ハイブリッド型非線形予測器の最小構成法と学習アルゴリズム

• 資料種別: 文書・図像類
• タイトル: ハイブリッド型非線形予測器の最小構成法と学習アルゴリズム
• 著者・編者: 中山, 謙二; Nakayama, Kenji
• 著者標目: 中山, 謙二; Nakayama, Kenji
• 出版年月日等: 2001-10-22
• 出版年（W3CDTF）: 2001-10-22
• 並列タイトル等: Minimum Synthesis and Learning Algorithm for A Hybrid Nonlinear Predictor
• タイトル（掲載誌）: 平成11(1999)年度 科学研究費補助金 基盤研究(C) 研究成果報告書概要 = 1999 Fiscal Year Final Research Report Summary
• 巻号年月日等（掲載誌）: 1998 – 1999
• 掲載巻: 1998 – 1999
• 掲載ページ: 2p.-
• 本文の言語コード: jpn
• 件名標目: 予測; 非線形; ニューラルネットワーク; 線形予測; 学習アルゴリズム; 時系列; Prediction; Nonlinear; Neural Networks; Linear Prediction; Learning Algorithm; Time Series
• 対象利用者: 一般
• 一般注記: 金沢大学自然科学研究科; 自然現象や社会現象等の時間的な変化を予測することは自然破壊,環境問題,人口問題,経済危機等に対応するために非常に重要である。このような現象の多くは非線形であり,非線形予測器の研究も多く行われている。本研究では,非線形予測を過去のサンプルから未来のサンプルへの写像としてとらえ,非線形なパターン写像の有効な手法であるニューラルネットワークと線形予測を組み合わせたハイブリッド形非線形予測器を開発した。(1)非線形予測器の提案階層形ニューラルネットワークによる非線形予測を入力側に,FIRフィルタによる線形予測を出力側に配置した縦続形のハイブリッド形予測器を提案した。階層形ニューラルネットワークの出力ユニットは線形素子であり,線形予測の能力も有している。(2)学習方法の提案非線形予測器と線形予測器をこの順に分離学習する方法を提案した。次に,雑音を含む非線形時系列の予測において,強化学習法を提案した。誤差逆伝播学習法の過程に結合荷重の強化を組み込んだ方法である。ニューロンの入力値が活性化関数の飽和領域にシフトされ雑音の影響が低減される。(3)時系列データの非線形性を解析する方法の提案類似する過去のサンプルから予測されるサンプルの分散で非線形性を評価する方法を提案した。実際の非線形データ及び線形システムから生成した時系列を用いてその有効性を確認した。これに基づいて,非線形予測に必要なニューラルネットワークの規模を推定する方法を提案し,最小構成を可能とした。(4)実際の非線形時系列の予測太陽黒点,湖の水位,カオス,及び霧発生の時間的な変化の予測に本予測器を適用し,その有効性を調べた結果,従来方法に比べて本方式が常に最小の予測誤差を与えていることを確認した。; Now a day, we have a lot of problems, environmental disruption, environmental pollution, economic crisis, population problem, natural disaster, nature conservation, and so on. In order to solve these problems, it is very important to analyze progress of these phenomena. These phenomena can be regarded as time series. Mainly they are nonlinear time series. So, nonlinear prediction becomes very important.(1) A Nonlinear PredictorIn this research project, we have developed a hybrid nonlinear predictor, which combines a neural network and a feed-forward linear predictor. Since the neural network has linear output unit, most of nonlinear part and some linear part can be predicted by the neural network. The remaining part is predicted by the linear predictor.(2) Learning AlgorithmsAn improved learning algorithm has been proposed, which separately optimize the neural network and the linear predictor in this order. An enhanced learning algorithm has been proposed for noisy nonlinear time series prediction.(3) Nonlinearity Analysis of Time SeriesPrediction is the mapping from the past sample x(n-1)=[x(n-1),x(n-2),..,x(n-N)] to the next sample x(n). When the past samples x(nィイD21ィエD2-1) and x(nィイD22ィエD2-1) are similar, however, the next samples x(nィイD21ィエD2) and x(nィイD22ィエD2) are far from to each other, then, nonlinearity of this time series is high. A measure, which can evaluate this property has been introduced.(4) Prediction of Real Nonlinear Time SeriesThe proposed method was applied to many the real nonlinear time series, including Chaos, water levels of some lake, fog generation, and so on. The proposed hybrid nonlinear predictor demonstrated good performance compared with the conventional methods.; 研究課題/領域番号:10650039, 研究期間(年度):1998 – 1999; 出典：「ハイブリッド型非線形予測器の最小構成法と学習アルゴリズム」研究成果報告書 課題番号10650039（KAKEN：科学研究費助成事業データベース（国立情報学研究所）） （https://kaken.nii.ac.jp/ja/report/KAKENHI-PROJECT-10650357/106503571999kenkyu_seika_hokoku_gaiyo/）を加工して作成
• DOI: 10.24517/00064054
• 一次資料へのリンクURL: https://kanazawa-u.repo.nii.ac.jp/?action=repository_action_common_download&item_id=57784&item_no=1&attribute_id=26&file_no=1
• オンライン閲覧公開範囲: 限定公開
• 著作権情報: CC BY-NC-ND
• 関連情報: https://kaken.nii.ac.jp/ja/search/?kw=00207945; https://kaken.nii.ac.jp/ja/grant/KAKENHI-PROJECT-10650357/; https://kaken.nii.ac.jp/ja/report/KAKENHI-PROJECT-10650357/106503571999kenkyu_seika_hokoku_gaiyo/
• 連携機関・データベース: 国立情報学研究所 : 学術機関リポジトリデータベース（IRDB）（機関リポジトリ）; https://irdb.nii.ac.jp
• 提供元機関・データベース: 金沢大学 : 金沢大学学術情報リポジトリKURA