著者

杉本 憲彦 ファン ミントゥン 橘 完太 吉川 大弘 古橋 武 水田 亮

出版者

日本流体力学会

雑誌

日本流体力学会年会講演論文集 (ISSN:13428004)

巻号頁・発行日

vol.2008, 2008-09-04

---

We propose a high speed method to detect vortex using a streamline with enhanced curvature, which is useful to identify tropical cyclones in huge climatology data. In the proposed method, center of vortex is detected by iteration of streamline from some initial points automatically. This method has high accuracy and low computational cost, because it does not need to check empirical conditions at all grid points, contrary to the case of conventional method. We also extend the method to evaluate intensities and influential ranges of detected vortex. The accuracy of the method is checked using observational and climate model data. Results suggest that this method is applicable to risk-assessment of tropical cyclones under global warming simulated by high resolution models.

著者

ファン ミントゥン 吉川 大弘 古橋 武 橘 完太

出版者

日本知能情報ファジィ学会

雑誌

日本知能情報ファジィ学会 ファジィ システム シンポジウム 講演論文集

巻号頁・発行日

vol.25, pp.15-15, 2009

---

機械学習をより効率よく行うために,階層的なモデルの構築が盛んに研究されている.これらの中で特にデータが高次元の場合に階層的なモデルの構築を行う際,データ分布を把握するためにPCAやMDAなどの線形手法がよく用いられている.しかし,それらの線形手法でのデータの可視化は,インスタンス間の非類似度(距離)を考慮していないため,それらに基づいた階層構造の構築には適切ではない.本稿では,インスタンス間の非類似度を考慮したばねモデルを用いた多次元尺度構成法による,2次元デンドログラムマップの構築手法を提案する.さらに,可視化結果に基づく機械学習における階層構造の構築手法を提案する.実験結果により,提案した2次元デンドログラムマップは,機械学習へのフィードバックに有効であることを確認できた.

著者

ファン ミントゥン 吉川 大弘 古橋 武 橘 完太

出版者

日本知能情報ファジィ学会

雑誌

日本知能情報ファジィ学会 ファジィ システム シンポジウム 講演論文集

巻号頁・発行日

vol.27, pp.115-115, 2011

---

近似は,データの特徴を把握する上で最も有効な方法の一つである.しかし,ガウス分布や一様分布などを用いた従来の近似手法は,空間的な特徴を含むデータに対して幾何的な性質を考慮していない.本研究では,複素数や四元数の一般形であるGeometric Algebra (GA) が持つ,物体や物体間の空間的な関係を簡潔に記述できるという特徴に着目する.本稿では,GA の一部ともみなすことができるConformal GA (CGA)を用いて,実空間ベクトルからCGA空間のconformalベクトルへの空間変換を行う,新たな近似手法を提案する.提案手法による近似方法では,超球や直線,円弧などの様々な幾何的なデータ分布を表現することができる.本稿では,提案手法を物体の関節位置分布の推定問題に適用し,提案手法の有効性を示す.

著者

ファン ミントゥン 吉川 大弘 古橋 武 橘 完太

出版者

日本知能情報ファジィ学会

雑誌

日本知能情報ファジィ学会 ファジィ システム シンポジウム 講演論文集 第26回ファジィシステムシンポジウム

巻号頁・発行日

pp.215, 2010 (Released:2010-11-05)

---

機械学習の多くの手法では,インスタンス間の類似度の設計が最も重要となる.特に,SVMによる教師付学習,調和関数法による半教師付学習,種々のクラスタリング手法による教師無し学習などにおいては,カーネル行列(Gram 行列)が中心的な役割を果たす.このカーネル行列において,インスタンス間の距離またはその距離を用いたガウス関数が類似度としてよく用いられている.同じラベルを持つデータは近くに配置され,異なるラベルのデータは遠くに配置されるような線形データ分布の場合,従来の類似度を用いた機械モデルの学習は容易である.しかしデータ分布が非線形の場合,その学習は困難となる.本稿では,非直交基底ベクトルの内積を用いたインスタンス間の類似度(距離)を提案するとともに,その類似度を用いた空間折畳みモデルを提案する.パターン認識問題に適用し,提案した空間折畳みモデルが機械学習に有効であることを確認した.