CN102147865B - 信息处理设备、信息处理方法以及程序 - Google Patents

信息处理设备、信息处理方法以及程序 Download PDF

Info

Publication number
CN102147865B
CN102147865B CN201010573715.8A CN201010573715A CN102147865B CN 102147865 B CN102147865 B CN 102147865B CN 201010573715 A CN201010573715 A CN 201010573715A CN 102147865 B CN102147865 B CN 102147865B
Authority
CN
China
Prior art keywords
data
evaluator
processing method
unit
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201010573715.8A
Other languages
English (en)
Other versions
CN102147865A (zh
Inventor
小林由幸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Publication of CN102147865A publication Critical patent/CN102147865A/zh
Application granted granted Critical
Publication of CN102147865B publication Critical patent/CN102147865B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
    • G10H2210/031—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal
    • G10H2210/036—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal of musical genre, i.e. analysing the style of musical pieces, usually for selection, filtering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了信息处理设备、信息处理方法以及程序，其中，该信息处理设备：准备数据的处理方法；通过使用用于根据数据计算评估值的评估器，计算在利用准备的处理方法来处理数据的情况下获得的输出数据的评估值，其中通过使用包括数据和该数据的评估值的多个数据集、并且执行基于遗传算法的学习处理，来自动创建评估器；重复地更新处理方法并且计算这样的处理方法：利用该处理方法，计算出的评估值将更高；以及当在利用计算出的处理方法来处理数据的情况下获得的输出数据的评估值满足预定条件时，输出输出数据、输出数据与处理方法的组合或处理方法。

