【課題】簡易に過学習を検出し、効率的に学習を行うことを目的とする。
【解決手段】記憶装置に保持されている学習データに基づいて、弱判別器について順次、学習を実行する学習手段と、学習の際に算出する弱判別器に対する評価値の推移に基づいて、過学習か否かを判定する判定手段と、過学習であると判定された場合、新たな学習データを追加し、弱判別器についての学習を継続させる制御手段とを有することによって課題を解決する。 （もっと読む）

【課題】識別的学習法の計算量を削減する。
【解決手段】この発明の相違度利用型識別的学習装置は、モデルパラメータ記録部と、パターン認識部と、識別関数値生成部と、相違度算出部と、正例認識比較部と、モデルパラメータ最適化部とを具備する。相違度算出部が認識シンボル系列と正例との相違度を算出し、正例認識比較部がＮ個（Ｎ≧２）の減衰係数と識別関数値と相違度を入力としてそのＮ個の減衰係数を用いて正例側統合値及びその正例側統合値を補正するための統合値を求め、上記正例側統合値を補正した目的関数を出力する。 （もっと読む）

【課題】教師データに含まれるクラスの数が３クラス以上であった場合でも、教師つき学習によるクラスの判別結果が特定のクラスに偏らないように、教師データに含まれるクラスごとのデータ数の偏りを補正する。
【解決手段】教師データ集計部１４２が、多クラスの教師つき学習において用いられる教師データのデータ数をクラスごとに集計する。また、教師データ調整部１４４が、教師データ集計部１４２によって集計されたデータ数と所定の基準値との差に基づいて、教師データのデータ数をクラスごとに調整する。そして、判別モデル生成部１４５が、教師データ調整部１４４によってデータ数が調整された教師データに基づいて判別モデルを生成する。 （もっと読む）

【課題】学習全体の処理時間に対する同期処理時間の比率が小さく、参照ベクトルに対して補正を連続して行う必要のない学習ベクトル量子化学習システム、並列学習方法及びそのプログラムを提供する。
【解決手段】学習ベクトルを並列に入力する学習ベクトル記憶部４１と、複数の参照ベクトルを記憶する参照ベクトル記憶部４２と、学習ベクトルの各々と全参照ベクトルとの距離計算を並列に行う並列データ処理部４７と、距離計算に基づいて、参照ベクトルの中から近傍となるものを各々の学習ベクトルについて順次選出する参照ベクトル選別部４５と、参照ベクトル記憶部４２に記憶されている参照ベクトルのうち、参照ベクトル選別部４５によって選出されたものを更新する参照ベクトル更新部４６と、更新した参照ベクトルに基づいて並列データ処理部４７による距離計算結果を補正する距離データ補正部４８とを有する。 （もっと読む）

【解決手段】ウェブサイト訪問者の評価値の計算は、訪問者情報を入力、訪問者の評価値を出力とするニューラルネットワークモデルとして構築された、ウェブサイト訪問者の評価値を計算するための計算モデルを初期化し、データサンプルを用いて計算モデルを訓練し、計算モデルを決定し、訪問者情報を取得し、決定された計算モデルを用いて、訪問者の評価値を計算することを備える。 （もっと読む）

【課題】大量の訓練データを用い、かつ高速で学習できるコンデンスドＳＶＭを提供する。
【解決手段】第１ステージＷＳ選択部３は、訓練データＤＢ１から複数個の訓練データをサンプリングし、その中の最適訓練ベクトルｘ_ｔを選択し、ＷＳ管理部５に出力する。第２ステージＷＳ選択部４は、第１ステージの終了後、前記訓練ＤＢ１から訓練データを１個ずつ取り出し、最適性を満足する訓練データｘ_ｔを選択してＷＳ管理部５に出力する。ＳＶＭ最適化処理部６は、ＷＳ管理部５で管理されているＷＳ中から前記第１、第２ステージＷＳ選択部３，４で選択された訓練データｘ_ｔに最も近い距離の訓練データを抽出し、該距離が予め定められた値より小さい場合に該第１、第２の２個の訓練データを１個の訓練データに凝縮（コンデンス）する。 （もっと読む）

【課題】学習に必要な演算量を低減可能なパターン識別装置の学習方法を提供する。
【解決手段】特徴抽出用パラメータに従ってデータから識別用特徴量を抽出する特徴抽出器１１と、識別用特徴量を入力としてそのデータに表されたパターンを識別する識別器１２とを有するパターン識別装置１の学習方法は、（ａ）学習用データセットに含まれる同一のパターンが表された学習用データの組を特徴抽出器１１に入力して得られる識別用特徴量のクラスタを決定するステップと、（ｂ）クラスタ間の最小距離を求めるステップと、（ｃ）最小距離の極大値が検出されたか否か判定するステップと、（ｄ）極大値が検出されていないと判定した場合、特徴抽出用パラメータを変更して、ステップ（ａ）〜（ｃ）を繰り返すステップと、（ｅ）極大値が検出された場合、その極大値に対応する特徴抽出用パラメータが、パターン識別処理の実行時に使用されるものとするステップを含む。 （もっと読む）

【課題】階層型パルスニューラルネットワークに適用可能なバックプロパゲーション学習法を提供する。
【解決手段】パルスニューロンモデルの双対性を利用して教師信号を生成し、該教師信号を用いて学習を行うことを特徴とするパルスニューロンモデルのためのバックプロパゲーション学習法。パルスニューロンモデルの双対性を利用して教師信号を生成することにより、誤差関数を微分する計算が必要でなくなり、階層型パルスニューラルネットワークに適用可能となる。 （もっと読む）

【課題】所定のまたは所望の出力目標に基づく事前トレーニングや、別のオブジェクトを認識するための再トレーニングを必要としないニューラルネットワークを提供する。
【解決手段】複数のニューロンを含むニューラルネットワークであって、その複数のニューロンのうちの任意の１つのニューロン４１と、自身またはその複数のニューロンのうちの別のニューロン４３とが、その複数のニューロンのうちのさらに別のニューロン４２との活性結合を介して関連付けられることが可能であるニューラルネットワーク。 （もっと読む）

【課題】複雑で、長時間の時系列データを、容易に学習し、滑らかな時系列データを生成する。
【解決手段】教師データ分割部１２は、時系列データである教師データを、一部がオーバラップする複数のモデル学習用データに分割する。学習部１４は、１つのモデル学習用データを、１つの学習モデルに割り当て、学習モデルの学習を、その学習モデルに割り当てられたモデル学習用データを用いて行う。コネクティビティ算出部１６は、１つの学習モデルが生成する時系列データの最後の一部分と、他の１つの学習モデルが生成する時系列データの最初の一部分との誤差を、１つの学習モデルの後に、他の１つの学習モデルが接続する適切さを表すコネクティビティとして算出する。本発明は、例えば、時系列データの学習、及び生成に適用できる。 （もっと読む）