权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

多層ニュ-ラルネットによる情報集約機能の基礎的研究

使用多层神经网络的信息聚合函数的基础研究

基本信息

批准号：
03251214
负责人：
鳥脇純一郎
金额：
$ 1.47万
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：
1991
资助国家：
日本
起止时间：
1991 至无数据
项目状态：
已结题

项目摘要

1.PPN(Pulseーin Patternーout mapping Networks)の提案本研究で提案しているPPNは、直交しあう類似入力パタ-ン(標本と同数の入力素子を用意し、各標本に対応づけられた唯一個の入力素子のみに値1、それ以外に値0を配置したもの)を入力し、多次元ベクトルとしての標本デ-タを教師信号として与えるものとする。ここで、第2層(集約層)素子数を標本次元および標本数よりも小さくとれば入力ベクトルデ-タの集約表現を得ることができる。2.3層および4層PPNによる写像の組合せ位相幾何学的解析PPN4層モデルの性質を組合せ位相幾何学的なアプロ-チにより考察した。すなわち、4層恒等写像と4層PPNの両モデルでこの考え方に基づくデ-タ解析の手法(区分線形回帰手法)の可能性を示すと同時に、標準的統計デ-タについてPPNによるこの手法を適用し、その有効性を確認した。3.4層恒等写像型ネットによる擬似区分線形因子分析モデルの提案4層恒等写像が多層ニュ-ラルネット(第2層を集約層とし第3層を付随層とする)を用いた非線形因子分析モデルの形で表される数式モデルを提案する。4.4層PPN/4層恒等写像型ネットの画像圧縮への応用上記の手法を画像圧縮に応用し、従来から用いられている線形手法(KL展開)と比較して、平均2乗誤差で約1/5から1/8程度のより高い圧縮効率が得られることをシュミレ-ション実験で検証し、これらが大規模パタ-ンデ-タに対しても有効な手法となり得ることを確認した。

1. The proposal of PPN (Pulse in Pattern out Mapping Networks). This proposal is based on the direct intersection between PPN and PPN. The second layer (intensive layer) has a number of elements, such as the number of elements, the number of elements and the number of elements. 2.3 The analysis of the combined phase geometry of the PPN4 layers and the properties of the PPN4 layers are investigated. 4-layer identical image writing and 4-layer PPN mapping are discussed. The feasibility and effectiveness of the basic analysis method (differential linear regression method) are also shown. 3.4 Layer identity image generation: quasi-discriminative linear factor analysis: 4-layer identity image generation: multi-layer identity image generation (layer 2: intensive layer 3: secondary layer): non-linear factor analysis: quasi-discriminative linear factor analysis: numerical formula: 4-layer identity image generation: multi-layer identity image generation (layer 2: intensive layer 3: secondary layer 3: secondary layer 3): non-linear factor analysis: quasi-discriminative linear factor analysis: numerical formula: 4-layer identity image generation: multi-layer identity image generation (layer 2: intensive layer 3: secondary layer 3): 4.4 Layer PPN/4: Image compression of the same type of image generation is determined by the linear method (KL expansion), which is used for image compression and image compression. The average error is about 1/5 to 1/8 of the average 2-inch error. The high compression efficiency is obtained by the method.