「複素ニューラルネットワーク」
電気・電子・情報,制御,機械,バイオエンジニアリング等の分野の大学院生・学部生,更には企業の研究開発者をも対象とする,複素ニューラルネットワークを概説した初めての和書.(サイエンス社)

「複素ニューラルネットワーク」

廣瀬 明 (サイエンス社、 SGCライブラリ 38) ISSN 0386-8257

書評:原晋介先生、電子情報通信学会誌、 vol.88, No.11 (2005) p.926
    根本幾先生、数理科学、 no.510 (2005年12月号) p.62









なお、初めての洋書は同一著者が編著者となったA.Hirose (ed.), "Complex-Valued Neural Networks: Theories and Applications"になります。ご覧ください。(著者注)
また、初めてのモノグラフ洋書は、 A.Hirose, "Complex-Valued Neural Networks" となります。あわせてご覧ください。(著者注)


正誤表 (2006-4-20) 随時更新します。

ページ 行・項目 誤り、曖昧な点、改善の余地のある点など 修正、加筆、理解を助ける変更など
24 下から3行目 ・・・知られている。虚部も・・・ ・・・知られている。生成された信号は、解析信号とも呼ばれる。虚部も・・・
26 図3.10 ((d)のつながりを右のように修正)
57 (4.53)のすぐ上 つくる。 つくる。なお通常、教師信号ペアは複数あって$E_{l}$はそれらに対する誤差の和をとるが、ここでは省略して簡単に記述している。学習の際には、次々に教師信号ペアを提示して徐々に誤差を減少させる。
59 下から2行目 ・・・最急降下法を考える。・・・ ・・・最急降下法を考える。\footnote{実部-虚部型活性化関数に合致した方法は、実数のBPと類似の方法によって得られる。たとえば、文献[40],[46]などを参照。}・・・
60 図4.8キャプション ・・・模式図。 ・・・模式図。(コヒーレントな系の合波(合算)には本来、ハーフミラーやスターカプラなどが必要だが、ここでは省略して簡単に書いてある。)
75 8行目 y_{1} \equiv w_{1} x y_{1} \equiv w_{1}^{*} x
107 11行目 ・・・位相無変調とした・・・ ・・・振幅無変調とした・・・
110 11行目 ・・・、基本的にはキャリア周波数$f$と光速$c$に対して$c/\Delta L$の周期で周期的に変化する。 ・・・、基本的にはキャリア周波数$f$の変化に対して$c/\Delta L$の周期で周期的に変化する。ただし$c$は光速である。
110 17行目 ・・・、遅延$\Delta L/c$を適切に・・・ ・・・、遅延$\theta_0^{\rm SLM} / 2\pi f_0 + \Delta L/c$を適切に・・・
114 6行目 全ての入力は複素領域で総和される。 全ての重み付けされた入力は複素領域で総和されて内部状態$u$になる。
114 下から5行目 ニューロンの入力信号経路は・・・ ニューロンの入力信号の遅延長さは・・・
114 下から4行目 $\Delta L_{h} \equiv |L_{{\rm{Sig}} h}-L_{\rm{Ref}}|$ $\Delta L_{h} \equiv L_{{\rm{Sig}} h}-L_{\rm{Ref}}$ <絶対値を削除>
115 図9.2(a) (左下の)可変遅延$\tau _{mn}$ 可変遅延$\tau _{nm} ^{SLM}$
130 5行目 コヒーレント型ニューラルネットワークでキャリア周波数をモードの鍵としてモードを活用する発展学習が有効であることがわかる。 また図10.5のキャリア周波数の変化の様子は、コヒーレント型ニューラルネットワークでキャリア周波数をモードの鍵としてモードを活用する発展学習が有効であることも示唆される。実際、発展学習におけるFMLとVMLを比較すると、VMLの優位性が確認される。(詳細は[118]などを参照。)
146 文献[46] ... The complex backpropagation algorithm. IEEE Transactions on Signal Processing, 39:2101-2104, 1991 ... Complex domain backpropagation. IEEE Transactions on Circuits and Systems II, 39(5):330--334, 1992.
150 文献[97] 2004 2002