CN102549578B - 分类装置以及分类方法 - Google Patents
分类装置以及分类方法 Download PDFInfo
- Publication number
- CN102549578B CN102549578B CN201180003980.5A CN201180003980A CN102549578B CN 102549578 B CN102549578 B CN 102549578B CN 201180003980 A CN201180003980 A CN 201180003980A CN 102549578 B CN102549578 B CN 102549578B
- Authority
- CN
- China
- Prior art keywords
- markov model
- hidden markov
- positional information
- parameter
- classification results
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
- G06V10/85—Markov-related models; Markov random fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明提供一种能够将位置信息的时序数据分类成与位置信息对应的时刻的连续性有保证的组的分类装置。本发明的分类装置(100)具备:数据存储部(110),用于存储多个时刻信息以及与该多个时刻信息分别对应的多个位置信息;重排部(120),使用多个时刻信息,按时刻顺序重排多个位置信息;隐马尔可夫模型存储部(130),存储有具有多个状态且具有未定参数的左至右型的隐马尔可夫模型;马尔可夫模型输出部(140),通过将按时刻顺序被重排的位置信息输入到隐马尔科夫模型来决定参数;分类部(150),通过将按时刻顺序被重排的多个位置信息输入到具有决定的参数的隐马尔科夫模型,将多个位置信息分类到多个状态的某个状态。
Description
技术领域
本发明涉及对多个位置信息进行分类的分类装置以及分类方法,尤其涉及对与时刻信息相对应的多个位置信息进行分类的分类装置以及分类方法。
背景技术
近年来,利用GPS(全球定位系统)、RFID(RadioFrequencyIDentification:射频识别)、图像传感器、激光雷达等来获取对象物的位置信息的装置在不断普及。通过利用这些装置来预先记录位置信息,能够确定出对象物在某个过去时间曾存在的地点。
例如,现在研究的有通过预先记录与时刻信息对应的多个位置信息(位置信息的时序数据),然后作为对象物的行动履历(行动记录)进行活用的技术等。具体有如下研究,对构成行动履历的多个位置信息中的实际距离彼此接近的位置信息进行归纳,以对用户而言有意义的事件作为单位进行分类,从而使对象物过去的行动履历变得更容易检索。
然而,在行动履历中出现的对象物的移动模式会根据目的发生各种变化。例如,对象物的行动目的是“观光”或“游览”时,对应的位置信息的时序数据会集中在相对狭窄的范围内。但是,行动目的是从某地点“移动”到另一地点时,位置信息的时序数据将被记录为朝向特定的方向前进的数据。
对此类位置信息的时序数据进行分类时,靠以上这种对实际距离相接近的位置信息单纯地进行归纳的方法,并不能正确地进行分类。例如,“移动”中的位置信息,由于彼此间的实际距离拉大,因此不会被分类到一个名为“移动”的组,而会被分类到多个组(被细分化)。
对此,为了以动作方式的特征相似的组为单位进行分类,可利用统计模型。例如,专利文献1所记载的技术提出以隐马尔可夫模型(HMM)来对位置信息的时序数据进行模型化,从而以位置信息的统计性偏差相似的单位进行识别的方法。
专利文献1:日本特开2009-25853号公报
发明内容
但是,在所述以往的技术中存在如下课题,即,无法将位置信息的时序数据分类成与位置信息对应的时刻的连续性有保证的组。
例如,可设想对环游旅行中记录的位置信息的时序数据进行分类的例子进行说明。如图1所示,在去路和回路的移动路径大致相同的情况下,或者多次前往同一个地方观光等的情况下,如果在不同时机记录的位置信息的实际位置彼此接近,就无法对它们进行区别。
因此,如图1所示的分类,“地点B”、“地点C”以及“地点D”分别包括在去路上记录的位置信息和在回路上记录的位置信息。如上所述,该分类的问题在于,分类结果被模型化为对人而言无意义的模式。
对此,本发明是鉴于所述以往的课题而开发的,其目的在于提供能够将位置信息的时序数据分类成与位置信息对应的时刻的连续性有保证的组的分类装置以及分类方法。
为了达成所述目的,本发明的一实施方式的分类装置具备:数据存储部,用于存储表示互不相同的时刻的多个时刻信息、以及与该多个时刻信息分别对应且表示对象物在对应的时刻的位置的多个位置信息;重排部,使用所述多个时刻信息,按时刻顺序对所述多个位置信息进行重排;隐马尔可夫模型存储部,存储有具有多个状态且具有未定参数的左至右型的隐马尔可夫模型;马尔可夫模型输出部,通过将由所述重排部按时刻顺序排列的所述多个位置信息输入到所述隐马尔可夫模型,来决定所述参数,并输出具有决定的参数的已决定隐马尔可夫模型;分类部,通过将由所述重排部按时刻顺序排列的所述多个位置信息输入到所述已决定隐马尔可夫模型,从而将所述多个位置信息分别按时刻顺序分类到所述多个状态的某个状态。
根据以上,能将位置信息的时序数据分类成与位置信息对应的时刻的连续性有保证的组。即,根据本结构,由于使用隐马尔可夫模型,因此能够根据位置信息的偏差程度来对多个位置信息进行分类。在多数情况下,位置信息的偏差程度因对象物所经历的每个事件而异,因此,能按每个事件来对多个位置信息正确地进行分类的可能性会提高。
并且,根据本结构,由于使用的是对状态变迁加有限制的左至右型的隐马尔可夫模型,因此能够进行按时间顺序重排的多个位置信息的时刻的连续性有保证的分类。即,在左至右型的隐马尔可夫模型中有如下限制,即,限制变迁为已出现过一次的状态,因此,通过将按时刻顺序重排的位置信息输入到该隐马尔可夫模型,能够进行时刻的连续性有保证的分类。
另外,所述分类装置还可以具备:内容存储部,用于存储与所述多个位置信息分别对应的多个内容;内容输出部,按每个所述状态,从所述内容存储部读出与被分类到对应的状态的位置信息对应的内容,并输出该内容。
根据以上,由于是根据分类结果,按每个状态输出与位置信息对应的内容,因此能够按每个与状态对应的事件来对内容进行分类,并向用户进行提示。
另外,可以是,所述隐马尔可夫模型存储部存储有具有互不相同的数量的状态且具有未定参数的多个左至右型的隐马尔可夫模型,所述马尔可夫模型输出部决定由所述隐马尔可夫模型存储部存储的多个隐马尔可夫模型中的N(N为2以上的整数)个隐马尔可夫模型的每一个的参数,并输出分别具有决定的参数的N个已决定隐马尔可夫模型,所述分类部针对所述N个已决定隐马尔可夫模型的每一个,将所述多个位置信息分别分类到对应的已决定隐马尔可夫模型所具有的多个状态的某个状态,所述分类装置还具备决定部和分类结果输出部,所述决定部按每个已决定隐马尔可夫模型算出表示所述分类部的分类结果的妥当性的得分,并将算出的得分满足规定条件的分类结果决定为最适分类结果;所述分类结果输出部输出由所述决定部决定的分类结果。
根据以上,由于是根据表示分类结果的妥当性的得分来从多个分类结果中选择最适分类结果,因此能进一步提高获得用户所希望的分类结果的可能性。
另外,可以是,所述决定部将所述N个分类结果中的得分最高的分类结果决定为所述最适分类结果。
根据以上,将得分最高的分类结果决定为最适分类结果,因此能进一步提高获得用户所希望的分类结果的可能性。
