next up previous contents
Next: ネットワークモデル Up: ニューラルネットワーク Previous: ニューロン

ニューロンモデル

  脳には、いくつもの種類のニューロン(ニューロンモデルにおいてはユニットと呼ぶ)が存在していることが確認されており、単純な発火作用をもったものから非常に複雑な発振作用を持ったものまで存在している。 しかし、現段階でニューラルネットワークに用いられているモデルは、それらを非常に単純化したモデルである。[1]

ユニットは、図 2.2に例示されているような多入力、1出力の素子が通常用いられている。

   figure27
図 2.2: ユニット例(4入力1出力)

ニューラルネットワークにおいては、ユニットどうしが互いに神経繊維に対応する線で結ばれている。また、実際のニューロン間のシナプス結合と呼ばれる結合と同様に、信号は一方向にだけ伝わり、それぞれの結合部分に結合加重 tex2html_wrap_inline1883 をつけられて、結合されたユニットに出力される。 この結合加重が、ユニット同士の結合の度合いを表しているのである。

このように重みがついたそれぞれの入力値 tex2html_wrap_inline1885 は、ユニットで総和 x がとられ、応答関数 f によって変換されて次のユニットへと出力される。

  equation34

重みの値は、興奮性結合の場合は正の値、抑制性結合の場合は不の値を示す。また、この重みは学習をすることによって変化させることができる。

ユニットに入力された信号の総和 x は応答関数 f によって変換されるが、その応答関数はいくつかのものが考案されてきている。

図 2.3は、階段関数、あるいはヘビサイド関数と呼ばれるもので、この関数を用いればニューロンの出力を0か1で表すことが出来る。

  equation44

   figure50
図 2.3: 閾値関数

図 2.4は、シグモイド関数と呼ばれる準線形の応答関数である。 第4章で説明するバックプロパゲーションという学習法において、微分可能な関数が必要となるため、そこで用いられる。

  equation59

   figure64
図 2.4: シグモイド関数



Deguchi Lab.