JP2003208595A - 類識別装置及び類識別方法 - Google Patents
類識別装置及び類識別方法Info
- Publication number
- JP2003208595A JP2003208595A JP2002003906A JP2002003906A JP2003208595A JP 2003208595 A JP2003208595 A JP 2003208595A JP 2002003906 A JP2002003906 A JP 2002003906A JP 2002003906 A JP2002003906 A JP 2002003906A JP 2003208595 A JP2003208595 A JP 2003208595A
- Authority
- JP
- Japan
- Prior art keywords
- classification
- type
- observation data
- result
- learning
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 従来、境界線付近では正しく判別されないデ
ータが存在する可能性が高いという課題があった。 【解決手段】 種類判別子付き観測データ、分類再実行
パラメータに基き観測データ分類結果を出力する観測デ
ータ分類器１と、学習パラメータ、種類判別子付き観測
データ、観測データ分類結果に基き種類学習結果を出力
する種類学習器２と、種類判別対象観測データ、種類学
習結果に基き種類判別結果を出力する種類判別器３と、
観測データ分類結果、又は種類学習結果を入力とし、入
力された中間データに対する評価値である中間結果評価
値を求める中間結果評価器５と、中間結果評価値、分類
パラメータを入力とし、前記分類再実行パラメータを求
める分類再実行指示生成器４とを備えた。 【効果】 個々の中間結果を評価でき、個々の中間結果
の状況に応じて、分類段階からやり直すことができる。
ータが存在する可能性が高いという課題があった。 【解決手段】 種類判別子付き観測データ、分類再実行
パラメータに基き観測データ分類結果を出力する観測デ
ータ分類器１と、学習パラメータ、種類判別子付き観測
データ、観測データ分類結果に基き種類学習結果を出力
する種類学習器２と、種類判別対象観測データ、種類学
習結果に基き種類判別結果を出力する種類判別器３と、
観測データ分類結果、又は種類学習結果を入力とし、入
力された中間データに対する評価値である中間結果評価
値を求める中間結果評価器５と、中間結果評価値、分類
パラメータを入力とし、前記分類再実行パラメータを求
める分類再実行指示生成器４とを備えた。 【効果】 個々の中間結果を評価でき、個々の中間結果
の状況に応じて、分類段階からやり直すことができる。
Description
【０００１】
【発明の属する技術分野】この発明は、類識別対象物の
種類を決定する類識別問題を対象とし、さらに詳しくは
前記類識別対象物の種類を解として求める類識別装置及
び類識別方法に関するものである。
種類を決定する類識別問題を対象とし、さらに詳しくは
前記類識別対象物の種類を解として求める類識別装置及
び類識別方法に関するものである。
【０００２】
【従来の技術】類識別問題の例として、航空機の類識別
問題について考える。
問題について考える。
【０００３】従来の類識別装置について図面を参照しな
がら説明する。図７は、例えば『中島慶人著「Ｓｕｐｐ
ｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅによる物体認識を
利用した保守訓練支援の試み」オペレーションズ・リサ
ーチ２００１年５月号第２３７頁（１５）〜第２４２頁
（２０）』に示された航空機の類識別を行う従来の類識
別装置の構成を示す図である。
がら説明する。図７は、例えば『中島慶人著「Ｓｕｐｐ
ｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅによる物体認識を
利用した保守訓練支援の試み」オペレーションズ・リサ
ーチ２００１年５月号第２３７頁（１５）〜第２４２頁
（２０）』に示された航空機の類識別を行う従来の類識
別装置の構成を示す図である。
【０００４】図７において、２は種類学習器、３は種類
判別器、６は従来の類識別装置、９は種類判別子付き観
測データファイル、７１は学習パラメータファイル、１
０は種類判別対象観測データファイル、１１は種類判別
結果ファイルである。
判別器、６は従来の類識別装置、９は種類判別子付き観
測データファイル、７１は学習パラメータファイル、１
０は種類判別対象観測データファイル、１１は種類判別
結果ファイルである。
【０００５】つぎに、従来の類識別装置の動作について
図面を参照しながら説明する。
図面を参照しながら説明する。
【０００６】図８は、従来の類識別装置の動作を示す図
である。
である。
【０００７】まず、類識別装置６の種類学習器２におい
て、学習パラメータファイル７１から出力される学習パ
ラメータを第一の入力とし、種類判別子付き観測データ
ファイル９から出力される種類判別子付き観測データを
第二の入力として、上記種類判別子付き観測データに基
づき種類学習を行い、種類学習の結果である種類学習結
果を出力する。
て、学習パラメータファイル７１から出力される学習パ
ラメータを第一の入力とし、種類判別子付き観測データ
ファイル９から出力される種類判別子付き観測データを
第二の入力として、上記種類判別子付き観測データに基
づき種類学習を行い、種類学習の結果である種類学習結
果を出力する。
【０００８】従来行われてきた境界線決めを行う学習手
法としては、線形判別法がある。この線形判別法は、全
教師データからの距離と方向に基づき境界となる直線を
求める方法であり、距離を最大にし、かつそれぞれの種
類ごとに、教師データからみた直線の方向が同じになる
ような直線を決定する。
法としては、線形判別法がある。この線形判別法は、全
教師データからの距離と方向に基づき境界となる直線を
求める方法であり、距離を最大にし、かつそれぞれの種
類ごとに、教師データからみた直線の方向が同じになる
ような直線を決定する。
【０００９】図８の左図に、線形判別法による境界決定
例を示す。『△』は種類１の教師データ、『黒□』は種
類２の教師データであるとすると、図８の左図ように境
界線が決定される。なお、図面上では黒い正方形を、電
子出願では使用不可のため、『黒□』と記述する。『黒
▽』も同様である。
例を示す。『△』は種類１の教師データ、『黒□』は種
類２の教師データであるとすると、図８の左図ように境
界線が決定される。なお、図面上では黒い正方形を、電
子出願では使用不可のため、『黒□』と記述する。『黒
▽』も同様である。
【００１０】類識別装置６の種類判別器３では、種類学
習器２から出力される種類学習結果を第一の入力とし、
種類判別対象観測データファイル１０から出力される種
類判別対象観測データを第二の入力として、上記種類学
習結果に基づき上記種類判別対象観測データの種類判別
を行い、結果を種類判別結果として出力する。この出力
は、従来の類識別装置６全体の出力となり、種類判別結
果ファイル１１に入力される。
習器２から出力される種類学習結果を第一の入力とし、
種類判別対象観測データファイル１０から出力される種
類判別対象観測データを第二の入力として、上記種類学
習結果に基づき上記種類判別対象観測データの種類判別
を行い、結果を種類判別結果として出力する。この出力
は、従来の類識別装置６全体の出力となり、種類判別結
果ファイル１１に入力される。
【００１１】図８の右図に、種類判別を行う例を示す。
種類学習結果として求められた境界線に基づき、種類を
判別する。図８の右図で、『△』が含まれる領域に属す
る種類判別対象観測データを種類１、『黒□』が含まれ
る領域に属する種類判別対象観測データを種類２と判別
する。今、種類が未定であるデータ『黒▽』と、『◇』
と、『＊』に対して種類判別を行う。『黒▽』と『◇』
はそれぞれ種類１、種類２に属するデータであり、
『＊』は種類１、種類２のどちらでもない未知の種類の
データであるとする。図８の右図において、多くの『黒
▽』と『◇』はそれぞれ種類１、種類２と正しく判別さ
れるが、いくつかは間違って判別されている。また、
『＊』に対しても、未知の種類であるにもかかわらず、
種類２であると判別されてしまう。
種類学習結果として求められた境界線に基づき、種類を
判別する。図８の右図で、『△』が含まれる領域に属す
る種類判別対象観測データを種類１、『黒□』が含まれ
る領域に属する種類判別対象観測データを種類２と判別
する。今、種類が未定であるデータ『黒▽』と、『◇』
と、『＊』に対して種類判別を行う。『黒▽』と『◇』
はそれぞれ種類１、種類２に属するデータであり、
『＊』は種類１、種類２のどちらでもない未知の種類の
データであるとする。図８の右図において、多くの『黒
▽』と『◇』はそれぞれ種類１、種類２と正しく判別さ
れるが、いくつかは間違って判別されている。また、
『＊』に対しても、未知の種類であるにもかかわらず、
種類２であると判別されてしまう。
【００１２】以上より、上記従来の類識別装置６では、
境界線付近では正しく判別されないデータが存在する可
能性が高いことがわかる。このような誤った判別結果が
得られた場合、一般的に、新たな種類判別子付きデータ
を使って、最初から全処理をやり直す場合が多い。しか
し、例えば、種類判別子付きデータが豊富でない場合な
どデータの変更ができない場合もあり得る。
境界線付近では正しく判別されないデータが存在する可
能性が高いことがわかる。このような誤った判別結果が
得られた場合、一般的に、新たな種類判別子付きデータ
を使って、最初から全処理をやり直す場合が多い。しか
し、例えば、種類判別子付きデータが豊富でない場合な
どデータの変更ができない場合もあり得る。
【００１３】
【発明が解決しようとする課題】上述したような従来の
類識別装置では、境界線付近では正しく判別されないデ
ータが存在する可能性が高いという問題点があった。
類識別装置では、境界線付近では正しく判別されないデ
ータが存在する可能性が高いという問題点があった。
【００１４】この発明は、前述した問題点を解決するた
めになされたもので、種類判別結果の精度が悪い場合
に、種類学習のためのデータである種類判別子付きデー
タを変更することなく、種類判別精度を上げることが可
能な類識別装置及び類識別方法を得ることを目的とす
る。
めになされたもので、種類判別結果の精度が悪い場合
に、種類学習のためのデータである種類判別子付きデー
タを変更することなく、種類判別精度を上げることが可
能な類識別装置及び類識別方法を得ることを目的とす
る。
【００１５】
【課題を解決するための手段】この発明の請求項１に係
る類識別装置は、観測データを学習するためのパラメー
タである学習パラメータを格納する学習パラメータファ
イルと、前記観測データを分類するためのパラメータで
ある分類パラメータを格納する分類パラメータファイル
と、種類を表す種類判別子付きの観測データである種類
判別子付き観測データを格納する種類判別子付き観測デ
ータファイルと、種類が未定で種類の判別対象となる観
測データである種類判別対象観測データを格納する種類
判別対象観測データファイルと、前記種類判別対象観測
データの種類判別結果を格納する種類判別結果ファイル
と、前記分類パラメータファイルからの分類パラメー
タ、前記種類判別子付き観測データファイルからの種類
判別子付き観測データ、及び前記観測データの再分類の
ためのパラメータである分類再実行パラメータを入力と
し、前記種類判別子付き観測データの分類結果である観
測データ分類結果を出力する観測データ分類器と、前記
学習パラメータファイルからの学習パラメータ、前記種
類判別子付き観測データファイルからの種類判別子付き
観測データ、及び前記観測データ分類器からの観測デー
タ分類結果を入力とし、前記観測データ分類結果で示さ
れる各分類内で、前記種類判別子付き観測データに基づ
き種類学習を行い、種類学習の結果である種類学習結果
を出力する種類学習器と、前記種類判別対象観測データ
ファイルからの種類判別対象観測データ、及び前記種類
学習器からの種類学習結果を入力とし、前記種類学習結
果に基づき前記種類判別対象観測データの種類判別を行
い、種類判別結果を前記種類判別結果ファイルへ出力す
る種類判別器と、前記観測データ分類器からの前記観測
データ分類結果、又は前記種類学習器からの前記種類学
習結果を入力とし、入力された中間データに対する評価
値である中間結果評価値を求める中間結果評価器と、前
記中間結果評価器からの前記中間結果評価値、及び前記
分類パラメータファイルからの分類パラメータを入力と
し、前記分類再実行パラメータを求める分類再実行指示
生成器とを備えたものである。
る類識別装置は、観測データを学習するためのパラメー
タである学習パラメータを格納する学習パラメータファ
イルと、前記観測データを分類するためのパラメータで
ある分類パラメータを格納する分類パラメータファイル
と、種類を表す種類判別子付きの観測データである種類
判別子付き観測データを格納する種類判別子付き観測デ
ータファイルと、種類が未定で種類の判別対象となる観
測データである種類判別対象観測データを格納する種類
判別対象観測データファイルと、前記種類判別対象観測
データの種類判別結果を格納する種類判別結果ファイル
と、前記分類パラメータファイルからの分類パラメー
タ、前記種類判別子付き観測データファイルからの種類
判別子付き観測データ、及び前記観測データの再分類の
ためのパラメータである分類再実行パラメータを入力と
し、前記種類判別子付き観測データの分類結果である観
測データ分類結果を出力する観測データ分類器と、前記
学習パラメータファイルからの学習パラメータ、前記種
類判別子付き観測データファイルからの種類判別子付き
観測データ、及び前記観測データ分類器からの観測デー
タ分類結果を入力とし、前記観測データ分類結果で示さ
れる各分類内で、前記種類判別子付き観測データに基づ
き種類学習を行い、種類学習の結果である種類学習結果
を出力する種類学習器と、前記種類判別対象観測データ
ファイルからの種類判別対象観測データ、及び前記種類
