知識処理による学習機構を用いた大規模情報圧縮に関する研究

基于知识处理的学习机制的大规模信息压缩研究

• 批准号: 12750371
• 负责人: 前田 道治
• 金额: $ 1.54万
• 依托单位: Kurume National College of Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Encouragement of Young Scientists (A)
• 财政年份: 2000
• 资助国家: 日本
• 起止时间: 2000 至 2001
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-12750371/
• 关键词: 情報圧縮; 知識処理; 神経回路網; 競合学習; 削減法; 生成法; 平均ひずみ

本研究では、平均ひずみの最小化の視点に立ち、あらかじめ設定された数の条件下で、神経細胞の削減による新たな手法を提案した。第一の手法は適応削減法であり、局所的な情報による学習ある。まず、多くの参照ベクトルが用意され、競合学習により処理される。そして、参照ベクトルは、部分ひずみの基準に従って、設定された数まで逐次的に削除される。第二の手法は感応削減法である。これは、大域的情報による学習過程で、神経細胞の貢献度により、冗長な参照ベクトルを削減する方法である。はじめに、多くの参照ベクトルが準備され、競合学習により処理される。つぎに、参照ベクトルを一旦削除して、最小の平均ひずみを与えるように冗長な参照ベクトルが削減される。数値実験として、様々な2次元パターンに対して、従来モデルと比較した。結果として、平均ひずみ及び部分ひずみの標準偏差に基づいて、提案手法は従来手法より有効であった。特に、適応削減法は感応削減法より少ない計算量で処理できる。また、感応削減法は適応削減法より平均ひずみが小さくなる。更に、両手法に関して初期のベクトル数に対する平均ひずみへの影響を調べた。様々な入力パターンに対して、平均ひずみは異なる傾向を示すことが分かった。ただし、削減手法を有することにより、従来手法より良い結果を示すことも分かった。更に、本研究では、部分空間の入力数が互いに等しいとき、部分ひずみは互いに等しくなることを示し、平均ひずみは漸近的に最小値を与えることを述べた。そして、この等入力原理に基づき、生成型の競合学習を提案した。本手法は近傍関係のないユニットで構成され、部分空間の入力数を等しくする方法である。まず、初期の段階で一つの出力ユニットが与えられ、そのユニットに対応した参照ベクトルが競合学習によって更新される。続いて、出力ユニットは等入力原理に基づいて、あらかじめ設定された数に到達するまで逐次的に生成される。そして、終了条件を満たすまで競合学習が実行される。数値実験は、人工的に作成された入力パターンによって、及び画像処理で用いられる画像データによって、達成される。神経回路網のベクトル量子化で高品質な従来のアルゴリズムと比較し、本手法の有効性を議論した。

In this study, we propose a new method for reducing the number of neurons under the condition of minimizing the average number of neurons. The first method is to reduce the information of the bureau. For example, if you want to learn more, you can learn more. For example, the reference number, the partial internal standard, the setting number, and the sequential elimination. The second method is to reduce the feeling of pain. This is a method of reducing the amount of information, the contribution of neurons, and the length of references. For more information, please contact us. The minimum average length of the reference line is reduced once the reference line is removed. The number of people in the middle of the night is two times higher than the number of people in the middle of the night. Results: Average and partial standard deviation Special, appropriate reduction method, sensitive reduction method, less calculation amount, processing time, etc. In addition, the method of sensory reduction and the method of appropriate reduction are used to reduce the average number of patients. In addition, the impact of the initial number of samples on the average content of the sample was adjusted. The average age of a child is 10 years. The method of reduction is to show the results of the experiment. In this study, the number of entries in some spaces is equal to that in others, and the number of entries in some spaces is equal to that in others. The principle of equal force is based on the principle of generative and cooperative learning. The method comprises the following steps of: forming a near relation, and equalizing an input force of a partial space; In the initial stage, the output is updated according to the reference. In addition, the output of the power supply is equal to the input force principle, and the output of the power supply is equal to the input force principle. In addition, the final conditions for the implementation of cooperative learning The number of artificial creation of the input force, and the image processing, the use of the image, to achieve The quantum of the neural network is high in quality, and the effectiveness of the method is discussed.

项目成果

M.Maeda, H.Miyajijma: "Adaptive Vector Quantization with Deletion Method Based on Equinumber of Inputs in Partition Space"WSEAS/IEEE Proc.Int.Conf.Circuits, Systems, Communications and Computers. (in press). (2002)

M.Maeda、H.Miyajijma：“基于分区空间中输入等数的自适应矢量量化和删除方法”WSEAS/IEEE Proc.Int.Conf.电路、系统、通信和计算机。

M.Maeda, H.Miyajima: "Properties of Deletion Methods in Competitive Learning"IEEE Proc.Int.Symp.Circuits and Systems. Vol.III. 707-710 (2001)

M.Maeda、H.Miyajima：“竞争性学习中删除方法的属性”IEEE Proc.Int.Symp.电路和系统。

M.Maeda and H.Miyajima: "Neighborhood Ranking of Self-Organizing Neural Networks for Information Compression"Proc.Int.Conf.Neural Information Processing. vol.2. 975-980 (2000)

M.Maeda 和 H.Miyajima：“用于信息压缩的自组织神经网络的邻域排序”Proc.Int.Conf.神经信息处理。

M.Maeda, H.Miyajima: "Neighborhood Ranking of Self-Organizing Neural Networks for Information Compression"Proc.Int.Conf.Neural Information Processing. Vol.2. 975-980 (2000)

M.Maeda、H.Miyajima：“用于信息压缩的自组织神经网络的邻域排序”Proc.Int.Conf.神经信息处理。

M.Maeda, H.Miyajima: "Competitive Learning Algorithms Founded on Adaptivity and Sensitivity Deletion Methods"IEICE Trans. Fundamentals. Vol.E83-A, no.12. 2770-2774 (2000)

M.Maeda，H.Miyajima：“基于适应性和敏感性删除方法的竞争学习算法”IEICE Trans。