JPH06259483A - パターン検索装置 - Google Patents
パターン検索装置Info
- Publication number
- JPH06259483A JPH06259483A JP5046924A JP4692493A JPH06259483A JP H06259483 A JPH06259483 A JP H06259483A JP 5046924 A JP5046924 A JP 5046924A JP 4692493 A JP4692493 A JP 4692493A JP H06259483 A JPH06259483 A JP H06259483A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- search
- input
- value
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
(57)【要約】
【目的】 外部からの入力によってサーチ範囲をダイナ
ミックに調整しながら検索すべき想定パターンの概念を
徐々に明確化したパターン検索を行なうことを目的とす
る。 【構成】 パターン生成装置２によって、入力検索パタ
ーンとメモリ１に記憶されている記憶パターンとの関係
で周期的あるいはカオス的出力を生成し、変換装置４に
よって、生成されたパターンを検索装置が保持している
記憶パターンに変換し、出力の挙動による記憶パターン
間のサーチを制御することによって、サーチ範囲をダイ
ナミックに調整する。
ミックに調整しながら検索すべき想定パターンの概念を
徐々に明確化したパターン検索を行なうことを目的とす
る。 【構成】 パターン生成装置２によって、入力検索パタ
ーンとメモリ１に記憶されている記憶パターンとの関係
で周期的あるいはカオス的出力を生成し、変換装置４に
よって、生成されたパターンを検索装置が保持している
記憶パターンに変換し、出力の挙動による記憶パターン
間のサーチを制御することによって、サーチ範囲をダイ
ナミックに調整する。
Description
【０００１】
【産業上の利用分野】この発明はパターン検索装置に関
し、特に、画像や音声などのデータベースにおける曖昧
な入力検索パターンを用いたパターン検索装置に関す
る。
し、特に、画像や音声などのデータベースにおける曖昧
な入力検索パターンを用いたパターン検索装置に関す
る。
【０００２】
【従来の技術】画像や音声などに関連する従来のパター
ン検索技術には、パターンの特徴を予め数値記号化して
検索キーによって入力する方法や、パターンデータ自身
を検索キーとして入力する方法があり、いずれもユーザ
とシステムが対話的に候補を絞っていく検索方式が有効
である。前者は、ユーザが想定したパターンが陽に表現
記述できることが要求されるが、画像や音声などの本質
的に曖昧さを含むパターンデータには不向きであり、ど
の特徴をどのように数値記号化すべきかを決めることが
困難である。後者は、ユーザが想定したパターンが陽に
表現記述できない場合でも、類似パターンを検索キーと
して用いた距離や類似度で候補を絞っていくことができ
るが、パターン認識技術の特徴抽出や識別手法の問題点
と同様にして、適切な特徴量や類似度を決めることが難
しい。
ン検索技術には、パターンの特徴を予め数値記号化して
検索キーによって入力する方法や、パターンデータ自身
を検索キーとして入力する方法があり、いずれもユーザ
とシステムが対話的に候補を絞っていく検索方式が有効
である。前者は、ユーザが想定したパターンが陽に表現
記述できることが要求されるが、画像や音声などの本質
的に曖昧さを含むパターンデータには不向きであり、ど
の特徴をどのように数値記号化すべきかを決めることが
困難である。後者は、ユーザが想定したパターンが陽に
表現記述できない場合でも、類似パターンを検索キーと
して用いた距離や類似度で候補を絞っていくことができ
るが、パターン認識技術の特徴抽出や識別手法の問題点
と同様にして、適切な特徴量や類似度を決めることが難
しい。
【０００３】一方、様々な物理化学現象で観測されるカ
オスの特徴である自律性をパターン検索に利用して、サ
ーチ順序や範囲を類似度などによって予め規定する必要
のないカオス的自律サーチ方式が奈良重俊，Ｐ．Ｄａｖ
