[发明专利]使用分层型神经网络的判别装置

说明书

根据纠错码的校验矩阵，在分层型神经网络中的一部分节点之间进行耦合而生成疏耦合部分。

本申请是原案申请号为201480073042.6的发明专利申请(申请日：2014年2月10日，发明名称：分层型神经网络装置、判别器学习方法以及判别方法)的分案申请。

技术领域

本发明涉及分层型神经网络装置、判别器学习方法以及判别方法。

背景技术

众所周知，神经网络具有学习能力，非线性、模式匹配性能良好，被用于控制、预测、诊断等众多领域中。

并且，对神经网络提出了许多构造，但得到实际应用的多数基本上是分层型特别是三层型的构造。分层型神经网络通常通过被称作误差反向传播法(Back PropagationMethod)的算法进行学习，并调整内部的耦合状态(节点间的权重)。在这样赋值与学习数据相同的输入数据时，进行与学习数据大致相同的输出。并且，具有在赋值接近学习数据的输入时进行接近学习数据的输出的特点。

当在分层型神经网络中处理复杂问题时，将增加中间层的节点数和层数，存在运算量增加的问题。作为该问题的解决方法有对节点之间进行疏耦合来削减运算量的例子，代表性的专利文献有以下2件。

在专利文献1中的构造如下：对于多个输入节点，通过使用学习数据的最大、最小、平均、标准方差的统计指标，或使用学习数据的输入节点之间或输入与输出之间的相关系数，形成特点相似的输入节点彼此的组，在这些组内将输入节点和中间节点耦合而形成疏耦合部分。

另外，在专利文献2记载的神经网络构造优化方法中，通过削减任意节点间的耦合，生成构造不同的多个神经网络，计算各个神经网络的评价值，并进行评价值的比较判定，由此变更成最佳构造的神经网络。

现有技术文献

专利文献

专利文献1：日本特开2011-54200号公报

专利文献2：日本特开平9-91263号公报

发明内容

发明要解决的问题

在以专利文献1、2为代表的现有技术中，在进行判别器学习之前需要用于形成疏耦合的事前学习，每当学习数据有变更和修改时就必须进行事前学习，疏耦合的形成需要较多的时间和运算量。因此，存在不能实现判别器学习和判别处理的高速化的问题。

本发明正是为了解决如上所述的问题而提出的，其目的在于，得到一种分层型神经网络装置、判别器学习方法以及判别方法，在分层型神经网络中，通过不依赖于学习数据而形成疏耦合，能够实现判别器学习和判别处理的高速化。

用于解决问题的手段

本发明的使用分层型神经网络的判别装置，所述判别装置具有：

权重学习部，其对所述分层型神经网络中的多个节点之间的权重进行学习，所述分层型神经网络是根据纠错码的校验矩阵在一部分节点之间进行疏耦合而形成的，并且由具有节点的输入层、中间层以及输出层构成；以及

判别处理部，其使用利用由所述权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络，将所述分层型神经网络中的输入层和中间层的节点之间的与控制、预测、诊断相关的学习数据或者判别数据作为输入信号，并输出与控制、预测、诊断相关的信息处理的判别结果。

发明效果

根据本发明具有如下的效果：在分层型神经网络中，通过不依赖于学习数据而形成疏耦合，能够实现判别器学习和判别处理的高速化。

附图说明

图1是表示本发明的实施方式1的分层型神经网络装置的结构的框图。