学習器からの種類学習結果を入力とし、前記種類学習結
果に基づき前記種類判別対象観測データの種類判別を行
い、種類判別結果を前記種類判別結果ファイルへ出力す
る種類判別器と、前記観測データ分類器からの前記観測
データ分類結果、又は前記種類学習器からの前記種類学
習結果を入力とし、入力された中間データに対する評価
値である中間結果評価値を求める中間結果評価器と、前
記中間結果評価器からの前記中間結果評価値、及び前記
分類パラメータファイルからの分類パラメータを入力と
し、前記分類再実行パラメータを求める分類再実行指示
生成器とを備えたものである。
【００１６】この発明の請求項２に係る類識別装置は、
前記中間結果評価器が、前記観測データ分類器からの前
記観測データ分類結果を入力とし、前記観測データ分類
結果の評価値である分類結果評価値を算出し、前記中間
結果評価値として出力する分類結果評価器を有するもの
である。
前記中間結果評価器が、前記観測データ分類器からの前
記観測データ分類結果を入力とし、前記観測データ分類
結果の評価値である分類結果評価値を算出し、前記中間
結果評価値として出力する分類結果評価器を有するもの
である。
【００１７】この発明の請求項３に係る類識別装置は、
前記分類再実行指示生成器が、前記分類パラメータファ
イルからの分類パラメータ、及び前記中間結果評価器か
らの前記中間結果評価値を入力とし、前記中間結果評価
値と所定の閾値とを比較し、前記中間結果評価値が前記
所定の閾値以下の場合には分類再実行が必要であると判
断し、前記分類パラメータの変更値である分類パラメー
タ変更値を前記分類再実行パラメータとして出力する分
類パラメータ変更器を有するものである。
前記分類再実行指示生成器が、前記分類パラメータファ
イルからの分類パラメータ、及び前記中間結果評価器か
らの前記中間結果評価値を入力とし、前記中間結果評価
値と所定の閾値とを比較し、前記中間結果評価値が前記
所定の閾値以下の場合には分類再実行が必要であると判
断し、前記分類パラメータの変更値である分類パラメー
タ変更値を前記分類再実行パラメータとして出力する分
類パラメータ変更器を有するものである。
【００１８】この発明の請求項４に係る類識別装置は、
前記分類再実行指示生成器が、前記分類パラメータファ
イルからの分類パラメータ、及び前記中間結果評価器か
らの前記中間結果評価値を入力とし、分類再実行が必要
であると判断した場合には、分類手法の変更を指示する
分類手法変更指示を前記分類再実行パラメータとして出
力する分類手法変更器を有するものである。
前記分類再実行指示生成器が、前記分類パラメータファ
イルからの分類パラメータ、及び前記中間結果評価器か
らの前記中間結果評価値を入力とし、分類再実行が必要
であると判断した場合には、分類手法の変更を指示する
分類手法変更指示を前記分類再実行パラメータとして出
力する分類手法変更器を有するものである。
【００１９】この発明の請求項５に係る類識別装置は、
前記中間結果評価器が、前記種類学習器からの前記種類
学習結果を入力とし、前記種類学習結果の評価値である
学習結果評価値を算出し、前記中間結果評価値として出
力する学習結果評価器を有するものである。
前記中間結果評価器が、前記種類学習器からの前記種類
学習結果を入力とし、前記種類学習結果の評価値である
学習結果評価値を算出し、前記中間結果評価値として出
力する学習結果評価器を有するものである。
【００２０】この発明の請求項６に係る類識別装置は、
前記分類結果評価器が、前記観測データ分類器からの前
記観測データ分類結果を入力とし、前記観測データ分類
結果の評価値を、前記種類判別子付き観測データの種類
毎の分類への所属状態に基づいて求め、前記分類結果評
価値として出力するものである。
前記分類結果評価器が、前記観測データ分類器からの前
記観測データ分類結果を入力とし、前記観測データ分類
結果の評価値を、前記種類判別子付き観測データの種類
毎の分類への所属状態に基づいて求め、前記分類結果評
価値として出力するものである。
【００２１】この発明の請求項７に係る類識別装置は、
前記分類結果評価器が、前記観測データ分類器からの前
記観測データ分類結果、及び前記種類判別対象観測デー
タファイルからの種類判別対象観測データを入力とし、
前記観測データ分類結果の評価値を、前記種類判別対象
観測データを含む観測データの分類への所属状態に基づ
いて求め、前記分類結果評価値として出力するものであ
る。
前記分類結果評価器が、前記観測データ分類器からの前
記観測データ分類結果、及び前記種類判別対象観測デー
タファイルからの種類判別対象観測データを入力とし、
前記観測データ分類結果の評価値を、前記種類判別対象
観測データを含む観測データの分類への所属状態に基づ
いて求め、前記分類結果評価値として出力するものであ
る。
【００２２】この発明の請求項８に係る類識別装置は、
前記分類手法変更器が、前記分類パラメータファイルか
らの分類パラメータ、及び前記中間結果評価器からの前
記中間結果評価値を入力とし、新たな分類手法としてＫ
−ｍｅａｎｓ法を適用することを示す指示を前記分類手
法変更指示として出力するものである。
前記分類手法変更器が、前記分類パラメータファイルか
らの分類パラメータ、及び前記中間結果評価器からの前
記中間結果評価値を入力とし、新たな分類手法としてＫ
−ｍｅａｎｓ法を適用することを示す指示を前記分類手
法変更指示として出力するものである。
【００２３】この発明の請求項９に係る類識別装置は、
前記分類手法変更器が、前記分類パラメータファイルか
らの分類パラメータ、及び前記中間結果評価器からの前
記中間結果評価値を入力とし、新たな分類手法としてＦ
ｕｚｚｙ ｃ−ｍｅａｎｓ法を適用することを示す指示
を前記分類手法変更指示として出力するものである。
前記分類手法変更器が、前記分類パラメータファイルか
らの分類パラメータ、及び前記中間結果評価器からの前
記中間結果評価値を入力とし、新たな分類手法としてＦ
ｕｚｚｙ ｃ−ｍｅａｎｓ法を適用することを示す指示
を前記分類手法変更指示として出力するものである。
【００２４】この発明の請求項１０に係る類識別装置
は、前記学習結果評価器が、前記種類学習器からの前記
種類学習結果を入力とし、学習対象外とした前記種類判
別子付き観測データの前記学習結果で示される境界領域
への所属状態に基づいて正解率を算出し、前記学習結果
評価値として出力するものである。
は、前記学習結果評価器が、前記種類学習器からの前記
種類学習結果を入力とし、学習対象外とした前記種類判
別子付き観測データの前記学習結果で示される境界領域
への所属状態に基づいて正解率を算出し、前記学習結果
評価値として出力するものである。
【００２５】この発明の請求項１１に係る類識別装置
は、前記学習結果評価器が、前記種類学習器からの前記
種類学習結果を入力とし、学習対象とした観測データを
含む全ての前記種類判別子付き観測データのうち、誤認
であると判定された観測データに対し、前記学習結果で
示される境界線からの距離を用いて誤認の度合いを示す
誤認距離を求めて、前記誤認距離の総和を算出し、前記
学習結果評価値として出力するものである。
は、前記学習結果評価器が、前記種類学習器からの前記
種類学習結果を入力とし、学習対象とした観測データを
含む全ての前記種類判別子付き観測データのうち、誤認
であると判定された観測データに対し、前記学習結果で
示される境界線からの距離を用いて誤認の度合いを示す
誤認距離を求めて、前記誤認距離の総和を算出し、前記
学習結果評価値として出力するものである。
【００２６】この発明の請求項１２に係る類識別方法
は、分類パラメータファイルからの分類パラメータ、種
類判別子付き観測データファイルからの種類判別子付き
観測データ、及び観測データの再分類のためのパラメー
タである分類再実行パラメータを入力し、前記種類判別
子付き観測データの分類結果である観測データ分類結果
を出力する観測データ分類ステップと、前記学習パラメ
ータファイルからの学習パラメータ、前記種類判別子付
き観測データファイルからの種類判別子付き観測デー
タ、及び前記観測データ分類結果を入力し、前記観測デ
ータ分類結果で示される各分類内で、前記種類判別子付
き観測データに基づき種類学習を行い、種類学習の結果
である種類学習結果を出力する種類学習ステップと、前
記種類判別対象観測データファイルからの種類判別対象
観測データ、及び前記種類学習結果を入力し、前記種類
学習結果に基づき前記種類判別対象観測データの種類判
別を行う種類判別ステップと、前記観測データ分類結
果、又は前記種類学習結果を入力し、入力された中間デ
ータに対する評価値である中間結果評価値を求める中間
結果評価ステップと、前記中間結果評価値、及び前記分
類パラメータファイルからの分類パラメータを入力し、
前記分類再実行パラメータを求める分類再実行指示生成
ステップとを含むものである。
は、分類パラメータファイルからの分類パラメータ、種
類判別子付き観測データファイルからの種類判別子付き
観測データ、及び観測データの再分類のためのパラメー
タである分類再実行パラメータを入力し、前記種類判別
子付き観測データの分類結果である観測データ分類結果
を出力する観測データ分類ステップと、前記学習パラメ
ータファイルからの学習パラメータ、前記種類判別子付
き観測データファイルからの種類判別子付き観測デー
タ、及び前記観測データ分類結果を入力し、前記観測デ
ータ分類結果で示される各分類内で、前記種類判別子付
き観測データに基づき種類学習を行い、種類学習の結果
である種類学習結果を出力する種類学習ステップと、前
記種類判別対象観測データファイルからの種類判別対象
観測データ、及び前記種類学習結果を入力し、前記種類
学習結果に基づき前記種類判別対象観測データの種類判
別を行う種類判別ステップと、前記観測データ分類結
果、又は前記種類学習結果を入力し、入力された中間デ
ータに対する評価値である中間結果評価値を求める中間
結果評価ステップと、前記中間結果評価値、及び前記分
類パラメータファイルからの分類パラメータを入力し、
前記分類再実行パラメータを求める分類再実行指示生成
ステップとを含むものである。
【００２７】この発明の請求項１３に係る類識別方法
は、前記中間結果評価ステップが、前記観測データ分類
結果を入力し、前記観測データ分類結果の評価値である
分類結果評価値を算出し、前記中間結果評価値として出
力する分類結果評価ステップを有するものである。
は、前記中間結果評価ステップが、前記観測データ分類
結果を入力し、前記観測データ分類結果の評価値である
分類結果評価値を算出し、前記中間結果評価値として出
力する分類結果評価ステップを有するものである。
【００２８】この発明の請求項１４に係る類識別方法
は、前記分類再実行指示生成ステップが、前記分類パラ
メータファイルからの分類パラメータ、及び前記中間結
果評価値を入力し、前記中間結果評価値と所定の閾値と
を比較し、前記中間結果評価値が前記所定の閾値以下の
場合には分類再実行が必要であると判断し、前記分類パ
ラメータの変更値である分類パラメータ変更値を前記分
類再実行パラメータとして出力する分類パラメータ変更
ステップを有するものである。
は、前記分類再実行指示生成ステップが、前記分類パラ
メータファイルからの分類パラメータ、及び前記中間結
果評価値を入力し、前記中間結果評価値と所定の閾値と
を比較し、前記中間結果評価値が前記所定の閾値以下の
場合には分類再実行が必要であると判断し、前記分類パ
ラメータの変更値である分類パラメータ変更値を前記分
類再実行パラメータとして出力する分類パラメータ変更
ステップを有するものである。
【００２９】この発明の請求項１５に係る類識別方法
は、前記分類再実行指示生成ステップが、前記分類パラ
メータファイルからの分類パラメータ、及び前記中間結
果評価値を入力し、分類再実行が必要であると判断した
場合には、分類手法の変更を指示する分類手法変更指示
を前記分類再実行パラメータとして出力する分類手法変
更ステップを有するものである。
は、前記分類再実行指示生成ステップが、前記分類パラ
メータファイルからの分類パラメータ、及び前記中間結
果評価値を入力し、分類再実行が必要であると判断した
場合には、分類手法の変更を指示する分類手法変更指示
を前記分類再実行パラメータとして出力する分類手法変
更ステップを有するものである。
【００３０】この発明の請求項１６に係る類識別方法
は、前記中間結果評価ステップが、前記種類学習結果を
入力し、前記種類学習結果の評価値である学習結果評価
値を算出し、前記中間結果評価値として出力する学習結
果評価ステップを有するものである。
は、前記中間結果評価ステップが、前記種類学習結果を
入力し、前記種類学習結果の評価値である学習結果評価
値を算出し、前記中間結果評価値として出力する学習結
果評価ステップを有するものである。
【００３１】
【発明の実施の形態】実施の形態１．この発明の実施の
形態１に係る類識別装置及び類識別方法について図面を
参照しながら説明する。図１は、この発明の実施の形態
１に係る類識別装置の構成を示す図である。なお、各図
中、同一符号は同一又は相当部分を示す。
形態１に係る類識別装置及び類識別方法について図面を
参照しながら説明する。図１は、この発明の実施の形態
１に係る類識別装置の構成を示す図である。なお、各図
中、同一符号は同一又は相当部分を示す。
【００３２】図１において、１は観測データ分類器、２
は種類学習器、３は種類判別器、４は分類再実行指示生
成器、５は中間結果評価器、６Ａは類識別装置、７１は
学習パラメータファイル、７２は分類パラメータファイ
ル、９は種類判別子付き観測データファイル、１０は種
類判別対象観測データファイル、１１は種類判別結果フ
ァイルである。また、分類再実行指示生成器４は分類パ
ラメータ変更器４１を有し、中間結果評価器５は分類結
果評価器５１を有する。
は種類学習器、３は種類判別器、４は分類再実行指示生
成器、５は中間結果評価器、６Ａは類識別装置、７１は
学習パラメータファイル、７２は分類パラメータファイ
ル、９は種類判別子付き観測データファイル、１０は種
類判別対象観測データファイル、１１は種類判別結果フ
ァイルである。また、分類再実行指示生成器４は分類パ
ラメータ変更器４１を有し、中間結果評価器５は分類結