ｉｓ．「カオスと情報処理機能」，合原編著，カオス，
第７章，第２０５頁〜第２５７頁，１９９０年において
提案されている。このモデルでは、ニューラルネットワ
ークに記憶された時系列パターンサイクル間を自律的に
カオスサーチする検索フェーズと、カオス性を弱めて候
補のパターンサイクルを生成評価する評価フェーズを持
つ。想定したパターンを探し出すには、パターン空間全
体をサーチしながら想定パターンのちょうど近くに来た
瞬間に評価フェーズにうまく移行する必要がある。その
ための評価尺度としての、ネットワーク外部の特徴抽出
や類似度、さらには想定したパターンの検索キーである
特徴条件を具体的にどう決めるかは、上述の従来技術と
同様の問題点を含む。
オスの特徴である自律性をパターン検索に利用して、サ
ーチ順序や範囲を類似度などによって予め規定する必要
のないカオス的自律サーチ方式が奈良重俊，Ｐ．Ｄａｖ
ｉｓ．「カオスと情報処理機能」，合原編著，カオス，
第７章，第２０５頁〜第２５７頁，１９９０年において
提案されている。このモデルでは、ニューラルネットワ
ークに記憶された時系列パターンサイクル間を自律的に
カオスサーチする検索フェーズと、カオス性を弱めて候
補のパターンサイクルを生成評価する評価フェーズを持
つ。想定したパターンを探し出すには、パターン空間全
体をサーチしながら想定パターンのちょうど近くに来た
瞬間に評価フェーズにうまく移行する必要がある。その
ための評価尺度としての、ネットワーク外部の特徴抽出
や類似度、さらには想定したパターンの検索キーである
特徴条件を具体的にどう決めるかは、上述の従来技術と
同様の問題点を含む。
【０００４】
【発明が解決しようとする課題】画像や音声などの本質
的に曖昧さを含むパターンデータに関する従来の対話的
パターン検索方式では、ユーザの概念レベルに応じた主
観的評価よりも、システム側の特徴量や類似度に従って
候補パターンを選択提示する傾向が強い。したがって、
システム内部でユーザモデルとして適当な特徴量や類似
度をどう規定するかばかりが重視され、対話によるユー
ザのダイナミックな概念形成（状況に依存した類似性や
グループ分けの変化）があまり考えられていなかった。
尾田正臣著の「人間の認知特性を利用した画像検索シス
テム」情報処理学会研究会，ヒューマンインタフェース
４４−１９，第１４１〜第１４８頁，１９９２年では、
想定パターンの概念を徐々に明確化していくパターン検
索方式が、曖昧なパターン検索に有効であることが報告
されているものの、想定したパターンと候補パターンと
の類似性および提示する候補パターンの順序や範囲をど
う規定するかについては、同様の問題点を含んでいる。
的に曖昧さを含むパターンデータに関する従来の対話的
パターン検索方式では、ユーザの概念レベルに応じた主
観的評価よりも、システム側の特徴量や類似度に従って
候補パターンを選択提示する傾向が強い。したがって、
システム内部でユーザモデルとして適当な特徴量や類似
度をどう規定するかばかりが重視され、対話によるユー
ザのダイナミックな概念形成（状況に依存した類似性や
グループ分けの変化）があまり考えられていなかった。
尾田正臣著の「人間の認知特性を利用した画像検索シス
テム」情報処理学会研究会，ヒューマンインタフェース
４４−１９，第１４１〜第１４８頁，１９９２年では、
想定パターンの概念を徐々に明確化していくパターン検
索方式が、曖昧なパターン検索に有効であることが報告
されているものの、想定したパターンと候補パターンと
の類似性および提示する候補パターンの順序や範囲をど
う規定するかについては、同様の問題点を含んでいる。
【０００５】それゆえに、この発明の主たる目的は、外
部からの入力によってサーチ範囲をダイナミックに調整
しながら検索すべき想定パターンの概念を徐々に明確化
してパターン検索を行なうようなパターン検索装置を提
供することである。
部からの入力によってサーチ範囲をダイナミックに調整
しながら検索すべき想定パターンの概念を徐々に明確化
してパターン検索を行なうようなパターン検索装置を提
供することである。
【０００６】
【課題を解決するための手段】請求項１にかかる発明は
パターン検索装置であって、想定される入力検索パター
ンを外部から入力するための入力手段と、入力された入
