{"created":"2024-10-23T09:53:14.228339+00:00","id":2001875,"links":{},"metadata":{"_buckets":{"deposit":"0c5c25e1-bbb4-4cac-8b0e-6b362cee01bc"},"_deposit":{"created_by":7,"id":"2001875","owners":[7],"pid":{"revision_id":0,"type":"depid","value":"2001875"},"status":"published"},"_oai":{"id":"oai:tokushima-u.repo.nii.ac.jp:02001875","sets":["1713853213384:1713853296295:1716268429788:1716268708963"]},"author_link":[],"control_number":"2001875","item_10001_biblio_info_7":{"attribute_name":"書誌情報","attribute_value_mlt":[{"bibliographicIssueDates":{"bibliographicIssueDate":"1994-09","bibliographicIssueDateType":"Issued"}}]},"item_10001_description_5":{"attribute_name":"抄録","attribute_value_mlt":[{"subitem_description":"セルラーニューラルネットワーク(CNN)には連続時間的なものと，離散時間的なものがあり，本研究は主に後者について議論する. CNNは1988年にカリフォルニア大学バークレ校のL.O.Chua教授らによって提案され，現在，アメリカ，ヨーロッパを中心に盛んに研究が進められている. CNNは従来のニューラルネットワークと異なり，近傍のセルとのみ結合しているため集積回路としての実現が容易であり，画像処理用CNNとして注目されている.\n第一章では，ニューラルネットワークに関する研究の動向，および，人間の目と同様な処理機能を持つ連続時間CNNに関する研究の動向と，この論文で議論している離散時間CNNの背景について簡単に述べている.　\n第二章では，離散時間的な非均一CNNとして，二相同期信号の回路モデルを提案し，その安定性等について議論してある. このモデルは各セルについて二相同期信号1個で実現できるため，VLS1の実現が容易であると云う特徴がある. まず，モデルの動作原理から状態電圧，出力電圧の動作領域を明かにした. このことは物理的に実現可能なCNNを設計するために重要である.つぎに，安定性を議論するためにエネルギ一関数からリアフノフ関数を定義し，その関数の時間単調減少の条件を利用して，大域的な安定性を持つ離散時間CNNの設計方法を明らかにした. \n第三章では，非線形システムにおける平衡点の求解法について議論している.連想記憶に用いられるCNNは多くの平衡点をもち，入力信号によってどの平衡点に到達するかが決定せられる. ロバストな連想記憶用CNNを設計するためには，このような平衡点を調べることが必要である. ここでは，解曲線追跡法に基づいた複数解の求解アルゴリズムを提案している. このアルゴリズムは急激な解曲線の変化を効率よく追跡できるように，エルミー卜予測子とBDF積分公式に基づいている. また，大規模系に適用できるようにニュートン・ラフソン法の代わりにブラウンの反復法を採用している. このようなアルゴリズを採用することによりロバストなCNNの設計が可能となる.\n第四章では， 離散時間CNNによる連想記憶について述べている. 連想記憶は人間の脳の基本的な機能であり，ニューラルネットワーク応用研究の一つとして古くから盛んに研究されている.本章では， 離散的なCNNを用いた外積学習アルゴリズムと中点写像アルゴリズムの2種類の記憶方式を提案し，その性質を解明している.まず，前者は，入力パターンに対して，エネルギー関数の値が最少になるようにニューロン間の接続を表す重み行列を設定しようと云うものであり，これはHebbの理論に基づいている. また，上のような手法で学習されたパターンを連想記憶できる条件について議論した.中点写像アルゴリズムは重み行列の設定方法に対して， いま考えている中心セルからの近傍を定義し，近傍に存在するセルの状態、をベクトル表示する.これを全てパターンについて実行し，このようにして決定された行列によって写像されるセルのパターンが，元の中心セルと同一のパターンを持つように重み行列を設定しようというもので，数学的には一般化逆行列の理論に基づいている.このような学習方法の特徴は入力された画像が全て連想されると云うことである. 本章では，さらに，このことを応用例によって実証した.\n第五章では，画像処理への応用として，輪郭抽出，雑音除去，視覚パターンの認識に対する離散的なCNNについて述べている.多くの結果から処理時間は従来のものと比較して極端に短縮されることが分かった. また，不均一離散時間CNNによって，一つ画面中に多数の異なる視覚パターンを同時に認識できることも分かった。