Description

信息处理设备、信息处理方法以及程序
技术领域
本发明涉及信息处理设备、信息处理方法以及程序。
背景技术
近年来，用于从难以对其定量地确定特征的任意数据群自动提取该数据群的特征量的方法受到关注。例如，已知一种方法，其取任意音乐数据作为输入并且自动构建用于自动提取该音乐数据所属的音乐属类的算法。并不是根据乐器的类型或演奏模式来定量地确定音乐属类，诸如爵士乐、古典音乐、以及流行音乐。因此，在过去，通常认为在给定任意音乐数据时难以从音乐数据自动提取音乐属类。
然而，实际上，区分音乐属类的特征可能包括在各种信息项目的组合之中，诸如音乐数据中包括的音调的组合、组合音调的方式、乐器类型的组合、旋律线或低音线的结构。因此，关于通过机器学习而自动构建用于提取这种特征的算法(下文中的特征量提取器)的可能性，对特征量提取器进行了研究。作为一个研究结果，可以引用在JP-A-2009-48266中描述的一种基于遗传算法的特征量提取器的自动构建方法。该遗传算法是模拟生物进化过程并且在机器学习过程中考虑选择、交叉以及变异的算法。
通过使用在上述专利文献中描述的特征量提取器自动构建算法，可以自动构建用于从任意音乐数据提取该音乐数据所属的音乐属类的特征量提取器。另外，在该专利文献中描述的特征量提取器自动构建算法非常通用，并且能够自动构建这样的特征量提取器：其不但从音乐数据提取该数据群的特征量，而且从任意数据群提取该数据群的特征量。因此，在该专利文献中描述的特征量提取器自动构建算法被期望应用于诸如音乐数据和图像数据的人工数据的特征量分析和在自然界中存在的各种观测量的特征量分析。
发明内容
已经开发在该专利文献中描述的特征量提取器自动构建算法，以将其用于任意数据的特征量的分析。然而，虽然一方面期望对现有数据的分析，但是另一方面还期望创建具有与现有数据相同特征的新数据。例如，期望根据特定图像数据创建具有更高图像分辨率的新图像数据。另外，期望根据具有特定类型特征的图像数据创建具有其它特征的新图像数据。当然，不仅对于图像数据，而且对于音乐数据、任意时序数据等，都期望创建具有改变的特性或特征的新数据。
必须对在该专利文献中描述的特征量提取器自动构建算法给出作为对象问题的输入数据和作为该对象问题的解答的单个输出数据，作为用于特征量提取器的自动构建的用于学习的数据。因此，在该专利文献中描述的特征量提取器自动构建算法难以构建用于解决其解答不是唯一确定的对象问题并且提取特征量的特征量提取器。因此，当使用基于遗传算法的机器学习时，对于在该专利文献中描述的特征量提取器自动构建算法，也难以自动构建用于解决其解答不是唯一确定的对象问题的算法。
例如，基于将在特定时间点观测的生物的运动作为输入数据、并且将在下一个时间点观测的生物的运动作为输出数据的用于学习的数据，构建用于预测生物运动的运动预测算法。然而，生物的运动具有随机性，因此难以说用于学习的输出数据是正确的。另外，基于将特定图像数据作为输入数据、并且将具有通过处理该特定图像数据获得的美丽图案的图像数据作为输出数据的用于学习的数据，构建用于创建美丽图案的图案创建算法。然而，哪种图案是美丽图案并不是唯一确定的。即，存在多种类型的正确输出数据。
此外，可通过在该专利文献中描述的特征量提取器构建算法使用的用于学习的输出数据并不限于标量。因此，当使用基于遗传算法的机器学习时，对于在该专利文献中描述的特征量提取器自动构建算法，也难以自动构建用于解决其解答不是标量的对象问题的算法。例如，基于将低分辨率图像数据作为输入数据、并且将高分辨率图像数据作为输出数据的用于学习的数据，构建用于提高图像数据的图像质量的图像质量提高算法。在这种情况下，可以通过改变高分辨率图像数据的分辨率，容易地创建低分辨率图像数据，因此可以唯一给出输出数据(高分辨率图像数据)。
然而，输出数据是由形成图像数据的多个像素的像素值而给出的。因此，要由图像质量提高算法进行最佳化的参数不是唯一确定的。即，不自动确定是否要使由图像质量提高算法创建的输出数据与给定的用于学习的输出数据之间的平均误差最小化，或者是否要使最大误差最小化、或者是否要使平均像素值的误差最小化。如果将图像质量准则设置为平均误差，并且构建使平均误差最小化的图像质量提高算法，那么对于从图像质量提高算法输出的输出数据，平均误差肯定将很小。然而，输出数据将不会绝对无误地是让人视为高图像质量的图像数据。
鉴于上述内容，期望提供信息处理设备、信息处理方法以及程序，其是新的且改进的，并且其能够获得对其正确解答不是唯一确定的对象问题的解答或者对其解答不是标量的对象问题的解答。
根据本发明的实施例，提供了一种信息处理设备，其包括：处理方法准备单元，其准备数据的处理方法；评估单元，其通过使用用于根据数据计算评估值的评估器，计算在利用由处理方法准备单元准备的处理方法来处理数据的情况下获得的输出数据的评估值，其中通过使用包括数据和该数据的评估值的多个数据集、并且执行基于遗传算法的学习处理来自动创建评估器；处理方法更新单元，其重复地更新处理方法并且计算这样的处理方法：利用该处理方法，由评估单元计算出的评估值将更高；以及输出单元，其当在利用由处理方法更新单元计算出的处理方法来处理数据的情况下获得的输出数据的评估值满足预定条件时，输出输出数据、输出数据与处理方法的组合或处理方法。
信息处理设备还可包括：数据集输入单元，其输入包括数据和该数据的评估值的数据集；以及评估器创建单元，其自动创建评估器，其中，所述评估器通过使用从数据集输入单元输入的多个数据集、并且执行基于遗传算法的学习处理，来根据数据计算评估值。
信息处理设备还可包括反馈获取单元，其接收用户对从输出单元输出的输出数据或输出数据与处理方法的组合的评估。评估器创建单元可通过将包括由反馈获取单元从用户获取的评估值和与该评估值对应的输出数据的数据集添加到多个数据集、并且再次执行基于遗传算法的学习处理，自动创建评估器。
信息处理设备还可包括数据处理单元，其利用由处理方法准备单元准备的处理方法或由处理方法更新单元更新的处理方法来处理由用户输入的输入数据，并且创建输出数据。
信息处理设备还可包括数据处理单元，其利用由处理方法准备单元准备的处理方法或由处理方法更新单元更新的处理方法，处理预定初始数据或随机创建的初始数据，并且创建输出数据。
处理方法可以是从特定时刻t之前观测到的数据计算要在该时刻t观测的数据的预测值的处理方法。输出单元可至少输出处理方法。信息处理设备还可包括时序预测单元，其通过使用特定时间点的观测值作为初始数据并且通过重复地应用从输出单元输出的处理方法，来预测从特定时间点到将来时间点的观测值的时序数据。
数据集输入单元不是必须输入数据集。在获得用户对通过随机处理方法创建的输出数据的评估的情况下，评估器创建单元可通过使用包括从用户获得的评估值和与该评估值对应的输出数据的数据集，来自动创建评估器。
根据本发明的另一实施例，提供了一种信息处理方法，其包括步骤：准备数据的处理方法；通过使用用于根据数据计算评估值的评估器，计算在利用准备的步骤中准备的处理方法来处理数据的情况下获得的输出数据的评估值，其中通过使用包括数据和该数据的评估值的多个数据集、并且执行基于遗传算法的学习处理来自动创建评估器；重复地更新处理方法、在每次更新时执行计算的步骤、并且计算这样的处理方法：利用该处理方法，由评估单元计算出的评估值将更高；以及当在利用重复更新的步骤中计算出的处理方法来处理数据的情况下获得的输出数据的评估值满足预定条件时，输出输出数据、输出数据与处理方法的组合或处理方法。
根据本发明的另一实施例，提供了一种用于使计算机实现以下功能的程序：处理方法准备功能，其准备数据的处理方法；评估功能，其通过使用用于根据数据计算评估值的评估器，计算在利用由处理方法准备功能准备的处理方法来处理数据的情况下获得的输出数据的评估值，其中通过使用包括数据和该数据的评估值的多个数据集、并且执行基于遗传算法的学习处理来自动创建评估器；处理方法更新功能，其基于遗传算法而重复地更新处理方法并且计算这样的处理方法：利用该处理方法，由评估功能计算出的评估值将更高；以及输出功能，当在利用由处理方法更新功能计算出的处理方法来处理数据的情况下获得的输出数据的评估值满足预定条件时，输出功能输出输出数据、输出数据与处理方法的组合或处理方法。
根据本发明的另一实施例，提供了一种其中记录有程序的记录介质，该记录介质能够由计算机来读取。
根据上述本发明的实施例，可获得对其解答不是唯一确定的对象问题的解答或对其解答不是标量的对象问题的解答。
附图说明
图1是示出通过基于遗传算法的机器学习而构建的用于图像的噪声消除滤波器的示例的说明图；
图2是示出通过基于遗传算法的机器学习而构建的时序预测算法的示例的说明图；
图3是示出根据本发明的第一实施例的油画滤波器自动构建系统的概述的说明图；
图4是示出根据实施例的信息处理设备(油画滤波器自动构建系统)的功能配置的说明图；
图5是示出根据实施例的修改示例的信息处理设备(油画滤波器自动构建系统)的功能配置的说明图；
图6是示出由根据实施例的油画滤波器自动构建系统使用的数据集的示例的说明图；
图7是示出由根据实施例的油画滤波器自动构建系统执行的评估器的构建处理的概述的说明图；
图8是示出由根据实施例的油画滤波器自动构建系统执行的处理方法的评估处理的概述的说明图；
图9是示出由根据实施例的油画滤波器自动构建系统执行的处理方法的更新处理的概述的说明图；
图10是示出在由根据实施例的油画滤波器自动构建系统执行的处理方法的更新处理时执行的变异操作的说明图；
图11是示出用于由根据实施例的油画滤波器自动构建系统执行的数据集的重构处理的概述的说明图；
图12是示出由根据实施例的油画滤波器自动构建系统执行的处理的流程的说明图；
图13是示出根据本发明的第二实施例的伪运动创建器自动构建系统的概述的说明图；
图14是示出根据实施例的信息处理设备(伪运动创建器自动构建系统)的功能配置的说明图；
图15是示出根据实施例的修改示例的信息处理设备(伪运动创建器自动构建系统)的功能配置的说明图；
图16是示出由根据实施例的伪运动创建器自动构建系统使用的运动数据的示例的说明图；
图17是示出由根据实施例的伪运动创建器自动构建系统使用的数据集的示例的说明图；
图18是示出由根据实施例的伪运动创建器自动构建系统执行的评估器的构建处理的概述的说明图；
图19是示出由根据实施例的伪运动创建器自动构建系统执行的伪运动创建方法的结构的说明图；
图20是示出由根据实施例的伪运动创建器自动构建系统执行的评估器的构建处理的概述的说明图；
图21是示出由根据实施例的伪运动创建器自动构建系统执行的伪运动创建方法的更新处理的概述的说明图；
图22是示出在由根据实施例的伪运动创建器自动构建系统执行的伪运动创建方法的更新处理时执行的变异操作的说明图；
图23是示出在由根据实施例的伪运动创建器自动构建系统执行的伪运动创建方法的更新处理时执行的变异操作的说明图；
图24是示出在由根据实施例的伪运动创建器自动构建系统执行的伪运动创建方法的更新处理时执行的变异操作的说明图；
图25是示出由根据实施例的伪运动创建器自动构建系统执行的数据集的重构处理的概述的说明图；
图26是示出由根据实施例的伪运动创建器自动构建系统执行的处理的流程的说明图；
图27是示出根据实施例的第一应用示例的自动作曲器构建系统的概述的说明图；
图28是示出根据实施例的第二应用示例的图像/视频自动创建器构建系统的说明图；
图29是示出能够实现本发明的每个实施例的信息处理设备的功能的硬件配置示例的说明图；
图30是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图31是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图32是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图33是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图34是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图35是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图36是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图37是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图38是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图39是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图40是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图41是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图42是示出本发明的每个实施例的评估器的自动构建方法的说明图；
图43是示出本发明的每个实施例的评估器的自动构建方法的说明图；以及
图44是示出对时序数据的预测算法的应用(应用示例3)的说明图。
具体实施方式
在下文中，将参照附图详细描述本发明的优选实施例。注意，在本说明和附图中，用相同的附图标记表示具有实质上相同的功能和结构的结构元件，并且省略对这些结构元件的重复说明。
<描述的流程>
这里将简要叙述稍后描述的本发明的实施例的描述流程。首先，将参照图1和图2简要描述通过使用在JP-A-2009-48266中描述的特征量提取器自动构建算法来获得其正确解答不是唯一确定的对象问题的解答或者其解答不是标量的对象问题的解答的困难。
接下来，将参照图3描述根据本发明的第一实施例的油画滤波器自动构建系统的概述。然后，将参照图4和图5描述根据实施例的信息处理设备100、150(油画滤波器自动构建系统)的功能配置。另外，将参照图6到图12详细描述构成信息处理设备100、150的每个结构元件的功能。
接下来，将参照图13描述根据本发明的第二实施例的伪运动创建器自动构建系统的概述。然后，将参照图14和图15描述根据实施例的信息处理设备200、250(伪运动创建器自动构建系统)的功能配置。另外，将参照图16到图26详细描述构成信息处理设备200、250的每个结构元件的功能。
接下来，将参照图27描述根据本发明的第三实施例的自动作曲器构建系统。然后，将参照图28描述根据本发明的第四实施例的图像/视频自动创建器构建系统。然后，将参照图29描述能够实现根据本发明的第一到第四实施例的系统的功能的硬件配置的示例。
接下来，将参照图30到图43描述通过基于遗传算法的机器学习而自动构建用于计算输出数据评估准则的评估器的方法。然后，将参照图44描述将根据本发明的第一到第四实施例的技术应用到时序数据的预测算法的方法。最后，将总结实施例的技术思想并且将简要描述技术思想所获得的操作效果。
(描述项目)
1：引言
1-1：其输出数据不是标量的算法的示例
1-2：其正确解答不是唯一确定的算法的示例
2：第一实施例
2-1：油画滤波器自动构建系统的概述
2-2：信息处理设备100、150的功能配置
2-3：类油画图像创建方法
3：第二实施例
3-1：伪运动创建器自动构建系统的概述
3-2：信息处理设备200、250的功能配置
3-3：伪运动创建方法
4：第三实施例(自动作曲器构建系统)
5：第四实施例(图像/视频自动创建器构建系统)
6：硬件配置示例
7：评估器自动构建方法
8：应用示例(时序数据的预测算法)
9：总结
<1：引言>
首先，将描述难以通过在JP-A-2009-48266(文献1)中描述的算法自动构建方法来自动构建的算法的示例。
<1-1：其输出数据不是标量的算法的示例>
在上述文献1中描述的算法自动构建方法不能自动构建其输出数据不是标量的算法。可以引用如图1所示的噪声消除滤波器作为这种算法的示例。该噪声消除滤波器是用于从输入的图像数据消除噪声的图像处理滤波器。
在通过使用在上述文献1中描述的算法自动构建方法来构建噪声消除滤波器的情况下，通过准备多条用于学习的图像数据和经过将噪声添加到用于学习的图像而获得的多条用于学习的添加噪声的图像数据、并且将这些条数据输入到学习算法，来构建噪声消除滤波器。此时，使形成用于学习的添加噪声的图像的每个像素的像素值成为输入数据，并且使形成用于学习的图像的每个像素的像素值成为输出数据。
学习算法组合预先准备的多个图像处理滤波器1到n，并且创建滤波器合成式。此时，学习算法通过改变要组合的图像处理滤波器的类型、每个图像处理滤波器的参数等来创建最佳滤波器合成式，以使通过将用于学习的添加噪声的图像输入到滤波器合成式所获得的输出数据与用于学习的图像之间的误差最小化。以此方式创建的滤波器合成式构建噪声消除滤波器。
然而，在通过将任意添加噪声的图像数据输入到该噪声消除滤波器而获得噪声消除之后，并不是对全部图像数据都提高图像质量。例如，在创建最佳滤波器合成式的上述过程中构建噪声消除滤波器、使得通过将用于学习的添加噪声的图像输入到滤波器合成式而获得的输出数据与用于学习的图像之间的平均误差最小化的情况下，这两者之间的平均误差变小。然而，对于人眼而言，从上述噪声消除滤波器实际输出的消除噪声的图像的图像质量看起来并没有提高。
另一方面，如果没有确定创建滤波器合成式时要最佳化的指标(例如，平均误差、最大误差、以及平均像素值之间的差)，那么不可能创建将成为噪声消除滤波器的滤波器合成式。因此，根据上述文献1的算法自动构建方法不能够自动构建其输出数据不是标量的算法，如噪声消除滤波器。另外，由通过指定诸如平均误差的最佳化指标而创建的噪声消除滤波器不能创建最佳消除噪声的图像，其原因在于，关于指标的最佳化并不是对人类视觉特性的最佳化。因此，为了自动构建其输出数据不是标量的算法，需要一种正确评估输出数据的质量的新方法。
