JP2021027412A

JP2021027412A - 通信装置とその制御方法及びプログラム、学習済モデルと通信システム及び制御方法

Info

Publication number: JP2021027412A
Application number: JP2019141684A
Authority: JP
Inventors: 啓吾槌谷; Keigo Tsuchiya; 歩美蒲田; Ayumi Kamata
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2019-07-31
Filing date: 2019-07-31
Publication date: 2021-02-22
Also published as: US11490396B2; US20210037540A1

Abstract

【課題】ＤＦＳが実施される帯域で通信を実行している時に、通信の継続性を確保し、速度低下を防止する。【解決手段】ＧＰＳ情報、対象の気象レーダ観測所情報、時刻情報を入力し、被干渉チャンネルを推定するための学習モデルを持つ学習部を備える。学習時においては、ＧＰＳ情報、対象の気象レーダ観測所情報、時刻、対象チャンネル、干渉波発生有無を入力データとし、被干渉チャンネルを教師データとする。学習時には入力データから推定された被干渉チャンネルと教師データとのずれが最小となるように学習モデルを最適化する。推定時には、ＧＰＳ情報、気象レーダ観測所情報、時刻を入力データとし、学習モデルを用いて被干渉チャンネルを推定する。【選択図】図１３

Description

本発明は、通信技術に関するものである。

従来、無線ＬＡＮシステムは通信ケーブルに拘束されない可搬性の優れたネットワークシステムとして利用されており、近年は特に、無線通信区間の伝送速度の向上や、無線通信装置の普及などにより、飛躍的な普及を見せている。近年においては、２．４ＧＨｚ帯や５ＧＨｚ帯の周波数帯域を用いた無線ＬＡＮシステムとして、ＩＥＥＥ８０２．１１規格群によって規定された無線ＬＡＮシステムが一般的に普及している。とりわけ、動画をはじめとする大容量データの送受信が主流になり始めた昨今においては、２．４ＧＨｚより高速通信が可能な、５ＧＨｚでの通信が主流になってきている。

しかしながら、５ＧＨｚ帯域の利用についてはＤＦＳ（ＤｙｎａｍｉｃＦｒｅｑｕｅｎｃｙＳｅｌｅｃｔｉｏｎ）に注意すべきである。通信装置が無線基地局（親局）として動作する場合、使用中の無線インフラ通信が気象レーダ等に影響を与えないよう常に干渉波を監視する必要がある。干渉波が検出された場合は、速やかに他の空きチャンネルに切り替えなければならない。特許文献１では、５ＧＨｚ帯域での無線通信で、気象レーダなどの各種レーダの電波を無線基地局で検出した際、所定時間通信を中断せざる得ない場合に、空いているチャンネルに自動的に変更する技術が示されている。この技術がＤＦＳである。また、ＤＦＳのみならず、ＴＰＣ（ＴｒａｎｓｍｉｔＰｏｗｅｒＣｏｎｔｒｏｌ：送信電力制御）という電波干渉の回避機能もあるため同様に注意が必要である。５ＧＨｚの使用する帯域としては、Ｗ５２、Ｗ５３、Ｗ５６、Ｗ５８等があり、国や地域によって利用可能な帯域が法律で規制されている。このうち、ＤＦＳが実施される帯域（ＤＦＳ帯域）は、Ｗ５３とＷ５６である。
例えば日本ではＷ５２（５．２ＧＨｚ帯（５１５０−５２５０ＭＨｚ）、Ｗ５３（５．３ＧＨｚ帯（５２５０−５３５０ＭＨｚ））、Ｗ５６（５．６ＧＨｚ帯（５４７０−５７２５ＭＨｚ））が５ＧＨｚ帯では利用可能な帯域として規定されている。その中で、ＤＦＳによる干渉波を受けない帯域（非ＤＦＳ帯域）はＷ５２のみとなる。例えばＷ５２は、３６／４０／４４／４８Ｃｈを使用する。

特開２０１０−２７８８２５号公報

無線基地局としてＤＦＳ帯域で動作する場合、常に気象レーダなどで指定されたレーダ波の使用帯域を監視して検知し、かつ使用中のチャネルで電波干渉が検知された場合は即座に使用しているチャンネルを変更せねばならない。しかしながら、チャンネルを変更して無線通信を再開するには再接続処理が必要であり、通信を再開するまでに時間を要する。また、電波干渉がいつ起きるか予測することが出来ず、干渉波検出時において、通信速度の低下や通信実行中にも関わらず切断しなければならないという課題がある。

本発明は上記課題に鑑みなされたものであり、干渉が発生し得るチャンネル情報を事前に予測することにより、電波干渉を低減するための技術を提供することを目的とする。

本発明は上記問題点を解決するためになされたものであり、本発明の第１の側面によれば、複数のチャンネルのうちいずれかのチャンネルを用いて無線通信を行う通信装置であって、
前記通信装置の位置情報と、前記無線通信と干渉を生じる可能性のある電波の発生源の位置情報と、時刻情報と、を基に出力された、前記無線通信が干渉する可能性のあるチャンネル情報の情報を取得する取得部と、
前記取得されたチャンネル情報に基づき、前記無線通信で使用するチャンネルを選択する選択部と、
を備えることを特徴とする通信装置が提供される。

また本発明の第２の側面によれば、複数のチャンネルのいずれかで無線通信を行う際の被干渉チャンネルを推定するようコンピュータを機能させるための学習済モデルであって、
前記学習済モデルを構成するニューラルネットワークの重み付け係数は、前記無線通信を行う通信装置の位置情報と、干渉波の発生源の位置情報と、時刻情報とを含む入力データと、前記無線通信の干渉波が発生するチャンネル情報を含む教師データとを学習用データとして用いて学習されており、
通信装置の位置情報と、干渉波の発生源の位置情報と、時刻情報とを含む入力データに対して、無線通信の干渉波が発生するチャンネル情報を前記ニューラルネットワークの出力層から出力させるようコンピュータを機能させるための学習済モデルが提供される。

また本発明の第３の側面によれば、無線ＬＡＮにおいて親局として無線通信を行う無線通信装置と、
推定して出力するための学習済モデルを生成する学習手段と、
前記学習済モデルを用いて推定を行う推定手段とを備え、
前記学習手段は、位置情報と、干渉波の発生源の位置情報と、時刻と、対象チャンネルと、干渉波発生有無を示す情報を入力データとし、干渉波が発生したチャンネル情報を教師データとして、前記入力データから推定された干渉波が発生するチャンネル情報と前記教師データとのずれが最小となるように学習モデルを最適化することで前記学習済モデルを生成し、
前記推定手段は、前記無線通信装置の位置情報と、前記無線通信装置の最寄りも干渉波の発生源の位置情報と、時刻とを入力データとして、干渉波が発生するチャンネル情報を推定する
ことを特徴とする通信システムが提供される。

本発明によれば、電波干渉されるチャンネルの情報を事前に予測して使用チャンネルを制御することにより、電波干渉を低減することが可能となる。

本発明の一実施例である処理システム１００の構成を示す図である。クラウドサーバー２００、エッジサーバー３００の構成を示すブロック図である。スマートフォン５００の外観図である。プリンタ６００の外観図である。スマートフォン５００の構成を示すブロック図である。プリンタ６００の構成を示すブロック図である。ルータ１０３の構成を示すブロック図である。処理システム１００のソフトウェア構成を示す図である。学習モデル２５２、学習済モデル３５２を利用する際の入出力の構造を示す概念図である。学習時の学習モデル２５２の入出力の構造を示す図である。学習時の学習モデル２５２の入力パラメータの取得処理を示すフローチャートである。推定時の学習済モデル３５２の入出力の構造を示す図である。電源投入時のセットアップ処理を示すフローチャートである。干渉波監視処理を示すフローチャートである。手動設定によるチャンネル変更処理を示すフローチャートである。干渉波検出によるチャンネル変更を示すフローチャートである。干渉波が発生するチャンネル推定結果に伴うチャンネル変更を示すフローチャートである。エッジサーバー３００の処理内容を示すフローチャートである。クラウドサーバー２００の処理内容を示すフローチャートである。学習時の学習モデル２５２の入出力の構造を示す図である。

以下、本発明の実施の形態について詳細に説明する。なお、この実施の形態に記載されている構成要素は、本発明の例としての形態を示すものであり、この発明の範囲をそれらのみに限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

［第１の実施形態］
本実施形態の通信装置（特に無線通信装置）について説明する。通信装置として、本実施形態では、無線ＬＡＮアクセスポイント（或いは無線ＬＡＮ親局または単に親局とも呼ぶ。）の機能を有するルータを例示しているが、これに限定されない。通信装置として、サーバーや端末装置等の情報処理装置と無線ＬＡＮを介した通信を行うことが可能な装置であれば、種々のものを適用可能である。例えば通信装置としては、ルータとしての機能を持たない無線ＬＡＮアクセスポイントや、無線通信機能を有する端末装置などであってもよい。また、例えば、複写機やファクシミリ装置、スマートフォン、携帯電話、ＰＣ、タブレット端末、ＰＤＡ、デジタルカメラ、音楽再生デバイス、ストレージ、プロジェクタ、スマートスピーカ等、無線通信機能に対応した装置であってもよい。なお、スマートスピーカとは、ユーザが発する音声に従って、同一のネットワークに存在する機器に対して処理を指示したり、ユーザが発する音声に対応して、ネットワークを介して取得した情報をユーザに通知したりするための装置である。親局である通信装置は、無線ネットワークを構築し、無線ネットワークに接続するためのパラメータを提供する。なお、親局（例えば、無線ＬＡＮアクセスポイント）は、チャンネルを決定し、無線LANステーション（子局とも呼ぶ）との間で、決定したチャンネルを用いて通信を行う。

●システム構成
図１は、本発明の一実施形態である通信システム１００（処理システム１００と呼ぶこともある）の構成例を示す図である。通信システム１００は、ローカルエリアネットワーク１０２およびインターネット１０４で接続された、サーバー２００、エッジサーバー３００およびデバイス４００を含む。デバイス４００にはネットワーク接続が可能な各種装置が含まれる。例えばスマートフォン５００、プリンタ６００、パーソナルコンピュータやワークステーションなどのクライアント端末４０１、デジタルカメラ４０２などが挙げられる。ただし、デバイス４００はこれらの種類に限られるものではなく、例えば冷蔵庫やテレビ、エアコンなどの家電製品を含むものであってもよい。これらデバイス４００はローカルエリアネットワーク１０２で相互に接続され、ローカルエリアネットワーク１０２に設置されているルータ１０３を介してインターネット１０４と接続することが可能である。

ここで、ルータ１０３はローカルエリアネットワーク１０２とインターネット１０４を接続する機器として図示されているが、本実施形態では、ローカルエリアネットワーク１０２は、無線ローカルエリアネットワークとする。そして、ルータ１０３にそれを構成する無線ＬＡＮアクセスポイント機能を持たせる。つまり、ルータ１０３は無線ネットワークを構築する親局として動作する。この場合、各デバイス４００は有線ＬＡＮでルータ１０３と接続する以外に、親局が構築する無線ネットワークに参加するように構成することができる。例えばプリンタ６００やクライアント端末４０１は有線ＬＡＮで接続し、スマートフォン５００やデジタルカメラ４０２は無線ＬＡＮで接続するように構成することも可能である。なお、本実施形態では、無線ＬＡＮに接続された機器を、その種類を問わず無線ＬＡＮデバイス或いは無線ＬＡＮ機器、無線ネットワークデバイス、無線ネットワーク機器などと称することがある。無線通信方式としては、例えば、ＩＥＥＥ８０２．１１シリーズ（ＩＥＥＥ８０２．１１ａ、ＩＥＥＥ８０２．１１ｎ（Ｗｉ−Ｆｉ４）、ＩＥＥＥ８０２．１１ａｃ（Ｗｉ−Ｆｉ５）、ＩＥＥＥ８０２．１１ａｘ（Ｗｉ−Ｆｉ６）等）に準拠した通信方式を用いることができる。

各デバイス４００およびエッジサーバー３００は、ルータ１０３を介して接続されたインターネット１０４を経由してクラウドサーバー２００と相互に通信することが可能である。エッジサーバー３００と各デバイス４００はローカルエリアネットワーク１０２を経由して相互に通信することが可能である。また、各デバイス４００どうしもローカルエリアネットワーク１０２を経由して相互に通信することが可能である。また、スマートフォン５００とプリンタ６００は近距離無線通信１０１によって通信可能である。近距離無線通信１０１としては、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格やＮＦＣ規格に則った無線通信を利用するものが考えられる。またスマートフォン５００は携帯電話回線網１０５とも接続されており、この回線網１０５を介してインターネット１０４に接続し、クラウドサーバー２００と通信することもできる。なおこの構成は本発明の一例を示すものであって、異なる構成を取るものであっても本実施形態の効果は変わらない。たとえばルータ１０３が無線ＬＡＮアクセスポイント機能を備えている例を示したが、無線ＬＡＮアクセスポイントはルータ１０３と異なる装置で構成してもよい。また、エッジサーバー３００と各デバイス４００の間の接続はローカルエリアネットワーク１０２以外の接続手段を用いるものであってもよい。例えば無線ＬＡＮ以外のＬＰＷＡ（ＬｏｗＰｏｗｅｒＷｉｄｅＡｒｅａ）、ＺｉｇＢｅｅ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、または近距離無線通信などの無線通信や、ＵＳＢなどの有線接続や赤外線通信などを用いるものであってもよい。

●装置構成
図２は、クラウドサーバー２００、エッジサーバー３００の構成例を示すブロック図である。ここではクラウドサーバー２００、エッジサーバー３００のハードウェア構成としては共通のものを利用するものとして説明する。サーバー２００、３００は、装置全体の制御を行うメインボード２１０と、ネットワーク接続ユニット２０１、ハードディスクユニット２０２からなる。メインボード２１０に配置されるマイクロプロセッサ形態のＣＰＵ（中央処理ユニット）２１１は、内部バス２１２を介して接続されているプログラムメモリ２１３に格納されている制御プログラムと、データメモリ２１４の内容とに従って動作する。ＣＰＵ２１１はネットワーク制御回路２１５を介してネットワーク接続ユニット２０１を制御することで、インターネット１０１やローカルエリアネットワーク１０２などのネットワークと接続し、他の装置との通信を行う。ＣＰＵ２１１はハードディスク制御回路２１６を経由して接続されたハードディスクユニット２０２にデータを読み書きすることができる。ハードディスクユニット２０２には、プログラムメモリ２１３にロードして使用されるオペレーティングシステムやサーバー２００、３００の制御ソフトウェアが格納されるほか、各種のデータも格納される。メインボード２１０にはＧＰＵ（汎用処理ユニット）２１７が接続されており、各種演算処理をＣＰＵ２１１の代わりに実行させることが可能である。ＧＰＵ２１７はデータをより多く並列処理することで効率的な演算を行うことができるので、ディープラーニングのような学習モデルを用いて複数回に渡り学習を行う場合にはＧＰＵ２１７で処理を行うことが有効である。そこで本実施形態では、後述の学習部２５１による処理にはＣＰＵ２１１に加えてＧＰＵ２１７を用いるものとする。具体的には、学習モデルを含む学習プログラムを実行する場合に、ＣＰＵ２１１とＧＰＵ２１７が協同して演算を行うことで学習を行う。なお、学習部２５１の処理はＣＰＵ２１１またはＧＰＵ２１７のみにより演算が行われても良い。また、推定部３５１も学習部２５１と同様にＧＰＵ２１７を用いても良い。また、本実施例ではクラウドサーバー２００をエッジサーバー３００で共通の構成を使用するものとして説明したが、本発明の実施に当たっては必ずしもこの構成に限られるものではない。例えばクラウドサーバー２００にはＧＰＵ２１７を搭載するがエッジサーバー３００では搭載しない構成を取ってもよいし、異なる性能のＧＰＵ２１７を用いるものとして構成してもよい。

図３は、スマートフォン５００の外観図である。スマートフォンとは、携帯電話の機能の他に、カメラや、ネットブラウザ、メール機能などを搭載した多機能型の携帯電話のことである。近距離無線通信ユニット５０１は近距離無線通信を行うユニットであり、所定距離内にいる通信相手の近距離無線通信ユニットと通信を行うことができる。無線ＬＡＮユニット５０２は無線ＬＡＮを利用してローカルエリアネットワーク１０２と接続して通信を行うためのユニットで、装置内に配置されている。回線接続ユニット５０３は、携帯電話回線に接続して通信を行うためのユニットで、装置内に配置されている。タッチパネルディスプレイ５０４はＬＣＤ方式の表示機構とタッチパネル方式の操作機構を兼ね備えており、スマートフォン５００の前面に備えられている。代表的な操作方法はタッチパネルディスプレイ５０４上にボタン状の操作パーツの表示を行い、ユーザがタッチパネルディスプレイ５０４へのタッチ操作を行うことによってボタンが押下されたイベントを発行することである。電源ボタン５０５はスマートフォンの電源のオン、およびオフをする際に用いる。なお、図３の構成は一例に過ぎず、スマートフォン５００は、これら以外の特徴部分を有してもよいし、これらの一部の構成を有しなくてもよい。ただし本実施形態では、無線ＬＡＮユニット５０２は備えるものとする。

図４は、プリンタ６００の外観図である。本実施形態ではプリンタにスキャナその他の機能を兼ね備えたマルチファンクションプリンタ（ＭＦＰ）を例にしている。図４（Ａ）はプリンタ６００の全体外観図を表している。原稿台６０１はガラス状の透明な台であり、原稿をのせてスキャナで読み取る時に使用する。原稿台圧板６０２はスキャナで読み取りを行う際に原稿が浮かないように原稿台に押しつけるとともに、外光がスキャナユニットにはいらないようにするためのカバーである。印刷用紙挿入口６０３は様々なサイズの用紙をセットする挿入口である。ここにセットされた用紙は一枚ずつ印刷部に搬送され、所望の印刷を行って印刷用紙排出口６０４から排出される。図４（Ｂ）はプリンタ６００上面の外観図を表している。原稿台圧板６０２の上部には操作パネル６０５および近距離無線通信ユニット６０６が配置されている。近距離無線通信ユニット６０６は近距離無線通信を行うためのユニットで、所定距離内にいる通信相手の近距離無線通信ユニットと通信を行うことができる。無線ＬＡＮアンテナ６０７は無線ＬＡＮを用いてローカルエリアネットワーク１０２と接続して通信を行うためのアンテナが埋め込まれている。

図５は、スマートフォン５００の構成例を示すブロック図である。スマートフォン５００は装置全体の制御を行うメインボード５１０と、無線ＬＡＮユニット５０２、近距離無線通信ユニット５０１、回線接続ユニット５０３を有する。メインボード５１０に配置されるマイクロプロセッサ形態のＣＰＵ５１１は、内部バス５１２を介して接続されているＲＯＭ形態のプログラムメモリ５１３に格納されている制御プログラムと、ＲＡＭ形態のデータメモリ５１４の内容とに従って動作する。ＣＰＵ５１１は無線ＬＡＮ制御回路５１５を介して無線ＬＡＮユニット５０２を制御することで、他の通信端末装置と無線ＬＡＮ通信を行う。ＣＰＵ５１１は近距離無線通信制御回路５１６を介して近距離無線通信ユニット５０１を制御することによって、他の近距離無線通信端末との接続を検知したり、他の近距離無線通信端末との間でデータの送受信を行ったりすることができる。またＣＰＵ５１１は回線制御回路５１７を介して回線接続ユニット５０３を制御することで、携帯電話回線網１０５に接続し、通話やデータ送受信を行うことができる。ＣＰＵ５１１は操作部制御回路５１８を制御することによってタッチパネルディスプレイ５０４に所望の表示を行ったり、ユーザからの操作を受け付けたりすることが可能である。ＣＰＵ５１１はカメラ部５１９を制御して画像を撮影することができ、撮影した画像をデータメモリ５１４中の画像メモリ５２０に格納する。また、撮影した画像以外にも、携帯電話回線やローカルエリアネットワーク１０２や近距離無線通信１０１を通じて外部から取得した画像を画像メモリ５２０に格納したり、逆に外部に送信したりすることも可能である。

不揮発性メモリ５２１はフラッシュメモリ等で構成され、電源をオフされた後でも保存しておきたいデータを格納する。例えば電話帳データや、各種通信接続情報や過去に接続したデバイス情報などの他、保存しておきたい画像データ、あるいはスマートフォン５００に各種機能を実現するアプリケーションソフトウェアなどが格納される。

図６は、プリンタ６００の構成例を示すブロック図である。プリンタ６００は装置全体の制御を行うメインボード６１０と、無線ＬＡＮユニット６０８、近距離無線通信ユニット６０６を有する。メインボード６１０に配置されるマイクロプロセッサ形態のＣＰＵ６１１は、内部バス６１２を介して接続されているＲＯＭ形態のプログラムメモリ６１３に格納されている制御プログラムと、ＲＡＭ形態のデータメモリ６１４の内容とに従って動作する。ＣＰＵ６１１はスキャナ部６１５を制御して原稿を読み取り、データメモリ６１４中の画像メモリ６１６に格納する。また、ＣＰＵ６１１は印刷部３１７を制御してデータメモリ６１４中の画像メモリ６１６の画像を記録媒体に印刷することができる。ＣＰＵ６１１は無線ＬＡＮ通信制御部６１８を通じて無線ＬＡＮユニット６０８を制御することで、他の通信端末装置と無線ＬＡＮ通信を行う。またＣＰＵ６１１は近距離無線通信制御回路６２０を介して近距離無線通信ユニット６０６を制御することによって、他の近距離無線通信端末との接続を検知したり、他の近距離無線通信端末との間でデータの送受信を行ったりすることができる。ＣＰＵ６１１は操作部制御回路６２１を制御することによって操作パネル６０５にプリンタ６００の状態の表示や機能選択メニューの表示を行ったり、ユーザからの操作を受け付けたりすることが可能である。操作パネル６０５にはバックライトが備えられており、ＣＰＵ６１１は操作部制御回路６２１を介してバックライトの点灯、消灯を制御することが出来る。バックライトを消灯すると、操作パネル６０５の表示が見えにくくなるが、プリンタ６００の消費電力を抑えることが出来る。

図７は、無線ＬＡＮアクセスポイント機能を有するルータ１０３の構成例を示すブロック図である。ルータ１０３の制御を行うメインボード７１０と、無線ＬＡＮユニット７１６、有線ＬＡＮユニット７１８、操作ボタン７２０を有する。メインボード７１０に配置されるマイクロプロセッサ形態のＣＰＵ７１１は、内部バス７１２を介して接続されているＲＯＭ形態のプログラムメモリ７１３に格納されている制御プログラムと、ＲＡＭ形態のデータメモリ７１４の内容とに従って動作する。ＣＰＵ７１１は無線ＬＡＮ通信制御部７１５を通じて無線ＬＡＮユニット７１６を制御することで、他の通信端末装置と無線ＬＡＮ通信を行う。また、ＣＰＵ７１１は有線ＬＡＮ通信制御部７１７を通じて有線ＬＡＮユニット７１８を制御することで、他の通信端末装置と有線ＬＡＮ通信を行う。ＣＰＵ７１１は操作部制御回路７１９を制御することによって操作ボタン７２０によるユーザからの操作を受け付けたりすることが可能である。

ルータ１０３は、干渉波検出部７２１、チャンネル変更部７２２、ＧＰＳ取得部７２３、ＧＰＳユニット７２４、気象レーダ観測所判定部７２５、時刻情報取得部７２６を備える。
干渉波検出部７２１は、ＤＦＳ（ＤｙｎａｍｉｃＦｒｅｑｕｅｎｃｙＳｅｌｅｃｔｉｏｎ：動的周波数選択）が実施される帯域で無線通信を実行している時に、干渉波の検出処理を行う。

チャンネル変更部７２２はＤＦＳが実施される帯域で無線通信を実行している時に、干渉波を検出した場合、即座に空いているチャンネルに変更しなければならない場合等に使用するチャンネルの変更処理を行う。

ＧＰＳ取得部７２３は、ＧＰＳユニット７２４から、ルータ１０３が設置されている位置を示す経度・緯度・高度のＧＰＳ情報を取得する。

気象レーダ観測所判定部７２５は、クラウドサーバー２００等に保存している対象の気象レーダ観測所情報（気象レーダ観測所の位置情報）とＧＰＳ取得部７２３で取得したルータ１０３のＧＰＳ情報とから、ルータ１０３が最も影響を受ける気象レーダ観測所を判定する。クラウドサーバー２００から取得される気象レーダ観測所情報には、複数の気象レーダ観測所の位置情報が含まれており、気象レーダ観測所判定部７２５は、例えば、ルータ１０３の設置位置と最も近い場所の気象レーダ観測所を、最も影響を受ける気象レーダ観測所として判定する。

時刻情報取得部７２６は、無線ＬＡＮ通信もしくは有線ＬＡＮ通信により時刻を示す情報の取得を行う。なお気象レーダ観測所は本実施形態における干渉波の発生源であり、他の発生源がある場合には、その位置を示す情報が気象レーダ観測所情報として用いられてよい。

●処理システムのソフトウェア構成
図８は、処理システム１００のソフトウェア構成を示す図である。本実施形態では、機械学習に基づいて、無線ＬＡＮに対する干渉波の発生を予測し、干渉を受けないチャンネルを選択する。このため、図８では、ソフトウェア構成のうち、本実施形態における学習および推定の処理に関わるものについてのみ記載しており、その他のソフトウェアモジュールについては不図示としている。例えば各デバイスやサーバー上で動作するオペレーティングシステムや各種ミドルウェア、メンテナンスのためのアプリケーション等については図示を省略している。

クラウドサーバー２００は、収集されたデータに基づいて学習用データを生成して学習モデルを生成するための処理を実行する。すなわち学習機能を有している。このために、クラウドサーバー２００は、学習用データ生成部２５０、学習部２５１、学習モデル２５２を備える。学習データ生成部２５０は、外部から受信したデータから、学習部２５１が処理可能な学習用データを生成するモジュールである。学習用データは、学習部２５１の入力データＸと、学習の結果の正解を示す教師データＴの組である。学習部２５１は、学習用データ生成部２５０から受け取った学習用データを学習モデル２５２に対する学習を実行するプログラムモジュールである。学習モデル２５２は、学習部２５１で行った学習の結果を蓄積する。ここでは学習モデル２５２をニューラルネットワークとして実現する例を説明する。ニューラルネットワークの各ノード間の重み付けパラメータを最適化することにより、入力データを分類したり、評価値を決定したりすることが出来る。ニューラルネットワークを用いた場合、学習はノード間の重み付けパラメータを決定する過程ということができる。そしてニューラルネットワークの出力層のノードからの出力が、その学習済モデルの出力となる。蓄積した学習モデル２５２は、エッジサーバー３００に学習済モデルとして配信され、エッジサーバー３００における推定処理に用いられる。

エッジサーバー３００は、学習用データの生成に用いられるデータの収集と収集したデータのクラウドサーバー２００への提供や、ルータ１０３から収集されたデータと、クラウドサーバー２００から提供された学習モデル２５２とを用いた推定処理とを実行する。このために、エッジサーバー３００は、データ収集・提供部３５０、推定部３５１、学習済モデル３５２を備える。データ収集・提供部３５０は、ルータ１０３から受信したデータや、エッジサーバー３００自ら収集したデータを、クラウドサーバー２００に、学習に用いるためのデータ群として送信するモジュールである。推定部３５１は、ルータ１０３から送られるデータを基に、学習済モデル３５２を用いて推定を実行し、その結果をルータ１０３に返送するプログラムモジュールである。デバイス４００から送られるデータは、推定部３５１の入力データＸとなるデータである。学習済モデル３５２は、エッジサーバー３００で行う推定に用いられる。学習済モデル３５２も学習モデル２５２と同様にニューラルネットワークとして実現されるものとする。ただし、後述のように、学習済モデル３５２は学習モデル２５２と同一のものであってもよいし、学習モデル２５２の一部を抽出して利用するものであってもよい。学習済モデル３５２はクラウドサーバー２００で蓄積して配信された学習モデル２５２を格納する。学習済モデル３５２は、学習モデル２５２の全部を配信するものであってもよいし、学習モデル２５２のうち、エッジサーバー３００での推定に必要な一部分だけを抜き出して配信するものであってもよい。

ルータ１０３は、図8に示した学習及び推定の過程においては、入力データおよび教師データを提供するデバイスとして機能する。ルータ１０３は、アプリケーション部１０３１、データ送受信部１０３２を備える。アプリケーション部１０３１は、ルータ１０３で実行する各種の機能を実現するモジュールであり、機械学習による学習・推定の仕組みを利用するモジュールである。データ送受信部１０３２は、エッジサーバー３００に学習または推定を依頼するモジュールである。学習時には、アプリケーション部１０３１からの依頼により学習に用いるデータをエッジサーバー３００のデータ収集・提供部３５０に送信する。また、推定時には、アプリケーション部１０３１からの依頼により推定に用いるデータをエッジサーバー３００に送信し、その結果を受信してアプリケーション部１０３１に返す。

なお、本実施形態ではクラウドサーバー２００で学習した学習モデル２５２をエッジサーバー３００に学習済モデル３５２として配信し、推定に利用する形態を示したが、この形態に限定されるものではない。学習、推定をそれぞれ、クラウドサーバー２００、エッジサーバー３００、ルータ１０３のどこで実行するかは、ハードウェア資源の配分や計算量、データ通信量の大小に応じて構成を決定すればよい。さらに他の無線ネットワークデバイス４００で実行することもできる。あるいはこれら資源の配分や計算量、データ通信量の増減に応じて動的に変えるように構成してもよい。学習と推定を行う主体が異なる場合、推定側は推定のみで使用するロジックや学習済モデル３５２の容量を削減したり、より高速で実行できるように構成したりすることが可能である。

●学習モデル
図９は、学習モデル２５２、学習済モデル３５２を利用する際の入出力の構造を示す概念図である。図９（Ａ）は、学習時における、学習モデル２５２とその入出力データの関係を示す。入力データＸ９０１は、学習モデル２５２の入力層のデータである。本実施形態における入力データＸ９０１の詳細は後述する。入力データＸ９０１を機械学習モデルである学習モデル２５２を用いて認識した結果として出力データＹ９０３が出力される。学習時には、入力データＸ９０１の認識結果の正解データとして教師データＴ９０２が与えられるので、出力データＹ９０３と教師データＴ９０２を損失関数９０４に与えることにより、認識結果の正解からのずれ量Ｌ９０５が得られる。教師データＴ９０２は、与えられた入力データＸに対応する位置及び時間において、実際に干渉があったチャンネルを示す情報である。多数の学習用データに対してずれ量Ｌが小さくなるように、学習モデル２５２中のニューラルネットワークのノード間の結合重み付け係数等を更新する。機械学習のアルゴリズムとしては、例えば、誤差逆伝搬法が用いられうる。誤差逆伝播法は、上記の誤差が小さくなるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する手法である。機械学習の他の具体的なアルゴリズムとしては、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンなどが挙げられる。また、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）も挙げられる。本実施形態では、適宜、上記アルゴリズムのうち利用できるものを用いてよい。

図９（Ｂ）は、推定時における、学習済モデル３５２とその入出力データの関係を示す。入力データＸ９０１は、学習済モデル３５２の入力層のデータである。本実施形態における入力データＸ９０１の詳細は後述する。入力データＸ９０１を機械学習モデルである学習済みモデル３５２を用いて認識した結果として出力データＹ９０３が出力される。推定時には、この出力データＹを推定結果として利用する。なお、推定時の学習済モデル３５２は、学習時の学習モデル２５２と同等のニューラルネットワークを備えるものとして説明したが、推定で必要な部分のみを抽出したものを学習済モデル３５２として用意することもできる。これによって学習済モデル３５２のデータ量を削減したり、推定時のニューラルネットワーク処理時間を短縮したりすることが可能である。以上の構成を基に、本実施形態における処理について説明する。

●処理の内容
上述した本実施形態の処理システムにおいて、干渉波が発生するチャンネル情報を機械学習で推定して無線通信で使用するチャンネルを決定する手法を説明する。

ルータ１０３はローカルエリアネットワーク１０２を構成する無線ＬＡＮアクセスポイント機能を有しており、各デバイス４００はルータ１０３に接続する。つまり、ルータ１０３が構築する無線ネットワークに各デバイス４００が参加する。この場合、ルータ１０３は無線通信で使用するチャンネルを指定して無線ＬＡＮアクセスポイントを起動する。

なお、本実施形態のルータ１０３は、２．４ＧＨｚ帯域と５ＧＨｚ帯域の両方が使用できるものとする。５ＧＨｚの使用する帯域としては、Ｗ５２（５．２ＧＨｚ帯（５１５０−５２５０ＭＨｚ）、Ｗ５３（５．３ＧＨｚ帯（５２５０−５３５０ＭＨｚ））、Ｗ５６（５．６ＧＨｚ帯（５４７０−５７２５ＭＨｚ））、Ｗ５８等があり、国や地域によって利用可能な帯域が法律で規制されている。このうち、ＤＦＳが実施される帯域（ＤＦＳ帯域）は、Ｗ５３とＷ５６である。例えば、Ｗ５３は、５２，５６，６０，６４ｃｈが使用される。Ｗ５６は、１００，１０４，１０８，１１２，１１６，１２０，１２４，１２８，１３２，１３６，１４０ｃｈが使用される。例えば日本ではＷ５２、Ｗ５３、Ｗ５６が５ＧＨｚ帯では利用可能な帯域として規定されている。その中で、ＤＦＳによる干渉波を受けない帯域（非ＤＦＳ帯域）はＷ５２のみとなる。Ｗ５２は、３６，４０，４４，４８ｃｈを使用する。

ここで、ルータ１０３と各デバイス４００が無線ＬＡＮで接続したチャンネルが５ＧＨｚ帯域のうちのＤＦＳ帯域である場合、干渉波を監視し、電波干渉を検出した場合、即座に空いているチャンネルに変更しなければならない。しかしながら、電波干渉がいつ起きるか予測することが出来ず、干渉波検出時において、通信速度の低下や通信実行中にも関わらず切断しなければならないという課題がある。

本実施形態では、エッジサーバー３００が、クラウドサーバー２００で生成された学習済モデルを用いて干渉波が発生するチャンネル情報を推定する。そして、無線ＬＡＮアクセスポイント付きのルータ１０３が、推定結果に基づいて、チャンネル（チャネルとも呼ぶ）決定または変更処理を行う。決定したチャンネルで干渉波を検出した場合は、機械学習により学習モデルを更新する。ただし、本実施形態ではルータ１０３が無線ＬＡＮアクセスポイント機能を有した場合の構成を使用するものとして説明するが、必ずしもこの構成に限られるものではない。なお無線ＬＡＮアクセスポイント機能はルータ１０３と異なる装置に備えられている構成にしてもよい。その場合には、決定したチャンネルに関する情報は無線ＬＡＮアクセスポイント機能を有する装置に送信される。また、本実施形態ではエッジサーバーが干渉するチャンネルを推定するが、無線ＬＡＮアクセスポイント機能を有する装置が行ってもよい。以下では無線ＬＡＮアクセスポイント付きのルータを無線ＬＡＮルータと呼ぶことがある。干渉波が発生するチャンネル情報を機械学習で推定して無線通信で使用チャンネルを決定する制御は、以下の１〜３の場合に実施される。
１．電源投入時のセットアップ
２．手動設定によるチャンネル変更
３．干渉波検出によるチャンネル変更
チャンネル変更の切替え制御の詳細については、以下に説明する。

●干渉が発生するチャンネル推定の学習
気象レーダ等の干渉波の影響については、気象レーダ観測所からの距離と高度に依存している。たとえば、気象レーダ観測所からの距離は近いが、気象レーダの特性上、高度差がある場合では影響を受けない場合がある。その為、ＧＰＳ情報による高度を含めた無線ＬＡＮルータ１０３の位置情報、最も影響を受けると考えられる気象レーダ観測所の位置情報、気象レーダによる電波と干渉が発生した時刻、干渉が発生した時に使用していたチャンネル情報、を用いて学習することにより、干渉が発生するチャンネル情報を推測することが可能となる。

図１０は、学習時の学習モデル２５２の入出力の構造を示す図である。図１０に示す通り、学習の入力データＸとしては、干渉が発生するチャンネル情報の変動要因である、ＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２のデータを使用する。ＧＰＳ情報１０００は無線ＬＡＮルータ１０３の現在位置を示す。対象の気象レーダ観測所情報１００１は、無線ＬＡＮルータ１０３が最も影響を受けると考えられる気象レーダ観測所（例えば、無線ＬＡＮルータ１０３の最寄りの気象レーダ観測所の位置）を示す。時刻１００２は現在時刻を示し、典型的には、干渉が発生したと判定された時点の現在時刻を示す。これらデータはそれぞれ、無線ＬＡＮルータ１０３のＧＰＳ取得部７２３、気象レーダ観測所判定部７２５、時刻情報取得部７２６により取得され、エッジサーバー３００を介して、クラウドサーバー２００に入力データとして送信される。

また、教師データＴとしては、チャンネル情報１００５を使用する。チャンネル情報１００５は、時刻１００２において干渉が発生しているチャンネルを示す、たとえばチャンネル番号等の情報である。このチャンネル番号は、たとえば周波数に対応付けて決められているチャンネル番号を用いるとよい。実際の干渉の有無は、現在設定されているチャンネルについてはルータ１０３の干渉波検出部７２１により知ることができる。よって、教師データＴとしては、現在設定されているチャンネルにおいて干渉が検出されれば、そのチャンネルを示すデータが教師データＴとなる。したがって教師データＴもまた、ルータ１０３からエッジサーバー３００を介してクラウドサーバー２００に送信される。このように、干渉を受けるチャンネル（被干渉チャンネル）の学習のために、ＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２を入力データＸ、干渉が発生したチャンネルを教師データＴとして入力とする。そして、学習モデル２５２を用いて干渉が発生するチャンネル情報を推定して分類し、教師データＴとなる干渉が発生するチャンネル情報とのずれ量Ｌが最小となるようクラウドサーバー２００において学習が行われ学習モデル２５１が更新される。

上述の例では、ＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２、チャンネル情報１００５は、干渉が発生した場合にのみルータ１０３からエッジサーバー３００を介してクラウドサーバー２００に送信される。よって、クラウドサーバー２００では、取得した学習用データをすべて学習に用いることができる。

