JPH08249300A - ニューラルネットワーク及びその作成方法 - Google Patents

Abstract

(57)【要約】 【目的】入力信号として特徴量を与える必要がなく、判
別対象となる入力信号をそのまま入力することのできる
ニューラルネットワークを提供することを目的とする。 【構成】少なくとも１つの中間層のニューロン数が入力
層のニューロン数よりも小さく且つ入力層と出力層のニ
ューロン数が互いに同一であり、各入力層への入力値と
各入力層に対応する各出力層からの出力値とが等しくな
るように学習済の第１のニューラルネットワークのうち
の入力層から中間層までで構成される特徴抽出用ネット
ワーク１２ａと、特徴抽出用ネットワーク１２ａからの
出力が入力されるように結合された第２のニューラルネ
ットワーク１２ｂと、からなる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ニューラルネットワー
ク及びその作成方法に関する。

【０００２】

【従来の技術】ニューラルネットワークは、多くの実例
を学習させることによって情報処理を行うことが可能で
あり、しかも複雑な情報処理を高速で行うことができる
ので、画像認識、音声認識、音声合成、自動翻訳などの
分野において種々の利用が試みられている。その利用の
一例として、画像における領域属性判別がある。

【０００３】すなわち、例えば複写機においては、原稿
の画像を読み取って得られた多値の画像データに対し
て、画像品質の向上を図るために種々の画像処理が行わ
れる。その場合の画像処理は、画像の種類に応じて行わ
れる。例えば、文字画像に対しては文字を明瞭にするた
めにエッジ強調処理や２値化処理が行われ、写真画像に
対しては階調性を重視した処理が行われ、網点画像に対
してはモアレ防止のために平滑化処理が行われる。

【０００４】複写原稿には、文字画像、写真画像、網点
画像などが混在している場合がある。その場合には、原
稿画像をそれぞれの領域に分割する必要がある。領域分
割に当たっては、原稿画像から小領域であるブロック領
域を抽出し、抽出したブロック領域についてその属性を
判別することが行われる。

【０００５】特開平４−１１４５６０号公報には、原稿
画像から６４×６４画素のブロック領域に対応する画像
データを抽出し、抽出した画像データに基づいてヒスト
グラム特徴量及び線密度特徴量を抽出し、これをニュー
ラルネットワークに入力して属性を判別することが提案
されている。

【０００６】また、井上らの報告書「ニューラルネット
ワークを利用した画像領域の分離方式」（日本シミュレ
ーション学会第１３回シミュレーション・テクノロジー
・コンファレンス、１９９４年６月）には、８×８画素
の小領域における平均輝度及び最大濃度差を特徴量とし
て抽出し、これをニューラルネットワークに入力して属
性を判別することが提案されている。

【０００７】

【発明が解決しようとする課題】しかし、従来において
は、ニューラルネットワークとして、入力層、中間層、
及び出力層からなる３層のパーセプトロン、又はその改
良型が用いられている。また、ニューラルネットワーク
に与える入力信号として、ブロック領域の画像データか
ら抽出された種々の特徴量が用いられている。

【０００８】したがって、従来においては、ニューラル
ネットワークに入力信号を与えるに当たり、ニューラル
ネットワークによる判別が正確に行えるように物理的な
意味を持った特徴量を予め抽出しておく必要があるの
で、そのような特徴量を何にするかを慎重に吟味して決
定しておかなければならない。そのような回路又はプロ
グラムは複雑であり、その作成に多くの時間と労力を要
するので、全体の回路規模、処理速度、柔軟性、コスト
などの点で限界があった。

【０００９】一般的に言っても、ニューラルネットワー
クを新規な分野に利用する場合においては、ニューラル
ネットワークによる判別のために何を特徴量として入力
すればよいかが明確でない場合が多い。そのような場合
には、特徴量を抽出する回路又はプログラムの作成に多
くの時間を費やし、しかもニューラルネットワークによ
る正確な判別結果が得られないことも予想される。

【００１０】本発明は、上述の問題に鑑みてなされたも
ので、入力信号として特徴量を与える必要がなく、判別
対象となる入力信号をそのまま入力することのできるニ
ューラルネットワークの作成方法及びニューラルネット
ワークを提供することを目的とする。

【００１１】

【課題を解決するための手段】請求項１の発明に係るニ
ューラルネットワークは、少なくとも１つの中間層のニ
ューロン数が入力層のニューロン数よりも小さく且つ入
力層と出力層のニューロン数が互いに同一であり、各入
力層への入力値と前記各入力層に対応する各出力層から
の出力値とが等しくなるように学習済の第１のニューラ
ルネットワークのうちの前記入力層から前記中間層まで
で構成される特徴抽出用ネットワークと、前記特徴抽出
用ネットワークからの出力が入力されるように結合され
た第２のニューラルネットワークと、からなる。

【００１２】請求項２の発明に係る方法は、少なくとも
１つの中間層のニューロン数が入力層のニューロン数よ
りも小さく且つ入力層と出力層のニューロン数が互いに
同一の第１のニューラルネットワークに対して、ある分
布的特徴を有した入力信号を前記入力層に入力し、各入
力層への入力値と前記各入力層に対応する各出力層から
の出力値とが等しくなるように学習させ、学習済の前記
第１のニューラルネットワークのうちの前記入力層から
前記中間層までを特徴抽出用ネットワークとし、前記特
徴抽出用ネットワークからの出力を、第２のニューラル
ネットワークの入力層に入力するように結合し、前記特
徴抽出用ネットワークの入力層に、前記入力信号と同じ
分布的特徴を有する入力信号を入力し、前記特徴抽出用
ネットワークの結合係数を変更することなく前記第２の
ニューラルネットワークを学習させる。

【００１３】

【作用】特徴抽出用ネットワークによって、入力される
データの特徴量が抽出される。この場合の特徴量は、物
理的に明確な意味を持った特徴量ではない。例えば、分
布的特徴を有する入力信号として、文字画像又は写真画
像などの画像データを入力した場合は、「文字画像らし
さ」「写真画像らしさ」などといった画像の性質を表す
ようなものである。

【００１４】第２のニューラルネットワークからは、学
習によって、特徴抽出用ネットワークにより抽出される
特徴量に対応した出力が得られる。ニューラルネットワ
ークによって、学習の内容に応じて、画像認識、音声認
識、音声合成、自動翻訳などの種々の情報処理が行われ
る。

【００１５】

【実施例】図１は本発明に係るニューラルネットワーク
１２を有した属性判別装置１の構成を示すブロック図、
図２は原稿ＰＰから抽出されるブロック領域ＢＡを説明
する図、図３はニューラルネットワーク１２の構成を示
す図、図４は特徴抽出用ネットワーク１２ａの作成過程
を示す図、図５は砂時計型のニューラルネットワークＮ
ＮＡの例を示す図、図６は領域判別用ネットワーク１２
ｂの例を示す図、図７はニューラルネットワーク１２の
作成方法を示すフローチャートである。

【００１６】属性判別装置１は、例えば図示しないデジ
タル式の複写機に組み込まれている。複写機のイメージ
リーダ部が原稿台にセットされた原稿ＰＰを読み取るこ
とによって、原稿ＰＰの画像（原画像）ＰＭについての
多値の画像データＤＭが得られる。イメージリーダ部
は、読み取り密度が例えば４００ｄｐｉのラインセンサ
を備えており、原稿ＰＰを縦方向（副走査方向）に走査
することによって、例えば２５６階調の画像データＤＭ
を得る。属性判別装置１は、得られた画像データＤＭに
基づいて、原画像ＰＭに含まれる小領域であるブロック
領域ＢＡについての属性ＡＴを判別する。