稍后描述的实施例的技术涉及用于使得能够正确执行这种评估的技术。
<1-2：其正确解答不是唯一确定的算法的示例>
此外，在上述文献1中描述的算法自动构建方法不能够自动构建其正确输出数据(正确解答)不是唯一确定的算法。可以引用在图2中示出的时序预测算法作为这种算法的示例。该时序预测算法是用于从过去观测到的观测值的时序数据预测将来将观测到的观测值的时序数据的算法。
在通过使用在上述文献1中描述的算法自动构建方法来构建时序预测算法的情况下，通过准备在预定时刻之前观测到的多个观测值和在预定时刻之后观测到的多个观测值、并且将这些观测值输入到学习算法，来构建时序预测算法。此时，使在预定时刻之前观测到的观测值成为输入数据，并且使在预定时刻之后观测到的观测值作为输出数据。在这种情况下，用于学习的输出数据是标量。然而，观测值的时序数据的特征不是唯一确定的。
例如，将考虑通过观测生物的运动而获得的观测值的时序数据。生物的运动具有随机性(无特征运动)。因此，即使试图观测生物的位置的移动并且捕获该位置的时序数据的特征，也包括无特征运动，由此不会构建复制运动的时序预测算法。即，不可能通过确定性算法来表示概率性运动。此外，如图2所示，要模拟的对象(例如，在时域中模拟或在频域中模拟)也不是唯一确定的。因此，为了自动构建其正确解答不是唯一确定的算法，需要一种唯一地评估输出数据的质量的新方法。
稍后描述的实施例的技术涉及用于使得能够正确地执行这种评估的技术。
如上所述，在输出数据不是标量的情况下或在正确解答不是唯一确定的情况下，不确定适当的评估准则，因此，在文献1中描述的算法自动构建方法不能够构建能够获得适当的输出数据的算法。因此，本发明的发明人设计了如下一种方法：其自动构建或获得用于确定适当的评估准则的评估器，并且通过使用该评估器，自动创建其输出数据不是标量的算法或其正确解答不是唯一确定的算法。通过使用该方法，例如，可以自动构建能够获得期望输出的噪声消除滤波器、期望的时序预测算法等。在下面，将描述根据本发明的实施例。
<2：第一实施例>
首先，将描述本发明的第一实施例。本实施例涉及油画滤波器的构建方法。在下面，将依次说明根据本实施例的油画滤波器自动构建系统的概述、能够实现油画滤波器自动构建系统的功能的信息处理设备100、150的功能配置，以及由油画滤波器进行的类油画图像的创建方法。另外，虽然这里取油画滤波器作为示例，但是可扩展到其输出数据不是标量的任意算法的自动构建方法和由该算法进行的输出数据的创建方法。
<2-1：油画滤波器自动构建系统的概述>
首先，将参照图3描述根据本实施例的油画滤波器自动构建系统的功能的概述。图3是示出根据本实施例的油画滤波器自动构建系统的功能的概述的说明图。
如图3所示，油画滤波器自动构建系统是用于自动构建油画滤波器的系统。首先，通过使用包括油画图像、非油画图像以及指示“油画”或“非油画”的正确解答信息的多个用于学习的数据集，并且执行基于遗传算法的机器学习，油画滤波器自动构建系统自动创建输出“与油画的相似度(下文中的油画相似度)”的评估器。
接下来，油画滤波器自动构建系统通过随机组合图像处理滤波器来创建第一代油画滤波器。然后，油画滤波器自动构建系统通过将图像输入到第一代油画滤波器来创建类油画图像。然后，油画滤波器自动构建系统通过将创建的类油画图像输入到评估器来计算评估值。然后，油画滤波器自动构建系统基于遗传算法根据第一代油画滤波器创建第二代油画滤波器，使得评估值将是高的(世代变化)。
油画滤波器自动构建系统重复世代变化，直到由评估器计算出的评估值满足预定终止条件为止，并且输出满足预定终止条件的最后代的油画滤波器。另外，油画滤波器自动构建系统通过使用构建的油画滤波器将作为转换对象的图像转换成类油画图像，并输出该类油画图像。
在上文中，描述了油画滤波器自动构建系统的功能的概述。如上所述，油画滤波器自动构建系统通过基于遗传算法的机器学习创建评估器，并且通过使用该评估器来评估油画相似度。然后，油画滤波器自动构建系统自动构建由评估器对其进行的评估将为高的油画滤波器。根据这种配置，即使用户未指定最佳化指标，也可以适当地构建其输出数据不是标量的油画滤波器。
<2-2：信息处理设备100、150的功能配置>
接下来，将参照图4和图5描述根据本实施例的信息处理设备100、150的功能配置。图4是示出根据本实施例的信息处理设备100的功能配置的示例的说明图。另一方面，图5是示出根据本实施例的信息处理设备150的功能配置的示例的说明图。另外，用相同的附图标记表示具有实质相同的功能的信息处理设备100、150的结构元件，以清楚地表示结构元件之间的对应关系。
(信息处理设备100的功能配置)
如图4所示，信息处理设备100主要包括评估器构建用数据集输入单元102、评估器构建单元104、处理方法准备单元106、数据处理单元108、已处理数据评估单元110、处理方法更新单元112以及输出单元114。下面，将按照评估器的自动构建处理的流程、油画滤波器的自动构建处理的流程以及输入图像的处理的流程，描述每个结构元件的功能。另外，为了说明，假定遗传算法用于由稍后描述的处理方法更新单元112进行的处理。然而，可使用诸如本地搜索和模拟退火的任何方法，只要该方法能够使元件最佳化即可。
(评估器的自动构建)
首先，评估器构建用数据集输入单元102获取用于学习的数据集(下文中的用于评估器构建的数据集)，并且将该用于学习的数据集输入到评估器构建单元104。评估器构建用数据集输入单元102可经由网络从外部装置获取用于评估器构建的数据集，或者可从安装在信息处理设备100中的记录装置(未示出)获取用于评估器构建的数据集。此外，评估器构建用数据集输入单元102还可连接到输入装置，以用于用户手动输入正确解答信息。
此外，如图6所示，用于评估器构建的数据集由多个用于学习的图像和指示用于学习的图像是否是油画的多条正确解答信息形成。当输入该用于评估器构建的数据集时，评估器构建单元104通过基于遗传算法的机器学习来构建评估器。另外，稍后将描述评估器的构建算法的细节。这里，将参照图7简要描述评估器的构建算法的概述。如图7所示，通过由预先准备的多个处理函数的组合而创建的特征量提取式的组合(例如，线性组合)来构建评估器。
首先，评估器构建单元104创建多个特征量提取式(第一代特征量提取式列表)，标量是根据特征量提取式而计算出的。然后，评估器构建单元104取用于评估器构建的数据集中包括的用于学习的图像作为输入值x，并且通过将输入值x输入到第一代特征量提取式列表中的每个特征量提取式而计算出多个特征量。然后，评估器构建单元104通过使用多个特征量和用于评估器构建的数据集中包括的多条正确解答信息(例如，油画＝1，非油画＝0)执行基于遗传算法的机器学习，创建第一代评估式。此外，评估器构建单元104针对每个特征量提取式计算出对评估式的贡献率。
例如，在通过特征量提取式的线性组合表示评估式的情况下，针对每个特征量提取式，评估器构建单元104基于每个特征量提取式的组合系数计算出对评估式的贡献率。然后，评估器构建单元104基于对评估式的贡献率而关于终止条件做出判定，并且在满足终止条件的情况下，输出评估式作为评估器。另一方面，在不满足终止条件的情况下，评估器构建单元104取评估式中包括的特征量提取式作为第二代特征量提取式，并且以趋向于维持贡献率高的特征量提取式的元素的方式，通过遗传算法根据第二代特征量提取式创建第二代特征量提取式列表。
然后，评估器构建单元104使用第二代特征量提取式列表，并且创建第二代评估式，如同在第一代的情况下。另外，评估器构建单元104计算每个特征量提取式对第二代评估式的贡献率。然后，评估器构建单元104基于对评估式的贡献率而关于终止条件做出判定，并且在满足终止条件的情况下，输出评估式作为评估器。另一方面，在不满足终止条件的情况下，评估器构建单元104取评估式中包括的特征量提取式作为第三代特征量提取式，并且创建第三代评估式，如同在第二代的情况下。以此方式，重复世代变化，直到满足终止条件为止，并且，在满足终止条件的时间点，输出最后代的评估式作为评估器。
由评估器构建单元104以此方式构建的评估器被输入到已处理数据评估单元110。该评估器输出随着输入图像是油画的概率越高而越大的值，以及随着输入图像是油画的概率越低而越小的值。
(油画滤波器的自动构建、输入图像的处理)
当构建评估器时，基于通过使用该评估器获得的评估值，创建油画滤波器。首先，处理方法准备单元106通过组合多个算子来创建处理方法。算子是用于处理图像的处理方法的最小单位。例如，使用如下的函数、滤波器等作为算子。
三角函数等：Sin、Cos、Tan、ArcSin、…
指数函数等：Exp、Log、Pow、Sqrt、…
四则运算：Add、Multiply、…
数字滤波器：LPF、HPF、BPF、…
微分运算：Differential
中值滤波器：Median
归一化运算：Normalize
白噪声添加处理：AddWhiteNoise
图像处理滤波器：Hemming、Sharpness、Blur、…
处理方法准备单元106首先通过随机组合算子创建多个处理方法。例如，处理方法准备单元106创建AddWhiteNoise(Median(Blur(x)))。该处理方法是指将模糊滤波器(模糊处理)施加到输入值x、将中值滤波器(中值滤波器处理)施加到模糊滤波器的输出，以及将白噪声添加到中值滤波器的输出。处理方法准备单元106创建多个这样的处理方法，并且将它们输出到数据处理单元108。
数据处理单元108通过由处理方法准备单元106创建的处理方法处理输入图像，创建已处理图像。如图8所示，在处理方法准备单元106创建m个处理方法(例如，AddWhiteNoise(Median(Blur(x)))、…、Normalize(Abs(Differential(x))))的情况下，数据处理单元108通过该m个处理方法处理输入图像，并且创建m个已处理图像1到m。然后，数据处理单元108将已处理图像1到m输入到已处理数据评估单元110。
如图8所示，已处理数据评估单元110将从数据处理单元108输入的已处理图像1到m输入到评估器，并且计算出m个评估值。然后，已处理数据评估单元110将针对各处理方法计算出的评估值输入到处理方法更新单元112。如图9所示，处理方法更新单元112使用针对各处理方法计算出的评估值，并且基于遗传算法而更新处理方法1到m。
在下面说明中，由F(t-1) 1表示更新之前的处理方法1、…、并且由F(t-1) m表示更新之前的处理方法m。另外，由v1表示处理方法F(t-1) 1的评估值、…、并且由vm表示处理方法F(t-1) m的评估值。此外，由F(t) 1表示更新之后的处理方法1、…、并且由F(t) m表示更新之后的处理方法m。
首先，处理方法更新单元112选择更新之前的处理方法F(t-1) 1到F(t-1) m之中具有高评估值的预定数量的处理方法。在图9的示例中，按评估值的降序选择F(t-1) 2、F(t-1) 4、F(t-1) 3、F(t-1) 1、F(t-1) 5等。处理方法更新单元112设置所选择的处理方法作为更新之后的处理方法。在图9的示例中，设置F(t) 1＝F(t-1) 2、F(t) 2＝F(t-1) 4、F(t) 3＝F(t-1) 3、F(t) 4＝F(t-1) 1、F(t) 5＝F(t-1) 5等。
接下来，处理方法更新单元112通过使更新之前的处理方法F(t-1) 1到F(t-1) m之中的预定数量的处理方法变异，来创建新处理方法。然后，处理方法更新单元112设置新处理方法作为更新之后的处理方法。在图9的示例中，由函数Mutation()表示变异。另外，在图9的示例中，选择F(t-1) 3、F(t-1) 1、F(t-1) 4等作为变异的对象，并且将其设置为更新之后的处理方法F(t) 10、F(t) 11、F(t) 12等。
接下来，处理方法更新单元112通过随机组合算子来创建预定数量的新处理方法。在图9的示例中，由函数Random()表示处理方法的随机创建。另外，在图9的示例中，已随机创建的新处理方法被设置为更新之后的处理方法F(t) 30、F(t) 31、F(t) 32、…、F(t) m。以此方式，处理方法更新单元112基于遗传算法从更新之前的处理方法创建更新之后的处理方法。然后，处理方法更新单元112将更新之后的处理方法输入到数据处理单元108。
这里，将参照图10描述变异的处理。图10是示出变异的处理的示例的说明图。如图10所示，变异的处理包括三种类型，即，(A)算子的删除、(B)算子的添加、以及(C)算子的改变，以及它们的组合。
例如，在变异之前的处理方法是AddWhiteNoise(Median(Blur(x)))的情况下，处理方法更新单元112可删除算子Median()(A)，作为变异处理。在这种情况下，变异之后的处理方法将是AddWhiteNoise(Blur(x))。另外，对要删除的算子的类型没有限制，但是如果由于算子的删除而使对接下来要执行的算子的输入变得无效，那么要禁止该算子的删除。
此外，处理方法更新单元112可添加算子Humming()(B)，作为变异处理。在这种情况下，例如，变异之后的处理方法将是AddWhiteNoise(Hemming(Median(Blur(x))))。另外，对要添加的算子的类型没有限制，但是如果要添加的算子的输入无效或者如果由于算子的添加而使对接下来要执行的算子的输入变得无效，那么要禁止这样的添加。
此外，处理方法更新单元112可将算子AddWhiteNoise()改变成Sin()(C)，作为变异处理。在这种情况下，例如，变异之后的处理方法将是Sin(Median(Blur(x)))。另外，对要成为改变之后的算子的算子类型没有限制，但是如果要成为改变之后的算子的算子的输入无效或者如果由于算子的改变而使对接下来要执行的算子的输入变得无效，那么要禁止对这样的算子的改变。
如上所述，通过根据算子的添加、删除、改变等来修改处理方法的部分，创建新处理方法。
将再次参照图4。当从处理方法更新单元112输入更新之后的处理方法时，数据处理单元108通过更新之后的处理方法处理输入图像，并且创建已处理图像。然后，数据处理单元108将创建的已处理图像输入到已处理数据评估单元110。已处理数据评估单元110输入从数据处理单元108输入的已处理图像1到m，并且计算出m个评估值。然后，已处理数据评估单元110将针对每个处理方法计算出的评估值输入到处理方法更新单元112。
以此方式重复地执行由处理方法更新单元112、数据处理单元108以及已处理数据评估单元110进行的处理。继续该重复处理，直到满足预定终止条件为止，并且当满足预定终止条件时，结束该重复处理。例如，在用户执行结束操作的情况下、在评估值超过了预定阈值的情况下、在执行了重复处理预定次数的情况下、在连续执行了重复处理预定时间段的情况下、或者在与以上情况的组合相对应的情况下，满足终止条件。
在满足终止条件的情况下，将最后的重复处理中由数据处理单元108创建的已处理图像和由处理方法更新单元112创建的处理方法输出到输出单元114。然后，输出单元114输出这些已处理图像和处理方法。另外，输出单元114输出已处理图像和处理方法中之一或两者。以此方式，通过基于遗传算法而执行重复处理，计算出具有更高评估值的处理方法，并且通过使用该处理方法创建的已处理图像的油画相似度提高。
现在，向用户呈现从输出单元114输出的已处理图像和处理方法。然后，在从用户获得关于已处理图像的满意度的反馈的情况下，信息处理设备100通过使用该反馈来更新评估器。
例如，在从用户获得如图11所示的反馈的情况下，评估器构建用数据集输入单元102将关于反馈的信息添加到现有的用于评估器构建的数据集，并且重构新的用于评估器构建的数据集。然后，评估器构建用数据集输入单元102将通过重构获得的新的用于评估器构建的数据集输入到评估器构建单元104。当输入新的用于评估器构建的数据集时，评估器构建单元104通过上述基于遗传算法的机器学习重构评估器。然后，评估器构建单元104将重构的评估器输入到已处理数据评估单元110。
以此方式，当从用户获得反馈时，重构评估器并且更新由已处理数据评估单元110保持的评估器。然后，关于接下来被输入的输入图像，通过使用更新之后的评估器来创建处理方法，并且输出通过使用该处理方法创建的已处理图像。以此方式，通过接收用户的反馈，自动构建能够以更高精确度评估油画相似度的评估器。
在此之前，描述了信息处理设备100的功能配置。另外，在以上说明中从输出单元114最终输出的处理方法是油画滤波器。
(信息处理设备150的功能配置)
接下来，将描述作为信息处理设备100的修改示例的信息处理设备150的功能配置。
如图5所示，信息处理设备150主要包括处理方法准备单元106、数据处理单元108、已处理数据评估单元110、处理方法更新单元112以及输出单元114。与在图4中示出的信息处理设备100的差异是：信息处理设备150本身不构建评估器，而是从外部获取评估器。因此，与信息处理设备100的差异在于要由已处理数据评估单元110使用的评估器的获取源。另外，对于信息处理设备150，要由已处理数据评估单元110使用的评估器的配置和构建方法是相同的。即，信息处理设备150是关于评估器的获取方法的信息处理设备100的修改示例。因此，信息处理设备150的每个结构元件的功能与信息处理设备100的相应结构元件的功能实质上相同。因此，将省略对信息处理设备150的每个结构元件的功能的细节的说明。
在此之前，描述了根据本实施例的信息处理设备150的功能配置。
<2-3：类油画图像创建方法>
接下来，将参照图12描述根据本实施例的类油画图像的创建方法。图12是示出与根据本实施例的类油画图像的创建方法相关的处理的流程的说明图。注意，图12的示例涉及上述信息处理设备100进行的处理。
