KR960702129A - 인식 시스템(recognition system) - Google Patents
인식 시스템(recognition system) Download PDFInfo
- Publication number
- KR960702129A KR960702129A KR1019950704461A KR19950704461A KR960702129A KR 960702129 A KR960702129 A KR 960702129A KR 1019950704461 A KR1019950704461 A KR 1019950704461A KR 19950704461 A KR19950704461 A KR 19950704461A KR 960702129 A KR960702129 A KR 960702129A
- Authority
- KR
- South Korea
- Prior art keywords
- category
- categories
- training
- classification system
- input
- Prior art date
Links
- 238000012549 training Methods 0.000 claims abstract 15
- 238000000034 method Methods 0.000 claims abstract 8
- 230000007774 longterm Effects 0.000 claims abstract 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims 19
- 230000004913 activation Effects 0.000 claims 2
- 230000003190 augmentative effect Effects 0.000 claims 1
- 230000003749 cleanliness Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000002860 competitive effect Effects 0.000 abstract 1
- 230000004044 response Effects 0.000 abstract 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/80—Architectures of general purpose stored program computers comprising an array of processing units with common control, e.g. single instruction multiple data processors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
훈련 과정에 의해 결정된 저장된 카테고리들에 따라 입력 데이터를 분류하도록 자기조직 인공 신경망 형의 인식 시스템이 제공된다. 훈련 과정에서, 초기 카테고리 표시률이, 일련의 훈련 패턴들에 응하여 그리고 경쟁학습 과정에 따라 선택적으로 반복 갱신된다. 이 과정은 대표적 기간, 특히, 장기간 이용과 단기간 이용에 걸쳐 받은 모든 입력들의 비율에 의거한 카테고리 이용 수단을 사용하여, 모든 이용가능한 카테고리들이 사용되고 시스템이 안정적이게 한다. 갱신에서 카테고리 표시로의 변켱의 양을 결정하는 훈련들은 각 카테고리에 국소적이고, 훈련 기간이 최소로 될 수 있도록 카테고리의 성숙도와, 내부의 대표적 패턴과 훈련 입력 사이의 유사점 정도에 의거한다. 사용자에 의해 조작되고 선택적으로 작용할 수 있는 암시 학습 입력이, 그 입력 데이터를 훈련 패턴들로서 사용하여 훈련 과정을 변경하거나 입력 데이터의 분류중에 2차 훈련이 진행될 수 있게 하도록 각 카테고리에 제공된다. 그 카테고리들은 각각의 중요성 값들을 가지는 다수의 참조 패턴들에 의해 나타내어지고, 그 패턴들로부터 입력과 카테고리 사이의 양립성의 정도가 중요성 값들을 고려하여 계산된다.
Description
본 내용은 요부공개 건이므로 전문내용을 수록하지 않았음
제1도는, 각 카테고리가 마스터 및 슬레이브 구성부분들에 의해 실행되는 만일의 경쟁적 이웃을 개략적으로 나타낸다.
제2도는, 각 마스터가 암시 학습 입력을 가지며 위상 접속도(topologicalconnectivity)가 사용되는 바람직한 실행을 나타내는, 제1도의 개조 형태이다.
제3도는, 단일의 참조 패턴이 다수의 참조 패턴들도 대치된 슬레이브 구성부분의 바람직한 실행을 나타낸다.
Claims (9)
- 훈련 과정에 의해 결정된 저장된 벡터 표시들에 의해 각각 규정되는 다수의 카테고리들중 적어도 하나로 데이터 벡터들을 분류하기 위한 시스템으로서, 이 시스템이, 훈련 과정을 이행하기 위해, 입력 훈련 벡터들을 받기 위한 입력 수단과; 카테고리들의 벡터 표시들을 저장하기 위한 저장 수단과; 입력 벡터와, 각 카테고리에 대한 저장된 표시들과의 사이의 유사점의 정도를 계산하기 위한 계산 수단; 및 훈련 과정중 반복적으로 카테고리들을 재규정하도록 상기 저장된 벡터 표시들을 선택하고 변경하기 위한 수단을 포함하는 다수의 상호접속된 처리요소들을 포함하고; 상기 선택 및 변경 수단이 각 카테고리의 처리 요소들에 대해, 받은 입력 벡터들에 관하여 카테고리를 위한 다수의 상이한 학습 정도들을 기록하기 위한 수단과; 카테고리를 위한 활성화 값을 형성하도록 상기 기록된 학습 정도들을 결합하기 위한 수단과; 상기 활성화 값과 각각의 유사점 정도로부터 카테고리 세기 값을 평가하기 위한 수단; 및 시스템내 다른 카테고리들의 처리 요소들로부터 카테고리 세기값들을 받고, 비교 카테고리 세기들에 의거하여, 받아들일 수 있는 카테고리 표시가 변경되어야 하는지 여부를 결정하기 위한 수단을 포함하는 분류 시스템.
