【研究分野】知覚情報処理

【研究領域課題番号】16K16083 (KAKENデータベースで見る）

【研究キーワード】

動き / 学習 / 深層 / 鳥 / 風力発電 / 物体検出 / 分類 / 検出 / 動画 / 深層学習 / 追跡 / ニューラルネットワーク / LSTM / CNN / Long Short-term Memory

【研究成果の概要】

本事業では，動画において，動きでしか種類が分からないほど小さく写る物体の検出と分類に取り組んだ．野鳥の広域監視を出口として，風車周辺の海ワシ類を対象に4Kの解像度の動画収集を行い768GBの動画に対し鳥の軌跡や背景の部分のラベル付が完了した．検出・分類の手法として，最終的に深層特徴の相関フィルタを用いた追跡と畳込LSTMによる動きの学習により，物体を追跡しながら動きパターンにより鳥か否かを識別する手法の開発につながり，これが静止画のみに基づくベースラインから25.2％ポイントの性能向上を得た．これらの成果は多くの論文として発表されたほか，風車による野鳥の生態系への影響の軽減につながる．

【研究種目】若手研究(B)

【研究期間】2016-04-01 - 2018-03-31

【配分額】3,900千円 (直接経費: 3,000千円、間接経費: 900千円)

【研究分野】システム工学

【研究領域課題番号】17360186 (KAKENデータベースで見る）

【研究キーワード】

進化論的計算手法 / 遺伝的アルゴリズム / 遺伝的プログラミング / データマイニング / 相関ルール / 進化型計算 / 学習 / 共生 / 機能局在 / マクロノード / 進化 / ニューラルネットワーク

【研究成果の概要】

自然や生物に学ぶ問題解決法である遺伝的アルゴリズム(GA)は、は自然界のシステムの適応過程を説明するモデルとして提唱されてきた。また、知識表現、プログラム、概念木などを扱う遺伝的プログラミング(GP)が開発されている。これらのいわゆる進化論的計算手法は工学的最適化のための手法として現在アルゴリズムの開発と応用への展開が盛んに進められている。しかし、従来の進化論的計算手法は、遺伝子をストリングあるいは木構造で表現しているため、その表現能力、進化性能等で対象システムのモデル化および最適化の点で不十分である。したがって、研究代表者らは有向グラフを遺伝子とする遺伝的ネットワークプログラミング(Genetic Network Programming, GNP)を提案し、その有効性の検証を行ってきたが、本研究課題では、以下のようなGNPの新たな展開と実システムへの応用を推進した。
1. GNPの新たな展開
学習と進化の融合、機能局在型GNP、マクロノード付きGNP、共生学習進化型GNP、可変構造型GNP
2. GNPの応用展開
エレベータ群管理システムへの応用、データマイニングへの応用、株式売買モデルへの応用
GNPは、判定ノードと処理ノードを方向付きリンクで接続したもので、グラフ構造ゆえにノードの重複活用が可能であり、表現能力、アルゴリズムの把握のしやすさ、進化性能の点で優れている。また、有限オートマトンとも異なり、必要な情報を必要な時に判定するなど部分観測マルコフ決定過程下での進化が可能であり、応用分野の拡大が期待できる。

【研究種目】基盤研究(B)

【研究期間】2005 - 2007

【配分額】14,820千円 (直接経費: 13,800千円、間接経費: 1,020千円)

【研究分野】システム工学

【研究領域課題番号】14350212 (KAKENデータベースで見る）

【研究キーワード】

学習 / 進化 / 共生 / 強化学習 / 遺伝的アルゴリズム / 知的システム / 相互作用 / マルチエージェント / ニューラルネットワーク / 遺伝的プログラミング / 知的エージェント / 複雑システム / 共生学習 / 共生進化 / ネットワーク構造

【研究成果の概要】

本研究では、知的システムの構築に必要な、知的工一ジェントの構築、エージェント問の相互作用の構築、マルチエージェントシステムの学習と進化をテーマに研究を推進してきた。
1.知的工一ジェントの構築:有向グラフ構造でプログラムを構成する遺伝的ネットワークプログラミング(GNP)を開発し、エージェントの行動生成における性能評価を行ったところ、従来手法と比べて良い性能を示すことが明らかになった。
2.エージェント間の相互作用の構築:GNPで構成される複数のエージェント間の知的相互作用を構築するため、共利、競争、搾取、利他という生態系における共生の概念を応用した、共生学習進化アルゴリズム(Masbiole)を開発した。タイルワールド問題を用いたシミュレーションの結果、提案手法が共生戦略を導入したことによる複雑なエージェント間の相互作用を示すことを明らかにした。
3.マルチエージェントシステムの学習と進化:一般に、生物は長い世代を通じて行われる進化と、一生の間に試行錯誤を通じて行われる学習が相互に影響しあってその発達を促進していると考えられる。この考え方を基に、上記1で提案したGNPと強化学習と呼ばれる学習アルゴリズムを組み合わせることで、より効率的な処理ができるプログラムを自動生成する手法を開発した(学習進化型GNP)。複数の個体問で選択、交叉、突然変異を行うことで良い個体が生成される進化に加え、各個体の処理実行中にもオンライン学習によるプログラムの改善が行えることにより、進化のみのGNPおよび従来の進化型計算手法(遺伝的プログラミング)より性能が良くなることを明らかにした。

【研究種目】基盤研究(B)

【研究期間】2002 - 2004

【配分額】14,200千円 (直接経費: 14,200千円)

【研究分野】知能情報学

【研究領域課題番号】13680448 (KAKENデータベースで見る）

【研究キーワード】

ニューラルネットワーク / 進化手法 / ルール抽出 / 画像 / 知識抽出 / 画像検索 / 学習 / インターネット / 進化的アルゴリズム

【研究成果の概要】

本研究では,インターネット上で膨大に存在する画像から効率的に目的画像を検索するための基礎技術を開発した.特に,画像の潜在情報を言葉や概念として抽出し,情報検索法である潜在的意味インデキシングのための特徴ベクトルを生成するための基盤技術を研究開発した.この開発では,進化的に構造を変えていくニューラルネットワークの学習機能とルール化手法により,画像情報を言葉や概念に変換するための基礎研究を行い,ルール化手法を提案した.このルール化手法では人間の有する画像に対する概念や知識をニューラルネットワークに埋め込み,知識の洗練化のための学習を行い,その後にニューラルネットワークから人間が理解できる形式の知識やルールを抽出する.
実際に,パターン分類問題とカオス信号の同定問題に対して,人間がパターン分類や同定を行うための規則を作成し,その規則をニューラルネットワークに埋め込み,規則の洗練化のための学習を行い,最後に学習済みのニューラルネットワークから人間が理解できる形式の簡単なルールを作成できることを示した.
この技術を利用すると,画像に対して人間が有する知識をニューラルネットワークに埋め込み,さらなる学習後に,画像検索に有効な知識抽出規則や概念を抽出するためのルールを生成することが可能となり,本研究の目的を達成することが可能になると考えられる.平成14年度には,進化的手法であるインタラクティブ進化アルゴリズムにより,実際の画像に対して,キーワード抽出の実験を行い,比較的に良好な結果を得ている.
さらに,様々な画像に対しても適用可能であるように,画像の大分類の方法の開発,進化的ニューラルネットワークを用いたキーワード抽出実験を行い,70%程度以上の精度で,大分類とキーワード分類を行うことができた.今後は,もっと多数の画像種類に対して有効性を検証するとともに,これまでに開発した手法を統合化して画像検索のためのキーワード抽出システムを実装化していく必要がある.さらに精度改善のための方法を開発することも重要である.

【研究種目】基盤研究(C)

【研究期間】2001 - 2002

【配分額】3,300千円 (直接経費: 3,300千円)

【研究分野】制御工学

【研究領域課題番号】13650491 (KAKENデータベースで見る）

【研究キーワード】

非線形モデル / ニューラルネットワーク / ファジイニューロネットワーク / 学習 / 先見情報 / 非線形制御 / ロバスト制御 / 故障診断 / 線形構造 / 線形制御技術

【研究成果の概要】

システム同定と制御系設計の観点から観れば、ニューラルネットワークやニューロファジイネットワークは、良好な表現柔軟性を持つ非線形ブラックボックスモデルであるが、構造が固定されているため、応用対象との間にギャップがあり、利用しにくいという問題点がある。この問題を解決するため、以下の事項について研究を行った。
・表現柔軟性と応用柔軟性を同時に持つ利用しやすい構造を有する学習ネットワークを目指して、多様な非線形システムの入出力特性を表す柔軟表現力だけでなく、制御系設計や故障診断などの様々な応用に適用しやすい柔軟な構造を有する学習ネットワークの構成法を開発した。
・応用毎の先見情報やネットワークの性質に関する情報などを一般化・抽象化するインタフェイス機構、そのための階層的ネットワーク構造を開発し、新しい知識を獲得できる学習機構を開発した。
・さらに、提案した学習ネットワークをベースにした非線形システムの新たな制御手法などの応用技術を考案した。

【研究種目】基盤研究(C)

【研究期間】2001 - 2002

【配分額】2,400千円 (直接経費: 2,400千円)

【研究分野】制御工学

【研究領域課題番号】10650434 (KAKENデータベースで見る）

【研究キーワード】

学習 / 最適化 / カオス / 共生 / ゲート付きニューラルネットワーク / RBFネットワーク / 自律移動エージェント / 非線形システム制御 / ニューラルネットワーク / ゲート / 適応 / 自律システム / ケート付ネットワーク / 経路切替 / 強化学習 / 一般化 / 最適値探索

【研究成果の概要】

本研究課題である「モデル内部形成型自律システム」の構築には,多様な試行に基づいて学習を行う手段,学習結果の中から未学習の状況にも適用可能な一般性の高いものを抽出して表現する手段,階層的な構造をもつ制御機構とその適切な切替え機構が必要である.これらを実現するために,以下の事項について研究を行った.
多様な試行に基づいた学習を実現する手段として,非決定論的な試行を生み出すことが可能なカオス的な挙動の生成と消滅を制御できる機構,探索範囲を必要に応じて自動的かつ階層的に拡大あるいは縮小する最適化法,多様な解を得ることができる遺伝的共生アルゴリズム,最適化手法に含まれる設計パラメータをも適切な値に自動調整する発見的最適化手法を開発し,それぞれ例題を用いてその有効性を検証した.
一般性のある知識の抽出の実現手段として,入力ゲート付きニューラルネットワークとRBF(Radial Basis Function)ネットワークのノード統合手法を考案し,より少ない変数(条件)で表される一般的なルールの抽出を行うことができることを,自律移動エージェントの行動学習を例として確認した.
また,ノードゲート付きニューラルネットワークを開発し,これにより複数階層からなる制御系とその切替え機構が実現できることを,非線形システム制御を例題として確認した.さらに,移動エージェントの行動学習において,与えられた環境のみに有効な行動方針を学習する通常の学習に加え,一般性の高い知識を抽出する学習方法を付加し,環境が変化した場合にも,環境変化に素早く対応できる行動学習システムを構築した.

【研究種目】基盤研究(C)

【研究期間】1998 - 1999

【配分額】3,000千円 (直接経費: 3,000千円)

【研究分野】制御工学

【研究領域課題番号】10650433 (KAKENデータベースで見る）

【研究キーワード】

学習 / ニューラルネットワーク / 強化学習 / 非線形システム制御 / カオス / 遺伝的アルゴリズム / 連想記憶 / ファジィ / モデル化 / 制御 / 不完全観測 / オブザーバ / 高速化 / ロバスト性

【研究成果の概要】

非線形複雑系のモデル化と制御には、生物の学習方式及び記憶方式を解明し、その工学的利用が有益であると考えられる。このことから、生物の学習方式を範とするモデル化と学習方式及び,複雑系の代表格である脳の連想記憶方式とそのモデル化に関する研究を行った.
1.モデル化に関する研究
遺伝的アルゴリズムを用いた可変長の遺伝子コードを間接符号化法に基づく,最適ネットワークサイズと適切なネットワークパラメータを持つニューラルネットワーク設計法を提案し,シミュレーションによりその有効性を確認した.
2.学習及び制御に関する研究
・ロバストな制御器構築を目的として,制御器構造をコンパクト化する方式の検討を行い,非線形クレーンシステム制御のシミュレーションによりその有効性を確認した.
・ネットワークによるモデルを学習にて構成する場合の学習時間の短縮化に関する検討を行い,学習すべきシナプス重みパラメータを関数表現化する方式を提案し,学習の高速化の点で有効であることを確認した.
・生物の自然な学習方式である強化学習方式について,不完全観測環境下におけるactor-critic学習方式と確率傾斜法の協調学習方式を開発,また,強化学習における試行錯誤において試行に関する探索方向を適応的に変化させることを提案し,倒立振子の制御及び自律走行ロボットの行動学習を例題として高い探索効率及び学習試行回数の減少効果を持つことを確認した.
3.連想記憶方式とそのモデル化に関する検討
・記憶の記銘・想起のうち,想起に関する記憶検索モデルについて検討し,従来方式に比較して想起したい記憶を想起するまでの時間ステップが短い記憶探索モデルを提案した.

【研究種目】基盤研究(C)

【研究期間】1998 - 2000

【配分額】2,700千円 (直接経費: 2,700千円)

【研究分野】計測・制御工学

【研究領域課題番号】09450171 (KAKENデータベースで見る）

【研究キーワード】

ニューラルネットワーク / 遺伝的アルゴリズム / ファジイ / 一般化学習ネットワーク / 高次微分 / 共生 / ロバスト制御 / カオス制御 / モデル化 / 学習 / 確率 / 制御 / 安定性 / カオス / 集中化・多様化 / ネットワーク / 離散事象 / オートマトン / ゲート

【研究成果の概要】

本報告は、科学研究補助金に関する研究課題「学習ネットワークによる複雑システムのモデル化とインテリジェント制御に関する研究」についての研究成果である。
広域電力ネットワークシステム、分散型交通・物流ネットワークシステム、総合上水道ネットワークシステム、大規模複雑原子力・火力・化学プラント等最近の制御対象は大規模化、複雑化、広域化、分散化する傾向にある。
それに従い、従来の制御理論の枠組では環境の変化と多様な目的に対応する高度な制御を行う事が困難となり、従って、制御システム全体を非線形ネットワークとして捉え、これにより既存の制御手法にはない柔軟性と創造性を持ったシステムを構築する事が強く求められていた。
そこで、本研究では生命現象をも含む自然現象及び論理の世界を大規模複雑なシステムとして捉え、これをモデル化し制御するための一般化学習ネットワーク(ULNs:Universal Learning Networks)と確率一般化学習ネットワーク(PrULNs:Probabilistic Universal Learning Networks)およびネットワーク最適化の学習方式である適応的ランダム探索法(RasID:Random Search Method with Intensification and Diversification)と遺伝的共生アルゴリズム(GSA:Genetic Symbiosis Algorithm)を開発した。
又、これ等の手法を具体的応用システムに展開し、ロバスト制御、カオス制御等が統一した枠組の中で論ずる事が出来る事を明らかにしている。

【研究種目】基盤研究(B)

【研究期間】1997 - 1999

【配分額】9,500千円 (直接経費: 9,500千円)

【研究分野】知能情報学

【研究領域課題番号】08458076 (KAKENデータベースで見る）

【研究キーワード】

ニューラルネットワーク / 学習 / 汎化能力 / 追加学習 / 能動学習 / 過学習 / 許容性 / 許容化問題 / 汎化 / 最適汎化ニューラルネットワーク / ニューラルネットワークの追加構成 / 訓練データの判別 / 訓練データの棄却

【研究成果の概要】

能動学習とは,ニューラルネットワーク自身が学習の途中経過をみながら次の訓練データを積極的に選んでいく学習であり,いわゆる追加学習の問題と,最適な訓練データの選び方の問題に分けて考えられる.
第1の追加学習(incremental learning)とは,ある訓練データに対して最適な汎化能力をもつニューラルネットワークが既に得られている状態で,新しく訓練データが追加されたとき,既に得られている最適汎化ニューラルネットワークと新しい訓練データだけを用いて効率よく学習を行う問題である.現在世の中で行われている追加学習の方法によれば,古い訓練データと新しく追加された訓練データを併せた全訓練データに対して最適な汎化能力を得ることはできず,ただその近似を得るだけであった.これに対して我々は,全く同じ汎化能力をもつニューラルネットワークを効率よく構成することができる追加学習の方法を確立した.
第2の最適な訓練データの選び方に関する問題に対しては,それが更にいくつかの型に分類できることを明らかにし,汎化能力の立場からみて最適な訓練データを一括して求めるという最も基本的な問題に対して1つの解を与えた.その結果,ある訓練データに対して既に学習が進んでいるときに新しく追加すべき訓練データを選択していくという,能動学習本来の問題を論じていくための基盤ができた.
また,ニューラルネットワークの学習によく使われる誤差逆伝搬法では,訓練誤差があまりに小さくなるまで学習を続けると,かえって汎化能力が低下するという過学習現象が知られている.我々はこの問題に対して,既に許容性という概念を導入することにより,理論的解決を与えている.即ち,各種許容性が成立するための必要十分条件を求め,過学習を防ぐための訓練データの設計法を与えている.本研究では,許容性の問題を能動学習の立場からみなおし,許容化問題という新しい問題を提起した.これは,ある訓練データに対して許容性が成立していないとき,更に訓練データを追加・削除することにより,許容性を成立させる問題である.汎化能力が最大になるような許容化教材の構成法を与えた.

【研究種目】基盤研究(B)

【研究期間】1996 - 1997

【配分額】8,500千円 (直接経費: 8,500千円)

【研究分野】計測・制御工学

【研究領域課題番号】07650499 (KAKENデータベースで見る）

【研究キーワード】

自己形成システム / ルールセット / ニューラルネットワーク / 学習 / 最適化 / オートマトン学習ネットワーク / 一般化学習ネットワーク / ロバスト制御 / 一般化 / 離散事象

【研究成果の概要】

自己形成システムは,観測データに基づいて自動的に構築あるいは改変されるシステムである.まず,非数量現象を対象として,観測データの概念への一般化と,観測データに矛盾する概念の特殊化という二つの処理の流れを適宜制御することによって,ルールセット型の一般的なシステムモデルを自動的に構成し,さらにデータに含まれる変化を検出する手法を開発した.また,事例レベルから概念レベルまでを段階的に表現できるニューラルネットワーク,および人力部にゲートを持ち,より明示的に概念レベルを表現できるニューラルネットワークを構成し,その自己形成手法を開発した.さらに,データの変化への対応が容易なニューラルネットワーク構造の決定法を提案した他,ニューラルネットワークの学習のみならず,創造的な新機能の獲得に向けた新しい機能の探索も可能な最適化法を考案した.
また,自己形成システムのより一般的な表現手段として,変数が実数値をとる連続系に対して一般化学習ネットワーク,変数が離散値をとる離散(事象)系に対してオートマトン学習ネットワーク,と呼ぶ共にネットワーク型の枠組みを提案した.いずれも学習によって自己を構成・改変する能力を持っており,このための効率的な学習の方法も考案した.また,ネットワークの構成の自動決定法も開発している.
自己形成システムの目的は,状況の変化に対応して,自己を変化させることによって良好な制御を行うシステムを開発することである.そこで,一般化学習ネットワークの枠組みを用いて,クレーンの制御を例題とし,荷の重量,荷の初期位置や目標位置,システムに加わる外乱などが変化した場合においても良好な制御を行うロバスト制御系を開発した.

【研究種目】基盤研究(C)

【研究期間】1995 - 1996

【配分額】1,800千円 (直接経費: 1,800千円)

【研究分野】知能情報学

【研究領域課題番号】06452399 (KAKENデータベースで見る）

【研究キーワード】

学習 / 汎化 / 最適汎化ニューラルネットワーク / 断線故障 / 最適結合荷重 / 最適中間素子関数 / 追加学習 / 能動学習 / 最適汎化 / ニューラルネットワーク / 単一断線故障 / 比例性雑音 / 関数解析 / ヒルベルト空間

【研究成果の概要】

本研究では,まず多層ニューラルネットワークの学習問題が,数学的には関数近似の問題と等価であることに着目し,学習と汎化の問題と逆問題として定式化した.そして,多層ニューラルネットワークが,与えられた訓練データに対して最適汎化能力をもつために,中間層の素子数,中間層の入出力関数,および各重み係数の値が満たすべき必要十分条件を求め,最適汎化能力をもつニューラルネットワークの構成法を与えた.
この構成法によると,同じ汎化能力をもつニューラルネットワークを構成する方法が,一般には無限に存在することがわかる.この無限の自由度の中から,現実の場面で現れる誤差等に対して最も頑健になるような構成法を求めた.具体的には,ニューラルネットワークの結合荷重に現える比例性誤差,断線故障,およびr-縮退故障の汎化能力に及ぼす影響が最小になるような結合荷重の決定法を与えた.更に,上記3種類の問題に対して,結合荷重だけでなく,中間素子の入出力関数も変化させた場合の最適な結合荷重と入出力関数を求めた.
また,追加学習(incremental learning)の理論を構築した.これは,ある訓練データに対して最適汎化ニューラルネットワークが既に得られているとき,新しく追加された訓練データを併せた全訓練データに対して最適なニューラルネットワークを,これまでの結果と新しい訓練データだけから構成する理論であり,将来,訓練データを能動的に選んでいく能動学習(active learning)の研究へとつながるものである.
更に、上述の学習と汎化の理論の立場から,誤差逆伝搬学習における過学習の問題に対しても一つの解決を与えた.即ち,2種類の評価基準の間の許容性の概念を導入し,もって過学習を抑制するための訓練データの設計法を与えた.

【研究種目】一般研究(B)

【研究期間】1994 - 1995

【配分額】6,000千円 (直接経費: 6,000千円)

【研究分野】計測・制御工学

【研究領域課題番号】06452256 (KAKENデータベースで見る）

【研究キーワード】

ペトリネットワーク / 脳科学 / 制御システム / 学習 / 自己組織化 / ニューラルネットワーク / R. B. F. / ファジ- / ベトリネットワーク / フアジー / ネットワーク / ペトリネット / 大規模複雑システム / 機能局在 / ニューラルネット / 脳

【研究成果の概要】

大規模複雑システムの制御は、適切なタイミングに適切な判断・指令を行う必要があるという点で脳機能と同じである。この視点に立ち、脳科学の最新の知見を活用した、従来よりより人間の判断機能に近い能力を持つ制御技術の確立を目標に研究を推進した。脳は各種機能が分散配置された機能局在構成である。そこで、まずはじめに、脳の機能局在を手本とし、制御に不可欠な学習機構を導入した大規模複雑システムの制御のための基本モデルを開発した。このモデルは、機能局在構成に適したペトリネットワークに学習能力を付加したものでLPN (Learning Petri Network)と名付けた。特に、機能局在構成を実現するために、状況に応じて適切なネットワーク経路を探索する教師付および自己組織化アルゴリズムがLPNの特徴である。次に、LPNの応用に関し、非線形不連続関数のパターン認識、非線形不連続動的システムの同定および非線形クレーンシステムの制御についてのシミュレーション実験を行った。この結果、LPNでは、入力に応じてト-クンの伝幡する経路が異なり、経路の選択制御(機能局在)が可能な事、又、これによって、強い非線形不連続関数の実現のためにはLPNの方がニューラルネットワークより優れている事、さらには、非線形ダイナミックスの固定および制御では一般のニューラルネットワークより2桁以上同定・制御特性が良くなる事を明らかにした。以上、古典制御理論あるいは現代制御理論で展開されてきた従来の制御技術とは事なる、脳の機能極在、学習に基づく新しい制御技術の基本部分を確立した。これにより、従来のプロセス制御のみならず、大規模複雑システムの計画・運用・制御を人間の判断機能に準じて、より高度に実現する事が出来るようになる。

【研究種目】一般研究(B)

【研究期間】1994 - 1995

【配分額】6,700千円 (直接経費: 6,700千円)

【研究分野】海洋工学

【研究領域課題番号】05452311 (KAKENデータベースで見る）

【研究キーワード】

システム同定 / 海中ロボット / ニューラルネット / 海中航走体 / 適応制御 / 無索無人潜水機 / 学習 / ニューラルネットワーク / 動特性 / シミュレーション / 運動体 / 潜水機

【研究成果の概要】

海洋構造物や船舶、あるいは潜水船などの海中ビ-クルの運動を考えるとき、低速域での非線形性や相互干渉やダイナミクスの変化など、古典的な運動理論では極めて取扱いにくい状況がある。学習機能を持つシステムであるニューラルネットワークは、不特定多数の入力に対して、ある出力を表すモデルを表現することができる。本研究ではコントローラをニューラルネットワークで構成し、同定モデルも同じくニューラルネットワークで構成して、その出力を利用してコントローラを適応的に調整しようとするものである。
本年度の研究では、海中ロボットのコンピュータの並列処理機能を利用して、実ロボットを制御する実世界と、ロボットの動特性すなわちニューラルネットで同定された同定モデルを制御する仮想世界とを分離し、仮想世界では、数値シミュレーションにより仮想訓練を繰り返してコントローラを調整させ、ある程度調整が進んだ状況で実世界のコントローラを置き換えるシステムを構築した。この目的の為には、シミュレーションが仮想世界で閉じた形でおこなわれなくてはならない。そこで、差分型の3層のニューラルネットワークの降段に2層の積分層を設け、その出力を入力にもどす、という新しい同定モデルを構築し、その有用性を示した。これを海中ロボットのテストベッド「Twin-Burger」の回頭運動に適用して良好な結果を得た。そこに於いては、同定ネットワークの入力を回頭角速度と制御入力とし、制御出力は、左右のスラスタにより発生する回転モーメントとした。
実ロボットを使った実験において、構築したシステムは良好なコントローラを実時間で作り出すことに成功しており、提案したシステムの有用性を示した。

【研究種目】一般研究(B)

【研究期間】1993 - 1994

【配分額】7,000千円 (直接経費: 7,000千円)

【研究分野】情報工学

【研究領域課題番号】02452155 (KAKENデータベースで見る）

【研究キーワード】

画像処理 / ニュ-ラルネットワ-ク / 学習 / 汎化 / フィルタ / 非線形 / 統計 / 過学習 / フイルタ

【研究成果の概要】

本研究では、画像フィルタ理論の進展と共に明らかになったフィルタのデ-タ補間能力の本質に関する知見に基づいて、限られた数のサンプルを体験するだけで、未知の入力に対して正しい出力を与えることを保証できる新しい学習理論を構築し、それをニュ-ラルネット上に実現することを目的としている。フィルタにおけるデ-タ補間の問題と、未知の入力に対応することのできるニュ-ラルネットを構成する問題との間には密接な関係がある。前者は、関数の有限標本点上の値のサンプルのみから、まだ経験したことのない新しい点上の関数の値を推定する問題であり、これはデ-タの次元の相違こそあれ、有限個の入力サンプルに対する正しい出力が教師から示されただけで、初体験の入力に対して正しい出力を得ようとする後者の問題と本質的には同じだからである。学習理論では、この様に新しい入力に適切に対応する能力のことを汎化能力と呼んでいる。本研究課題では、2年間の研究を通じて、次のような成果をあげることができた。まず、研究代表者が開発してきた一連の画像フィルタの理論に基づき、学習訓練列の持つ内部構造(位相構造)を活用することにより、デ-タ補間、即ち、汎化を行なう枠組を導いた。さらに、この学習理論に従って、バックプロパゲ-ションの汎化能力を解明し、汎化を保証するための訓練デ-タの与え方を示した。これらの手法を一般的に論じることのできる理論を作用素論的枠組から導き、最適汎化能力を持つニュ-ラルネットの理論を構築した。以上の理論的に予測された結果は、計算機シミュレ-ションにより実証することができた。

【研究種目】一般研究(B)

【研究期間】1990 - 1991

【配分額】5,700千円 (直接経費: 5,700千円)