如图12所示，首先，评估器构建用数据集输入单元102获取用于评估器构建的数据集，并且将该用于评估器构建的数据集输入到评估器构建单元104(S102)。接下来，评估器构建单元104自动构建评估器(S104)。另外，稍后将详细描述步骤S104的处理。
接下来，处理方法准备单元106随机组合算子，并且创建处理方法(S106)。然后，数据处理单元108通过由处理方法准备单元106创建的处理方法来处理输入图像，并且针对每个处理方法，创建处理图像(已处理数据)(S108)。然后，已处理数据评估单元110通过使用由评估器构建单元104构建的评估器计算出由数据处理单元108创建的每条已处理数据的评估值(S110)。
接下来，已处理数据评估单元110基于计算出的评估值、用户操作等，判定是否满足终止条件(S112)。在满足终止条件的情况下，已处理数据评估单元110将已处理数据和处理方法输入到输出单元114。然后，信息处理设备100进行到步骤S114的处理。另一方面，当不满足终止条件时，已处理数据评估单元110将各处理方法的评估值输入到处理方法更新单元112。然后，信息处理设备100进行到步骤S118的处理。
在进行到步骤S114的处理的情况下，输出单元114输出已处理数据和处理方法，并且将其呈现给用户(S114)。然后，判定用户是否对处理结果满意(S116)，并且在用户满意的情况下，结束系列处理。另一方面，如果用户对处理结果不满意并且输入反馈，那么信息处理设备100重构反映该反馈的用于评估器构建的数据集，并且基于该用于评估器构建的数据集再次执行步骤S102和随后步骤的处理。
在通过步骤S112的判定而进行到步骤S118的处理的情况下，处理方法更新单元112基于遗传算法更新处理方法(S118)。然后，处理方法更新单元112将更新之后的处理方法输入到数据处理单元108。然后，信息处理设备100使处理返回到步骤S108，并且再次执行步骤S108和随后步骤的处理。最终，当在步骤S116的判定中获得用户的满意时，结束系列处理。
在此之前，描述了根据本实施例的类油画图像的创建方法。另外，在以上说明中从输出单元114最终输出的处理方法是油画滤波器。
如上所述，在本实施例中，通过遗传算法来自动构建评估器，并且另外，通过使用该评估器来执行基于遗传算法的处理方法的创建处理。因此，可自动构建其输出数据不是标量的算法(油画滤波器)。
另外，在此之前，对油画滤波器一致地进行了说明。然而，可以将油画滤波器修改成其输出数据不是标量的任意算法。在这种情况下，将输入图像改变成与算法的输入形式匹配的输入数据。还将图像改变成用于评估器构建的数据集的数据。然而，没有修改根据上述本实施例的评估器的自动构建方法和算法的自动构建方法的机制。因此，这样的修改当然也在本实施例的技术范围内。
在此之前，描述了本发明的第一实施例。
<3：第二实施例>
接下来，将描述本发明的第二实施例。本实施例涉及以伪方式模拟生物运动的算法的构建方法(伪运动创建器)。在下面，将依次说明伪运动创建器自动构建系统的概述、能够实现伪运动创建器自动构建系统的功能的信息处理设备200、250的功能配置，以及通过伪运动创建器进行的伪运动创建方法。另外，虽然这里取伪运动创建器作为示例，但是可扩展到其正确解答不是唯一确定的任意算法的自动构建方法和通过该算法进行的输出数据的创建方法。
<3-1：伪运动创建器自动构建系统的概述>
首先，将参照图13描述根据本实施例的伪运动创建器自动构建系统的功能的概述。图13是示出根据本实施例的伪运动创建器自动构建系统的功能的概述的说明图。
如图13所示，伪运动创建器自动构建系统是用于自动构建伪运动创建器的系统。首先，通过使用包括指示某种生物(下文中的特定生物)的运动的移动轨迹、不同移动体(非特定生物)的移动轨迹、以及指示“特定生物的移动轨迹”或“不是特定生物的移动轨迹”的正确解答的多个用于学习的数据集，并且执行基于遗传算法的机器学习，根据本实施例的伪运动创建器自动构建系统自动创建输出“特定生物的移动轨迹相似度(下文中的特定生物相似度)”的评估器。另外，可通过使用运动识别技术从视频数据提取移动轨迹，或者可输入时序坐标数据作为移动轨迹。
接下来，伪运动创建器自动构建系统通过随机组合处理函数创建第一代伪运动创建器。然后，伪运动创建器自动构建系统通过将初始值输入到第一代伪运动创建器创建移动轨迹。然后，伪运动创建器自动构建系统通过将创建的移动轨迹输入到评估器计算评估值。然后，伪运动创建器自动构建系统基于遗传算法从第一代伪运动创建器创建第二代伪运动创建器，使得评估值将是高的(世代变化)。
伪运动创建器自动构建系统重复世代变化，直到由评估器计算出的评估值满足预定终止条件为止，并且输出满足预定终止条件的最后代的伪运动创建器。另外，伪运动创建器自动构建系统输出移动轨迹，该移动轨迹通过使用构建的伪运动创建器以伪方式模拟特定生物的移动轨迹。
在此之前，描述了伪运动创建器自动构建系统的功能的概述。如上所述，伪运动创建器自动构建系统通过基于遗传算法的机器学习创建评估器，并且通过使用该评估器对移动轨迹的特定生物相似度进行评估。然后，伪运动创建器自动构建系统自动构建对该伪运动创建器的评估将为高的伪运动创建器。根据这种配置，可以适当地构建其正确解答不是唯一确定的伪运动创建器。
<3-2：信息处理设备200、250的功能配置>
接下来，将参照图14和图15描述根据本实施例的信息处理设备200、250的功能配置。图14是示出根据本实施例的信息处理设备200的功能配置的示例的说明图。另一方面，图15是示出根据本实施例的信息处理设备250的功能配置的示例的说明图。另外，用相同的附图标记表示具有实质相同的功能的信息处理设备200、250的结构元件，以清楚地表示结构元件之间的对应关系。此外，这里将说明以伪方式再现蝴蝶的运动的伪运动创建器的自动构建算法。
(信息处理设备200的功能配置)
如图14所示，信息处理设备200主要包括评估器构建用数据集输入单元202、评估器构建单元204、创建方法准备单元206、伪运动创建单元208、伪运动评估单元210、创建方法更新单元212、以及输出单元214。在下面，将按照评估器的自动构建处理的流程、伪运动创建器的自动构建处理的流程，以及特定生物的移动轨迹的创建处理的流程来描述每个结构元件的功能。另外，为了说明，假定遗传算法被用于由稍后描述的创建方法更新单元212进行的处理。然而，可使用诸如本地搜索和模拟退火的任何方法，只要该方法能够使元件最佳化即可。
(评估器的自动构建)
首先，评估器构建用数据集输入单元202获取用于学习的数据集(下文中的用于评估器构建的数据集)，并且将该用于学习的数据集输入到评估器构建单元204。评估器构建用数据集输入单元202可经由网络从外部装置获取用于评估器构建的数据集，或者可从安装在信息处理设备200中的记录装置(未示出)获取用于评估器构建的数据集。此外，评估器构建用数据集输入单元202还可连接到输入装置，以用于用户手动输入正确解答信息。
如图17所示，用于评估器构建的数据集由以下形成：由如图16所示的每个时间点的坐标数据形成的多条运动数据和指示每个运动数据是否是蝴蝶的运动数据的多条正确解答信息。当输入这种用于评估器构建的数据集时，评估器构建单元204通过基于遗传算法的机器学习来构建评估器。另外，稍后将描述评估器的构建算法的细节。这里，将参照图18简要描述评估器的构建算法的概述。如图18所示，通过由预先准备的多个处理函数的组合而创建的特征量提取式的组合(例如，线性组合)来构建评估器。
首先，评估器构建单元204创建多个特征量提取式(第一代特征量提取式列表)，标量是根据特征量提取式而计算出的。然后，评估器构建单元204取用于评估器构建的数据集中包括的用于学习的运动数据作为输入值x，并且通过将输入值x输入到第一代特征量提取式列表中的每个特征量提取式来计算多个特征量。然后，评估器构建单元204通过使用多个特征量和用于评估器构建的数据集中包括的多条正确解答信息(例如，蝴蝶＝1，除蝴蝶外＝0)执行基于遗传算法的机器学习，来创建第一代评估式。此外，评估器构建单元204针对每个特征量提取式计算对评估式的贡献率。
例如，在用特征量提取式的线性组合表示评估式的情况下，针对每个特征量提取式，评估器构建单元204基于每个特征量提取式的组合系数计算对评估式的贡献率。然后，评估器构建单元204基于对评估式的的贡献率而关于终止条件做出判定，并且在满足终止条件的情况下，输出评估式作为评估器。另一方面，在不满足终止条件的情况下，评估器构建单元204取评估式中包括的特征量提取式作为第二代特征量提取式，并且通过遗传算法从第二代特征量提取式创建第二代特征量提取式列表，其方式为使得贡献率高的特征量提取式的元素易于维持。
然后，评估器构建单元204使用第二代特征量提取式列表并且创建第二代评估式，如同在第一代的情况下。另外，评估器构建单元204计算出每个特征量提取式对第二代评估式的贡献率。然后，评估器构建单元204基于对评估式的贡献率而关于终止条件做出判定，并且在满足终止条件的情况下，输出评估式作为评估器。另一方面，在不满足终止条件的情况下，评估器构建单元204取评估式中包括的特征量提取式作为第三代特征量提取式，并且创建第三代评估式，如同在第二代的情况下。以此方式，重复世代变化，直到满足终止条件为止，并且，在满足终止条件的时间点，输出最后代的评估式作为评估器。
将以此方式由评估器构建单元204构建的评估器输入到伪运动评估单元210。该评估器输出随着移动轨迹是蝴蝶的移动轨迹的概率越高而越大的值以及随着移动轨迹是蝴蝶的移动轨迹的概率越低而越小的值。
(伪运动创建器的自动构建、移动轨迹的创建处理)
当构建评估器时，基于通过使用该评估器获得的评估值，创建伪运动创建器。首先，创建方法准备单元206通过组合多个算子，创建创建方法。算子是用于创建移动轨迹的创建方法的最小单位。例如，使用如下处理元素作为算子。
常数：Const
延迟器：Delay
滤波器：LPF、HPF、BPF、…
矢量组合：Combine
条件确定：If
四则运算：Add、Sub、Multiply、…
符号反转：ISign
三角函数等：Sin、Cos、Tan、ArcSin、…
规范化(norm)计算：Norm
噪声生成：RndGaussian、RndWhite
基本波形振荡：OscSin、OscTri、OscSqr、…
创建方法准备单元206首先通过随机组合算子创建多个创建方法。例如，如图19所示，创建方法准备单元206创建如下创建方法：其在输入时刻t的位置矢量(Xt，Yt，Zt)的情况下，输出时刻t+1的加速度矢量(AXt+1，AYt+1，AZt+1)。在图19中示出的创建方法包括规范化计算Norm、正弦函数Sin、矢量组合Combine、白噪声生成RndWhite、常数Const、以及加法Add。
这里将简要描述在图19中示出的创建方法的表示。如图19所示，用代表每个算子的节点和指示处理顺序的节点之间的箭头表示创建方法。在图19中示出的创建方法的情况下，输入矢量的箭头连接到规范化计算Norm的节点。因此，对输入矢量执行规范化计算Norm。另外，箭头从规范化计算Norm的节点连接到正弦函数Sin的节点，因此，对规范化计算Norm的输出执行由正弦函数Sin进行的操作。
此外，箭头从正弦函数Sin的节点连接到矢量组合Combine的节点，因此对正弦函数Sin的输出执行矢量组合Combine的处理。另外，矢量组合Combine的处理是以矢量形式耦合连接到该节点的节点的输出。在图19的示例中，三个输入箭头连接到矢量组合Combine的节点。因此，连接到该三个输入箭头的节点的输出是以矢量形式耦合的。
连接到矢量组合Combine的节点的节点之一是上述正弦函数Sin的节点。另一个是加法Add的节点。最后一个是常数Const的节点。从白噪声生成RndWhite的节点延伸的箭头和从常数Const的节点延伸的箭头连接到加法Add的节点。因此，在加法Add的节点处，在白噪声生成RndWhite的节点处生成的白噪声和从常数Const的节点输出的常数相加。
然后，在加法Add的节点处相加的值在矢量组合Combine的节点处以矢量形式耦合。另外，在常量Const的节点处输出的常数在矢量组合Combine的节点处以矢量形式耦合。结果，具有三个元素的矢量在矢量组合Combine的节点处被创建，并且被输出作为输出矢量。即，在图19中，表示了创建由AXt+1＝Sin(Norm(Xt，Yt，Zt))、AYt+1＝Add(RndWhite，Const)、以及AZt+1＝Const形成的输出矢量(AXt+1，AYt+1，AZt+1)的创建方法。
创建方法准备单元206创建多个这样的创建方法，并且将它们输入到伪运动创建单元208。伪运动创建单元208通过使用由创建方法准备单元206创建的创建方法创建移动轨迹。如图20所示，在由创建方法准备单元206创建m个创建方法的情况下，伪运动创建单元208通过使用该m个创建方法创建m个移动轨迹1到m。然后，伪运动创建单元208将移动轨迹1到m输入到伪运动评估单元210。
如图20所示，伪运动评估单元210将从伪运动创建单元208输入的移动轨迹1到m输入到评估器，并且计算出m个评估值。然后，伪运动评估单元210将针对各创建方法计算出的评估值输入到创建方法更新单元212。如图21所示，创建方法更新单元212使用针对各个创建方法计算出的评估值，并且基于遗传算法更新创建方法1到m。
在下面说明中，由F(t-1) 1表示更新之前的创建方法1、…、并且由F(t-1) m表示更新之前的创建方法m。另外，由v1表示创建方法F(t-1) 1的评估值、…、并且由vm表示创建方法F(t-1) m的评估值。此外，由F(t) 1表示更新之后的创建方法1、…、并且由F(t) m表示更新之后的创建方法m。
首先，创建方法更新单元212选择更新之前的创建方法F(t-1) 1到F(t-1) m之中具有高评估值的预定数量的创建方法。在图21的示例中，按评估值的降序选择F(t-1) 2、F(t-1) 4、F(t -1) 3、F(t-1) 1、F(t-1) 5等。创建方法更新单元212设置所选择的创建方法作为更新之后的创建方法。在图21的示例中，设置F(t) 1＝F(t-1) 2、F(t) 2＝F(t-1) 4、F(t) 3＝F(t-1) 3、F(t) 4＝F(t-1) 1、F(t) 5＝F(t -1) 5等。
接下来，创建方法更新单元212通过使更新之前的创建方法F(t-1) 1到F(t-1) m之中的预定数量的创建方法变异来创建新创建方法。然后，创建方法更新单元212将新创建方法设置为更新之后的创建方法。在图21的示例中，由函数Mutation()表示变异。另外，在图21的示例中，F(t-1) 3、F(t-1) 1、F(t-1) 4等被选择作为变异的对象，并且被设置为更新之后的创建方法F(t) 10、F(t) 11、F(t) 12等。
接下来，创建方法更新单元212通过随机组合算子来创建预定数量的新创建方法。在图21的示例中，由函数Random()表示创建方法的随机创建。另外，在图21的示例中，随机创建的新创建方法被设置为更新之后的创建方法F(t) 30、F(t) 31、F(t) 32、…、F(t) m。以此方式，创建方法更新单元212基于遗传算法从更新之前的创建方法创建更新之后的创建方法。然后，创建方法更新单元212将更新之后的创建方法输入到伪运动创建单元208。
这里，将参照图22到图24描述变异的处理。图22到图24是示出变异的处理的示例的说明图。
首先，将参照图22。图22示出了与创建方法中包括的算子的删除、算子的插入、以及算子的改变相关的处理，作为变异的示例。在图22的示例中，删除原始创建方法(图19的示例)中包括的正弦函数Sin的节点。另外，在本示例中，在白噪声生成RndWhite的节点与加法Add的节点之间插入余弦函数Cos的节点。此外，在本示例中，常数Const的节点改变成正弦波振荡OscSin的节点。
即，通过该变异，原始创建方法被改变成创建由AXt+1＝Norm(Xt，Yt，Zt)、AYt+1＝Add(Cos(RndWhite)，Const)、以及AZt+1＝OscSin形成的输出矢量(AXt+1，AYt+1，AZt+1)的创建方法。
接下来，将参照图23。图23示出了与创建方法中包括的算子的交叉相关的处理，作为变异的示例。这里，交叉是指交换连接节点的箭头的连接目标。例如，在原始创建方法中(图19的示例)连接规范化计算Norm的节点和正弦函数Sin的节点的箭头改变成连接规范化计算Norm的节点和加法Add的节点的箭头。此外，在原始创建方法中连接白噪声生成RndWhite的节点和加法Add的节点的箭头改变成连接白噪声生成RndWhite的节点和正弦函数Sin的节点的箭头。
即，通过该变异(两个箭头之间的交换)，原始创建方法改变成创建由AXt+1＝Sin(RndWhite)、AYt+1＝Add(Norm(Xt，Yt，Zt)，Const)、以及AZt+1＝Const形成的输出矢量(AXt+1，AYt+1，AZt+1)的创建方法。
接下来，将参照图24。图24示出了随机创建在创建方法中包括的算子的部分的处理，作为变异的示例。在图24的示例中，在原始创建方法(图19的示例)中由加法Add的节点和其下面的节点形成的节点群一起改变成不同的节点群。即，通过该变异(部分随机创建)，原始创建方法改变成创建由AXt+1＝Sin(Norm(Xt，Yt，Zt))、AYt+1＝If(OscSqr，Const，RndWhite)、以及AZt+1＝Const形成的输出矢量(AXt+1，AYt+1，AZt+1)的创建方法。
在此之前，描述了变异的处理。
将再次参照图14。当从创建方法更新单元212输入更新之后的创建方法时，伪运动创建单元208通过使用更新之后的创建方法来创建移动轨迹。然后，伪运动创建单元208将创建的移动轨迹输入到伪运动评估单元210。伪运动评估单元210将从伪运动创建单元208输入的移动轨迹1到m输入到评估器，并且计算出m个评估值。然后，伪运动评估单元210将针对各个创建方法计算出的评估值输入到创建方法更新单元212。
