技術資料

技術資料

ターミナルアトラクタを組み込んだ複製・競合メカニズムによる効率的な機械学習．

目次 

目的 

構築データ空間からランダムにデータ点が与えられたとき，そのデータ点群から元の信号を推定する．

推定方法として，複製・競合動径基底関数ネットワーク(RC-RBFN)を使用する．

しかし，RC-RBFNには複製における計算量の課題がある．そこで計算量を考慮した複製方法を提案して実装を行う．

また，従来の機械学習手法にRC-RBFNを組み込むことを提案する．

使うモジュールのインストール 

使用するモジュール 

モジュールversion用途
pandasデータ収集やデータフレームへの格納などに用いる
numpy数値計算を効率的に行うための拡張モジュール
numbaサブセットのソースコードを高速に実行する機械語に変換するJITコンパイラ
matplotlibグラフ描写の為のライブラリ
scipy数値解析ライブラリ

モジュールのインストールはコマンドプロンプトでpip install モジュール名

バージョンまで指定する場合はコマンドプロンプトでpip install モジュール名==指定するバージョン でインストールする

Pythonのバージョンは3.10.14(指定しなくてもいいかもしれない)

↓動作環境(また置き換える)

動作環境(また貼りかえる)

プログラムの動かし方 

使用するテキストエディタ 

テキストエディタはVisualStudioCodeを使用する．

ダウンロードはこのページ( https://code.visualstudio.com/ )から行う．

VSCの設定は各自好きな拡張機能入れてもらえれば

実行前準備 

カーネル

↑右上の「カーネルの選択」→「Python環境」で構築した環境を選べばOK

［RBFN］ 

動径基底関数ネットワーク(RBFN)とは任意の非線形関数(η)に対して，基底関数(ξ:一般的にガウス関数が用いられる)に重み(w)を乗算し，足し合わせることによって推定するニューラルネットワークのこと．

入力ベクトル(X)がN個の変数から成る場合，j(j=1,2,...,M)番目のガウス関数ξ(X)は中心位置パラメータ(m)とξの広がりを表すパラメータ(Σ)を用いて以下のように表される．

基底関数

STEP1 ニューラルネットワークのパラメータ更新 

１．シナプス結合荷重wの更新 競争を考慮したシナプス可塑性方程式（適者生存型学習則） に従って更新する。

パラメータw.png

ここでαj(ϕ)は内的自然増加率、γjk(ϕ) は競争係数を示し以下のような式で成り立つ

内的自然増加率.png
競争係数.png

２．動径基底関数の中心𝑚𝑗の更新 従来のRBFNにおける更新式は以下の通りである

RBFNのmパラメータ.png

RC-RBFNでは自由エネルギーを考慮します。更新式は条件付確率密度関数𝑝𝛽′(𝑥𝑖∣𝑚𝑗[𝑖]) を用いて最急降下方向に従って更新されます。

RCRBFNにおけるパラメータm.png

θは(w_0,w_j,w_jk)かなっている． このθの中身がtheta.csvには格納され，これを用いて復元を行う．

STEP2 

df['from'] = df['from'].apply(lambda x : labels[x])

トップ   新規 一覧 検索 最終更新   ヘルプ   最終更新のRSS