@techreport{oai:ipsj.ixsq.nii.ac.jp:00031795,
 author = {山口, 大輔 and 李, 国棟 and 水谷, 晃三 and 永井, 正武 and Daisuke, YAMAGUCHI and Guo-Dong, LI and Kozo, MIZUTANI and Masatake, NAGAI},
 issue = {26(2004-AL-100)},
 month = {Mar},
 note = {本論文は自己組織化マップなどの工学手法と同じ命題として，灰色理論を用いた分類ネットワーク(GCN:Grey ClassificationNetwork)を提案する。本手法は勝者ノードの決定処理にユークリッド距離型灰色分析を適用する。また，本手法はKohonen学習則によらない学習アルゴリズムを提案している。教師なし学習法として，Wongらの提案する灰色クラスター分析を改善したアルゴリズムを提案する。教師あり学習法として，Taylor逐次近似法を用いた非線形最小二乗法の原理によるベクトル量子化法を提案する。数値例に本手法を適用し，学習に必要なパラメータ，学習の性質および効果について議論する。, This paper proposes the grey classification network (GCN) that succeeded to the concepts of traditional self-organizing feature maps (SOFM). In the SOFM, winner node is decided by Euclidian distance. GCN uses a Euclidian distance type grey relational analysis to decide a winner node. GCN has two learning algorithms that don't depend on the Kohonen's learning rule. One is an unsupervised learning algorithm by grey cluster analysis which is already proposed by authors, and another is a vector quantization method using Taylor sequential approximation. Iterative learning is possible in each algorithm. Numerical example is given for GCN, which discusses efficient learning.},
 title = {灰色理論による学習ベクトル量子化法への一提案},
 year = {2005}
}