JP2014525096A5 - - Google Patents

Claims (31)

1. オブジェクトの状態を監視するための方法であって、
   前記オブジェクトの正常動作状態を示す参照データを取得することと、
   各入力多次元パターン配列が複数の時間順の入力ベクトルを有し、各入力ベクトルが、前記オブジェクトの現在の状態を示す複数のパラメータを表す入力値を有する、入力パターン配列を取得することと、
   少なくとも１つのプロセッサによって、入力パターン配列および前記参照データを使用して、前記入力値と参照データとの類似性測度を決定する計算に基づいて推定値を生成することと、
   前記推定値を前記対応する入力値と比較して、前記比較から得られる値を使用して前記オブジェクトの前記状態を判定することができるようにすることと
   を含み、
   前記基準データは、同じサイズ及び複数次元トレーニング・アレイにグループ化され、
   各トレーニング・アレイは、対応する複数次元入力パターン・アレイと同じサイズを有し、
   各トレーニング・アレイは、時間順に並んだ複数の逐次的基準ベクトルを含む、方法。
2. 前記入力ベクトルの少なくとも１つが、複数の入力パターン配列中にある、請求項１記載の方法。
3. 各入力パターン配列が、前記オブジェクトの前記動作状態を表す前記入力ベクトルのシーケンスに沿った複数の時間ポイントを含む期間を表す、請求項１または２に記載の方法。
4. 各入力パターン配列が、他の入力配列の少なくとも１つの期間とは異なるが、一部重複する、前記シーケンスに沿った期間を表す、請求項３記載の方法。
5. 各入力パターン配列が、入力ベクトルの前記シーケンスからの、前記入力パターン配列内の最も新しい時間ポイントを表す、現在のプライマリベクトルを有し、
   ルックバックウィンドウを前記シーケンスに沿って移動させることと、前記ウィンドウの終わりで現在のプライマリベクトルを選択することと、前記シーケンスに沿って前記プライマリベクトルの次にくる、前記ウィンドウ内に収まる１つまたは複数のより古いベクトルを選択することとによって、各入力パターン配列に入力ベクトルを選択することを含む、請求項３記載の方法。
6. 入力パターン配列内の前記入力ベクトルによって表される時間ポイント間の時間間隔が、前記同じ入力パターン配列内のその後の入力ベクトル間の時間間隔よりも最近の入力ベクトル間でより短い、請求項１乃至５のいずれかに記載の方法。
7. 前記入力パターン配列によって表される継続時間が変化する、請求項１乃至６のいずれかに記載の方法。
8. 前記計算が、
   を含む式または、
   を含む式に基づいている、請求項１乃至７のいずれかに記載の方法。
9. 前記類似性測度が、有界範囲上の値であり、入力値および参照値が前記範囲の一方の端部で同一であり、前記範囲のもう一方の端部で類似性がないことを示す、請求項１乃至８のいずれかに記載の方法。
10. 前記参照データを少なくとも１つの学習逐次パターン行列に形成することであって、各学習逐次パターン行列が複数の参照ベクトルを有し、各参照ベクトルが複数のパラメータを表す参照値を有することを含み、
    前記参照データを形成することが、前記学習逐次パターン行列の３次元の集まりを形成することを含む、請求項１乃至９のいずれかに記載の方法。
11. 学習逐次パターン行列の前記３次元の集まりが、第１の次元に従ったパラメータと、第２の次元に従った前記学習逐次パターン行列と、第３の次元で前記参照ベクトルによって表される時間とを表す３次元によって定義される、請求項１０記載の方法。
12. 各入力パターン配列が、前記３次元の集まりにおける各学習逐次パターン行列と比較されて、各学習逐次パターン行列の類似性測度を決定する、請求項１０記載の方法。
13. 各学習逐次パターン行列が、前記参照ベクトルによって表される時間ポイントを含む期間を表し、前記期間が、前記３次元の集まりにおける他の学習逐次パターン行列の少なくとも一部の期間とは異なるが、一部重複する、請求項１０記載の方法。
14. 前記学習逐次パターン行列が、前記入力パターン配列と同数のベクトルを有する、請求項１０記載の方法。
15. 前記学習逐次パターン行列が、前記入力パターン配列と同じ時間ポイントを表す、請求項１０記載の方法。
16. 前記学習逐次パターン行列の１つと前記入力パターン配列の１つとの前記類似性が、対応する参照値と、それぞれの配列内に表される他のベクトルに対して同じベクトル位置を表す入力値との前記類似性を判定すること及び／又は、前記配列によって表される各パラメータに対して平均スカラ類似性値を計算することを含む、請求項１０記載の方法。
17. 前記入力パターン配列の少なくとも一部が、前記学習逐次パターン行列の少なくとも１つによって表される前記期間とは異なる期間を表す、請求項１０記載の方法。
18. 前記学習逐次パターン行列によって表される前記期間が変化する、請求項１０記載の方法。
19. 複数の推定ベクトルを有する推定行列の形式で前記推定値を生成することを含む、請求項１乃至１８のいずれかに記載の方法。
20. 各推定行列中の前記推定ベクトルが、前記入力パターン配列中の前記入力ベクトルによって表される前記時間ポイントに対応する、請求項１９記載の方法。
21. 複数の推定行列にわたって表される各時間ポイントに対して、単一の推定ベクトルを提供して、前記オブジェクトの前記状態を判定することを含む、請求項２０記載の方法。
22. 前記単一の推定ベクトルが、
    複数の推定行列にわたる前記時間ポイントにおける前記推定ベクトルの中の最大値、最小値、または中央値を有する、１つまたは複数の推定値を含む前記推定ベクトルを選択することと、
    複数の推定行列にわたる前記時間ポイントにおける前記推定値の平均、重み付け平均、または重み付けノルムを計算することと、
    複数の推定行列にわたる前記時間ポイントにおける前記推定ベクトルの中で対応する入力ベクトルに対して前記最大の類似性を有する推定ベクトルを選択することと
    のうちの少なくとも１つを使用することによって単一の推定ベクトルが提供される、請求項２１記載の方法。
23. 各推定行列に単一の推定ベクトルを提供して、
    前記推定行列中の前記推定ベクトルの中の最大値、最小値、または中央値を有する、各推定行列内の推定ベクトルを選択することと、
    前記推定行列中の前記推定値の平均、重み付け平均、または重み付けノルムを計算することと、
    それぞれの対応する入力ベクトルに対して前記最大の類似性を有する推定行列内の前記推定ベクトルを選択することと
    のうちの少なくとも１つを使用することによって、前記オブジェクトの前記状態を判定することを含む、請求項１９記載の方法。
24. 前記入力パターン配列によって表されないパラメータを表す前記参照データの学習逐次パターン行列の３次元の集まりを用いる計算における重みとして前記類似性測度を使用することを含む、推論された推定値を生成することを含む、請求項１乃至２３のいずれかに記載の方法。
25. 前記類似性測度を生成するために使用される前記参照データが、前記３次元の集まりによって表される前記パラメータの必ずしもすべてを表さない、請求項２４記載の方法。
26. 前記３次元の集まりが、前記入力パターン配列中に表されないパラメータのみを表す、請求項２４記載の方法。
27. 前記３次元の集まりが、前記入力パターン配列中に表されないパラメータと、前記入力パターン配列中に表されるパラメータの両方を表す、請求項２４記載の方法。
28. 参照データを取得することが、どの参照データを使用して、各入力パターン配列の前記推定値を生成すべきかを再判定することを含む、請求項１乃至２７のいずれかに記載の方法。
29. 前記推定値が、前記対応する入力パターン配列が正常動作を表すことを示すとき、前記入力パターン配列を前記参照データに追加することによって、前記経験的モデルを適合させることを含む、請求項１乃至２８のいずれかに記載の方法。
30. オブジェクトの状態を監視するための方法であって、
    前記オブジェクトの正常動作状態を示す、同じサイズを持ち、時間順に並ぶ、複数の学習逐次多次元パターン行列の形式の参照データを取得することであって、各学習逐次パターン行列が複数の参照ベクトルを有し、各参照ベクトルが複数のパラメータを表す参照値を有することと、
    前記オブジェクトの現在の状態を示す複数のパラメータを表す入力データを取得することと、
    少なくとも１つのプロセッサによって、前記入力データおよび前記学習逐次パターン行列を使用して、前記入力データと前記複数の参照行列中の参照値との類似性測度を決定する計算に基づいて推定値を生成することと、
    前記推定値を前記対応する入力値と比較して、前記比較から得られる値を使用して前記オブジェクトの前記状態を判定することができるようにすることと
    を含み、
    各多次元パターン行列は、対応する複数次元入力パターン・アレイと同じサイズを有し、
    前記入力データは複数の入力多次元パターン・アレイである
    む、方法。
31. オブジェクトの状態を監視するための方法であって、
    前記オブジェクトの正常動作状態を示す参照データを取得することと、
    前記オブジェクトの現在の状態を示す複数のパラメータを表す入力データを取得することと、
    少なくとも１つのプロセッサによって、前記入力データと前記参照データの両方を使用して、前記入力データと前記参照データとの類似性測度を決定する計算に基づいて推定値を生成することであって、前記推定値が、複数の時間順の推定ベクトルを有する推定行列の形式で生成され、各推定ベクトルが複数のパラメータを表す推定値を有することと、
    前記推定行列によって表される各期間の少なくとも１つの推定ベクトルを、前記入力データと比較して、前記比較から得られる値を使用して、前記オブジェクトの前記状態を判定することができるようにすることと
    を含み、
    前記基準データは、同じサイズ及び複数次元トレーニング・アレイにグループ化され、
    各トレーニング・アレイは、対応する複数次元入力パターン・アレイと同じサイズを有し、
    各トレーニング・アレイは、時間順に並んだ複数の逐次的基準ベクトルを含み、
    前記入力データは複数の入力多次元パターン・アレイである、方法。