JP2003076976A - パターンマッチング方法 - Google Patents
パターンマッチング方法Info
- Publication number
- JP2003076976A JP2003076976A JP2001263403A JP2001263403A JP2003076976A JP 2003076976 A JP2003076976 A JP 2003076976A JP 2001263403 A JP2001263403 A JP 2001263403A JP 2001263403 A JP2001263403 A JP 2001263403A JP 2003076976 A JP2003076976 A JP 2003076976A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- input
- unit group
- learning
- output
- 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.)
- Pending
Links
Landscapes
- Testing Of Engines (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 判定精度の高いニューラルネットワークを利
用したパターンマッチング方法を提供すること。 【解決手段】 入力ユニット群に複数の学習用入力パタ
ーンを入力するとともに、入力した学習用入力パターン
に対応した出力ユニット群の出力パターンを予め定めた
教師パターンと比較して両者の誤差を求め、この誤差に
基づいて各ユニット群を構成しているユニットのしきい
値と各ユニット群を連結している結合素子の結合係数と
を補正する操作を繰り返して前記学習用入力パターンを
学習させたのち、任意のパターンを前記入力ユニット群
に入力して前記出力ユニット群の出力パターンを、学習
させた入力パターンに対応した出力パターンと対比する
パターンマッチング方法である。異なる次元に属するデ
ータ相互間の相関を計算し、相関で決まる特徴的なマハ
ラノビス距離が一定の位置に境界パターンを作成して学
習用入力パターンとする。
用したパターンマッチング方法を提供すること。 【解決手段】 入力ユニット群に複数の学習用入力パタ
ーンを入力するとともに、入力した学習用入力パターン
に対応した出力ユニット群の出力パターンを予め定めた
教師パターンと比較して両者の誤差を求め、この誤差に
基づいて各ユニット群を構成しているユニットのしきい
値と各ユニット群を連結している結合素子の結合係数と
を補正する操作を繰り返して前記学習用入力パターンを
学習させたのち、任意のパターンを前記入力ユニット群
に入力して前記出力ユニット群の出力パターンを、学習
させた入力パターンに対応した出力パターンと対比する
パターンマッチング方法である。異なる次元に属するデ
ータ相互間の相関を計算し、相関で決まる特徴的なマハ
ラノビス距離が一定の位置に境界パターンを作成して学
習用入力パターンとする。
Description
【０００１】
【発明の属する技術分野】本発明はパターンマッチング
方法に係り、特に、印字パターンの検査、エンジンやモ
ーター等の回転機の製品検査、あるいは、回転機やプラ
ントの故障診断等を行うため、画像、音、振動等の情報
信号から特徴量を計算し、その特徴量をパターンとして
捉えてニューラルネットワークを利用することにより良
否の行うようにしたパターンマッチング方法に関する。
方法に係り、特に、印字パターンの検査、エンジンやモ
ーター等の回転機の製品検査、あるいは、回転機やプラ
ントの故障診断等を行うため、画像、音、振動等の情報
信号から特徴量を計算し、その特徴量をパターンとして
捉えてニューラルネットワークを利用することにより良
否の行うようにしたパターンマッチング方法に関する。
【０００２】
【従来の技術】一般に、製造製品の良否判定を行う場
合、例えば、自動車エンジンの良否判定をなす場合に
は、エンジンを組み立てたのち、エンジンを回転させて
その回転音を検査員が聞き、音感による官能試験によっ
てエンジンの良否、すなわちエンジンが正常に組み立て
られたか否かを判断している。この判断は、作業者の音
感による官能試験であるため、エンジンの良否を判定す
るために多くの経験を必要とするとともに、個人差によ
る判定のばらつきなどを生ずるおそれがあるし、作業疲
れから検査ミスにつながる心配もある。さらに、自動車
エンジンの組立工場においては、各種の自動車に対応し
た複数種類のエンジンが同一ラインに混在して流れる場
合も多く、これら各種のエンジンのエンジン音を聞き分
けることも容易でない。
合、例えば、自動車エンジンの良否判定をなす場合に
は、エンジンを組み立てたのち、エンジンを回転させて
その回転音を検査員が聞き、音感による官能試験によっ
てエンジンの良否、すなわちエンジンが正常に組み立て
られたか否かを判断している。この判断は、作業者の音
感による官能試験であるため、エンジンの良否を判定す
るために多くの経験を必要とするとともに、個人差によ
る判定のばらつきなどを生ずるおそれがあるし、作業疲
れから検査ミスにつながる心配もある。さらに、自動車
