抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
自己適応システムの実現に向けて,基本的なモデルは,環境の変化を自律的にその構造とパラメータを更新する必要がある。このような系ではモデル構造とパラメータはデータを用いて学習されると,特徴の選択は,システムの性能における学習過程と同様に重要な役割を果たしている。本論文では,与えられた環境に適していることが特徴の自律的選択の問題に焦点を当てた。報酬とペナルティの概念に基づいていることを本論文で提示した簡単だが効果的なアプローチ。アプローチの有効性を試験するために,移動ロボットに実装した。ロボットはセンサとサポートベクトルマシンに基づく分類器の集合を用いた環境中のその他のオブジェクトからのヒトを分類する必要がある。ロボットは環境から他の領域への動きとして,最初に使用した特徴集合は新しい環境のための適切でないかもしれない。提案手法により,適切な特徴集合を新しい環境のための進行中に同定し,低い偽陽性率が達成された。さらに,アプローチは,また,環境における多数のセンサを埋め込むことによって,スマート環境を実現しようとするモノのインターネットに基づく他の応用に適している。そのような応用の目的は,人の介在を少なくしと希望のタスクを実行することである。,典型的な資源制約付きデバイスにおける,これらの応用は,制約のあるメモリ空間と時間を用いたストリーミングデータの処理のための必要である。,特徴の冗長性は計算時間を増加させ,メモリ空間を消費する。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】