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

非単調神経回路網における動的アトラクタの形成機構

非单调神经网络动态吸引子的形成机制

基本信息

批准号：
07780304
负责人：
森田昌彦
金额：
$ 0.7万
依托单位：
University of Tsukuba
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：
1995
资助国家：
日本
起止时间：
1995 至无数据
项目状态：
已结题

项目摘要

筆者が提案した非単調神経回路網は,従来の神経回路モデルにはない多くの優れた性質をもち,近年大きな注目を集めている.昨年までの研究により,このモデルが動的パターンの記憶に適した力学的性質を備えていること,またその記憶が簡単な学習則で実現されるという非常に重要な事実が明らかになった.しかし,それらがどうして可能なのかについてはよくわかっていなかった.本研究では,動的パターンの記憶過程,すなわち動的アトラクタの形成機構を解明することを目的として,以下のような研究を行った.まず,離散的なパターン系列を記憶させた場合について,記憶後の系の力学的構造を,主に数値実験によって解析した.その結果,系の状態空間がいくつかの部分空間に分割されること,記憶した系列は,複数のアトラクティブな部分空間の共通部分に埋め込まれることなどがわかった.さらに,系の状態がある部分空間から他の部分空間へ遷移するメカニズムもほぼ理解することができた.次いで,連続的に変化する動的パターンを回路網に学習させる過程で,力学的構造がどのように変化するかを調べた.その結果,局所的なエネルギーを仮想的に考えると,アトランタの形成過程が非常に理解しやすいことがわかった.すなわち,系の現在状態とX学習信号Rの間の状態空間のエネルギーが学習によって低下し,Xの軌跡に沿って徐々にエネルギーの溝が掘られていく.同時にXからRへ向かう力が作用するため,溝の底には系列の進行方向に緩やかな流れが生成される.これにより,数回の学習の後には,学習信号の助けがなくても,自律的に学習した系列を再生することが可能になると考えられる.以上の大きな成果が得られたが,これを動的パターンの情報処理に応用することなどが今後の課題である.

The author proposes that there should be more and more excellent properties in the future, and that there should be more and more attention in recent years. In the past few years, the study of memory in motion has been carried out, and the properties of mechanics have been prepared, and the memory in simple learning has been realized. It's possible that you can get away with it. The purpose of this study is to clarify the memory process of the dynamic state and the formation mechanism of the dynamic state, and to study the following aspects. In the case of memory, the structure of mechanics of the system after memory, the main numerical value, is analyzed. As a result, the state space of the system is divided into two parts, the memory series is divided into two parts, and the common part of the state space is divided into two parts. In this case, the system state is divided into two parts: partial space, partial space and partial space migration. Second, the structure of mechanics is adjusted by the process of dynamic transformation and loop network learning. As a result, the process of the formation of the structure is very well understood. The current state of the system is X. The state space of the learning signal R is generated during learning. The trajectory of X is generated along the path of X. At the same time, the force acting in the direction of X and R is slowly generated in the direction of the series at the bottom of the ditch. This is the first time that we've learned about this. The above achievements have been obtained, and the future problems of information processing are discussed.