徳島大学 教育・研究者情報データベース(EDB)

1. 芥川 正武([徳島大学.大学院社会産業理工学研究部.理工学域.電気電子系.電気電子システム分野]/[徳島大学.理工学部.理工学科.電気電子システムコース.電気電子システム講座])

   役割	任意
   貢献度	任意
   学籍番号	推奨

2. (英) Kinouchi, Takahiro / (日) 木内 敬浩 / (読) きのうち たかひろ

   役割	任意
   貢献度	任意
   学籍番号	推奨	****

3. 榎本 崇宏([徳島大学.大学院社会産業理工学研究部.理工学域.電気電子系.電気電子システム分野]/[徳島大学.理工学部.理工学科.電気電子システムコース.電気電子システム講座])

   役割	任意
   貢献度	任意
   学籍番号	推奨

4. 長篠 博文

   役割	任意
   貢献度	任意
   学籍番号	推奨

5. 小中 信典

   役割	任意
   貢献度	任意
   学籍番号	推奨

6. 木内 陽介

   役割	任意
   貢献度	任意
   学籍番号	推奨

(英) Analysis of a Chaotic Time Series Using Connection Weight Vectors of Neural Networks

(日) ニューラルネットワークの結合荷重ベクトルを用いたカオス時系列の解析 (MEとバイオサイバネティックス)

(英) A method to analyze a time series to quantify change of internal state of a non-linear system is introduced. A multi-layered neural network is trained to embed a model of the system from given time series. The state is considered to be embedded as a connection weight vector in the neural network. The change of the state is able to be quantified from the connection weight vectors. Generally, the sensitivity of the measure becomes lower because the dimension of the connection weight is high. To avoid this concentration of the measure phenomenon, dimension of the connection weight vector is compressed by the principal component analysis. As result of them, we confirmed applicability of the proposed method for the Ikeda map, which generates chaotic time series.

(日) 生体のような非線形システムから得られる時系列信号からシステムの状態変化を指標化する手法として，多層ニューラルネットワークを用いた方法について検討した．本手法ではシステムの状態を多層ニューラルネットワークの結合荷重のとして埋め込み，その変化がシステムの状態変化を反映しているとして数値化する．結合荷重ベクトルは高次元となるため，測度の集中現象によりベクトル間の距離などの感度が低下する．そこで結合荷重ベクトルを主成分分析により次元圧縮した後に比較を行った．非線形システムの例としてカオス時系列を生成する池田写像を用いて，パラメータの変化を提案法で検出できるかについて検討した．その結果，パラメータの変化を検出することができることを確認した．

1. (英) time series analysis / (日) 時系列解析 / (読) じけいれつかいせき
2. ニューラルネットワーク(neural network)
3. (英) FNN
4. (英) PCA / (日) 主成分分析 / (読) しゅせいぶんぶんせき
5. (英) Ikeda map / (日) 池田写像 / (読) いけだしゃぞう