文献

J-GLOBAL ID：201902291662236955   整理番号：19A0515319

スパース近似における微分不能最適化問題のためのLagrangeプログラミングニューラルネットワーク【JST・京大機械翻訳】

Lagrange Programming Neural Network for Nondifferentiable Optimization Problems in Sparse Approximation

著者 (4件)： Feng Ruibin (Department of Electronic Engineering, City University of Hong Kong, Hong Kong) ,  Leung Chi-Sing (Department of Electronic Engineering, City University of Hong Kong, Hong Kong) ,  Constantinides Anthony G. (Imperial College London, London, U.K.) ,  Zeng Wen-Jun (Department of Electronic Engineering, City University of Hong Kong, Hong Kong)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 28  号： 10  ページ： 2395-2407  発行年： 2017年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Lagrangeプログラミングニューラルネットワーク(LPNN)アプローチの主要な限界は,目的関数と制約条件が2倍微分可能であることである。スパース近似は非微分関数を含むので,元のLPNNアプローチはスパース信号の回復に適していない。本論文では,局所競合アルゴリズム(LCA)の概念に基づくLPNN手法の新しい定式化を提案した。制約のない最適化問題のみを解くことができる古典的なLCAアプローチとは異なり,提案したLPNNアプローチは制約付き最適化問題を解くことができる。スパース近似における二つの問題を考察した。それらは基底追跡(BP)と拘束BP雑音(CBPDN)である。著者らは,これらの2つの問題を解決するために,2つのLPNNモデル,すなわちBP-LPNNとCBPDN-LPNNを提案した。これら二つのモデルに対して,モデルの平衡点は二つの問題の最適解であり,二つの問題の最適解は二つのモデルの平衡点であることを示した。さらに,平衡点は安定である。シミュレーションを行い,これら2つのLPNNモデルの有効性を検証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 制約付最適化問題 ,  基底 ,  モデル ,  定式化 ,  *近似法 ,  *微分 ,  有効性 ,  雑音 ,  *ニューラルネットワーク ,  目的関数 ,  *最適化問題
準シソーラス用語： 最適解 ,  平衡点 ,  スパース信号 ,  スパース , 【Automatic Indexing@JST】

分類 (3件)： 信号理論  (ND02020G) ,  音声処理  (JE05000E) ,  移動通信  (ND08030H)

タイトルに関連する用語 (5件)： 近似 ,  微分 ,  最適化問題 ,  プログラミング ,  ニューラルネットワーク