【課題】多数のダイナミクスを効率的に学習する。
【解決手段】ダイナミクス記憶ネットワークは、複数のノードによって構成され、ダイナミクスを１つのノードに保持する。媒介信号供給部１４は、ダイナミクス記憶ネットワーク処理部１３と１５それぞれのダイナミクス記憶ネットワークである下位階層ネットワークと上位階層ネットワークとの間を媒介するための媒介信号を、ダイナミクス記憶ネットワーク処理部１３と１５に供給する。ダイナミクス記憶ネットワーク処理部１３と１５それぞれの学習部２１と３１は、媒介信号を含む時系列データに基づき、下位階層ネットワーク及び上位階層ネットワークの各ダイナミクスを自己組織的に更新する。本発明は、例えば、自律型ロボット等に適用できる。 （もっと読む）

本発明では、２つ以上の経験的モデル（ＮＮ１、ＮＮ２、．．．、ＮＮｎ）を備えた燃焼プロセス（ＣＰ）から生じるガスの量（Ｇ）の推定のための経験的アンサンブルに基づく仮想センサシステム（ＶＳ）を提供する。ガスの量（Ｇ）は各経験的モデル（ＮＮ１、ＮＮ２、．．．、ＮＮｎ）の中で推定され、結合関数（ｆ）は、個々の経験的モデル（ｙ１、ｙ２、．．．、ｙｍ）の１つずつからのガスの推定値より正確であるガスの量（Ｇ）の結合推定値を提供するため、経験的モデル（ＮＮ１、ＮＮ２、．．．、ＮＮｎ）からの結果を結合する。仮想センサシステム（ＶＳ）の全性能は、経験的モデル（ｙ１、ｙ２、．．．、ｙｍ）の個数を増加することにより高められる。
（もっと読む）

【課題】誤差を適切に考慮した処理を行う。
【解決手段】本体学習モジュール１０１は、データDを学習する。誤差学習モジュール１０２は、データDと、本体学習モジュール１０１がデータDを再構成した再構成データD_Rとの誤差ΔDを学習する。また、本体学習モジュール１０１は、データDの入力があると、そのデータDを再構成して、再構成データD_Rを出力し、誤差学習モジュール１０２は、データDと、再構成データD_Rとの誤差データΔDを再構成して、再構成誤差データΔD_Rを出力する。そして、学習モジュール１００は、再構成データD_Rと、再構成誤差データΔD_Rをとを加算して出力する。本発明は、例えば、ロボット等に適用できる。 （もっと読む）

【課題】多次元の時系列データを処理する砂時計型ニューラルネットワークに過去の履歴を反映させ、入出力関係が非線形に変化するような特徴量を抽出可能とする。
【解決手段】特徴量抽出部２を、砂時計型ニューラルネットワーク２０と、この砂時計型ニューラルネットワーク２０の出力層から入力層へのフィードバック構造を形成するフィードバック器３０とにより構成する。フィードバック器３０は、Ｚ変換器３１、ローパスフィルタ３２、ハイパスフィルタ３３、バンドパスフィルタ３４、ヒステリシス発生器３５を備え、出力層Ｌ５からの出力を、時間領域、周波数領域、空間領域でデータ処理して入力層Ｌ１にフィードバックすることで、過去の履歴の反映、出力周波数の帯域調整、状態に応じた入出力特性の調整を行う。これにより、入出力関係が非線形に変化するような特徴量も抽出可能となる。 （もっと読む）

【課題】階層的な演算処理回路を少ない作業メモリで実現する。
【解決手段】入力データに演算を施して演算結果を生成する複数の処理ノードが階層的に接続されたネットワークの演算処理を実行する演算処理装置は、複数の処理ノードの各々にメモリの部分領域を割り当て、処理ノードによって実行された演算処理の演算結果を当該処理ノードに割り当てられた部分領域の格納可能な領域に格納し、当該処理ノードの後段に接続された全ての処理ノードによる参照が完了した演算結果が格納されている領域を格納可能な領域に設定する。ネットワークを構成する処理ノードのうち、演算処理を実行するべく指定された処理ノードの演算を実行するか否かを、指定された処理ノードとその前段に接続された処理ノードに割り当てられたメモリの部分領域における演算結果の格納状態に基づいて判断する。 （もっと読む）