另外,可以是,所述马尔可夫模型输出部决定与由所述隐马尔可夫模型存储部存储的多个隐马尔可夫模型中的第一隐马尔可夫模型和第二隐马尔可夫模型分别对应的参数,并输出具有决定的参数的第一已决定隐马尔可夫模型和第二已决定隐马尔可夫模型,所述分类部通过将所述多个位置信息分别分类到所述第一已决定隐马尔可夫模型所具有的多个状态的某个状态而生成第一分类结果,并通过将所述多个位置信息分别分类到所述第二已决定隐马尔可夫模型所具有的多个状态的某个状态而生成第二分类结果,所述决定部算出表示所述第一分类结果的妥当性的第一得分和表示所述第二分类结果的妥当性的第二得分,并将与所述第一得分以及所述第二得分中的大的一方得分对应的分类结果决定为所述最适分类结果。
根据以上,由于是将得分高的分类结果决定为最适分类结果,因此能进一步提高获得用户所希望的分类结果的可能性。
另外,可以是,所述第一隐马尔可夫模型是状态数最少的隐马尔可夫模型,所述第二隐马尔可夫模型是状态数第二少的隐马尔可夫模型,所述决定部,在所述第一得分为所述第二得分以上的情况下,将所述第一分类结果决定为所述最适分类结果,在所述第一得分小于所述第二得分的情况下,使所述马尔可夫模型输出部决定状态数第三少的第三隐马尔可夫模型的参数。
根据以上,由于是从状态数少的隐马尔可夫模型开始按顺序进行处理,因此能够降低处理量,以及能够降低消费电力。
另外,可以是,所述决定部使所述马尔可夫模型输出部反复进行参数决定,直到与状态数量第M(M为2以上的整数)少的隐马尔可夫模型对应的得分成为与状态数量第(M-1)少的隐马尔可夫模型对应的得分以下为止。
根据以上,能将得分最高的分类结果选择为最适分类结果,因此能进一步提高获得用户所希望的分类结果的可能性。
另外,可以是,所述分类装置还具备指示接受部,该指示接受部接受表示隐马尔可夫模型的状态数的、来自用户的指示,所述隐马尔可夫模型存储部存储有具有互不相同的状态数的状态且具有未定参数的多个左至右型的隐马尔可夫模型,所述马尔可夫模型输出部决定具有由所述指示接受部接受的指示所示的状态数的状态的隐马尔可夫模型的参数。
根据以上,用户能对状态数进行指定。由于状态数相当于对多个位置信息进行分类的组的个数,因此能进一步提高获得用户所希望的分类结果的可能性。
另外,可以是,所述参数包含符号发生概率,该符号发生概率按每个状态表示对应的概率分布,并根据所述概率分布的形状来对该概率分布赋予预先规定的标记,所述分类部还按每个状态附加所述标记并输出分类结果。
根据以上,能够赋予表示分类状态的特征的标签,并输出分类结果,因此,用户能知道被分类的位置信息属于何种性质的组。
在此,不仅能通过分类装置来实现本发明,还能通过以构成该分类装置的处理部作为步骤的方法来实现本发明。另外,还可以通过使计算机执行以上的步骤的程序来实现本发明。并且,还可以通过记录有该程序的、计算机可读取的CD-ROM(CompactDisc-ReadOnlyMemory:光盘-只读存储器)等记录介质以及表示该程序的信息、数据或者信号来实现本发明。另外,还可以通过互联网等通信网络,分发这些程序、信息、数据以及信号。
另外,可由一个系统LSI(LargeScaleIntegration:大规模集成电路)构成所述各分类装置的结构要素的一部分或者全部。系统LSI是将多个构成部集积在一个芯片上制造而成的超多功能LSI,具体是包括微处理器、ROM以及RAM(RandomAccessMemory:随机存取存储器)而构成的计算机系统。
根据本发明,能将位置信息的时序数据分类到与位置信息对应的时刻的连续性有保证的组。
附图说明
图1是表示以往的分类结果的图。
图2是表示本发明的实施方式1的分类装置的结构的一个例子的方框图。
图3是表示本发明的实施方式1的时刻信息和位置信息的一个例子的图。
图4是表示本发明的实施方式1的分类装置的动作的一个例子的流程图。
图5是表示本发明的实施方式1的左至右型的隐马尔可夫模型的一个例子的模式图。
图6是表示本发明的实施方式1的变形例的分类装置的结构的一个例子的方框图。
图7是表示本发明的实施方式1的变形例的分类装置的动作的一个例子的流程图。
图8是表示本发明的实施方式1的变形例的分类结果的一个例子的图。
图9是表示本发明的实施方式2的分类装置的结构的一个例子的方框图。
图10是表示本发明的实施方式2的分类装置的动作的一个例子的流程图。
图11是表示本发明的实施方式2的分类装置的动作的另一个例子的流程图。
图12是表示本发明的实施方式的变形例的分类装置的结构的一个例子的方框图。
图13是表示本发明的实施方式的变形例的分类装置的动作的一个例子的流程图。
图14是表示本发明的实施方式的变形例的概率分布和标签的对应关系的一个例子的图。
具体实施方式
以下,参照附图说明本发明的实施方式的分类装置以及分类方法。
(实施方式1)
首先,对本发明的实施方式1的分类装置的概要进行说明。本发明的实施方式1的分类装置按时刻顺序重排多个位置信息,并将按时刻顺序重排的位置信息输入到左至右型的隐马尔可夫模型,从而决定该隐马尔可夫模型的参数。并且,该分类装置的特征在于,通过向具有决定的参数的隐马尔可夫模型输入按时刻顺序重排的位置信息,将多个位置信息分类到多个状态的某个状态。
由此,根据本发明的实施方式1的分类装置,能将多个位置信息分类成与位置信息对应的时刻的连续性有保证的组。
另外,在本发明的实施方式中,“时刻的连续性有保证”的意思是,对位置信息的时序数据进行分组的结果,“就属于组的位置信息而言,在设想对应的时刻最早的位置信息为A、对应的时刻最晚的位置信息为B的情况下,对应的时刻比A晚且比B早的所有位置信息都与A以及B属于同一组”的条件在所有的组中都成立。
另外,在本发明的实施方式中,“位置信息的统计性偏差相似”的意思是,以具有规定状态数的隐马尔可夫模型对拍摄位置的时序数据进行模型化的结果,不同的两个位置信息属于同一状态的概率相对较大的情况。
以下,首先说明本发明的实施方式1的分类装置的结构。
图2是表示本发明的实施方式1的分类装置100的结构的一个例子的方框图。如图2所示,本发明的实施方式1的分类装置100具备数据存储部110、重排部120、隐马尔可夫模型存储部130、马尔可夫模型输出部140和分类部150。
数据存储部110是用于存储表示互不相同的多个时刻的多个时刻信息、以及与该多个时刻信息分别对应且表示对象物在对应的时刻的位置的多个位置信息的存储部。在此,数据存储部110可以是能在分类装置100上进行装卸的结构。例如,数据存储部110是HDD(HardDiskDrive:硬盘驱动器)等的磁盘装置或者存储卡等。
具体是,数据存储部110中存储有位置信息的时序数据。在此,位置信息的时序数据是表示与多个时刻信息分别对应的多个位置信息的数据。图3是表示本发明的实施方式1的位置信息的时序数据的一个例子的图。
位置信息的时序数据包含多个时刻信息和多个位置信息。多个时刻信息分别表示互不相同的时刻,在图3所示的例子中,表示了“年/月/日/时/分/秒”。多个位置信息分别与多个时刻信息相对应,表示对象物的位置,在图3所示的例子中,表示了“纬度/经度/高度”。
另外,在图3所示的例子中,位置信息的时序数据是表示分别取得多个内容的时刻以及位置的多个内容信息。多个内容例如是通过照相机取得的静止画以及动画数据。各内容信息包含表示内容被拍摄的时刻(年/月/日/时/分/秒)的时刻信息、表示内容被拍摄的地点(纬度/经度/高度)的位置信息、用于确定对应的内容的内容ID。
另外,图3所示的例子并不表示本发明的位置信息的时序数据的形式限定于此。例如,可以在位置信息的时序数据中只预先记录内容ID,然后在需要时参照帧头部,以获取时刻信息以及位置信息。作为此类可在内容的帧头部记录位置信息的规格,例如有Exif(EXchangeableImageFile:可交换图像档案),作为内容信息,例如有基于Exif的JPEG文件或者MPEG文件等。
另外,位置信息的时序数据也可以不包含内容ID,而包含多个时刻信息和多个位置信息。例如,位置信息的时序数据可以是由GPS等取得的、表示对象物的移动履历的数据。对象物是随着时间经过移动或静止的物体,例如是人、家畜、其他动物、交通工具等各种移动体。
另外,在本发明的位置信息的时序数据中,时刻信息也可以不是像图3所示的这种直接表示出时刻的信息,而是能对组的位置信息被记录的时间的先后关系进行确定的信息。在此,该组是指任意的、且具有不同位置信息的组。
重排部120使用多个时刻信息,按时刻顺序对多个位置信息进行重排。具体是,重排部120按时刻信息所示的时刻顺序,对数据存储部110中存储的位置信息的时序数据所包含的多个位置信息进行重排。
隐马尔可夫模型存储部130是存储有具有多个状态且具有未知参数的左至右型的隐马尔可夫模型的存储器。在此,隐马尔可夫模型存储部130可以是能在分类装置100上进行装卸的结构。隐马尔可夫模型是功率模型的一种,是具有多个状态的、用参数来规定概率性状态变迁和概率性符号的输出的概率模型。左至右型的隐马尔可夫模型是对状态变迁加有限制的隐马尔可夫模型的一个例子。具体是,左至右型的隐马尔可夫模型是一种被规定为从状态A变迁为状态B之后不得再返回状态A的隐马尔可夫模型。
马尔可夫模型输出部140通过将由排序部120按时刻顺序重排的多个位置信息输入到隐马尔可夫模型,来决定参数,并输出具有决定的参数的已决定隐马尔可夫模型。换言之,马尔可夫模型输出部140使用由排序部120按时刻顺序重排的位置信息的时序数据以及由隐马尔可夫模型存储部130存储的、参数未知且具有多个状态的左至右型的隐马尔可夫模型,来决定未知的参数,并输出参数被确定后的左至右型的隐马尔可夫模型。例如,马尔可夫模型输出部140使用鲍姆-韦尔奇(Baum-Welch)算法来决定参数。
分类部150通过将由重排部120按时刻顺序进行重排的多个位置信息输入到已决定隐马尔可夫模型,从而将多个位置信息按时刻顺序分别分类到多个状态的某个状态。换言之,分类部150使用由重排部120按时刻顺序进行重排的位置信息的时序数据和由隐马尔可夫模型输出部140确定出参数的左至右型的隐马尔可夫模型,生成分类信息。例如,分类部150使用维特比(Viterbi)算法,对多个位置信息进行分类。在此,分类信息是表示分类结果的信息,是表示将多个位置信息分类到多个状态的某个状态的结果的信息。
另外,马尔可夫模型输出部140以及分类部150可以对按输入的时刻顺序被重排的多个位置信息进行数据插值的前处理,以使顺序相邻的位置信息之间的时刻差成为固定值。或者,分类装置100可以具备用于进行数据插值的前处理部。
例如,因某种理由而未能成功取得位置信息,由此输入了包含有对象物的移动履历中未记录的部分的时序数据的情况下,数据记录失败的区间可能对分类结果造成影响。在此,马尔可夫模型输出部140以及分类部150采用线形插值等方法,对于对象物的在未能进行位置信息记录的时刻的位置进行预测,并将位置信息的时序数据变换成具有固定的时刻间隔的数据。然后,马尔可夫模型输出部140以及分类部150将变换后的数据输入到隐马尔可夫模型或者已决定隐马尔可夫模型。
关于隐马尔可夫模型的例子、参数的决定方法以及分类方法的具体例,将在以下部分中进行说明。
如上所述,本发明的实施方式1的分类装置100使用左至右型的隐马尔可夫模型,对多个位置信息进行分类。即,本发明的实施方式1的分类装置100通过按时刻顺序对多个位置信息进行重排,并将按时刻顺序重排的多个位置信息输入到对态变迁加有限制的隐马尔可夫模型,来决定参数。然后,分类装置100通过向具有决定的参数的隐马尔可夫模型输入按时刻顺序重排的多个位置信息,将多个位置信息分类到多个状态的某个状态。
根据该结构,由于对隐马尔可夫模型的状态变迁加有限制,因此能以按时刻顺序重排的多个位置信息的时刻的连续性有保证方式进行分类。
接下来,说明本发明的实施方式1的分类装置100的动作的一个例子。
图4是表示本发明的实施方式1的分类装置100的动作的一个例子的流程图。
首先,重排部120取得相对应的位置信息和时刻信息,即,位置信息的时序数据(S110)。在此,位置信息的时序数据被存储在数据存储部110中。然后,重排部120按时刻顺序重排多个位置信息(S120)。
然后,马尔可夫模型输出部140取得被存储在隐马尔可夫模型存储部130中的、具有规定数(2以上)的状态且具有未知参数的左至右型的隐马尔可夫模型(S130)。具体是,马尔可夫模型输出部140取得被初始化的隐马尔可夫模型的参数,即,隐马尔可夫模型的参数的初始值。
在此,隐马尔可夫模型的参数是用于决定隐马尔可夫模型的类别的参数,包括状态变迁概率矩阵A和各状态所根据的概率分布的总体参数θ。另外,参数可以包含按每个状态表示对应的概率分布的符号发生概率。
状态变迁概率矩阵A,在状态数为K时成为K行K列的矩阵,并以如下方式被初始化,即,在各状态的状态变迁被限定在保持同一状态或者变迁为至今未出现过的状态。(式1)表示被初始化的状态变迁概率矩阵A的一个例子。
(式1)
在此,状态变迁概率矩阵的i行j列的要素ai、j表示从状态i变迁为状态j的概率。在(式1)中,an、n满足0<an,n<1以及n=1、2、3、…、K-1。例如,可以是an、n=0.5(n=1、2、3、…、K-1)。即,作为状态变迁概率矩阵A的初始值,保持同一状态的概率(an、n)和变迁为下一个状态的概率(1-an、n)可以是相等的值0.5。
在此,(式1)所表示的是状态变迁概率矩阵的一个例子,并不意味本发明限定于此。在(式1)中,表示了可从状态i变迁为状态i和状态i+1的任一个状态的例子,此外也可从状态i变迁为状态i+2等其他的状态。但是,此时设定初始值,以避免变迁为已出现过的状态。另外,an、n的初始值不限于0.5,也可以是不同的值,例如,a11为0.3、a22为0.6等。
另外,可将状态变迁概率矩阵设定为如下初始值,能从最初的状态(例如,状态1)变迁为其余的K-1个状态,以及从下一个状态(例如,状态2)变迁为除状态1以外的K-2个状态。
在状态数为K、各状态所根据的概率分布的自由度为L时,各状态所根据的概率分布的总体参数θ是K个L维的矢量θ1、θ2、θ3、…、θK,各矢量被初始化为表示对应的状态所根据的概率分布的总体参数的初始值的值。另外,在本发明的实施方式中,说明了各状态所根据的概率分布为双变量正态分布的情况,当然也可以采用其他的概率分布。例如,可以采用自回归模型等。
(式2)表示的是本发明的实施方式1的各状态所根据的概率分布的总体参数的一个例子。
(式2)
在此,μk是状态k所根据的概率分布的期待值,∑k是状态k所根据的概率分布的方差协方差矩阵。
另外,概率分布的总体参数θ的初始值的选择方法有多种,例如,可以将通过阶层性分群或者K平均(K-means)等的分群方法所获得的K个群的期待值以及方差协方差矩阵作为初始值。换言之,能够将使用规定的分群方法来对作为分类对象的实数据进行分类后的各状态的期待值以及方差协方差矩阵作为初期值,该实数据既是由数据存储部110存储的多个位置信息。或者,概率分布的总体参数θ的初期值可以是预先决定的固定值。
图5是表示左至右型的隐马尔可夫模型的一个例子的模式图。图5表示了状态数为3的隐马尔可夫模型。在此,状态数相当于对多个位置信息进行分类的组的个数。
如图5所示,例如,从状态1变迁为状态2之后,就不会再变迁为状态1。如上所述,左至右型的隐马尔可夫模型是一种只允许保持同一状态或者变迁为尚未出现过的状态的任一个状态的模型。
然后,马尔可夫模型输出部140确定隐马尔可夫模型的参数(S140)。具体是,马尔可夫模型输出部140以被初始化的隐马尔可夫模型的参数、和被重排的位置信息的时序数据作为输入,以确定隐马尔可夫模型的参数。例如,马尔可夫模型输出部140是期待值最大化(EM)算法的一个例子,一般采用被称为Baum-Welch算法的算法,来决定隐马尔可夫模型的参数。
在此,对本发明的实施方式1的参数决定程序的一个例子进行说明。为了说明算法,将隐马尔可夫模型的输入数据,即,被重排的位置信息定义为(式3)。
(式3)x=(x1,x2,…,xi,…,xL)
xL表示被重排的位置信息的时序数据中包含第L个位置信息。具体是,xL是表示第L个纬度以及经度的二维矢量。
首先,马尔可夫模型输出部140求出由位置信息的第1个至第i个时序数据构成的局部系列x1~xi可能取的所有状态的条件概率(conditionalprobability)中第i个数据的状态πi成为k的概率的和fk(i)(参照(式4))。该程序是一般所知的向前(forward)算法。
(式4)fk(i)=P(x1,…,xi,πi=k)
然后,马尔可夫模型输出部140求出在位置信息的第i个时序数据为状态k时输出从第i+1至第L的局部系列xi+1~xL的概率bk(i)(参照(式5))。该程序是一般所知向后(backward)算法。
(式5)bk(i)=P(xi+1,…,xL,πi=k)
然后,马尔可夫模型输出部140利用fk(i)和bk(i),根据(式6)算出位置信息的时序数据中的第i个数据的状态πi为k的概率Ek(i)。
(式6)
在此,P(x)是作为位置信息的时序数据输出(式3)所示的x的概率(符号发生概率),根据(式7)算出该P(x)。
(式7)
在此,(式7)中的e1(xi)是位置信息为l时输出数据xi的概率,在本发明的实施方式1中,根据(式8)被算出。
(式8)
在此,(式8)是隐马尔可夫模型的各状态所根据的概率分布为双变量正规分布时的计算公式,当然可根据所利用的概率分布来变更该公式。
另外,关于(式7)中的ak、0及a0、1,“0”是表示开始以及结束的特殊状态。即,ak、0表示从状态k变迁为特殊状态的概率,a0、1表示从特殊状态变迁为状态l的概率。
在本发明的实施方式1中,由于采用的是左至右型的隐马尔可夫模型,因此被规定为最初的状态是“1”,最后的状态是“K”。因此,k=K时,ak、0=1;k≠K时,ak、0=0。另外,l=1时,ao、1=1;l≠1时,a0、 1=0。
然后,马尔可夫模型输出部140更新隐马尔可夫模型的参数。具体是,利用到此为止求出的fk(i)、bk(i)、P(x),根据(式9)来更新状态变迁概率矩阵A和各状态所根据的概率分布的总体参数θ。
(式9)
在此,通过以下的(式10)算出(式9)中的Ak、1。
(式10)
(式9)所示的ak、1′和μk′以及∑k′分别表示更新后的状态变迁概率、期待值、方差协方差矩阵。另外,在(式9)中,ak、1′的分母表示变迁后的状态可能取的所有状态的和。马尔可夫模型输出部140反复进行如上所述的参数更新,直到各参数的值收敛为规定值为止。此时,也可以是反复进行所述更新,直至参数的相似度收敛为规定值为止,而不是参数值本身。然后,马尔可夫模型输出部140将以收敛的值分别作为参数的值的隐马尔可夫模型,作为已决定隐马尔可夫模型输出到分类部150。
另外,如果更新前的参数的值和更新后的参数的值的差在预先规定的范围内,马尔可夫模型输出部140将更新前的参数或者更新后的参数决定为收敛的值。或者,马尔可夫模型输出部140将所述更新处理反复进行预先规定的次数。这此情况下,马尔可夫模型输出部140输出具有通过最后的更新所获得的参数的隐马尔可夫模型。
返回到图4进行说明。最后,分类部150将多个位置信息分类到隐马尔可夫模型所具有的多个状态的某个状态(S150)。具体是,分类部150通过将按时刻顺序排列的多个位置信息按时刻顺序输入到隐马尔可夫模型,将多个位置信息分类到多个状态的某个状态。例如,分类部150使用维特比(Viterbi)算法,将多个位置信息分类到多个状态的某个状态。
如上所述,本发明的实施方式1的分类装置100使用左至右型的隐马尔可夫模型,对多个位置信息进行分类。即,本发明的实施方式1的分类装置100,按时刻顺序来重排多个位置信息,并通过将按时刻顺序重排的多个位置信息输入到对状态变迁加有限制的隐马尔可夫模型,来决定参数。然后,分类装置100通过向具有决定的参数的隐马尔可夫模型输入按时刻顺序重排的多个位置信息,将多个位置信息分类成多个状态的某个状态。
如上所述,由于本发明的实施方式1的分类装置100使用隐马尔可夫模型,因此能够根据位置信息的偏差程度来对多个位置信息进行分类。在多数情况下,位置信息的偏差程度根据对象物所经历的每个事件(观光,移动等)而不同,因此能够按每个事件来对多个位置信息进行正确分类的可能性变高。
并且,通过对隐马尔可夫模型的状态变迁加以限制,能够以可保证按时刻顺序重排的多个位置信息的时刻具有连续性的方式进行分类。即,由于左至右型的隐马尔可夫模型中限制变迁为已出现过一次的状态,因此通过将按时刻顺序重排的位置信息输入到该隐马尔可夫模型,能够进行时刻的连续性有保证的分类。
如上所述,本发明的实施方式1的分类装置100根据左至右型的隐马尔可夫模型,对按时刻顺序重排的多个位置信息进行分类。由此,能根据对象物经历的顺序,按对象物经历的事件,对多个位置信息进行分类。
另外,在本发明的实施方式1中,说明了对多个位置信息进行分类的情况,此外也可以根据多个位置信息的分类结果,对与多个位置信息对应的内容进行分类。
图6是表示本发明的实施方式1的变形例的分类装置200的结构的一个例子的方框图。与图2所示分类装置100相比,图6所示分类装置200还具备内容存储部260和内容输出部270。
内容存储部260是用于存储与多个位置信息分别对应的多个内容的存储部。另外,内容存储部260可以是能在分类装置200上进行装卸的结构。例如,内容存储部260可以是HDD等的磁盘装置或者存储卡等。
内容输出部270按每个状态,从内容存储部260读出与被分类到对应的状态的位置信息对应的内容,并输出该内容。内容输出部270例如具备显示器,将对应的内容与位置信息的分类结果一同显示在显示器上。或者,内容输出部270也可以向外部的显示装置输出分类结果和内容。
图7是表示本发明的实施方式1的变形例的分类装置200的动作的一个例子的流程图。在此,分类部150根据已决定隐马尔可夫模型来对多个位置信息进行分类的这一处理(S150)与图4所示动作相同。
内容输出部270根据分类结果,按每个状态,输出与被分类的位置信息对应的内容(S260)。例如,如图8所示,作为内容的一个例子的照片被分类为5个状态(“地点A付近”,“移动(去路)”,“地点B付近”,“移动(回路)”,“地点C付近”)。通过与图1进行对比,可明显看出内容在时刻少的连续性有保证,即,去路的内容和回路的内容不会被分类到同一个状态。
如上所述,在本发明的实施方式1的变形例的分类装置200中,如图8所示,能在保证拍摄时刻的连续性的同时,按位置信息的统计性偏差相似的单位分组显示内容。因此,用户能够以根据每个重要事件进行分组的状态来视听在环游旅行等中拍摄的内容。
被分组的内容其摄影时刻的连续性有保障,因此各组的内容由以相近的时间间隔摄影的内容构成。从而,即使是位置信息的统计性偏差相似的内容,如果拍摄的时期相差较大,则被分类到不同的组而显示。因此,用户能以容易想起过去的事情的形式视听内容。
(实施方式2)
本发明的实施方式2的分类装置的特征在于,针对状态数互不相同的左至右型的多个隐马尔可夫模型的每一个,对多个位置信息进行分类,并决定最适分类结果。
通过以上,从多个分类结果中选择最适分类结果,因此能获得用户所希望的分类结果的可能性更高。
接下来,首先说明本发明的实施方式2的分类装置的结构的一个例子。
图9是表示本发明的实施方式2的分类装置300的结构的一个例子的方框图。图9所示分类装置300有别于图2所示分类装置100之处在于,取代隐马尔可夫模型存储部130、马尔可夫模型输出部140和分类部150,具备隐马尔可夫模型存储部330、马尔可夫模型输出部340和分类部350,还具备决定部380和分类结果输出部390。以下,主要说明与实施方式1的分类装置100不同点,省略相同点的说明。
隐马尔可夫模型存储部330是存储具有未定参数的左至右型的多个隐马尔可夫模型的存储器。多个隐马尔可夫模型具有互不相同的数量的状态。即,多个隐马尔可夫模型的状态数互不相同。另外,隐马尔可夫模型存储部330可以是能在分类装置300上进行装卸的结构。
马尔可夫模型输出部340决定由隐马尔可夫模型存储部330存储的多个隐马尔可夫模型中N(N为2以上的整数)个隐马尔可夫模型每一个的参数。然后,马尔可夫模型输出部340输出分别具有决定的参数的N个已决定隐马尔可夫模型。例如,马尔可夫模型输出部340决定由隐马尔可夫模型存储部330存储的所有隐马尔可夫模型的参数。
分类部350对N个已决定隐马尔可夫模型的每一个,将多个位置信息分别分类到对应的已决定隐马尔可夫模型所具有的多个状态的某个状态。由此,分类部350按每个隐马尔可夫模型生成一个分类结果,即,共生成N个分类结果。
决定部380对每个已决定隐马尔可夫模型算出表示由分类部350分类的结果的妥当性的得分,并将算出的得分满足规定条件的分类结果决定为最适分类结果。例如,决定部380将N个分类结果中的得分最高的分类结果决定为最适分类结果。关于得分的具体例,详情后述。
分类结果输出部390输出由决定部380决定的分类结果。
如上所述,本发明的实施方式2的分类装置300对状态数互不相同的左至右型的多个隐马尔可夫模型的每一个,对多个位置信息进行分类,并决定最适分类结果。根据以上,由于是从多个分类结果中选择最适分类结果,因此能获得用户所希望的分类结果的可能性更高。
接下来,就本发明的实施方式2的分类装置300的动作进行说明。
图10是表示本发明的实施方式2的分类装置300的动作的一个例子的流程图。
首先,重排部120从数据存储部10取得相对应的位置信息和时刻信息(S110)。然后,重排部120按时刻顺序重排对多个位置信息(S120)。
然后,马尔可夫模型输出部340取得由隐马尔可夫模型存储部330存储的多个左至右型隐马尔可夫模型(S330)。具体是,马尔可夫模型输出部340取得N个(例如,全部)隐马尔可夫模型。
在此,多个左至右型的隐马尔可夫模型与在实施方式1说明的左至右型的隐马尔可夫模型相同。多个隐马尔可夫模型因其状态数互不相同,因此参数的初始值也各不相同。
然后,马尔可夫模型输出部340选择多个隐马尔可夫模型中的分类结果未定的一个隐马尔可夫模型(S335)。然后,马尔可夫模型输出部340决定所选择的隐马尔可夫模型的参数(S340)。具体的参数决定方法与实施方式1中说明的方法相同,因此省略其说明。
然后,分类部350将多个位置信息分别分类到具有决定的参数的已决定隐马尔可夫模型所具有的多个状态的某个状态(S350)。由此,可获得与马尔可夫模型输出部340所选择的隐马尔可夫模型对应的分类结果。
决定部380针对马尔可夫模型输出部340取得的所有隐马尔可夫模型,判断是否获得了分类结果(S370)。如果未能获得所有的分类结果(S370为“否”),决定部380使马尔可夫模型输出部340选择下一个隐马尔可夫模型,并使其算出所选择的隐马尔可夫模型的参数(返回S335)。
如果获得了所有的分类结果(S370为“是”),决定部380针对各分类结果算出得分,并输出得分最高的分类结果(S380)。
以下,说明得分的具体例及其算出方法的一个例子。
得分是表示分类结果的妥当性的值,例如是根据分类结果的相似度和隐马尔可夫模型的参数的量算出的值。即,分类结果越相似,得分越大,参数的量(例如,状态数)越多,得分越小。
具体是,决定部380根据规定的信息量标准,按每个分类结果算出得分。作为信息量标准,有贝叶斯信息量标准(BIC),或赤池信息量标准(AIC)等。例如,决定部380根据贝叶斯信息量标准,按照“得分=对数相似度-参数数量依赖项”,算出得分。更具体是,决定部380据以下的(式11)算出得分。
(式11)
在(式11)中,l(·)为相似度,p为隐马尔可夫模型的总体参数的总数,L为数据x的数量。根据以下的(式12)算出相似度l(·)。
(式12)
在(式12)中,根据(式7)算出P(x)。另外,相似度根据隐马尔可夫模型的参数而变动,因此能以通过(式13)算出相似度。
(式13)
在(式13)中,θ表示该时间点的隐马尔可夫模型的参数。具体是,θ表示状态变迁概率矩阵A和k个概率分布的参数θk。
如上所述,根据本发明的实施方式2的分类装置300,这对状态数互不相同的左至右型的多个隐马尔可夫模型的每一个,对多个位置信息进行分类,并决定最适分类结果。具体是,按每个分类结果算出得分,并将算出的得分最高的分类结果决定为最适分类结果。根据以上,由于是从多个分类结果中选择最适分类结果,因此更能提高获得用户所希望的分类结果的可能性。
另外,在马尔可夫模型输出部340对两个隐马尔可夫模型进行算出参数以及位置信息分类的情况下,可将两个分类结果中得分高的分类结果决定为最适分类结果。具体是,马尔可夫模型输出部340首先决定出由隐马尔可夫模型存储部330存储的多个隐马尔可夫模型中的第一隐马尔可夫模型和第二隐马尔可夫模型分别对应的参数。然后,马尔可夫模型输出部340输出具有决定的参数的第一已决定隐马尔可夫模型和第二已决定隐马尔可夫模型。
分类部350使用第一已决定隐马尔可夫模型和多个位置信息生成第一分类结果,并使用第二已决定隐马尔可夫模型和多个位置信息生成第二分类结果。然后,决定部380算出表示第一分类结果的妥当性的第一得分和表示第二分类结果的妥当性的第二得分,并将与第一得分以及第二得分中较大的得分对应的分类结果决定为最适分类结果。
另外,在本发明的实施方式2中,说明了对多个隐马尔可夫模型分别进行参数算出以及位置信息分类,并选择得分最高的分类结果的情况,此外也可以从状态数少的隐马尔可夫模型开始按顺序进行参数算出以及位置信息分类。
图11是表示本发明的实施方式2的变形例的分类装置300的动作的一个例子的流程图。
首先,重排部120从数据存储部110取得相对应的位置信息和时刻信息(S110)。然后,重排部120按时刻顺序重排多个位置信息(S120)。
然后,马尔可夫模型输出部340取得由隐马尔可夫模型存储部330存储的多个隐马尔可夫模型中的状态数最少的第一隐马尔可夫模型(S430)。然后,马尔可夫模型输出部340决定所取得的第一隐马尔可夫模型的参数(S140)。然后,马尔可夫模型输出部340输出具有决定的参数的第一已决定隐马尔可夫模型。
然后,分类部350通过将多个位置信息分别分类到第一已决定隐马尔可夫模型所具有的多个状态的某一个,生成第一分类结果(S150)。
然后,决定部380算出表示第一分类结果的妥当性的第一得分。第一得分的算出方法与以上说明的得分算出方法相同。在此,由决定部380对得分进行比较(S470),若尚未取得其他得分(S470为“Yes”),决定部380就使马尔可夫模型输出部340决定下一个隐马尔可夫模型的参数。
具体是,马尔可夫模型输出部340从隐马尔可夫模型存储部330取得尚未得到分类结果的多个隐马尔可夫模型中的状态数最小的隐马尔可夫模型(S475)。在此,马尔可夫模型输出部340取得由隐马尔可夫模型存储部330存储的隐马尔可夫模型中的状态数第二个少的隐马尔可夫模型。
然后,马尔可夫模型输出部340决定所取得的第二隐马尔可夫模型的参数(S140)。然后,马尔可夫模型输出部340输出具有决定的参数的第二已决定隐马尔可夫模型。
然后,分类部350通过将多个位置信息分别分类到第二已决定隐马尔可夫模型所具有的多个状态的某一个,生成第二分类结果(S150)。
然后,决定部380算出表示第二分类结果的妥当性的第二得分。第二得分的算出方法与以上说明的得分算出方法相同。然后,决定部380对第一得分和第二得分进行比较(S470)。
在第一得分为第二得分以上的情况下(S470为“否”),决定部380将第一分类结果决定为最适分类结果。然后,分类结果输出部390输出第一分类结果(S480)。
在第一得分比第二小的情况下,即,得分变大的情况下(S470为“是”),决定部380使马尔可夫模型输出部340决定出状态数第三个少的隐马尔可夫模型的参数。通过以上,马尔可夫模型输出部340从隐马尔可夫模型存储部330取得状态数第三个小的第3隐马尔可夫模型(S475)。
接下来同样,决定部380反复使马尔可夫模型输出部340进行参数算出,直到与状态数第M(M为2以上的整数)个少的隐马尔可夫模型对应的得分(第M得分)成为与状态数第(M-1)个少的隐马尔可夫模型对应的得分(第M-1得分)以下为止。即,决定部380对第M得分和第M-1得分进行比较,在第M得分成为了第M-1得分以下时,将与状态数第(M-1)个少的隐马尔可夫模型对应的分类结果决定为最适分类结果。
如上所述,根据本发明的实施方式2的变形例的分类装置300,从状态数少的隐马尔可夫模型开始按顺序进行参数算出和位置信息分类。
一般情况下,状态数越多,相似度的值越大,被收敛为规定的值。相对而言,状态数越多,参数的个数就越多。由于是以相似度-参数个数来表示得分,因此,得分随着状态数的增大而增大,达到规定的极大值之后变小。从而,与针对所有的隐马尔可夫模型进行处理的情况相比,通过从状态数小的隐马尔可夫模型开始按顺序进行处理,能够通过较少的处理量,获得最高得分的分类结果。
如上所述,根据本发明的实施方式2的变形例的分类装置300,能够在降低处理量的同时,获得最适分类结果。
以上,根据实施方式说明了本发明的分类装置以及分类方法,但本发明并不限定于这些实施方式。只要不脱离本发明的宗旨,通过将该领域技术人员所想象到的各种变形方式实施于本实施方式而获得的方式,以及对不同实施方式的结构要素进行组合而获得的方式也属于本发明的范畴内。
例如,可根据用户的指示来选择隐马尔可夫模型的状态数。图12是表示本发明的实施方式的变形例的分类装置400的结构的一个例子的方框图。另外,在图12中,对于与实施方式1以及2相同的结构,赋予相同的参照符号,并省略其说明。
与图2所示分类装置100相比,图12所示分类装置400的不同点在于,取代隐马尔可夫模型存储部130以及马尔可夫模型输出部140,具备有隐马尔可夫模型存储部330以及马尔可夫模型输出部440,还增设了指示接受部405。
指示接受部405例如是用户界面,接受来自用户的、表示隐马尔可夫模型的状态数的指示。另外,隐马尔可夫模型的状态数相当于对多个位置信息进行分类的组的数量。指示接受部405在显示器等上显示图形用户界面(GUI),由用户通过该图形用户界面输入其想要将多个位置信息分类成多少个组,从而受理来自用户的指示。
马尔可夫模型输出部440决定具有由指示接受部405接受的指示所示状态数的状态的隐马尔可夫模型的参数。具体是,马尔可夫模型输出部440首先从隐马尔可夫模型存储部330取得由指示接受部405接受的指示所示状态数的隐马尔可夫模型。然后,通过对取得的隐马尔可夫模型输入按时刻顺序排列的多个位置信息,算出参数。
根据以上结构,用户能够对状态数进行指定,因此能进一步提高获得用户所其希望的分类结果的可能性。
另外,对隐马尔可夫模型所具有的多个状态分别所根据的概率分布,可根据概率分布的形状,赋予预先规定的标签。然后,分类部可对每个状态赋予标签并输出分类结果。
图13是表示本发明的实施方式的其他变形例的分类装置的动作的一个例子的流程图。在此,获得分类结果为止的处理(S110~S150)与图4所示的处理相同,因此省略其说明。
分类部150获得分类结果之后,根据与隐马尔可夫模型所具有的多个状态分别对应的概率分布的形状来选择标签,然后对分类的各状态赋予标签并输出(S560)。例如,分类部150预先保持表示概率分布的形状和标签的对应关系的表,该标签是指与该概率分布的形状对应的预先规定的标签。
图14是表示本发明的实施方式的其他变形例的概率分布和标签的对应关系的一个例子的图。另外,概率分布的形状例如根据期待值μ和方差σ2的至少一个而定。
在图14的例子中,方差σ2小的情况与标签“停留中”对应,方差σ2大的情况与标签“移动中”对应。即,标签采用可表示多个位置信息的偏差特性的表现,具体为表示对象物的行动特征的表现。
如上所述,分类部150将与概率分布的形状对应的标签,与分类结果一同输出。通过赋予标签,用户可知道被分类的位置信息属于何种性质的组。从而,例如在与位置信息对应的内容被分类的情况下,用户可在短时间内找出所希望的内容,由此提高操作性,进而可获得削减分类装置的消费电力的效果。
另外,在所述实施方式2中,从多个分类结果中选择了最适分类结果。此外,也可以向用户提示多个分类结果,由用户选择最适分类结果。
在此,典型的情况为,通过作为半导体集成电路的LSI来实现所述各实施方式的分类装置。例如,作为集成电路实现的分类装置具备图1所示的排序部120、马尔可夫模型输出部140、分类部150,而可以不具备各存储部。可以对以上的结构进行单片化,也可以对其中的一部分或者全部进行单片化。在此例举了LSI,此外,根据集成度的不同,还有被称为IC、系统LSI、超级LSI、最超级LSI的结构。
另外,集成电路化采用的方式并不限定于LSI,还可以通过专用电路或者通用处理器实现。制造LSI之后,能够利用可编程的FPGA(FieldProgrammableGateArray:现场可编程门阵列),或者可对LSI内部的电路元件的连接和设定进行重建的可重建处理器。
另外,随着半导体技术的进步以及衍生出的其他技术,若有可代替LSI的集成电路化技术出现,当然可以利用该技术来进行功能块的集成化。具有可能性的例如有生物技术的应用等。
并且,通过对所述各实施方式的分类装置的集成化半导体芯片和用于绘制图像的显示器进行组合,能构成对应于各种用途的绘制设备。本发明可利用于便携式电话机或电视机、数字录像机、数字摄像机、汽车导航仪等的信息绘制部。作为显示器,除了阴极射线管(CRT),还可以组合液晶和等离子显示屏(PDP)、有机EL等的平面显示器、以投影器为代表的投影型显示器等。
本发明的分类装置例如作为便携式电话机和随身听、数字照相机、数字摄像机等的电池驱动型便携式显示终端,以及作为电视机、数字录像机、汽车导航仪等高分辨率信息显示设备的目录显示和网络浏览器、编辑器、EPG、地图显示等的信息显示部,具有高的利用价值。
符号说明
100、200、300、400分类装置
110数据存储部
120重排部
130、330隐马尔可夫模型存储部
140、340、440马尔可夫模型输出部
150、350分类部
260内容存储部
270内容输出部
380决定部
390分类结果输出部
405指示接受部
Claims (11)
1.一种分类装置,具备:
数据存储部,用于存储表示互不相同的时刻的多个时刻信息、以及与该多个时刻信息分别对应且表示对象物在对应的时刻的位置的多个位置信息;
重排部,使用所述多个时刻信息,按时刻顺序对所述多个位置信息进行重排;
隐马尔可夫模型存储部,存储有具有多个状态且具有未定参数的左至右型的隐马尔可夫模型;
马尔可夫模型输出部,通过将由所述重排部按时刻顺序排列的所述多个位置信息输入到所述隐马尔可夫模型,来决定所述未定参数,并输出具有决定的参数的已决定隐马尔可夫模型;以及
分类部,通过将由所述重排部按时刻顺序排列的所述多个位置信息输入到所述已决定隐马尔可夫模型,从而将所述多个位置信息分别按时刻顺序分类到所述多个状态的某个状态。
2.如权利要求1所述的分类装置,该分类装置还具备:
内容存储部,用于存储与所述多个位置信息分别对应的多个内容;以及
内容输出部,按每个所述状态,从所述内容存储部读出与被分类到对应的状态的位置信息对应的内容,并输出该内容。
3.如权利要求1所述的分类装置,
所述隐马尔可夫模型存储部,存储有具有互不相同的数量的状态且具有未定参数的多个左至右型的隐马尔可夫模型,
所述马尔可夫模型输出部,决定由所述隐马尔可夫模型存储部存储的多个隐马尔可夫模型中的N个隐马尔可夫模型的每一个的参数,并输出分别具有决定的参数的N个已决定隐马尔可夫模型,其中,N为2以上的整数,
所述分类部,针对所述N个已决定隐马尔可夫模型的每一个,将所述多个位置信息分别分类到对应的已决定隐马尔可夫模型所具有的多个状态的某个状态,
所述分类装置还具备决定部和分类结果输出部,
所述决定部,按每个已决定隐马尔可夫模型算出表示所述分类部的分类结果的妥当性的得分,并将算出的得分满足规定条件的分类结果决定为最适分类结果,
所述分类结果输出部,输出由所述决定部决定的分类结果。
4.如权利要求3所述的分类装置,
所述决定部将N个分类结果中的得分最高的分类结果决定为所述最适分类结果。
5.如权利要求3所述的分类装置,
所述马尔可夫模型输出部,决定与由所述隐马尔可夫模型存储部存储的多个隐马尔可夫模型中的第一隐马尔可夫模型和第二隐马尔可夫模型分别对应的参数,并输出具有决定的参数的第一已决定隐马尔可夫模型和第二已决定隐马尔可夫模型,
所述分类部,通过将所述多个位置信息分别分类到所述第一已决定隐马尔可夫模型所具有的多个状态的某个状态,生成第一分类结果,通过将所述多个位置信息分别分类到所述第二已决定隐马尔可夫模型所具有的多个状态的某个状态,生成第二分类结果,
所述决定部,算出表示所述第一分类结果的妥当性的第一得分和表示所述第二分类结果的妥当性的第二得分,并将与所述第一得分以及所述第二得分中的得分大的一方对应的分类结果决定为所述最适分类结果。
6.如权利要求5所述的分类装置,
所述第一隐马尔可夫模型是状态数最少的隐马尔可夫模型,
所述第二隐马尔可夫模型是状态数第二少的隐马尔可夫模型,
所述决定部,在所述第一得分为所述第二得分以上的情况下,将所述第一分类结果决定为所述最适分类结果,在所述第一得分小于所述第二得分的情况下,使所述马尔可夫模型输出部决定状态数第三少的第三隐马尔可夫模型的参数。
7.如权利要求6所述的分类装置,
所述决定部,使所述马尔可夫模型输出部反复进行参数决定,直到与状态数量第M少的隐马尔可夫模型对应的得分成为与状态数量第M-1少的隐马尔可夫模型对应的得分以下为止,其中,M为2以上的整数。
8.如权利要求1所述的分类装置,
所述分类装置还具备指示接受部,该指示接受部接受表示隐马尔可夫模型的状态数的、来自用户的指示,
所述隐马尔可夫模型存储部,存储有具有互不相同的状态数的状态且具有未定参数的多个左至右型的隐马尔可夫模型,
所述马尔可夫模型输出部,决定具有由所述指示接受部接受的指示所示的状态数的状态的隐马尔可夫模型的参数。
9.如权利要求1至8中的任一项所述的分类装置,
所述未定参数包含符号发生概率,该符号发生概率按每个状态表示对应的概率分布,
对所述概率分布,根据该概率分布的形状,赋予了预先规定的标记,
所述分类部,还按每个状态附加所述标记,并输出分类结果。
10.一种分类方法,包括:
数据取得步骤,从数据存储部取得表示互不相同的时刻的多个时刻信息、以及与该多个时刻信息分别对应且表示对象物在对应的时刻的位置的多个位置信息;
重排步骤,使用所述多个时刻信息,按时刻顺序对所述多个位置信息进行重排;
隐马尔可夫模型取得步骤,从隐马尔科夫存储部取得具有多个状态且具有未定参数的左至右型的隐马尔可夫模型;
马尔可夫模型输出步骤,通过将在所述重排步骤按时刻顺序排列的所述多个位置信息输入到所述隐马尔可夫模型,来决定所述未定参数,并输出具有决定的参数的已决定隐马尔可夫模型;以及
分类步骤,通过将在所述重排步骤按时刻顺序排列的所述多个位置信息输入到所述已决定隐马尔可夫模型,从而将所述多个位置信息分别按时刻顺序分类到所述多个状态的某个状态。
11.一种集成电路,对与表示互不相同的时刻的多个时刻信息分别对应的、表示对象物的位置的多个位置信息进行分类,该集成电路具备:
重排部,使用所述多个时刻信息,按时刻顺序对所述多个位置信息进行重排;
马尔可夫模型输出部,通过将由所述重排部按时刻顺序排列的所述多个位置信息输入到具有多个状态且具有未定参数的左至右型的隐马尔可夫模型,来决定所述未定参数,并输出具有决定的参数的已决定隐马尔可夫模型;以及
分类部,通过将由所述重排部按时刻顺序排列的所述多个位置信息输入到所述已决定隐马尔可夫模型,从而将所述多个位置信息分别按时刻顺序分类到所述多个状态的某个状态。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010224275 | 2010-10-01 | ||
JP2010-224275 | 2010-10-01 | ||
JP2010265781 | 2010-11-29 | ||
JP2010-265781 | 2010-11-29 | ||
PCT/JP2011/005376 WO2012042814A1 (ja) | 2010-10-01 | 2011-09-26 | 分類装置及び分類方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102549578A CN102549578A (zh) | 2012-07-04 |
CN102549578B true CN102549578B (zh) | 2016-03-09 |
Family
ID=45892306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180003980.5A Active CN102549578B (zh) | 2010-10-01 | 2011-09-26 | 分类装置以及分类方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8793204B2 (zh) |
JP (1) | JP5784585B2 (zh) |
CN (1) | CN102549578B (zh) |
WO (1) | WO2012042814A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9244152B1 (en) * | 2012-06-01 | 2016-01-26 | Amazon Technologies, Inc. | Determining device locations using movement, signal strength |
US9230005B2 (en) | 2012-12-30 | 2016-01-05 | International Business Machines Corporation | Spatiotemporal encounters detection in historical movement datasets |
JP6090925B2 (ja) * | 2013-05-28 | 2017-03-08 | Kddi株式会社 | 辞書生成装置 |
CN103412955B (zh) * | 2013-09-01 | 2021-08-17 | 湖南人文科技学院 | 一种rfid数据压缩方法 |
JP6336807B2 (ja) * | 2014-04-09 | 2018-06-06 | 株式会社Nttドコモ | 情報処理装置およびグルーピング方法 |
CN104715040A (zh) * | 2015-03-23 | 2015-06-17 | 浪潮集团有限公司 | 一种数据分类的方法及装置 |
JP6374842B2 (ja) * | 2015-08-04 | 2018-08-15 | 日本電信電話株式会社 | 滞在確率密度推定装置、方法、及びプログラム |
US9743243B1 (en) * | 2016-03-16 | 2017-08-22 | International Business Machines Corporation | Location context inference based on user mobile data with uncertainty |
US11481690B2 (en) | 2016-09-16 | 2022-10-25 | Foursquare Labs, Inc. | Venue detection |
CN109886233B (zh) * | 2019-02-28 | 2023-05-09 | 苏州工业职业技术学院 | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 |
CN110288273B (zh) * | 2019-04-19 | 2024-03-22 | 平安科技(深圳)有限公司 | 一种信息提示方法、装置、电子设备及存储介质 |
CN110737268B (zh) * | 2019-10-14 | 2022-07-15 | 哈尔滨工程大学 | 一种基于Viterbi算法的确定指令的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1627299A (zh) * | 2003-12-12 | 2005-06-15 | 松下电器产业株式会社 | 图像分类装置、方法和程序 |
CN1666112A (zh) * | 2002-05-31 | 2005-09-07 | 埃卡豪股份有限公司 | 基于序列的定位技术 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7292678B2 (en) * | 2000-08-31 | 2007-11-06 | Lamson Holdings Llc | Voice activated, voice responsive product locator system, including product location method utilizing product bar code and aisle-situated, aisle-identifying bar code |
JP2004362066A (ja) * | 2003-06-02 | 2004-12-24 | Fujitsu Ltd | 行動データ分析方法および行動データ分析プログラム |
JP2007226555A (ja) * | 2006-02-23 | 2007-09-06 | Matsushita Electric Ind Co Ltd | 無意識に撮影された画像の閲覧装置及び方法 |
JP2007249922A (ja) * | 2006-03-20 | 2007-09-27 | Sanyo Electric Co Ltd | 非日常行動検知システム |
JP2008027364A (ja) * | 2006-07-25 | 2008-02-07 | Fr Telecom | 行動情報の多次元管理システム及び行動情報の多次元管理方法 |
JP2009025853A (ja) | 2007-07-17 | 2009-02-05 | Mitsubishi Electric Corp | パターン認識装置 |
-
2011
- 2011-09-26 CN CN201180003980.5A patent/CN102549578B/zh active Active
- 2011-09-26 US US13/498,396 patent/US8793204B2/en active Active
- 2011-09-26 WO PCT/JP2011/005376 patent/WO2012042814A1/ja active Application Filing
- 2011-09-26 JP JP2012505931A patent/JP5784585B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1666112A (zh) * | 2002-05-31 | 2005-09-07 | 埃卡豪股份有限公司 | 基于序列的定位技术 |
CN1627299A (zh) * | 2003-12-12 | 2005-06-15 | 松下电器产业株式会社 | 图像分类装置、方法和程序 |
Non-Patent Citations (1)
Title |
---|
时间序列分类问题的算法比较;杨一鸣等;《计算机学报》;20070831;第30卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102549578A (zh) | 2012-07-04 |
JP5784585B2 (ja) | 2015-09-24 |
WO2012042814A1 (ja) | 2012-04-05 |
US20120209799A1 (en) | 2012-08-16 |
JPWO2012042814A1 (ja) | 2014-02-03 |
US8793204B2 (en) | 2014-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102549578B (zh) | 分类装置以及分类方法 | |
CN103455542B (zh) | 多类识别器以及多类识别方法 | |
Ta et al. | Signature-based trajectory similarity join | |
JP6612487B1 (ja) | 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム | |
US20110176725A1 (en) | Learning apparatus, learning method and program | |
JP6863926B2 (ja) | データ分析システム及びデータ分析方法 | |
Jojic et al. | Multidimensional counting grids: Inferring word order from disordered bags of words | |
US8750604B2 (en) | Image recognition information attaching apparatus, image recognition information attaching method, and non-transitory computer readable medium | |
US20230336532A1 (en) | Privacy Preserving Document Analysis | |
Bakır et al. | A comparative study for estimating software development effort intervals | |
JP2017146888A (ja) | 設計支援装置及び方法及びプログラム | |
JP4309933B2 (ja) | 文書分類装置及び分類方法 | |
JP5133294B2 (ja) | 時空間検索装置及び方法及びプログラム | |
Liu et al. | Boosting feature selection using information metric for classification | |
JP5135803B2 (ja) | 最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法 | |
US20230186092A1 (en) | Learning device, learning method, computer program product, and learning system | |
He et al. | Range likelihood tree: A compact and effective representation for visual exploration of uncertain data sets | |
JPWO2008084842A1 (ja) | カーネル関数生成方法および装置、データ分類装置 | |
US8606494B2 (en) | Map generation apparatus, map generation method and computer readable medium | |
JP2017188063A (ja) | 画像検索システム、画像検索方法、及び画像検索用プログラム | |
CN106454347A (zh) | 帧分辨率决定方法以及使用该方法的装置 | |
US10140738B1 (en) | System and method for interpreting machine-learning results | |
US20220391737A1 (en) | Evaluation device, evaluation method, and recording medium | |
JP2008299616A (ja) | 文書分類装置、文書分類方法、プログラム及び記録媒体 | |
WO2023181497A1 (ja) | 評価装置、評価方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |