自己組織化マップの応用範囲は広く，「こんなことにも使えるのか！」という応用事例があると思います。汎用のソフトウェアもありますが，当研究室ならではのカスタマイズが可能です。

自己組織化マップ（Self-Organizing Map, SOM）は多次元のデータを２次元のマップ上に非線形写像する手法です。マップは入力データを適切に反映するように、自己組織的に学習されます。
我々の研究室では、自己組織化マップの特長を維持しつつ、主成分分析による初期値設定と一括学習によって、学習を高速化するとともに安定した学習性能（同一のデータセットからは同一のマップが作られる）を実現しました。この改良型SOMによって、コドン使用頻度による遺伝子の分類や、オリゴヌクレオチド頻度に基づくゲノム配列断片の分類などを行っています。
自己組織化マップを用いると、多変量で表現されたデータを分類することができます。左の図に示す例のように、主成分分析に代表される線形解析に比べて、複雑なデータを鮮明に分けることが可能です。

木ノ内研究室

木ノ内 誠

工学部

kinouchi@yz.yamagata-u.ac.jp

山形大学基金（学部等への支援）
※「学部等名」にプロジェクト名を入力願います。