動的バイナリーニューラルネットの学習、安定化、応用

上月, 良太; KOUZUKI, Ryota

このアイテムのアクセス数:46件（2025-07-31 06:15 集計）

Permalink : https://hdl.handle.net/10114/9846

閲覧可能ファイル

ファイル	フォーマット	サイズ	閲覧回数	説明
上月　良太	pdf	1.85 MB	86

論文情報

ファイル出力

アイテムタイプ	学位論文
タイトル	動的バイナリーニューラルネットの学習、安定化、応用
その他のタイトル	Learning, Stabilization and Applications of Dynamic Binary Neural Networks
著者	著者名上月, 良太
著者	著者名 KOUZUKI, Ryota
言語	jpn
発行年	2014-03-24
著者版フラグ	Not Applicable (or Unknown)
学位授与年月日	2014-03-24
学位名	修士(工学)
学位授与機関	機関名法政大学 (Hosei University)
内容記述	工学研究科電気工学専攻; 指導教授: 斎藤利通
抄録	本論文では、シグナム活性化関数、3 値重みパラメータと整数しきい値パラメータによって特徴づけられる単純な動的バイナリーニューラルネットワーク (Dynamic Binary Neural Networks:DBNN)を研究していく。DBNNは、シグナム関数と3値重みパラメータを有するフィードフォワード型のバイナリーニューラルネットワーク (Binary Neural Networks:BNN) に遅延フィードバックを適用することによって構成される。DBNNは、中間層のニューロン数が十分であれば、任意のブール関数を実現できる。また、ネットワークは、リカレントニューラルネットワークのデジタル版とみなすことができ、パラメータと初期値に依存して、様々な 2 値周期軌道 (Binary Periodic Orbit:BPO) を呈することができる。DBNN は様々な工学系応用が可能である。その例としては、信号処理や回路制御等が挙げられる。しかしながら、これらの DBNNは取り扱う問題の規模により中間層ニューロン数の増加や、計算コストの上昇などの問題点を抱えている。これらの問題を解決するために、いくつかの学習法が提案されてきた。本論文では、所望の周期軌道を記憶するために、相関学習と遺伝的アルゴリズムに基づく二つの学習アルゴリズムを用いた2層のDBNNの学習について考察する。基本的な数値実験を通じて、所望のBPOの埋め込みとそのBPOへの自動安定化等について考察していく。その際、分析ツールとしてグレイコードに基づくリターンマップ (Gray-code based return map:Gmap) を導入する。また、本論文では3層のDBNNについても研究し、インバータやマトリクスコンバータのスイッチ信号に対応した教師信号の学習について考察していく。教師信号への安定性の向上のために、GAに基づくスパース化学習を行う。さらに、Gmapを用いて教師信号の銘記を確認し、周期軌道の自動安定化について考察していく。
抄録	This paper studies the simple dynamic binary neural networks (DBNN) characterized by signum activation function, ternary weighting parameters and integer threshold parameters. The DBNN is constructed by applying delayed feedback to Binary Neural Networks (BNN) with ternary weighting parameters and signum activation function. If number of neurons in the hidden layer is suﬃcient, the DBNN can realize desired Boolean function. In addition, the network can be regarded as the digital version of the recurrent neural network. The DBNN can exhibit various Binary Periodic Orbit (BPO) depending on the parameters and initial value. The DBNN is capable of various engineering applications: Signal processing, control circuits, etc. However, the DBNN has a problem such as an increase in computational cost and an increase in the number of hidden neurons by size of teacher signals. In order to solve these problems, some learning methods have been proposed. In this paper, we consider the 2-layer DBNN to store the desired BPO. The learning algorithm is based on the genetic algorithm (GA) and correlation learning. Performing a basic numerical experiment, we conﬁrm that the teacher signal is stored successfully and is stabilized automatically. In order to visualize the dynamics of the DBNN, we introduce a systematic analysis tool: the Gray-code-based return map (Gmap). However, the DBNN has a problem such as an increase in computational cost and an increase in the number of hidden neurons by size of teacher signals. In order to solve these problems, some learning methods have been proposed. In this paper, we consider the 2-layer DBNN to store the desired BPO. The learning algorithm is based on the genetic algorithm (GA) and correlation learning. Performing a basic numerical experiment, we conﬁrm that the teacher signal is stored successfully and is stabilized automatically. In order to visualize the dynamics of the DBNN, we introduce a systematic analysis tool: the Gray-code-based return map (Gmap). Also,this paper studies the 3-layer DBNN. We propose the learning of teacher signal corresponding to switching patterns of the inverter and matrix conventer. Applying the GA-based sparsity learning, stability of the stored BPOs is improved. Using the Gmap, we have confirmed storage of the teacher signal and automatic stabilization of the periodic orbits.
資源タイプ	Thesis
インデックス	資料タイプ別＞学位論文＞修士論文＞工学研究科
インデックス	114 工学部 (旧) ・工学研究科＞学位論文＞修士論文