以此方式重复地执行通过创建方法更新单元212、伪运动创建单元208以及伪运动评估单元210进行的处理。继续该重复处理，直到满足预定终止条件为止，并且当满足预定终止条件时，结束该重复处理。例如，在用户执行结束操作的情况下、在评估值超过预定阈值的情况下、在执行重复处理预定次数的情况下、在连续执行重复处理预定时间段的情况下、或者在与以上情况的组合对应的情况下，满足终止条件。
在满足终止条件的情况下，将最后的重复处理中由伪运动创建单元208创建的移动轨迹和由创建方法更新单元212创建的创建方法输出到输出单元214。然后，输出单元214输出这些移动轨迹和创建方法。另外，输出单元214输出该移动轨迹和创建方法中之一或两者。以此方式，通过基于遗传算法执行重复处理，计算具有更高评估值的创建方法，并且通过使用该创建方法而创建的蝴蝶移动轨迹的相似度提高。
现在，向用户呈现从输出单元214输出的移动轨迹和创建方法。然后，在从用户获得与对移动轨迹的满意度相关的反馈的情况下，信息处理设备200使用该反馈来更新评估器。
例如，在从用户获得如图25所示的反馈的情况下，评估器构建用数据集输入单元202将关于反馈的信息添加到现有的用于评估器构建的数据集，并且重构新的用于评估器构建的数据集。然后，评估器构建用数据集输入单元202将通过重构获得的新的用于评估器构建的数据集输入到评估器构建单元204。当输入新的用于评估器构建的数据集时，评估器构建单元204通过上述基于遗传算法的机器学习重构评估器。然后，评估器构建单元204将重构的评估器输入到伪运动评估单元210。
以此方式，当从用户获得反馈时，重构评估器，并且更新由伪运动评估单元210保持的评估器。然后，通过使用更新之后的评估器来创建创建方法，并且输出通过使用该创建方法创建的移动轨迹。以此方式，通过接收用户的反馈，自动构建能够以更高精确度评估蝴蝶相似度的评估器。
在此之前，描述了根据本实施例的信息处理设备200的功能配置。另外，在以上说明中从输出单元214最终输出的创建方法是伪运动创建器。
(信息处理设备250的功能配置)
接下来，将描述作为信息处理设备200的修改示例的信息处理设备250的功能配置。
如图15所示，信息处理设备250主要包括创建方法准备单元206、伪运动创建单元208、伪运动评估单元210、创建方法更新单元212以及输出单元214。在图14中示出的信息处理设备200的差异是：信息处理设备250本身不构建评估器，而是从外部获取评估器。因此，与信息处理设备200的差异在于要由伪运动评估单元210使用的评估器的获取源。另外，对于信息处理设备250，要由伪运动评估单元210使用的评估器的配置和构建方法是相同的。即，信息处理设备250是关于评估器的获取方法的信息处理设备200的修改示例。因此，信息处理设备250的每个结构元件的功能与信息处理设备200的相应结构元件的功能实质相同。因此，将省略对信息处理设备250的每个结构元件的功能的细节的说明。
在此之前，描述了根据本实施例的信息处理设备250的功能配置。
<3-3：伪运动创建方法>
接下来，将参照图26描述根据本实施例的伪运动的创建方法。图26是示出与根据本实施例的伪运动的创建方法相关的处理的流程的说明图。注意，图26的示例涉及由上述信息处理设备200进行的处理。
如图26所示，首先，评估器构建用数据集输入单元202获取用于评估器构建的数据集，并且将该用于评估器构建的数据集输入到评估器构建单元204(S202)。接下来，评估器构建单元204自动构建评估器(S204)。另外，稍后将详细描述步骤S204的处理。
接下来，创建方法准备单元206随机组合算子，并且创建创建方法(S206)。然后，伪运动创建单元208通过使用由创建方法准备单元206创建的创建方法来创建移动轨迹(伪运动)(S208)。然后，伪运动评估单元210通过使用由评估器构建单元204构建的评估器，计算由伪运动创建单元208创建的每个移动轨迹的评估值(S210)。
接下来，伪运动评估单元210基于计算出的评估值、用户操作等，判定是否满足终止条件(S212)。在满足终止条件的情况下，伪运动评估单元210将移动轨迹和创建方法输入到输出单元214。然后，信息处理设备200进行到步骤S214的处理。另一方面，当不满足终止条件时，伪运动评估单元210将各创建方法的评估值输入到创建方法更新单元212。然后，信息处理设备200进行到步骤S218的处理。
在进行到步骤S214的处理的情况下，输出单元214输出移动轨迹和创建方法，并且将其呈现给用户(S214)。然后，判定用户是否对以伪方式创建的移动轨迹满意(S216)，并且在用户满意的情况下，结束系列处理。另一方面，如果用户对移动轨迹的创建结果不满意并且输入反馈，那么信息处理设备200重构反映该反馈的用于评估器构建的数据集，并且基于该用于评估器构建的数据集再次执行步骤S202和随后步骤的处理。
在通过步骤S212的判定而进行到步骤S218的处理的情况下，创建方法更新单元212基于遗传算法更新创建方法(S218)。然后，创建方法更新单元212将更新之后的创建方法输入到伪运动创建单元208。然后，信息处理设备200使处理返回到步骤S208，并且再次执行步骤S208和随后步骤的处理。最终，当在步骤S216的判定中获得用户的满意时，结束系列处理。
在此之前，描述了根据本实施例的伪运动的创建方法。另外，在以上说明中从输出单元214最终输出的创建方法是伪运动创建器。
如上所述，在本实施例中，通过遗传算法来自动构建评估器，并且另外，通过使用该评估器来执行基于遗传算法的创建方法的创建处理。因此，可自动构建其正确解答不是唯一确定的算法(蝴蝶的运动预测(伪运动创建)算法)。
另外，在此之前，对伪运动创建器一致地进行了说明。然而，可以将伪运动创建器修改成其正确解答不是唯一确定的任意算法。在这种情况下，将用于评估器构建的数据集中的运动数据改变成其它适当的数据。然而，并没有修改根据上述本实施例的评估器的自动构建方法和算法的自动构建方法的机制。因此，这样的修改当然也在本实施例的技术范围内。
在此之前，描述了本发明的第二实施例。
<4：第三实施例(自动作曲器构建系统)>
接下来，将参照图27描述本发明的第三实施例。本实施例涉及自动作曲器的构建方法。此外，如图27那样表示根据本实施例的自动作曲器构建系统的配置。注意，自动作曲器构建系统的操作与在图26中示出的根据上述第二实施例的信息处理设备200的操作类似。它们之间的差异在于用于评估器构建的数据集的配置和由创建方法输出的输出矢量的配置。
例如，用于评估器构建的数据集改变成音乐数据、非音乐数据(随机声音的组合等)，以及指示“音乐”或“非音乐”的正确解答信息的组合。另外，在图26的步骤S206中创建的创建方法的输出矢量从加速度矢量改变成与音乐相关的参数(诸如共振、音源、以及音阶)的组合。利用这些改变，实现用于自动构建自动作曲器的自动作曲器构建系统。
在此之前，描述了本发明的第三实施例。
<5：第四实施例(图像/视频自动创建器构建系统)>
接下来，将参照图28描述本发明的第四实施例。本实施例涉及图像/视频自动创建器的构建方法。此外，如图28那样表示根据本实施例的图像/视频自动创建器构建系统的配置。注意，图像/视频自动创建器构建系统的操作与在图26中示出的根据第二实施例的信息处理设备200的操作类似。两者之间的差异在于用于评估器构建的数据集的配置和通过创建方法输出的输出矢量的配置。
例如，用于评估器构建的数据集改变成图像/视频数据、非图像/非视频数据(随机像素值的组合等)，以及指示“图像/视频”或“非图像/视频”的正确解答信息的组合。另外，在图26的步骤S206中创建的创建方法的输出矢量从加速度矢量改变成与图像/视频相关的参数的组合。利用这些改变，实现用于自动构建图像/视频自动创建器的图像/视频自动创建器构建系统。
在此之前，描述了本发明的第四实施例。
<6：硬件配置>
这里，将描述根据上述第一到第四实施例的每个系统的硬件配置的示例。例如，可以通过使用在图29中示出的信息处理设备的硬件配置，实现上述信息处理设备100的每个结构元件的功能。即，通过使用计算机程序控制在图29中示出的硬件，实现每个结构元件的功能。
如图29所示，该硬件主要包括CPU 902、ROM 904、RAM 906、主机总线908以及桥910。此外，该硬件包括外部总线912、接口914、输入单元916、输出单元918、存储单元920、驱动器922、连接端口924以及通信单元926。另外，CPU是中央处理单元的缩写。另外，ROM是只读存储器的缩写。此外，RAM是随机存取存储器的缩写。
例如，CPU 902起算数处理单元或控制单元的作用，并且基于记录在ROM 904、RAM906、存储单元920或可拆卸记录介质928上的各种程序，控制每个结构元件的全部操作或部分操作。ROM 904是用于存储例如要加载到CPU 902上的程序或在算术运算中使用的数据等的装置。例如，RAM 906暂时或永久存储要加载到CPU 902上的程序或在该程序的执行中任意改变的各种参数等。
这些结构元件通过例如能够执行高速数据传输的主机总线908彼此连接。就其而言，主机总线908例如通过桥910连接到其数据传输速度相对低的外部总线912。此外，输入单元916例如是鼠标、键盘、触摸板、按钮、开关或操纵杆。另外，输入单元916可以是可通过使用红外线或其它无线电波来传输控制信号的远程控制。
输出单元918是例如可以视觉上或听觉上向用户通知获取的信息的、诸如CRT、LCD、PDP或ELD的显示装置、诸如扬声器或头戴式耳机的音频输出装置、打印机、移动电话或传真机。另外，CRT是阴极射线管的缩写。LCD是液晶显示器的缩写。PDP是等离子显示面板的缩写。另外，ELD是电致发光显示器的缩写。
存储单元920是用于存储各种数据的装置。存储单元920例如是诸如硬盘驱动器(HDD)的磁存储装置、半导体存储装置、光存储装置或磁光存储装置。HDD是硬盘驱动器的缩写。
驱动器922是这样的器件，其读取记录在诸如磁盘、光盘、磁光盘或半导体存储器的可拆卸记录介质928上的信息，或者将信息写入可拆卸记录介质928。可拆卸记录介质928例如是DVD(数字多功能盘)介质、蓝光介质、HD-DVD(硬盘-数字多功能盘)介质、各类半导体存储介质等。当然，可拆卸记录介质928可以是例如电子器件或者在其上安装有非接触式IC芯片的IC卡。IC是集成电路的缩写。
连接端口924是这样的端口，诸如USB端口、IEEE 1394端口、SCSI、RS-232C端口、或者用于连接诸如光学音频终端的外部连接装置930的端口。外部连接装置930例如是打印机、移动音乐播放器、数字照相机、数字摄像机或IC记录器。另外，USB是通用串行总线的缩写。另外，SCSI是小型计算机系统接口的缩写。
通信单元926是用于连接到网络932的通信装置，并且是例如用于有线或无线LAN、蓝牙(注册商标)或WUSB的通信卡、光通信路由器、ADSL路由器或各种通信调制解调器。连接到通信单元926的网络932由有线连接或无线连接的网络配置成，并且例如是因特网、家用LAN、红外通信、可见光通信、广播或卫星通信。另外，LAN是局域网的缩写。WUSB是无线USB的缩写。此外，ADSL是非对称数字用户线路的缩写。
在此之前，描述了硬件配置的示例。
<7：评估器自动构建方法>
接下来，将参照图30到图43描述评估器的自动构建处理的流程。图30到图43是示出评估器的自动构建处理的流程的说明图。通过评估器构建单元104和204的功能执行这里描述的评估器的自动构建处理。
(总流程)
如图30所示，评估器构建单元104或204首先通过随机组合处理函数来创建特征量提取式列表(S302)。接下来，评估器构建单元104或204通过使用用于评估器构建的数据集和特征量提取式列表中包括的每个特征量提取式，计算特征量(S304)。然后，评估器构建单元104或204通过使用特征量和在用于评估器构建的数据集中的正确解答，并且通过基于遗传算法的机器学习，来创建通过组合特征量提取式而创建的评估式(S306)。
接下来，评估器构建单元104或204计算评估式中包括的特征量提取式(第二代特征量提取式)对评估式的贡献率和基于该贡献率的评估式的可靠度，并且基于该可靠度而确定终止条件(S308)。在步骤S308中满足终止条件的情况下，评估器构建单元104或204输出评估式作为评估器(S310)。另一方面，在可靠度不满足终止条件的情况下，评估器构建单元104或204基于遗传算法从第二代特征量提取式创建第二代特征量提取式列表(S302)。
接下来，评估器构建单元104或204通过执行基于第二代特征量提取式列表的步骤S304到S310来创建评估式，并且计算其可靠度(S304到S310)。在可靠度满足终止条件的情况下，评估器构建单元104或204输出评估式作为评估器。另一方面，在可靠度不满足终止条件的情况下，评估器构建单元104或204再次执行步骤S302到S306的处理，如同在第二代特征量提取式的情况下。以此方式，重复世代变化，直到评估式的可靠度满足终止条件为止。在评估的可靠度满足终止条件的时间点，输出评估式作为评估器。
在下面，将更详细地描述步骤S302、S304、以及S306的处理。另外，上述终止条件是用户所执行的结束操作或者最后代的评估器充分精确(可靠度充分高于预定值)。
(S302：特征量提取式列表的创建)
首先，将参照图31到图39更详细地描述步骤S302的处理。
如图31所示，评估器构建单元104或204判定要在步骤S302中创建的特征量提取式列表是否是第二代或更后代的特征量提取式列表(S3002)。在创建第二代或更后代的特征量提取式列表的情况下，评估器构建单元104或204进行到步骤S3006的处理。另一方面，在创建第一代特征量提取式列表的情况下，评估器构建单元104或204进行到步骤S3004的处理。
在进行到步骤S3004的处理的情况下，评估器构建单元104或204通过随机组合预先准备的处理函数(稍后描述的处理对象轴和算子)来创建特征量提取式列表(S3004)。另一方面，在进行到步骤S3006的处理的情况下，评估器构建单元104或204通过将下一代特征量提取式输入到遗传算法来创建下一代特征量提取式列表(S3006)。然后，评估器构建单元104或204进行到步骤S306的处理。
(S3004(比照S302)：特征量提取式列表的随机创建)
这里，将参照图32更详细地描述根据上述步骤S3004的处理。另外，假设在特征量提取式列表中包括的特征量提取式的数量预先设置为m。
首先，在步骤S3004中，评估器构建单元104或204重复m次通过随机组合处理函数而获得的特征量提取式的创建处理(S3012、S3016)。即，评估器构建单元104或204重复地执行步骤S3014的处理，同时将参数M从1增加到m。首先，评估器构建单元104或204将参数M设置为0(S3012)，并且通过随机组合处理函数来创建特征量提取式(S3014)。接下来，评估器构建单元104或204将参数M加1，并且再次执行步骤S3014的处理(S3016)。在重复地执行步骤S3014的处理直到参数M达到m为止之后，评估器构建单元104或204结束步骤S3004的处理。
(S3014(比照S3004)：特征量提取式的随机创建)
这里，将参照图33更详细地描述根据上述步骤S3014的处理。另外，假定预先设置用于特征量提取式的构建的处理函数(处理对象轴、算子)。另外，这里处理对象轴是指要成为运算的对象的坐标轴，诸如时间、频率、位置或观测值的类型。即，由处理对象轴指定关于沿哪个坐标轴执行由算子进行的运算(运算的方向)的信息。
此外，这里算子是指示处理的内容的算子。可以通过使用各类算子来构建特征量提取式，各类算子诸如微分运算、最大值输出、低通滤波器、高通滤波器、无偏方差、快速傅里叶变换或绝对值输出。另外，根据算子的类型，对于算子指定用于运算的参数。例如，在低通滤波器或高通滤波器的情况下，指定用于指定阻带或通带的参数。此外，除处理函数之外，指示要成为处理对象的数据的类型的信息(下文中的类型信息)也可包括在特征量提取式中。
首先，在步骤S3014中，评估器构建单元104或204随机确定输入数据的类型(类型信息)(S3022)。然而，在输入数据的类型是一种类型的情况下，可跳过步骤S3014的处理。接下来，评估器构建单元104或204随机确定用于构建特征量提取式的处理对象轴和算子的组合(处理函数)(S3024)。然后，评估器构建单元104或204通过组合随机确定的处理函数来创建特征量提取式，并且判定特征量提取式的输出是否将是一个值(标量)(S3026)。
在步骤S3026中特征量提取式的输出是一个值的情况下，评估器构建单元104或204进行到图32中的步骤S3016的处理。另一方面，在特征量提取式的输出不是一个值的情况下，评估器构建单元104或204使处理返回到步骤S3024，并且通过随机确定处理函数再次创建特征量提取式。
(S3006(比照S302)：通过遗传算法进行的特征量提取式列表创建)
这里，将参照图34更详细地描述根据上述步骤S3006的处理。
另外，假定第g(g≥2)代的特征量提取式是前代的特征量提取式。另外，假定：要通过在步骤S3006中执行的选择操作创建的特征量提取式的数量是ms，要通过交叉操作创建的特征量提取式的数量是mx，要通过变异创建的特征量提取式的数量是mm，并且要随机创建的特征量提取式的数量是mr。此外，假定要包括在特征量提取式列表中的特征量提取式的数量是m。
首先，评估器构建单元104或204确定选择数ms、交叉数mx、变异数mm以及随机创建数mr(S3032)。另外，可随机确定选择数ms、交叉数mx、变异数mm以及随机创建数mr，以满足m＝ms+mx+mm+mr，或者可预先对其部分或全部确定，或者可基于对第g代特征量提取式的贡献率确定选择数ms，并且可根据选择数ms来随机确定交叉数mx、变异数mm以及随机创建数mr。
当确定了选择数ms、交叉数mx以及变异数mm时，评估器构建单元104或204从第g代特征量提取式选择具有最高贡献率的ms个特征量提取式，并且将它们添加到特征量提取式列表(S3034)。接下来，评估器构建单元104或204在第g代特征量提取式之间交换部分处理函数，创建mx个新特征量提取式，并且将它们添加到特征量提取式列表(S3036)。
接下来，评估器构建单元104或204从第g代特征量提取式选择mm个特征量提取式，随机改变构成该特征量提取式的部分处理函数，并且将改变之后的特征量提取式添加到特征量提取式列表(S3038)。接下来，评估器构建单元104或204随机创建mr个特征量提取式，并且将它们添加到特征量提取式列表(S3040)。当完成步骤S3032到S3040的处理时，评估器构建单元104或204进行到S304的处理。
(S3034(比照S3006)：选择)
这里，将参照图35更详细地描述根据上述步骤S3034(选择处理)的处理。另外，这里执行的选择处理是与如下机制对应的遗传算法的特征性处理之一：当取特征量提取式作为活体并取处理函数作为基因时，在进化过程中，具有优秀基因的活体以高概率存活。
如图35所示，首先，评估器构建单元104或204按稍后描述的贡献率的降序排列第g代特征量提取式(S3042)。接下来，评估器构建单元104或204将按贡献率的降序将上部ms个特征量提取式添加到特征量提取式列表(S3044)。然后，评估器构建单元104或204进行到步骤S3036的处理。
(S3036(比照S3006)：交叉)
这里，将参照图36更详细地描述根据上述步骤S3036的处理(交叉处理)。另外，这里执行的交叉处理是与如下机制对应的遗传算法的特征性处理之一：当取特征量提取式作为活体并取处理函数作为基因时，在进化过程中部分交换活体的基因，并且生成具有新的基因组合的活体。
如图36所示，评估器构建单元104或204重复地执行步骤S3054到S3060的处理mx次(S3052、S3062)，同时将用于指定要通过交叉处理创建的特征量提取式的指数MX从1变化到mx。首先，评估器构建单元104或204将指数MX设置为1，并且进行到步骤S3054的处理(S3052)。当进行到步骤S3054的处理时，评估器构建单元104或204基于贡献率从第g代特征量提取式选择一个特征量提取式(式A)(S3054)。
接下来，评估器构建单元104或204基于贡献率从第g代特征量提取式选择一个特征量提取式(式B)(S3056)。然后，评估器构建单元104或204通过对在步骤S3054中选择的式A中包括的处理函数的部分和在步骤S3056中选择的式B中包括的处理函数的部分进行交换，创建新特征量提取式(S3058)。然后，评估器构建单元104或204将在步骤S3058中创建的新特征量提取式添加到特征量提取式列表(S3060)。
在执行步骤S3054到S3060的处理之后，评估器构建单元104或204将指数MX加1，并且再次执行步骤S3054到S3060的处理。评估器构建单元104或204重复步骤S3054到S3060的处理，直到指数MX达到mx为止，并且创建mx个特征量提取式。然后，评估器构建单元104或204进行到步骤S3038的处理。
(S3054、S3056(比照S3036)：特征量提取式的选择)
这里，将参照图37更详细地描述根据上述步骤S3054和S3056的处理。
如图37所示，评估器构建单元104或204首先权衡(weight)每个特征量提取式的选择概率，使得特征量提取式的贡献率越高，则该特征量提取式被选择的概率越高，然后，从第g代特征量提取式随机选择一个特征量提取式(S3072)。然后，评估器构建单元104或204判定所选择的特征量提取式是否是已经被选择用于交叉处理的特征量提取式(S3074)。
在特征量提取式是已经被选择用于交叉处理的特征量提取式的情况下，评估器构建单元104或204进行到步骤S3076的处理。另一方面，在特征量提取式没有已经被选择用于交叉处理的情况下，评估器构建单元104或204进行到形成步骤S3036的下一个处理步骤(S3056(在S3054的情况下)或S3058(在S3056的情况下))的处理。
在进行到步骤S3076的处理的情况下，评估器构建单元104或204判定是否已经选择了相同的特征量提取式(S3076)。在已经选择了相同的特征量提取式的情况下，评估器构建单元104或204使处理返回到步骤S3072，并且重新选择一个特征量提取式(S3072)。另一方面，在没有已经选择相同的特征量提取式的情况下，评估器构建单元104或204进行到形成步骤S3036的下一个处理步骤(S3056(在S3054的情况下)或S3058(在S3056的情况下))的处理。
(S3038(比照S3006)：变异)
这里，将参照图38更详细地描述根据上述步骤S3038的处理(变异处理)。另外，这里执行的变异处理是与如下机制对应的遗传算法的特征性处理之一：当取特征量提取式作为活体并取处理函数作为基因时，在进化过程中使活体的基因部分变异，并且生成具有新的基因组合的活体。
如图38所示，评估器构建单元104或204重复地执行步骤S3084到S3088的处理，同时使指数MM从1增加到mm，并且创建mm个特征量提取式(S3082、S3090)。首先，评估器构建单元104或204将指数MM设置为1(S3082)，并且从第g代特征量提取式提取一个特征量提取式(式A)(S3084)。此时，评估器构建单元104或204执行与图37中示出的步骤S3054的处理相同的处理，并且基于特征量提取式的贡献率，选择一个特征量提取式(式A)。
接下来，评估器构建单元104或204将特征量提取式中包括的处理函数的部分改变成随机选择的处理函数，并且创建新特征量提取式(S3086)。然后，评估器构建单元104或204将在步骤S3086中创建的新特征量提取式添加到特征量提取式列表(S3088)。然后，评估器构建单元104或204将指数MM加1，并且再次执行步骤S3084到S3088的处理(S3090)。
接下来，评估器构建单元104或204重复地执行步骤S3084到S3088的处理，直到指数MM达到mm为止，并且创建mm个特征量提取式。然后，评估器构建单元104或204进行到步骤S3040的处理。
(S3040(比照S3006)：随机创建)
这里，将参照图39更详细地描述根据上述步骤S3040的处理(随机创建处理)。
如图39所示，评估器构建单元104或204重复地执行步骤S3094到S3096的处理，同时使指数MR从1增加到mr，并且创建mr个特征量提取式(S3092、S3098)。首先，评估器构建单元104或204将指数MR设置为1(S3092)，并且通过随机组合处理函数来创建新特征量提取式(S3094)。
接下来，评估器构建单元104或204将在步骤S3092中创建的新特征量提取式添加到特征量提取式列表(S3096)。然后，评估器构建单元104或204将指数MR加1，并且再次执行步骤S3094和S3096的处理(S3098)。然后，评估器构建单元104或204重复地执行步骤S3094和S3096的处理，直到指数MR达到mr为止，并且创建mr个特征量提取式。另外，创建每个特征量提取式，使得输出将是标量。
当完成步骤S3040的处理时，完成步骤S3006的处理。当通过步骤S3034、S3036、S3038以及S3040创建包括总共m个特征量提取式的特征量提取式列表时，评估器构建单元104或204进行到步骤S304的处理。
(S304：特征量的计算)
接下来，将参照图40更详细地描述步骤S304的处理。另外，假定在步骤S3004或S3006中创建特征量提取式列表。还假定该特征量提取式列表包括m个特征量提取式。
如图40所示，评估器构建单元104或204重复地执行步骤S3104到S3108的处理，同时使指数M从1更新到m(S3102、S3110)。另外，评估器构建单元104或204重复地执行步骤S3106的处理，同时使指数q从1更新到d(S3104、S3108)。
首先，评估器构建单元104或204将指数M设置为1，并且进行到步骤S3104(S3102)的处理。接下来，评估器构建单元104或204将指数q设置为1，并且进行到步骤S3106的处理(S3104)。
接下来，评估器构建单元104或204将评估对象数据Dq输入到特征量提取式[M]，并且计算特征量(S3106)。这里，特征量提取式[M]是指在特征量提取式列表中包括的特征量提取式之中的第M个特征量提取式。然后，评估器构建单元104或204使处理返回到步骤S3104(S3108)，将q加1(S3104)，并且进行到步骤S3106的处理。
然后，评估器构建单元104或204重复地执行步骤S3104到S3108的处理，直到指数q达到d为止，并且计算通过将多条评估对象数据Dq(q＝1，…，d)输入到特征量提取式[M]而获得的特征量[M][q]。
接下来，评估器构建单元104或204进行到步骤S3110的处理，并且使处理返回到步骤S3102(S3110)。然后，评估器构建单元104或204将指数M加1(S3102)、再次进行到步骤S3104的处理、并且重复地执行步骤S3104到S3108的处理。
评估器构建单元104或204重复地执行步骤S3104到S3108的处理，直到指数M达到m为止，并且计算通过将多条评估对象数据Dq(q＝1，…，d)输入到特征量提取式[M](M＝1，…，m)而获得的特征量[M][q]。
以此方式，在步骤S304中，评估器构建单元104或204通过将一条评估对象数据Dq(q＝1，…，d)输入到每个特征量提取式[M](M＝1，…，m)，计算特征量[M][q](M＝1，…，m；q＝1，…，d)。此外，在步骤S304的处理中计算出特征量[M][q]之后，评估器构建单元104或204进行到步骤S306的处理。
(S306：机器学习)
接下来，将参照图41更详细地描述步骤S306的处理。另外，假定计算出特征量[M][q](M＝1，…，m；q＝1，…，d)。还假定准备了正确解答信息Dq(q＝1，…，d)。
如图41所示，评估器构建单元104或204重复地执行步骤S3114的处理，同时使指数x从1增加到K(S3112、S3116)。首先，评估器构建单元104或204将指数x设置为1(S3112)，并且进行到步骤S3114的处理。接下来，评估器构建单元104或204通过使用与观测值x对应的特征量[M][q]和正确的解答信息Dq来执行机器学习，并且计算针对观测值x的评估式(S3114)。在通过线性组合多个特征量提取式来创建评估式的情况下，在步骤S3114中计算每个组合系数。
接下来，评估器构建单元104或204使处理返回到步骤S3112(S3116)，将指数x加1(S3112)，并且执行步骤S3114的处理。此外，评估器构建单元104或204重复地执行步骤S3114的处理，直到指数x达到K为止，并且针对观测值1到K中的每个创建评估式。
接下来，评估器构建单元104或204计算每个特征量提取式对在步骤S3112到S3116中构建的评估式的贡献率(S3118)。此时，评估器构建单元104或204基于评估式中包括的每个特征量提取式的组合系数，计算每个特征量提取式对评估式的贡献率。然后，评估器构建单元104或204进行到步骤S308的处理。
(S3114(比照S306)：通过机器学习进行的评估器的创建)
这里，将参照图42更详细地描述根据上述步骤S3114的处理。
如图42所示，评估器构建单元104或204从特征量提取式列表随机选择要用于评估式的创建的特征量提取式，并且创建初始群体(第一代基因)(S3122)。这里，假定形成初始群体的特征量提取式的数量被预先设置为p。然后，评估器构建单元104或204重复地执行步骤S3126和S3128的处理，同时使指数P从1更新到p(S3124、S3130)。
首先，评估器构建单元104或204将指数P设置为1，并且进行到步骤S3126的处理(S3124)。然后，评估器构建单元104或204基于由特征量计算单元134针对初始群体中包括的特征量提取式计算出的特征量和预测基础数据，通过执行线性回归和确定，针对观测值1到K中的每个创建评估式(S3126)。接下来，评估器构建单元104或204通过使用AIC来评估在步骤S3126中创建的评估式(S3128)。
接下来，评估器构建单元104或204使处理返回到步骤S3124(S3130)，将指数P加1，并且进行到步骤S3126的处理(S3124)。然后，评估器构建单元104或204再次执行步骤S3126和S3128的处理。然后，评估器构建单元104或204重复步骤S3126和S3128的处理，直到指数P达到p为止，并且进行到步骤S3132的处理。
当处理进行到步骤S3132时，评估器构建单元104或204使用AIC作为可靠度，并且通过选择、交叉以及变异来改变用于评估式的创建的特征量提取式的组合(S3132)。即，在步骤S3132中，评估器构建单元104或204根据第一代基因创建第二代基因。
接下来，评估器构建单元104或204判定是否超过预定代数没有更新最好基因的可靠度(S3134)。在不是超过预定代数没有更新最好基因的可靠度的状态的情况下，评估器构建单元104或204使处理返回到S3124，并且再次执行步骤S3124到S3134的处理。
另一方面，在超过预定代数没有更新最好基因的可靠度的情况下，评估器构建单元104或204进行到步骤S3116的处理。此外，当完成重复步骤S3112到S3116的处理时，评估器构建单元104或204进行到步骤S3118的处理。
(S3118(比照S306)：贡献率的计算)
这里，将参照图43更详细地描述根据上述步骤S3118的处理。
如图43所示，评估器构建单元104或204将总贡献率Cont[M]初始化为0(S3142)。接下来，评估器构建单元104或204重复地执行步骤S3146到S3150的处理，同时使指数x从1更新到K(S3144、S3152)。另外，在进行到步骤S3146的处理的情况下，评估器构建单元104或204重复地执行步骤S3148的处理，同时使指数M从1更新到m(S3146、S3150)。
在步骤S3148中，评估器构建单元104或204首先关于观测值x计算特征量提取式[M]对评估式的贡献率。基于在创建评估式时对于每个观测值计算出的特征量提取式[M]的组合系数，计算该贡献率。例如，贡献率是包括组合系数的平方的值。另外，未包括在评估式中的特征量提取式的贡献率是0。接下来，机器学习单元136计算总贡献率Cont[M]＝Cont[M]+关于观测值x的特征量提取式[M]的贡献率(S3148)。
通过重复步骤S3144到S3152的处理并且重复步骤S3146到S3150的处理，将对于特征量提取式列表中包括的全部特征量提取式，计算每个特征量提取式关于观测值1到K的总贡献率Cont[M]。在步骤S3118中计算出的每个特征量提取式的总贡献率Cont[M]将用作用于评估式的可靠度。当完成步骤S3118的处理时，评估器构建单元104或204结束步骤S306的处理。
在此之前，描述了评估器的自动构建处理的流程。
<8：应用示例(时序数据的预测算法)>
接下来，将参照图44描述一种如下方法：其将上述实施例的技术扩展到用于根据过去时序数据预测将来时序数据的时序预测算法的自动构建方法。图44是示出扩展到时序预测算法的方法的说明图。
通过修改输入数据的配置和用于评估器构建的数据集中的数据和正确解答的配置，实现根据上述每个实施例的算法自动构建方法。例如，如图44所示，在对于多个观测值获得时序数据的情况下，提取预定时间宽度w的预测基础数据和在该预测基础数据的随后时刻观测到的预测的数据。然后，对于每个时刻，预测基础数据被设置为用于评估器构建的数据集中的数据，并且预测的数据被设置为正确的解答信息。
首先，通过使用以此方式设置的用于评估器构建的数据集并且通过基于遗传算法的机器学习，来构建评估器。然后，准备根据预测基础数据创建预测的数据的创建方法，并且通过使用该创建方法来创建预测的数据的预测值。接下来，将预测值输入到评估器并计算评估值，并且通过使用遗传算法来重复地更新创建方法，其方式为使得评估值将更高。然后，在满足终止条件的情况下，输出创建方法和评估值。这里输出的创建方法是时序数据的预测算法。
这里描述的时序数据的预测算法是上述第一实施例的应用示例。通过采用该应用示例，可自动创建用于预测随时间变化的数据量的预测值的预测算法。
<9：总结>
最后，将简要总结本发明的实施例的技术内容。这里描述的技术内容可以应用于诸如PC(个人计算机)和游戏机的各类信息处理设备。
可以如下表示上述信息处理设备的功能配置。该信息处理设备包括：处理方法准备单元，其准备数据的处理方法；评估单元，其通过使用用于根据数据计算评估值的评估器，计算在利用由处理方法准备单元准备的处理方法处理数据的情况下获得的输出数据的评估值，其中通过使用包括数据和该数据的评估值的多个数据集并且执行基于遗传算法的学习处理，来自动创建评估器；处理方法更新单元，其基于遗传算法而重复地更新处理方法并且计算这样的处理方法，利用该处理方法，由评估单元计算出的评估值将更高；以及输出单元，其当在利用由信息处理方法更新单元计算出的处理方法处理数据情况下获得的输出数据的评估值满足预定条件时，输出输出数据、输出数据与处理方法的组合或处理方法。
如上所述，通过根据基于遗传算法的机器学习来自动构建评估器并且通过使用该评估器、根据遗传算法来构建用于创建期望的输出数据的算法，使得构建其输出数据不是标量的算法成为可能。另外，该配置使得能够通过基于遗传算法的机器学习而自动构建其正确解答不是唯一确定的算法。
本领域的技术人员应该理解，在所附权利要求或其等同方案的范围内，可根据设计要求和其它因素进行各种修改、组合、子组合以及变更。
本申请包含与于2009年12月4日向日本专利局提交的日本优先权专利申请JP2009-277083中公开的主题内容相关的主题内容，在此通过引用将其全部内容合并于此。

Claims (9)

1.一种信息处理设备，包括：
处理方法准备单元，其准备数据的处理方法；
评估单元，其通过使用用于根据所述数据计算评估值的评估器，计算在利用由所述处理方法准备单元准备的所述处理方法来处理数据的情况下获得的输出数据的评估值，其中通过使用包括数据和所述数据的评估值的多个数据集、并且执行基于遗传算法的学习处理来自动创建所述评估器，其中自动创建所述评估器包括：通过随机组合处理函数来创建特征量提取式列表；通过使用用于评估器构建的数据集和特征量提取式列表中包括的每个特征量提取式，计算特征量；通过使用特征量和在用于评估器构建的数据集中的正确解答，并且通过基于遗传算法的机器学习，来创建通过组合特征量提取式而创建的评估式；计算评估式中包括的特征量提取式对评估式的贡献率和基于所述贡献率的评估式的可靠度；以及基于所述可靠度而输出最后代的评估式作为所述评估器；
处理方法更新单元，其重复地更新所述处理方法并且计算这样的处理方法：利用该处理方法，由所述评估单元计算出的所述评估值将更高；以及
输出单元，当在利用由所述处理方法更新单元计算出的所述处理方法来处理数据的情况下获得的输出数据的所述评估值满足预定条件时，该输出单元输出所述输出数据、所述输出数据与所述处理方法的组合或所述处理方法。
2.根据权利要求1所述的信息处理设备，还包括：
数据集输入单元，其输入包括数据和所述数据的评估值的数据集；以及
评估器创建单元，其自动创建评估器，所述评估器用于通过使用从所述数据集输入单元输入的多个数据集、并且执行基于遗传算法的所述学习处理，来根据所述数据计算所述评估值。
3.根据权利要求1所述的信息处理设备，还包括：
反馈获取单元，其接收用户对从所述输出单元输出的所述输出数据或所述输出数据与所述处理方法的所述组合的评估；以及
评估器创建单元，其通过将包括由所述反馈获取单元从所述用户获取的评估值和与所述评估值对应的所述输出数据的数据集添加到所述多个数据集、并且再次执行基于遗传算法的所述学习处理，来自动创建所述评估器。
4.根据权利要求2所述的信息处理设备，还包括：
反馈获取单元，其接收用户对从所述输出单元输出的所述输出数据或所述输出数据与所述处理方法的所述组合的评估，
其中，所述评估器创建单元通过将包括由所述反馈获取单元从所述用户获取的评估值和与所述评估值对应的所述输出数据的数据集添加到所述多个数据集、并且再次执行基于遗传算法的所述学习处理，自动创建所述评估器。
5.根据权利要求3所述的信息处理设备，还包括：
数据处理单元，其利用由所述处理方法准备单元准备的所述处理方法或由所述处理方法更新单元更新的所述处理方法来处理由用户输入的输入数据，并且创建所述输出数据。
6.根据权利要求3所述的信息处理设备，还包括：
数据处理单元，其利用由所述处理方法准备单元准备的所述处理方法或由所述处理方法更新单元更新的所述处理方法来处理预定初始数据或随机创建的初始数据，并且创建所述输出数据。
7.根据权利要求6所述的信息处理设备，其中，
所述处理方法是根据特定时刻t之前观测到的数据计算要在该时刻t观测的数据的预测值的处理方法，
所述输出单元至少输出所述处理方法，并且
所述信息处理设备还包括时序预测单元，所述时序预测单元通过使用特定时间点的观测值作为初始数据并且通过重复地应用从所述输出单元输出的所述处理方法，来预测从特定时间点到将来时间点的观测值的时序数据。
8.根据权利要求2所述的信息处理设备，其中，
所述数据集输入单元不输入所述数据集，并且
在获得用户对利用随机处理方法创建的输出数据的评估的情况下，所述评估器创建单元通过使用包括从所述用户获得的评估值和与所述评估值对应的输出数据的数据集，来自动创建所述评估器。
9.一种信息处理方法，包括步骤：
准备数据的处理方法；
通过使用用于根据所述数据计算评估值的评估器，计算在利用所述准备的步骤中准备的所述处理方法来处理数据的情况下获得的输出数据的所述评估值，其中通过使用包括数据和所述数据的评估值的多个数据集、并且执行基于遗传算法的学习处理来自动创建所述评估器，其中自动创建所述评估器包括：通过随机组合处理函数来创建特征量提取式列表；通过使用用于评估器构建的数据集和特征量提取式列表中包括的每个特征量提取式，计算特征量；通过使用特征量和在用于评估器构建的数据集中的正确解答，并且通过基于遗传算法的机器学习，来创建通过组合特征量提取式而创建的评估式；计算评估式中包括的特征量提取式对评估式的贡献率和基于所述贡献率的评估式的可靠度；以及基于所述可靠度而输出最后代的评估式作为所述评估器；
重复地更新所述处理方法，在每次更新时执行所述计算的步骤，并且计算这样的处理方法：利用该处理方法，由所述评估器计算出的所述评估值将更高；以及
当在利用所述重复更新的步骤中计算出的所述处理方法来处理数据的情况下获得的输出数据的所述评估值满足预定条件时，输出所述输出数据、所述输出数据与所述处理方法的组合或所述处理方法。
CN201010573715.8A 2009-12-04 2010-11-26 信息处理设备、信息处理方法以及程序 Expired - Fee Related CN102147865B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009-277083 2009-12-04
JP2009277083A JP5446800B2 (ja) 2009-12-04 2009-12-04 情報処理装置、情報処理方法、及びプログラム

Publications (2)

Publication Number Publication Date
CN102147865A CN102147865A (zh) 2011-08-10
CN102147865B true CN102147865B (zh) 2017-04-12

Family

ID=43608246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010573715.8A Expired - Fee Related CN102147865B (zh) 2009-12-04 2010-11-26 信息处理设备、信息处理方法以及程序

Country Status (4)

Country Link
US (1) US8694447B2 (zh)
EP (1) EP2333697B1 (zh)
JP (1) JP5446800B2 (zh)
CN (1) CN102147865B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013033376A (ja) * 2011-08-02 2013-02-14 Sony Corp 情報処理装置、情報処理方法、および、プログラム
US20130066452A1 (en) * 2011-09-08 2013-03-14 Yoshiyuki Kobayashi Information processing device, estimator generating method and program
JP6098498B2 (ja) * 2013-12-19 2017-03-22 ソニー株式会社 情報処理装置、情報処理方法、並びにプログラム
EP3018512A1 (en) 2014-11-05 2016-05-11 Corning Optical Communications LLC Bi-directional data center architectures employing a jacketless trunk cable
US9542646B1 (en) * 2016-01-27 2017-01-10 International Business Machines Corporation Drift annealed time series prediction
CN108780573B (zh) * 2016-03-25 2023-06-06 皇家飞利浦有限公司 图像重建
US10762605B2 (en) 2017-08-04 2020-09-01 Outward, Inc. Machine learning based image processing techniques
CN108648158A (zh) * 2018-05-08 2018-10-12 广州大学 基于遗传算法的小波图像去噪方法和装置
US20210117828A1 (en) * 2018-06-27 2021-04-22 Sony Corporation Information processing apparatus, information processing method, and program
EP3629240B1 (en) * 2018-09-07 2023-08-23 Panasonic Intellectual Property Corporation of America Generative adversarial networks for local noise removal from an image
CN111796840A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 算法模型更新方法、装置、存储介质及电子设备
JP7419787B2 (ja) * 2019-12-16 2024-01-23 東洋製罐グループホールディングス株式会社 時系列データ解析装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6493686B1 (en) * 1996-07-12 2002-12-10 Frank D. Francone Computer implemented machine learning method and system including specifically defined introns
CN1624664A (zh) * 2004-12-20 2005-06-08 华中科技大学 具有时间约束的分布式软件可靠性评估系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11259522A (ja) * 1998-03-13 1999-09-24 Mitsubishi Electric Corp 連続値感性データベースを用いたコンテンツ作成装置
JP2004326200A (ja) * 2003-04-21 2004-11-18 Mitsubishi Heavy Ind Ltd 自動機械、機械の自動運転システム、及び、機械の自動運転方法
US7356518B2 (en) * 2003-08-27 2008-04-08 Icosystem Corporation Methods and systems for multi-participant interactive evolutionary computing
US7308418B2 (en) * 2004-05-24 2007-12-11 Affinova, Inc. Determining design preferences of a group
EP1905037A1 (en) * 2005-07-06 2008-04-02 Koninklijke Philips Electronics N.V. Method and apparatus for generation of a sequence of elements
US7979365B2 (en) * 2006-01-31 2011-07-12 The Board Of Trustees Of The University Of Illinois Methods and systems for interactive computing
US20080154808A1 (en) * 2006-10-20 2008-06-26 Genalytics, Inc. Use and construction of time series interactions in a predictive model
JP4392620B2 (ja) * 2007-08-14 2010-01-06 ソニー株式会社 情報処理装置、情報処理方法、演算装置、演算方法、プログラム、および記録媒体
EP2110784A1 (de) * 2008-04-14 2009-10-21 INFORM Institut für Operations Research und Management GmbH Verfahren und Expertensystem zum Bewerten eines Objekts
JP2009277083A (ja) 2008-05-15 2009-11-26 Fuji Xerox Co Ltd 印刷システム及びそのプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6493686B1 (en) * 1996-07-12 2002-12-10 Frank D. Francone Computer implemented machine learning method and system including specifically defined introns
CN1624664A (zh) * 2004-12-20 2005-06-08 华中科技大学 具有时间约束的分布式软件可靠性评估系统

Also Published As

Publication number Publication date
EP2333697A2 (en) 2011-06-15
EP2333697B1 (en) 2018-10-17
CN102147865A (zh) 2011-08-10
JP2011118785A (ja) 2011-06-16
JP5446800B2 (ja) 2014-03-19
EP2333697A3 (en) 2014-09-24
US8694447B2 (en) 2014-04-08
US20110137837A1 (en) 2011-06-09

Similar Documents

Publication Publication Date Title
CN102147865B (zh) 信息处理设备、信息处理方法以及程序
Kimbell Assessing technology: International trends in curriculum and assessment: UK, Germany, USA, Taiwan, Australia
Press Subjective and objective Bayesian statistics: principles, models, and applications
US5375195A (en) Method and apparatus for generating composites of human faces
US20140344013A1 (en) Method and apparatus for interactive evolutionary optimization of concepts
JP2012058972A (ja) 評価予測装置、評価予測方法、及びプログラム
JP4392620B2 (ja) 情報処理装置、情報処理方法、演算装置、演算方法、プログラム、および記録媒体
CN117036126B (zh) 基于数据分析的大学生综合素质管理系统及方法
WO2019008943A1 (ja) 情報処理装置、情報処理方法、および記録媒体
Chan et al. The medkit-learn (ing) environment: Medical decision modelling through simulation
Gelfand et al. Bayesian inference and computing for spatial point patterns
Wang et al. A study of the evaluation metrics for generative images containing combinational creativity
Wang et al. A method for evaluating elicitation schemes for probabilistic models
Albohn et al. A data-driven, hyper-realistic method for visualizing individual mental representations of faces
Ford et al. Speculating on Reflection and People’s Music Co-Creation with AI
Bendell et al. Towards artificial social intelligence: Inherent features, individual differences, mental models, and theory of mind
JP2019204142A (ja) 組織情報処理装置、組織情報処理方法、およびプログラム
Fuhl et al. Gaze-based Assessment of Expertise in Chess
Lee Scientific Analysis by the Crowd: A System for Implicit Collaboration between Experts, Algorithms, and Novices in Distributed Work.
CN113888282A (zh) 一种物品推荐模型的训练方法、物品推荐方法和装置
CN113127733A (zh) 一种学习方案的推荐方法及装置
El-Din et al. Multimodal data challenge in metaverse technology
Pettersson Transforming Chess: Investigating Decoder-Only Architecture for Generating Realistic Game-Like Positions
Bassett et al. Using multivariate quantitative genetics theory to assist in EA customization
Xu et al. Humanly certifying superhuman classifiers

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170412

Termination date: 20211126