【００１７】図１に示すように、属性判別装置１は、ブ
ロック領域抽出部１１、及びニューラルネットワーク１
２から構成されている。ブロック領域抽出部１１は、入
力された画像データＤＭに対して、ブロック領域ＢＡに
対応する画像データＤＭａを抽出する。ブロック領域Ｂ
Ａは、例えば８×８画素の正方形の領域であり、原画像
ＰＭに対して各ブロック領域ＢＡが互いに重ならないよ
うに割り当てられている。ブロック領域抽出部１１に
は、原画像ＰＭの画像データＤＭが１ライン毎又は複数
ライン毎に入力されるので、例えば入力された画像デー
タＤＭを画素のアドレスに応じて適当なメモリに格納す
ることによって、ブロック領域ＢＡに対応した画像デー
タＤＭａを抽出することができる。

【００１８】ニューラルネットワーク１２は、ブロック
領域抽出部１１からブロック領域ＢＡ毎に出力される６
４個の画像データＤＭａに基づいて、各ブロック領域Ｂ
Ａの属性ＡＴが文字領域、写真平坦領域、写真エッジ領
域、又は網点領域であるか否かについての判別結果を出
力する。ニューラルネットワーク１２は、特徴抽出用ネ
ットワーク１２ａ、及び第２のニューラルネットワーク
としての領域判別用ネットワーク１２ｂからなってい
る。

【００１９】次に、ニューラルネットワーク１２の作成
方法について図７を参照して説明する。まず、特徴抽出
用ネットワーク１２ａの作成方法について説明する。す
なわち、図４に示すように、第１のニューラルネットワ
ークとしての４個のニューラルネットワークＮＮＡ（Ｎ
ＮＡ１〜４）を準備する（ステップ＃１）。図５に示す
ように、各ニューラルネットワークＮＮＡは、砂時計型
の５層のものであり、第１層（入力層）から第５層（出
力層）までの各ニューロン数が、６４，６０，１０，６
０，６４である。つまり、ニューラルネットワークＮＮ
Ａは、第３層（中間層）のニューロン数が入力層のニュ
ーロン数よりも小さく、入力層と出力層のニューロン数
が互いに同一であり、第３層を中心として左右対称形で
ある。

【００２０】また、各ニューラルネットワークＮＮＡに
おいて、入力層Ｓ、中間層（第３層）Ａｂ、及び出力層
Ｒの応答関数はリニア関数であり、中間層（第２層）Ａ
ａ及び中間層（第４層）Ａｃの応答関数はシグモイド関
数である。第１層から第３層までの部分がネットワーク
Ａ１〜４であり、第４層及び第５層の部分がネットワー
クＢ１〜４である。

【００２１】これらの各ニューラルネットワークＮＮＡ
に対し、それぞれ特定の分布的特徴を有した入力信号を
入力層に入力してその恒等写像を学習させる（ステップ
＃２）。

【００２２】すなわち、１つ目のニューラルネットワー
クＮＮＡ１には、入力層Ｓに学習用の文字画像を入力
し、入力した文字画像と同じ画像（復元文字画像）を出
力層Ｒから出力するように学習させる。その場合には、
各入力層への入力値と各入力層に対応する各出力層から
の出力値とが等しくなる。

【００２３】２つ目のニューラルネットワークＮＮＡ２
には、入力層Ｓに学習用の写真平坦画像を入力し、入力
した写真平坦画像と同じ画像（復元写真平坦画像）を出
力層Ｒから出力するように学習させる。

【００２４】３つ目のニューラルネットワークＮＮＡ３
には、入力層Ｓに学習用の写真エッジ画像を入力し、入
力した写真エッジ画像と同じ画像（復元写真エッジ画
像）を出力層Ｒから出力するように学習させる。

【００２５】４つ目のニューラルネットワークＮＮＡ４
には、入力層Ｓに学習用の網点画像を入力し、入力した
網点画像と同じ画像（復元網点画像）を出力層Ｒから出
力するように学習させる。

【００２６】ニューラルネットワークＮＮＡの学習は、
周知の技術であるバックプロパゲーション法による。学
習においては、文字画像、写真平坦画像、写真エッジ画
像、及び網点画像の各サンプルを多数作成し、それらの
各サンプルから得られた８×８画素についての画像デー
タを、サンプルデータとして入力層Ｓに入力する。各ニ
ューラルネットワークＮＮＡについて、サンプル全体に
対する平均二乗誤差が小さくなるように学習を行う。

