JPH09231189A - 連想記憶装置および連想記憶方法 - Google Patents

連想記憶装置および連想記憶方法

Info

Publication number
JPH09231189A
JPH09231189A JP8037600A JP3760096A JPH09231189A JP H09231189 A JPH09231189 A JP H09231189A JP 8037600 A JP8037600 A JP 8037600A JP 3760096 A JP3760096 A JP 3760096A JP H09231189 A JPH09231189 A JP H09231189A
Authority
JP
Japan
Prior art keywords
signal
storage element
internal
signal input
learning
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
Application number
JP8037600A
Other languages
English (en)
Inventor
Isao Yamaguchi
功 山口
Kazuhisa Ichikawa
一寿 市川
Hiroshi Okamoto
洋 岡本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuji Xerox Co Ltd filed Critical Fuji Xerox Co Ltd
Priority to JP8037600A priority Critical patent/JPH09231189A/ja
Priority to US08/806,937 priority patent/US5937432A/en
Publication of JPH09231189A publication Critical patent/JPH09231189A/ja
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Machine Translation (AREA)

Abstract

(57)【要約】 【課題】 自己組織的にしかも以前の記憶を乱すことな
く追加的に連想記憶を形成することができるようにす
る。 【解決手段】 記憶素子10は学習信号入力部11、想
起信号入力部12、内部信号出力部13、内部信号入力
部14を有する。内部信号入力部14の信号伝達効率は
自らの記憶素子10がオンで、かつ対応する記憶素子か
らの内部信号が入力されているときに増強される。学習
信号が複数の記憶素子に同時に入力されると対応する内
部信号入力部の信号伝達効率が増強され、当該記憶素子
相互の関連が増強される。想起信号が入力された記憶素
子との間で、増強された信号伝達効率の内部信号入力部
を有する他の記憶部は、内部レベルが増大してオンとな
る可能性が増大する。

