論文

This paper presents a new type of recurrent neural network (RNN) and its learning algorithm for nonlinear dynamics, called "Velocity-Error Backpropagation (VEBP)." In VEBP, learning is performed in two steps: (a) The velocity vector field of reference trajectories is approximated by a feedforward neural network (NN) with biconnection layers by backpropagating the velocity errors directly. (b) The RNN is constructed by adding integrators and output feedback loops to the trained feedforward NN. VEBP has some advantages over "backpropagation through time (BPTT)," the conventional learning method for RNNs. The effectiveness of the presented RNN and its learning algorithm is demonstrated by simulation results for some examples of nonlinear dynamics.

就労者一生の貯蓄動向を、効用を最大化するような消費活動を求める最適化問題として定式化し、様々な経済環境のパラメータのもとでの最適消費行動を、最適化手法を用いて導いた。

サッケード眼球運動を生成する脳神経回路モデルとして上丘モデルを提案し、所望のサッケードを実現するニューロン間結合係数の獲得法を提案している。特に、結合係数獲得学習アルゴリズムは、変分法に基づく勾配法とその初期状態を進化させる遺伝アルゴリズムを用いたハイブリッド型アルゴリズムである。

すでに提案した「連動式状態遷移ニューラルネットワーク」を巡回セールスマン問題に用いた場合、在来の実用的組合せ解法であるk-Opt法の順路付け替え作業を実現する演算器であることを示し、シミュレーションにより、k-Opt法と同等な効率性を確認した。

最小化関数値の一定範囲内の悪化の状態遷移ならば、確定的に受理する動作を実現するために、ニューロン素子にヒステリシス特性を持つニューラルネットワークを提案し、状態遷移安定化のために、この特性を弱める徐冷操作の最適スケジュールを獲得するのに遺伝アルゴリズムを適用した。

２目的最適化問題の非劣解集合内から、社会効用関数によって社会選択を行うための合意形成手法として、単純多数決制と数理計画を組み合わせたCSCWのための計算手法を開発している。

複数のニューロンを同時かつ協調的に発火させ、それらが取りうるすべての組合せ状態、つまり多次元的広がりのある複数の状態の中から、最良な状態を選別して状態遷移する遷移則と、そのためのネットワーク素子として、多入力多出力ニューロンを提案した。