抄録
組み込み機器のように限られたメモリリソースと少ない計算量の下で学習タスクをこなすカーネルニューロファジィを提案する。本手法ではカーネル関数で表現されたメンバーシップ関数を常に一定個数に保つことによって限られたリソースでの動作を保証する。すなわち、メンバーシップ関数の数が上限に達している状態で新しい学習データが来ると、最も冗長なカーネル（メンバーシップ関数）をヒルベルト空間上での線形独立性を元に割り出し、それを新しいデータの学習に転用する。このとき、その冗長カーネルが担っていた役割を他の似たカーネル関数に代行させるように、パラメータを更新する。但し、これだけでは過去の記憶を忘却する場合がある。そこで、新しい学習による汎化誤差の変化を予測し、誤差が上昇すると予測される場合には、新しい学習を拒否するなどの対策を取る。本手法を太陽電池の最大電力点追従コンバータへの適用を試みた事例を紹介する。