エンジンの組立工場においては、各種の自動車に対応し
た複数種類のエンジンが同一ラインに混在して流れる場
合も多く、これら各種のエンジンのエンジン音を聞き分
けることも容易でない。
【０００３】このために、各種情報信号に対応する制御
出力を得るように識別すべきパターンを入力し、対応す
る出力を教師パターンと対比することによって修正する
学習作業を繰り返した後、以後は任意の識別パターンを
入力することで自動判別させるようにしたパターンマッ
チング装置が知られている。このようなパターンマッチ
ング装置は、一般に、多入力１出力型の素子（ユニッ
ト）を結合素子により他のユニットと結合することによ
り構成されたニューラルネットワークを利用した構成と
されている。しかし、この従来のニューラルネットワー
ク処理を用いたパターンマッチング装置では、学習して
いないカテゴリーに属するパターンを識別させると、学
習したカテゴリーのどれかであると誤判定出力する場合
がしばしば存在する。この問題は未学習データに対する
応答ということで一般に問題になっているものである。
出力を得るように識別すべきパターンを入力し、対応す
る出力を教師パターンと対比することによって修正する
学習作業を繰り返した後、以後は任意の識別パターンを
入力することで自動判別させるようにしたパターンマッ
チング装置が知られている。このようなパターンマッチ
ング装置は、一般に、多入力１出力型の素子（ユニッ
ト）を結合素子により他のユニットと結合することによ
り構成されたニューラルネットワークを利用した構成と
されている。しかし、この従来のニューラルネットワー
ク処理を用いたパターンマッチング装置では、学習して
いないカテゴリーに属するパターンを識別させると、学
習したカテゴリーのどれかであると誤判定出力する場合
がしばしば存在する。この問題は未学習データに対する
応答ということで一般に問題になっているものである。
【０００４】すなわち、従来のパターンマッチング装置
では、図３に示すようなカテゴリーＡとＢとを識別する
場合、この２つのカテゴリーＡ、Ｂに属するパターン
（「○」または「×」で示したもの）を用いて学習を行
っている。この学習結果として、図３に示す破線のよう
な境界線Ｄが設定される。そして、入力されたパターン
がこの境界線Ｄのどちら側にあるかによって、どちらの
カテゴリーに属するパターンかを判定しているのであ
る。したがって、ＡまたはＢに属するデータを識別させ
ると正しく判定できるが、これらのカテゴリーに属しな
いパターンが入力された場合、このパターンを無理やり
どちらかのカテゴリーと判定することとなるのである。
では、図３に示すようなカテゴリーＡとＢとを識別する
場合、この２つのカテゴリーＡ、Ｂに属するパターン
（「○」または「×」で示したもの）を用いて学習を行
っている。この学習結果として、図３に示す破線のよう
な境界線Ｄが設定される。そして、入力されたパターン
がこの境界線Ｄのどちら側にあるかによって、どちらの
カテゴリーに属するパターンかを判定しているのであ
る。したがって、ＡまたはＢに属するデータを識別させ
ると正しく判定できるが、これらのカテゴリーに属しな
いパターンが入力された場合、このパターンを無理やり
どちらかのカテゴリーと判定することとなるのである。
【０００５】ちなみに、誤判定する理由は、従来の入出
力関数の場合、しきい値より相当大きい値ないしは小さ
い値が入力されると、その値の如何にかかわらず１ない
しは０という値を出力する、いわゆる飽和型の関数を用
いているため、単に学習したカテゴリー間に境界面を設
定するだけの作用しかしないためと考えられる。
力関数の場合、しきい値より相当大きい値ないしは小さ
い値が入力されると、その値の如何にかかわらず１ない
しは０という値を出力する、いわゆる飽和型の関数を用
いているため、単に学習したカテゴリー間に境界面を設
定するだけの作用しかしないためと考えられる。
【０００６】この上記の問題を解消する方法として、本
出願人は、特願平０７−３１９６２５号において、パタ
ーンマッチング方法および装置を提案している。このニ
ューラルネットワーク処理を用いたパターンマッチング
装置では、未学習パターンを適確に識別して出力するこ
とができるようにすることを目的とし、特に個々のユニ
ットにおける重み係数を乗じた入力信号加算値がしきい
値の近傍のみならずしきい値から大きく離れている場合
であっても適正な出力信号を出力し、もってパターンマ
ッチングの判定精度を向上させることができるようにし
ている。これは、図３に示すようなカテゴリーＡ、Ｂの
周辺境界を与えるデータ（「◎」で示す）を学習用デー
タから合成し、これらのデータを入力層に与えたときに
出力層の全細胞（ユニット）の出力値を「０」または小
さな値となるように学習させればよいとの知見によりな
されたものである。すなわち、境界パターンに対応する
入力信号に対する教師信号を全細胞にわたり小さな値と
するのである。これにより両カテゴリーの境界に位置す
るパターンが学習パターンとして用いられ、結果とし
て、学習用データの周囲を取り囲む実線で示している範
囲が識別すべきカテゴリーの範囲であることを認識する
ことになるので、誤認識率が大幅に低下するのである。
