【課題】時系列データをより正確に生成することができるようにする。
【解決手段】下位時系列生成器６１のRNN７１−１乃至７１−Ｎは、センサモータ信号を学習し、その学習した結果に応じて予測したセンサモータ信号を生成する。上位時系列予測生成器６２が、RNN７１−１乃至７１−Ｎが生成時に発生させる予測誤差の推定値である推定予測誤差errorPredH［Ｎ］を出力し、この推定予測誤差errorPredH［Ｎ］が、ゲート７２−１乃至７２−Ｎの開閉状態を制御するゲート信号gate［Ｎ］に変換される。合成回路７３は、開閉状態が制御されたゲート７２−１乃至７２−Ｎから出力されるRNN７１−１乃至７１−Ｎの出力信号ｓｍ₁（ｔ＋１）乃至ｓｍ_N（ｔ＋１）の総和を、時刻ｔ＋１のセンサモータ信号ｓｍ（ｔ＋１）として出力する。本発明は、例えば、ロボットなどに組み込まれる情報処理装置に適用できる。 （もっと読む）

【課題】学習済みのRNNの重み係数を変更しにくくすることにより、追加される時系列データを効率的に学習することができるようにする。
【解決手段】情報処理装置５１において、RNN７１−１乃至７１−Ｎで実行される時系列データとしてのセンサモータ信号の追加学習処理では、これまでの学習で利用頻度FREQ_nが大きいRNN７１−ｎについて、その重み係数を変更しにくくするような学習重みμ_nを与えて、RNN７１−ｎの重み係数を学習する。本発明は、例えば、ロボットなどに組み込まれる情報処理装置に適用できる。 （もっと読む）

【課題】大規模な学習を、実用的に行う。
【解決手段】複数のSOM(Self-Organization Map)が階層構造を構成するように接続された階層SOMを構成するSOMの自己組織的な学習を、時系列データであるSOM入力データを用いて行うとともに、所定のフレーム長のSOM入力データに対するSOMの勝者ノードと、次の時刻の前記フレーム長のSOM入力データに対するSOMの勝者ノードとの結合の度合いを表す結合重みを強めるように更新する予測学習を行い、かつ、階層SOMを構成する複数のSOMのうちの注目している注目SOMの自己組織的な学習と予測学習とを、注目SOMの下位階層のSOMである下位SOMの勝者ノードを表すノード情報の時系列をSOM入力データとして用いて行う。本発明は、例えば、ロボットなどに適用できる。 （もっと読む）

【課題】多数のダイナミクスを学習し、その多数のダイナミクスに基づいて、外部環境からの入力に対して連続的に認識や生成を行う。
【解決手段】学習部１−４は、ダイナミクスを一つのノードに保持し、複数のノードによって構成されるダイナミクス記憶ネットワークの自己組織的な更新を、観測される時系列データに基づいて行う。また、認識部１−６は、ダイナミクス記憶ネットワークを用いて、観測された時系列データを認識し、生成部１−９は、制御信号１−８によって指定される、ダイナミクス記憶ネットワークのノードを用いて、時系列データを生成する。本発明は、例えば、ロボットなどに適用できる。 （もっと読む）

本願発明のシステム、装置及び方法は、元の測定データを変換するための実効的かつ効率の良いやり方を提供する。これにより、信頼できない範囲の全般的な変換の感度を下げつつ、他のあらゆる箇所では感度をほぼ変えない又は上げることができる。
本願発明が従来技術の問題を克服するのは、追加のガウス変換を提供することによってである。この追加のガウス変換は、変換の幅を、使用するアプリケーションのための所望の幅に調整できるパラメーターを含む。更に、本願発明は、現在の分子診断技法の実効性と効率を取り巻く様々な問題に有利に取り組む。即ち、本願発明により、様々な改善が可能となる。例えば疾患の検出、疾患の治療、及び疾患の監視である。従って、本願発明は、実時間で、より高速で、より感度が高く、人手を削減でき、かつ、従ってより費用対効果に優れる、分子診断ソリューションのための絶え間ない要求に取り組むのに好適である。
（もっと読む）

【課題】ローカルモジュールアーキテクチャにおいて、複数の学習器の予測処理が共同して行われることができるようにする。
【解決手段】図７Ａに示す教師データとして学習した予測部に、教師データと同じデータを入力させた場合、混合部の各RNNの混合係数が、図７Ｂに示すように、予測誤差が減少する方向に変化し、その結果図７Ｃに示すような予測信号が出力される。なお図７Ｂは、混合部における５個のRNNに対応する混合係数α1、α2、α3、α4、およびα5の大きさの変化を、グレースケール諧調であらわしており、白色が１を示し、色が濃くなるほど小さい値を示し、黒色が０を示している。本発明は、ロボットの制御装置に適用できる。 （もっと読む）

【課題】多次元の時系列データを効率的に扱う。
【解決手段】ネットワーク記憶部は、力学系近似モデルによってモデル化されたダイナミクスを１つのノードに保持し、複数の前記ノードによって構成されるネットワークを記憶する。入力重み調整部８２は、力学系近似モデルの入力層のユニットに入力される、観測される複数の次元の時系列データである入力データに対する次元ごとの重み係数である入力重み係数を、次元ごとに調整する。出力重み調整部８３は、力学系近似モデルの出力層のユニットから出力される、複数の次元の出力データに対する次元ごとの重み係数である出力重み係数を、次元ごとに調整する。本発明は、例えば、ロボットに適用することができる。 （もっと読む）

【課題】ダイナミクスを効率的に学習する。
【解決手段】勝者ノード決定部７−２は、ダイナミクスを保持するノードの複数によって構成されるネットワークの複数のノードのうち、観測される時系列データに最も適合するダイナミクスに対応するノードである勝者ノードを決定する。学習重み決定部７−３は、勝者ノードからの距離に応じて、ノードごとに、そのノードが保持するダイナミクスの学習の重みを決定する。パラメータ更新部７−４は、学習の重みに対応する度合で、時系列データに基づき、ネットワークの各ダイナミクスを自己組織的に学習する。本発明は、例えば、ロボットなどに適用することができる。 （もっと読む）

【課題】ロボット等に、実時間性が要求されるタスクを行わせる。
【解決手段】時系列パターンを表現する時系列パターンモデルを有する複数のノードで構成される入力ネットワークnet₁と出力ネットワークnet₂とのノードどうしが結合されている入出力関係モデルM₁₁における入力ネットワークnet₁を、入力データに基づいて、自己組織的に更新するとともに、出力ネットワークnet_out2を、出力データに基づいて、自己組織的に更新し、入力ネットワークnet₁のフレーム単位の入力データに対する勝者ノードと、出力ネットワークnet₂の、フレーム単位の入力データの時刻から一定の時間だけ遅れたフレーム単位の出力データに対する勝者ノードとの結合重みを強めるように更新する。本発明は、例えば、ロボットなどに適用できる。 （もっと読む）

【課題】多次元の時系列データを効率的に扱う。
【解決手段】入力重み調整部６１２は、力学系近似モデルの入力層のユニットに入力される、観測される複数の次元の時系列データである入力データに対する次元ごとの重み係数である入力重み係数を、次元ごとに調整する。出力重み調整部６１３は、力学系近似モデルの出力層のユニットから出力される、複数の次元の出力データに対する次元ごとの重み係数である出力重み係数を、次元ごとに調整する。決定部７１１は、ノードごとの出力誤差に基づいて、入力データに適合するダイナミクスを保持するノードである勝者ノードを決定する。本発明は、例えば、ロボットに適用することができる。 （もっと読む）