講演抄録/キーワード |
講演名 |
2014-06-27 15:50
ダイナミックバイナリーニューラルネットのスパース化 ○森安淳吾・斎藤利通(法政大) NC2014-16 IBISML2014-16 |
抄録 |
(和) |
動的バイナリーニューラルネットワークの基本的なダイナミクスと学習能力について述べる。
同ネットワークはシグナム活性化関数を用い、様々な2値周期軌道を生成することが可能である。
このネットワークのダイナミクスはグレイコードリターンマップを用いて視覚化する。
学習アルゴリズムは相関学習に基づき、2層と3層構造のネットワークを導入する。
ある教師信号を埋め込み、相関学習によって得られた結合行列を遺伝的アルゴリズムを用いてスパース化を行う。
その結合行列のスパース化と軌道の安定性を調べる。
あるクラスの教師信号を用いて基本的な数値実験を行い、教師信号を記憶させて、結合行列のスパース化と埋め込んだ信号の収束域の関係を考察する。 |
(英) |
This paper studies basic dynamics and learning capability of the dynamic binary neural network.
The network has the signum activation function and can exhibit various binary periodic orbits.
The network dynamics can be visualized by the Gray-code-based return map.
We present a learning algorithm based on the correlation learning and the genetic algorithm.
The purpose of the learning is not only storage of teacher signal but also enlargement of the domain of attraction to the teacher signal.
As a typical example of the teacher signal, we use an artificial periodic orbit and a periodic orbit which corresponds to the control signal of the matrix converters.
Performing basic numerical experiment, we have confirmed that the teacher signal can be stored successfully and the sparsification can be effective to reinforce the stability of the periodic orbit. |
キーワード |
(和) |
ニューラルネットワーク / 相関学習 / 遺伝的アルゴリズム / リターンマップ / スパース / / / |
(英) |
Neural Network / Correlation learning / Genetic Algorithm / Return Map / Sparse / / / |
文献情報 |
信学技報, vol. 114, no. 104, NC2014-16, pp. 243-248, 2014年6月. |
資料番号 |
NC2014-16 |
発行日 |
2014-06-18 (NC, IBISML) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
NC2014-16 IBISML2014-16 |
研究会情報 |
研究会 |
NC IPSJ-BIO IBISML IPSJ-MPS |
開催期間 |
2014-06-25 - 2014-06-27 |
開催地(和) |
沖縄科学技術大学院大学 |
開催地(英) |
Okinawa Institute of Science and Technology |
テーマ(和) |
機械学習によるバイオデータマインニング、一般 |
テーマ(英) |
Machine Learning Approach to Biodata Mining, and General |
講演論文情報の詳細 |
申込み研究会 |
NC |
会議コード |
2014-06-NC-BIO-IBISML-MPS |
本文の言語 |
日本語 |
タイトル(和) |
ダイナミックバイナリーニューラルネットのスパース化 |
サブタイトル(和) |
|
タイトル(英) |
Sparsification of Dynamic Binary Neural Networks |
サブタイトル(英) |
|
キーワード(1)(和/英) |
ニューラルネットワーク / Neural Network |
キーワード(2)(和/英) |
相関学習 / Correlation learning |
キーワード(3)(和/英) |
遺伝的アルゴリズム / Genetic Algorithm |
キーワード(4)(和/英) |
リターンマップ / Return Map |
キーワード(5)(和/英) |
スパース / Sparse |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
森安 淳吾 / Jungo Moriyasu / モリヤス ジュンゴ |
第1著者 所属(和/英) |
法政大学 (略称: 法政大)
Hosei University (略称: Hosei Univ.) |
第2著者 氏名(和/英/ヨミ) |
斎藤 利通 / Toshimichi Saito / サイトウ トシミチ |
第2著者 所属(和/英) |
法政大学 (略称: 法政大)
Hosei University (略称: Hosei Univ.) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2014-06-27 15:50:00 |
発表時間 |
25分 |
申込先研究会 |
NC |
資料番号 |
NC2014-16, IBISML2014-16 |
巻番号(vol) |
vol.114 |
号番号(no) |
no.104(NC), no.105(IBISML) |
ページ範囲 |
pp.243-248 |
ページ数 |
6 |
発行日 |
2014-06-18 (NC, IBISML) |