多層ニューラルネットによる情報集約機能の基礎的研究

利用多层神经网络的信息聚合函数基础研究

• 批准号: 04246218
• 负责人: 鳥脇 純一郎
• 金额: $ 0.96万
• 依托单位: Nagoya University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research on Priority Areas
• 财政年份: 1992
• 资助国家: 日本
• 起止时间: 1992 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-04246218/
• 关键词: 多層ニューラルネット; ベクトル写像; 能力評価; 全曲率

本研究は多層ニューラネネットワーク(Multilayer Neural Network MNNと略記)による情報集約機能に関連する諸性質を解明し、画像処理への応用の可能性を明らかにすることを目指した。本年度は、画像処理におけるニューラルネっト応用の現状を調査し、そらに、MNNをベクトル空間の写像と見るとこ実現できる写像全体の性質を、次の手順で調ベた。(1)MNNの構造(素子の特性、素子数、層数)を固定して、パラメータ(層間結合の重み、素子のしきい値)を適当な値に設定し、入力層の出力値を変化させたときに出力層に現れる超曲面(多様体)を考える。(2)パラメータを変えて得られる超曲面の族は、この構造のMNNが実現し得る写像の集合を表す意味で、ある構造のMNN全体の能力を表すと見なす。(3)超曲面の族を特徴付ける特徴量を導入してMNNの構成の比較を行う。特徴量として、さしあたり、全曲率を用い、各超曲面の全曲率を族の全体にわたって集計したときの統計量(平均値、分散)に注目する。(4)さらに、MNNの構造を変えたときの上記の特徴量の変化を調ベる。これを2層,3層,4層の各MNNに対して適用し、以下の結果を得た。(a)各層ユニット数の増加に対して全曲率の平均はほぼ直線的に増加する。(b)層数の増加に対しても、全曲率の平均は同様に増加の傾向を示す。(c)4層のMNNにおいて、中間層のユニット数はそれぞれ異なっているが、総パラメータ数が等しくなる構成を比較したところ、学習時の計算量の点からは同等であるが、全曲率の平均および分散は入力層に近い方の中間層素子数が大きいMNNの方がより高い値を示した。すなわち、MNNの能力の点からは入力層に近い層のユニット数を大きく取る方が有利である。全曲率に加えて、目的に応じて他の特徴量を組み合わせることにより、MNNの能力のさらに詳細な解析が可能となる。

This research is based on Multilayer Neural Network MNN (Brief description) The information aggregation function of MNN is related to the various properties and the possibility of using it, and the possibility of image processing is also clear. This year's survey on the current situation of image processing and use of image processing, MNNをベクトル Space's written image と见るとこ実appears できるwritten image's overall nature を, times のhandsong で Adjustment ベた. (1) The structure of MNN (the characteristics of elements, the number of elements, the number of layers), the fixed structure, and the combination between layers, the element structureいつ) に な つ に setting し, input layer の force value を 変 change さ せ た と き に output layer に れ る hypersurface (multi-body) を test える. (2) パラメータを変えて得られる Hypersurfaceのfamilyは、このstructuralのMNNが実appearしThe meaning of the set of the image and the ability of the MNN as a whole are the same as the meaning of the collection. (3) The hypersurface family is a special variable that is imported and a comparison of the composition of the MNN is performed. The special quantities are として, さしあたり, total curvature をい, and each hypersurface's total curvature を family のwhole にわたってcollection したときのstatistics (average value, dispersion) にAttention する. (4) さらに、MNNのstructuralを変えたときの上记の特徴quantityの変化を动ベる. It is applicable to each MNN of 2 layers, 3 layers, and 4 layers, and the following results are obtained. (a) The number of layers of each layer is increased, and the average curvature of the straight line is increased. (b) The number of layers is increased, and the average curvature of the total curvature is increased, and the tendency of the increase is shown. (c) 4-layer MNN において, middle layer のユニットnumber はそれぞれdifferent なっているが、総パラメータ数が Wait しくなる constitute をComparison したところ、Learn The calculated amount of time is the same as the point, the average of the full curvature is dispersed, and the force layer is close to the square. The number of elements in the middle layer is large. MNN is square and high.すなわち, MNN's ability is the point of entering the force layer and the near layer is the number of points that are large and square. The full curvature is added, the purpose is the special limit, the group is combined, and the MNN ability is detailed and the analysis is possible.

项目成果

鳥脇 純一郎,: "ニューラルネットによる画像パターン認識" 応用物理. 62. 18-22 (1992)

Junichiro Toriwaki，：“使用神经网络进行图像模式识别”应用物理学 62. 18-22 (1992)。