主成分分析を行うニューラルネットワークの学習と自己組織
Access this Article
Search this Article
Author
Bibliographic Information
- Title
-
主成分分析を行うニューラルネットワークの学習と自己組織
- Author
-
高橋, 隆史
- Author(Another name)
-
タカハシ, タカシ
- University
-
筑波大学
- Types of degree
-
博士 (工学)
- Grant ID
-
甲第2123号
- Degree year
-
1999-03-25
Note and Description
博士論文
Table of Contents
- 目次 / p1 (0003.jp2)
- 1 序論 / p7 (0009.jp2)
- 1.1 情報圧縮とニューラルネットワーク / p7 (0009.jp2)
- 1.2 主成分分析 / p10 (0012.jp2)
- 1.3 本論文の構成 / p12 (0014.jp2)
- 2 視覚系時空間受容野の自己組織形成モデル / p14 (0016.jp2)
- 2.1 導入 / p14 (0016.jp2)
- 2.2 ネットワークモデルの構成 / p16 (0018.jp2)
- 2.3 計算機シミュレーション / p22 (0024.jp2)
- 2.4 受容野特性の理論的考察 / p29 (0031.jp2)
- 2.5 議論 / p37 (0039.jp2)
- 3 多層パーセプトロンの学習による主成分分析 / p39 (0041.jp2)
- 3.1 導入 / p39 (0041.jp2)
- 3.2 重畳エネルギー関数の定義とその特性の理論解析 / p42 (0044.jp2)
- 3.3 数値実験による学習特性の検証 / p52 (0054.jp2)
- 3.4 非線形主成分分析への適用 / p55 (0057.jp2)
- 3.5 議論 / p64 (0066.jp2)
- 4 多層パーセプトロンの学習における内部表現の冗長性削減 / p66 (0068.jp2)
- 4.1 導入 / p66 (0068.jp2)
- 4.2 重畳エネルギー関数に基づく学習則の導出 / p69 (0071.jp2)
- 4.3 数値実験による学習特性の検証 / p74 (0076.jp2)
- 4.4 議論 / p86 (0088.jp2)
- 5 結論 / p87 (0089.jp2)
- A 付録 / p89 (0091.jp2)
- A.1 相関関数[数式]の導出 / p89 (0091.jp2)
- A.2 補題3.4の証明 / p91 (0093.jp2)
- B 研究業績一覧 / p93 (0095.jp2)
- B.1 本論文に関する研究業績 / p93 (0095.jp2)
- B.2 その他の研究業績 / p95 (0097.jp2)
- 参考文献 / p97 (0099.jp2)