JPH0844693A - パターン分離・認識方法および装置 - Google Patents
パターン分離・認識方法および装置Info
- Publication number
- JPH0844693A JPH0844693A JP6182171A JP18217194A JPH0844693A JP H0844693 A JPH0844693 A JP H0844693A JP 6182171 A JP6182171 A JP 6182171A JP 18217194 A JP18217194 A JP 18217194A JP H0844693 A JPH0844693 A JP H0844693A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- patterns
- network
- oscillator
- learned
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
する。 【構成】 まず、前もって複数のパターンを学習するこ
とによりネットワークの結合の値を変更し、ネットワー
クの結合により振動子ネットワークを構成する(ステッ
プ11)。次に、前もって学習した複数のパターンの内
のいくつかを重ね合わせたパターンを振動子ネットワー
クに入力し、振動子ネットワークを振動子のダイナミク
スに従い変化させる(ステップ12)。次に、振動子ネ
ットワークの状態と学習させた複数のパターン間の余弦
パラメータを時間毎に計算する(ステップ13)。最後
に、各時間毎に余弦パラメータが1に近いものをその時
刻に想起したパターンと判断し、その想起パターンを時
間に従い変化させながら重ね合わせたパターンを時分割
で分離する(ステップ14)。
Description
ーンを認識・分離する方法および装置に関する。
ローチャートである。
である多次元のベクトルを考える。従来の神経回路網に
よる連想記憶メモリは非線形しきい素子のネットワーク
で構成できる。その神経回路網によるネットワークを図
6に示す。また、非線形しきい素子は、入力xに対して
しきい値を設け、そのしきい値に対する大小で入力を非
線形変換し、uを出力するものである。例えば、神経回
路網でよく使われるシグモイド型のものは、 u=f(x)=1/(1+exp(−(x−c)))・・・・(1) のような形で与えられる。ここで、cがしきい値で、f
(x)はc=0の場合図7のようになる。
則を用い、ネットワーク内の素子間結合Jijを学習させ
るパターン
(ステップ31)。ヘッブ則は、素子間結合Jijを以下
のように変化させる。
ターン
経過後に、学習したパターン
り、不完全なパターンを入力することで完全なパターン
を想起できるタイプの連想記憶メモリとなる。ネットワ
ークが、現在、どのパターンを示しているかを計算する
ために、以下のパラメータを計算する(ステップ3
3)。
・,uN)とする。
と学習したパターン
クが現在どのパターンを認識しているかが分かる(ステ
ップ34)。
したパターンが(1,1,0,0,0),(0,0,
1,1,0)であったとき、その重なりであるパターン
(1,1,1,1,0)を入力した場合、ネットワーク
は、(1,1,0,0,0)または(0,0,1,1,
0)のどちらかのパターンに収束するか、もしくは、全
く学習していない状態に収束してしまう。学習した各々
のパターンに近い初期状態のときはそのパターンに収束
し、完全なパターンを想起するが、その重ね合わせのパ
ターンが入力されたときには、前もって学習したパター
ンの組み合わせであることは認識できないという問題が
あった。
合わせのパターンが入力されたときでも前もって学習し
たパターンの組み合わせであることが認識できるパター
ン分離・認識方法および装置を提供することにある。
認識方法は、前もって複数のパターンを学習することに
よりネットワークの結合の値を変更し、前記変更した、
ネットワークの結合の値を用いて振動子ネットワークを
構成し、前もって学習した複数のパターンの内のいくつ
かを重ね合わせたパターンを前記振動子ネットワークに
入力し、振動子ネットワークの振動パターンが、前記学
習したパターンの内のどのパターンと近いかを計算し、
出力する。
は、非線形振動子が相互結合した振動子ネットワーク回
路と、複数のパターンを学習し、前記振動子ネットワー
ク回路の結合の値を変更する学習回路と、前記学習した
複数のパターンの内のいくつかを重ね合わせたパターン
を前記振動子ネットワーク回路に入力するパターン入力
回路と、前記振動子ネットワーク回路が示している振動
パターンが、前記学習したパターンの内のどのパターン
と近いかを計算し、出力する状態計算・出力回路を有す
る。
である多次元のベクトルを考える。ネットワークはN個
の要素が相互に結合している回路網であり、特に、振動
子ネットワークとは、図3のようにN個の非線形振動子
が相互に結合している神経回路網である。よって、パタ
ーンξの要素の数は、非線形振動子の数Nと等しいもの
を用いる。神経回路網の代表的な学習則であるヘッブ則
を用い、ネットワーク内の振動子間結合Jijを学習パタ
ーン
(2)のように変化させる。
トワークの要素として非線形しきい素子ではなく、非線
形振動子を用いることにより、不完全なパターンから完
全なパターンへの想起とその想起の時間変化により想起
パターンが時間的に変化する。このとき、入力パターン
として、学習したパターン
り、想起パターンが重ね合わせた中の一つのパターンと
なり、それが時間的に変化するようになる。例えば、学
習パターンが(1,1,0,0,0,)、(0,0,
1,1,0)のとき、重ね合わせたパターン(1,1,
1,1,0)から得られる不完全なパターン(0,1,
1,1,0)を入力すると、ネットワークはある時刻に
は(1,1,0,0,0)、次の時刻には(0,0,
1,1,0)と変化する。このことにより、前もって学
習したパターン
することができる。これは、振動子間の位相同期と呼ば
れる現象を利用しているためで、この原理により、ヘッ
ブ則を用いて振動子間相互作用が正の値となった振動子
間の位相は同位相となり、負の値となった振動子間の位
相は逆位相となる。一つのパターンを構成している振動
