KURENAI NO SYSTEM
http://kurenainosystem.jp/

デジタル信号処理技術

Artificial Intelligence


 ☆彡


ニューラルネットワーク(NN)

ニューラルネットワーク生物の神経回路網による情報処理では、従来のコンピュータにはない優れた能力がいくつかある。 これをコンピュータ上で実現することを目的とする。

神経細胞のモデル

多層パーセプトロン(人間のような判断をする人工ニューラルネットワーク)

ニューラルネットワークの特徴
 • 曖昧な情報に対する処理が可能
  – 従来のコンピュータでは曖昧な情報は受け付けられない。
  – 一方で、人間は情報が完璧でなくても処理ができる。
    例1:文字を見て文字の種類を判断するとき、文字が崩れていたり、一部がかすれていたり、インクがにじんでいたり、あるいは一部が隠れていたとしてもその文字を判断することができる。
    例2:人の顔の判断において、人間は友達の顔の表情が様々に変化しても、表情に影響されず友達であることが判断できる。さらに顔を異なる角度から見ても判断できる。
  – 従来のコンピュータでは判断するすべてのパターンをあらかじめ用意しておかなければならない。
 • 文字の場合、普通の文字、崩れた文字、かすれた文字、にじんだ文字、隠れた文字などすべてのパターンを用意しておく必要がある。あるいは変化の仕方に対応するアルゴリズムをプログラムとして持っておく。
  – これは文字というパターンを認識するコンピュータの作成に際して非常に大変である。

学習が可能
– 従来のコンピュータは動作をすべてあらかじめプログラミングしておく必要がある。
– 人間(ニューラルネットワーク)は自分で周りの状況を学習していくことができる。誰に教わることもなく、自然に成長して身の回りのことが何でもできるようになる

Back to Top


遺伝的アルゴリズム(GA)

②進化論的手法

進化論的手法は、生物の進化のメカニズムをまねてデータ構造を変形、合成、選択する手法です。この方法により、最適化問題の解法や有益な構造の生成を目指します。

遺伝的アルゴリズム、GA(Genetic Algorithms)は、進化論的な考え方に基づいてデータを操作し、最適解探索や学習、推論を行う手法です。
個体が集まって集団を構成します。個体にはそれぞれ適合度が決まっています。これらの個体は生殖活動を行い、次の世代の子孫を作り出します。適合度の高いものほど子孫をより多くつくるように、適合度の低いものほど死にやすいようにします。その結果、次世代の各個体の適合度は、現在のそれよりも良いことが期待され、世代が上がるにつれ、次第に集団全体が良くなっていく、というのがGAの基本的な考え方となります。
GAにおける選択
(1) ルーレット選択方式
(2) トーナメント選択方式
(3) エリート戦略

遺伝的プログラミング(GP)は、遺伝的アルゴリズム(GA)の遺伝子型を構造的な表現が扱えるように拡張し、プログラム生成や学習、推論、概念形成などに応用することを目指しています。
GPの考え方をAIに適用し、学習、推論、問題解決を実現する試みを進化論的学習と呼びます。
GPでは、グラフ構造(特に木構造)を扱えるようにGAの手法を拡張します。

Back to Top


サポートベクターマシン(Support Vector Machine:SVM)

サポートベクターマシン(Support Vector Machine:SVM) は,このような問題を解決した学習機械として知られている.サポートベクターマシンとは,1995年に,AT&TのV.Vapnikによって統計的学習理論の枠組みで提案された学習機械のことである.SVMは,特にパターン認識の能力において,最も優秀な学習モデルの1つであることが知られている

図1のように,□のデータと○のデータを分類する。

図1:2次元データの分類 図2:マージン最大化


 このとき,与えられたデータを分類するということは与えられたデータを用いて、それらをどのように分類したらよいかをSVMが学習していると解釈できる。 ここで,学習の本当の目的は、あらかじめ与えられたデータをうまく分類することではなく、学習に用いなかった未知のデータをうまく分類させることである。 このような能力を、学習理論では汎化能力と呼んでいる。
 SVMでは、分離超平面と,2種類のデータとの間の距離が最大になるような分離超平面が,最も汎化能力の高い超平面になるということを利用している。 マージンを最大化する方法を定式化すると、2次計画問題に帰着することができる。 そのため、最適解が唯一に定まり、局所的最適解に陥る心配がない。
 SVMの基本的な構造は線形しきい素子である。 しかし、これでは線形分離不可能なデータに適用することができず、SVMの応用範囲は非常に限られたものになってしまう。 そこで、高次元化が挙げられる。これは、非線形写像Φによって、元の入力データを高次元特徴空間に写像し、特徴空間において線形分離を行うという方法である。 そうすることによって、結果的に元の入力空間においては非線形な分類を行っていることになる。

非線形写像による高次元化

しかし,これを実装化する際には、Φの計算は行わず、カーネル関数の計算に置き換えている。これをカーネルトリックという。 カーネルトリックによって、SVMではΦを直接計算することを避け、計算上の困難を克服している。 SVMによって、2次元データを非線形に分類した例を示す。実線が分離超平面(ここでは曲線)を表し、破線がマージンを表している。

SVMによる2次元データの分類の例

Back to Top


ファジィニューラルネットワーク

 ニューラルネットワークは,高い学習能力とデータ処理能力を持っていますが、入出力関係がブラックボックスとなるため、ニューラルネットワークで実現されている非線形写像を簡単にわかりやすく説明することはできません。 一方,ファジィシステムは,人間が容易に理解できる言語形式のIf-Thenルールで構成されているために、入出力関係を明示的に説明することが可能ですが、必ずしも高い学習能力とデータ処理能力を持っているとは言えません。

 近年、ファジィ理論とニューラルネットワークの融合に関する種々の研究がなされている。 ファジィ推論にニューラルネットワークを応用するようなネットワークをファジィニューラルネットワーク(FuzzyNeural Network : FNN)と呼ぶ。 FNNはニューラルネットワークの学習機能によりファジィルールの同定およびメンバシップ関数の調整を自動的に行うことができる。 ニューラルネットワークの構成を工夫し、学習後のネットワークから容易にファジィ推論ルールを把握できるファジィニューラルネットワークのファジィ測度は、多属性意思決定問題における人間の評価のあいまいさを表現でき注目されている。

ファジイ集合(Fuzzy set): あいまいな(= fuzzy な) 集合のこと。
全体集合X のファジイ部分集合とは、μ : X → [0, 1]のことで、関数μ はメンバーシップ関数と呼ばれる。

Back to Top


Back to Top


Back to Top


Back to Top


inserted by FC2 system