紙の概要
本論文では、視覚パターン認識のための教師なしニューラルネットワークモデルを提示します。ネットワークは、幾何学的類似の方法により同定を完了するために、物体の位置の影響を認識していません。そのようなAネットワークの論文は、ネオコグニトロンと呼ばれています。
ずれが最も深刻な、別の場所または別のモードと同じ洗練スタイル、伝統的なニューラルネットワークの異なるレベルで提示同じパターンであるニューラルネットワーク入力モード形状の歪みによって影響を受けます。しかし、自己組織化ニューラルネットワークモデルは、ほとんど刺激の位置によって影響されていないネットワークモードに応じて提案しました。
ニューラルネットワークアーキテクチャ
LGB（外側膝状体）→シンプルな細胞→複雑な細胞→下位多元細胞→高次の多元細胞：ヒューベルとヴィーゼル細胞はカテゴリーれていました
図1に示す、ネオコグニトロンのモジュール構成の一連のカスケード接続され、入力層の全ての構造はU0になるまでのように。各モジュール構造は、細胞カスケードの二つの層によって接続されています。下位多元セルに対応する第1のモジュール層「S細胞（S細胞）」組成、S-細胞または単純な細胞は、我々は、層の呼び出し、層S LモジュールはUSLのように表されます。第2の層は、複雑な細胞または高次の多元セルに対応し、「C細胞（C細胞）」モジュールから構成されています。我々は、層C、Cとl番目の層はモジュールUCLとして表され、それを呼び出します。このニューラルネットワークでは、唯一の入力セル層シナプス可塑sおよび修正可能。
最良の異なる部分に基づいて、細胞または細胞CのSの一方は、その上側入力刺激を感じ、それがサブグループ（サブグループ）に分割されています。我々は、「フラットセル（セル面）」としてこのサブグループを呼び出すように、各セルサブグループは、二次元のグラフィックスのように描写することができるからです。S面及びC面は、細胞平面とセルCのセルによって表されています。
図2は、相互接続層間の模式図です。s平面またはC平面を表す描か太線各矩形は、垂直に引かれ細線の各々は、C、Sまたは複数の層が閉鎖される四角形の層または層Cを表します。
細胞の深さなどのネットワーク増加の平面内の各セルの平面における細胞の総数が減少します。最後のモジュールでは、C-セルの各々は、入力層の全領域をカバーする非常に大規模な承認済みドメインとなり、C面の各々は、C-セルであると判定されます。
自己組織化ネットワーク
まず、各出現における刺激パターンは、いくつかの「代表（代表）のそれぞれの層からS細胞の選択します。代表S細胞は出力S細胞の大量から選択され、それぞれは、最大で選択された平面を表します。従来の認識部（従来cognitron）強調処理においてS細胞から選択された類似の手順は、セルを選択しました。
代表的なシナプス入力S細胞は同様に実効型で強化されています。セルが選択されている場合、平面S上に、平面上の他の細胞シナプス入力Sは同様に強化されます。何の細胞がS面で選択されていない場合、S面内のすべてのセルのシナプス入力が強化されることはありません。
連携するネットワーク
このネットワークでは、以前の研究から得られた入力パターンと標準パターンとを比較します。この比較はないパターンマッチングの大きなウィンドウを直接行うのではなく、小さなセグメントのパターンマッチング・ウィンドウによってれることによって行われます。任意の小さなウィンドウ内の2つのモード間の差が一定の限度を超えていない場合にのみ、ネットワークは、これらのパターンは、他のモードと一致している判断します。
各段階を比較すると、位置公差のモード変更は、徐々に増加しています。大きくなるだろう高い段階で、ウィンドウのサイズを比較してください。最後の段階では、ウィンドウは、全体入力モード情報を同時に観察することができ、十分な大きさです。
最初のステージパターンマッチングは小さな誤差のスクリーニングによって小さな複数のウィンドウ限り、第1段階で並行して試験されるので、それらが一致していると考えることができます。したがって、入力パターンが、ネットワークの形状に多少の歪みがあっても正しいパターン認識を行うことが可能です。
