裾野の重たい分布関数を利用した学習ベクトル量子化手法

摘要

事後確率最大化に基づく新しい学習ベクトル量子化（LVQ）の手法を提案する．LVQはデータを学習することによって求められるプロトタイプを用いて，最近傍決定則での識別を行う手法である．LVQは識別の高速性や多クラス問題への拡張容易性から，画像処理全般で幅広く用いられている．近年，事後確率最大化という確率的な枠組みで整理しなおした手法が提案され（RSLVQ），従来のLVQよりも良い性能が得られるとの報告がある．しかし，RSLVQでは学習時に正規分布のモデルを仮定しているために，プロトタイプの位置が発散し，そのために認識性能が低下する可能性がある．そこで，提案手法では，正規分布の代わりに裾野の重たい分布関数を用いた学習を行う．シミュレーションの結果，各クラスのプロトタイプ位置の発散が抑えられ，RSLVQよりも高い認識性能が得られることを確認した．