ニューラルコンピューティング.docVIP

ニューラルコンピューティング 武藤　佳恭 [　最終リポート　] 2004年1月19日 提出  概要 　ニューラルネットワークを用いて，文字学習を行い，認識率の評価を行う． 背景 　現在，世の中にはPDAなどの小型デバイスが普及している．それらの入力インターフェイスとして，スタイラスによる“手書き“が広く用いられている．スタイラスによる書き方は機器によって異なり，PDAはアルファベットを入力する際に以下のように入力する． 問題 　小型デバイスのスタイラス入力方法は，機器に依存した文字入力方法になっており，固定である．入力方法が固定であると，機器を変えるごとに文字入力方法を覚え直す必要があり，不便である． 目的 　ユーザの思い通りの入力方法を実現するために，ユーザの書いた文字をシステムが学習し，機器固有の記述方法ではなく，ユーザ固有の記述方法を学習させる． 設計 　まず，用いるニューラルネットワークのモデルは学習モデルを用いる．その中でも，優れているとされる階層型ニューラルネットワークを用い，誤差逆伝播学習法を用いた． 入力層 入力画面をピクセルに分解し，「縦の升目×横の升目」分のニューラルを用いる．各ニューラルへは，その升目が塗られていれば「1」，塗られていなければ「0」を入力する． 隠れ層 隠れ層のニューロン数は，入力層と同量のニューロンを用いる． 出力層 今回は，アルファベットを識別することをテーマとするため，26個のニューロンを用いる．たとえば，ニューラルネットの結果として，3番目のニューロンが発火した状態であれば，アルファベットの3番目の「C」が答えとなっていることを現わす． 実装 　実装にはJavaを用いる． データセット（Datasetクラス） ニューラルネットワークへの入力データを表現するクラス．また，学習モードで使用するときの教師データも表現．データの抽象化の役割． 内部で，入力データ，教師データの配列を保持している． ニューラルネットワーク（NeuralNetworkクラス） 　ニューラルネットワークを表現するクラス．以下に，主なメソッドの説明を記述する． void back(Dataset data) 学習の際に用いる．引数に教師データを渡す． void forward(Dataset data) ニューラルネットワークへデータを入力する． void learn(Vector data) Datasetのvector配列を引数に渡すことにより，1度に複数の学習をする． double[] getResult() ニューラルネットの実行結果を取得する． GUI 　今回は，8x8の升目を用いた．上部にある2つのボタンは，ニューラルネットワークに対して，文字を「学習する」か「判別する」の種類を選択できる． 　 学習モード 学習モードでは，2段目にセレクトボックスが表示され，学習させる文字を選択し，学習させるパターンをパネルにマウスで書き，ウィンドウ下部の「OK」を押すことによって学習させる． 判別モード 判別モードでは，2段目に適すとフィールドが表示され，ニューラルネットワークが判別した文字列を表示する． 学習モード 判別モード クラス図 パラメータ 入力層の数 16*16 = 256 隠れ層の数 16*16 = 256 出力層の数 26 学習最大数 50000 収束率 0.05 評価 　評価を行ったマシンスペック OS Windows 2000 Professional SP4 CPU Pentium Centrino 1.5MHz RAM 768MB JVM 1.4.2 方法 A,B,Cの文字を順番に学習させ，それぞれの体感速度と，正解率を調査する． 学習 　最初のステップであるニューラルネットのインスタンス化，文字Aの学習には3秒程度かかり，その後B,Cの学習にはそれぞれ20，30秒かかる． 　以下にそれぞれの入力と，学習ステップ数を示す 9000ステップ 18900ステップ 27500ステップ 判定 判定は瞬時に行われる．また，判定表示フィールドには順位の高い5つを出力するようにしている． 考察 　認識率に関しては，簡単な実験では100％の認識率を示した．これからは，すべてのアルファベットを学習して実験をする必要がある． 　学習させたニューラルネットワークのJavaオブジェクトを，Serialize化してファイルに保存しておけば，毎回の学習の手間が必要なくなるので，今後実装したい． 　出力層のニューロンを識別する単語分