動的バイナリニューラルネットワークにおける周期軌道解析のための単純特徴量

KOYAMA Seitaro; AOKI Shunsuke; SAITO Toshimichi

文献

J-GLOBAL ID：201802264783587030 整理番号：18A0950246

動的バイナリニューラルネットワークにおける周期軌道解析のための単純特徴量

Simple Feature Quantities for Analysis of Periodic Orbits in Dynamic Binary Neural Networks

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=18A0950246&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=18A0950246&from=J-GLOBAL&jstjournalNo=U0466A") }}

著者 (3件)： , ,
資料名：
巻： E101.A 号： 4 ページ： 727-730(J-STAGE) 発行年： 2018年
JST資料番号： U0466A ISSN： 1745-1337 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：日本 (JPN) 言語：英語 (EN)

動的ニューラルネットワークは,三元接続パラメータを有し,様々な二進周期軌道を生成することができる。動力学を解析するために,周期軌道の安定性と過渡現象を特徴付ける二つの特徴量を示した。特徴量を計算することにより,回線制御信号に対応する目標周期軌道の安定性に及ぼす接続スパース性の影響を調べた。スパース性が増加するにつれて,最初に,目標の周期的軌道の安定性がより強くなる傾向がある。また,安定性が弱くなる傾向があり,様々な過渡現象が存在する。最もスパースな場合,ネットワークは過渡現象を伴わずに多数の周期的な軌道を有する。(翻訳著者抄録)

, , , , ,
, ,

著者キーワード (3件)： , ,

人工知能 , 信号理論 , 計算機利用技術一般

引用文献 (12件)：

[1] R. Sato and T. Saito, “Stabilization of desired periodic orbits in dynamic binary neural networks,” Neurocomputing, vol.248, pp.19-27, 2017. 10.1016/j.neucom.2016.10.084
[2] R. Sato, S. Aoki, and T. Saito, “Connection sparsity versus orbit stability in dynamic binary neural networks,” Proc. IJCNN, pp.4482-4487, 2017. 10.1109/ijcnn.2017.7966424
[3] D.L. Gray and A.N. Michel, “A training algorithm for binary feed forward neural networks,” IEEE Trans. Neural Netw., vol.3, no.2, pp.176-194, 1992. 10.1109/72.125859
[4] J.H. Kim and S.K. Park, “The geometrical learning of binary neural networks,” IEEE Trans. Neural Netw., vol.6, no.1, pp.237-247, 1995. 10.1109/72.363432
[5] F. Chen, G. Chen, Q. He, G. He, and X. Xu, “Universal perceptron and DNA-like learning algorithm for binary neural networks: Non-LSBF implementation,” IEEE Trans. Neural Netw., vol.20, no.8, pp.1293-1301, 2009. 10.1109/tnn.2009.2023122

, , , ,

前のページに戻る