JPH0652338A - メンバーシップ関数を発生するニューラルネットワーク - Google Patents
メンバーシップ関数を発生するニューラルネットワークInfo
- Publication number
- JPH0652338A JPH0652338A JP4225047A JP22504792A JPH0652338A JP H0652338 A JPH0652338 A JP H0652338A JP 4225047 A JP4225047 A JP 4225047A JP 22504792 A JP22504792 A JP 22504792A JP H0652338 A JPH0652338 A JP H0652338A
- Authority
- JP
- Japan
- Prior art keywords
- cell
- cells
- output
- membership function
- coupling coefficient
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 メンバーシップ関数を出力するＮＮにおい
て、ＮＮに柔軟性を持たせるようにした。 【構成】 入力信号を出力するセル及びバイアスセル
と、前記セルの信号を所定の結合係数を介して接続され
る複数の中間セルと、これら中間セルと符号が逆で絶対
値の同じ結合係数にて接続される複数の出力セルとを備
え、前記中間セルと出力セルとの間の結合係数は学習さ
せないようにした。
て、ＮＮに柔軟性を持たせるようにした。 【構成】 入力信号を出力するセル及びバイアスセル
と、前記セルの信号を所定の結合係数を介して接続され
る複数の中間セルと、これら中間セルと符号が逆で絶対
値の同じ結合係数にて接続される複数の出力セルとを備
え、前記中間セルと出力セルとの間の結合係数は学習さ
せないようにした。
Description
【０００１】
【産業上の利用分野】本発明は、メンバーシップ関数を
出力するニューラルネットワーク（以下ＮＮと称す）に
関する。
出力するニューラルネットワーク（以下ＮＮと称す）に
関する。
【０００２】
【従来の技術】近年、ニューロコンピュータが開発さ
れ、各種の研究成果が発表されている。ニューロコンピ
ュータとは、脳の基本素子であるニューロン（神経細
胞）に着目したものであり、これらが結合した結果でき
るＮＮをヒントとして、脳と同じような機能を達成しよ
うとするものである。これらＮＮの特徴は各ニューロン
間の並列情報処理にあり、かつ学習能力のある点であ
る。しかも実際のネットワークモデルとしては、各ニュ
ーロンに対応したセルを備えた入力層，中間層及び出力
層からなり、各層にあるセルは、その前後の層にある全
てのセルと結合する構成を有している。又、各セル同士
の結合には荷重と称する結合係数を導入し、かつ、これ
らの係数は学習により修正するようにしている。
れ、各種の研究成果が発表されている。ニューロコンピ
ュータとは、脳の基本素子であるニューロン（神経細
胞）に着目したものであり、これらが結合した結果でき
るＮＮをヒントとして、脳と同じような機能を達成しよ
うとするものである。これらＮＮの特徴は各ニューロン
間の並列情報処理にあり、かつ学習能力のある点であ
る。しかも実際のネットワークモデルとしては、各ニュ
ーロンに対応したセルを備えた入力層，中間層及び出力
層からなり、各層にあるセルは、その前後の層にある全
てのセルと結合する構成を有している。又、各セル同士
の結合には荷重と称する結合係数を導入し、かつ、これ
らの係数は学習により修正するようにしている。
【０００３】
【発明が解決しようとする課題】上記したように、従来
技術によればＮＮを構成する各階層に属するセルは、そ
の前後の層の全てのセルと結合している。したがって、
従来の階層型ＮＮの学習プログラムでは、一つのセルは
その前後の層の全てのセルと結合しているとして、計算
がなされることになり、ＮＮの型に柔軟性がないと言う
欠点がある。本発明は上記欠点を解決するためになされ
たものであり、ＮＮに柔軟性を持たせるようにした、メ
ンバーシップ関数を出力するＮＮを提供することを目的
としている。