Description

【発明の詳細な説明】
【0001】
【発明が属する技術分野】この発明は連想記憶装置およ
び方法に関し、とくに、自己組織的にしかも以前の記憶
を乱すことなく追加的に連想記憶を形成することができ
るようにしたものである。
【0002】
【従来の技術】人間の記憶は、通常いくつかの事物が関
連付られている。たとえば、「りんご」と「赤い」、
「赤い」と「信号」、のように関連付けられている場
合、りんごは赤い、赤いは信号など、一つの事物を起点
として連想が進む。また、実際に物事を記憶する時に
も、いくつかのことに関連付けて記憶する。さらに、新
たに記憶されたことは、それ以前に記憶されていたこと
と自動的に関連づけられて記憶される。
【0003】従来の連想記憶装置の一つとして、例え
ば、「コンピュータ大百科、p.959〜961」に記
載されているように、あらかじめ事物の対応づけを行っ
て記憶させておき、入力された情報と対応づけて記憶さ
れている情報を出力するものがある。また、この装置を
改良したものとして、例えば、特開昭62−27769
4号公報に記載されているように、相関マトリクスの出
力を転置マトリクスを介してフィードバックし、ノイズ
を防ぐ技術も開発されている。しかし、これらの方法で
は、あらかじめ事物の相関関係を定義しておくので、新
たな連想記憶の再形成は困難であった。
【0004】また、別の連想記憶装置を実現する方法と
して、例えば、「PARALLELE DISTRIB
UTED PROCESSING, 1986 MIT
Press」に記載されているバックプロパゲーショ
ンのように、ニューラルラルネットワークにより相関関
係を学習させる方法がある。このニューラルネットワー
クによる装置では、学習により連想記憶が成されるの
で、上述の相関マトリクスによる方法に比べれば硬直的
ではない。しかし、連想記憶を形成するための学習に時
間がかかるという問題点があった。また、関連づけたい
記憶項目群をあらかじめ決めておき、それを用いて学習
するため、その記憶項目群に新たに項目を追加するため
には、全ての項目群を再度学習する必要があった。
【0005】また、さらに別の連想記憶装置の例として
は、例えば、特開平6−296589号公報に記載され
ているように、同時に二つの入力があったときに初めて
出力を出すとともにその状態を記憶する連想記憶素子を
用いて事物の相関関係を学習させる方法を用いた連想記
憶装置も実現されている。この連想記憶素子による装置
では、同時に入力された事物の相関関係を学習するの
で、上述の相関マトリクスによる方法に比べれば硬直的
ではなく、また一度入力すれば連想記憶素子が学習する
ので、上述のニューラルネットワークによる装置に比べ
て記憶項目の追加が容易である。しかし、学習時の時間
的な近さによって事物の相関関係が決定されるため、す
でに記憶している事物の間での相関の強さなどを再度学
習することは困難であった。
【0006】
【発明が解決しようとする課題】この発明は、以上の事
情を考慮してなされたものであり、新たな連想記憶を次
々と追加でき、しかも既に記憶したもの同士の関係の強
化を、学習を繰り返すことにより自己組織的に行える連
想記憶技術を提供することを目的とするものである。
【0007】
【課題を解決するための手段】この発明によれば、以上
の目的を達成するために、連想記憶装置に、連想記憶を
形成するための学習信号入力手段と、学習済みの記憶を
取り出すための想起信号入力手段と、他の記憶素子へ信
号を送るための一つ以上の内部信号出力手段と、他の記
憶素子からの信号を受けるための一つ以上の内部信号入
力手段とをそれぞれ有する複数の記憶素子と、上記複数
の記憶素子の各々の内部信号出力手段から出力される信
号を他の記憶素子の内部信号入力手段に供給する手段
と、上記複数の記憶素子の各々に設けられ、通常はオフ
状態にあり、対応する記憶素子の上記学習信号入力手段
または上記想起信号入力手段から入力を受けるとオン状
態になり、上記内部信号入力手段からの入力の和がある
閾値を超えるとオン状態になり、オン状態になると内部
信号出力手段より他の記憶素子へ信号を出力する内部状
態切り替え手段と、上記内部信号入力手段の各々に設け
られ、対応する記憶素子の内部状態切り替え手段がオン
状態でかつ上記内部信号入力手段へ信号が入力している
場合には、上記内部信号入力手段の信号伝達効率を増強
する信号伝達効率制御手段とを設けるようにしている。
【0008】このような連想記憶装置において、同時に
二つ以上の記憶素子の学習信号入力手段に学習信号が入
力されると、入力があった記憶素子はオン状態になると
ともに、他の記憶素子に対して信号を出力する。そして
オン状態にある記憶素子間で相互からの入力部の信号伝
達効率が増強され、結果として学習信号の入力を受けた
二つ以上の記憶素子の間の結合が強化されることにな
り、各記憶素子に対応する事物の相関関係を学習するこ
とができる。
【0009】また、所定の記憶素子の想起信号入力手段
に想起信号が入力されると、入力があった記憶素子はオ
ン状態になるとともに、他の記憶素子に対して信号を出
力し、他の記憶素子はオン状態の記憶素子からの入力を
内部信号入力手段に受ける。その内部信号入力手段の信
号伝達効率に応じて、あるいは他の記憶素子からの内部
信号入力に応じて、記憶素子はオン状態になることがあ
る。このように各記憶素子が内部信号の入力とオン状態
への移行を繰り返して、想起信号が入力された記憶素子
との結合が強化されている記憶素子が次々とオン状態と
なることによって、記憶された事物相関関係に基づいて
連想を行うことができる。
【0010】また、この発明によれば、上述目的を達成
するために、連想記憶装置に、連想記憶を形成するため
の学習信号入力手段と、学習済みの記憶を取り出すため
の想起信号入力手段とをそれぞれ有する複数の記憶素子
と、上記複数の記憶素子の各々の内部信号を他の記憶素
子に供給する複数の信号伝達手段と、上記複数の記憶素
子の各々に設けられ、通常はオフ状態にあり、対応する
記憶素子の上記学習信号入力手段から入力を受けるとオ
ン状態になり、上記内部信号入力手段からの入力の和が
ある閾値を超えるとオン状態になり、オン状態になると
内部信号出力手段より他の記憶素子へ信号を出力する内
部状態切り替え手段と、上記信号伝達手段の各々に設け
られ、上記信号伝達手段から信号が伝達され、かつ上記
信号伝達手段から上記信号を受け取る記憶素子の内部状
態切り替え手段がオン状態である場合には、上記信号伝
達手段の信号伝達効率を増強する信号伝達効率制御手段
とを設けるようにしてる。
【0011】この場合にも、学習信号入力手段への入力
に応じて対応する信号伝達効率が増強されて連想記憶が
可能となる。この構成においては、信号伝達効率は信号
入力部に設けられてもいいし、信号出力部に設けられて
