このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。
パターン認識、クラスタリング、および時系列用の浅層ネットワーク
ニューラル ネットワークは、並列実行されるシンプルな要素で構成されています。これらの要素は、生物の神経系からヒントを得ています。自然界と同様に、要素間の結合によってネットワークの機能が大まかに決まります。要素間の結合 (重み) の値を調整することによって、特定の機能を実行するようにニューラル ネットワークの学習を行うことができます。
一般的に、ニューラル ネットワークでは、特定の入力によって特定のターゲット出力が得られるように、調整または学習が行われます。次の図はこのような状況を示しています。ここでは、出力とターゲットの比較に基づいて、ネットワーク出力とターゲットが一致するまでネットワークの調整が行われます。一般的に、ネットワークの学習を行うには、このような入力とターゲットのペアが多数必要です。
ニューラル ネットワークは、パターン認識、識別、分類、音声、映像、制御システムなど、さまざな分野で複雑な機能を実行するように学習が行われています。
さらに、従来のコンピューターや人間には困難な問題を解くように、ニューラル ネットワークの学習を行うこともできます。ツールボックスでは、エンジニアリング、財務、およびその他の実際的なアプリケーションを構築する (またはこれらのアプリケーションで使用される) ニューラル ネットワーク パラダイムの使用に重点を置いています。
以下のトピックでは、浅層ニューラル ネットワークの学習を対話的に行い、関数近似、パターン認識、クラスタリング、および時系列の問題を解く方法を説明します。これらのツールを使用すると、Deep Learning Toolbox™ ソフトウェアの使用の概要が得られます。
メモ
深層学習ニューラル ネットワークの構築、可視化、および学習を対話的に行うには、ディープ ネットワーク デザイナー アプリを使用します。詳細については、ディープ ネットワーク デザイナー入門を参照してください。
Deep Learning Toolbox の浅層ネットワークのアプリおよび関数
Deep Learning Toolbox ソフトウェアは、4 つの方法で使用できます。
1 つ目の方法は、ツールの使用です。これらのツールは、ツールボックスの機能にアクセスして次のタスクを行うのに便利です。
ツールボックスを使用する 2 つ目の方法は、基本的なコマンド ライン操作の使用です。コマンド ライン操作を使用すると、ツールを使用する場合より柔軟性が高まりますが、複雑度も増します。ツールボックスがはじめての場合は、ツールを使用することをお勧めします。さらに、ツールは、ドキュメント化されている MATLAB® コードのスクリプトを生成し、ユーザー独自のカスタマイズされたコマンド ライン関数を作成するためのテンプレートを提供します。まずツールを使用して、次に MATLAB スクリプトの生成と変更を行うプロセスは、ツールボックスの機能について学ぶのに最適な方法です。
ツールボックスを使用する 3 つ目の方法は、カスタマイズです。この高度な機能を使用すると、ユーザー独自のカスタム ニューラル ネットワークを作成しながら、ツールボックスのすべての機能にアクセスできます。任意の結合を持つネットワークを作成したり、(ネットワーク コンポーネントが微分可能である限り) 既存のツールボックスの学習関数を使用してそのネットワークの学習を行ったりすることができます。
ツールボックスを使用する 4 つ目の方法は、ツールボックスに含まれる任意の関数を変更する機能の使用です。すべての計算成分は MATLAB コードで記述されており、完全にアクセス可能になっています。
このようにツールボックスを 4 つのレベルに分けて使用することで、初級ユーザーからエキスパートにまで対応できます。新しいユーザーはシンプルなツールを使用することで特定のアプリケーションの概要を把握することができ、研究者はネットワークをカスタマイズすることで最小限の労力で新しいアーキテクチャを試すことができます。ニューラル ネットワークと MATLAB に関する知識のレベルに関係なく、ニーズに適したツールボックス機能が用意されています。
スクリプトの自動生成
ツール自体が、Deep Learning Toolbox ソフトウェアの学習プロセスの重要な部分を占めます。ニューラル ネットワークについての経験や、MATLAB の使用に関する高度な知識を必要とすることなく、4 つの重要な応用分野の問題を解くためのニューラル ネットワークを設計するプロセスが示されます。さらに、ツールを使用すると、MATLAB の単純なスクリプトと高度なスクリプトの両方を自動的に生成できます。これらのスクリプトを使用して、ツールによって実行されるステップを再現できるだけでなく、既定の設定をオーバーライドすることもできます。これらのスクリプトには、カスタマイズされたコードを作成するためのテンプレートが用意されています。また、ツールボックスのコマンド ライン機能の理解にも役立ちます。これらのツールのスクリプト自動生成機能を使用することを強く推奨します。
Deep Learning Toolbox の用途
ニューラル ネットワークによって優れた解決策が得られるすべての応用分野を網羅することはできません。このトピックの残りの節では、関数近似、パターン認識、クラスタリング、および時系列解析に関するいくつかの応用に絞って説明します。次の表に、ニューラル ネットワークによって最先端の解決策が得られるさまざまな応用分野を示します。
業種 | ビジネスへの応用分野 |
---|---|
航空宇宙 | 高性能航空機の自動操縦、飛行経路シミュレーション、航空機制御システム、自動操縦の機能強化、航空機コンポーネントのシミュレーション、航空機コンポーネントの故障検出 |
自動車 | 自動車の自動誘導システム、保証アクティビティ分析 |
銀行 | 小切手および他のドキュメントの読み取り、与信取引申請書の評価 |
防衛 | 武器の操縦、目標追跡、物体識別、顔認識、新種のセンサー、ソナー、レーダー、イメージ信号処理 (データ圧縮、特徴抽出、ノイズ抑制を含む)、信号識別やイメージ識別 |
電子機器 | 符号シーケンスの予測、集積回路チップのレイアウト、プロセス制御、チップの故障解析、マシン ビジョン、音声合成、非線形モデリング |
エンターテインメント | アニメーション、特殊効果、市場予測 |
金融 | 不動産鑑定、ローン相談、住宅ローン審査、社債格付け、信用限度額の利用分析、クレジット カードのアクティビティ追跡、ポートフォリオ取引プログラム、企業財務分析、通貨価格予測 |
工業 | 工業プロセス (炉の排出ガスなど) の予測、過去にこの目的で使用された複雑でコストの高い装置の交換 |
保険 | 保険契約申請書の評価および商品の最適化 |
製造 | 製造プロセス制御、製品の設計および解析、プロセスおよび機械の診断、リアルタイムの粒子識別、外観品質検査システム、ビールの検査、溶接の品質解析、紙の品質予測、コンピューター チップの品質解析、研削作業の解析、化学製品の設計解析、機械メンテナンス解析、プロジェクト入札、計画および管理、化学プロセス システムの動的なモデル化 |
医療 | 乳癌細胞の解析、EEG および ECG 解析、人工器官の設計、移植タイミングの最適化、入院費の削減、病院の品質改善、緊急救命室の検査に関する助言 |
石油およびガス | 探査 |
ロボティクス | 軌道制御、フォークリフト ロボット、マニピュレーター コントローラー、ビジョン システム |
証券 | 市場分析、自動債券格付け、株式取引助言システム |
音声 | 音声認識、音声圧縮、母音分類、テキスト音声合成 |
電気通信 | イメージおよびデータの圧縮、自動情報サービス、話し言葉のリアルタイム翻訳、顧客支払い処理システム |
輸送 | トラックのブレーキ診断システム、車両スケジューリング、経路選択システム |
浅層ニューラル ネットワークの設計手順
このトピックの残りの節では、ニューラル ネットワークの標準的な設計手順に従って、関数近似、パターン認識、クラスタリング、および時系列解析の 4 つの応用分野の問題を解きます。これらの問題のワークフローはすべて、7 つの主要ステップで構成されます (データ収集はステップ 1 で行います。重要なステップですが、通常、MATLAB 環境の外で実施されます)。
データの収集
ネットワークの作成
ネットワークの構成
重みとバイアスの初期化
ネットワークの学習
ネットワークの検証
ネットワークの利用
以下の節では、GUI ツールとコマンド ライン操作の両方を使用して、これらの手順を実行します。
参考
ニューラル ネット フィッティング | ニューラル ネット時系列 | ニューラル ネット パターン認識 | ニューラル ネット クラスタリング | ディープ ネットワーク デザイナー | trainlm
| fitnet