子間は正の相互作用を持つことにより、同位相となり、
異なるパターンを構成する振動子間は、位相がずれ、逆
位相となり、時分割でパターンを分離することができ
る。振動子ネットワークが、現在、どのパターンを示し
ているかを計算するために、式(3)のパラメータを計
算する。このパラメータは、振動子ネットワークの状態
u(t)と学習したパターン
トワークが現在どのパターンを認識しているかが分か
る。
子は、大体どんなタイプのものでもよい。例として図4
に示すように非線形しきい値素子を二つ組み合わせるこ
とにより非線形振動子を容易に実現できる。その他にも
非線形しきい値素子を使わずにも構成できる。
き、例えば、画像やマトリクスで表現した文字など全て
適用できる。
て説明する。
認識方法を示すフローチャートである。
ことによりネットワークの結合の値を変更し、ネットワ
ークの結合により図3に示すような振動子ネットワーク
を構成する(ステップ11)。次に、前もって学習した
複数のパターンの内のいくつかを重ね合わせたパターン
を振動子ネットワークに入力し、振動子ネットワークを
振動子のダイナミクスに従い変化させる(ステップ1
2)。次に、振動子ネットワークの状態と学習させた複
数のパターン間の余弦パラメータを時間毎に式(3)に
より計算する(ステップ13)。最後に、各時間毎に余
弦パラメータが1に近いものをその時刻に想起したパタ
ーンと判断し、その想起パターンを時間に従い変化させ
ながら重ね合わせたパターンを時分割で分離する(ステ
ップ14)。
分離装置のブロック図である。
子が相互結合したネットワークである。学習回路23
は、複数の学習パターン26を学習し、振動子ネットワ
ーク回路21の結合の値を変更する回路である。パター
ン入力回路22は前もって学習した複数の学習パターン
26の内のいくつかを重ね合わせたパターン25を振動
子ネットワーク回路21に入力として与える回路であ
る。状態計算・出力回路24は、振動子ネットワーク回
路21が示している振動パターンが学習したパターン2
6の内のどのパターンと近いかを計算し、出力する回路
で、これは例えば、振動子ネットワーク回路21の状態
と学習したパターンの各々の内積を計算するような回路
で実現できる。
した複数のパターン26の内のいくつかを重ね合わせた
パターンを入力として振動子ネットワーク回路21に入
力し、重ね合わせたパターンの内の一つのパターンが次
々に振動子ネットワーク回路21の振動パターンとして
現れる。状態計算・出力回路24により、現在、どのパ
ターンと近いかが認識でき、また、いくつかの入力され
たパターンを時分割で分離することができる。
て複数のパターンを学習することによりネットワークの
結合の値を変更し、前記ネットワークの結合により振動
子ネットワークを構成し、前もって学習した複数のパタ
ーンの内いくつかを重ね合わせたパターンを前記振動子
ネットワークに入力し、振動子ネットワークの振動パタ
ーンが学習したパターンの内、どのパターンと近いかを
計算し、出力することにより、重ね合わせパターンを時
分割で分離・認識できる効果がある。
示すフローチャートである。
示すブロック図である。
トワークを示す図である。
振動子を示す図である。
ャートである。
る。
Claims (2)
- 【請求項1】 空間的に重なったパターンを分離・認識
する方法であって、前もって複数のパターンを学習する
ことによりネットワークの結合の値を変更し、前記変更
した、ネットワークの結合の値を用いて振動子ネットワ
ークを構成し、前もって学習した前記複数のパターンの
内のいくつかを重ね合わせたパターンを前記振動子ネッ
トワークに入力し、振動子ネットワークの振動パターン
が、前記学習した複数パターンの内のどのパターンと近
いかを計算し、出力するパターン分離・認識方法。 - 【請求項2】 空間的に重なったパターンを分離・認識
する装置であって、 非線形振動子が相互結合した振動子ネットワーク回路
と、 複数のパターンを学習し、前記振動子ネットワーク回路
の結合の値を変更する学習回路と、 前記学習した複数のパターンの内のいくつかを重ね合わ
せたパターンを前記振動子ネットワーク回路に入力する
パターン入力回路と、 前記振動子ネットワーク回路が示している振動パターン
が、前記学習したパターンの内のどのパターンと近いか
を計算し、出力する状態計算・出力回路を有するパター
ン分離・認識装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP18217194A JP3371376B2 (ja) | 1994-08-03 | 1994-08-03 | パターン分離・認識方法および装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP18217194A JP3371376B2 (ja) | 1994-08-03 | 1994-08-03 | パターン分離・認識方法および装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0844693A true JPH0844693A (ja) | 1996-02-16 |
JP3371376B2 JP3371376B2 (ja) | 2003-01-27 |
Family
ID=16113592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP18217194A Expired - Fee Related JP3371376B2 (ja) | 1994-08-03 | 1994-08-03 | パターン分離・認識方法および装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3371376B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175427A (zh) * | 2019-06-03 | 2019-08-27 | 江西理工大学 | 一种在耦合振子系统中实现非对称振荡死亡的方法 |
JP2020046715A (ja) * | 2018-09-14 | 2020-03-26 | 株式会社東芝 | 計算装置、計算プログラム、記録媒体及び計算方法 |
