ニューラルネットワークによる主成分分析とその慣性系学習則

カテゴリ: 部門大会

論文No: OS3-3

グループ名: 【C】平成14年電気学会電子・情報・システム部門大会講演論文集

発行日: 2002/09/02

タイトル(英語): Inertia Learning for Principal Component Analysis by Neural Networks

著者名: 野田 勝之(慶應義塾大学),相吉英太郎 (慶應義塾大学)

著者名(英語): Katsuyuki Noda(Keio University),Eitaro Aiyoshi(Keio University)

キーワード: 主成分分析|Sanger学習|PCA|Sanger Learning|Inertia Learning

要約(日本語): 統計的な多変数データの成分間の相関を解析するために，それらの分散を最大にする方向を見出す主成分分析のアルゴリズムが，ニューラルネットワークの学習則として提案されている。たとえば，Hebb学習則はその一つであるが，これは主成分方向に発散する学習則であることが知られている。本研究では，ニューラルネットワークの結合係数が主成分方向に収束する学習則であるSanger学習則を考え，その収束改善のために，それに慣性項を付け加えた慣性系学習則を提案し，このアルゴリズムの特性をシミュレーションによって考察する。

PDFファイルサイズ: 2,212 Kバイト