KR960015280A - 사상결정방법 및 이것을 사용한 자료판별방법 - Google Patents
사상결정방법 및 이것을 사용한 자료판별방법 Download PDFInfo
- Publication number
- KR960015280A KR960015280A KR1019950037463A KR19950037463A KR960015280A KR 960015280 A KR960015280 A KR 960015280A KR 1019950037463 A KR1019950037463 A KR 1019950037463A KR 19950037463 A KR19950037463 A KR 19950037463A KR 960015280 A KR960015280 A KR 960015280A
- Authority
- KR
- South Korea
- Prior art keywords
- function
- coefficient
- obtaining
- calculating
- vector space
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012850 discrimination method Methods 0.000 title claims 4
- 230000006870 function Effects 0.000 claims abstract 47
- 239000013598 vector Substances 0.000 claims abstract 20
- 238000011156 evaluation Methods 0.000 claims abstract 16
- 238000013507 mapping Methods 0.000 claims abstract 11
- 230000000737 periodic effect Effects 0.000 claims abstract 4
- 238000004364 calculation method Methods 0.000 claims 5
- 238000012886 linear function Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
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=(Tq.1, Tq.2, Tq.3, …, Tq.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
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 (18)
- 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=(Tq.1, Tq.2, Tq.3, …, Tq.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=(Tq.1, Tq.2, Tq.3, …, Tq.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=(Tq.1, Tq.2, Tq.3, …, Tq.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.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP94-264948 | 1994-10-28 | ||
JP26494894 | 1994-10-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR960015280A true KR960015280A (ko) | 1996-05-22 |
KR100373619B1 KR100373619B1 (ko) | 2003-05-17 |
Family
ID=17410423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1019950037463A KR100373619B1 (ko) | 1994-10-28 | 1995-10-27 | 사상결정방법및이것을사용한자료판별방법 |
Country Status (3)
Country | Link |
---|---|
US (1) | US5796921A (ko) |
EP (1) | EP0709799A3 (ko) |
KR (1) | KR100373619B1 (ko) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5903867A (en) * | 1993-11-30 | 1999-05-11 | Sony Corporation | Information access system and recording system |
JPH0916602A (ja) * | 1995-06-27 | 1997-01-17 | Sony Corp | 翻訳装置および翻訳方法 |
JPH09330336A (ja) * | 1996-06-11 | 1997-12-22 | Sony Corp | 情報処理装置 |
US6438534B1 (en) * | 1996-06-21 | 2002-08-20 | Siemens Aktiengesellscaft | Process and system for commissioning industrial plants, in particular in the primary industry |
US20030018599A1 (en) * | 2001-04-23 | 2003-01-23 | Weeks Michael C. | Embedding a wavelet transform within a neural network |
US10475214B2 (en) * | 2017-04-05 | 2019-11-12 | General Electric Company | Tomographic reconstruction based on deep learning |
US11375293B2 (en) | 2018-10-31 | 2022-06-28 | Sony Interactive Entertainment Inc. | Textual annotation of acoustic effects |
US11636673B2 (en) | 2018-10-31 | 2023-04-25 | Sony Interactive Entertainment Inc. | Scene annotation using machine learning |
US10977872B2 (en) | 2018-10-31 | 2021-04-13 | Sony Interactive Entertainment Inc. | Graphical style modification for video games using machine learning |
US10854109B2 (en) | 2018-10-31 | 2020-12-01 | Sony Interactive Entertainment Inc. | Color accommodation for on-demand accessibility |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5408588A (en) * | 1991-06-06 | 1995-04-18 | Ulug; Mehmet E. | Artificial neural network method and architecture |
US5528729A (en) * | 1991-06-12 | 1996-06-18 | Ricoh Company, Ltd. | Neural network learning apparatus and learning method |
US5357597A (en) * | 1991-06-24 | 1994-10-18 | International Business Machines Corporation | Convolutional expert neural system (ConExNS) |
US5517667A (en) * | 1993-06-14 | 1996-05-14 | Motorola, Inc. | Neural network that does not require repetitive training |
-
1995
- 1995-10-11 US US08/540,948 patent/US5796921A/en not_active Expired - Fee Related
- 1995-10-17 EP EP95116369A patent/EP0709799A3/en not_active Withdrawn
- 1995-10-27 KR KR1019950037463A patent/KR100373619B1/ko not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
EP0709799A3 (en) | 1997-11-12 |
EP0709799A2 (en) | 1996-05-01 |
KR100373619B1 (ko) | 2003-05-17 |
US5796921A (en) | 1998-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5950146A (en) | Support vector method for function estimation | |
EP1329850B1 (en) | Apparatus, program and method for detecting both stationary objects and moving objects in an image | |
WO2005008588A1 (en) | Methods and systems for detecting objects of interest in spatio-temporal signals | |
Toft | Using the generalized Radon transform for detection of curves in noisy images | |
KR960015280A (ko) | 사상결정방법 및 이것을 사용한 자료판별방법 | |
US6747576B2 (en) | Wire detection procedure for low-flying aircraft | |
CN111914908B (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
JP2865697B2 (ja) | エクスチャ分離方法 | |
CN111738319B (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
CN111428805A (zh) | 显著性物体的检测方法、装置、存储介质及电子设备 | |
CN109597982B (zh) | 摘要文本识别方法及装置 | |
CN113592706B (zh) | 调整单应性矩阵参数的方法和装置 | |
CN114782510A (zh) | 目标物体的深度估计方法和装置、存储介质、电子设备 | |
US8126275B2 (en) | Interest point detection | |
CN114511731A (zh) | 目标检测器的训练方法、装置、存储介质和电子设备 | |
JP2004030694A (ja) | デジタル映像テクスチャー分析方法 | |
KR20210090706A (ko) | 정렬 | |
CN115810105A (zh) | 一种全景分割方法、装置、设备及存储介质 | |
CN113569860B (zh) | 实例分割方法和实例分割网络的训练方法及其装置 | |
CN112560857B (zh) | 文字区域边界检测方法、设备、存储介质及装置 | |
CN114677504A (zh) | 目标检测方法、装置、设备终端和可读存储介质 | |
CN114170439A (zh) | 姿态识别方法、装置、存储介质和电子设备 | |
CN112733784A (zh) | 用于确定脱硫石膏的加料量是否适当的神经网络训练方法 | |
US20040234137A1 (en) | Image segmentation | |
CN111429294B (zh) | 账户识别方法及装置、电子设备和可存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
LAPS | Lapse due to unpaid annual fee |