本研究は農地分析に用いる自己組織化（Self-Organizing Map）アルゴリズムの 計算コストを削減するアルゴリズムを提案し、実用化に向けて大きく前進させた。 自己組織化アルゴリズムはKohonenによって開発されたニューラルネットワークの教師無し学習の手法の１つで、 オリジナルはO(M^2)の計算量が必要であった。 これまで計算量O(M log M)の木構造SOMや、O（M）のポインタを使ったSOMなど 様々な計算量削減のための改良がなされてきたが、 提案手法はO(log_2 M)にまで減らすことに成功した。 今後は提案手法応用して衛星画像等による農地の分光画像（各ピクセルが多次元データとなる）を解析し土壌分析の 研究を進める。
提案手法はSOMを以下の点で改良した。
- 勝者ベクトルの探索： 初めは大雑把に探し、徐々に細かく探していく。
- 学習空間： 初めはサイズを小さくしておき、徐々に大きくしていく。
- 学習： 従来は近傍学習を行なっていたが、提案手法は近傍学習を必要としない。（勝者ベクトルのみの学習）
- 入力データ
12個のクラスターをもつ20×120ピクセルの画像データ。１ピクセルが１データとなる。
- 計算時間
Size of Map The basic SOM The proposed algorithm 9 9.8 1.5 17 34.7 1.8 33 132.5 2.1 65 509.4 2.4 129 2149.7 2.7
提案手法はオーダーに通り短時間で計算することができている。
- マッピング結果
「提案手法による学習後のSOM」と「各クラスタがマッピングされる範囲」
提案手法はlog_2 Mの計算時間でマッピングすることができた。 また、マッピングの性能は、局所的にも大局的にも最適なものであったといえる。
今後は提案手法応用して衛星画像等による農地の分光画像（各ピクセルが多次元データとなる）を解析し土壌分析の 研究を進める。 現在は数百枚の分光画像を入力データとして提案手法による特徴抽出を行なっているところである。 画像枚数が多くなる（つまり入力ベクトルの次元数が多くなる）と様々な問題点が出てくるので更なる工夫が必要である。
email: kusu@sfc.keio.ac.jp