抄録
カオスニューラルネットワーク(CNN)を用いた画像分類手法を提案する．CNNは通常のニューロンを伴う誤差逆伝搬ニューラルネットワーク(BPNN)に比べ，解の挙動がカオス的になることから局所解から抜け出すことが期待でき，そのため，大域的最適解に到達する可能性が高くなる，すなわち，正解クラスに分類する可能性が高いという特徴を有している．しかし，CNNは設定すべきパラメータ数が多く，その最適化が課題である． 本論文では，その決定方法としてトレーニングサンプル(教師セット)を用いて，誤差逆伝搬する方法と教師セットから分類のしやすさを事前に求め，それを指標としてパラメータを設定する方法を併用することを提案している．CNNとBPNNのシミュレーションデータを用いた画像分類精度の比較において，CNNはBPNNに比し，18.2から54.3%の分類精度が向上したことを確認した．また，実画像としてLandsat-5 TM画像を取り上げ，両者を比較したところ，13.4%の分類精度の向上がCNNに認められた．