もよい。
【0012】また、この発明によれば、上述目的を達成
するために、連想記憶装置に用いる記憶素子に、連想記
憶を形成するための学習信号入力手段と、他の記憶素子
へ信号を送るための一つ以上の内部信号出力手段と、他
の記憶素子からの信号を受けるための一つ以上の内部信
号入力手段と、通常はオフ状態にあり、対応する記憶素
子の上記学習信号入力手段から入力を受けるとオン状態
になり、上記内部信号入力手段からの入力の和がある閾
値を超えるとオン状態になり、オン状態になると内部信
号出力手段より他の記憶素子へ信号を出力する内部状態
切り替え手段と、対応する記憶素子の内部状態切り替え
手段がオン状態でかつ上記内部信号入力手段へ信号が入
力している場合には、上記内部信号入力手段の信号伝達
効率を増強する信号伝達効率制御手段とを設けるように
している。
【0013】また、この発明によれば、上述の連想記憶
装置を用いた連想記憶方法において、相互に関連させる
事項に対応する記憶素子の上記学習信号入力手段に学習
信号を入力するステップと、上記学習信号の入力に基づ
いて対応する記憶素子をオン状態にするステップと、上
記対応する記憶素子のオン状態に基づいて上記対応する
記憶素子の各々から他の記憶素子に信号を送出するステ
ップと、上記対応する記憶素子への上記信号の伝達に応
じて対応する信号伝達効率を増強するステップとを実行
するようにしている。
【0014】この構成によれば、学習信号の入力に応じ
て対応する信号伝達効率を増強させ、連想記憶を行うこ
とができる。
【0015】また、この発明によれば、上述の目的を達
成するために、上述連想記憶装置を用いた連想記憶方法
において、所定の記憶素子の上記想起信号入力手段に想
起信号を入力するステップと、上記所定の記憶素子をオ
ン状態にするステップと、上記所定の記憶素子から他の
記憶素子に信号を出力するステップと、上記信号に基づ
いて所定の他の記憶素子をオン状態にするステップと、
信号の出力および他の記憶素子のオン駆動を次々に繰り
返すことにより、上記複数の記憶素子のうち内部信号入
力手段からの入力の和がある閾値を超えているものを次
々にオン状態にするようにしている。
【0016】この構成によれば、想起信号の入力が次々
に伝播されていき連想が繰り返される。
【0017】
【課題を解決するための手段】この発明を、図面につい
て更に具体的に説明する。
【0018】図1は、この発明の連想記憶装置の一実施
例を示すブロック図である。図2は、図1の例における
記憶素子10の構成図である。図1の連想記憶装置の実
施例は、N個の記憶素子10によって構成されている。
まず、図1および図2を参照しながら、この発明の基本
動作原理を説明する。
【0019】記憶素子10は、図2に示すように、記憶
を形成するための学習信号入力部11と、学習済みの記
憶を取り出すための想起信号入力部12と、他の記憶素
子10へ信号を送るための一つ以上の内部信号出力部1
3と、他の記憶素子10からの信号を受けるための一つ
以上の内部信号入力部14を持つ。一つの内部信号出力
部13は、他の一つの記憶素子10の一つの内部信号入
力部14と結合し、一つ内部内部信号入力部14は、他
の一つの記憶素子10の一つの内部信号出力部13と結
合している。一つの記憶素子10は、一つの記憶要素、
例えば事物の名称、属性などに対応する。i番目の記憶
素子10は素子状態Uiを持ち、学習信号入力部11よ
り学習信号Li、想起信号入力部12より想起信号Ri
を入力することができる。記憶素子10は通常Uiがあ
る値を持ちオフ状態にあるが、いずれかの入力手段より
入力があるとUiの値が変化し、Uiがある条件を満た
すとオン状態になり、j番目の記憶素子10に対して内
部信号出力部13から内部信号Hijを出力することが
できる。逆に、j番目の記憶素子10から内部信号Hj
iが到達したとき、j番目の記憶素子10に対応する内
部信号入力部14のもつ信号伝達効率ωjiとの積Hj
i×ωjiが入力される。信号伝達効率ωji、連想記
憶装置が学習を行う時には、UiとHjiに従ってその
値をΔωjiだけ変更される。ωjiが大きければ大き
いほど、j番目の記憶素子10とi番目の記憶素子10
の結合が強いことになる。
【0020】結合が強いということは、それぞれの記憶
素子10が対応している事物の名称、属性などの相関関
係が強いということを意味する。そして、学習時には、
関係の深い事物の名称、属性などが別々の記憶素子10
に同時に学習信号として入力され、記憶素子10同士の
結合が強化されて入力された事物の名称、属性などの関
係を連想記憶装置内部に形成していく。想起時には、あ
る事物の名称、属性などがひとつの記憶素子10に想起
信号として入力されてオン状態となり、結合が強化され
ている他の記憶素子10を次々とオン状態にする。この
とき、オン状態になった記憶素子10に対応する事物の
名称、属性などが想起されているものとする。
【0021】まず、図1の連想記憶装置が学習を行う時
の動作について詳しく説明する。前述したように記憶素
子10は、通常素子状態Ui、Ujが、オフ状態にあ
る。そして、学習信号を入力されると、素子状態は変化
し、オン状態になる。前述のように学習時には、同時に
二つ以上の記憶素子10に対して学習信号が入力され
る。今、i番目とj番目の記憶素子10に対してそれぞ
れLi、Ljという学習信号が学習信号入力部11より
入力されたとする。Li、Ljという学習信号が入力さ
れることにより、i番目、j番目の記憶素子10はオン
状態になり、他の記憶素子10に対して内部信号出力部
13より内部信号を出力する。i番目の記憶素子10か
ら他のk番目の記憶素子10に対してはHik、j番目
の記憶素子10から他のk番目の記憶素子10に対して
はHjkが出力される。今i番目の記憶素子10に着目
すると、オン状態にあり、j番目の記憶素子10から内
部信号Hjiを受けている。このとき、i番目の記憶素
子10が有する、j番目の記憶素子10からの内部信号
を受ける内部信号入力部14の信号伝達効率をωji
は、次のように変化する。変化の方向は、信号伝達効率
を良くする方向である。学習信号が入力される前のωj
iをωji(t−1)、強化後のωjiをωji(t)
とすると、 ωji(t)=ωji(t−1)+Δωji 式(1) のようにΔωjiだけ変化する。Δωjiの大きさは、
毎学習時同じ大きさでも良いし、ωji(t−1)の大
きさに依存して変化させてもよい。本実施例では、値が
大きいほど信号伝達効率が良くなる様にωjiを定める
として、ωji(t−1)の大きさに依存して変化させ
ることにした。すなわち、ωji(t−1)が大きな時
にはΔωjiを小さく、ωji(t−1)が小さな時に
はΔωjiを大きくするようにした。このようにする
と、それまでの学習時には強化されなかったωjiは大
きく変化して記憶素子10の結合が大幅に強化され、一
度学習したωijは再び学習するときにも僅かずつだが
強化されて頻度を反映することができる。以上のように
して、連想記憶装置は各記憶素子10の持つ内部信号入
力部14の信号伝達効率を変化させることにより、学習
を行うことができる。
【0022】次に、図1の連想記憶装置が想起を行う時
の動作について詳しく説明する。前述した学習とは異な
り、同時に想起信号の入力を受ける記憶素子10を一つ
とする場合を考える。今、i番目の記憶素子10に対し
てRiという想起信号が想起信号入力部12より入力さ
れたとする。Riという想起信号が入力されることによ
り、i番目の記憶素子10はオン状態になり、他の記憶
素子10に対して内部信号出力部13より内部信号を出
力する。i番目の記憶素子10から他のk番目の記憶素
子10に対してはHikである。k番目の記憶素子10
が有する、i番目の記憶素子10からHikを受ける内
部信号入力部14の信号伝達効率はωkjであり、k番
目の記憶素子10はHik×ωikの入力を受ける。も
し、Hik×ωikが素子状態をオン状態にするに足る
強さであれば、k番目の記憶素子10はオン状態とな
り、他の記憶素子10に対して内部信号出力部13より
内部信号を出力する。もしもHik×ωikが素子状態
をオン状態にするに足りなければ、k番目の記憶素子1
0は何も出力しない。仮に、i番目の記憶素子10に想
起入力があり、次にオン状態になった記憶素子10が複
数あったとすれば、ある記憶素子10ではそれらオン状
態の記憶素子10から複数の入力を受ける可能性があ
る。その時にはそれぞれの和が入力され、素子状態の変
化が起こされる。k番目の記憶素子10は、常に、
【0023】
【数1】 の入力を受けていることになる。Ikはk番目の記憶素
子10が内部信号入力部14より入力される全内部入力
の和である。i番目の記憶素子10がオフ状態のまま
で、他のk番目の記憶素子10に対して内部出力信号を
出力しないときHikの大きさが0であるとすれば、常
に式(2)を用いてIkが求まる。従って想起時には、
ある時刻tにおけるk番目の記憶素子10の素子状態U
k(t)は、それより前の時刻t−1における全入力I
k(t−1)によって次のように決定される。
【0024】 Uk(t)=f(Ik(t−1)) 式(3) 関数f(x)は、Ik(t−1)の大きさによってある
条件でUk(t)をオン状態にするものなら何でも良
い。たとえば、ある閾値θを決め、全入力の和Ik(t
−1)の大きさがこのθを超えたらオン状態、超えなけ
ればオフ状態というような閾値関数が考えられる。式
(3)によって素子状態がオン状態になれば、k番目の
記憶素子10は他の記憶素子10に対して内部信号出力
部13より内部信号を出力する。素子状態がオン状態に
なったとき、k番目の記憶素子10が他の記憶素子10
に対して内部信号出力部13より出力する内部信号の強
さは、次のように決定される。
【0025】 Ok(t)=g(Uk(t−1)) 式(4) 関数g(x)は、単調増加関数なら何でも良い。例え
ば、g(x)=xでも良い。
【0026】式(2)において、学習時にωikが大き
くなっていれば、式(3)においてHik×ωikがk
番目の記憶素子10の素子状態をオン状態にする可能性
が高くなる。すなわち、学習によって結合が強化された
複数の記憶素子10のいずれかに想起入力があると、そ
れら結合が強化された複数の記憶素子10がオン状態に
移行し、想起入力として用いられた事物の名称、属性な
どに関連付けて記憶された他の事物の名称、属性などが
想起されやすくなるのである。以上のようにして、連想
記憶装置は、学習時に変化した各記憶素子10の持つ内
部信号入力部14の信号伝達効率を用いて、連想を行う
ことができる。もし、式(1)によるΔωjiが小さ
く、一度の学習では記憶素子10間の結合が連想を行う
ほど強化されなければ、同じ記憶素子10に対して学習
を繰り返して記憶素子10間の結合を充分強化すればよ
い。
【0027】つぎに記憶素子10の構成例について説明
する。図3は、記憶素子10をソフトウェアで実現した
例を示す。図3において、まず、初期設定を行い、Hi
j、ωij、Oi、Uiを確保する。指定があれば、既
存のデータを読み込む(S11)。つぎにユーザから入
力を受け取る(S12)。入力は、学習、想起及ぶ終了
の3つである。入力が終了であれば、データを保存し、
Hij、ωij、Oi、Uiを解放する。つぎに、入力
が学習か想起かをチェックし、学習であれば、入力分配
処理1、記憶素子学習処理及び結果表時処理1が行われ
(S13、S14、S15、S16)、想起であれば、
入力分配処理2、記憶素子想起処理及び結果表時処理2
が行われる(S13、S17、S18、S19)。入力
分配処理1は、入力された記憶項目例えば単語を対応す
るi番目の記憶素子への学習信号Liに変換する処理で
ある。入力分配処理2は、入力された記憶項目例えば単
語を対応するi番目の記憶素子への想起信号Riに変換
する処理である。結果表示処理1は、学習結果(関連づ
けられた記憶項目)の表示を行う処理である。結果表時
処理2は想起結果を表示する処理である。
【0028】図4は記憶素子学習処理S15の詳細を示
すもので、この図において、ステップS20、S21、
S25、S26で学習信号Liの有無が各記憶素子につ
いて判断される。学習信号Liがある場合には、内部状
態Uiをオンにし、内部信号Hijを出力する(S2
2、S23)。この後、他の記憶素子jからの内部信号
が存在する場合には内部信号入力部14の信号伝達効率
ωjiを式(1)を用いて更新する。
【0029】図5は記憶素子想起処理S18の詳細を示
すもので、この図において、初期化が行われる(S3
0)。ここでiは注目している記憶素子10の番号であ
り、nは想起された項目の個数である。前の想起検出ル
ープまでの想起項目の個数noldもnに初期化される
(S31)。つぎに注目の記憶素子iにおいてすでに内
部状態がオンになっているかどうかをチェックする(S
32)。すでにオンになっている場合には、それに応じ
て内部信号Hijを出力し、iを増分してN番目の記憶
素子まで順次に動作を繰り返す(S36、S37、S3
8)。内部状態がいまだにオンとなっていない場合には
(S32)、内部状態Uiを式(2)、式(3)に基づ
いて決定し(S33)、決定された内部状態Uiがオフ
のままであればステップS37に進み、オンとなってい
れば、nを1だけ増分して内部信号Hijを出力し(S
35、S36)、ステップS37に進む。
【0030】ステップS39においては、新たにオンと
判別された記憶素子があるかどうか(noldよりnの
ほうが大きいかどうか)を判別し、新たな記憶素子がオ
ンと判別されたときにはiをゼロとして(S40)以上
の動作を繰り返す。
【0031】このようにして、学習信号Liの入力に基
づいて信号伝達効率が更新されて学習が行われ、また想
起信号Riの入力に応じて新たにオンになる記憶素子が
順次に検出されていく。
【0032】図6は記憶素子10のハードウェア実現態
様を示し、この図において、他の記憶素子からの信号H
jiは伝達効率ωjiの乗算器20を介して加算器21
に供給される。乗算器20の伝達効率ωjiは伝達効率
制御部22により更新される。加算器21の加算出力は
レベル検出器23でレベル弁別され、オア回路24に供
給されるようになっている。オア回路24の他の入力に
は学習信号Liおよび想起信号Riが供給されている。
オア回路24の出力は記憶素子10の内部信号として他
の記憶素子に供給されとともに、信号伝達効率制御部2
2にも入力され、内部信号を受け取る乗算器20の信号
伝達効率ωjiを更新するようになっている。この構成
でも、学習信号Liに応じて信号伝達効率が更新されて
学習が行われ、また想起信号Riに応じて連想記憶の想
起が行われる。
【0033】つぎに、連想記憶装置の学習、連想の動作
態様説明する。図7〜図12は、連想記憶装置の一構成
例における学習、連想動作の説明図である。図7〜図1
2では、N個の記憶素子10のうち、簡単のためi番
目、j番目、k番目の記憶素子10のみを示してある。
そして、各記憶素子10は対応する事物の名称、属性な
どとして単語を記憶するものとする。まず、図7のよう
にi番目とj番目の記憶素子10に学習信号Li、Lj
が入力される。するとi番目とj番目の記憶素子10は
オン状態になり、他の記憶素子10に対して内部信号出
力部13より内部信号を出力する。続いて図8のよう
に、i番目とj番目の記憶素子10は、それぞれオン状
態でかつ相手より内部信号を受けているので、前述の式
(1)にしたがって内部信号入力部14の信号伝達効率
ωji、ωijがそれぞれ強化される。これにより、j
番目の記憶素子10に対応する単語は、i番目の記憶素
子10に対応する単語と関係が強化されたことになる。
【0034】図9のようにi番目の記憶素子10に対し
て想起信号Riが入力されたときは、i番目の記憶素子
10はオン状態となり、他の記憶素子10に対して内部
信号出力部13より内部信号を出力する。この時、図7
および図8のようにしてi番目の記憶素子10からの内
部入力に対して、信号伝達効率が強化されているj番目
の記憶素子10は、Hij×ωijの入力によって素子
状態がオン状態になる。すなわち連想記憶装置は、i番
目の記憶素子10に対応する単語を入力されて、i番目
の記憶素子10に対応する単語を想起するとともに、学
習によって関係が強化されているj番目の単語を連想し
たことになる。
【0035】次に、図10のように、今度は学習信号と
してLj、Lkが入力されたとする。
【0036】このときも、図7および図8のときと同様
にしてj番目の記憶素子10とk番目の記憶素子10の
内部信号入力部14の信号伝達効率ωkj、ωjkがそ
れぞれ強化される。これにより、k番目の記憶素子10
に対応する単語は、j番目の記憶素子10に対応する単
語と関係が強化されたことになる。
【0037】このようにしてi番目とj番目、j番目と
k番目の記憶素子10の結合が強化された状態で再びi
番目の記憶素子10にたいして想起信号Riが入力され
た場合、先ず図11のように、図9と同様にj番目の記
憶素子10がオン状態になる。続いて図12のように、
j番目の記憶素子10からの内部信号により、k番目の
記憶素子10もオン状態となる。こうして、i番目、j
番目、k番目の記憶素子10に対応する単語が次々と連
想されたことになる。以上がこの発明による連想記憶装
置の学習、連想の動作である。
【0038】つぎに連想記憶装置の一構成例において、
実際に学習、連想を行わせた例を用いてこの発明をさら
に詳しく説明する。記憶素子10の個数を仮に6個と
し、連想記憶装置を構成する。式(1)における、第j
番目の記憶素子10から第i番目の記憶素子10が入力
を受ける内部信号伝達効率Δωjiを定める方法を、本
実施例では例えば次の様にした。
【0039】
【数2】 式(5)において、mω、kω、aωのはそれぞれ定数
であり、本実施例では例えば、mω=1.0×106、
kω=5.0、aω=4.0とした。mωはΔωjiの
大きさに関係する定数であり、Δωjiはmωと比例す
る。kωはωjiの大きさとΔωjiの関係を規定する
定数であり、kωを大きくすると大きなωjiに対する
Δωjiが大きくなり、逆にkωを小さくすると大きな
ωjiに対するΔωjiが小さくなる。aωもmωと同
様にΔωjiの大きさに関係する定数であるが、Δωj
iはaωと反比例する。式(5)における、Δωjiと
ωjiの関係をあらわすグラフを図13に示す。図13
において、ωjiが小さい程Δωjiが大きくなり、逆
にωjiが大きい程Δωjiが小さくなり、したがって
学習していないときには大きくωjiが変化するが、学
習が進むにつれてωjiは変化しにくくなることがわか
る。この特徴により、少ない学習回数での事物の相関関
係の学習、および、学習が繰り返し行われることにより
さらに関係が強化されるという頻度の反映を同時に実現
できる。なお、Δωjiの決定方法は、以上のようなΔ
ωjiとωjiの関係を規定する方法ならなんでもよ
く、式(5)に示した関数にとらわれるものではない。
【0040】次に、式(3)における、i番目の記憶素
子10の素子状態Uiを決定する関数Ui=f(x)
を、本実施例では次のよう設定した。
【0041】
【数3】
【0042】
【数4】 式(6)におけるRiは想起信号である。式(6)にお
けるαおよびβは定数である。本実施例ではα、βとも
に1とした。αおよびβを変更することにより、想起時
における想起入力と他の記憶素子10からの入力の比重
を変えることができる。式(6)におけるnumiはそ
の時第i番目の記憶素子10が入力を受けている内部信
号入力部14の個数である。式(6)におけるθiは、
第i番目の記憶素子10がオン状態へ移行するための閾
値である。そのθiは、本実施例では式(7)のように
決定した。式(7)において、mθ、kθ、aθは定数
である。本実施例では、mθ=1.0、kθ=1.0、
aθ=1.5とした。mθはθiの大きさに関係する定
数であり、閾値を大きくする場合にはmθを大きくすれ
ばよい。kθはnumiとθiの関係を規定する定数で
あり、kθが大きいほど入力数が多いときの閾値は大き
くなる。aθはmθと同様にθiの大きさに関係する定
数であるが、mθとは逆にaθとθiは単調減少の関係
がある。numiを用いて内部信号の和を割ることによ
り、仮想的な一つの内部信号入力部14からの入力の強
度に基づいて記憶素子10の素子状態を容易に決定する
ことができる。他の方法として全内部信号入力部14の
個数を用いることも考えられるが、入力信号が多数入力
されないとオン状態に移行しにくくなり、記憶素子10
同士が強い協調性を発揮するようになる。しかしそのよ
うな場合には記憶された個々の事物間の関係が相対的に
希薄になり、連想が効率的に行えなくなるため、本実施
例では用いていない。しかし、全内部信号入力部14の
個数を用いる方法は、複数の事物と多対一の関係で表現
される事物を数多〈扱う連想記憶装置においては有効で
ある と考えられる。θiは、numiが大きいほど大
きな値をとる、すなわち入力されている信号が多い程記
憶素子10はオン状態に以降しにくくなるように規定し
ている。連想が進むと、同時に複数の他の記憶素子10
から入力を受ける記憶素子10が現れはじめ、オン状態
に移行しやすい設定だと連想が無限に続いてしまうおそ
れがあること、ならびに、他の一つの記憶素子10から
しか内部信号が入力しない場合、閾値が大きいと学習し
てもなかなか想起されないおそれがあること、から、こ
れらを防止するため、入力信号数が少ないときはオン状
態に移行しやすく、多い時は移行しにくくなるようにθ
iは規定されている。なお、素子状態を決定する方法
は、上記のような内部入力と素子状態のオン、オフを規
定するものならなんでもよく、数7に示した関数にとら
われるものではない。
【0043】次に、式(4)におけるOi=g(x)
は、次のように設定した。
【0044】
【数5】 式(8)では、素子状態をそのまま内部出力信号として
いる。本実施例では、各記憶素子10の素子状態および
内部出力信号は0から1までのアナログ値をとり、素子
状態が1に近いほどその記憶素子10に対応する事物が
想起されていることを表すものとしている。なお、記憶
素子10の出力を決定する方法は、上記のように素子状
態に応じて単調増加的に出力を決定するものならなんで
もよく、式(8)に示した関数にとらわれるものではな
い。
【0045】また、各記憶素子10は学習信号あるいは
想起信号が入力された場合には、内部信号出力部13よ
り大きさ1の内部信号を出力するとした。さらに、連想
記憶装置が発振するのを防ぐため、各記憶素子10は一
度オン状態になると、装置にあらたな学習信号もしくは
想起信号が入力するまで内部信号入力部14からの入力
に対して反応しない不応期を設けた。
【0046】以上のような連想記憶装置および記憶素子
10は、ハードウェァ的に電気回路で実現してもよい
し、ソフトウェア的にアルゴリズムとしてコンピュータ
上に実現してもよい。
【0047】次に実施例を用いて学習、連想動作を行わ
せたときの結果を説明する。本実施例における6個の記
憶素子10(0番目〜5番目)の内部信号入力部14の
信号伝達効率の初期状態は、全て0である。この状態
で、図14のような関係を実施例の連想記憶装置に学習
させた。その結果の6個の記憶素子10の内部信号入力
部14の信号伝達効率を図15に示す。図15のような
記憶を持った状態で、連想させた結果を図16に示す。
図16では、ほぼ図14のような関係に従って連想され
ていることがわかる。想起された出力の大きさも、図1
5における学習によって強化された内部信号入力部14
の信号伝達効率と比例していることがわかる。R1を入
力したときには、学習したはずの2番目の記憶素子10
が想起されていない。逆のときも同様である。これは、
図15のように、ω12ならびにω21が小さく、お互
いに相手をオン状態にするにいたらなかったためであ
る。
【0048】図16の状態から、さらに0番目の記憶素
子10と5番目の記憶素子10の関係を学習によって強
化させた場合の内部信号入力部14の信号伝達効率並び
に5番目の記憶素子10に想起信号を入力した場合の連
想結果を図17に示す。図17において、図15と比較
してω05ならぴにω50のみが学習によって強化され
ていることが分かる。さらに、R5を入力した際、5番
目の記憶素子10と関係の強化された0番目の記憶素子
10が図16に比べて強く想起されているのに加えて、
0番目の記憶素子10と関係の強い1番目の記憶素子1
0も連想されていることがわかる。
【0049】以上のようにして、この実施例によれば、
随時、事物の相関関係を学習、連想させることができ
る。
【0050】
【発明の効果】以上の説明から明らかなように、この発
明によれば、順次、連想させる事物に対応した学習信号
を入力することにより、あらたな連想記憶が形成され、
しかも以前記憶したこととの関係を自動的に構築するこ
とができる。そのため、従来のような固定的な連想記憶
装置や学習に時間のかかる連想記憶装置ではなく、随
時、簡単に学習させて、あらたな連想記憶を次々と追加
することができる。
【0051】そして、事物に対応した想起信号を入力す
ることによって、連想記憶されている事物が出力され
る。さらに、学習頻度に応じた相関関係の強化を行うこ
とができる。
【図面の簡単な説明】
【図1】この発明の一実施例を示す構成図である。
【図2】この発明の一実施例における記憶素子10の構
成図である。
【図3】上述記憶素子10のソフトウェアによる実現態
様を示すフローチャートである。
【図4】図3の一部を詳細に説明するフローチャートで
ある。
【図5】図3の他の一部を詳細に説明するフローチャー
トである。
【図6】上述記憶素子10のハードウェアによる実現態
様を示すブロック図である。
【図7】この発明の一実施例における動作原理を示した
図である。
【図8】この発明の一実施例における動作原理を示した
図である。
【図9】この発明の一実施例における動作原理を示した
図である。
【図10】この発明の一実施例における動作原理を示し
た図である。
【図11】この発明の一実施例における動作原理を示し
た図である。
【図12】この発明の一実施例における動作原理を示し
た図である。
【図13】この発明の一実施例における内部信号入力部
14の信号伝達効率と一回の学習におけるその変化分の
関係を示した図である。
【図14】この発明の一実施例において学習させた関係
を示す図である。
【図15】この発明の一実施例において学習させた状態
での内部信号入力部14の信号伝達効率を示した図であ
る。
【図16】この発明の一実施例において連想させた結果
を示す図である。
【図17】この発明の一実施例において追加学習させた
状態での内部信号入力部14の信号伝達効率ならびに連
想させた結果を示した図である。
【符号の説明】
10 記憶素子 11 学習信号入力部 12 想起信号入力部 13 内部信号出力部 14 内部信号入力部 22 信号伝達効率制御部
【手続補正書】
【提出日】平成8年7月10日
【手続補正1】
【補正対象書類名】明細書
【補正対象項目名】発明の名称
【補正方法】変更
【補正内容】
【発明の名称】 連想記憶装置および連想記憶方法

Claims (5)

    【特許請求の範囲】
  1. 【請求項1】 連想記憶を形成するための学習信号入力
    手段と、学習済みの記憶を取り出すための想起信号入力
    手段と、他の記憶素子へ信号を送るための一つ以上の内
    部信号出力手段と、他の記憶素子からの信号を受けるた
    めの一つ以上の内部信号入力手段とをそれぞれ有する複
    数の記憶素子と、 上記複数の記憶素子の各々の内部信号出力手段から出力
    される信号を他の記憶素子の内部信号入力手段に供給す
    る手段と、 上記複数の記憶素子の各々に設けられ、通常はオフ状態
    にあり、対応する記憶素子の上記学習信号入力手段また
    は上記想起信号入力手段から入力を受けるとオン状態に
    なり、上記内部信号入力手段からの入力の和がある閾値
    を超えるとオン状態になり、オン状態になると内部信号
    出力手段より他の記憶素子へ信号を出力する内部状態切
    り替え手段と、 上記内部信号入力手段の各々に設けられ、対応する記憶
    素子の内部状態切り替え手段がオン状態でかつ上記内部
    信号入力手段へ信号が入力している場合には、上記内部
    信号入力手段の信号伝達効率を増強する信号伝達効率制
    御手段とを有することを特徴とする連想記憶装置。
  2. 【請求項2】 連想記憶を形成するための学習信号入力
    手段と、学習済みの記憶を取り出すための想起信号入力
    手段とをそれぞれ有する複数の記憶素子と、 上記複数の記憶素子の各々の内部信号を他の記憶素子に
    供給する複数の信号伝達手段と、 上記複数の記憶素子の各々に設けられ、通常はオフ状態
    にあり、対応する記憶素子の上記学習信号入力手段また
    は上記想起信号入力手段から入力を受けるとオン状態に
    なり、上記内部信号入力手段からの入力の和がある閾値
    を超えるとオン状態になり、オン状態になると内部信号
    出力手段より他の記憶素子へ信号を出力する内部状態切
    り替え手段と、 上記信号伝達手段の各々に設けられ、上記信号伝達手段
    から信号が伝達され、かつ上記信号伝達手段から上記信
    号を受け取る記憶素子の内部状態切り替え手段がオン状
    態である場合には、上記信号伝達手段の信号伝達効率を
    増強する信号伝達効率制御手段とを有することを特徴と
    する連想記憶装置。
  3. 【請求項3】 請求項1記載の連想記憶装置に用いる記
    憶素子において、 連想記憶を形成するための学習信号入力手段と、 学習済みの記憶を取り出すための想起信号入力手段と、 他の記憶素子へ信号を送るための一つ以上の内部信号出
    力手段と、 他の記憶素子からの信号を受けるための一つ以上の内部
    信号入力手段と、 通常はオフ状態にあり、対応する記憶素子の上記学習信
    号入力手段または上記想起信号入力手段から入力を受け
    るとオン状態になり、上記内部信号入力手段からの入力
    の和がある閾値を超えるとオン状態になり、オン状態に
    なると内部信号出力手段より他の記憶素子へ信号を出力
    する内部状態切り替え手段と、 対応する記憶素子の内部状態切り替え手段がオン状態で
    かつ上記内部信号入力手段へ信号が入力している場合に
    は、上記内部信号入力手段の信号伝達効率を増強する信
    号伝達効率制御手段とを有することを特徴とする連想記
    憶用記憶素子。
  4. 【請求項4】 請求項1または2記載の連想記憶装置を
    用いた連想記憶方法において、 相互に関連させる事項に対応する記憶素子の上記学習信
    号入力手段に学習信号を入力するステップと、 上記学習信号の入力に基づいて対応する記憶素子をオン
    状態にするステップと、 上記対応する記憶素子のオン状態に基づいて上記対応す
    る記憶素子の各々から他の記憶素子に信号を送出するス
    テップと、 上記対応する記憶素子への上記信号の伝達に応じて対応
    する信号伝達効率を増強するステップとを実行すること
    を特徴とする連想記憶方法。
  5. 【請求項5】 請求項1または2記載の連想記憶装置を
    用いた連想記憶方法において、 所定の記憶素子の上記想起信号入力手段に想起信号を入
    力する第1のステップと、 上記所定の記憶素子をオン状態にする第2のステップ
    と、 オン状態にある上記所定の記憶素子から他の記憶素子に
    信号を出力する第3のステップと、 上記信号に基づいて所定の他の記憶素子をオン状態にす
    る第4のステップと、 上記第3のステップおよび第4のステップを次々に繰り
    返すことにより、上記複数の記憶素子のうち内部信号入
    力手段からの入力の和がある閾値を超えているものを次
    々にオン状態にすることを特徴とする連想記憶方法。
JP8037600A 1996-02-26 1996-02-26 連想記憶装置および連想記憶方法 Pending JPH09231189A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP8037600A JPH09231189A (ja) 1996-02-26 1996-02-26 連想記憶装置および連想記憶方法
US08/806,937 US5937432A (en) 1996-02-26 1997-02-26 Associative storage and associative storing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP8037600A JPH09231189A (ja) 1996-02-26 1996-02-26 連想記憶装置および連想記憶方法