力検索パターンと予め記憶されているパターンとに基づ
いて、周期的あるいはカオス的なパターンを生成する発
振手段と、生成されたパターンを記憶されているパター
ンに変換するための変換手段とを備えて構成される。
パターン検索装置であって、想定される入力検索パター
ンを外部から入力するための入力手段と、入力された入
力検索パターンと予め記憶されているパターンとに基づ
いて、周期的あるいはカオス的なパターンを生成する発
振手段と、生成されたパターンを記憶されているパター
ンに変換するための変換手段とを備えて構成される。
【０００７】請求項２にかかる発明では、請求項１の発
振手段は、興奮性−抑制性ペア素子を相互に結合したニ
ューラルネットワークを用いて、パターンを記憶した連
想記憶の記憶点を不安定化させて発振を起こす。
振手段は、興奮性−抑制性ペア素子を相互に結合したニ
ューラルネットワークを用いて、パターンを記憶した連
想記憶の記憶点を不安定化させて発振を起こす。
【０００８】請求項３にかかる発明では、請求項２のニ
ューラルネットワークは、具現化したい想定パターンの
各要素の値あるいはそれらを規定することができる記号
などの情報パターンが特定できる部分には各要素の値を
設定し、不特定の部分には曖昧さを表わす中間値を設定
する。
ューラルネットワークは、具現化したい想定パターンの
各要素の値あるいはそれらを規定することができる記号
などの情報パターンが特定できる部分には各要素の値を
設定し、不特定の部分には曖昧さを表わす中間値を設定
する。
【０００９】
【作用】この発明にかかるパターン検索装置は、想定さ
れる入力検索パターンを外部から入力し、入力された入
力検索パターンと予め記憶されているパターンとに基づ
いて周期的あるいはカオス的なパターンを生成し、その
パターンを記憶されているパターンに変換してパターン
を検索する。
れる入力検索パターンを外部から入力し、入力された入
力検索パターンと予め記憶されているパターンとに基づ
いて周期的あるいはカオス的なパターンを生成し、その
パターンを記憶されているパターンに変換してパターン
を検索する。
【００１０】
【実施例】図１はこの発明の一実施例の概略ブロック図
である。図１において、メモリ１は結合重みなどのパラ
メータを記憶するものであり、このパラメータはパター
ン生成装置２に与えられる。パターン生成装置２は候補
パターン選択装置３から与えられる入力パターンに応じ
て、メモリ１から与えられるパラメータに基づいて出力
を自律的に生成し、変換装置４に出力する。変換装置４
はパターン生成装置２で出力された出力パターンを２値
化して記憶パターンに変換し、候補パターン選択装置３
に出力する。表示装置６は、出力パターンを表示する。
である。図１において、メモリ１は結合重みなどのパラ
メータを記憶するものであり、このパラメータはパター
ン生成装置２に与えられる。パターン生成装置２は候補
パターン選択装置３から与えられる入力パターンに応じ
て、メモリ１から与えられるパラメータに基づいて出力
を自律的に生成し、変換装置４に出力する。変換装置４
はパターン生成装置２で出力された出力パターンを２値
化して記憶パターンに変換し、候補パターン選択装置３
に出力する。表示装置６は、出力パターンを表示する。
【００１１】図２はこの発明の一実施例の動作を説明す
るためのフローチャートである。次に、図１および図２
を参照して、この発明の一実施例によるパターン検索装
置と、外部のユーザ５や計算機などの他のシステムとに
よる対話的パターン検索の具体的な動作について説明す
る。まず、ステップ（図示ではＳＰと略称する）ＳＰ１
において、ユーザ５がメモリ１に結合重みなどのパラメ
ータを初期設定して記憶させる。パラメータとしては、
たとえば記憶パターンの相関行列Ｗijやパターン検索装
置を構成する各ペア素子の固有振動数を規定するパラメ
ータＫIE，ＫEIなどである。なお、このパラメータＫIE
については値が大きいほど複雑な発振出力が生成され、
より広い範囲をサーチすることになるので、以下のパタ
ーン検索過程においては、必要に応じて値を大小させ、
サーチ範囲を意識的に調整することができる。なお、上
述の設定方法に限ることなく、特願平３−２３２８８１
のパターン学習方式によって、ある特定のサーチ順序を
周期軌道として、結合重みに埋込むこともできる。