【課題】時系列ベクトルのパターンが変化した場合でも、確実に元のパターンを予測できるようにする。
【解決手段】モジュールを有する時系列予測演算部１２は、入力部１１より入力された時系列ベクトルから予測を行う。予測誤差演算部１３はモジュールの予測誤差を演算する。可塑性パラメータ演算部１７は、モジュールの学習の可塑性を表す可塑性パラメータを演算する。学習部１９は、モジュールのうち、可塑性パラメータが学習モジュールであることを表すモジュールを学習させ、可塑性パラメータが生成モジュールであることを表すモジュールの学習を禁止する。 （もっと読む）

【課題】仮想磁場漸弱法による磁場パラメータ又はニューロン間の結合荷重係数を用いてより確実に最適解を求めるホップフィールドネットワークを提供する。
【解決手段】ニューロンの出力を求める場合に使用するニューロンの出力の算出式に磁場パラメータが含まれ、当該磁場パラメータは、磁場パラメータが初期値を負とし、時刻の経過により０、正、０となるように磁場パラメータ付与手段により求められるので、後説する実施形態の実験結果に示すようにより確実に最適解を求めることができる。また、ニューロン間の結合荷重係数を変化させることでネットワークのエネルギー状態を変化させて確実に最適解を求めることができる。 （もっと読む）

本発明は、技術システムのコンピュータ支援による制御および／または調整に関する。本方法においては教科学習方法および人工ニューラルネットワークが使用される。有利な実施形態においては、アーキテクチャが全体で１つの最適性判定基準を満たすように並列なフィードフォワードネットワークが相互に結合される。ネットワークは観察される報酬を期待される報酬に近似させる。このようにして実際に行われる観察が最適に利用され、品質関数が決定される。内的にネットワークから取得される品質関数は所定の制御問題に関して最適な動作選択規則を提供する。本発明を任意の制御システムに使用することができる。有利な適用分野はタービン、殊にガスタービンの制御ないし調整である。
（もっと読む）

【課題】従来よりも好適な認識システムの計算モデルを導出できるようにする。
【解決手段】本発明が適用されたモデル導出装置では、与えられたＳ個の学習データＤ（ｓ）＝｛Ｘ（ｓ），ｙ（ｓ）｝（但し、ｓ＝１，…，Ｓである。）に基づき、教師信号をｙ（ｓ）として、ニューラルネットワークのパラメータ（結合係数）の解を求める（Ｓ２１０）。そして、学習データＤ（ｓ）毎に、このニューラルネットワークに対してサンプルＸ（ｓ）を入力し、ニューラルネットワークの出力層より１層手前の中間層の出力値Ｚ＝｛ｚ１，…，ｚＮ２｝を求め、出力値ＺをサンプルＵ（ｓ）として新たな学習データＤｖ（ｓ）＝｛Ｕ（ｓ），ｙ（ｓ）｝を生成する（Ｓ２２０）。そして、この学習データＤｖ（ｓ）を用いて、非線形サポートベクタマシンを設計し（Ｓ２４０）、ニューラルネットワーク及び非線形サポートベクタマシンを組み合わせてなる計算モデルを導出する。 （もっと読む）

【課題】神経細胞をシミュレートするニューロンに生存原理を導入し、基本構造を組み合わせることで種々の制御対象を容易に制御できるようにする制御装置等を提供する。
【解決手段】制御装置５０１において、バースティングモデルに基づくニューロン部１０１を複数並べた入力層５０３、学習層５０４、出力層５０５は、それぞれ、重みα[i,j]、重みβ[j,k]で連結され、更新部５０７は、入力層５０３と出力層５０５の発火や出力の対応関係等からヘッブ則に基づいて重みα[i,j]を更新して学習し、入力層５０３には制御入力部５０２を介して目標値や実際の測定値等の制御入力が与えられ、制御出力部５０８は、出力層５０５の発火の個数に比例する量を制御対象に印加する制御出力として出力し、入力層５０３、学習層５０４、出力層５０５の各層内で、発火の閾値に対応する変数の初期値をそれぞれのニューロン部１０１で異なるものとする。 （もっと読む）