5.2.1 実験モデル

本研究で用いたカオスニューラルネットワークモデルが図5.1で、相互結合型ネットワークである。vをニューロンによらず一定値をとるものとしてi番目のニューロンのダイナミクスは式(5.1)となる。また出力関数は式(3.5)で与えられるシグモイド関数を用いた。

通常の連想記憶モデルでは入力パターンは初期入力としてのみ用いることが多いが、ここでは外部入力として入力パターンを継続的に与える。また、従来のカオスニューラルネットワークを用いた連想記憶モデルの多くはニューロンの出力に関してのみ時間加算を考慮しているのに対し、式(5.1)では外部入力に関しても時間加算を考慮している。式(5.1)の各パラメータの値を表5.1のように決めた。この値がカオスを簡単に生成するために重要である。

  
図 5.1: カオスニューラルネットワークモデル

 

 

 

本研究の実験で使用したパターンは、7*7の白いマスを黒の点と黒に塗りつぶしている。パターンを入力する時には一つのマスを一つのニューロンに入力し、黒の点のマスを-1、黒に塗りつぶされたマスを+1として入力する。既知パターンを図5.2のA,B,Cと決め、未知パターンを図5.3のa,b,cと決めた。このパターンの相似度を表5.2に示す。相似度が大きいほどそのパターン同士は似ているということになり、同じマスのニューロンへの入力が同じ部分が多いということである。一番大きい71.42 では49個あるニューロンのうち35個のニューロンの外部入力が同じである。そのため相似度が大きいほど入力パターンにノイズや欠落が存在する時に正しいパターンを認識しにくくなる。

  
図 5.2: 既知パターン

  
図 5.3: 未知パターン

 

 

A B C a b c

A 100.00 48.94 55.10 63.27 71.42 46.94

B 48.94 100.00 65.31 63.27 71.42 46.94

C 55.10 65.31 100.00 42.84 63.27 59.18

a 63.27 63.27 42.84 100.00 71.42 67.35

b 71.42 71.42 63.27 71.42 100.00 59.18

c 49.94 46.94 59.18 63.75 59.18 100.00