Publications (1)

Publication Number Publication Date
JPH09231189A true JPH09231189A (ja) 1997-09-05

Family

ID=12502074

Family Applications (1)

Application Number Title Priority Date Filing Date
JP8037600A Pending JPH09231189A (ja) 1996-02-26 1996-02-26 連想記憶装置および連想記憶方法

Country Status (2)

Country Link
US (1) US5937432A (ja)
JP (1) JPH09231189A (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3146257B2 (ja) 1997-04-25 2001-03-12 大幸薬品株式会社 連想素子、これを用いた連想装置及びその方法
US6424961B1 (en) 1999-12-06 2002-07-23 AYALA FRANCISCO JOSé Adaptive neural learning system
US7577631B2 (en) * 2001-09-10 2009-08-18 Feldhake Michael J Cognitive image filtering
EP1530763B1 (en) * 2002-08-10 2018-04-18 Cisco Technology, Inc. Associative memory with enhanced capabilities
US7493295B2 (en) * 2003-01-17 2009-02-17 Francisco J. Ayala Method, system and computer program for developing cortical algorithms
JP2007504576A (ja) * 2003-01-17 2007-03-01 アヤラ,フランシスコ,ジェイ 人工知能を開発するためのシステム及び方法
MY138544A (en) * 2003-06-26 2009-06-30 Neuramatix Sdn Bhd Neural networks with learning and expression capability

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0743944B2 (ja) * 1986-05-26 1995-05-15 日本電気株式会社 連想記憶方式
JPH0634248B2 (ja) * 1989-12-16 1994-05-02 三菱電機株式会社 半導体神経回路網
US5644681A (en) * 1989-12-18 1997-07-01 Mitsubishi Denki Kabushiki Kaisha Learning method for neural network having discrete interconnection strengths
US5167006A (en) * 1989-12-29 1992-11-24 Ricoh Company, Ltd. Neuron unit, neural network and signal processing method
US5151512A (en) * 1990-10-15 1992-09-29 Merck & Co., Inc. Intermediates for preparing 2-(substituted-dibenzofuranyl and dibenzothienyl) carbapenem antibacterial agents
US5640494A (en) * 1991-03-28 1997-06-17 The University Of Sydney Neural network with training by perturbation
CA2040903C (en) * 1991-04-22 2003-10-07 John G. Sutherland Neural networks
JP2615422B2 (ja) * 1994-03-23 1997-05-28 工業技術院長 時系列学習神経回路素子およびそれを用いた時系列学習神経回路
US5649062A (en) * 1994-06-30 1997-07-15 Motorola, Inc. Auto-tuning controller and method of use therefor
JPH08161894A (ja) * 1994-11-30 1996-06-21 Fuji Xerox Co Ltd 連想記憶装置
US5712959A (en) * 1995-07-07 1998-01-27 Streit; Roy L. Neural network architecture for non-Gaussian components of a mixture density function

Also Published As

Publication number Publication date
US5937432A (en) 1999-08-10

Similar Documents

Publication Publication Date Title
Wen et al. Lag synchronization of switched neural networks via neural activation function and applications in image encryption
KR950001520A (ko) 인공 뉴런 및 그 이용 방법
Yu et al. Adaptive QS (lag, anticipated, and complete) time-varying synchronization and parameters identification of uncertain delayed neural networks
JPH09231189A (ja) 連想記憶装置および連想記憶方法
Suykens et al. Nonlinear H/sub/spl infin//synchronization of Lur'e systems: dynamic output feedback case
JP2760170B2 (ja) 学習機械
EP0841621B1 (en) Learning method in binary systems
JPH04149663A (ja) 逆モデル生成方法および該方法による制御システム
KR102233891B1 (ko) 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치
US6108428A (en) Tone control device and sound volume/tone control device for reducing noise at the time of tone modification
JPH05197705A (ja) ニューラルネットワークの学習システム
Norrell et al. Boolean modeling of collective effects in complex networks
JP2009223437A (ja) 新規信号生成装置、新規信号生成方法
US6931383B2 (en) Methods and apparatus for communicating information in a supervised learning system
Coster et al. Structural optimization using augmented Lagrangian methods with secant Hessian updating
JP7301295B2 (ja) 情報処理装置
Kurokawa et al. The neural network approach to a parallel decentralized network routing
Garcia-Piqueras et al. Conditional teaching size
JPH01147657A (ja) カオス回路網
Kieffer An almost sure convergence theorem for sequences of random variables selected from log-convex sets
Grossman A neural computation approach to the set covering problem
JPH0451353A (ja) パターン学習方式
Uhlig Networks computing boolean functions for multiple input values
KR970017002A (ko) 오류 역전파 학습알고리즘을 이용한 신경회로망의 하드웨어 장치
JPH06161983A (ja) パターンマッチング方式