\n第六章では，不均一離散的なCNNの特徴と今後の問題点について述べている.","subitem_description_language":"ja","subitem_description_type":"Abstract"}]},"item_10001_version_type_20":{"attribute_name":"出版タイプ","attribute_value_mlt":[{"subitem_version_resource":"http://purl.org/coar/version/c_be7fb7dd8ff6fe43","subitem_version_type":"NA"}]},"item_1714461018643":{"attribute_name":"報告番号","attribute_value_mlt":[{"subitem_dissertationnumber":"甲第718号"}]},"item_1714461102074":{"attribute_name":"学位名","attribute_value_mlt":[{"subitem_degreename":"博士（工学）","subitem_degreename_language":"ja"}]},"item_1714461118377":{"attribute_name":"学位授与年月日","attribute_value_mlt":[{"subitem_dategranted":"1994-09-09"}]},"item_1715043197608":{"attribute_name":"アクセス権","attribute_value_mlt":[{"subitem_access_right":"open access"}]},"item_1718868208704":{"attribute_name":"備考","attribute_value_mlt":[{"subitem_textarea_language":"ja","subitem_textarea_value":"画像データは国立国会図書館から提供(2012/3。JPEG2000形式を本学でpdfに変換して公開)\n学位授与者所属 : Doctor course for System Engineering Graduate School, Engineering Tokushima University"}]},"item_1718868303842":{"attribute_name":"学位記番号","attribute_value_mlt":[{"subitem_text_language":"ja","subitem_text_value":"甲工第26号"}]},"item_creator":{"attribute_name":"著者","attribute_type":"creator","attribute_value_mlt":[{"creatorNames":[{"creatorName":"何, 晨","creatorNameLang":"ja"},{"creatorName":"He, Chen","creatorNameLang":"en"}]}]},"item_files":{"attribute_name":"ファイル情報","attribute_type":"file","attribute_value_mlt":[{"accessrole":"open_access","date":[{"dateType":"Available","dateValue":"2012-06-13"}],"displaytype":"detail","filename":"LID201206131001.pdf","filesize":[{"value":"19.7 MB"}],"format":"application/pdf","mimetype":"application/pdf","url":{"objectType":"fulltext","url":"https://tokushima-u.repo.nii.ac.jp/record/2001875/files/LID201206131001.pdf"},"version_id":"13c08981-1914-484d-be3b-bb9d81982b36"}]},"item_language":{"attribute_name":"言語","attribute_value_mlt":[{"subitem_language":"eng"}]},"item_resource_type":{"attribute_name":"資源タイプ","attribute_value_mlt":[{"resourcetype":"doctoral thesis","resourceuri":"http://purl.org/coar/resource_type/c_db06"}]},"item_title":"Non-Uniform Cellular Neural Network and its Applications","item_titles":{"attribute_name":"タイトル","attribute_value_mlt":[{"subitem_title":"Non-Uniform Cellular Neural Network and its Applications","subitem_title_language":"en"}]},"item_type_id":"40001","owner":"7","path":["1716268708963"],"pubdate":{"attribute_name":"PubDate","attribute_value":"2012-06-13"},"publish_date":"2012-06-13","publish_status":"0","recid":"2001875","relation_version_is_last":true,"title":["Non-Uniform Cellular Neural Network and its Applications"],"weko_creator_id":"7","weko_shared_id":-1},"updated":"2024-11-06T02:51:39.253373+00:00"}