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
(57)【要約】
【目的】 重ね合わせたパターンを時分割で分離・認識
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）。
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
【０００１】
【産業上の利用分野】本発明は、空間的に重なったパタ
ーンを認識・分離する方法および装置に関する。
ーンを認識・分離する方法および装置に関する。
【０００２】
【従来の技術】図５は、従来のパターン想起、認識のフ
ローチャートである。
ローチャートである。
【０００３】今、パターンの要素が０，１のバイナリー
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。
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。
【０００４】神経回路網の代表的な学習則であるヘッブ
則を用い、ネットワーク内の素子間結合Ｊijを学習させ
るパターン
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
【０００５】
【外１】 により変化させ、パターンをネットワークに学習させる
（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。
（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。
【０００６】
【数１】 但し、Ｊij＝Ｊjiで、結合は対称である。λは定数で、
【０００７】
【数２】 この連想記憶メモリでは、ネットワークは、学習したパ
ターン
ターン
【０００８】
【外２】 に近い初期状態（入力）から始まって、ある程度の時間
経過後に、学習したパターン
経過後に、学習したパターン
【０００９】
【外３】 と同じ状態に変化する（ステップ３２）。このことによ
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）。
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）。
【００１０】
【数３】 但し、ネットワークの状態をｕ（ｕ1 ，・・，ｕi，・
・，ｕN）とする。
・，ｕN）とする。
【００１１】このパラメータは、ネットワークの状態ｕ
と学習したパターン
と学習したパターン
【００１２】
【外４】 の余弦となっており、状態ｕとパターン
【００１３】
【外５】 が近いほど１に近くなる。このことにより、ネットワー
クが現在どのパターンを認識しているかが分かる（ステ
ップ３４）。
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）。
【００１４】
【発明が解決しようとする課題】しかし、例えば、学習
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。
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。
【００１５】本発明の目的は、学習したパターンの重ね
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。
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。
【００１６】
【課題を解決するための手段】本発明のパターン分離・
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。
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。
【００１７】また、本発明のパターン分離・認識装置
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。
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。
【００１８】
【作用】パターンξとして、要素が０，１のバイナリー
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
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
【００１９】
【外６】 により変化させる。ヘッブ則は、振動子間結合Ｊijを式
（２）のように変化させる。
（２）のように変化させる。
【００２０】本発明のパターン分離・認識方法は、ネッ
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
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
【００２１】
【外７】 の内いくつかを重ね合わせたパターンを用いることによ
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
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
【００２２】
【外８】 の内のいくつかを重ね合わせたパターンを時分割で分離
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
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
【００２３】
【外９】 の余弦となっており、状態ｕ（ｔ）とパターン
【００２４】
【外１０】 が近いほど１に近くなる。このことにより、振動子ネッ
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。
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。
【００２５】振動子ネットワークに使用する非線形振動
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。
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。
【００２６】また、パターンはどんなものでも適用で
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。
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。
【００２７】
【実施例】次に、本発明の実施例について図面を参照し
て説明する。
て説明する。
【００２８】図１は本発明の一実施例のパターン分離・
認識方法を示すフローチャートである。
認識方法を示すフローチャートである。
【００２９】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）。
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）。
【００３０】図２は本発明の一実施例のパターン認識・
分離装置のブロック図である。
分離装置のブロック図である。
【００３１】振動子ネットワーク回路２１は非線形振動
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。
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。
【００３２】パターン入力回路２２により前もって学習
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。
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。
【００３３】
【発明の効果】以上説明したように、本発明は、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。
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。
【図１】本発明の一実施例のパターン分離・認識方法を
示すフローチャートである。
示すフローチャートである。
【図２】本発明の一実施例のパターン分離・認識装置を
示すブロック図である。
示すブロック図である。
【図３】非線形振動子が相互に結合している振動子ネッ
トワークを示す図である。
トワークを示す図である。
【図４】非線形しきい値素子を二つ組み合わせた非線形
振動子を示す図である。
振動子を示す図である。
【図５】従来のパターン分離・認識方法を示すフローチ
ャートである。
ャートである。
【図６】神経回路網によるネットワークを示す図であ
る。
る。
【図７】非線形しきい素子の一例を示すグラフである。
１１〜１４ ステップ ２１ 振動子ネットワーク回路 ２２ パターン入力回路 ２３ 学習回路 ２４ 状態計算・出力回路 ２５ 入力パターン ２６ 学習パターン ３１〜３４ ステップ
フロントページの続き (72)発明者 曽根原 登 東京都千代田区内幸町一丁目１番６号 日 本電信電話株式会社内
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 |