るためのフローチャートである。次に、図１および図２
を参照して、この発明の一実施例によるパターン検索装
置と、外部のユーザ５や計算機などの他のシステムとに
よる対話的パターン検索の具体的な動作について説明す
る。まず、ステップ（図示ではＳＰと略称する）ＳＰ１
において、ユーザ５がメモリ１に結合重みなどのパラメ
ータを初期設定して記憶させる。パラメータとしては、
たとえば記憶パターンの相関行列Ｗijやパターン検索装
置を構成する各ペア素子の固有振動数を規定するパラメ
ータＫIE，ＫEIなどである。なお、このパラメータＫIE
については値が大きいほど複雑な発振出力が生成され、
より広い範囲をサーチすることになるので、以下のパタ
ーン検索過程においては、必要に応じて値を大小させ、
サーチ範囲を意識的に調整することができる。なお、上
述の設定方法に限ることなく、特願平３−２３２８８１
のパターン学習方式によって、ある特定のサーチ順序を
周期軌道として、結合重みに埋込むこともできる。
【００１２】次に、ユーザ５はステップＳＰ２におい
て、候補パターン選択装置３を介して、入力検索キーを
初期設定して、パターン生成装置２に初期データを与え
る。もし、値が特定できる要素があればそれらの要素に
はその値を設定し、それら以外の要素については値が不
明であることを示す中間値０を設定する。このとき、検
索したいパターンが全く想定できないときは、すべての
要素を０に設定した入力検索キーパターンを用いる。特
定できそうな要素の値は、｛−１，＋１｝の間のアナロ
グ値としてのファジイ的な確信度で与えてもよい。
て、候補パターン選択装置３を介して、入力検索キーを
初期設定して、パターン生成装置２に初期データを与え
る。もし、値が特定できる要素があればそれらの要素に
はその値を設定し、それら以外の要素については値が不
明であることを示す中間値０を設定する。このとき、検
索したいパターンが全く想定できないときは、すべての
要素を０に設定した入力検索キーパターンを用いる。特
定できそうな要素の値は、｛−１，＋１｝の間のアナロ
グ値としてのファジイ的な確信度で与えてもよい。
【００１３】パターン生成装置２はステップＳＰ３にお
いて、与えられた入力に対して、内蔵されている発振ニ
ューラルネットワークによって出力を自律生成し、ステ
ップＳＰ４において、記憶パターンへの変換および変換
装置４によってある一定時間Ｔd の間隔毎に出力パター
ンの各要素を値の正負に従って±１に２値化して記憶パ
ターンに変換したもの、あるいはそれらに対応するデー
タベース内のパターンを表示装置６に複数表示する。ユ
ーザ５はステップＳＰ５において、表示されたパターン
の中から候補となり得るものを、候補パターン選択装置
３を用いて選択する。
いて、与えられた入力に対して、内蔵されている発振ニ
ューラルネットワークによって出力を自律生成し、ステ
ップＳＰ４において、記憶パターンへの変換および変換
装置４によってある一定時間Ｔd の間隔毎に出力パター
ンの各要素を値の正負に従って±１に２値化して記憶パ
ターンに変換したもの、あるいはそれらに対応するデー
タベース内のパターンを表示装置６に複数表示する。ユ
ーザ５はステップＳＰ５において、表示されたパターン
の中から候補となり得るものを、候補パターン選択装置
３を用いて選択する。
【００１４】ユーザ５はステップＳＰ６において、選択
したパターンの中に所望のパターンがあるか否かを判別
する。選択したパターンの中に所望のパターンがあれば
検索処理が終了され、所望のパターンがなければステッ
プＳＰ７において、候補パターン選択装置３に新たな入
力パターンを設定して、同様な処理を続ける。たとえ
ば、新たな入力パターンとしては、選択された複数候補
の平均パターンで設定される。このとき、新たに値を特
定できる要素が見つかれば、それらの値を設定すること
により、サーチ範囲をさらに狭めることができる。
したパターンの中に所望のパターンがあるか否かを判別
する。選択したパターンの中に所望のパターンがあれば
検索処理が終了され、所望のパターンがなければステッ
プＳＰ７において、候補パターン選択装置３に新たな入
力パターンを設定して、同様な処理を続ける。たとえ
ば、新たな入力パターンとしては、選択された複数候補
の平均パターンで設定される。このとき、新たに値を特
定できる要素が見つかれば、それらの値を設定すること
により、サーチ範囲をさらに狭めることができる。
【００１５】図３は図１に示したパターン生成装置に含
まれる発振ニューラルネットワークを示す図であり、図
４は図３に示したニューラルネットワークの演算処理の
フローチャートである。
まれる発振ニューラルネットワークを示す図であり、図
４は図３に示したニューラルネットワークの演算処理の
フローチャートである。
【００１６】次に、図３および図４を参照して、発振ニ
ューラルネットワークの動作について説明する。図４の
ステップＳＰ１１において、前述の図２で説明した対話
処理において与えられた入力パターンＩi が入力され
る。すると、発振ニューラルネットワークは、ステップ
ＳＰ１２において、以下の第（１）式と第（２）式の演
算処理をある一定時間Ｔf （＞Ｔd ）だけ行なって、出
力パターンｘi （ｔ）を自律生成する。
ューラルネットワークの動作について説明する。図４の
ステップＳＰ１１において、前述の図２で説明した対話
処理において与えられた入力パターンＩi が入力され
る。すると、発振ニューラルネットワークは、ステップ
ＳＰ１２において、以下の第（１）式と第（２）式の演
算処理をある一定時間Ｔf （＞Ｔd ）だけ行なって、出
力パターンｘi （ｔ）を自律生成する。
【００１７】
【数１】
【００１８】ここで、・は微分を表わし、ｘi ，ｙi は
それぞれ興奮性素子，抑制性素子の活性値を表わす。Ｗ
ijは興奮性素子間の結合重み値であり、上述の第（３）
式のようにＭ個の記憶パターンζb の相関行列で設定さ
れる。（δijはクロネッカーのデルタ）。−ＫEI，ＫIE
は興奮性−抑制性素子間の抑制結合と興奮結合（各素子
ごとに異なった値でも可能）であり、Ｉi は各興奮性素
子への入力パターン（入力バイアスともいう）を表わ
す。Ｇ（ｚ）は連続飽和Ｓ字型関数であり、たとえば次
の第（４）式で表わされるような非線形関数（ａは関数
Ｇ（ｚ）の急峻さを決めるパラメータ）である。
それぞれ興奮性素子，抑制性素子の活性値を表わす。Ｗ
ijは興奮性素子間の結合重み値であり、上述の第（３）
式のようにＭ個の記憶パターンζb の相関行列で設定さ
れる。（δijはクロネッカーのデルタ）。−ＫEI，ＫIE
は興奮性−抑制性素子間の抑制結合と興奮結合（各素子
ごとに異なった値でも可能）であり、Ｉi は各興奮性素
子への入力パターン（入力バイアスともいう）を表わ
す。Ｇ（ｚ）は連続飽和Ｓ字型関数であり、たとえば次
の第（４）式で表わされるような非線形関数（ａは関数
Ｇ（ｚ）の急峻さを決めるパラメータ）である。
【００１９】
【数２】
【００２０】図５は図３に示した発振ニューラルネット
ワークの具体的なブロック図である。次に、図５を参照
して、上述の第（１）〜第（４）式で規定される発振ニ
ューラルネットワークの動作について説明する。レジス
タ２４には各興奮性素子ｘiの値が保持されており、レ
ジスタ２９には抑制性素子ｙi の値が保持されている。
レジスタ２４に保持されている各興奮性素子ｘi の値は
乗算器２５に与えられて結合重み係数Ｗijと乗算され、
重み付けられた興奮性素子ｘi 間の相互作用係数Ｗijｘ
j が加算器２１に与えられる。一方、レジスタ２９に保
持されている抑制性素子ｙi の値は乗算器３０に与えら
れ、抑制結合係数−ＫEIと乗算される。乗算器２５，３
０の出力は加算器２１に与えられて入力バイアスＩi と
重み付け入力−ＫEIｙi と相互作用係数Ｗijが加算され
る。そして、加算器２１と非線形関数処理器２２を介し
て、状態更新量ｄｘi が差分状態更新器２３によって、
前述の値（１）式に従って計算され、その更新された値
が再度レジスタ２４に保持される。
ワークの具体的なブロック図である。次に、図５を参照
して、上述の第（１）〜第（４）式で規定される発振ニ
ューラルネットワークの動作について説明する。レジス
タ２４には各興奮性素子ｘiの値が保持されており、レ
ジスタ２９には抑制性素子ｙi の値が保持されている。
レジスタ２４に保持されている各興奮性素子ｘi の値は
乗算器２５に与えられて結合重み係数Ｗijと乗算され、
重み付けられた興奮性素子ｘi 間の相互作用係数Ｗijｘ
j が加算器２１に与えられる。一方、レジスタ２９に保
持されている抑制性素子ｙi の値は乗算器３０に与えら
れ、抑制結合係数−ＫEIと乗算される。乗算器２５，３
０の出力は加算器２１に与えられて入力バイアスＩi と
重み付け入力−ＫEIｙi と相互作用係数Ｗijが加算され
る。そして、加算器２１と非線形関数処理器２２を介し
て、状態更新量ｄｘi が差分状態更新器２３によって、
前述の値（１）式に従って計算され、その更新された値
が再度レジスタ２４に保持される。
【００２１】レジスタ２４に保持された興奮性素子ｘi
の値は乗算器２６にも与えられ、興奮結合係数ＫIEと乗
算され、重み付け入力ＫIEｘi として非線形関数処理器
２７を介して差分状態更新器２８に与えられる。差分状
態更新器２８は上述の第（２）式に従って状態更新量ｄ
ｙi を計算し、その更新された値を再度レジスタ２９に
保持する。このように結合することによって、入力に依
存した記憶点付近の周期軌道や記憶点間を自律サーチす
るカオス軌道が得られる。
の値は乗算器２６にも与えられ、興奮結合係数ＫIEと乗
算され、重み付け入力ＫIEｘi として非線形関数処理器
２７を介して差分状態更新器２８に与えられる。差分状
態更新器２８は上述の第（２）式に従って状態更新量ｄ
ｙi を計算し、その更新された値を再度レジスタ２９に
保持する。このように結合することによって、入力に依
存した記憶点付近の周期軌道や記憶点間を自律サーチす
るカオス軌道が得られる。
【００２２】図６は３組のペア素子における各興奮性素
子値の時間的変化を３次元表現した例を示す図である。
図６において、記憶点に近い２つの入力では、比較的単
純な周期軌道をそれぞれ描いているのに対して、３つの
記憶点から離れた原点付近のある入力では複雑なカオス
的軌道を描いている。
子値の時間的変化を３次元表現した例を示す図である。
図６において、記憶点に近い２つの入力では、比較的単
純な周期軌道をそれぞれ描いているのに対して、３つの
記憶点から離れた原点付近のある入力では複雑なカオス
的軌道を描いている。
【００２３】なお、上述の図５に示した発振ニューラル
ネットワークは、専用のアナログ演算回路またはデジタ
ル演算回路で実現できるとともに、連続時間処理を離散
近似することで計算機上のプログラムででも実行するこ
とができる。図５のブロック図において、結合重み値は
図１に示したメモリ１に記憶されている。
ネットワークは、専用のアナログ演算回路またはデジタ
ル演算回路で実現できるとともに、連続時間処理を離散
近似することで計算機上のプログラムででも実行するこ
とができる。図５のブロック図において、結合重み値は
図１に示したメモリ１に記憶されている。
【００２４】
【発明の効果】以上のように、この発明によれば、発振
ニューラルネットの自律的なカオスサーチによる画像や
音声などのデータベースにおける曖昧な検索キーを用い
て対話的検索装置を構成でき、サーチ順序や範囲を類似
度などによって予め規定する必要のない自律的なカオス
サーチ方式によって、ユーザの意向や概念レベルに従っ
たサーチ範囲の拡大や縮小や移動がユーザにとって無意
識に、また必要であれば意識的にも行なうことができる
ので、ユーザの思考過程で妨げない段階的な概念形成を
伴ったパターン検索が可能になる。
ニューラルネットの自律的なカオスサーチによる画像や
音声などのデータベースにおける曖昧な検索キーを用い
て対話的検索装置を構成でき、サーチ順序や範囲を類似
度などによって予め規定する必要のない自律的なカオス
サーチ方式によって、ユーザの意向や概念レベルに従っ
たサーチ範囲の拡大や縮小や移動がユーザにとって無意
識に、また必要であれば意識的にも行なうことができる
ので、ユーザの思考過程で妨げない段階的な概念形成を
伴ったパターン検索が可能になる。
【図１】この発明の一実施例の概略ブロック図である。
【図２】この発明の一実施例の動作を説明するためのフ
ローチャートである。
ローチャートである。
【図３】興奮性−抑制性ペア素子が相互に結合する発振
ニューラルネットワークを示す図である。
ニューラルネットワークを示す図である。
【図４】発振ニューラルネットワークの演算処理のフロ
ーチャートである。
ーチャートである。
【図５】発振ニューラルネットワークの構成を示すブロ
ック図である。
ック図である。
【図６】３つの興奮性素子の出力値の変化を３次元表現
した２つの周期軌道と１つのカオス軌道の例を示す図で
ある。
した２つの周期軌道と１つのカオス軌道の例を示す図で
ある。
１ メモリ ２ パターン生成装置 ３ 候補パターン選択装置 ４ 変換装置 ６ 表示装置
Claims (3)
- 【請求項１】 想定される入力検索パターンを外部から
入力するための入力手段、 前記入力手段によって入力された入力検索パターンと予
め記憶されているパターンとに基づいて、周期的あるい
はカオス的なパターンを生成する発振手段、および前記
発振手段によって生成されたパターンを前記記憶されて
いるパターンに変換する変換手段を備えた、パターン検
索装置。 - 【請求項２】 前記発振手段は、興奮性−抑制性ペア素
子を相互に結合したニューラルネットワークを用いて、
前記パターンを記憶した連想記憶の記憶点を不安定化さ
せて発振を起こすことを特徴とする、請求項１のパター
ン検索装置。 - 【請求項３】 前記ニューラルネットワークは、具現化
したい想定パターンの各要素の値あるいはそれらを規定
することができる記号などの情報パターンが特定できる
部分には、前記各要素の値を設定し、不特定の部分には
曖昧さを表わす中間値を設定することを特徴とする、請
求項２のパターン検索装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5046924A JPH06259483A (ja) | 1993-03-08 | 1993-03-08 | パターン検索装置 |
| DE4324678A DE4324678C2 (de) | 1993-03-08 | 1993-07-22 | Musterrückgewinnungsvorrichtung |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5046924A JPH06259483A (ja) | 1993-03-08 | 1993-03-08 | パターン検索装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06259483A true JPH06259483A (ja) | 1994-09-16 |
Family
ID=12760884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5046924A Pending JPH06259483A (ja) | 1993-03-08 | 1993-03-08 | パターン検索装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JPH06259483A (ja) |
| DE (1) | DE4324678C2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19546168C1 (de) * | 1995-12-11 | 1997-02-20 | Siemens Ag | Digitale Signalprozessor-Anordnung zum Vergleich von Merkmalsvektoren und deren Verwendung sowie zugehöriges Betriebsverfahren |
| DE19652225A1 (de) * | 1996-12-16 | 1998-06-25 | Harald Rieck | Verfahren zum Erkennen von Melodien |
-
1993
- 1993-03-08 JP JP5046924A patent/JPH06259483A/ja active Pending
- 1993-07-22 DE DE4324678A patent/DE4324678C2/de not_active Expired - Fee Related
Non-Patent Citations (2)
| Title |
|---|
| PROGRESS OF THEORETICAL PHYSICS=1992 * |
| PROGRESS OFTHEORETICAL PHYSICS=1992 * |
Also Published As
| Publication number | Publication date |
