JP2016177829A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2016177829A5 JP2016177829A5 JP2016099737A JP2016099737A JP2016177829A5 JP 2016177829 A5 JP2016177829 A5 JP 2016177829A5 JP 2016099737 A JP2016099737 A JP 2016099737A JP 2016099737 A JP2016099737 A JP 2016099737A JP 2016177829 A5 JP2016177829 A5 JP 2016177829A5
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- information
- learning
- feature vector
- vector
- 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
- 230000001808 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Description
本発明は、予測元情報に基づいて、予測先情報を予測するための情報予測システム、情報予測方法及び情報予測プログラムに関する。
・上記課題を解決する情報予測システムは、学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部に接続された制御部とを備える。そして、前記制御部が、前記学習対象記憶部に記録された学習対象毎に、予測元情報の特徴ベクトル及び予測先情報の特徴ベクトルを算出し、前記予測元情報の特徴ベクトルと前記予測先情報の特徴ベクトルとを結合することにより結合ベクトルを生成し、すべての学習対象の前記結合ベクトルを用いて、機械学習を行なうことにより、結合基底ベクトルを生成して前記学習結果記憶部に記録する学習処理と、前記入力部により指定された処理対象を予測元情報とする特徴ベクトル及び、前記予測元情報の特徴ベクトルの結合係数を算出し、この
結合係数と、前記学習結果記憶部に記録された前記結合ベクトルを用いて、前記処理対象の予測先情報の特徴ベクトルを算出する予測処理とを実行する。これにより、効率的かつ的確に予測することができる。
結合係数と、前記学習結果記憶部に記録された前記結合ベクトルを用いて、前記処理対象の予測先情報の特徴ベクトルを算出する予測処理とを実行する。これにより、効率的かつ的確に予測することができる。
本発明によれば、予測元情報に基づいて、予測先情報を効率的に予測することができる。
・上記実施形態では、スケーリングファクターSinには、i番目の低解像パッチベクトルのn番目の主成分係数Cijnの標準偏差を用いる。ここで、スケーリングファクターSinは標準偏差に限定されるものではなく、主成分係数Cijnの分散を表わす統計的変数を用いることが可能である。
次に、上記実施形態及び別例から把握できる技術的思想について、それらの効果とともに以下に追記する。
(1)上記課題を解決する情報予測システムは、学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部に接続された制御部とを備える。そして、情報予測システム、情報予測方法及び情報予測プログラムにおいては、前記制御部が、前記学習対象記憶部に記録された学習対象毎に、第1の特徴ベクトル及び第2の特徴ベクトルを算出し、前記第1の特徴ベクトルから、前記第1の特徴ベクトルの平均値を減算して生成された値を、前記第1の特徴ベクトルのばらつきを表わす指標で除算した第1の行ベクトルを生成するとともに、前記第2の特徴ベクトルから前記第2の特徴ベクトルの平均値を減算して生成された値を、前記第2の特徴ベクトルのばらつきを表わす指標で除算した第2の行ベクトルとを生成し、前記第1の行ベクトルと前記第2の行ベクトルとを結合することにより結合行ベクトルを生成し、すべての学習対象の前記結合行ベクトルを用いて、主成分分析を行なうことにより、結合主成分基底ベクトルを生成し、前記結合行ベクトルの平均ベクトルとともに前記学習結果記憶部に記録する学習処理と、前記入力部により指定された処理対象の第1の特徴ベクトルを算出し、前記第1の特徴ベクトの主成分係数を算出し、該主成分係数と、前記学習結果記憶部に記録された前記結合行ベクトルの平均ベクトル及び前記結合主成分基底ベクトルを用いて、処理対象の第2の特徴ベクトル
を算出する予測処理とを実行する。これにより、効率的かつ的確に第2の特徴ベクトルを予測することができる。
(2)上記情報予測システム、情報予測方法及び情報予測プログラムにおいては、前記結合主成分基底ベクトルと前記第1の特徴ベクトルの成分とを直交化して、前記学習結果記憶部に記録することが好ましい。これにより、直交化を利用して、計算の高速化を行なうことができる。
(3)上記情報予測システム、情報予測方法及び情報予測プログラムにおいては、算出した第2の特徴ベクトルを圧縮して、前記処理対象との差分を比較し、前記差分が基準値より大きい場合には、前記差分を拡大して、前記第2の特徴ベクトルから差し引くポスト処理を実行することが好ましい。これにより、予測時に生じた誤差を是正することができる。
(4)上記情報予測システム、情報予測方法及び情報予測プログラムにおいては、前記第1、第2の特徴ベクトルのばらつきを表わす指標として、それぞれ前記第1、第2の特徴ベクトルの主成分係数の標準偏差を用いることが好ましい。これにより、各係数のスケールが同等になり、主成分分析のメリットを活かすことができる。
次に、上記実施形態及び別例から把握できる技術的思想について、それらの効果とともに以下に追記する。
(1)上記課題を解決する情報予測システムは、学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部に接続された制御部とを備える。そして、情報予測システム、情報予測方法及び情報予測プログラムにおいては、前記制御部が、前記学習対象記憶部に記録された学習対象毎に、第1の特徴ベクトル及び第2の特徴ベクトルを算出し、前記第1の特徴ベクトルから、前記第1の特徴ベクトルの平均値を減算して生成された値を、前記第1の特徴ベクトルのばらつきを表わす指標で除算した第1の行ベクトルを生成するとともに、前記第2の特徴ベクトルから前記第2の特徴ベクトルの平均値を減算して生成された値を、前記第2の特徴ベクトルのばらつきを表わす指標で除算した第2の行ベクトルとを生成し、前記第1の行ベクトルと前記第2の行ベクトルとを結合することにより結合行ベクトルを生成し、すべての学習対象の前記結合行ベクトルを用いて、主成分分析を行なうことにより、結合主成分基底ベクトルを生成し、前記結合行ベクトルの平均ベクトルとともに前記学習結果記憶部に記録する学習処理と、前記入力部により指定された処理対象の第1の特徴ベクトルを算出し、前記第1の特徴ベクトの主成分係数を算出し、該主成分係数と、前記学習結果記憶部に記録された前記結合行ベクトルの平均ベクトル及び前記結合主成分基底ベクトルを用いて、処理対象の第2の特徴ベクトル
を算出する予測処理とを実行する。これにより、効率的かつ的確に第2の特徴ベクトルを予測することができる。
(2)上記情報予測システム、情報予測方法及び情報予測プログラムにおいては、前記結合主成分基底ベクトルと前記第1の特徴ベクトルの成分とを直交化して、前記学習結果記憶部に記録することが好ましい。これにより、直交化を利用して、計算の高速化を行なうことができる。
(3)上記情報予測システム、情報予測方法及び情報予測プログラムにおいては、算出した第2の特徴ベクトルを圧縮して、前記処理対象との差分を比較し、前記差分が基準値より大きい場合には、前記差分を拡大して、前記第2の特徴ベクトルから差し引くポスト処理を実行することが好ましい。これにより、予測時に生じた誤差を是正することができる。
(4)上記情報予測システム、情報予測方法及び情報予測プログラムにおいては、前記第1、第2の特徴ベクトルのばらつきを表わす指標として、それぞれ前記第1、第2の特徴ベクトルの主成分係数の標準偏差を用いることが好ましい。これにより、各係数のスケールが同等になり、主成分分析のメリットを活かすことができる。
Claims (6)
- 学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部に接続された制御部とを備えた情報予測システムであって、
前記制御部が、
前記学習対象記憶部に記録された学習対象毎に、予測元情報の特徴ベクトル及び予測先情報の特徴ベクトルを算出し、
前記予測元情報の特徴ベクトルと前記予測先情報の特徴ベクトルとを結合することにより結合ベクトルを生成し、
すべての学習対象の前記結合ベクトルを用いて、機械学習を行なうことにより、結合基底ベクトルを生成して前記学習結果記憶部に記録する学習処理と、
前記入力部により指定された処理対象を予測元情報とする特徴ベクトル及び、前記予測元情報の特徴ベクトルの結合係数を算出し、この結合係数と、前記学習結果記憶部に記録された前記結合ベクトルを用いて、前記処理対象の予測先情報の特徴ベクトルを算出する予測処理とを実行することを特徴とする情報予測システム。 - 前記予測元情報を第1の基底ベクトルで表現した第1の係数を、前記予測元情報のばらつきを表わす指標で除算した予測元情報の特徴ベクトルを生成するとともに、前記予測先情報を第2の基底ベクトルで表現した第2の係数を、前記予測先情報のばらつきを表わす指標で除算した予測先情報の特徴ベクトルを生成することを特徴とする請求項1に記載の情報予測システム。
- 前記予測元情報、予測先情報の特徴ベクトルのばらつきを表わす指標として、それぞれ前記予測元情報、予測先情報の特徴ベクトルの結合係数の標準偏差を用いることを特徴とする請求項2に記載の情報予測システム。
- 算出した予測先情報の特徴ベクトルを圧縮して、前記処理対象との差分を比較し、
前記差分が基準値より大きい場合には、前記差分を拡大して、前記予測先情報の特徴ベクトルから差し引くポスト処理を実行することを特徴とする請求項1〜3のいずれか一項に記載の情報予測システム。 - 学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部
に接続された制御部とを備えた情報予測システムを用いて、情報予測を行なう方法であって、
前記制御部が、
前記学習対象記憶部に記録された学習対象毎に、予測元情報の特徴ベクトル及び予測先情報の特徴ベクトルを算出し、
前記予測元情報の特徴ベクトルと前記予測先情報の特徴ベクトルとを結合することにより結合ベクトルを生成し、
すべての学習対象の前記結合ベクトルを用いて、機械学習を行なうことにより、結合基底ベクトルを生成して前記学習結果記憶部に記録する学習処理と、
前記入力部により指定された処理対象を予測元情報とする特徴ベクトル及び、前記予測元情報の特徴ベクトルの結合係数を算出し、この結合係数と、前記学習結果記憶部に記録された前記結合ベクトルを用いて、前記処理対象の予測先情報の特徴ベクトルを算出する予測処理とを実行することを特徴とする情報予測方法。 - 学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部に接続された制御部とを備えた情報予測システムを用いて、情報予測を行なうプログラムであって、
前記制御部を、
前記学習対象記憶部に記録された学習対象毎に、予測元情報の特徴ベクトル及び予測先情報の特徴ベクトルを算出し、
前記予測元情報の特徴ベクトルと前記予測先情報の特徴ベクトルとを結合することにより結合ベクトルを生成し、
すべての学習対象の前記結合ベクトルを用いて、機械学習を行なうことにより、結合基底ベクトルを生成して前記学習結果記憶部に記録する学習処理と、
前記入力部により指定された処理対象を予測元情報とする特徴ベクトル及び、前記予測元情報の特徴ベクトルの結合係数を算出し、この結合係数と、前記学習結果記憶部に記録された前記結合ベクトルを用いて、前記処理対象の予測先情報の特徴ベクトルを算出する予測処理とを実行する手段として機能させることを特徴とする情報予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016099737A JP6450710B2 (ja) | 2016-05-18 | 2016-05-18 | 情報予測システム、情報予測方法及び情報予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016099737A JP6450710B2 (ja) | 2016-05-18 | 2016-05-18 | 情報予測システム、情報予測方法及び情報予測プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014231089A Division JP5937661B2 (ja) | 2014-11-13 | 2014-11-13 | 情報予測システム、情報予測方法及び情報予測プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2016177829A JP2016177829A (ja) | 2016-10-06 |
JP2016177829A5 true JP2016177829A5 (ja) | 2018-02-08 |
JP6450710B2 JP6450710B2 (ja) | 2019-01-09 |
Family
ID=57071393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016099737A Active JP6450710B2 (ja) | 2016-05-18 | 2016-05-18 | 情報予測システム、情報予測方法及び情報予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6450710B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021173872A1 (en) * | 2020-02-27 | 2021-09-02 | Siemens Healthcare Diagnostics Inc. | Automatic sensor trace validation using machine learning |
JP2024000211A (ja) * | 2022-06-20 | 2024-01-05 | 株式会社日立製作所 | 画像推定方法、評価値推定方法、及び画像推定装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8948502B2 (en) * | 2011-10-28 | 2015-02-03 | Panasonic Intellectual Property Corporation Of America | Image processing method, and image processor |
-
2016
- 2016-05-18 JP JP2016099737A patent/JP6450710B2/ja active Active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2014063475A5 (ja) | ||
JP2013526751A5 (ja) | ||
JP2014137756A5 (ja) | ||
JP2013081683A5 (ja) | ||
JP2014016819A5 (ja) | ||
JP2019139755A (ja) | 研磨工具摩耗量予測装置、機械学習装置及びシステム | |
JP2017053795A (ja) | 情報処理装置、位置姿勢計測方法、及び位置姿勢計測プログラム | |
JP2016177829A5 (ja) | ||
US20180052441A1 (en) | Simulation system, simulation method, and simulation program | |
JP2016198279A5 (ja) | ||
JP2013097467A5 (ja) | ||
JP2019020631A5 (ja) | 楽曲解析方法、楽曲解析装置およびプログラム | |
JP6854727B2 (ja) | ヘテロジニアスシステムにおけるアプリケーション性能の近似計算 | |
JP2014214566A5 (ja) | ショベルの処理装置及び作業内容判定方法 | |
JP2017537337A5 (ja) | ||
CN107871180A (zh) | 基于牛顿‑柯特斯公式构造背景值的gm(1,1)模型预测方法 | |
JP2018106237A5 (ja) | ||
JP2011044989A5 (ja) | ||
WO2019224909A1 (ja) | パラメータ選択方法、パラメータ選択プログラム、及び情報処理装置 | |
JPWO2021014532A5 (ja) | 情報処理装置、制御方法及びプログラム | |
JP2015084186A5 (ja) | ||
WO2021128708A1 (zh) | 同期算法实时评估方法、系统及存储介质 | |
KR101727022B1 (ko) | 전산유체역학에서 최적 2차 변수 계산 경로 제안 방법 및 장치 | |
JP2019500698A5 (ja) | ||
JP2018186456A5 (ja) |