実験準備

本研究では3.1節で述べたように相互結合型ネットワークを用いる。 加えて構成要素となるカオスニューロンのパラメータについては過去の研究によって検討されているため、 表5.1 のように設定した[12]。 $\varepsilon$はシグモイド関数の立ち上がりの鋭さ、 $k_s$, $k_m$, $k_r$ はそれぞれ外部入力、 カオスニューロン間の相互結合、 不応性の時間減衰定数、 $\alpha$は不応性の係数である。

表 5.1: 各パラメータ

$\varepsilon$ = 0.015

$\upsilon_{ij}$ = 2.0

$k_e$ = 0.95

$k_f = 0.1$

$k_r = 0.95$

$\alpha = 2.0$

次にカオスニューラルネットワークに学習させるパターンは1と$-1$の２値パターンを用いる。 従来は学習させるパターンにアルファベットを模したパターンを用いてきた。 本研究では学習させるパターンに特徴は必要ないため ２値をランダムに配置したランダムパターンを用いる。

そして逐次学習特有の「学習回数」、「学習セット回数」について定義する。 そこで、入力パターンをカオスニューラルネットワークに入力する時を考える。 逐次学習では、まず１つのパターンを連続して$50$回入力する。 同じように次のパターンを50回入力する。 これを全ての入力パターンが終わるまで行なった時、1セットの学習が終了したとする。 この時各パターンを入力する回数（例では50回）を「学習回数」とし、 全ての入力パターンを学習回数入力した回数（例では1セット）を「学習セット回数」と定義する。

最後に、本実験に関するその他の言葉をここで定義しておく。

• 「入力パターン数」：ネットワークに入力する（学習させる）パターン数
• 「学習パターン数」：ネットワークが学習したパターン数
• 「完全学習」：入力パターン数と学習パターン数が等しい学習
• 「完全学習数」：完全学習時の学習パターン数
• 「最大完全学習数」：ネットワークが完全学習できる最大の学習パターン数
• 「最大完全学習」：最大完全学習数を学習できた時の学習
• 「適切な$\Delta w$」：完全学習できた時の$\Delta w$
• 「最適な$\Delta w$」：最大完全学習できた時の$\Delta w$