技術によればＮＮを構成する各階層に属するセルは、そ
の前後の層の全てのセルと結合している。したがって、
従来の階層型ＮＮの学習プログラムでは、一つのセルは
その前後の層の全てのセルと結合しているとして、計算
がなされることになり、ＮＮの型に柔軟性がないと言う
欠点がある。本発明は上記欠点を解決するためになされ
たものであり、ＮＮに柔軟性を持たせるようにした、メ
ンバーシップ関数を出力するＮＮを提供することを目的
としている。
【０００４】
【課題を解決するための手段】上記目的を達成するた
め、本発明は入力信号を出力するセル及びバイアスセル
と、前記セルの信号を所定の結合係数を介して接続され
る複数の中間セルと、これら中間セルと符号が逆で絶対
値と同じ結合係数にて接続される複数の出力セルとを備
え、前記中間セルと出力セルとの間に結合係数は学習さ
せないよう構成した。
め、本発明は入力信号を出力するセル及びバイアスセル
と、前記セルの信号を所定の結合係数を介して接続され
る複数の中間セルと、これら中間セルと符号が逆で絶対
値と同じ結合係数にて接続される複数の出力セルとを備
え、前記中間セルと出力セルとの間に結合係数は学習さ
せないよう構成した。
【０００５】
【実施例】以下図面を参照して実施例を説明する。図１
は本発明によるＮＮの一実施例の構成図である。図にお
いて、１〜５はセルであり、この内でセル１は特別なセ
ルであってバイアスセルと称し、常に１を出力する。Ｗ
1 ，Ｗ2 ，ＷＢ1 ，ＷＢ2 は結合係数である。なお、セ
ル３とセル５及びセル４とセル５の結合係数は、夫々図
に示すように１と−１に固定し、学習は行なわない。更
に、セル５の入出力関数は式(1) に示す恒等関数とし、
セル３とセル４のそれは式(2) に示すシグモイド関数と
する。 ｙ＝ｘ ……………………………………………………………(1) ｙ＝１−exp （−ｘ）／１＋exp （−ｘ） …………………(2) 但し、ｘ：セルへの入力の総和 ， ｙ：セルの出力。
は本発明によるＮＮの一実施例の構成図である。図にお
いて、１〜５はセルであり、この内でセル１は特別なセ
ルであってバイアスセルと称し、常に１を出力する。Ｗ
1 ，Ｗ2 ，ＷＢ1 ，ＷＢ2 は結合係数である。なお、セ
ル３とセル５及びセル４とセル５の結合係数は、夫々図
に示すように１と−１に固定し、学習は行なわない。更
に、セル５の入出力関数は式(1) に示す恒等関数とし、
セル３とセル４のそれは式(2) に示すシグモイド関数と
する。 ｙ＝ｘ ……………………………………………………………(1) ｙ＝１−exp （−ｘ）／１＋exp （−ｘ） …………………(2) 但し、ｘ：セルへの入力の総和 ， ｙ：セルの出力。
【０００６】図２はセル３，４，５の出力を示し、(a)
はセル３の出力、(b) はセル４の出力で夫々(2) 式に示
すシグモイド関数であり、(c) はセル５の出力であって
釣り鐘型となる。即ち、バイアスセルからの結合係数
を、ＷＢ1 ＞０として、シグモイド関数を(a) のように
左方へシフトし、一方、ＷＢ2 ＜０として前記関数を右
方へシフトする。そしてセル５では、セル３による結合
係数１の(a) 出力と、セル４による結合係数−１の(b)
の反転出力との和から、(c) の出力を得る。この場合Ｗ
1 ，Ｗ2 ，ＷＢ1 ，ＷＢ2 を学習することにより、セル
５のメンバーシップ関数の調整が行なわれる。なお、シ
グモイド関数のなだらかさはＷ1 ，Ｗ2 によって決ま
る。
はセル３の出力、(b) はセル４の出力で夫々(2) 式に示
すシグモイド関数であり、(c) はセル５の出力であって
釣り鐘型となる。即ち、バイアスセルからの結合係数
を、ＷＢ1 ＞０として、シグモイド関数を(a) のように
左方へシフトし、一方、ＷＢ2 ＜０として前記関数を右
方へシフトする。そしてセル５では、セル３による結合
係数１の(a) 出力と、セル４による結合係数−１の(b)
の反転出力との和から、(c) の出力を得る。この場合Ｗ
1 ，Ｗ2 ，ＷＢ1 ，ＷＢ2 を学習することにより、セル
５のメンバーシップ関数の調整が行なわれる。なお、シ
グモイド関数のなだらかさはＷ1 ，Ｗ2 によって決ま
る。