出願人は、特願平０７−３１９６２５号において、パタ
ーンマッチング方法および装置を提案している。このニ
ューラルネットワーク処理を用いたパターンマッチング
装置では、未学習パターンを適確に識別して出力するこ
とができるようにすることを目的とし、特に個々のユニ
ットにおける重み係数を乗じた入力信号加算値がしきい
値の近傍のみならずしきい値から大きく離れている場合
であっても適正な出力信号を出力し、もってパターンマ
ッチングの判定精度を向上させることができるようにし
ている。これは、図３に示すようなカテゴリーＡ、Ｂの
周辺境界を与えるデータ（「◎」で示す）を学習用デー
タから合成し、これらのデータを入力層に与えたときに
出力層の全細胞（ユニット）の出力値を「０」または小
さな値となるように学習させればよいとの知見によりな
されたものである。すなわち、境界パターンに対応する
入力信号に対する教師信号を全細胞にわたり小さな値と
するのである。これにより両カテゴリーの境界に位置す
るパターンが学習パターンとして用いられ、結果とし
て、学習用データの周囲を取り囲む実線で示している範
囲が識別すべきカテゴリーの範囲であることを認識する
ことになるので、誤認識率が大幅に低下するのである。
【０００７】ところが、上記特願平０７−３１９６２５
号におけるパターンマッチング方法では、各カテゴリー
に属する学習用パターンの合成方法は識別対象に応じて
個別に行うようにしているが、識別対象とする個数が多
いと合成するのに作成工数が増大し、合成するのが困難
であるという問題がある。また、境界パターン作成方法
において、予め定めた値を用いて検証するという作業を
繰り返すことで最適値を選ぶ必要があるが、この作業に
手間がかかる上に経験も必要であり、ニューラルネット
ワークの経験が少ないと最適値を求めるのは困難である
という問題がある。
号におけるパターンマッチング方法では、各カテゴリー
に属する学習用パターンの合成方法は識別対象に応じて
個別に行うようにしているが、識別対象とする個数が多
いと合成するのに作成工数が増大し、合成するのが困難
であるという問題がある。また、境界パターン作成方法
において、予め定めた値を用いて検証するという作業を
繰り返すことで最適値を選ぶ必要があるが、この作業に
手間がかかる上に経験も必要であり、ニューラルネット
ワークの経験が少ないと最適値を求めるのは困難である
という問題がある。
【０００８】そこで、製品を構成する各部品の精度は正
規分布に従うと言われており、その製品が発生する音や
振動といった特徴量も正規分布に従うとの観点から、対
象となるカテゴリーの学習データを正規分布を代表とす
る統計分布にすることにより、カテゴリーが多数あって
も手間がかからずに、ニューラルネットワークの経験が
なくても容易に最適値が求められるような方法を得た。
規分布に従うと言われており、その製品が発生する音や
振動といった特徴量も正規分布に従うとの観点から、対
象となるカテゴリーの学習データを正規分布を代表とす
る統計分布にすることにより、カテゴリーが多数あって
も手間がかからずに、ニューラルネットワークの経験が
なくても容易に最適値が求められるような方法を得た。
【０００９】これは基本的には、入力ユニット群に複数
の学習用入力パターンを入力するとともに、入力した学
習用入力パターンに対応した出力ユニット群の出力パタ
ーンを予め定めた教師パターンと比較して両者の誤差を
求め、この誤差に基づいて各ユニット群を構成している
ユニットのしきい値と各ユニット群を連結している結合
素子の重み係数とを補正する操作を繰り返して前記学習
用入力パターンを学習させたのち、任意のパターンを前
記入力ユニット群に入力して前記出力ユニット群の出力
パターンを、学習させた入力パターンに対応した出力パ
ターンと対比するパターンマッチング方法である。この
方法において、同一のカテゴリーに属する前記複数の学
習用入力パターンの周囲に統計分布により境界パターン
を作成するようにしたものである（特願２０００−２０
９６２８号）。すなわち、この境界パターンの作成方法
として、学習データの平均（ｍ）と標準偏差（σ）を計
算し、境界データをｍ±ｘσ（ｘは定数）のように作成
するようにしたことで、統計分布にしたがった合理的な
データ生成方法が得られ、判別能力を向上させることが
できる。
の学習用入力パターンを入力するとともに、入力した学
習用入力パターンに対応した出力ユニット群の出力パタ
ーンを予め定めた教師パターンと比較して両者の誤差を
求め、この誤差に基づいて各ユニット群を構成している
ユニットのしきい値と各ユニット群を連結している結合
素子の重み係数とを補正する操作を繰り返して前記学習
用入力パターンを学習させたのち、任意のパターンを前
記入力ユニット群に入力して前記出力ユニット群の出力
パターンを、学習させた入力パターンに対応した出力パ
ターンと対比するパターンマッチング方法である。この
方法において、同一のカテゴリーに属する前記複数の学
習用入力パターンの周囲に統計分布により境界パターン
を作成するようにしたものである（特願２０００−２０
９６２８号）。すなわち、この境界パターンの作成方法
として、学習データの平均（ｍ）と標準偏差（σ）を計
算し、境界データをｍ±ｘσ（ｘは定数）のように作成
するようにしたことで、統計分布にしたがった合理的な
データ生成方法が得られ、判別能力を向上させることが
できる。
【００１０】
【発明が解決しようとする課題】ところで、多次元デー
タを学習する場合において、異なる次元に属するデータ
相互間に相関が見られるときには、データ分布はある規
則性を持つことが解っている。しかし、従来の技術で
は、このデータ相互間の相関を考慮していないため、境
界データの配置が今一つ十分とは言えなかった。本発明
は、上記従来の問題点に着目し、判定精度の高いニュー
ラルネットワークを利用したパターンマッチング方法を
提供することを目的とする。
タを学習する場合において、異なる次元に属するデータ
相互間に相関が見られるときには、データ分布はある規
則性を持つことが解っている。しかし、従来の技術で
は、このデータ相互間の相関を考慮していないため、境
界データの配置が今一つ十分とは言えなかった。本発明
は、上記従来の問題点に着目し、判定精度の高いニュー
ラルネットワークを利用したパターンマッチング方法を
提供することを目的とする。
【００１１】
【課題を解決するための手段】上記目的を達成するため
に、本発明に係るパターンマッチング方法は、入力ユニ
ット群に複数の学習用入力パターンを入力するととも
に、入力した学習用入力パターンに対応した出力ユニッ
ト群の出力パターンを予め定めた教師パターンと比較し
て両者の誤差を求め、この誤差に基づいて各ユニット群
を構成しているユニットのしきい値と各ユニット群を連
結している結合素子の結合係数とを補正する操作を繰り
返して前記学習用入力パターンを学習させたのち、任意
のパターンを前記入力ユニット群に入力して前記出力ユ
ニット群の出力パターンを、学習させた入力パターンに
対応した出力パターンと対比するパターンマッチング方
法において、異なる次元に属するデータ相互間の相関を
計算し、相関で決まる特徴的な距離が一定の位置に境界
パターンを作成して学習用入力パターンとすることを特
徴としている。前記境界パターンは、多次元のデータの
平均と標準偏差、並びに相関係数に基づき、平均からの
マハラノビス距離が一定の集合を求めたものを使用すれ
ばよい。
に、本発明に係るパターンマッチング方法は、入力ユニ
ット群に複数の学習用入力パターンを入力するととも
に、入力した学習用入力パターンに対応した出力ユニッ
ト群の出力パターンを予め定めた教師パターンと比較し
て両者の誤差を求め、この誤差に基づいて各ユニット群
を構成しているユニットのしきい値と各ユニット群を連
結している結合素子の結合係数とを補正する操作を繰り
返して前記学習用入力パターンを学習させたのち、任意
のパターンを前記入力ユニット群に入力して前記出力ユ
ニット群の出力パターンを、学習させた入力パターンに
対応した出力パターンと対比するパターンマッチング方
法において、異なる次元に属するデータ相互間の相関を
計算し、相関で決まる特徴的な距離が一定の位置に境界
パターンを作成して学習用入力パターンとすることを特
徴としている。前記境界パターンは、多次元のデータの
平均と標準偏差、並びに相関係数に基づき、平均からの
マハラノビス距離が一定の集合を求めたものを使用すれ
ばよい。
【００１２】すなわち、多次元データを学習する場合に
データ相互間の相関を計算し、相関で決まる特徴的な距
離が一定の位置に境界データを作成することで、より正
確な境界データを作成することによって目的を達成でき
る。
データ相互間の相関を計算し、相関で決まる特徴的な距
離が一定の位置に境界データを作成することで、より正
確な境界データを作成することによって目的を達成でき
る。
【００１３】その具体的方法は次の通りである。簡単の
ため二次元データを考え、そのデータをｘ＝（ｘ1、
ｘ2、ｘ3、………、ｘN）、ｙ＝（ｙ1、ｙ2、ｙ3、……
…、ｙN）とする。それぞれの平均（添え字ｍ）および
標準偏差（添え字σ）は次のようになる。
ため二次元データを考え、そのデータをｘ＝（ｘ1、
ｘ2、ｘ3、………、ｘN）、ｙ＝（ｙ1、ｙ2、ｙ3、……
…、ｙN）とする。それぞれの平均（添え字ｍ）および
標準偏差（添え字σ）は次のようになる。
【数１】
【００１４】また、この二次元データにおける相関係数
ρは、次のようになる。
ρは、次のようになる。
【数２】
ここで、ｘ、ｙを正規化するために、新しく変数ｕ、ｖ
を導入する。すなわち、
を導入する。すなわち、
【数３】
【００１５】こうすることで、ｕ，ｖは平均０、標準偏
差１のデータに変換できる。これらの変数に対し、平均
からどれだけ離れているかを示す指標として、マハラノ
ビス距離Ｄというものが定義されている。
差１のデータに変換できる。これらの変数に対し、平均
からどれだけ離れているかを示す指標として、マハラノ
ビス距離Ｄというものが定義されている。
【数４】
【００１６】マハラノビス距離が一定の点の集合は、原
点を中心とした楕円関数になる。そこで、境界データと
してマハラノビス距離が一定となるようなデータを生成
する。具体的には事前にマハラノビス距離を設定し、任
意のｕ’（−Ｄ＜ｕ’＜Ｄ）に対してｖ’を次の式で計
算する。
点を中心とした楕円関数になる。そこで、境界データと
してマハラノビス距離が一定となるようなデータを生成
する。具体的には事前にマハラノビス距離を設定し、任
意のｕ’（−Ｄ＜ｕ’＜Ｄ）に対してｖ’を次の式で計
算する。
【数５】
この（ｕ’，ｖ’）に対し、数式３を用いて（ｘ’、
ｙ’）に変換したデータを境界データとする。
ｙ’）に変換したデータを境界データとする。
【００１７】なお、データが三次元以上になった場合
は、まず任意の一次元について変化量（ｕ’）を決め
る。１つの次元を選び、上記の方法を適用してｖ’を
計算する。このｖ’を新しいｕ’としてまた別の次元
についてｖ’を計算する。という方法を繰り返して順次
全次元について境界データを計算する。
は、まず任意の一次元について変化量（ｕ’）を決め
る。１つの次元を選び、上記の方法を適用してｖ’を
計算する。このｖ’を新しいｕ’としてまた別の次元
についてｖ’を計算する。という方法を繰り返して順次
全次元について境界データを計算する。
【００１８】二次元データについて、従来の方法との比
較を図１に示す。データ間に相関が見られる場合、図に
示すようデータの分布はある規則性を持ったものにな
り、その規則性を表すものが相関係数である。
較を図１に示す。データ間に相関が見られる場合、図に
示すようデータの分布はある規則性を持ったものにな
り、その規則性を表すものが相関係数である。
【００１９】従来の方法では、データ間の相関を考慮し
ていなかったために境界データは図１に示すように矩形
となり、境界データとしてはやや精度が欠けるものであ
った。しかし、本発明に係る方法ではマハラノビ距離Ｄ
を導入することで、よりデータ分布に近い形で境界デー
タを生成することができる。その結果、この境界データ
で学習を行ったニューラルネットワークは、より精度の
高いものとすることができる。
ていなかったために境界データは図１に示すように矩形
となり、境界データとしてはやや精度が欠けるものであ
った。しかし、本発明に係る方法ではマハラノビ距離Ｄ
を導入することで、よりデータ分布に近い形で境界デー
タを生成することができる。その結果、この境界データ
で学習を行ったニューラルネットワークは、より精度の
高いものとすることができる。
【００２０】
【発明の実施の形態】以下に、本発明に係るパターンマ
ッチング方法をエンジンの製品検査に適用した例につい
て詳細に説明する。図２は収集した同一カテゴリーにお
けるエンジンの回転音について、特徴量の分布を表した
ものである。特徴量としては、線形予測係数を用いた。
線形予測係数とは音声信号処理で使われる特徴量の一つ
で、音声の周波数情報を圧縮した形で保存できる特徴が
ある。
ッチング方法をエンジンの製品検査に適用した例につい
て詳細に説明する。図２は収集した同一カテゴリーにお
けるエンジンの回転音について、特徴量の分布を表した
ものである。特徴量としては、線形予測係数を用いた。
線形予測係数とは音声信号処理で使われる特徴量の一つ
で、音声の周波数情報を圧縮した形で保存できる特徴が
ある。
【００２１】具体的には、エンジンを作動させ、マイク
によりエンジン回転音を検出するようにしている。着目
している周波数帯域を検出するようにバンドパスフィル
タを通すようにしてもよい。バンドパスフィルタを通過
した信号は、演算手段としてのコンピュータに入力さ
れ、ここで線形予測係数を算出するようにしている。こ
の線形予測係数は、次の数式６においてαkで表されて
いる係数である。
によりエンジン回転音を検出するようにしている。着目
している周波数帯域を検出するようにバンドパスフィル
タを通すようにしてもよい。バンドパスフィルタを通過
した信号は、演算手段としてのコンピュータに入力さ
れ、ここで線形予測係数を算出するようにしている。こ
の線形予測係数は、次の数式６においてαkで表されて
いる係数である。
【数６】
ただし、χ（ｎ）：時刻ｎΔtにおける信号の値、Δt：
サンプリング間隔、ｍ：モデル次数である。
サンプリング間隔、ｍ：モデル次数である。
【００２２】数式６は、任意の時刻の信号はそれ以前の
信号の加重和として表すことを示しており、自己回帰モ
デルと呼ばれている。そして、線形予測係数を基に数式
７に示すように記号のパワースペクトルを算出すること
ができる。
信号の加重和として表すことを示しており、自己回帰モ
デルと呼ばれている。そして、線形予測係数を基に数式
７に示すように記号のパワースペクトルを算出すること
ができる。
【数７】
ただし、Ｐ（ｆ）:周波数ｆのスペクトル値、Ｐm：予測
誤差の分散である。
誤差の分散である。
【００２３】数式７に示されるようにスペクトルと線形
予測係数には対応関係があるため、スペクトルに違いが
みられ、信号の特徴量として利用できることが分かる。
また、通常は少数の線形予測係数でスペクトルが計算で
きるため、特徴量の数が減少する。通常、信号の特徴を
識別するためには線形予測係数の個数は２０個程度で十
分な場合が多く、ソナグラムと比較すると特徴量の数は
減少し、自動診断が可能なレベルまでになり、波形を基
にした自動診断において有効な方法となっている。
予測係数には対応関係があるため、スペクトルに違いが
みられ、信号の特徴量として利用できることが分かる。
また、通常は少数の線形予測係数でスペクトルが計算で
きるため、特徴量の数が減少する。通常、信号の特徴を
識別するためには線形予測係数の個数は２０個程度で十
分な場合が多く、ソナグラムと比較すると特徴量の数は
減少し、自動診断が可能なレベルまでになり、波形を基
にした自動診断において有効な方法となっている。
【００２４】図２はその線形予測係数のある特定の次数
について、その量の分布を表したものである。図２の横
軸は階級値を表しており、この図において、例えば階級
値が０．２５とは区間が０．２４５以上０．２５５未満
であることを示している。また、縦軸は頻度であり、特
徴量がある区間内に入った度数を表している。
について、その量の分布を表したものである。図２の横
軸は階級値を表しており、この図において、例えば階級
値が０．２５とは区間が０．２４５以上０．２５５未満
であることを示している。また、縦軸は頻度であり、特
徴量がある区間内に入った度数を表している。
【００２５】図２では比較のために、特徴量から算出し
た平均値と標準偏差を用いて得られた正規分布の度数が
表されている。この図から、エンジン回転音の特徴分布
が正規分布によく従っていることが解る。
た平均値と標準偏差を用いて得られた正規分布の度数が
表されている。この図から、エンジン回転音の特徴分布
が正規分布によく従っていることが解る。
【００２６】そこで、境界データの作成方法としては、
まず、あるカテゴリーに含まれる学習データから特徴量
の平均値ｍと標準偏差σを算出する。そして、学習デー
タの一部または全部をｍ±ａσ（ａはある実数値）に変
更したデータを境界データとする。このようにして作成
した境界データを学習データに加えてニューラルネット
ワークの学習を行う。
まず、あるカテゴリーに含まれる学習データから特徴量
の平均値ｍと標準偏差σを算出する。そして、学習デー
タの一部または全部をｍ±ａσ（ａはある実数値）に変
更したデータを境界データとする。このようにして作成
した境界データを学習データに加えてニューラルネット
ワークの学習を行う。
【００２７】実数値ａをどのように決めるかについて
は、正規分布の知識を参考にすることができる。つま
り、σ＝１の範囲に入る確率は９９．７％と、ほぼ全て
の量がこの範囲に入ることになる。このことから、ニュ
ーラルネットワークの出力値が連続的に変わることを考
慮して、実数値ａを５〜７程度の値とすることで望まし
いパターン認識能力を持ったニューラルネットワークを
構築することができる。
は、正規分布の知識を参考にすることができる。つま
り、σ＝１の範囲に入る確率は９９．７％と、ほぼ全て
の量がこの範囲に入ることになる。このことから、ニュ
ーラルネットワークの出力値が連続的に変わることを考
慮して、実数値ａを５〜７程度の値とすることで望まし
いパターン認識能力を持ったニューラルネットワークを
構築することができる。
【００２８】
【発明の効果】このように本発明は、入力ユニット群に
複数の学習用入力パターンを入力するとともに、入力し
た学習用入力パターンに対応した出力ユニット群の出力
パターンを予め定めた教師パターンと比較して両者の誤
差を求め、この誤差に基づいて各ユニット群を構成して
いるユニットのしきい値と各ユニット群を連結している
結合素子の結合係数とを補正する操作を繰り返して前記
学習用入力パターンを学習させたのち、任意のパターン
を前記入力ユニット群に入力して前記出力ユニット群の
出力パターンを、学習させた入力パターンに対応した出
力パターンと対比するパターンマッチング方法におい
て、異なる次元に属するデータ相互間の相関を計算し、
相関で決まる特徴的な距離が一定の位置に境界パターン
を作成して学習用入力パターンとして学習させるように
したので、判定精度の高いニューラルネットワークを利
用したパターンマッチング方法とすることができる。
複数の学習用入力パターンを入力するとともに、入力し
た学習用入力パターンに対応した出力ユニット群の出力
パターンを予め定めた教師パターンと比較して両者の誤
差を求め、この誤差に基づいて各ユニット群を構成して
いるユニットのしきい値と各ユニット群を連結している
結合素子の結合係数とを補正する操作を繰り返して前記
学習用入力パターンを学習させたのち、任意のパターン
を前記入力ユニット群に入力して前記出力ユニット群の
出力パターンを、学習させた入力パターンに対応した出
力パターンと対比するパターンマッチング方法におい
て、異なる次元に属するデータ相互間の相関を計算し、
相関で決まる特徴的な距離が一定の位置に境界パターン
を作成して学習用入力パターンとして学習させるように
したので、判定精度の高いニューラルネットワークを利
用したパターンマッチング方法とすることができる。
【図１】境界データ生成方法の模式図である。
【図２】取得データの特徴量（線形予測係数）の分布図
である。
である。
【図３】従来のパターンマッチングの境界パターンを説
明する図である。
明する図である。
フロントページの続き
(51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考）
// Ｇ０１Ｍ 15/00 Ｇ１０Ｌ 3/00 ５３９
５３１Ｎ
Claims (2)
- 【請求項１】 入力ユニット群に複数の学習用入力パタ
ーンを入力するとともに、入力した学習用入力パターン
に対応した出力ユニット群の出力パターンを予め定めた
教師パターンと比較して両者の誤差を求め、この誤差に
基づいて各ユニット群を構成しているユニットのしきい
値と各ユニット群を連結している結合素子の結合係数と
を補正する操作を繰り返して前記学習用入力パターンを
学習させたのち、任意のパターンを前記入力ユニット群
に入力して前記出力ユニット群の出力パターンを、学習
させた入力パターンに対応した出力パターンと対比する
パターンマッチング方法において、異なる次元に属する
データ相互間の相関を計算し、相関で決まる特徴的な距
離が一定の位置に境界パターンを作成して学習用入力パ
ターンとすることを特徴とするパターンマッチング方
法。 - 【請求項２】 前記境界パターンは、多次元のデータの
平均と標準偏差、並びに相関係数に基づき、平均からの
マハラノビス距離が一定の集合を求めたものを使用する
ことを特徴とする請求項１に記載のパターンマッチング
方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001263403A JP2003076976A (ja) | 2001-08-31 | 2001-08-31 | パターンマッチング方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001263403A JP2003076976A (ja) | 2001-08-31 | 2001-08-31 | パターンマッチング方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2003076976A true JP2003076976A (ja) | 2003-03-14 |
Family
ID=19090165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001263403A Pending JP2003076976A (ja) | 2001-08-31 | 2001-08-31 | パターンマッチング方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2003076976A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006011270A (ja) * | 2004-06-29 | 2006-01-12 | Nec Corp | 画像パターン補正方法、及びそれを適用した模擬画像生成方法、並びにパターン外観検査方法 |
| US7693683B2 (en) | 2004-11-25 | 2010-04-06 | Sharp Kabushiki Kaisha | Information classifying device, information classifying method, information classifying program, information classifying system |
| JP2010164506A (ja) * | 2009-01-19 | 2010-07-29 | Panasonic Corp | 検査方法 |
| WO2014017337A1 (ja) * | 2012-07-27 | 2014-01-30 | 株式会社日立ハイテクノロジーズ | マッチング処理装置、マッチング処理方法、及びそれを用いた検査装置 |
| US10949737B2 (en) | 2016-07-13 | 2021-03-16 | Samsung Electronics Co., Ltd. | Method for neural network and apparatus performing same method |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001209628A (ja) * | 2000-01-27 | 2001-08-03 | Mitsui Eng & Shipbuild Co Ltd | パターンマッチング方法 |
-
2001
- 2001-08-31 JP JP2001263403A patent/JP2003076976A/ja active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001209628A (ja) * | 2000-01-27 | 2001-08-03 | Mitsui Eng & Shipbuild Co Ltd | パターンマッチング方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006011270A (ja) * | 2004-06-29 | 2006-01-12 | Nec Corp | 画像パターン補正方法、及びそれを適用した模擬画像生成方法、並びにパターン外観検査方法 |
| US7693683B2 (en) | 2004-11-25 | 2010-04-06 | Sharp Kabushiki Kaisha | Information classifying device, information classifying method, information classifying program, information classifying system |
| JP2010164506A (ja) * | 2009-01-19 | 2010-07-29 | Panasonic Corp | 検査方法 |
| WO2014017337A1 (ja) * | 2012-07-27 | 2014-01-30 | 株式会社日立ハイテクノロジーズ | マッチング処理装置、マッチング処理方法、及びそれを用いた検査装置 |
| JP2014026521A (ja) * | 2012-07-27 | 2014-02-06 | Hitachi High-Technologies Corp | マッチング処理装置、マッチング処理方法、及びそれを用いた検査装置 |
| US9619727B2 (en) | 2012-07-27 | 2017-04-11 | Hitachi High-Technologies Corporation | Matching process device, matching process method, and inspection device employing same |
| US10949737B2 (en) | 2016-07-13 | 2021-03-16 | Samsung Electronics Co., Ltd. | Method for neural network and apparatus performing same method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| WO2019214309A1 (zh) | 模型测试的方法及装置 | |
| US20060210141A1 (en) | Inspection method and inspection apparatus | |
| CN100474878C (zh) | 图像质量预测方法和设备以及故障诊断系统 | |
| JP2005156334A (ja) | 疑似不良画像自動作成装置及び画像検査装置 | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| JPH11344450A (ja) | 教示用データ作成方法並びに欠陥分類方法およびその装置 | |
| WO2019176993A1 (ja) | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 | |
| CN110633788A (zh) | 面向神经网络模型的基于层间剖析的输入实例验证方法 | |
| CN115062678B (zh) | 设备故障检测模型的训练方法、故障检测方法及装置 | |
| JP2012018066A (ja) | 異常検査装置 | |
| CN111191726A (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
| US7937197B2 (en) | Apparatus and methods for evaluating a dynamic system | |
| CN112200238A (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
| CN112232370A (zh) | 发动机的故障分析预测方法 | |
| JP3594477B2 (ja) | 異音検査装置 | |
| US20040096107A1 (en) | Method and computer program product for determining an efficient feature set and an optimal threshold confidence value for a pattern recogniton classifier | |
| CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
| CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
| JP7056259B2 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
| JP2003076976A (ja) | パターンマッチング方法 | |
| CN115294009A (zh) | 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 | |
| JP3778177B2 (ja) | 物体検査装置 | |
| CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
| CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080313 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100705 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20101028 |