【００２７】各ニューラルネットワークＮＮＡは、学習
することによって、それぞれの中間層Ａｂに「文字画像
らしさ」「写真平坦画像らしさ」「写真エッジ画像らし
さ」「網点画像らしさ」といった各画像の性質を表すよ
うな特徴量が取得される。つまり、ニューラルネットワ
ークＮＮＡの学習によって、各画像の特徴量が取得され
る。但し、この場合の特徴量は、物理的に明確な意味を
持った特徴量ではない。各中間層Ａｂは各入力層Ｓより
もニューロン数が小さく、したがって中間層Ａｂには、
入力層Ｓに入力された情報の特徴が圧縮され又は集約さ
れて現れていると考えることができる。なお、ニューラ
ルネットワークの中間層における特徴量の取得に関して
は、入江らの報告書「多層パーセプトロンによる内部表
現の獲得」（電子情報通信学会文誌 Ｖｏｌ．Ｊ７３−
Ｄ−II、Ｎｏ．８、Ｐ１１７３〜８、１９９０年８月）
を参照することができる。

【００２８】学習済のニューラルネットワークＮＮＡ１
〜４の各第１層から第３層までの部分（ネットワークＡ
１〜４）を取り出したものが、特徴抽出用ネットワーク
１２ａである（ステップ＃３）。特徴抽出用ネットワー
ク１２ａは、各ネットワークＡ１〜４の入力層Ｓ同士は
並列に接続され、６４（＝８×８）個の画像データが各
ネットワークＡ１〜４に同時に入力される。ネットワー
クＡ１〜４における出力層からは、４０（＝１０×４）
個のデータが出力される。

【００２９】図６に示すように、領域判別用ネットワー
ク１２ｂは３層のものであり、入力層Ｓ、中間層Ａ、出
力層Ｒの各ニューロン数は、４０，４０，４である。入
力層Ｓの応答関数はリニア関数であり、中間層Ａ及び出
力層Ｒの応答関数はシグモイド関数である。領域判別用
ネットワーク１２ｂの入力層Ｓに、特徴抽出用ネットワ
ーク１２ａの出力層を接続する（ステップ＃４）。

【００３０】上述のように構成されたニューラルネット
ワーク１２に対して、ニューラルネットワークＮＮＡを
学習させたのと同じ分布的特徴を有する入力信号を入力
し、特徴抽出用ネットワーク１２ａの結合係数を変更す
ることなく、領域判別用ネットワーク１２ｂを学習させ
る（ステップ＃５）。

【００３１】すなわち、ニューラルネットワーク１２に
対して、まず学習用の文字画像を入力し、領域判別用ネ
ットワーク１２ｂの出力層Ｒのニューロンｒ１の出力が
「１」となるように学習させる。次に、学習用の写真平
坦画像を入力し、領域判別用ネットワーク１２ｂのニュ
ーロンｒ２の出力が「１」となるように学習させる。さ
らに、学習用の写真エッジ画像及び網点画像を順次入力
し、領域判別用ネットワーク１２ｂのニューロンｒ３，
４の出力が「１」となるようにそれぞれ学習させる。こ
の学習過程において、領域判別用ネットワーク１２ｂの
結合係数が変化する。なお、ニューラルネットワークＮ
ＮＡの学習は、周知の技術であるバックプロパゲーショ
ン法による。学習に用いられるサンプルは、ニューラル
ネットワークＮＮＡの学習において用いたサンプルと同
一のものでもよく又は異なるものでもよい。文字画像、
写真平坦画像、写真エッジ画像、及び網点画像のそれぞ
れについて、平均二乗誤差が小さくなるように学習を行
う。

【００３２】このようにしてニューラルネットワーク１
２が作成される。作成されたニューラルネットワーク１
２に画像データＤＭａが入力されると、出力層Ｒの４個
のニューロンｒ１〜４からは、それぞれ、文字領域、写
真平坦領域、写真エッジ領域、網点領域に対応する出力
Ｓ１〜４が得られる。つまり、ニューラルネットワーク
１２は、ネットワークＡ１〜４の入力層Ｓに入力された
データに基づいてブロック領域ＢＡの属性ＡＴを判別
し、それが文字領域である場合にはニューロンｒ１の出
力Ｓ１が「１」に近くなり、写真平坦領域である場合に
はニューロンｒ２の出力Ｓ２が「１」に近くなり、写真
エッジ領域である場合にはニューロンｒ３の出力Ｓ３が
「１」に近くなり、網点領域である場合にはニューロン
ｒ４の出力Ｓ４が「１」に近くなる。

【００３３】ニューラルネットワーク１２からの出力Ｓ
１〜４に基づいて、当該ブロック領域ＢＡの属性ＡＴが
決定される。例えば、ある１つの出力が「１」である場
合にその出力に対応する領域であると決定する。又は、
ある閾値を越える１つの出力があったときにその出力に
対応する領域であると決定する。又は、最も大きい出力
に対応する領域をその領域と決定する。

【００３４】また、このようにして決定された各ブロッ
ク領域ＢＡの属性ＡＴに基づいて、モルフォロジーなど
による平滑化を行い、これによってブロック領域ＢＡ毎
の判別結果を補正し、各領域を大きくして誤判別の低減
を行う。これによって、原画像ＰＭは、文字領域、写真
平坦領域、写真エッジ領域、網点領域の４つの領域に分
割される。

【００３５】文字領域に対しては、例えばハイパスフィ
ルタ処理、２値化処理が行われ、写真平坦領域及び写真
エッジ画像に対しては自然な階調性を得るための処理又
は特定の階調を強調する処理が行われ、網点領域に対し
てはモアレ防止のために平滑化処理が行われる。

【００３６】なお、写真画像とは、銀塩写真のように、
原画像ＰＭの読み取り密度に対して充分に画素密度の大
きい濃淡画像のことであり、写真平坦画像はそのうちの
濃度変化の少ない部分、写真エッジ画像はそのうちの濃
度変化の大きい部分である。写真平坦画像は、文字画像
の白地部分と区別される。例えば、文字画像の白地部分
については白化処理が行われるに対し、写真平坦画像に
ついては階調性を生かした処理が行われる。また、網点
画像は、網点が細かくなるにしたがって写真画像との差
異が少なくなる。例えば、原画像ＰＭの読み取り密度が
４００ｄｐｉである場合には、網点の密度が２００線／
インチになると、読み取った画像データＤＭは写真画像
の場合と異ならない。したがって、その場合には、２０
０線／インチ以上の網点画像は写真画像に含めてもよ
い。

【００３７】上述の実施例によると、ニューラルネット
ワーク１２に対して、画像データＤＭから抽出した６４
個の生の画像データＤＭａをそのまま入力することによ
り、そのブロック領域ＢＡの属性ＡＴを判別することが
できる。つまり、ニューラルネットワーク１２への入力
信号として特徴量を与える必要がなく、判別対象となる
入力信号をそのまま入力することができるので、ニュー
ラルネットワーク１２への入力が容易である。

【００３８】したがって、従来のように物理的な意味を
持った特徴量を予め抽出しておく必要がなく、そのため
の回路又はプログラムなどが不要であり、回路構成、処
理速度、柔軟性、コストなどの点で有利である。

【００３９】上述の実施例によると、属性ＡＴの判別に
ニューラルネットワーク１２を用いているので、ニュー
ラルネットワーク１２の学習効果によって簡単に属性Ａ
Ｔの判別が行われ、確実な属性ＡＴの判別が行われる。

【００４０】ニューラルネットワーク１２を学習させた
後では、入力されるデータと学習によって得られた結合
係数との積和演算、及び応答関数を表したテーブルの検
索などによって判別のための処理を行うことが可能であ
るので、演算の処理速度の向上を図ることができる。特
に、各ネットワークＡ１〜４の結合係数は変化しないの
で、ニューラルネットワークＮＮＡの学習によって得ら
れた結合係数のみを転用することによって容易に特徴抽
出用ネットワーク１２ａを構成することができ、しかも
演算処理を単純化することができるので演算速度が速
い。

【００４１】したがって、属性判別装置１を用いた複写
機では、原稿ＰＰの領域分割を正確に行うことができ、
原稿ＰＰから得られた画像データＤＭに対し、その領域
に応じた適切な処理をリアルタイムで行なって明瞭な複
写画像を出力することができる。

【００４２】上述の実施例においては、８×８画素の正
方形の領域をブロック領域ＢＡとしたが、４×４画素、
３×３画素、１６×１６画素、６４×６４画素など、種
々のサイズの領域をブロック領域ＢＡとしてよい。正方
形でなくてもよい。また、原画像ＰＭに対して各ブロッ
ク領域が重ならないように割り当てたが、ブロック領域
が重なるように順次ずらせて割り当ててもよい。

【００４３】すなわち、図８（Ａ）に示すように、原画
像ＰＭについて、属性を判別すべき１個の画素ＰＸａに
対して、その周辺の８×８画素分のブロック領域ＢＡａ
の画像データを画素ＰＸａに対応する画像データＤＭａ
として抽出するとともに、ブロック領域ＢＡａを１画素
分ずつ順次ずらせるようにすることが可能である。

【００４４】また、図８（Ｂ）に示すように、属性を判
別すべき４（＝２×２）個の画素ＰＸｂに対して、その
周辺の８×８画素分のブロック領域ＢＡｂの画像データ
を画素ＰＸｂに対応する画像データＤＭａとして抽出す
るとともに、ブロック領域ＢＡｂを２画素分ずつずらせ
るようにすることが可能である。

【００４５】上述の実施例においては、文字領域、写真
平坦領域、写真エッジ領域、網点領域の４種類の属性判
別を行ったが、３種類以下又は５種類以上の属性判別を
行うように構成してもよい。例えば、文字領域を、文字
自体が描かれている黒地の文字画像領域と文字の周辺で
ある白地の文字背景領域との２つに分けて判別し、合計
５種類の領域の属性判別を行うようにしてもよい。

【００４６】上述の実施例において、ブロック領域抽出
部１１は、プログラム及びデータが格納されたメモリと
プログラムを実行するＣＰＵによってソフト的に実現さ
れている。また、ニューラルネットワーク１２は、コン
ピュータによるシミュレータによって実現されている。
したがって、上述したように、ニューラルネットワーク
１２は、学習済の結合係数と応答関数を表したテーブ
ル、及びそれらを演算及び検索するためのプログラムか
ら実現することが可能である。このような態様も本発明
のニューラルネットワークに含まれる。また、ニューラ
ルネットワークをハードウエアで直接実現してもよい。

【００４７】上述の実施例において、ニューラルネット
ワークＮＮＡとして５層のものを用いたが、４層以下又
は６層以上のものでもよい。４個のネットワークＡ１〜
４を用いたが、３個以下又は５個以上でもよい。領域判
別用ネットワーク１２ｂとして３層のものを用いたが、
４層、５層、又はそれ以上のものでもよい。全部のネッ
トワークＡ１〜４に対して１つの領域判別用ネットワー
ク１２ｂを結合したが、各ネットワークＡ１〜４に対応
してそれぞれ別個の領域判別用ネットワークを結合して
もよい。各層のニューロン数、結合係数の有無、応答関
数の種類、学習方法などは、上述した以外に種々変更す
ることができる。その他、属性判別装置１の各部又は全
体の構成、処理内容、処理順序などは、本発明の主旨に
沿って適宜変更することができる。

【００４８】本発明は、領域以外の種々の属性ＡＴの判
別に適用可能である。また、その他の画像認識、音声認
識、音声合成、自動翻訳などの種々の情報処理に適用可
能である。そのような場合においても、特徴量の抽出自
体がニューラルネットワーク１２により行われるので、
何を特徴量とすべきかを考える必要がなく、特徴量を抽
出するための回路又はプログラムを作成する必要がな
い。しかも、ニューラルネットワークＮＮＡを学習させ
ることによって特徴抽出用ネットワーク１２ａが作成さ
れるので、ニューラルネットワーク１２の作成が容易で
ある。

【００４９】

【発明の効果】本発明によると、入力信号として特徴量
を与える必要がなく、判別対象となる入力信号をそのま
ま入力することのできるニューラルネットワークを得る
ことができる。

【００５０】また、ニューラルネットワークを学習させ
た後では、入力されるデータと学習によって得られた結
合係数との積和演算、及び応答関数を表したテーブルの
検索などによって情報処理を行うことができるので、演
算の処理速度の向上を図ることができる。

【００５１】また、特徴抽出用ネットワークの結合係数
は、学習済の第１のニューラルネットワークの結合係数
をそのまま転用することが可能であるので、特徴抽出用
ネットワークを容易に構成することができ、しかも演算
処理を単純化することができるので演算速度の向上を図
ることができる。

【図面の簡単な説明】

【図１】本発明に係るニューラルネットワークを有した
属性判別装置の構成を示すブロック図である。

【図２】原稿から抽出されるブロック領域を説明する図
である。

【図３】ニューラルネットワークの構成を示す図であ
る。

【図４】特徴抽出用ネットワークの作成過程を示す図で
ある。

【図５】砂時計型のニューラルネットワークの例を示す
図である。

【図６】領域判別用ネットワークの例を示す図である。

【図７】ニューラルネットワークの作成方法を示すフロ
ーチャートである。

【図８】ブロック領域の割り当て方法の他の例を説明す
るための図である。

【符号の説明】

ＮＮＡ ニューラルネットワーク（第１のニューラルネ
ットワーク） １２ｂ 領域判別用ネットワーク（第２のニューラルネ
ットワーク） １２ａ 特徴抽出用ネットワーク １２ ニューラルネットワーク

───────────────────────────────────────────────────── フロントページの続き (72)発明者 伊藤 哲也 大阪府大阪市中央区安土町二丁目３番13号 大阪国際ビル ミノルタ株式会社内 (72)発明者 新阜 真 大阪府大阪市中央区安土町二丁目３番13号 大阪国際ビル ミノルタ株式会社内

Claims (2)

【特許請求の範囲】
1. 【請求項１】少なくとも１つの中間層のニューロン数が
   入力層のニューロン数よりも小さく且つ入力層と出力層
   のニューロン数が互いに同一であり、各入力層への入力
   値と前記各入力層に対応する各出力層からの出力値とが
   等しくなるように学習済の第１のニューラルネットワー
   クのうちの前記入力層から前記中間層までで構成される
   特徴抽出用ネットワークと、 前記特徴抽出用ネットワークからの出力が入力されるよ
   うに結合された第２のニューラルネットワークと、 からなることを特徴とするニューラルネットワーク。
2. 【請求項２】少なくとも１つの中間層のニューロン数が
   入力層のニューロン数よりも小さく且つ入力層と出力層
   のニューロン数が互いに同一の第１のニューラルネット
   ワークに対して、ある分布的特徴を有した入力信号を前
   記入力層に入力し、各入力層への入力値と前記各入力層
   に対応する各出力層からの出力値とが等しくなるように
   学習させ、 学習済の前記第１のニューラルネットワークのうちの前
   記入力層から前記中間層までを特徴抽出用ネットワーク
   とし、 前記特徴抽出用ネットワークからの出力を、第２のニュ
   ーラルネットワークの入力層に入力するように結合し、 前記特徴抽出用ネットワークの入力層に、前記入力信号
   と同じ分布的特徴を有する入力信号を入力し、前記特徴
   抽出用ネットワークの結合係数を変更することなく前記
   第２のニューラルネットワークを学習させる、 ことを特徴とするニューラルネットワークの作成方法。