WIPO logo
Mobile | Deutsch | English | Español | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Recherche dans les collections de brevets nationales et internationales
World Intellectual Property Organization
Recherche
 
Options de navigation
 
Traduction
 
Options
 
Quoi de neuf
 
Connexion
 
Aide
 
Traduction automatique
1. (WO2001016880) CARTE TOPOGRAPHIQUE ET PROCEDES ET SYSTEMES DE TRAITEMENT DE DONNEES ASSOCIES
Dernières données bibliographiques dont dispose le Bureau international   

N° de publication :    WO/2001/016880    N° de la demande internationale :    PCT/BE2000/000099
Date de publication : 08.03.2001 Date de dépôt international : 30.08.2000
Demande présentée en vertu du Chapitre 2 :    28.02.2001    
CIB :
G06F 15/18 (2006.01), G06N 3/04 (2006.01)
Déposants : SYNES NV [BE/BE]; Technologielaan 11, B-3001 Leuven (BE) (Tous Sauf US).
VAN HULLE, Marc [BE/BE]; (BE) (US Seulement)
Inventeurs : VAN HULLE, Marc; (BE)
Mandataire : BIRD, William, E.; Klein Dalenstraat 42A, B-3020 Winksele (BE)
Données relatives à la priorité :
60/151,947 30.08.1999 US
0008985.4 13.04.2000 GB
0015526.7 26.06.2000 GB
Titre (EN) TOPOGRAPHIC MAP AND METHODS AND SYSTEMS FOR DATA PROCESSING THEREWITH
(FR) CARTE TOPOGRAPHIQUE ET PROCEDES ET SYSTEMES DE TRAITEMENT DE DONNEES ASSOCIES
Abrégé : front page image
(EN)An unsupervised competitive learning rule for equiprobabilistic topographic map formation, called the kernel-based Maximum Entropy learning Rule (kMER) is described for execution by a neural network as well as systems, especially distributed processing systems for carrying out the rule. Since kMER adapts not only the neuron weights but also the radii of the kernels centered at these weights, and since these radii are updated so that they model the local input density at convergence, these radii can be used directly, in variable kernel density estimation. The data density function at any neuron is assumed to be convex and a cluster of related data comprises one or more neurons. The data density function may have a single radius, e.g. a hypersphere. A processing engine and a method for developing a kernel-based topographic map which is then used in data model-based applications are also described. The receptive field of each kernel is disjunct from the others, i.e. overlapping. The engine may include a tool for self-organising and unsupervised learning, a monitoring tool for maximising the degree of topology achieved, for example, by using the overlapping kernels, and a tool for automatically adjusting the kernel widths to achieve equiprobabilism. Applications include variable kernel density estimation with the equiprobabilistic topographic maps, with density based cluster maps and with equiprobabilistic variable kernel-based regression. The receptive fields of the kernels may be convex, e.g. hyperspheroids or hyperspheres.
(FR)L'invention concerne une règle d'apprentissage compétitif non supervisé, appelée règle d'apprentissage par entropie maximale basée sur des noyaux (kMER), qui servent à former une carte topographique équiprobabiliste et sont destinée à être exécutée par un réseau neural ou par des systèmes, en particulier des systèmes de traitement distribués. Puisque kMER adapte non seulement les poids neuronaux mais aussi les rayons des noyaux centrés sur ces poids, et puisque ces rayons sont mis à jour de manière à modeler la densité d'entrée locale relativement à la convergence, lesdits rayons peuvent être utilisés directement dans une estimation de densité de noyaux variables. La fonction de densité de données au niveau de n'importe quel neurone est supposée être convexe, et un groupe de données connexes comprend un ou plusieurs neurones. La fonction de densité de données peut comporter un seul rayon, p. ex. un hypersphère. L'invention concerne également un moteur de traitement et un procédé de mise au point d'une carte topographique basée sur des noyaux, laquelle carte est ensuite utilisée dans des applications basées sur des modèles de données. Le champ de réception de chaque noyau est dissocié des autres (c.-à-d. ils sont superposés). Le moteur peut comprendre un outil d'apprentissage auto-organisé et non supervisé, un outil de contrôle pour optimiser le degré de topologie obtenu (par exemple par l'utilisation des noyaux superposés), et un outil pour régler automatiquement la largeur des noyaux afin d'obtenir un équiprobabilisme. Des applications incluent une estimation de densité de noyaux variables associée aux cartes topographiques équiprobabilistes, à des cartes groupées basées sur la densité, et à une régression équiprobabiliste basée sur des noyaux variables. Les champs de réception des noyaux peuvent être convexes, p. ex. hypersphéroïdes ou hypersphériques.
États désignés : AE, AG, AL, AM, AT, AU, AZ, BA, BB, BG, BR, BY, BZ, CA, CH, CN, CR, CU, CZ, DE, DK, DM, DZ, EE, ES, FI, GB, GD, GE, GH, GM, HR, HU, ID, IL, IN, IS, JP, KE, KG, KP, KR, KZ, LC, LK, LR, LS, LT, LU, LV, MA, MD, MG, MK, MN, MW, MX, MZ, NO, NZ, PL, PT, RO, RU, SD, SE, SG, SI, SK, SL, TJ, TM, TR, TT, TZ, UA, UG, US, UZ, VN, YU, ZA, ZW.
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (GH, GM, KE, LS, MW, MZ, SD, SL, SZ, TZ, UG, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, MD, RU, TJ, TM)
Office européen des brevets (OEB) (AT, BE, CH, CY, DE, DK, ES, FI, FR, GB, GR, IE, IT, LU, MC, NL, PT, SE)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GW, ML, MR, NE, SN, TD, TG).
Langue de publication : anglais (EN)
Langue de dépôt : anglais (EN)