KR960015280A

KR960015280A - 사상결정방법 및 이것을 사용한 자료판별방법

Info

Publication number: KR960015280A
Application number: KR1019950037463A
Authority: KR
Inventors: 가즈키 미나미노; 마사오 와다리; 미유키 다나카; 가즈오 이시이; 야스히고 가토; 히로아키 오가와; 마사노리 오모데; 카즈오 와타나베; 히토시 혼다
Original assignee: 이데이 노부유키; 소니 가부시키가이샤
Priority date: 1994-10-28
Filing date: 1995-10-27
Publication date: 1996-05-22
Also published as: EP0709799A3; EP0709799A2; KR100373619B1; US5796921A

Abstract

본 발명은 단시간에, 확실하게 최적해를 얻을 수 있도록 함과 동시에, 보다 유사 능력이 높은 사상을 얻을 수 있도록 하는 것이다.

또한, 평가함수를 최소화한다고 하는 의미에서 희망하는 임의의 사상을 주고, 게다가, 이 사상을 결정하기 위하여 다대한 학습시간을 필요로 하는 일도 없고, 특히 주기성이 있는 사상으로서 적합한 사상 결정 방법을 제고하는 것을 목적으로 한다.

본 발명에 의한 사상 결정 방법은 N차원 계량 벡터 공간 ΩN으로부터 M차원 계량 벡터 공간 ΩM으로서 사상 F를 구하는 사상 결정 방법에서 Q개의 카테고리로 분류되어 있는 N차원 계량 벡터 공간 ΩN상의 샘플의 분포에 의거하여, Lm개의 완비된 기저함수이고, 동시에, 주기적인 함수 gm(x)을 설정하는 제1의 단계와, 사상 F의 제m성분의 함수 fm(x)를 함수 gm(x)와 Lm개의 계수 Cm과의 선형합으로서 나타내는 제2의 단계와, 카테고리에 대한 M차원 계량 벡터 공간 ΩM상의 Q개의 교사 벡터 Tq=(T_q.1, T_q.2, T_q.3, …, T_q.M)(여기서, q=1,2, …, Q)를 주고, 소정의 평가 함수 J를 연산하고, 이 평가함수 J를 최소로 하는 상기 계수 Cm을 구하는 제3의 단계와, 제3의 단계에서 구한 계수 Cm를 메모리에 기억하는 제4의 단계로 이루어진다.

또한, E｛X∈Sq｝·｛f(x)｝를 학습 샘플 Sq의 전체 요소에 걸쳐서 상기 함수 f(x)의 기대치를 구하는 연산으로 하는 때, 상기 평가 함수 J는

Description

사상결정방법 및 이것을 사용한 자료판별방법

본 내용은 요부공개 건이므로 전문내용을 수록하지 않았음

제1도는 신경망의 구성예를 나타내는 도면,

제3도는 본 발명의 사상결정방법의 처리를 나타내는 흐름도,

제5도는 카테고리 C1, C2의 2차원 학습자료를 설명하는 도면.

