BP法パターン認識効率の入力データ分解能依存性

概要

論文の詳細を見る
階層型ニューラルネットワークの学習アルゴリズム「バックプロパゲーション(BP)法(1,2)」が提出されて以来、パターン認識に関する応用的研究が盛んに進められている。その中で、ネットワークの構造および学習に関する種勾のパラメータの決定方法は、そのネットワークの学習能力を左右する重要な問題(3)として注目されてきた。具体的にはこれまで、中間層数、中間層のユニット数、結合荷重の初期値、ユニットのしきい値パラメータなどの最適化について議論されている。しかし、その場合の立場は、学習させる入出力パターンに対応する入出力層のユニット数は固定という前提のものがほとんどである。学習パターンデータに画像的な意味で分解能を考慮する場合、分解能に応じて人力層のユニット数が変化することになる。すなわち、同一学習対象に対して、分解能毎にネットワークの構造自体を変化させざるを得ない。このような次元(トポロジー)の変化の下での最適化についての考察は、実験、理論ともまだまだ不十分なのが現状である。そこで、本研究では、まず実験的に、人力データ分解能(入力層ユニット数)と認識学習効率の相関について検討し、他パラメータとの依存関係についても吟味を試みた。素朴な考えでは、入力パターンデータの分解能を上げれば、識別すべき各パターン間の違いが際だち、すなわち、そのハミング距離(対応ビットの異なる箇所の総数)が大きくなり、認識効率の向上につながると思われる。一方、分解能を上げることに伴う入力層のユニット数の増加は、BP法の学習アルゴリズムにの負荷を及ぼすことが予想される。認識効率はこれら両者の競合によって決定されるものと考えられる。以下、実験およびその結果、結論、今後の課題等について報告する。
一般社団法人情報処理学会の論文
1992-02-24

BP法パターン認識効率の入力データ分解能依存性

スポンサーリンク

概要

著者

関連論文

スポンサーリンク