3.4.1 LVQモデルとパターン分類
前に学んだ自己組織化Featureマップは、 教師なしの競合学習則に基づいて入力データの量子化を行うことが目的でした。 LVQモデルでは、 Featureマップをもとに入力データのパターン分類をすることを目的としています。

LVQとはLearningVectorQuantizationの略で、学習ベクトル量子化法です。 入力データをパターン分類できるように、競合学習によって結合重みベクトルの更新をします。 Featureマップとの違いといえば、教師あり学習であるということです。

LVQでは、入力データベクトル、結合重みベクトルにカテゴリーを割り振ります。 そして、入力データと結合重みベクトルのカテゴリーを比較し、 一致していれば入力と結合重みベクトルの距離を近づけ、 一致しなければ遠ざける操作をします。

このような操作によって、理論的に最適な識別境界を与えるベイズ識別境界を形成することができます。

パターン識別機械としてはパターン分類正解率が高くなることが必要です。 コホーネンは結合重みベクトルの初期値はFeatureマップによって形成されたものを用い、 それをLVQで更新することを提案しています。

LVQモデルは1986年に発表され、その後LVQ2、LVQ3と改良されていきました。 それでは、LVQ1から順番にみていくことにしましょう。



Copyright(c) Iwata-Lab. N.I.T. All rights reserved.