-
1994
- 1994-08-03 JP JP18217194A patent/JP3371376B2/ja not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020046715A (ja) * | 2018-09-14 | 2020-03-26 | 株式会社東芝 | 計算装置、計算プログラム、記録媒体及び計算方法 |
CN110175427A (zh) * | 2019-06-03 | 2019-08-27 | 江西理工大学 | 一种在耦合振子系统中实现非对称振荡死亡的方法 |
CN110175427B (zh) * | 2019-06-03 | 2023-06-09 | 江西理工大学 | 一种在耦合振子系统中实现非对称振荡死亡的方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3371376B2 (ja) | 2003-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0357016B1 (en) | Neuron architecture | |
Pahnehkolaei et al. | Delay independent robust stability analysis of delayed fractional quaternion-valued leaky integrator echo state neural networks with QUAD condition | |
JP3371376B2 (ja) | パターン分離・認識方法および装置 | |
EP0444878B1 (en) | Neural network | |
Ito et al. | Generalization in learning multiple temporal patterns using rnnpb | |
US5259039A (en) | Method of separating specific patterns from pattern space and apparatus therefor | |
Gama et al. | Mimo graph filters for convolutional neural networks | |
Ban et al. | When are two multi-layer cellular neural networks the same? | |
Rong | LMI approach for global periodicity of neural networks with time-varying delays | |
JPH0535710A (ja) | ニユーラルネツトワークの学習方法および学習装置 | |
JPH05165987A (ja) | 信号処理装置 | |
Davidson et al. | Template learning in morphological neural nets | |
JPH03218731A (ja) | 予測型心電図波形認識装置 | |
JP2540200B2 (ja) | 光ニュ―ロコンピュ―タ | |
JPH03268074A (ja) | パターン認識方式および装置 | |
JPH0644207A (ja) | ニューラルネットワーク及びその構成方法 | |
Yang | A modified adaptive-networks-based fuzzy inference controller | |
Friesen et al. | Training dynamics of systems in a variable environment | |
JPH0830708A (ja) | 神経機能素子 | |
JPH0675935A (ja) | 多変数システム構成方法およびその装置 | |
Ulgen et al. | A neuro-expert system with a conflict-resolving meta-neural network | |
JPH04246766A (ja) | ニューラルネットワークおよびその信号処理方法 | |
Hammer | A NP-hardness Result for a Sigmoidal 3-node Neural Network | |
KR960014190B1 (ko) | 신경회로망을 이용한 퍼지모델 | |
JP2002269532A (ja) | 階層型ニューラル・ネットワーク・システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071122 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081122 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091122 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101122 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101122 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111122 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111122 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121122 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121122 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131122 Year of fee payment: 11 |
|
LAPS | Cancellation because of no payment of annual fees |