- 제1항에 있어서, 이용 수단들이 장기간 카테고리 학습과 단기간 카테고리 학습을 모니터하고, 장기간수단은 얼마만큼 빈번히 카테고리가 변경된 그의 저장된 벡터 표시를 이진에 가졌는가를 기록하고, 단기간수단은 연마만큼 최근에 카테고리가 변경된 그의 저장된 벡터 표시를 가졌는가를 기록하는 분류 시스템.
- 제2항에 있어서, 단기간 수단이 각각의 미사용 입력 벡터로 비직선적으로 증대되는 분류 시스템.
- 제2항 또는 제3항에 있어서, 상기 기록된 정도들의 조합이 곱 조합(product combination)인 분류 시스템.
- 상기 항들중 어느 한 항에 있어서, 카테고리들이 변경될 수 있는 양이 각 카테고리에 국소적이고, 카테고리의 성숙도와 카테고리의 유사점의 정청도에 의거하는 분류 시스템.
- 제5항에 있어서, 각 카테고리가, 패턴이 전체 카테고리에 특징적인 것으로 간주될 수 있는 정도에 상응하는 관련된 중요성 값을 각각 가지는 다수의 참조 패턴들에 의해 표시되는 분류 시스템.
- 제6항에 있어서, 각 내부 참조 패턴이 그 자신의 중요성 값과 카테고리 진체의 성숙도에 의거한 국소적 훈련들을 가지는 분류 시스템.
- 상기 항들중 어느 한 항에 있어서, 처리 요소들이 다층 배열로 배치되고, 암시 학습 입력이 각 카테고리에 제공되고, 그 암시 학습 입력이 사용자에 의해 선택적으로 사용가능한 분류 시스템.
- 입력 훈련 벡터들의 순서내 입력 벡터들 각각이, 각 입력벡터를 다수의 저장된 벡터 표시들과 비교하고, 그 비교 후 그리고 그 순서내 다음번 입력 벡터의 비교 전에, 상기 저장된 벡터 표시들중 적어도 몇몇을 변경하여 카테고리들을 선택적으로 재규정하는 것에 의해, 저장된 벡터 표시들에 의해 각각 규정되는 다수의 카테고리들 중 적어도 하나로 분류되는 분류 시스템을 훈련하는 방법으로서, 저장된 벡터 표시의 상기 변경을 실행하기 위해, 상기 시스템이, (a) 받은 입력 벡터들에 관하여 각 카테고리를 위한 다수의 상이한 학습 정도들을 기록하고;(b) 각 카테고리에 대한 현재의 비교의 유사점을 정량화하고; (c) 단계들 (a) 및 (b)로부터의 정도들을 결합하여 각 카테고리에 대한 세기 인자로 되게 하고; (d) 모든 카데고리들에 대한 수 많은 세기 인자들을 상관시키고 비교하며; (e) 미리 정해진 부류에 들어가는 세기 인자를 가지는 카테고리들을 식별하고; (f) 단계(e)에 의해 식별된 카테고리들을 변경하는, 분류 시스템을 훈련하는 방법.※ 참고사항 : 최초출원 내용에 의하여 공개하는 것임.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB9307611.5 | 1993-04-13 | ||
GB939307611A GB9307611D0 (en) | 1993-04-13 | 1993-04-13 | Object recognition |
PCT/GB1994/000777 WO1994024636A1 (en) | 1993-04-13 | 1994-04-13 | Recognition system |
Publications (1)
Publication Number | Publication Date |
---|---|
KR960702129A true KR960702129A (ko) | 1996-03-28 |
Family
ID=10733737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1019950704461A KR960702129A (ko) | 1993-04-13 | 1994-04-13 | 인식 시스템(recognition system) |
Country Status (7)
Country | Link |
---|---|
US (1) | US6505181B1 (ko) |
EP (1) | EP0694192B1 (ko) |
JP (1) | JPH09500988A (ko) |
KR (1) | KR960702129A (ko) |
DE (1) | DE69404143T2 (ko) |
GB (1) | GB9307611D0 (ko) |
WO (1) | WO1994024636A1 (ko) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE208516T1 (de) | 1998-02-05 | 2001-11-15 | Intellix As | Klassifizierungssystem und -verfahren mit n-tuple-oder ram-basiertem neuronalem netzwerk |
WO2002095534A2 (en) * | 2001-05-18 | 2002-11-28 | Biowulf Technologies, Llc | Methods for feature selection in a learning machine |
US7624074B2 (en) * | 2000-08-07 | 2009-11-24 | Health Discovery Corporation | Methods for feature selection in a learning machine |
US6571228B1 (en) * | 2000-08-09 | 2003-05-27 | Po-Tong Wang | Hybrid neural networks for color identification |
US7129095B2 (en) * | 2002-03-29 | 2006-10-31 | Smiths Detection Inc. | Method and system for using a weighted response |
JP2013529794A (ja) | 2010-06-24 | 2013-07-22 | 本田技研工業株式会社 | 車載音声認識システム及び車両外音声認識システム間の通信システム及び方法 |
US9336498B2 (en) * | 2012-06-19 | 2016-05-10 | Georges Harik | Method and apparatus for improving resilience in customized program learning network computational environments |
WO2015088780A1 (en) * | 2013-12-10 | 2015-06-18 | University Of Southern California | Noise-enhanced clustering and competitive learning |
US11301563B2 (en) | 2019-03-13 | 2022-04-12 | International Business Machines Corporation | Recurrent neural network based anomaly detection |
US11625535B1 (en) * | 2019-12-05 | 2023-04-11 | American Express Travel Related Services Company, Inc. | Computer-based systems having data structures configured to execute SIC4/SIC8 machine learning embedded classification of entities and methods of use thereof |