Claims

N차원 계량 벡터 공간 ΩN으로부터 M차원 계량 벡터 공간 ΩM으로의 사상 F를 구하는 사상 결정 방법에 있어서, Q개의 카테고리로 분류되고 있는 상기 N차원 계량 벡터 공간 ΩN상의 샘플의 분포에 의거하여, Lm개의 완비된 기저함수이고, 동시에, 주기적인 기저함수 gm(x)을 설정하는 제1의 단계와, 상기 사상 F의 제m성분의 함수 fm(x)을 상기 함수 gm(x)와 Lm개의 계수 Cm과의 선형합으로서 나타내는 제2의 단계와, 상기 카테고리에 대한 M차원 계량 벡터 공간 Ωm상의 Q개의 교사 벡터 Tq=(T_q.1, T_q.2, T_q.3, …, T_q.M)(여기서, q=1,2, …, Q)를 주고, 소정의 평가 함수 J를 연산하고, 이 평가함수 J를 최소로 하는 상기 계수 Cm을 구하는 제3의 단계와, 상기 제4의 단계에서 구한 계수 Cm을 메모리에 기억하는 제4의 단계로 이루어진 것을 특징으로 하는 사상 결정 방법.
제1항에 있어서, E｛X∈Sq｝·｛f(x)｝를 학습샘플 Sq의 전체 요소에 걸쳐서 상기 함수 f(x)의 기대값을 구하는 연산으로 하는 때, 상기 평가 함수 J는으로 표현되는 것을 특징으로 하는 사상 결정 방법.
제2항에 잇어서, 상기 제3의 단계에서는 상기 평가 함수 J를 상기 계수 Cm으로 편미분하고, 이것을 0으로 함에 의해, 상기 평가 함수 J를 최소로 하는 상기 계수 Cm을 구하는 것을 특징으로 하는 사상 결정 방법.
제1항에 있어서, 상기 기저함수 gm(x)는 삼각함수로 이루어지는 것을 특징으로 하는 사상 결정 방법.
제4항에 있어서, 상기 기저함수 gm(x)는 삼각함수와 다항식 함수로 이루어진 것을 특징으로 하는 사상 결정 방법.
제3항에 있어서, 상기 제3의 단계는를 연산하는 단계와,를 연산하는 단계와, Gm·Cm-Hm=0로부터 상기 계수 Cm을 구하는 단계로 이루어진 것을 특징으로 하는 사상 결정 방법.
N차원 계량 벡터 공간 ΩN으로부터 M차원 계량 벡터 공간 ΩM으로의 사상 F를 구하는 사상 결정 장치에 있어서, Q개의 카테고리로 분류되어 있는 상기 N차원 계량 벡터 공간 ΩN상의 샘플의 분포에 의거하여, Lm개의 완비된 기저함수이고, 동시에 주기적인 함수 gm(x)을 설정하는 제1의 수단과, 상기 사상 F이 제m성분의 함수 fm(x)를 상기 함수 gm(x)와 Lm개의 계수 Cm과의 선형합으로서 나타내는 제2의 수단과, 상기 카테고리에 대한 M 차원 계량 벡터 공간 ΩM상의 Q개의 교사 벡터 Tq=(T_q.1, T_q.2, T_q.3, …, T_q.M)(여기서, q=1,2, …, Q)를 주고, 소정의 평가함수 J를 연산하고, 이 평가함수 J를 최소로 하는 상기 계수 Cm을 구하는 제3의 수단과, 상기 제3의 단계에서 구한 계수 Cm을 메모리에 기억하는 제4의 수단으로 이루어진 것을 특징으로 하는 사상 결정 장치.
제7항에 있어서, E｛X∈Sq｝·｛f(x)｝를 학습 샘플 Sq의 전체 요소에 걸쳐서 상기 함수 f｛x｝의 기대값을 구하는 연산으로 하는 때, 상기 평가 함수 J는으로 표현되는 것을 특징으로 하는 사사 결정 장치.
제8항에 있어서, 상기 제3의 단계에서는 상기 평가 함수 J를 상기 계수 Cm으로 편미분하고, 이것을 0으로 함에 의해, 상기 평가 함수 J를 최소로 하는 상기 계수 Cm을 구하는 것을 특징으로 하는 사상 결정 장치.
제7항에 있어서, 상기 기저함수 gm(x)는 삼각함수로 이루어지는 것을 특징으로 하는 사상 결정 장치.
제10항에 있어서, 상기 기저함수 gm(x)는 삼각함수와 다항식 함수로 이루어진 것을 특징으로 하는 사상 결정 장치.
제8항에 있어서, 상기 제3의 수단은,를 연산하는 수단과,를 연산하는 수단과, Gm·Cm-Hm=0로부터 상기 계수 Cm을 구하는 수단으로 이루어진 것을 특징으로 하는 사상 결정 장치.
입력된 N차원 계량 벡터가, 미리 설정된 복수의 카테고리중, 어느 카테고리에 해당하는가를 사상 변환을 사용하여 판별하는 자료 판별 방법에 있어서, 상기 N차원 계량 벡터를 수신하는 제1의 단계와, 메모리에 기억되어 있는 계수 Cm을 판독하는 제2의 단계와, 상기 계수 Cm은, 이하의 단계로 이루어진 방법에 의해 결정되어 있는 상기 N차원 계량 벡터 공간 ΩN상의 샘플의 분포에 의거하여, Lm개의 완비된 기저함수이고, 동시에 주기적인 함수 gm(x)을 설정하는 제1의 연산 단계와, 상기 사상 F이 제m성분의 함수 fm(x)를 상기 함수 gm(x)와 Lm개의 계수 Cm과의 선형합으로서 나타내는 제2의 연산 단계와, M 차원 계량 벡터 공간 ΩM상의 Q개의 교사 벡터 Tq=(T_q.1, T_q.2, T_q.3, …, T_q.M)(여기서, q=1,2, …, Q)를 주고, 소정의 평가함수 J를 연산하고, 이 평가함수 J를 최소로 하는 상기 계수 Cm을 구하는 제3의 연산 단계와, 상기 제3의 단계에서 구한 계수 Cm을 메모리에 기억하는 제4의 연산 단계와, 상기 계수 Cm과 상기 함수 gm(x)에서 상기 사상 F의 제m성분의 함수 fm｛x｝를 얻는 제3의 단계와, 상기 N차원 계량 벡터를 상기 함수 fm(x)에 대입하여 얻어진 연산 결과로부터 상기 미리 설정된 복수의 카테고리중, 상기 N차원 게량 벡터가 어느 카테고리에 해당하는가를 판정하는 제4의 단계로 이루어진 것을 특징으로 하는 자료 판별 방법.
제13항에 있어서, E｛X∈Sq｝·｛f(x)｝를 학습 샘플 Sq의 전체 요소에 걸쳐서 상기 함수 f｛x｝의 기대값을 구하는 연산으로 하는 때, 상기 평가 함수 J는으로 하는 자료 판별 방법.
제14항에 있어서, 상기 제3의 연산단계에서는 상기 평가 함수 J를 상기 계수 Cm으로 편미분하고, 이것을 0으로 함에 의해, 상기 평가 함수 J를 최소로 하는 상기 계수 Cm을 구하는 것을 특징으로 하는 자료 판별 방법.
제13항에 있어서, 상기 기저 함수 gm(x)는 삼각함수로 이루어지는 것을 특징으로 하는 자료 판별 방법.
제16항에 있어서, 상기 기저함수 gm(x)는 삼각함수와 다항식 함수로 이루어진 것을 특징으로 하는 자료 판별 방법.
제15항에 있어서, 상기 제3의 연산 단계는를 연산하는 단계와,를 연산하는 단계와, Gm·Cm-Hm=0로부터 상기 계수 Cm을 구하는 단계로 이루어진 것을 특징으로 하는 자료 판별 방법.

※ 참고사항 : 최초출원 내용에 의하여 공개하는 것임.