【０００７】図３は他の実施例の構成図であり請求項２
に対応したものである。図において、１〜８はセル、そ
のうちのセル１はバイアスセルである。Ｗ1 〜Ｗ3 ，Ｗ
Ｂ1〜ＷＢ3 は結合係数である。そしてセル３とセル
６、セル４とセル７の結合係数は１、又、セル４とセル
６、セル５とセル７の結合係数は−１に固定し、夫々学
習はさせない。更にセル６，７，８の入出力関数は式
(1) に示す恒等関数とし。セル３，４，５のそれは式
(2) に示すシグモイド関数とする。この時、セル３，セ
ル４，セル５の出力は図４に示すシグモイド関数とな
る。前記同様にシグモイド関数のＸ軸方向のオフセット
はＷＢ1 ，ＷＢ2 ，ＷＢ3 によって決まる。セル６の出
力ｙ1 は図４(c) となり、セル７の出力ｙ2 はセル４の
出力とセル５の出力の反転を加えたもの（図４(e) ）と
なる。なお、Ｗ1 ，Ｗ2 ，Ｗ3 ，ＷＢ1 ，ＷＢ2 ，ＷＢ
3 を学習することにより、出力層のメンバーシップ関数
の調整が行なわれる。なお、上記シグモイド関数を、区
分線形関数(3) 式に変えてもよい。この場合、図１の各
セルの出力は図５に示す形になる。
に対応したものである。図において、１〜８はセル、そ
のうちのセル１はバイアスセルである。Ｗ1 〜Ｗ3 ，Ｗ
Ｂ1〜ＷＢ3 は結合係数である。そしてセル３とセル
６、セル４とセル７の結合係数は１、又、セル４とセル
６、セル５とセル７の結合係数は−１に固定し、夫々学
習はさせない。更にセル６，７，８の入出力関数は式
(1) に示す恒等関数とし。セル３，４，５のそれは式
(2) に示すシグモイド関数とする。この時、セル３，セ
ル４，セル５の出力は図４に示すシグモイド関数とな
る。前記同様にシグモイド関数のＸ軸方向のオフセット
はＷＢ1 ，ＷＢ2 ，ＷＢ3 によって決まる。セル６の出
力ｙ1 は図４(c) となり、セル７の出力ｙ2 はセル４の
出力とセル５の出力の反転を加えたもの（図４(e) ）と
なる。なお、Ｗ1 ，Ｗ2 ，Ｗ3 ，ＷＢ1 ，ＷＢ2 ，ＷＢ
3 を学習することにより、出力層のメンバーシップ関数
の調整が行なわれる。なお、上記シグモイド関数を、区
分線形関数(3) 式に変えてもよい。この場合、図１の各
セルの出力は図５に示す形になる。
【０００８】
【発明の効果】以上説明したように、本発明によれば出
力セルの信号を所定の結合係数を介して複数の中間セル
に接続し、これら中間セルと符号が逆で絶対値の同じ結
合係数にて複数の出力セルに接続し、中間セルと出力セ
ルとの間の結合係数は学習させないように構成したの
で、メンバーシップ関数特性の学習による異常な変化が
防止でき、一つの中間セルが二つ以上の出力セルと結合
することにより、出力するメンバーシップ関数がグレー
ドの中点で交わる結果、片寄りのない位置関係でメンバ
ーシップ関数をつくることができる。
力セルの信号を所定の結合係数を介して複数の中間セル
に接続し、これら中間セルと符号が逆で絶対値の同じ結
合係数にて複数の出力セルに接続し、中間セルと出力セ
ルとの間の結合係数は学習させないように構成したの
で、メンバーシップ関数特性の学習による異常な変化が
防止でき、一つの中間セルが二つ以上の出力セルと結合
することにより、出力するメンバーシップ関数がグレー
ドの中点で交わる結果、片寄りのない位置関係でメンバ
ーシップ関数をつくることができる。
【図１】本発明によるＮＮの一実施例の構成図。
【図２】図１の出力特性図。
【図３】他の実施例のＮＮの図。
【図４】図３の出力特性図。
【図５】更に他の実施例の特性図。
１〜８ セル Ｗ1 ，Ｗ2 ，Ｗ3 ，ＷＢ1 ，ＷＢ2 ，ＷＢ3 結合係数
Claims (2)
- 【請求項１】 入力信号を出力するセル及びバイアスセ
ルと、前記セルの信号を所定の結合係数を介して接続さ
れる複数の中間セルと、これら中間セルと符号が逆で絶
対値の同じ結合係数にて接続される複数の出力セルとを
備え、前記中間セルと出力セルとの間の結合係数は学習
させないことを特徴とするメンバーシップ関数を発生す
るニューラルネットワーク。 - 【請求項２】 少なくとも一つの中間セルが二つ以上の
出力セルと結合することを特徴とするメンバーシップ関
数を発生する請求項１記載のニューラルネットワーク。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4225047A JPH0652338A (ja) | 1992-07-31 | 1992-07-31 | メンバーシップ関数を発生するニューラルネットワーク |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4225047A JPH0652338A (ja) | 1992-07-31 | 1992-07-31 | メンバーシップ関数を発生するニューラルネットワーク |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0652338A true JPH0652338A (ja) | 1994-02-25 |
Family
ID=16823211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4225047A Pending JPH0652338A (ja) | 1992-07-31 | 1992-07-31 | メンバーシップ関数を発生するニューラルネットワーク |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0652338A (ja) |
-
1992
- 1992-07-31 JP JP4225047A patent/JPH0652338A/ja active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | The influence of the sigmoid function parameters on the speed of backpropagation learning | |
| US5630023A (en) | Signal processor | |
| JP2747104B2 (ja) | ニューラルネットワーク | |
| WO2001016880A3 (en) | Topographic map and methods and systems for data processing therewith | |
| JPH03250243A (ja) | 神経回路網演算装置 | |
| JP3296609B2 (ja) | メンバーシップ関数を出力するニューラルネットワーク | |
| JPH04237388A (ja) | ニューロプロセッサ | |
| JP3205873B2 (ja) | カオス回路網 | |
| JP3359074B2 (ja) | ニューラルネットワークの学習方法 | |
| JP3343626B2 (ja) | ファジィ推論のためのニューラルネットワーク | |
| JPH04216160A (ja) | ニュ−ラルネットワ−ク回路 | |
| JP3343625B2 (ja) | ファジィ推論のためのニューラルネットワーク | |
| JPH0281160A (ja) | 信号処理装置 | |
| JPH03265077A (ja) | フィードバック神経細胞モデル | |
| JP3337504B2 (ja) | ニューラルネットワーク | |
| JP3276367B2 (ja) | 神経細胞回路網 | |
| JPH03257659A (ja) | ニューラルネットワーク | |
| JPH0652139A (ja) | ニューラルネットワークのデータ構造 | |
| JP3130913B2 (ja) | 信号処理装置 | |
| JPH0652140A (ja) | ニューラルネットワークのデータ構造 | |
| JPH03268074A (ja) | パターン認識方式および装置 | |
| JPH03201160A (ja) | 学習処理装置 | |
| JPH02311972A (ja) | ニューロン素子回路 | |
| JP2607351B2 (ja) | 多層パーセプトロンの神経回路網の効率的な学習のための誤差信号の発生方法 | |
| JP3118018B2 (ja) | ニュ−ラルネットワ−ク |