果評価器５１を有する。
【００３３】つぎに、この実施の形態１に係る類識別装
置の動作について図面を参照しながら説明する。
置の動作について図面を参照しながら説明する。
【００３４】図２は、この発明の実施の形態１に係る類
識別装置の動作を示す図である。
識別装置の動作を示す図である。
【００３５】まず、観測データ分類器１では、類識別装
置６Ａ全体の入力として分類パラメータファイル７２か
ら出力される分類するためのパラメータである分類パラ
メータを第一の入力とし、同じく類識別装置６Ａ全体の
入力として種類判別子付き観測データファイル９から出
力される、種類を表す種類判別子付きの観測データであ
る種類判別子付き観測データを第二の入力とし、上記種
類判別子付き観測データの分類結果である観測データ分
類結果を出力する。分類パラメータとしては、たとえ
ば、分類の数をあらわす分類数や、分類に必要なパラメ
ータの初期値を決定するための乱数のシード値や、分類
手法に特化したパラメータ等がある。
置６Ａ全体の入力として分類パラメータファイル７２か
ら出力される分類するためのパラメータである分類パラ
メータを第一の入力とし、同じく類識別装置６Ａ全体の
入力として種類判別子付き観測データファイル９から出
力される、種類を表す種類判別子付きの観測データであ
る種類判別子付き観測データを第二の入力とし、上記種
類判別子付き観測データの分類結果である観測データ分
類結果を出力する。分類パラメータとしては、たとえ
ば、分類の数をあらわす分類数や、分類に必要なパラメ
ータの初期値を決定するための乱数のシード値や、分類
手法に特化したパラメータ等がある。
【００３６】種類判別子付き観測データの分類例を示
す。本実施の形態１では、分類手法として、一般的な分
類問題によく用いられる手法である最短距離法（neares
t neighbor method）を適用する。この最短距離法で
は、初期設定として、個々の観測データをそれぞれが独
立した１つの分類とみなし、分類間の類似度をそれぞれ
の分類に属する任意の観測データ間の類似度の最大値で
あらわす。次に、類似度の最も大きい分類同士を結合
し、再び類似度を計算する。以下、分類の結合と類似度
の計算を繰り返し、収束条件を満たしたところで、分類
を決定する方法である。収束条件としては、全分類間の
類似度が事前に設定した閾値以下になることや、同様に
事前に設定した分類数になる等がある。観測データ間の
類似度は、属性値の一致の度合いから算出する。この場
合の分類パラメータとしては、類似度の閾値などがあ
る。『△』と『黒□』の１５個の観測データに対して分
類を行った結果を図２の左図に示す。
す。本実施の形態１では、分類手法として、一般的な分
類問題によく用いられる手法である最短距離法（neares
t neighbor method）を適用する。この最短距離法で
は、初期設定として、個々の観測データをそれぞれが独
立した１つの分類とみなし、分類間の類似度をそれぞれ
の分類に属する任意の観測データ間の類似度の最大値で
あらわす。次に、類似度の最も大きい分類同士を結合
し、再び類似度を計算する。以下、分類の結合と類似度
の計算を繰り返し、収束条件を満たしたところで、分類
を決定する方法である。収束条件としては、全分類間の
類似度が事前に設定した閾値以下になることや、同様に
事前に設定した分類数になる等がある。観測データ間の
類似度は、属性値の一致の度合いから算出する。この場
合の分類パラメータとしては、類似度の閾値などがあ
る。『△』と『黒□』の１５個の観測データに対して分
類を行った結果を図２の左図に示す。
【００３７】中間結果評価器５では、種類学習器２もし
くは観測データ分類器１から出力される中間結果を第一
の入力とし、類識別装置６Ａ全体の入力として種類判別
対象観測データファイル１０から出力される種類判別対
象観測データを第二の入力とし、類識別装置６Ａを構成
するいずれかの装置から出力される中間結果の評価を行
い、結果を中間結果評価値として出力する。ここでは、
中間結果評価器５を構成する分類結果評価器５１におい
て分類結果を評価する場合の例を示す。
くは観測データ分類器１から出力される中間結果を第一
の入力とし、類識別装置６Ａ全体の入力として種類判別
対象観測データファイル１０から出力される種類判別対
象観測データを第二の入力とし、類識別装置６Ａを構成
するいずれかの装置から出力される中間結果の評価を行
い、結果を中間結果評価値として出力する。ここでは、
中間結果評価器５を構成する分類結果評価器５１におい
て分類結果を評価する場合の例を示す。
【００３８】具体的には、種類判別子付き観測データの
分類への所属状態に着目し、それぞれの種類別に、デー
タが所属する分類を、ある程度限定できるかどうかで判
断する。各種類に対し、最も多くデータが所属する分類
での所属確率を求め、所属確率の総和から分類結果評価
値を算出する。ここで、最短距離法による分類のよう
に、種類判別子付き観測データが所属する分類が一意に
決まる場合には、種類ごとの各分類における所属データ
数を数える。
分類への所属状態に着目し、それぞれの種類別に、デー
タが所属する分類を、ある程度限定できるかどうかで判
断する。各種類に対し、最も多くデータが所属する分類
での所属確率を求め、所属確率の総和から分類結果評価
値を算出する。ここで、最短距離法による分類のよう
に、種類判別子付き観測データが所属する分類が一意に
決まる場合には、種類ごとの各分類における所属データ
数を数える。
【００３９】今、種類判別子付き観測データが、３種類
の２２個のデータからなり、内訳は種類１が９個、種類
２が６個、種類３が７個であるとする。分類の結果、種
類１は分類１に２個、分類２に７個、種類２は分類１に
５個、分類２に１個、種類３は分類１に２個、分類２に
５個と分かれたとする。
の２２個のデータからなり、内訳は種類１が９個、種類
２が６個、種類３が７個であるとする。分類の結果、種
類１は分類１に２個、分類２に７個、種類２は分類１に
５個、分類２に１個、種類３は分類１に２個、分類２に
５個と分かれたとする。
【００４０】種類ｉの分類ｊにおける所属確率Ｐ
ｉｊを、Ｐｉｊ＝（分類ｊに所属する種類ｉのデータ
数）／（種類ｉの全データ数）と定義して算出すると、
Ｐ１１＝２／９＝０．２２、Ｐ１２＝７／９＝０．７
８、Ｐ２１＝５／６＝０．８３、Ｐ２２＝１／６＝０．
１７、Ｐ３１＝２／７＝０．２８、Ｐ３２＝５／７＝
０．７２となる。
ｉｊを、Ｐｉｊ＝（分類ｊに所属する種類ｉのデータ
数）／（種類ｉの全データ数）と定義して算出すると、
Ｐ１１＝２／９＝０．２２、Ｐ１２＝７／９＝０．７
８、Ｐ２１＝５／６＝０．８３、Ｐ２２＝１／６＝０．
１７、Ｐ３１＝２／７＝０．２８、Ｐ３２＝５／７＝
０．７２となる。
【００４１】次に、種類ｉにおける最大所属確率をＰ
ｉｍａｘとすると、Ｐ１ｍａｘ＝０．７８、Ｐ２ｍａｘ
＝０．８３、Ｐ３ｍａｘ＝０．７２となり、これらの和
を種類数Ｎｋ＝３で割ったものを分類結果評価値Ｅｋと
する。上記例の場合、以下のようになる。なお、Ｅｋは
１／Ｎｃ≦Ｅｋ≦１．０（Ｎｃは分類数）の値をとる。
ｉｍａｘとすると、Ｐ１ｍａｘ＝０．７８、Ｐ２ｍａｘ
＝０．８３、Ｐ３ｍａｘ＝０．７２となり、これらの和
を種類数Ｎｋ＝３で割ったものを分類結果評価値Ｅｋと
する。上記例の場合、以下のようになる。なお、Ｅｋは
１／Ｎｃ≦Ｅｋ≦１．０（Ｎｃは分類数）の値をとる。
【００４２】Ｅｋ＝ΣＰｉｍａｘ／Ｎｋ＝（０．７８＋
０．８３＋０．７２）／３＝０．７８
０．８３＋０．７２）／３＝０．７８
【００４３】また、上記例では、各種類判別子付き観測
データの分類への所属が一意に決まる場合を示したが、
分類手法によっては、一意には決まらずに、確率的に与
えられる場合がある。このような場合でも、最も確率が
高い分類に各データが所属するものとして、最短距離法
の場合と同様に分類結果評価値を算出する。
データの分類への所属が一意に決まる場合を示したが、
分類手法によっては、一意には決まらずに、確率的に与
えられる場合がある。このような場合でも、最も確率が
高い分類に各データが所属するものとして、最短距離法
の場合と同様に分類結果評価値を算出する。
【００４４】このように、種類判別子付きデータの種類
ごとの分類への所属状態から、分類結果評価値を算出す
ることにより、多種種類を対象とした場合に、分類段階
である程度、種類分けを行うような評価基準を導入する
ことができ、効率の良い学習が期待できる。
ごとの分類への所属状態から、分類結果評価値を算出す
ることにより、多種種類を対象とした場合に、分類段階
である程度、種類分けを行うような評価基準を導入する
ことができ、効率の良い学習が期待できる。
【００４５】次に、第二の分類結果評価値の算出例を示
す。この例では、種類判別対象観測データを含む観測デ
ータの分類への所属が一意に決まらずに、確率的に与え
られる場合を対象としている。分類結果評価値を、種類
判別子の有無にかかわらず観測データの分類への最大所
属確率の平均値から算出する。
す。この例では、種類判別対象観測データを含む観測デ
ータの分類への所属が一意に決まらずに、確率的に与え
られる場合を対象としている。分類結果評価値を、種類
判別子の有無にかかわらず観測データの分類への最大所
属確率の平均値から算出する。
【００４６】ここで、仮にデータ１の分類１、分類２、
分類３への所属確率が０．１、０．５、０．４であった
場合、最大の値である０．５をデータ１の最大所属確率
という。データｍにおける最大所属確率をＰｍｍａｘと
すると、これらの和をデータ数Ｎｄで割ったものが分類
結果評価値Ｅｄとなる。
分類３への所属確率が０．１、０．５、０．４であった
場合、最大の値である０．５をデータ１の最大所属確率
という。データｍにおける最大所属確率をＰｍｍａｘと
すると、これらの和をデータ数Ｎｄで割ったものが分類
結果評価値Ｅｄとなる。
【００４７】今、データ数Ｎｄ＝７の観測データを対象
とし、それらの最大所属確率Ｐｍｍ ａｘがＰ１ｍａｘ＝
０．７、Ｐ２ｍａｘ＝０．８、Ｐ３ｍａｘ＝０．５、Ｐ
４ｍ ａｘ＝０．９、Ｐ５ｍａｘ＝０．４、Ｐ６ｍａｘ＝
０．７、Ｐ７ｍａｘ＝０．６であるとする。分類数は３
とする。
とし、それらの最大所属確率Ｐｍｍ ａｘがＰ１ｍａｘ＝
０．７、Ｐ２ｍａｘ＝０．８、Ｐ３ｍａｘ＝０．５、Ｐ
４ｍ ａｘ＝０．９、Ｐ５ｍａｘ＝０．４、Ｐ６ｍａｘ＝
０．７、Ｐ７ｍａｘ＝０．６であるとする。分類数は３
とする。
【００４８】上記例の場合、以下のようになる。なお、
Ｅｄは１／Ｎｃ≦Ｅｄ≦１．０（Ｎｃは分類数）の値を
とる。
Ｅｄは１／Ｎｃ≦Ｅｄ≦１．０（Ｎｃは分類数）の値を
とる。
【００４９】
Ｅｄ＝ΣＰｍｍａｘ／Ｎｄ
＝（０．７＋０．８＋０．５＋０．９＋０．４＋０．７＋０．６）／７
＝０．６６
【００５０】このように、個々の観測データの分類への
所属状態から、分類結果評価値を算出することにより、
種類判別子付き観測データが少なく、種類判別子の有無
にかかわらず、全観測データを分類対象とするような場
合にも評価が可能となり、分類対象データの分布状況を
反映した分類を得ることができる。
所属状態から、分類結果評価値を算出することにより、
種類判別子付き観測データが少なく、種類判別子の有無
にかかわらず、全観測データを分類対象とするような場
合にも評価が可能となり、分類対象データの分布状況を
反映した分類を得ることができる。
【００５１】分類再実行指示生成器４では、中間結果評
価器５から出力される中間結果評価値を第一の入力と
し、分類パラメータファイル７２から出力される分類パ
ラメータを第二の入力として、分類再実行の必要性を判
断し、分類再実行パラメータを出力する。判断の仕方と
しては、あらかじめ設定されていた閾値と中間結果評価
値とを比較し、閾値以下の場合に再実行とする。閾値
は、分類パラメータの一つとしてユーザが設定するか、
あるいは、中間結果の評価方法に応じて、あらかじめシ
ステムが決めておく。
価器５から出力される中間結果評価値を第一の入力と
し、分類パラメータファイル７２から出力される分類パ
ラメータを第二の入力として、分類再実行の必要性を判
断し、分類再実行パラメータを出力する。判断の仕方と
しては、あらかじめ設定されていた閾値と中間結果評価
値とを比較し、閾値以下の場合に再実行とする。閾値
は、分類パラメータの一つとしてユーザが設定するか、
あるいは、中間結果の評価方法に応じて、あらかじめシ
ステムが決めておく。
【００５２】次に、分類再実行パラメータの例として、
分類再実行指示生成器４を構成する分類パラメータ変更
器４１において、分類パラメータを変更して分類パラメ
ータ変更値を求める場合を示す。分類パラメータとして
は、乱数のシード値や分類手法に特化したパラメータ等
があるが、ここでは分類数を変更する場合の例を示す。
分類再実行指示生成器４を構成する分類パラメータ変更
器４１において、分類パラメータを変更して分類パラメ
ータ変更値を求める場合を示す。分類パラメータとして
は、乱数のシード値や分類手法に特化したパラメータ等
があるが、ここでは分類数を変更する場合の例を示す。
【００５３】ユーザが変更値を指定して分類数を変更す
る方法もあるが、以下では、システムが自動的に変更を
行う例を示す。例えば、分類数が極端に多い場合や、少
ない場合に、観測データ数に見合った分類数になるよう
に変更する。なお、観測データ数は分類パラメータとし
て与えられているものとする。
る方法もあるが、以下では、システムが自動的に変更を
行う例を示す。例えば、分類数が極端に多い場合や、少
ない場合に、観測データ数に見合った分類数になるよう
に変更する。なお、観測データ数は分類パラメータとし
て与えられているものとする。
【００５４】具体的には、観測データ数の１／Ｎｃｄを
分類数変更値とする。ここで、Ｎｃｄは１分類あたり属
する平均観測データ数であり、１以上で観測データ数以
下の正の整数とする。このＮｃｄは、システムが乱数を
使って決定するか、あるいは分類パラメータとしてユー
ザが指定してもよい。たとえば、観測データ数が１００
でＮｃｄ＝２０の場合、１００／２０＝５が分類数とな
る。
分類数変更値とする。ここで、Ｎｃｄは１分類あたり属
する平均観測データ数であり、１以上で観測データ数以
下の正の整数とする。このＮｃｄは、システムが乱数を
使って決定するか、あるいは分類パラメータとしてユー
ザが指定してもよい。たとえば、観測データ数が１００
でＮｃｄ＝２０の場合、１００／２０＝５が分類数とな
る。
【００５５】このように、初期設定として与えられた分
類数などの分類パラメータを変更して、分類し直すこと
により、より良い分類結果が期待できる。
類数などの分類パラメータを変更して、分類し直すこと
により、より良い分類結果が期待できる。
【００５６】分類再実行指示生成器４から出力された分
類再実行パラメータは、観測データ分類器１の入力とな
り、再び、観測データ分類器１において分類及び分類結
果の出力を行い、続いて中間結果評価器５において評価
及び中間結果評価値の出力を行う。以下、分類再実行指
示生成器４において分類再実行不要と判断されるまで、
観測データ分類器１、中間結果評価器５、及び分類再実
行指示生成器４において上記の処理を繰り返す。分類再
実行指示生成器４において、分類再実行不要と判断され
たところで、分類終了指示が分類再実行パラメータとし
て出力される。観測データ分類器１では、分類再実行指
示生成器４から出力された分類終了指示が入力される
と、観測データ分類結果を種類学習器２に出力する。
類再実行パラメータは、観測データ分類器１の入力とな
り、再び、観測データ分類器１において分類及び分類結
果の出力を行い、続いて中間結果評価器５において評価
及び中間結果評価値の出力を行う。以下、分類再実行指
示生成器４において分類再実行不要と判断されるまで、
観測データ分類器１、中間結果評価器５、及び分類再実
行指示生成器４において上記の処理を繰り返す。分類再
実行指示生成器４において、分類再実行不要と判断され
たところで、分類終了指示が分類再実行パラメータとし
て出力される。観測データ分類器１では、分類再実行指
示生成器４から出力された分類終了指示が入力される
と、観測データ分類結果を種類学習器２に出力する。
【００５７】分類再実行指示生成器４は、中間結果評価
値が事前に設定されていたある閾値以上になるか、ある
いは事前に設定されていたある回数を超えたところで、
再実行不要と判断する。また、観測データ分類器１は、
上記繰り返し処理で得られた観測データ分類結果のう
ち、最良の分類結果評価値を記録した観測データ分類結
果を出力する。
値が事前に設定されていたある閾値以上になるか、ある
いは事前に設定されていたある回数を超えたところで、
再実行不要と判断する。また、観測データ分類器１は、
上記繰り返し処理で得られた観測データ分類結果のう
ち、最良の分類結果評価値を記録した観測データ分類結
果を出力する。
【００５８】次に、種類学習器２において、学習パラメ
ータファイル７１から出力される学習パラメータを第一
の入力とし、種類判別子付き観測データファイル９から
出力される上記種類判別子付き観測データを第二の入力
とし、観測データ分類器１から出力される観測データ分
類結果を第三の入力として、上記観測データ分類結果で
示される各分類内で、上記種類判別子付き観測データに
基づき種類学習を行い、種類学習の結果である種類学習
結果を出力する。
ータファイル７１から出力される学習パラメータを第一
の入力とし、種類判別子付き観測データファイル９から
出力される上記種類判別子付き観測データを第二の入力
とし、観測データ分類器１から出力される観測データ分
類結果を第三の入力として、上記観測データ分類結果で
示される各分類内で、上記種類判別子付き観測データに
基づき種類学習を行い、種類学習の結果である種類学習
結果を出力する。
【００５９】種類学習を行う例を示す。本実施の形態１
では、学習手法として境界線を決定する手法である線形
判別法を適用する。この線形判別法は、全教師データか
らの距離と方向に基づき境界となる直線を求める方法で
あり、距離を最大にし、かつそれぞれの種類ごとに、教
師データからみた直線の方向が同じになるような直線を
決定する。
では、学習手法として境界線を決定する手法である線形
判別法を適用する。この線形判別法は、全教師データか
らの距離と方向に基づき境界となる直線を求める方法で
あり、距離を最大にし、かつそれぞれの種類ごとに、教
師データからみた直線の方向が同じになるような直線を
決定する。
【００６０】図２の中央の図に線形判別法による種類学
習例を示す。『△』は種類１の教師データ、『黒□』は
種類２の教師データであるとすると、種類学習により、
図２の中央の図のように境界線が決定される。
習例を示す。『△』は種類１の教師データ、『黒□』は
種類２の教師データであるとすると、種類学習により、
図２の中央の図のように境界線が決定される。
【００６１】種類判別器３では、種類学習器２から出力
される種類学習結果を第一の入力とし、種類判別対象観
測データファイル１０から出力される種類判別対象観測
データを第二の入力として、上記種類学習結果に基づき
上記種類判別対象観測データの種類判別を行い、結果を
種類判別結果として出力する。この出力は、本発明の類
識別装置６Ａ全体の出力となり、種類判別結果ファイル
１１に入力される。
される種類学習結果を第一の入力とし、種類判別対象観
測データファイル１０から出力される種類判別対象観測
データを第二の入力として、上記種類学習結果に基づき
上記種類判別対象観測データの種類判別を行い、結果を
種類判別結果として出力する。この出力は、本発明の類
識別装置６Ａ全体の出力となり、種類判別結果ファイル
１１に入力される。
【００６２】図２の右図に種類判別を行う例を示す。種
類学習結果として求められた境界線に基づき、種類を判
別する。図２の右図で『△』が多く属する境界線の上側
の領域を種類１の境界領域、逆に『黒□』が多く属する
境界線の下側の領域を種類２の境界領域とし、いずれの
領域に属するかによって種類判別対象観測データの種類
を判別する。図２の右図において、『黒▽』と『◇』は
種類が未定の観測データであり、『黒▽』と『◇』がそ
れぞれ種類１、種類２と判別される。
類学習結果として求められた境界線に基づき、種類を判
別する。図２の右図で『△』が多く属する境界線の上側
の領域を種類１の境界領域、逆に『黒□』が多く属する
境界線の下側の領域を種類２の境界領域とし、いずれの
領域に属するかによって種類判別対象観測データの種類
を判別する。図２の右図において、『黒▽』と『◇』は
種類が未定の観測データであり、『黒▽』と『◇』がそ
れぞれ種類１、種類２と判別される。
【００６３】以上のように、本発明の実施の形態１で示
した類識別装置によれば、個々の中間結果を評価でき、
個々の中間結果の状況に応じて、分類段階からやり直す
ことができる。
した類識別装置によれば、個々の中間結果を評価でき、
個々の中間結果の状況に応じて、分類段階からやり直す
ことができる。
【００６４】また、分類パラメータ変更器４１におい
て、初期設定として与えられた分類数などの分類パラメ
ータを変更して、分類し直すことにより、より良い分類
結果が期待できる。
て、初期設定として与えられた分類数などの分類パラメ
ータを変更して、分類し直すことにより、より良い分類
結果が期待できる。
【００６５】また、分類結果評価器５１において、分類
段階で評価を行って分類し直すことにより、より良い分
類結果に基づいて学習を行うことができる。
段階で評価を行って分類し直すことにより、より良い分
類結果に基づいて学習を行うことができる。
【００６６】また、分類結果評価器５１において、種類
判別子付き観測データの種類ごとの分類への所属状態か
ら、分類結果評価値を算出することにより、多種種類を
対象とした場合に、分類段階である程度、種類分けを行
うような評価基準を導入することができ、効率の良い学
習が期待できる。
判別子付き観測データの種類ごとの分類への所属状態か
ら、分類結果評価値を算出することにより、多種種類を
対象とした場合に、分類段階である程度、種類分けを行
うような評価基準を導入することができ、効率の良い学
習が期待できる。
【００６７】さらに、分類結果評価器５１において、個
々の観測データの分類への所属状態から、分類結果評価
値を算出することにより、種類判別子付き観測データが
少なく、種類判別子の有無にかかわらず、全観測データ
を分類対象とするような場合にも評価が可能となり、分
類対象データの分布状況を反映した分類を得ることがで
きる。
々の観測データの分類への所属状態から、分類結果評価
値を算出することにより、種類判別子付き観測データが
少なく、種類判別子の有無にかかわらず、全観測データ
を分類対象とするような場合にも評価が可能となり、分
類対象データの分布状況を反映した分類を得ることがで
きる。
【００６８】実施の形態２．この発明の実施の形態２に
係る類識別装置及び類識別方法について図面を参照しな
がら説明する。図３は、この発明の実施の形態２に係る
類識別装置の構成を示す図である。
係る類識別装置及び類識別方法について図面を参照しな
がら説明する。図３は、この発明の実施の形態２に係る
類識別装置の構成を示す図である。
【００６９】図３において、１は観測データ分類器、２
は種類学習器、３は種類判別器、４は分類再実行指示生
成器、５は中間結果評価器、６Ｂは類識別装置、７１は
学習パラメータファイル、７２は分類パラメータファイ
ル、９は種類判別子付き観測データファイル、１０は種
類判別対象観測データファイル、１１は種類判別結果フ
ァイルである。また、分類再実行指示生成器４は、分類
手法変更器４２を有する。
は種類学習器、３は種類判別器、４は分類再実行指示生
成器、５は中間結果評価器、６Ｂは類識別装置、７１は
学習パラメータファイル、７２は分類パラメータファイ
ル、９は種類判別子付き観測データファイル、１０は種
類判別対象観測データファイル、１１は種類判別結果フ
ァイルである。また、分類再実行指示生成器４は、分類
手法変更器４２を有する。
【００７０】つぎに、この実施の形態２に係る類識別装
置の動作について図面を参照しながら説明する。
置の動作について図面を参照しながら説明する。
【００７１】上記実施の形態１では、分類再実行指示生
成器４を構成する分類パラメータ変更器４１により分類
パラメータを変更して分類再実行を行う例を示したが、
本実施の形態２では、分類再実行指示生成器４を構成す
る分類手法変更器４２によって分類手法を変更して分類
再実行を行う例を示す。
成器４を構成する分類パラメータ変更器４１により分類
パラメータを変更して分類再実行を行う例を示したが、
本実施の形態２では、分類再実行指示生成器４を構成す
る分類手法変更器４２によって分類手法を変更して分類
再実行を行う例を示す。
【００７２】第一の分類手法変更例として、上記実施の
形態１で示した最短距離法から、Ｋ−ｍｅａｎｓ法に変
更する場合の例を以下に示す。
形態１で示した最短距離法から、Ｋ−ｍｅａｎｓ法に変
更する場合の例を以下に示す。
【００７３】このＫ−ｍｅａｎｓ法とは、一般的な分類
問題に多く用いられている手法である。個々の観測デー
タをｋ個の分類に適当に割り当て、重心の初期値を決定
する。次に、個々の観測データは最も近い重心を持つ分
類に属するものとし、各分類において、属する観測デー
タを使って重心を求め直し、さらに更新された重心に基
づき、個々の観測データが属する分類を変更するといっ
た処理を何度か繰り返し、最終的な分類を決定する。こ
の場合の分類パラメータとしては、重心の初期値を求め
る際に、各観測データが属する分類を決定するための乱
数のシード値などがある。
問題に多く用いられている手法である。個々の観測デー
タをｋ個の分類に適当に割り当て、重心の初期値を決定
する。次に、個々の観測データは最も近い重心を持つ分
類に属するものとし、各分類において、属する観測デー
タを使って重心を求め直し、さらに更新された重心に基
づき、個々の観測データが属する分類を変更するといっ
た処理を何度か繰り返し、最終的な分類を決定する。こ
の場合の分類パラメータとしては、重心の初期値を求め
る際に、各観測データが属する分類を決定するための乱
数のシード値などがある。
【００７４】Ｋ−ｍｅａｎｓ法と前述の最短距離法との
違いは、最短距離法が分類を階層的に行うのに対し、Ｋ
−ｍｅａｎｓ法では非階層的に行われる点である。最短
距離法のように階層的に分類を行う場合、分類対象とな
る観測データ数が多い場合に、分類処理に多くの時間を
費やしてしまうが、Ｋ−ｍｅａｎｓ法による非階層的分
類では、最初から分類を初期設定し、分類の評価と改良
を繰り返して最終的な分類を決定するため、繰り返し回
数の上限指定による実行時間の制御が可能である。した
がって、分類対象となる観測データ数が多い場合であっ
ても、効率の良い分類が期待できる。
違いは、最短距離法が分類を階層的に行うのに対し、Ｋ
−ｍｅａｎｓ法では非階層的に行われる点である。最短
距離法のように階層的に分類を行う場合、分類対象とな
る観測データ数が多い場合に、分類処理に多くの時間を
費やしてしまうが、Ｋ−ｍｅａｎｓ法による非階層的分
類では、最初から分類を初期設定し、分類の評価と改良
を繰り返して最終的な分類を決定するため、繰り返し回
数の上限指定による実行時間の制御が可能である。した
がって、分類対象となる観測データ数が多い場合であっ
ても、効率の良い分類が期待できる。
【００７５】このように、新たな分類手法として、Ｋ−
ｍｅａｎｓ法を適用することにより、分類対象となる観
測データ数が多い場合等に、効率よく分類を行うことが
できる。
ｍｅａｎｓ法を適用することにより、分類対象となる観
測データ数が多い場合等に、効率よく分類を行うことが
できる。
【００７６】第二の分類手法変更例として、分類手法を
Ｋ−ｍｅａｎｓ法からＦｕｚｚｙｃ−ｍｅａｎｓ法に変
更する場合の例を以下に示す。
Ｋ−ｍｅａｎｓ法からＦｕｚｚｙｃ−ｍｅａｎｓ法に変
更する場合の例を以下に示す。
【００７７】このＦｕｚｚｙ ｃ−ｍｅａｎｓ法は、Ｋ
−ｍｅａｎｓ法の変形手法の１つである。Ｋ−ｍｅａｎ
ｓ法では、各観測データがいずれの分類に属するかを一
意に決定するが、Ｆｕｚｚｙ ｃ−ｍｅａｎｓ法では、
それぞれの分類への所属確率で表す。
−ｍｅａｎｓ法の変形手法の１つである。Ｋ−ｍｅａｎ
ｓ法では、各観測データがいずれの分類に属するかを一
意に決定するが、Ｆｕｚｚｙ ｃ−ｍｅａｎｓ法では、
それぞれの分類への所属確率で表す。
【００７８】例えば、分類ｄ１〜分類ｄ４の４つの分類
に対するデータ１の所属確率Ｐ１（ｄｉ）とすると、Ｐ
１（ｄ１）＝０．１、Ｐ１（ｄ２）＝０．５、Ｐ１（ｄ
３）＝０．１５、Ｐ１（ｄ４）＝０．２５のように表さ
れる。なお、所属確率Ｐ１（ｄｉ）は、メンバーシップ
関数と呼ばれる関数で定義される。
に対するデータ１の所属確率Ｐ１（ｄｉ）とすると、Ｐ
１（ｄ１）＝０．１、Ｐ１（ｄ２）＝０．５、Ｐ１（ｄ
３）＝０．１５、Ｐ１（ｄ４）＝０．２５のように表さ
れる。なお、所属確率Ｐ１（ｄｉ）は、メンバーシップ
関数と呼ばれる関数で定義される。
【００７９】ここで、ある観測データが、２つの分類
（分類１、分類２）のどちらに所属しても良いような場
合を考える。例えば、２つの分類に対し、Ｐ（１）＝
０．４５、Ｐ（２）＝０．５５程度の所属確率が予想さ
れる場合、Ｋ−ｍｅａｎｓ法では、必ず一方に分類を決
定するため、わずかに確率の高い分類２に分類される可
能性が高い。これは実質、Ｐ（１）＝０、Ｐ（２）＝１
とみなしたのと同じであり、このような処理を繰り返す
うちに、多くの誤差が生じて、最終的な分類精度が悪く
なる危険性が高い。
（分類１、分類２）のどちらに所属しても良いような場
合を考える。例えば、２つの分類に対し、Ｐ（１）＝
０．４５、Ｐ（２）＝０．５５程度の所属確率が予想さ
れる場合、Ｋ−ｍｅａｎｓ法では、必ず一方に分類を決
定するため、わずかに確率の高い分類２に分類される可
能性が高い。これは実質、Ｐ（１）＝０、Ｐ（２）＝１
とみなしたのと同じであり、このような処理を繰り返す
うちに、多くの誤差が生じて、最終的な分類精度が悪く
なる危険性が高い。
【００８０】そこで、このような問題に対しては、Ｆｕ
ｚｚｙ ｃ−ｍｅａｎｓ法での所属確率による分類が有
効であり、精度の高い分類が期待できる。また、Ｆｕｚ
ｚｙｃ−ｍｅａｎｓ法のメンバーシップ関数の定義にガ
ウス分布を導入することにより、期待値最大化法と呼ば
れるガウス分布でデータの分布状況を定義する手法への
変更も可能となる。
ｚｚｙ ｃ−ｍｅａｎｓ法での所属確率による分類が有
効であり、精度の高い分類が期待できる。また、Ｆｕｚ
ｚｙｃ−ｍｅａｎｓ法のメンバーシップ関数の定義にガ
ウス分布を導入することにより、期待値最大化法と呼ば
れるガウス分布でデータの分布状況を定義する手法への
変更も可能となる。
【００８１】このように、新たな分類手法としてＦｕｚ
ｚｙ ｃ−ｍｅａｎｓ法を適用することにより、分類へ
の所属が曖昧な観測データが存在する場合に、精度の高
い分類が可能になる。
ｚｙ ｃ−ｍｅａｎｓ法を適用することにより、分類へ
の所属が曖昧な観測データが存在する場合に、精度の高
い分類が可能になる。
【００８２】以上のように、本発明の実施の形態２で示
した類識別装置によれば、分類手法変更器４２におい
て、問題の性質に応じて、分類手法を変更することによ
り、より良い分類結果が期待できる。
した類識別装置によれば、分類手法変更器４２におい
て、問題の性質に応じて、分類手法を変更することによ
り、より良い分類結果が期待できる。
【００８３】また、同じく分類手法変更器４２におい
て、新たな分類手法としてＫ−ｍｅａｎｓ法を適用する
ことにより、分類対象となる観測データ数が多い場合等
に、効率よく分類を行うことができる。
て、新たな分類手法としてＫ−ｍｅａｎｓ法を適用する
ことにより、分類対象となる観測データ数が多い場合等
に、効率よく分類を行うことができる。
【００８４】さらに、同じく分類手法変更器４２におい
て、新たな分類手法としてＦｕｚｚｙ ｃ−ｍｅａｎｓ
法を適用することにより、分類への所属が曖昧な観測デ
ータが存在する場合に、精度の高い分類が可能になる。
て、新たな分類手法としてＦｕｚｚｙ ｃ−ｍｅａｎｓ
法を適用することにより、分類への所属が曖昧な観測デ
ータが存在する場合に、精度の高い分類が可能になる。
【００８５】実施の形態３．この発明の実施の形態３に
係る類識別装置及び類識別方法について図面を参照しな
がら説明する。図４は、この発明の実施の形態３に係る
類識別装置の構成を示す図である。
係る類識別装置及び類識別方法について図面を参照しな
がら説明する。図４は、この発明の実施の形態３に係る
類識別装置の構成を示す図である。
【００８６】図４において、１は観測データ分類器、２
は種類学習器、３は種類判別器、４は分類再実行指示生
成器、５は中間結果評価器、６Ｃは類識別装置、７１は
学習パラメータファイル、７２は分類パラメータファイ
ル、９は種類判別子付き観測データファイル、１０は種
類判別対象観測データファイル、１１は種類判別結果フ
ァイルである。また、中間結果評価器５は、学習結果評
価器５２を有する。
は種類学習器、３は種類判別器、４は分類再実行指示生
成器、５は中間結果評価器、６Ｃは類識別装置、７１は
学習パラメータファイル、７２は分類パラメータファイ
ル、９は種類判別子付き観測データファイル、１０は種
類判別対象観測データファイル、１１は種類判別結果フ
ァイルである。また、中間結果評価器５は、学習結果評
価器５２を有する。
【００８７】つぎに、この実施の形態３に係る類識別装
置の動作について図面を参照しながら説明する。
置の動作について図面を参照しながら説明する。
【００８８】図５及び図６は、この発明の実施の形態３
に係る類識別装置の動作を示す図である。
に係る類識別装置の動作を示す図である。
【００８９】上記実施の形態１では、中間結果評価器５
を構成する分類結果評価器５１において分類結果を評価
する例を示したが、本実施の形態３では、同じく中間結
果評価器５を構成する学習結果評価器５２において学習
結果を評価する例を示す。
を構成する分類結果評価器５１において分類結果を評価
する例を示したが、本実施の形態３では、同じく中間結
果評価器５を構成する学習結果評価器５２において学習
結果を評価する例を示す。
【００９０】学習結果評価方法の第一の例としては、学
習対象外の種類判別子付き観測データの帰属状態から、
正解率を算出し、学習結果評価値とする。
習対象外の種類判別子付き観測データの帰属状態から、
正解率を算出し、学習結果評価値とする。
【００９１】具体的には、学習対象外とした種類判別子
付き観測データに対して、種類判別を行い、その誤認率
を算出して学習結果評価値とする。例えば、図５の右図
において、『黒▽』、『◇』を学習対象外とした種類判
別子付き観測データであるとし、それぞれ種類１、種類
２であるとすると、１２個中１０個が正しく判別され、
２個が誤った種類に判別されている。これより、学習評
価結果値は、Ｅ１１＝１０／１２＝０．８３となる。な
お、０≦Ｅｌ１≦１．０であるとする。
付き観測データに対して、種類判別を行い、その誤認率
を算出して学習結果評価値とする。例えば、図５の右図
において、『黒▽』、『◇』を学習対象外とした種類判
別子付き観測データであるとし、それぞれ種類１、種類
２であるとすると、１２個中１０個が正しく判別され、
２個が誤った種類に判別されている。これより、学習評
価結果値は、Ｅ１１＝１０／１２＝０．８３となる。な
お、０≦Ｅｌ１≦１．０であるとする。
【００９２】以上のように、学習に影響していない学習
対象外の種類判別子付き観測データの、上記学習結果で
示される境界領域への所属状態から、正解率を算出する
ことにより、学習対象データの偏りに依存することな
く、評価を行うことができる。
対象外の種類判別子付き観測データの、上記学習結果で
示される境界領域への所属状態から、正解率を算出する
ことにより、学習対象データの偏りに依存することな
く、評価を行うことができる。
【００９３】学習結果評価方法の第二の例としては、学
習対象としたデータを含む全ての種類判別子付き観測デ
ータの所属状態から、誤認の度合いを算出し、学習結果
評価値とする。
習対象としたデータを含む全ての種類判別子付き観測デ
ータの所属状態から、誤認の度合いを算出し、学習結果
評価値とする。
【００９４】具体的には、学習対象としたデータを含む
全ての種類判別子付き観測データに対して、種類判別を
行い、誤って判別されたデータの境界線からの距離に基
づき学習評価値を算出する。
全ての種類判別子付き観測データに対して、種類判別を
行い、誤って判別されたデータの境界線からの距離に基
づき学習評価値を算出する。
【００９５】つまり、まず、全学習対象データの境界線
からの距離の平均値ｍを求める。次に、誤認されたデー
タｉの境界線からの距離ｄｉをｍで割った値ｄｉ／ｍを
誤認距離ｄｎｉとし、誤認距離の総和Σｄｎｉを誤認デ
ータ数Ｎｍで割った値であるΣｄｎｉ／Ｎｍを学習結果
評価値とする。
からの距離の平均値ｍを求める。次に、誤認されたデー
タｉの境界線からの距離ｄｉをｍで割った値ｄｉ／ｍを
誤認距離ｄｎｉとし、誤認距離の総和Σｄｎｉを誤認デ
ータ数Ｎｍで割った値であるΣｄｎｉ／Ｎｍを学習結果
評価値とする。
【００９６】例えば、図６において、『△』、『黒□』
を学習に適用した種類判別子付き観測データ、『黒
▽』、『◇』を学習の対象外の種類判別子付き観測デー
タであるとすると、１９個中３個が誤った種類の境界領
域に位置する。
を学習に適用した種類判別子付き観測データ、『黒
▽』、『◇』を学習の対象外の種類判別子付き観測デー
タであるとすると、１９個中３個が誤った種類の境界領
域に位置する。
【００９７】今、誤認したデータと境界線との距離がそ
れぞれｄ１＝２、ｄ２＝２、ｄ３＝５で、全学習対象デ
ータの境界線からの距離の平均値ｍ＝１０、誤認データ
数Ｎｍ＝３とすると、誤認距離はそれぞれｄｎ１＝０．
２、ｄｎ２＝０．２、ｄｎ３＝０．５となる。したがっ
て、学習評価結果値はＥｌ１＝Σｄｎｉ／Ｎｍ＝（０．
２＋０．２＋０．５）／３＝０．３となる。但し、０≦
Ｅｌ１とする。なお、この場合、学習評価値は０が最良
であり、値が大きいほど評価値は悪くなる。
れぞれｄ１＝２、ｄ２＝２、ｄ３＝５で、全学習対象デ
ータの境界線からの距離の平均値ｍ＝１０、誤認データ
数Ｎｍ＝３とすると、誤認距離はそれぞれｄｎ１＝０．
２、ｄｎ２＝０．２、ｄｎ３＝０．５となる。したがっ
て、学習評価結果値はＥｌ１＝Σｄｎｉ／Ｎｍ＝（０．
２＋０．２＋０．５）／３＝０．３となる。但し、０≦
Ｅｌ１とする。なお、この場合、学習評価値は０が最良
であり、値が大きいほど評価値は悪くなる。
【００９８】学習対象としたデータを含む全ての上記種
類判別子付き観測データのうち、誤認であると判定され
たデータに対し、上記学習結果で示される境界線からの
距離を用いて、誤認の度合いを示す誤認距離を算出し、
上記誤認距離の総和に基づき上記学習結果評価値を算出
することにより、種類判別子付き観測データが少なく、
全ての種類判別子付き観測データを学習対象とする場合
にも評価可能となる。
類判別子付き観測データのうち、誤認であると判定され
たデータに対し、上記学習結果で示される境界線からの
距離を用いて、誤認の度合いを示す誤認距離を算出し、
上記誤認距離の総和に基づき上記学習結果評価値を算出
することにより、種類判別子付き観測データが少なく、
全ての種類判別子付き観測データを学習対象とする場合
にも評価可能となる。
【００９９】学習結果評価値は、分類再実行指示生成器
４の入力となり、上記実施の形態１と同様な処理で分類
が変更され、変更された新たな観測データ分類結果は再
び種類学習器２の入力となり、以下、評価と変更を繰り
返し、学習結果評価値がある閾値以上になるか、あるい
はある回数以上になった場合に、繰り返しで得られた最
良の学習結果評価値を記録した学習結果を、種類判別器
３の入力となる種類学習結果として出力する。
４の入力となり、上記実施の形態１と同様な処理で分類
が変更され、変更された新たな観測データ分類結果は再
び種類学習器２の入力となり、以下、評価と変更を繰り
返し、学習結果評価値がある閾値以上になるか、あるい
はある回数以上になった場合に、繰り返しで得られた最
良の学習結果評価値を記録した学習結果を、種類判別器
３の入力となる種類学習結果として出力する。
【０１００】以上のように、本発明の実施の形態３で示
した類識別装置６Ｃによれば、学習結果評価器５２にお
いて、種類学習結果の評価を行い、その種類学習結果を
観測データ分類器１にフィードバックすることにより、
種類学習結果を反映した分類を行うことができ、これは
類識別処理全体の質の向上につながり、結果として質の
高い種類判別を期待できる。
した類識別装置６Ｃによれば、学習結果評価器５２にお
いて、種類学習結果の評価を行い、その種類学習結果を
観測データ分類器１にフィードバックすることにより、
種類学習結果を反映した分類を行うことができ、これは
類識別処理全体の質の向上につながり、結果として質の
高い種類判別を期待できる。
【０１０１】また、同じく学習結果評価器５２におい
て、学習に影響していない学習対象外の種類判別子付き
観測データの上記学習結果で示される境界領域への所属
状態から、正解率を算出することにより、学習対象デー
タの偏りに依存することなく、評価を行うことができ
る。
て、学習に影響していない学習対象外の種類判別子付き
観測データの上記学習結果で示される境界領域への所属
状態から、正解率を算出することにより、学習対象デー
タの偏りに依存することなく、評価を行うことができ
る。
【０１０２】さらに、同じく学習結果評価器５２におい
て、学習対象としたデータを含む全ての上記種類判別子
付き観測データのうち、誤認であると判定されたデータ
に対し、上記学習結果で示される境界線からの距離を用
いて、誤認の度合いを示す誤認距離を算出し、上記誤認
距離の総和に基づき上記学習結果評価値を算出すること
により、種類判別子付き観測データが少なく、全ての種
類判別子付き観測データを学習対象とする場合にも評価
可能となる。
て、学習対象としたデータを含む全ての上記種類判別子
付き観測データのうち、誤認であると判定されたデータ
に対し、上記学習結果で示される境界線からの距離を用
いて、誤認の度合いを示す誤認距離を算出し、上記誤認
距離の総和に基づき上記学習結果評価値を算出すること
により、種類判別子付き観測データが少なく、全ての種
類判別子付き観測データを学習対象とする場合にも評価
可能となる。
【０１０３】なお、本発明は航空機の類識別を行う場合
の例を示したが、それ以外にも、レーダから得られた大
量の電波画像データを利用した類識別問題への適用も可
能である。
の例を示したが、それ以外にも、レーダから得られた大
量の電波画像データを利用した類識別問題への適用も可
能である。
【０１０４】
【発明の効果】この発明の請求項１に係る類識別装置
は、以上説明したとおり、観測データを学習するための
パラメータである学習パラメータを格納する学習パラメ
ータファイルと、前記観測データを分類するためのパラ
メータである分類パラメータを格納する分類パラメータ
ファイルと、種類を表す種類判別子付きの観測データで
ある種類判別子付き観測データを格納する種類判別子付
き観測データファイルと、種類が未定で種類の判別対象
となる観測データである種類判別対象観測データを格納
する種類判別対象観測データファイルと、前記種類判別
対象観測データの種類判別結果を格納する種類判別結果
ファイルと、前記分類パラメータファイルからの分類パ
ラメータ、前記種類判別子付き観測データファイルから
の種類判別子付き観測データ、及び前記観測データの再
分類のためのパラメータである分類再実行パラメータを
入力とし、前記種類判別子付き観測データの分類結果で
ある観測データ分類結果を出力する観測データ分類器
と、前記学習パラメータファイルからの学習パラメー
タ、前記種類判別子付き観測データファイルからの種類
判別子付き観測データ、及び前記観測データ分類器から
の観測データ分類結果を入力とし、前記観測データ分類
結果で示される各分類内で、前記種類判別子付き観測デ
ータに基づき種類学習を行い、種類学習の結果である種
類学習結果を出力する種類学習器と、前記種類判別対象
観測データファイルからの種類判別対象観測データ、及
び前記種類学習器からの種類学習結果を入力とし、前記
種類学習結果に基づき前記種類判別対象観測データの種
類判別を行い、種類判別結果を前記種類判別結果ファイ
ルへ出力する種類判別器と、前記観測データ分類器から
の前記観測データ分類結果、又は前記種類学習器からの
前記種類学習結果を入力とし、入力された中間データに
対する評価値である中間結果評価値を求める中間結果評
価器と、前記中間結果評価器からの前記中間結果評価
値、及び前記分類パラメータファイルからの分類パラメ
ータを入力とし、前記分類再実行パラメータを求める分
類再実行指示生成器とを備えたので、個々の中間結果を
評価でき、個々の中間結果の状況に応じて、分類段階か
らやり直すことができるという効果を奏する。
は、以上説明したとおり、観測データを学習するための
パラメータである学習パラメータを格納する学習パラメ
ータファイルと、前記観測データを分類するためのパラ
メータである分類パラメータを格納する分類パラメータ
ファイルと、種類を表す種類判別子付きの観測データで
ある種類判別子付き観測データを格納する種類判別子付
き観測データファイルと、種類が未定で種類の判別対象
となる観測データである種類判別対象観測データを格納
する種類判別対象観測データファイルと、前記種類判別
対象観測データの種類判別結果を格納する種類判別結果
ファイルと、前記分類パラメータファイルからの分類パ
ラメータ、前記種類判別子付き観測データファイルから
の種類判別子付き観測データ、及び前記観測データの再
分類のためのパラメータである分類再実行パラメータを
入力とし、前記種類判別子付き観測データの分類結果で
ある観測データ分類結果を出力する観測データ分類器
と、前記学習パラメータファイルからの学習パラメー
タ、前記種類判別子付き観測データファイルからの種類
判別子付き観測データ、及び前記観測データ分類器から
の観測データ分類結果を入力とし、前記観測データ分類
結果で示される各分類内で、前記種類判別子付き観測デ
ータに基づき種類学習を行い、種類学習の結果である種
類学習結果を出力する種類学習器と、前記種類判別対象
観測データファイルからの種類判別対象観測データ、及
び前記種類学習器からの種類学習結果を入力とし、前記
種類学習結果に基づき前記種類判別対象観測データの種
類判別を行い、種類判別結果を前記種類判別結果ファイ
ルへ出力する種類判別器と、前記観測データ分類器から
の前記観測データ分類結果、又は前記種類学習器からの
前記種類学習結果を入力とし、入力された中間データに
対する評価値である中間結果評価値を求める中間結果評
価器と、前記中間結果評価器からの前記中間結果評価
値、及び前記分類パラメータファイルからの分類パラメ
ータを入力とし、前記分類再実行パラメータを求める分
類再実行指示生成器とを備えたので、個々の中間結果を
評価でき、個々の中間結果の状況に応じて、分類段階か
らやり直すことができるという効果を奏する。
【０１０５】この発明の請求項２に係る類識別装置は、
以上説明したとおり、前記中間結果評価器が、前記観測
データ分類器からの前記観測データ分類結果を入力と
し、前記観測データ分類結果の評価値である分類結果評
価値を算出し、前記中間結果評価値として出力する分類
結果評価器を有するので、分類段階で評価を行って分類
し直すことにより、より良い分類結果に基づいて学習を
行うことができるという効果を奏する。
以上説明したとおり、前記中間結果評価器が、前記観測
データ分類器からの前記観測データ分類結果を入力と
し、前記観測データ分類結果の評価値である分類結果評
価値を算出し、前記中間結果評価値として出力する分類
結果評価器を有するので、分類段階で評価を行って分類
し直すことにより、より良い分類結果に基づいて学習を
行うことができるという効果を奏する。
【０１０６】この発明の請求項３に係る類識別装置は、
以上説明したとおり、前記分類再実行指示生成器が、前
記分類パラメータファイルからの分類パラメータ、及び
前記中間結果評価器からの前記中間結果評価値を入力と
し、前記中間結果評価値と所定の閾値とを比較し、前記
中間結果評価値が前記所定の閾値以下の場合には分類再
実行が必要であると判断し、前記分類パラメータの変更
値である分類パラメータ変更値を前記分類再実行パラメ
ータとして出力する分類パラメータ変更器を有するの
で、分類パラメータを変更して、分類し直すことによ
り、より良い分類結果が期待できるという効果を奏す
る。
以上説明したとおり、前記分類再実行指示生成器が、前
記分類パラメータファイルからの分類パラメータ、及び
前記中間結果評価器からの前記中間結果評価値を入力と
し、前記中間結果評価値と所定の閾値とを比較し、前記
中間結果評価値が前記所定の閾値以下の場合には分類再
実行が必要であると判断し、前記分類パラメータの変更
値である分類パラメータ変更値を前記分類再実行パラメ
ータとして出力する分類パラメータ変更器を有するの
で、分類パラメータを変更して、分類し直すことによ
り、より良い分類結果が期待できるという効果を奏す
る。
【０１０７】この発明の請求項４に係る類識別装置は、
以上説明したとおり、前記分類再実行指示生成器が、前
記分類パラメータファイルからの分類パラメータ、及び
前記中間結果評価器からの前記中間結果評価値を入力と
し、分類再実行が必要であると判断した場合には、分類
手法の変更を指示する分類手法変更指示を前記分類再実
行パラメータとして出力する分類手法変更器を有するの
で、問題の性質に応じて分類手法を変更することで、よ
り良い分類結果が期待できるという効果を奏する。
以上説明したとおり、前記分類再実行指示生成器が、前
記分類パラメータファイルからの分類パラメータ、及び
前記中間結果評価器からの前記中間結果評価値を入力と
し、分類再実行が必要であると判断した場合には、分類
手法の変更を指示する分類手法変更指示を前記分類再実
行パラメータとして出力する分類手法変更器を有するの
で、問題の性質に応じて分類手法を変更することで、よ
り良い分類結果が期待できるという効果を奏する。
【０１０８】この発明の請求項５に係る類識別装置は、
以上説明したとおり、前記中間結果評価器が、前記種類
学習器からの前記種類学習結果を入力とし、前記種類学
習結果の評価値である学習結果評価値を算出し、前記中
間結果評価値として出力する学習結果評価器を有するの
で、種類学習結果を反映した分類を行うことができ、ひ
いては類識別処理全体の質の向上につながり、結果とし
て質の高い種類判別を期待できるという効果を奏する。
以上説明したとおり、前記中間結果評価器が、前記種類
学習器からの前記種類学習結果を入力とし、前記種類学
習結果の評価値である学習結果評価値を算出し、前記中
間結果評価値として出力する学習結果評価器を有するの
で、種類学習結果を反映した分類を行うことができ、ひ
いては類識別処理全体の質の向上につながり、結果とし
て質の高い種類判別を期待できるという効果を奏する。
【０１０９】この発明の請求項６に係る類識別装置は、
以上説明したとおり、前記分類結果評価器が、前記観測
データ分類器からの前記観測データ分類結果を入力と
し、前記観測データ分類結果の評価値を、前記種類判別
子付き観測データの種類毎の分類への所属状態に基づい
て求め、前記分類結果評価値として出力するので、多種
種類を対象とした場合に、分類段階である程度、種類分
けを行うような評価基準を導入することができ、効率の
良い学習が期待できるという効果を奏する。
以上説明したとおり、前記分類結果評価器が、前記観測
データ分類器からの前記観測データ分類結果を入力と
し、前記観測データ分類結果の評価値を、前記種類判別
子付き観測データの種類毎の分類への所属状態に基づい
て求め、前記分類結果評価値として出力するので、多種
種類を対象とした場合に、分類段階である程度、種類分
けを行うような評価基準を導入することができ、効率の
良い学習が期待できるという効果を奏する。
【０１１０】この発明の請求項７に係る類識別装置は、
以上説明したとおり、前記分類結果評価器が、前記観測
データ分類器からの前記観測データ分類結果、及び前記
種類判別対象観測データファイルからの種類判別対象観
測データを入力とし、前記観測データ分類結果の評価値
を、前記種類判別対象観測データを含む観測データの分
類への所属状態に基づいて求め、前記分類結果評価値と
して出力するので、種類判別子付き観測データが少な
く、種類判別子の有無にかかわらず、全観測データを分
類対象とするような場合にも評価が可能となり、分類対
象データの分布状況を反映した分類を得ることができる
という効果を奏する。
以上説明したとおり、前記分類結果評価器が、前記観測
データ分類器からの前記観測データ分類結果、及び前記
種類判別対象観測データファイルからの種類判別対象観
測データを入力とし、前記観測データ分類結果の評価値
を、前記種類判別対象観測データを含む観測データの分
類への所属状態に基づいて求め、前記分類結果評価値と
して出力するので、種類判別子付き観測データが少な
く、種類判別子の有無にかかわらず、全観測データを分
類対象とするような場合にも評価が可能となり、分類対
象データの分布状況を反映した分類を得ることができる
という効果を奏する。
【０１１１】この発明の請求項８に係る類識別装置は、
以上説明したとおり、前記分類手法変更器が、前記分類
パラメータファイルからの分類パラメータ、及び前記中
間結果評価器からの前記中間結果評価値を入力とし、新
たな分類手法としてＫ−ｍｅａｎｓ法を適用することを
示す指示を前記分類手法変更指示として出力するので、
分類対象となる観測データ数が多い場合等に、効率よく
分類を行うことができるという効果を奏する。
以上説明したとおり、前記分類手法変更器が、前記分類
パラメータファイルからの分類パラメータ、及び前記中
間結果評価器からの前記中間結果評価値を入力とし、新
たな分類手法としてＫ−ｍｅａｎｓ法を適用することを
示す指示を前記分類手法変更指示として出力するので、
分類対象となる観測データ数が多い場合等に、効率よく
分類を行うことができるという効果を奏する。
【０１１２】この発明の請求項９に係る類識別装置は、
以上説明したとおり、前記分類手法変更器が、前記分類
パラメータファイルからの分類パラメータ、及び前記中
間結果評価器からの前記中間結果評価値を入力とし、新
たな分類手法としてＦｕｚｚｙ ｃ−ｍｅａｎｓ法を適
用することを示す指示を前記分類手法変更指示として出
力するので、分類への所属が曖昧な観測データが存在す
る場合に、精度の高い分類が可能になるという効果を奏
する。
以上説明したとおり、前記分類手法変更器が、前記分類
パラメータファイルからの分類パラメータ、及び前記中
間結果評価器からの前記中間結果評価値を入力とし、新
たな分類手法としてＦｕｚｚｙ ｃ−ｍｅａｎｓ法を適
用することを示す指示を前記分類手法変更指示として出
力するので、分類への所属が曖昧な観測データが存在す
る場合に、精度の高い分類が可能になるという効果を奏
する。
【０１１３】この発明の請求項１０に係る類識別装置
は、以上説明したとおり、前記学習結果評価器が、前記
種類学習器からの前記種類学習結果を入力とし、学習対
象外とした前記種類判別子付き観測データの前記学習結
果で示される境界領域への所属状態に基づいて正解率を
算出し、前記学習結果評価値として出力するので、学習
対象データの偏りに依存することなく、評価を行うこと
ができるという効果を奏する。
は、以上説明したとおり、前記学習結果評価器が、前記
種類学習器からの前記種類学習結果を入力とし、学習対
象外とした前記種類判別子付き観測データの前記学習結
果で示される境界領域への所属状態に基づいて正解率を
算出し、前記学習結果評価値として出力するので、学習
対象データの偏りに依存することなく、評価を行うこと
ができるという効果を奏する。
【０１１４】この発明の請求項１１に係る類識別装置
は、以上説明したとおり、前記学習結果評価器が、前記
種類学習器からの前記種類学習結果を入力とし、学習対
象とした観測データを含む全ての前記種類判別子付き観
測データのうち、誤認であると判定された観測データに
対し、前記学習結果で示される境界線からの距離を用い
て誤認の度合いを示す誤認距離を求めて、前記誤認距離
の総和を算出し、前記学習結果評価値として出力するの
で、種類判別子付き観測データが少なく、全ての種類判
別子付き観測データを学習対象とする場合にも評価可能
となるという効果を奏する。
は、以上説明したとおり、前記学習結果評価器が、前記
種類学習器からの前記種類学習結果を入力とし、学習対
象とした観測データを含む全ての前記種類判別子付き観
測データのうち、誤認であると判定された観測データに
対し、前記学習結果で示される境界線からの距離を用い
て誤認の度合いを示す誤認距離を求めて、前記誤認距離
の総和を算出し、前記学習結果評価値として出力するの
で、種類判別子付き観測データが少なく、全ての種類判
別子付き観測データを学習対象とする場合にも評価可能
となるという効果を奏する。
【０１１５】この発明の請求項１２に係る類識別方法
は、以上説明したとおり、分類パラメータファイルから
の分類パラメータ、種類判別子付き観測データファイル
からの種類判別子付き観測データ、及び観測データの再
分類のためのパラメータである分類再実行パラメータを
入力し、前記種類判別子付き観測データの分類結果であ
る観測データ分類結果を出力する観測データ分類ステッ
プと、前記学習パラメータファイルからの学習パラメー
タ、前記種類判別子付き観測データファイルからの種類
判別子付き観測データ、及び前記観測データ分類結果を
入力し、前記観測データ分類結果で示される各分類内
で、前記種類判別子付き観測データに基づき種類学習を
行い、種類学習の結果である種類学習結果を出力する種
類学習ステップと、前記種類判別対象観測データファイ
ルからの種類判別対象観測データ、及び前記種類学習結
果を入力し、前記種類学習結果に基づき前記種類判別対
象観測データの種類判別を行う種類判別ステップと、前
記観測データ分類結果、又は前記種類学習結果を入力
し、入力された中間データに対する評価値である中間結
果評価値を求める中間結果評価ステップと、前記中間結
果評価値、及び前記分類パラメータファイルからの分類
パラメータを入力し、前記分類再実行パラメータを求め
る分類再実行指示生成ステップとを含むので、個々の中
間結果を評価でき、個々の中間結果の状況に応じて、分
類段階からやり直すことができるという効果を奏する。
は、以上説明したとおり、分類パラメータファイルから
の分類パラメータ、種類判別子付き観測データファイル
からの種類判別子付き観測データ、及び観測データの再
分類のためのパラメータである分類再実行パラメータを
入力し、前記種類判別子付き観測データの分類結果であ
る観測データ分類結果を出力する観測データ分類ステッ
プと、前記学習パラメータファイルからの学習パラメー
タ、前記種類判別子付き観測データファイルからの種類
判別子付き観測データ、及び前記観測データ分類結果を
入力し、前記観測データ分類結果で示される各分類内
で、前記種類判別子付き観測データに基づき種類学習を
行い、種類学習の結果である種類学習結果を出力する種
類学習ステップと、前記種類判別対象観測データファイ
ルからの種類判別対象観測データ、及び前記種類学習結
果を入力し、前記種類学習結果に基づき前記種類判別対
象観測データの種類判別を行う種類判別ステップと、前
記観測データ分類結果、又は前記種類学習結果を入力
し、入力された中間データに対する評価値である中間結
果評価値を求める中間結果評価ステップと、前記中間結
果評価値、及び前記分類パラメータファイルからの分類
パラメータを入力し、前記分類再実行パラメータを求め
る分類再実行指示生成ステップとを含むので、個々の中
間結果を評価でき、個々の中間結果の状況に応じて、分
類段階からやり直すことができるという効果を奏する。
【０１１６】この発明の請求項１３に係る類識別方法
は、以上説明したとおり、前記中間結果評価ステップ
が、前記観測データ分類結果を入力し、前記観測データ
分類結果の評価値である分類結果評価値を算出し、前記
中間結果評価値として出力する分類結果評価ステップを
有するので、分類段階で評価を行って分類し直すことに
より、より良い分類結果に基づいて学習を行うことがで
きるという効果を奏する。
は、以上説明したとおり、前記中間結果評価ステップ
が、前記観測データ分類結果を入力し、前記観測データ
分類結果の評価値である分類結果評価値を算出し、前記
中間結果評価値として出力する分類結果評価ステップを
有するので、分類段階で評価を行って分類し直すことに
より、より良い分類結果に基づいて学習を行うことがで
きるという効果を奏する。
【０１１７】この発明の請求項１４に係る類識別方法
は、以上説明したとおり、前記分類再実行指示生成ステ
ップが、前記分類パラメータファイルからの分類パラメ
ータ、及び前記中間結果評価値を入力し、前記中間結果
評価値と所定の閾値とを比較し、前記中間結果評価値が
前記所定の閾値以下の場合には分類再実行が必要である
と判断し、前記分類パラメータの変更値である分類パラ
メータ変更値を前記分類再実行パラメータとして出力す
る分類パラメータ変更ステップを有するので、分類パラ
メータを変更して、分類し直すことにより、より良い分
類結果が期待できるという効果を奏する。
は、以上説明したとおり、前記分類再実行指示生成ステ
ップが、前記分類パラメータファイルからの分類パラメ
ータ、及び前記中間結果評価値を入力し、前記中間結果
評価値と所定の閾値とを比較し、前記中間結果評価値が
前記所定の閾値以下の場合には分類再実行が必要である
と判断し、前記分類パラメータの変更値である分類パラ
メータ変更値を前記分類再実行パラメータとして出力す
る分類パラメータ変更ステップを有するので、分類パラ
メータを変更して、分類し直すことにより、より良い分
類結果が期待できるという効果を奏する。
【０１１８】この発明の請求項１５に係る類識別方法
は、以上説明したとおり、前記分類再実行指示生成ステ
ップが、前記分類パラメータファイルからの分類パラメ
ータ、及び前記中間結果評価値を入力し、分類再実行が
必要であると判断した場合には、分類手法の変更を指示
する分類手法変更指示を前記分類再実行パラメータとし
て出力する分類手法変更ステップを有するので、問題の
性質に応じて分類手法を変更することで、より良い分類
結果が期待できるという効果を奏する。
は、以上説明したとおり、前記分類再実行指示生成ステ
ップが、前記分類パラメータファイルからの分類パラメ
ータ、及び前記中間結果評価値を入力し、分類再実行が
必要であると判断した場合には、分類手法の変更を指示
する分類手法変更指示を前記分類再実行パラメータとし
て出力する分類手法変更ステップを有するので、問題の
性質に応じて分類手法を変更することで、より良い分類
結果が期待できるという効果を奏する。
【０１１９】この発明の請求項１６に係る類識別方法
は、以上説明したとおり、前記中間結果評価ステップ
が、前記種類学習結果を入力し、前記種類学習結果の評
価値である学習結果評価値を算出し、前記中間結果評価
値として出力する学習結果評価ステップを有するので、
種類学習結果を反映した分類を行うことができ、ひいて
は類識別処理全体の質の向上につながり、結果として質
の高い種類判別を期待できるという効果を奏する。
は、以上説明したとおり、前記中間結果評価ステップ
が、前記種類学習結果を入力し、前記種類学習結果の評
価値である学習結果評価値を算出し、前記中間結果評価
値として出力する学習結果評価ステップを有するので、
種類学習結果を反映した分類を行うことができ、ひいて
は類識別処理全体の質の向上につながり、結果として質
の高い種類判別を期待できるという効果を奏する。
【図１】 この発明の実施の形態１に係る類識別装置の
構成を示す図である。
構成を示す図である。
【図２】 この発明の実施の形態１に係る類識別装置の
動作を示す図である。
動作を示す図である。
【図３】 この発明の実施の形態２に係る類識別装置の
構成を示す図である。
構成を示す図である。
【図４】 この発明の実施の形態３に係る類識別装置の
構成を示す図である。
構成を示す図である。
【図５】 この発明の実施の形態３に係る類識別装置の
動作を示す図である。
動作を示す図である。
【図６】 この発明の実施の形態３に係る類識別装置の
動作を示す図である。
動作を示す図である。
【図７】 従来の類識別装置の構成を示す図である。
【図８】 従来の類識別装置の動作を示す図である。
１ 観測データ分類器、２ 種類学習器、３ 種類判別
器、４ 分類再実行指示生成器、４１ 分類パラメータ
変更器、４２ 分類手法変更器、５ 中間結果評価器、
５１ 分類結果評価器、５２ 学習結果評価器、６Ａ、
６Ｂ、６Ｃ 類識別装置、７１ 学習パラメータファイ
ル、７２ 分類パラメータファイル、９種類判別子付き
観測データファイル、１０ 種類判別対象観測データフ
ァイル、１１ 種類判別結果ファイル。
器、４ 分類再実行指示生成器、４１ 分類パラメータ
変更器、４２ 分類手法変更器、５ 中間結果評価器、
５１ 分類結果評価器、５２ 学習結果評価器、６Ａ、
６Ｂ、６Ｃ 類識別装置、７１ 学習パラメータファイ
ル、７２ 分類パラメータファイル、９種類判別子付き
観測データファイル、１０ 種類判別対象観測データフ
ァイル、１１ 種類判別結果ファイル。
─────────────────────────────────────────────────────
フロントページの続き
Ｆターム(参考） 5B075 ND04 NK02 NR02 NR12 PQ36
PR06 QM08
5L096 JA11 KA04
Claims (16)
- 【請求項１】 観測データを学習するためのパラメータ
である学習パラメータを格納する学習パラメータファイ
ルと、 前記観測データを分類するためのパラメータである分類
パラメータを格納する分類パラメータファイルと、 種類を表す種類判別子付きの観測データである種類判別
子付き観測データを格納する種類判別子付き観測データ
ファイルと、 種類が未定で種類の判別対象となる観測データである種
類判別対象観測データを格納する種類判別対象観測デー
タファイルと、 前記分類パラメータファイルからの分類パラメータ、前
記種類判別子付き観測データファイルからの種類判別子
付き観測データ、及び前記観測データの再分類のための
パラメータである分類再実行パラメータを入力とし、前
記種類判別子付き観測データの分類結果である観測デー
タ分類結果を出力する観測データ分類器と、 前記学習パラメータファイルからの学習パラメータ、前
記種類判別子付き観測データファイルからの種類判別子
付き観測データ、及び前記観測データ分類器からの観測
データ分類結果を入力とし、前記観測データ分類結果で
示される各分類内で、前記種類判別子付き観測データに
基づき種類学習を行い、種類学習の結果である種類学習
結果を出力する種類学習器と、 前記種類判別対象観測データファイルからの種類判別対
象観測データ、及び前記種類学習器からの種類学習結果
を入力とし、前記種類学習結果に基づき前記種類判別対
象観測データの種類判別を行う種類判別器と、 前記観測データ分類器からの前記観測データ分類結果、
又は前記種類学習器からの前記種類学習結果を入力と
し、入力された中間データに対する評価値である中間結
果評価値を求める中間結果評価器と、 前記中間結果評価器からの前記中間結果評価値、及び前
記分類パラメータファイルからの分類パラメータを入力
とし、前記分類再実行パラメータを求める分類再実行指
示生成器とを備えたことを特徴とする類識別装置。 - 【請求項２】 前記中間結果評価器は、前記観測データ
分類器からの前記観測データ分類結果を入力とし、前記
観測データ分類結果の評価値である分類結果評価値を算
出し、前記中間結果評価値として出力する分類結果評価
器を有することを特徴とする請求項１記載の類識別装
置。 - 【請求項３】 前記分類再実行指示生成器は、前記分類
パラメータファイルからの分類パラメータ、及び前記中
間結果評価器からの前記中間結果評価値を入力とし、前
記中間結果評価値と所定の閾値とを比較し、前記中間結
果評価値が前記所定の閾値以下の場合には分類再実行が
必要であると判断し、前記分類パラメータの変更値であ
る分類パラメータ変更値を前記分類再実行パラメータと
して出力する分類パラメータ変更器を有することを特徴
とする請求項１記載の類識別装置。 - 【請求項４】 前記分類再実行指示生成器は、前記分類
パラメータファイルからの分類パラメータ、及び前記中
間結果評価器からの前記中間結果評価値を入力とし、分
類再実行が必要であると判断した場合には、分類手法の
変更を指示する分類手法変更指示を前記分類再実行パラ
メータとして出力する分類手法変更器を有することを特
徴とする請求項１記載の類識別装置。 - 【請求項５】 前記中間結果評価器は、前記種類学習器
からの前記種類学習結果を入力とし、前記種類学習結果
の評価値である学習結果評価値を算出し、前記中間結果
評価値として出力する学習結果評価器を有することを特
徴とする請求項１記載の類識別装置。 - 【請求項６】 前記分類結果評価器は、前記観測データ
分類器からの前記観測データ分類結果を入力とし、前記
観測データ分類結果の評価値を、前記種類判別子付き観
測データの種類毎の分類への所属状態に基づいて求め、
前記分類結果評価値として出力することを特徴とする請
求項２記載の類識別装置。 - 【請求項７】 前記分類結果評価器は、前記観測データ
分類器からの前記観測データ分類結果、及び前記種類判
別対象観測データファイルからの種類判別対象観測デー
タを入力とし、前記観測データ分類結果の評価値を、前
記種類判別対象観測データを含む観測データの分類への
所属状態に基づいて求め、前記分類結果評価値として出
力することを特徴とする請求項２記載の類識別装置。 - 【請求項８】 前記分類手法変更器は、前記分類パラメ
ータファイルからの分類パラメータ、及び前記中間結果
評価器からの前記中間結果評価値を入力とし、新たな分
類手法としてＫ−ｍｅａｎｓ法を適用することを示す指
示を前記分類手法変更指示として出力することを特徴と
する請求項４記載の類識別装置。 - 【請求項９】 前記分類手法変更器は、前記分類パラメ
ータファイルからの分類パラメータ、及び前記中間結果
評価器からの前記中間結果評価値を入力とし、新たな分
類手法としてＦｕｚｚｙ ｃ−ｍｅａｎｓ法を適用する
ことを示す指示を前記分類手法変更指示として出力する
ことを特徴とする請求項４記載の類識別装置。 - 【請求項１０】 前記学習結果評価器は、前記種類学習
器からの前記種類学習結果を入力とし、学習対象外とし
た前記種類判別子付き観測データの前記学習結果で示さ
れる境界領域への所属状態に基づいて正解率を算出し、
前記学習結果評価値として出力することを特徴とする請
求項５記載の類識別装置。 - 【請求項１１】 前記学習結果評価器は、前記種類学習
器からの前記種類学習結果を入力とし、学習対象とした
観測データを含む全ての前記種類判別子付き観測データ
のうち、誤認であると判定された観測データに対し、前
記学習結果で示される境界線からの距離を用いて誤認の
度合いを示す誤認距離を求めて、前記誤認距離の総和を
算出し、前記学習結果評価値として出力することを特徴
とする請求項５記載の類識別装置。 - 【請求項１２】 分類パラメータファイルからの分類パ
ラメータ、種類判別子付き観測データファイルからの種
類判別子付き観測データ、及び観測データの再分類のた
めのパラメータである分類再実行パラメータを入力し、
前記種類判別子付き観測データの分類結果である観測デ
ータ分類結果を出力する観測データ分類ステップと、 前記学習パラメータファイルからの学習パラメータ、前
記種類判別子付き観測データファイルからの種類判別子
付き観測データ、及び前記観測データ分類結果を入力
し、前記観測データ分類結果で示される各分類内で、前
記種類判別子付き観測データに基づき種類学習を行い、
種類学習の結果である種類学習結果を出力する種類学習
ステップと、 前記種類判別対象観測データファイルからの種類判別対
象観測データ、及び前記種類学習結果を入力し、前記種
類学習結果に基づき前記種類判別対象観測データの種類
判別を行う種類判別ステップと、 前記観測データ分類結果、又は前記種類学習結果を入力
し、入力された中間データに対する評価値である中間結
果評価値を求める中間結果評価ステップと、 前記中間結果評価値、及び前記分類パラメータファイル
からの分類パラメータを入力し、前記分類再実行パラメ
ータを求める分類再実行指示生成ステップとを含むこと
を特徴とする類識別方法。 - 【請求項１３】 前記中間結果評価ステップは、前記観
測データ分類結果を入力し、前記観測データ分類結果の
評価値である分類結果評価値を算出し、前記中間結果評
価値として出力する分類結果評価ステップを有すること
を特徴とする請求項１２記載の類識別方法。 - 【請求項１４】 前記分類再実行指示生成ステップは、
前記分類パラメータファイルからの分類パラメータ、及
び前記中間結果評価値を入力し、前記中間結果評価値と
所定の閾値とを比較し、前記中間結果評価値が前記所定
の閾値以下の場合には分類再実行が必要であると判断
し、前記分類パラメータの変更値である分類パラメータ
変更値を前記分類再実行パラメータとして出力する分類
パラメータ変更ステップを有することを特徴とする請求
項１２記載の類識別方法。 - 【請求項１５】 前記分類再実行指示生成ステップは、
前記分類パラメータファイルからの分類パラメータ、及
び前記中間結果評価値を入力し、分類再実行が必要であ
ると判断した場合には、分類手法の変更を指示する分類
手法変更指示を前記分類再実行パラメータとして出力す
る分類手法変更ステップを有することを特徴とする請求
項１２記載の類識別方法。 - 【請求項１６】 前記中間結果評価ステップは、前記種
類学習結果を入力し、前記種類学習結果の評価値である
学習結果評価値を算出し、前記中間結果評価値として出
力する学習結果評価ステップを有することを特徴とする
請求項１２記載の類識別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002003906A JP4121060B2 (ja) | 2002-01-10 | 2002-01-10 | 類識別装置及び類識別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002003906A JP4121060B2 (ja) | 2002-01-10 | 2002-01-10 | 類識別装置及び類識別方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003208595A true JP2003208595A (ja) | 2003-07-25 |
| JP4121060B2 JP4121060B2 (ja) | 2008-07-16 |
Family
ID=27643374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002003906A Expired - Lifetime JP4121060B2 (ja) | 2002-01-10 | 2002-01-10 | 類識別装置及び類識別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4121060B2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003207565A (ja) * | 2002-01-10 | 2003-07-25 | Mitsubishi Electric Corp | 類識別装置及び類識別方法 |
| JP2015194927A (ja) * | 2014-03-31 | 2015-11-05 | セコム株式会社 | 対象識別装置 |
| JP2018529174A (ja) * | 2015-08-10 | 2018-10-04 | キング・アブドゥッラー・ペトロリアム・スタディーズ・アンド・リサーチ・センター | 事後の反事実的シミュレーションのためのシステムおよび方法 |
| JP2020038410A (ja) * | 2018-08-31 | 2020-03-12 | ソニーセミコンダクタソリューションズ株式会社 | 固体撮像装置、情報処理装置、情報処理システム、情報処理方法及びプログラム |
| WO2024004278A1 (ja) * | 2022-06-30 | 2024-01-04 | オムロン株式会社 | 学習装置、学習方法およびプログラム |
-
2002
- 2002-01-10 JP JP2002003906A patent/JP4121060B2/ja not_active Expired - Lifetime
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003207565A (ja) * | 2002-01-10 | 2003-07-25 | Mitsubishi Electric Corp | 類識別装置及び類識別方法 |
| JP2015194927A (ja) * | 2014-03-31 | 2015-11-05 | セコム株式会社 | 対象識別装置 |
| JP2018529174A (ja) * | 2015-08-10 | 2018-10-04 | キング・アブドゥッラー・ペトロリアム・スタディーズ・アンド・リサーチ・センター | 事後の反事実的シミュレーションのためのシステムおよび方法 |
| JP2020038410A (ja) * | 2018-08-31 | 2020-03-12 | ソニーセミコンダクタソリューションズ株式会社 | 固体撮像装置、情報処理装置、情報処理システム、情報処理方法及びプログラム |
| WO2024004278A1 (ja) * | 2022-06-30 | 2024-01-04 | オムロン株式会社 | 学習装置、学習方法およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4121060B2 (ja) | 2008-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| López et al. | A hierarchical genetic fuzzy system based on genetic programming for addressing classification with highly imbalanced and borderline data-sets | |
| CN101097564B (zh) | 参数学习方法及设备、模式识别方法及设备 | |
| Paul et al. | Regenerative random forest with automatic feature selection to detect mitosis in histopathological breast cancer images | |
| US20050286772A1 (en) | Multiple classifier system with voting arbitration | |
| US11295240B2 (en) | Systems and methods for machine classification and learning that is robust to unknown inputs | |
| CN110517262B (zh) | 目标检测方法、装置、设备及存储介质 | |
| Wang et al. | Towards realistic predictors | |
| US20190286937A1 (en) | Computer-readable recording medium, method for learning, and learning device | |
| Timm et al. | Different approaches to fuzzy clustering of incomplete datasets | |
| WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
| Orriols et al. | The class imbalance problem in learning classifier systems: a preliminary study | |
| JP4121061B2 (ja) | 類識別装置及び類識別方法 | |
| Lim et al. | A scene image is nonmutually exclusive—a fuzzy qualitative scene understanding | |
| JP2003208595A (ja) | 類識別装置及び類識別方法 | |
| CN113065395A (zh) | 一种基于生成对抗网络的雷达目标新类检测方法 | |
| Gunawan et al. | Fuzzy Region Merging Using Fuzzy Similarity Measurement on Image Segmentation | |
| Sadhukhan | Can reverse nearest neighbors perceive unknowns? | |
| Doncescu et al. | Image color segmentation using the fuzzy tree algorithm T-LAMDA | |
| JP3334029B2 (ja) | クラスタ分類方法及びクラスタ分類装置 | |
| Perner et al. | Fuzzy conceptual clustering | |
| Nguyen et al. | A hybrid system for learning sunspot recognition and classification | |
| Horta et al. | Fast evolutionary algorithms for relational clustering | |
| Rosyid et al. | Optimizing K-Means Initial Number of Cluster Based Heuristic Approach: Literature Review Analysis Perspective | |
| Raghuwanshi et al. | Face Recognition with Rough-Neural Network: A Rule Based Approach | |
| EP4328801A2 (en) | Determination program, determination apparatus, and determination method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041227 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070109 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070308 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080212 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080327 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080422 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080424 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110509 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 4121060 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110509 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120509 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120509 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130509 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140509 Year of fee payment: 6 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |