人間の脳が持つ学習能力・記憶能力は現在の計算機でも 実現することのできない優れた処理能力を持っている。 ニューラルネットワークは人間の脳を疑似的に再現したもので、 これを用いて現在の計算機が苦手とするような仕事を 上手く処理するための研究が広く行われている。
ニューラルネットワークは1943年に発表された McCullochとPittsの神経回路網理論が起源である。 1949年にはHebbがニューロンの情報入力部分にあるシナプス結合において、 その結合強度がニューロンの興奮によって強まるという変化則を示し、 これが神経回路に可塑性をもたらし、認識や記憶のもとになっていると提案した。 1958年、Rosenblattはこれらの原理に基づいてパターンを学習識別する パーセプトロンを提案した。 パーセプトロンは一時期能力の限界を厳しく評価されたために研究が停滞したが、 1986年にはRumelhartによって誤差逆伝搬法(バックプロパゲーション) という多層パーセプトロンにおける学習アルゴリズムが発表され、 その後は再び盛んな研究が行なわれるようになった。
その利用方法の一つに時系列のデータの予測がある。 時系列の予測を行なう一つの手法として、次のようなものがある。 多層パーセプトロンである階層型のニューラルネットワークに対して ある時点でのデータを入力すると次の時点でのデータを出力するように 学習させる。これにより予測を行なうというものである。 本研究室ではリカレントネットワークの一種である内部記憶を持つ ニューラルネットワークを提案し、 時系列の一種である気温の最高気温、最低気温の予測を行なわせた。 その結果、温度変化のような時系列を学習させる手段として 適しているという結論が得られた。 しかし、為替相場の変動を予測させたところ、詳細な予測は行えず、 全体的な傾向の予測が行えるという結果であった。
またブラックボックスとして利用されるニューラルネットワークから、 学習させた知識を抽出する研究もなされているが、 連続値を扱うニューラルネットワークからの 有効な知識抽出アルゴリズムは発見されていない。
本研究では、内部記憶を持つニューラルネットワークに時系列を学習させ、 学習後のニューラルネットワークに既存のルール抽出法を応用して適用し、 抽出されたルールについて、それが有効であるか検証を行なう。