CN111582498B (zh) * | 2020-04-30 | 2023-05-12 | 重庆富民银行股份有限公司 | 基于机器学习的qa辅助决策方法及系统 |
CN111611910B (zh) * | 2020-05-19 | 2023-04-28 | 黄河水利委员会黄河水利科学研究院 | 一种黄河冰坝影像特征识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5265224A (en) * | 1990-05-16 | 1993-11-23 | Matsushita Electric Industrial Co., Ltd. | Recognition unit and recognizing and judging apparatus employing same |
US5357597A (en) * | 1991-06-24 | 1994-10-18 | International Business Machines Corporation | Convolutional expert neural system (ConExNS) |
-
1993
- 1993-04-13 GB GB939307611A patent/GB9307611D0/en active Pending
-
1994
- 1994-04-13 KR KR1019950704461A patent/KR960702129A/ko not_active Application Discontinuation
- 1994-04-13 DE DE69404143T patent/DE69404143T2/de not_active Expired - Fee Related
- 1994-04-13 WO PCT/GB1994/000777 patent/WO1994024636A1/en active IP Right Grant
- 1994-04-13 EP EP94912604A patent/EP0694192B1/en not_active Expired - Lifetime
- 1994-04-13 JP JP6522895A patent/JPH09500988A/ja not_active Ceased
-
1997
- 1997-10-16 US US08/951,239 patent/US6505181B1/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
GB9307611D0 (en) | 1993-06-02 |
DE69404143D1 (de) | 1997-08-14 |
WO1994024636A1 (en) | 1994-10-27 |
EP0694192A1 (en) | 1996-01-31 |
EP0694192B1 (en) | 1997-07-09 |
DE69404143T2 (de) | 1998-01-02 |
US6505181B1 (en) | 2003-01-07 |
JPH09500988A (ja) | 1997-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cherkauer et al. | Growing Simpler Decision Trees to Facilitate Knowledge Discovery. | |
KR960702129A (ko) | 인식 시스템(recognition system) | |
Fenoeux et al. | Induction of decision trees from partially classified data using belief functions | |
Chen et al. | Indentifying attributes for knowledge-based development in dynamic scheduling environments | |
CN109598307A (zh) | 数据筛选方法、装置、服务器及存储介质 | |
CN108491515A (zh) | 一种用于校园心理咨询的句对匹配度预测方法 | |
CN111506755A (zh) | 图片集的分类方法和装置 | |
KR20200082490A (ko) | 기계 학습 데이터 선택 방법 및 장치 | |
van Stein et al. | Automatic configuration of deep neural networks with EGO | |
Levashenko et al. | Fuzzy classifier based on fuzzy decision tree | |
Frank et al. | Pretopological approach for supervised learning | |
CN110245700A (zh) | 分类模型构建方法、分类模型及物体识别方法 | |
Pham et al. | An algorithm for automatic rule induction | |
Bennequin et al. | Few-shot image classification benchmarks are too far from reality: Build back better with semantic task sampling | |
Reif et al. | Meta2-features: Providing meta-learners more information | |
CN110070104A (zh) | 一种超参数确定方法、装置及服务器 | |
Pierreval | Neural network to select dynamic scheduling heuristics | |
Liner et al. | Improving neural network learning through dual variable learning rates | |
Xu et al. | Knowledge organization through statistical computation: A new approach | |
Bouchachia | Incremental learning by decomposition | |
Lang et al. | Neural networks in brief | |
LeCroy et al. | Application of neural networks and simulation modeling in manufacturing system design | |
Štépánová et al. | Correlation-Based Neural Gas for Visualizing Correlations between EEG Features | |
Gimenez-Abalos et al. | Feature discriminativity estimation in CNNs for transfer learning | |
Salimi et al. | Presentation a Neural Network with Gradual–Clustering Performance for Text Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |