電子情報通信学会 - IEICE会誌 試し読みサイト
© Copyright IEICE. All rights reserved.
|
abstract
自己組織化マップ(SOM: Self-Organizing Map)は,ディープラーニングニューラルネットワーク(DLNN)と同様に,脳の神経回路網をモデルとするAIの手法である.SOMは,「教師なし学習」「学習結果の可視化」といったDLNNにはない特徴を有する.また,SOMもDLNNと同様,学習に多くの計算時間を必要とする.本稿では,はじめにSOMの基礎事項を解説する.そして,FPGAによるSOM専用ハードウェアの一例を示し,そのコンクリート打音検査装置への適用結果と有効性を示す.
キーワード:自己組織化マップ,教師なし学習,ディープラーニング,FPGA,打音検査
ディープラーニングニューラルネットワーク(DLNN)がAIの代名詞と言えるほど脚光を浴びている.しかし,DLNNはAIの一手法であり,ほかにも様々な技術が存在する.本稿の前半では,DLNNと同様に脳のモデルから出発したAIの一手法である自己組織化マップ(SOM: Self-Organizing Map)(1)について解説する.
SOMもDLNNと同様,そのサイズが大きくなると計算時間が増大する.本稿の後半では,FPGA(Field Programmable Gate Array)を用いたSOMの高速化のための専用ハードウェアの一例を紹介する.そして,SOMの応用例として打音検査システムへの適用事例を紹介する.
SOMは大脳にある視覚野をモデルにしており,1980年代にフィンランドのTeuvo Kohonen(当時,フィンランド大学)によって提案された.図1にその概略を示す.大脳視覚野は,ニューロン(神経細胞)が二次元に広がった単純な面構造としてモデル化できる.そして,目から入ってきた画像情報に対して,大脳視覚野内の特定のニューロンが反応することによって画像情報を認識する.例えば,白くて丸い形状が視野に入ったら,白丸に対応するニューロンが反応する.また,黒くて四角い形状が入ったら,黒四角に対応する別のニューロンが反応する.
続きを読みたい方は、以下のリンクより電子情報通信学会の学会誌の購読もしくは学会に入会登録することで読めるようになります。 また、会員になると豊富な豪華特典が付いてきます。
電子情報通信学会 - IEICE会誌はモバイルでお読みいただけます。
電子情報通信学会 - IEICE会誌アプリをダウンロード