|---|---|
| DE4324678C2 (de) | 1995-09-07 |
| DE4324678A1 (de) | 1994-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abbasbandy et al. | Numerical solutions of fuzzy differential equations by Taylor method | |
| US12333447B2 (en) | Path optimization using multi-domain knowledge graphs for inference in dialog systems | |
| CN111898636B (zh) | 一种数据处理方法及装置 | |
| Pal et al. | Case generation using rough sets with fuzzy representation | |
| JP7295431B2 (ja) | 学習プログラム、学習方法および学習装置 | |
| Goldfarb | What is distance and why do we need the metric model for pattern learning? | |
| US20240071070A1 (en) | Algorithm and method for dynamically changing quantization precision of deep-learning network | |
| McNames et al. | Winning entry of the KU Leuven time-series prediction competition | |
| CN112348162B (zh) | 用于生成识别模型的方法和装置 | |
| CN113920969B (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| Renganathan et al. | Task Aware Modulation using Representation Learning: An Approach for Few Shot Learning in Environmental Systems | |
| JP2509860B2 (ja) | パタ―ン生成装置 | |
| Sakuma et al. | An area-efficient recurrent neural network core for unsupervised time-series anomaly detection | |
| JP2763366B2 (ja) | 階層ネットワーク構成データ処理装置及びデータ処理システム | |
| CN120530398A (zh) | 训练超大规模视觉Transformer神经网络 | |
| CN115879524A (zh) | 一种模型训练方法及其相关设备 | |
| JP2744321B2 (ja) | 適応型データ処理装置の解析処理方法 | |
| JP2606129B2 (ja) | 対話的物体変形装置 | |
| US20190236410A1 (en) | Bootstrapping recommendation systems from passive data | |
| JP2004152175A (ja) | 時系列データ検索装置、時系列データ検索方法、プログラム及び記録媒体 | |
| Watanabe | Tutorial: Reinforcement Learning for Character Animation | |
| JP2559879B2 (ja) | ファジィ制御器 | |
| JP2559878B2 (ja) | ファジィ制御器 | |
| JP2763368B2 (ja) | ファジィ制御におけるメンバーシップ関数のチューニング方法 | |
| SU1508209A1 (ru) | Устройство дл извлечени корн |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19970610 |