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

博士論文

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)