程度から入力パターンの
各データと出力パターンの各データとの相関関係を知る
ことのできることを目的とする。 【構成】 寄与程度算出手段（３３）は、学習に用いた
入力パターンを構成する各データと、学習された入力層
のユニット（３１ａ）と隠れ層のユニット（３１ｂ）と
の間の結合の重みと、学習された隠れ層のユニット（３
１ｂ）と出力層のユニット（３１ｃ）との間の結合の重
みとから、前記入力パターンの各データが出力パターン
の各データに寄与する程度を算出する。
力パターンの各データが出力パターンの各データに寄与
する程度を算出し、この寄与の程度から入力パターンの
各データと出力パターンの各データとの相関関係を知る
ことのできることを目的とする。 【構成】 寄与程度算出手段（３３）は、学習に用いた
入力パターンを構成する各データと、学習された入力層
のユニット（３１ａ）と隠れ層のユニット（３１ｂ）と
の間の結合の重みと、学習された隠れ層のユニット（３
１ｂ）と出力層のユニット（３１ｃ）との間の結合の重
みとから、前記入力パターンの各データが出力パターン
の各データに寄与する程度を算出する。
Description
【０００１】
【産業上の利用分野】本発明は、ニューラルネットワー
クに関し、特にバックプロパゲーション法により学習を
行なうニューラルネットワークに関する。
クに関し、特にバックプロパゲーション法により学習を
行なうニューラルネットワークに関する。
【０００２】
【従来の技術】図４は従来のニューラルネットワークの
一例のブロック図を示す。同図中、２０は学習パターン
保持部、２１はニューラルネットワーク、２２は重み更
新部である。
一例のブロック図を示す。同図中、２０は学習パターン
保持部、２１はニューラルネットワーク、２２は重み更
新部である。
【０００３】学習パターン保持部２０はニューラルネッ
トワークに供給する複数の入力パターンと、この入力パ
ターン夫々に対応する出力パターンである教師信号とを
保持している。
トワークに供給する複数の入力パターンと、この入力パ
ターン夫々に対応する出力パターンである教師信号とを
保持している。
【０００４】ニューラルネットワーク２１は、例えば図
５に示す如く、入力パターンが入力される入力層のユニ
ット１０1 〜１０n と、隠れ層のユニット１１1 〜１１
n と、出力パターンを出力する出力層のユニット１２1
〜１２n からなる層構造である。各層内では結合がな
く、層間ではユニット間がある重み係数によって結合さ
れている。
５に示す如く、入力パターンが入力される入力層のユニ
ット１０1 〜１０n と、隠れ層のユニット１１1 〜１１
n と、出力パターンを出力する出力層のユニット１２1
〜１２n からなる層構造である。各層内では結合がな
く、層間ではユニット間がある重み係数によって結合さ
れている。
【０００５】各ユニットは図６に示す如く前段よりの各
入力Οj に定義された結合の重みｗ ijを乗算して総和を
求め、閾値θを加えて入力値ｎｅｔを求める。
入力Οj に定義された結合の重みｗ ijを乗算して総和を
求め、閾値θを加えて入力値ｎｅｔを求める。
【０００６】 ｎｅｔ＝Σｗij＋θ …（１） ユニットの出力値はこの入力の総和ｎｅｔに、活性化関
数を適用して計算される。活性化関数は微分可能な非線
形関数が用いられる。ここでは、一般に用いられるsigm
oid 関数を適用すると、ユニットＵi の出力値Οi は次
式となる。
数を適用して計算される。活性化関数は微分可能な非線
形関数が用いられる。ここでは、一般に用いられるsigm
oid 関数を適用すると、ユニットＵi の出力値Οi は次
式となる。
【０００７】
【数１】
【０００８】バックプロパケーションで通常よく用いら
れる３層のネットワークの場合について述べる。
れる３層のネットワークの場合について述べる。
【０００９】入力層の各ユニット１０1 〜１０n にネッ
トワークへの入力パターンの各データが与えられる。
トワークへの入力パターンの各データが与えられる。
【００１０】従って、隠れ層の各ユニット１１1 〜１１
n の出力値ｈは次式となる。
n の出力値ｈは次式となる。
【００１１】
【数２】
【００１２】ここで、ｄjkはｋ番目の入力層のユニット
の出力値 ｈはｊ番目の隠れ層のユニットの出力値 ｗjkはｋ番目の入力層のユニットとｊ番目の隠れ層のユ
ニット間の結合の重み Θj はｊ番目の隠れ層のユニットの閾値 また、出力層の各ユニット１２1 〜１２n の出力値οは
次式となる。
の出力値 ｈはｊ番目の隠れ層のユニットの出力値 ｗjkはｋ番目の入力層のユニットとｊ番目の隠れ層のユ
ニット間の結合の重み Θj はｊ番目の隠れ層のユニットの閾値 また、出力層の各ユニット１２1 〜１２n の出力値οは
次式となる。
【００１３】
【数３】
【００１４】ここで、ｈj はｊ番目の隠れ層のユニット
の出力値 ｏi はｉ番目の出力層のユニットの出力値 ｗijはｊ番目の隠れ層のユニットとｉ番目の出力層のユ
ニット間の結合の重み Θj はｊ番目の隠れ層のユニットの閾値 重み変更部２２はネットワーク２１の出力パターンが学
習パターン保持部２０よりの教師信号と一致するよう
に、ネットワーク２１の各ユニットの結合の重みを調節
する。学習規則としてはバックプロパゲーション法を用
い、ある入力パターンｐを与えた時の実際の出力値（ｏ
pi）と教師信号（ｔpi）の平均２乗誤差Ｅ p をとる。学
習させるためには，この誤差Ｅp を減らすように、ネッ
トワーク中の全ての重みを変える。
の出力値 ｏi はｉ番目の出力層のユニットの出力値 ｗijはｊ番目の隠れ層のユニットとｉ番目の出力層のユ
ニット間の結合の重み Θj はｊ番目の隠れ層のユニットの閾値 重み変更部２２はネットワーク２１の出力パターンが学
習パターン保持部２０よりの教師信号と一致するよう
に、ネットワーク２１の各ユニットの結合の重みを調節
する。学習規則としてはバックプロパゲーション法を用
い、ある入力パターンｐを与えた時の実際の出力値（ｏ
pi）と教師信号（ｔpi）の平均２乗誤差Ｅ p をとる。学
習させるためには，この誤差Ｅp を減らすように、ネッ
トワーク中の全ての重みを変える。
【００１５】
【数４】
【００１６】
【発明が解決しようとする課題】上記のバックプロパゲ
ーション法により学習を終了し、各ユニット間の結合の
重みが確定したニューラルネットワークは、入力層のユ
ニット１０1 〜１０n に入力パターンを構成するデータ
が供給され、出力層のユニット１２1 〜１２n から出力
パターンを構成するデータを出力する。このバックプロ
パゲーション・ニューラルネットワークはパターン認識
等を用いた種々の識別及び予測システム等に利用され、
高い分類率及び予測率を達成している。
ーション法により学習を終了し、各ユニット間の結合の
重みが確定したニューラルネットワークは、入力層のユ
ニット１０1 〜１０n に入力パターンを構成するデータ
が供給され、出力層のユニット１２1 〜１２n から出力
パターンを構成するデータを出力する。このバックプロ
パゲーション・ニューラルネットワークはパターン認識
等を用いた種々の識別及び予測システム等に利用され、
高い分類率及び予測率を達成している。
【００１７】しかし、従来においては、入力パターンの
各データと出力パターンの各データとの相関関係を追求
することは特に行なわれていなかった。このため、入力
層のユニット１０1 〜１０n 夫々に供給される入力パタ
ーンの各データが、出力層のユニット１２1 〜１２n 夫
々から出力される出力パターンの各データ夫々につい
て、どの程度寄与しているかを知ることはできないとい
う問題があった。
各データと出力パターンの各データとの相関関係を追求
することは特に行なわれていなかった。このため、入力
層のユニット１０1 〜１０n 夫々に供給される入力パタ
ーンの各データが、出力層のユニット１２1 〜１２n 夫
々から出力される出力パターンの各データ夫々につい
て、どの程度寄与しているかを知ることはできないとい
う問題があった。
【００１８】本発明は上記の点に鑑みなされたもので、
入力パターンの各データが出力パターンの各データに寄
与する程度を算出し、この寄与の程度から入力パターン
の各データと出力パターンの各データとの相関関係を知
ることのできるニューラルネットワークを提供すること
を目的とする。
入力パターンの各データが出力パターンの各データに寄
与する程度を算出し、この寄与の程度から入力パターン
の各データと出力パターンの各データとの相関関係を知
ることのできるニューラルネットワークを提供すること
を目的とする。
【００１９】
【課題を解決するための手段】本発明のニューラルネッ
トワークは、入力層のユニットと、隠れ層のユニット
と、出力層のユニットとよりなり、前記入力層のユニッ
トに入力パターンを供給したとき前記出力層のユニット
より出力される出力パターンと前記入力パターンに対応
した教師信号との誤差を減らすよう各ユニット間の結合
の重みを可変して学習を行なうニューラルネットワーク
において、前記学習に用いた入力パターンを構成する各
データと、学習された前記入力層のユニットと隠れ層の
ユニットとの間の結合の重みと、学習された前記隠れ層
のユニットと出力層のユニットとの間の結合の重みとか
ら、前記入力パターンの各データが出力パターンの各デ
ータに寄与する程度を算出する寄与程度算出手段を有す
る。
トワークは、入力層のユニットと、隠れ層のユニット
と、出力層のユニットとよりなり、前記入力層のユニッ
トに入力パターンを供給したとき前記出力層のユニット
より出力される出力パターンと前記入力パターンに対応
した教師信号との誤差を減らすよう各ユニット間の結合
の重みを可変して学習を行なうニューラルネットワーク
において、前記学習に用いた入力パターンを構成する各
データと、学習された前記入力層のユニットと隠れ層の
ユニットとの間の結合の重みと、学習された前記隠れ層
のユニットと出力層のユニットとの間の結合の重みとか
ら、前記入力パターンの各データが出力パターンの各デ
ータに寄与する程度を算出する寄与程度算出手段を有す
る。
【００２０】
【作用】本発明においては、入力パターンの各データが
出力パターンの各データに寄与する程度が算出され、こ
の寄与の程度から入力パターンの各データと出力パター
ンの各データとの相関関係を知ることができる。
出力パターンの各データに寄与する程度が算出され、こ
の寄与の程度から入力パターンの各データと出力パター
ンの各データとの相関関係を知ることができる。
【００２１】
【実施例】図１は本発明のニューラルネットワークの構
成図を示す。同図中、学習パターン保持部３０はニュー
ラルネットワーク３１に供給する入力パターンと、この
入力パターン夫々に対応する出力パターンである教師信
号とを保持している。
成図を示す。同図中、学習パターン保持部３０はニュー
ラルネットワーク３１に供給する入力パターンと、この
入力パターン夫々に対応する出力パターンである教師信
号とを保持している。
【００２２】ここで、入力パターンとしては次に説明す
る化合物パラメータが用いられる。
る化合物パラメータが用いられる。
【００２３】薬理活性が予め分っている同一グループに
属する複数の化合物分子夫々の３次元構造を決定し、複
数の化合物分子を、夫々の３次元構造の同一部分がなる
べく多く一致するよう互いに重ね合わせる。ここで重ね
合わせる化合物分子の数がサンプル数である。次に、重
ね合わせた複数の化合物分子の全ての原子（ファン・デ
ル・ワールス半径を考慮する）を内包する直方体を決定
し、この直方体１０の形状パラメータＥ，Ｗ，Ｎ，Ｓ，
Ｌを求める。パラメータＥ，ＷはＸ軸方向の値であり、
パラメータＮ，ＳはＹ軸方向の値、パラメータＬはＺ軸
方向の値である。この後、上記直方体を複数（例えば
８）のブロックに分割する。
属する複数の化合物分子夫々の３次元構造を決定し、複
数の化合物分子を、夫々の３次元構造の同一部分がなる
べく多く一致するよう互いに重ね合わせる。ここで重ね
合わせる化合物分子の数がサンプル数である。次に、重
ね合わせた複数の化合物分子の全ての原子（ファン・デ
ル・ワールス半径を考慮する）を内包する直方体を決定
し、この直方体１０の形状パラメータＥ，Ｗ，Ｎ，Ｓ，
Ｌを求める。パラメータＥ，ＷはＸ軸方向の値であり、
パラメータＮ，ＳはＹ軸方向の値、パラメータＬはＺ軸
方向の値である。この後、上記直方体を複数（例えば
８）のブロックに分割する。
【００２４】次に単一の化合物夫々について、図２に示
す第１〜第８ブロック１５1 〜１５ 8 夫々に帰属する原
子を決定する。
す第１〜第８ブロック１５1 〜１５ 8 夫々に帰属する原
子を決定する。
【００２５】この後、以下のブロックパラメータ（数値
データ）ＢＳＮを算出する。
データ）ＢＳＮを算出する。
【００２６】ＢＳＮ＝ｆ（ＳNK） ここで、ＳNKはＮ番目のブロックにおけるＫ番目の情報
単位に対する特性Ｓを表わし、ＢＳＮはＳNK値の関数て
あることを表わしている。この関数としては、次に示す
総量、平均値、最大／最小値、存在パラメータ等があ
る。
単位に対する特性Ｓを表わし、ＢＳＮはＳNK値の関数て
あることを表わしている。この関数としては、次に示す
総量、平均値、最大／最小値、存在パラメータ等があ
る。
【００２７】
【数５】
【００２８】また、特性Ｓとしては次のような値を用い
る。
る。
【００２９】 トポロジカル情報（原子関係に関する
パラメータ） 分子パス、分子結合インデックス、細谷インデックス、
バラバンのトポロジカルインデックス、Ｋ（カッパー）
インデックス等 トポグラフィカル情報（３次元構造に関するパラメ
ータ） 分子主成分、ボックスパラメータ等 電子情報（分子軌道法等で算出するパラメータ） 電子密度、ＨＯＭＯ（最高被占軌道）、ＬＵＭＯ（最低
空軌道）、ポイントチャージ、スーパーデローカライザ
ビリティ、分極率、結合次数、等 物性情報 π（置換基定数）、ＭＲ（分子屈折率）、ＬＯＧＰ（水
／オクタノール分配係数）、σ（ハメットシグマ）、Ｅ
ｓ（Ｔａｆｔの立体パラメータ）、ＭＰ（融点）、ＢＰ
（沸点）、パラコール、歪エネルギー（立体歪等）、等 存在情報 原子、原子団、官能基、結合種、等 存在数情報 多原子の原子数、結合種、各種ヘテロ原子数、不飽和
数、等 ボリューム情報（ブロック毎） 面積、体積、サイズ、投影面積、等 最大／最小情報 〜情報の各値の最大値，最小値（存在するときの
み） これにより、単一の化合物のブロック１５1 〜１５8 夫
々の例えば電子密度の平均値が１つの入力パターンとな
り、この入力パターンは重ね合わせた化合物分子の数だ
け学習パターン保持部３０に保持されている。また、こ
れに対応して各化合物に対応する薬理活性、例えば解熱
効果の有無、鎮痛効果の有無、消炎効果の有無等が教師
信号として学習パターン保持部３０に保持されている。
パラメータ） 分子パス、分子結合インデックス、細谷インデックス、
バラバンのトポロジカルインデックス、Ｋ（カッパー）
インデックス等 トポグラフィカル情報（３次元構造に関するパラメ
ータ） 分子主成分、ボックスパラメータ等 電子情報（分子軌道法等で算出するパラメータ） 電子密度、ＨＯＭＯ（最高被占軌道）、ＬＵＭＯ（最低
空軌道）、ポイントチャージ、スーパーデローカライザ
ビリティ、分極率、結合次数、等 物性情報 π（置換基定数）、ＭＲ（分子屈折率）、ＬＯＧＰ（水
／オクタノール分配係数）、σ（ハメットシグマ）、Ｅ
ｓ（Ｔａｆｔの立体パラメータ）、ＭＰ（融点）、ＢＰ
（沸点）、パラコール、歪エネルギー（立体歪等）、等 存在情報 原子、原子団、官能基、結合種、等 存在数情報 多原子の原子数、結合種、各種ヘテロ原子数、不飽和
数、等 ボリューム情報（ブロック毎） 面積、体積、サイズ、投影面積、等 最大／最小情報 〜情報の各値の最大値，最小値（存在するときの
み） これにより、単一の化合物のブロック１５1 〜１５8 夫
々の例えば電子密度の平均値が１つの入力パターンとな
り、この入力パターンは重ね合わせた化合物分子の数だ
け学習パターン保持部３０に保持されている。また、こ
れに対応して各化合物に対応する薬理活性、例えば解熱
効果の有無、鎮痛効果の有無、消炎効果の有無等が教師
信号として学習パターン保持部３０に保持されている。
【００３０】図１について説明するに、ニューラルネッ
トワーク３１は入力層のユニットと、隠れ層のユニット
と出力層のユニットとよりなる３層構造であり、層間で
はユニット間がある重み係数によって結合されている。
ネットワーク３１には学習パターン保持部３０から入力
パターンが順次供給され、その出力パターンが重み更新
部３２に供給される。
トワーク３１は入力層のユニットと、隠れ層のユニット
と出力層のユニットとよりなる３層構造であり、層間で
はユニット間がある重み係数によって結合されている。
ネットワーク３１には学習パターン保持部３０から入力
パターンが順次供給され、その出力パターンが重み更新
部３２に供給される。
【００３１】重み更新部３２はネットワーク３１の出力
パターンが学習パターン保持部３０よりの教師信号と一
致するように、ネットワーク３１の各ユニットの結合の
重みを調整する。学習規則としてはバックプロパゲーシ
ョン法を用い、ある入力パターンＰを与えたときの実際
の出力値（Ｏpi）と教師信号（ｔpi）の平均２乗誤差Ｅ
P をとり、この誤差ＥP を減らすように、ネットワーク
３１中の全てのユニットの結合の重みを変化させる。こ
の結合の重みの調整については従来通りである。
パターンが学習パターン保持部３０よりの教師信号と一
致するように、ネットワーク３１の各ユニットの結合の
重みを調整する。学習規則としてはバックプロパゲーシ
ョン法を用い、ある入力パターンＰを与えたときの実際
の出力値（Ｏpi）と教師信号（ｔpi）の平均２乗誤差Ｅ
P をとり、この誤差ＥP を減らすように、ネットワーク
３１中の全てのユニットの結合の重みを変化させる。こ
