近年、ヒトの効率的なパターン認識法をパソコンに応用し、特定のグループに入力パターンを分類する問題を解決する方法として積極的に研究を進めています。
そのような研究は、数学的な表現によって人間の生物学的ニューロンの特徴をモデル化し、人工ニューラルネットワークの研究です。
入力パターンを特定のグループに分類する問題を解決するために、人工ニューラルネットワークは、人間の学習を模倣するアルゴリズムを使用します。 このアルゴリズムにより、人工ニューラルネットワークは、入力と出力パターン間のマッピングを生成し、人工的なニューラルネットワークが学習可能であることを示すことができます。
また、人工ニューラルネットワークは、学習結果に基づいて学習するために使用されていない入力パターンの比較的正しい出力を生成するための汎用性を持っています。 このような人工ニューラルネットワークには、比較的多くの層が含まれており、多くの層を含む人工ニューラルネットワークの大規模な構造を学ぶために、大量の学習データが必要であり、特定の学習データが過度にする必要はありません。
この投稿について 特定の学習データを上書きしないように、データの一般化を実行する方法に関する特許。説明しましょう。 ボノの特許です。
[特許取得済み]
画像をクリックすると、登録特許の出版物が表示されます。一般的に、MRIやX線が取られた場合、実際の元のデータはヒトが予測できないデータ値を持つことになります。 したがって、全データ値のほんの一部は、ニューラルネットワークのイメージとして利用され、識別する。
特許によると、 一部のデータからランダムに抽出された画像を使用してニューラルネットワークを学びます。.
具体的には、ソースデータ内の学習データとして使用するデータを決定するときにデータ抽出範囲を設定する方法。 ウィンドウの中央値と幅値を変更することで学習データを決定やってみよう。
特定の領域のデータのみが抽出された場合、ニューラルネットワークは、問題につながる可能性がある範囲のデータを学習し、データをよりランダムに選択するプロセスを作ることで、データの一般化が現在の発明の核となります。 つまり、現在の発明のコアは、学習データを決定するために、ウィンドウの中央と幅の値をランダムに変更することです。
この特許などのウィンドウ値を変更することで学習データが取得されると、学習データを一般化して学習効率を向上させることができます。
この記事は公表時点の情報に基づいています。個別の事情については、当事務所にご相談ください。