の結合の重みの調整については従来通りである。
【００３２】上記のバックプロパゲーション法による学
習を終了したニューラルネットワーク３１の最終構造つ
まり、各ユニット間の結合の重みと、学習に用いられた
入力パターンとは寄与程度算出部３３に供給される。こ
こで、図３に示す如く、１つの化合物の入力パターンが
Ｉ（Ｉは例えば８）個のデータからなり、入力パターン
の数がＮであり、また、ニューラルネットワーク３１の
入力層３１ａのユニット数がＩ個、隠れ層３１ｂのユニ
ット数がＨ個、出力層３１ｃのユニット数がＵ個である
ものとする。
習を終了したニューラルネットワーク３１の最終構造つ
まり、各ユニット間の結合の重みと、学習に用いられた
入力パターンとは寄与程度算出部３３に供給される。こ
こで、図３に示す如く、１つの化合物の入力パターンが
Ｉ（Ｉは例えば８）個のデータからなり、入力パターン
の数がＮであり、また、ニューラルネットワーク３１の
入力層３１ａのユニット数がＩ個、隠れ層３１ｂのユニ
ット数がＨ個、出力層３１ｃのユニット数がＵ個である
ものとする。
【００３３】寄与程度算出部３３は、入力パターンの全
データが出力パターンの全データに与える全寄与値ＧＡ
u 、及び入力パターンのｉ番目のデータ（例えばｉ番目
のブロックの電子密度の平均値）が出力パターンのｕ番
目のデータに与える寄与値ＳＡiu及び寄与率Ａiuを次式
により算出する。
データが出力パターンの全データに与える全寄与値ＧＡ
u 、及び入力パターンのｉ番目のデータ（例えばｉ番目
のブロックの電子密度の平均値）が出力パターンのｕ番
目のデータに与える寄与値ＳＡiu及び寄与率Ａiuを次式
により算出する。
【００３４】
【数６】
【００３５】但し、Ｄinはｎ番目の入力パターンのｉ番
目のデータ、Ｗihは入力層３１ａのｉ番目のユニットと
隠れ層３１ｂのｈ番目のユニットとの間の結合の重み、
Ｗhuは隠れ層３１ｂのｈ番目のユニットと出力層３１ｃ
のｕ番目のユニットとの間の結合の重みであるこのよう
にして得られた寄与値ＳＡiu及び寄与率Ａiuが寄与程度
算出部３３より出力される。
目のデータ、Ｗihは入力層３１ａのｉ番目のユニットと
隠れ層３１ｂのｈ番目のユニットとの間の結合の重み、
Ｗhuは隠れ層３１ｂのｈ番目のユニットと出力層３１ｃ
のｕ番目のユニットとの間の結合の重みであるこのよう
にして得られた寄与値ＳＡiu及び寄与率Ａiuが寄与程度
算出部３３より出力される。
【００３６】研究者は上記の寄与値ＳＡiu及び寄与率Ａ
iuから、ブロック１５1 〜１５8 のうちのどのブロック
の電子密度の平均値が解熱効果等の各薬理活性に大きな
相関があるか、つまり大きく寄与しているかを知ること
ができる。上記の寄与値及び寄与率は電子密度の平均値
以外の他のブロックパラメータについても算出され、各
ブロックパラメータと各薬理活性との相関を知ることに
よって、研究者は大きな薬理活性を持つ新たな化合物を
設計することが可能となる。
iuから、ブロック１５1 〜１５8 のうちのどのブロック
の電子密度の平均値が解熱効果等の各薬理活性に大きな
相関があるか、つまり大きく寄与しているかを知ること
ができる。上記の寄与値及び寄与率は電子密度の平均値
以外の他のブロックパラメータについても算出され、各
ブロックパラメータと各薬理活性との相関を知ることに
よって、研究者は大きな薬理活性を持つ新たな化合物を
設計することが可能となる。
【００３７】
【発明の効果】上述の如く本発明のニューラルネットワ
ークによれば、入力パターンの各データが出力パターン
の各データに寄与する程度を算出し、この寄与の程度か
ら入力パターンの各データと出力パターンの各データと
の相関関係を知ることができ、実用上きわめて有用であ
る。
ークによれば、入力パターンの各データが出力パターン
の各データに寄与する程度を算出し、この寄与の程度か
ら入力パターンの各データと出力パターンの各データと
の相関関係を知ることができ、実用上きわめて有用であ
る。
【図１】本発明のニューラルネットワークの構成図であ
る。
る。
【図２】入力パターンを説明するための図である。
【図３】本発明を説明するための図である。
【図４】従来のニューラルネットワークの構成図であ
る。
る。
【図５】ニューラルネットワークを説明するための図で
ある。
ある。
【図６】ユニットを説明するための図である。
３０ 学習パターン保持部 ３１ ニューラルネットワーク ３２ 重み更新部 ３３ 寄与率算出部
Claims (1)
- 【請求項１】 入力層のユニット（３１ａ）と、隠れ層
のユニット（３１ｂ）と、出力層のユニット（３１ｃ）
とよりなり、前記入力層のユニットに入力パターンを供
給したとき前記出力層のユニットより出力される出力パ
ターンと前記入力パターンに対応した教師信号との誤差
を減らすよう各ユニット間の結合の重みを可変して学習
を行なうニューラルネットワークにおいて、 前記学習に用いた入力パターンを構成する各データと、
学習された前記入力層のユニットと隠れ層のユニットと
の間の結合の重みと、学習された前記隠れ層のユニット
と出力層のユニットとの間の結合の重みとから、前記入
力パターンの各データが出力パターンの各データに寄与
する程度を算出する寄与程度算出手段（３３）を有する
ことを特徴とするニューラルネットワーク。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5214570A JPH0764945A (ja) | 1993-08-30 | 1993-08-30 | ニューラルネットワーク |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5214570A JPH0764945A (ja) | 1993-08-30 | 1993-08-30 | ニューラルネットワーク |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0764945A true JPH0764945A (ja) | 1995-03-10 |
Family
ID=16657908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5214570A Withdrawn JPH0764945A (ja) | 1993-08-30 | 1993-08-30 | ニューラルネットワーク |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0764945A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018198027A (ja) * | 2017-05-25 | 2018-12-13 | 株式会社教育ソフトウェア | 要因分析装置 |
| WO2021125318A1 (ja) * | 2019-12-20 | 2021-06-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 学習装置、学習方法および学習プログラム |
-
1993
- 1993-08-30 JP JP5214570A patent/JPH0764945A/ja not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018198027A (ja) * | 2017-05-25 | 2018-12-13 | 株式会社教育ソフトウェア | 要因分析装置 |
| WO2021125318A1 (ja) * | 2019-12-20 | 2021-06-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 学習装置、学習方法および学習プログラム |
| JP2021099645A (ja) * | 2019-12-20 | 2021-07-01 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 学習装置、学習方法および学習プログラム |
| JP2021103596A (ja) * | 2019-12-20 | 2021-07-15 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 学習装置、学習方法および学習プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Forming a new small sample deep learning model to predict total organic carbon content by combining unsupervised learning with semisupervised learning | |
| CN109002845B (zh) | 基于深度卷积神经网络的细粒度图像分类方法 | |
| Pugh | Synthetic neural networks for process control | |
| Aussem et al. | Combining neural network forecasts on wavelet-transformed time series | |
| Ljung | System identification | |
| Hwang et al. | Query-based learning applied to partially trained multilayer perceptrons | |
| Marques et al. | Identification and prediction of unsteady transonic aerodynamic loads by multi-layer functionals | |
| CN109766995A (zh) | 深度神经网络的压缩方法与装置 | |
| US20040019469A1 (en) | Method of generating a multifidelity model of a system | |
| CN110309907A (zh) | 一种基于去跟踪自编码器的动态缺失值填补方法 | |
| Magdon-Ismail et al. | Density estimation and random variate generation using multilayer networks | |
| KOO | Back-propagation | |
| JPH0764945A (ja) | ニューラルネットワーク | |
| Cotta et al. | Adjusting weights in artificial neural networks using evolutionary algorithms | |
| US20030055797A1 (en) | Neural network system, software and method of learning new patterns without storing existing learned patterns | |
| CN107273509A (zh) | 一种神经网络数据存储器、数据存储方法及数据查找方法 | |
| Hsu | Nonlinear and self-adapting methods for prediction | |
| Neal et al. | GA-based multi-material structural optimization using stepwise mesh refinement | |
| Elliott et al. | Modeling Networks of Evolving Populations | |
| CN113887570A (zh) | 一种基于神经网络的太阳耀斑二分类预测方法 | |
| Chandrasekaran et al. | Convergent design of piecewise linear neural networks | |
| Griffen | Quantitative phase analysis of clay minerals by X-ray powder diffraction using artificial neural networks. I. Feasibility study with calculated powder patterns | |
| Trafalis et al. | Interior point methods for supervised training of artificial neural networks with bounded weights | |
| Nikravesh et al. | Process control of nonlinear time variant processes via artificial neural network | |
| Gao et al. | A Bidirectional Parameter Transfer Reinforcement Learning Approach for Bi-Objectives Traveling Salesman Problem |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20001031 |