しかしながら、本実施形態はこれに限定されない。すなわち、ルータ１０３は、定期的に、ＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２、チャンネル情報１００５を送信してもよい。この場合、干渉が発生していない場合でも、各情報が送信されることになり、干渉が発生していない場合に送信されるチャンネル情報１００５は、干渉が発生しているチャンネル番号ではなく、時刻１００２において使用していたチャンネル番号となる。そこで、この場合、ルータ１０３は、上述の４つの情報と共に、干渉が発生していたか否か示す情報（干渉発生有無情報）を送信する。そして、これらの情報に基づき、エッジサーバー３００とクラウドサーバー２００のうち一方は、干渉発生有無情報に基づき、干渉が発生していた場合の情報のみを学習用データとして選択するようにし、干渉が発生しなかった場合の情報は学習用データとして選択しないようにしてもよい。エッジサーバー３００において学習用データの選択が行われる場合は、選択されたデータのみを学習用データとしてクラウドサーバー２００に送信する。

本実施形態において、チャンネル情報のずれ量Ｌとは例えば、学習モデル２５２を用いて推定された出力データY９０３により示されたチャンネル番号と、教師データＴ９０２により示されたチャンネル番号との乖離を示す。なお、干渉チャンネル推定の学習は、様々な場所に設置された多くの無線ＬＡＮルータ１０３、あるいは様々な場所に移動して用いられる移動式の無線ＬＡＮルータ１０３から、様々な時期において、入力データＸと、入力データＸに同期した教師データＴとを取得して実現されることが望ましい。

●入力データＸと教師データＴの生成
図１１は、学習または推定の入力データＸのパラメータのうち、ＧＰＳ１０００と気象レーダ観測所情報１００１の取得手順を示すフロー図である。図１１の手順はエッジサーバー３００によって実行されてもよいし、ルータ１０３によって実行されてもよいが、ここではルータ１０３により実行されるものとして説明する。図１１（Ａ）（Ｂ）のフローは、ルータ１０３のＣＰＵ７１１がプログラムメモリ７１３等に格納されたプログラムをＲＡＭに読み出して実行することにより実現される。ＧＰＳ情報１０００の取得フローチャートを図１１（Ａ）に示す。

ステップＳ１１０１で、ＣＰＵ７１１は、ＧＰＳユニット７２４よりルータ１０３の設置位置を示す経度・緯度・高度のＧＰＳ情報を取得し、処理はステップＳ１１０２に進む。ステップＳ１１０２では、ＣＰＵ７１１は、ステップＳ１１０１で取得した経度・緯度を度分秒の値、たとえば経度・緯度が３５度３９分２９秒の場合は３５、３９、２９を区別してデータメモリ７１４に保存し、処理はステップＳ１１０３に進む。ステップＳ１１０３では、ＣＰＵ７１１は、ステップＳ１１０１で取得した高度をメートルの値、たとえば高度が１２３メートルの場合は１２３をデータメモリ７１４に保存し、処理を終了する。

対象の気象レーダ観測所情報１００１の取得フローチャートを図１１（Ｂ）に示す。ステップＳ１１０４で、ＣＰＵ７１１は、クラウドサーバー２００に保存している気象レーダ観測所情報（本例では緯度・経度・標高を含む）を取得し、処理はステップＳ１１０５に進む。ステップＳ１１０５では、ＣＰＵ７１１は、ステップＳ１１０４で取得した気象レーダ観測所情報をＧＰＳ情報１０００と比較し、最も影響を受ける気象レーダ観測所（例えば最寄りの気象レーダ観測所）を判断し、処理はステップＳ１１０６に進む。ステップＳ１１０６では、ＣＰＵ７１１は、ステップＳ１１０５で判断した最寄りの気象レーダ観測所のＧＰＳ情報を経度・緯度を度分秒の値として、たとえば経度・緯度が３５度５１分３５秒の場合は３５、５１、３５を区別し、データメモリ７１４に保存する。また、高度をメートルの値として、たとえば高度が７４メートルの場合は７４をデータメモリ７１４に保存し、処理を終了する。

ＣＰＵ７１１は、時刻１００２の情報を、無線ＬＡＮユニット７１６もしくは有線ＬＡＮユニット７１８より取得する。チャンネル情報１００５、無線ＬＡＮ通信制御部７１５より現在動作しているチャンネル情報を取得し、チャンネルの値をデータメモリ７１４に保存する。干渉波発生有無１００４は干渉波検出部７２１の検出結果より取得し、発生している場合は１、発生していない場合は０の値をデータメモリ７１４に保存する。データメモリ７１４に保存された上記データが入力データＸ９１１及び教師データＴとしてエッジサーバー３００に送信され、さらにクラウドサーバー２００に転送されて学習モデル２５２の生成に用いられる。また、エッジサーバー３００による学習済モデル３５２を用いたチャンネルの推定に用いられる。

●学習済モデルを用いたチャンネルの推定
図１２は、エッジサーバー３００による推定時の学習済モデル３５２の入出力の構造を示す図である。図１２に示す通り、本実施形態においては、推定のための入力データＸ９１１としては、ＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２を使用する。学習済モデル３５２による推定の結果として得られる出力データＹ９１３は、干渉が発生するチャンネル情報となる。そして、このチャンネル情報がルータ１０３に送信されて、その値に基づいてルータ１０３が無線通信で使用するチャンネルを決定する。

●１．電源投入時のセットアップ
ルータ１０３の電源投入時の５ＧＨｚ帯域のチャンネル設定処理シーケンスについて図１３を用いて説明する。図１３のフローは、ルータ１０３のＣＰＵ７１１がプログラムメモリ７１３等に格納されたプログラムをＲＡＭに読み出して実行することにより実現される。なお、電源投入時には、５ＧＨｚ帯域のチャンネル設定以外の起動セットアップのシーケンスも処理されるが、本実施形態に直接関連しないシーケンスについてはここでは図示していない。

ルータ１０３のＣＰＵ７１１は、電源が投入されると、無線ＬＡＮアクセスポイント機能の処理を開始する際に、無線通信で使用チャンネルを決定する。電源投入後、ステップＳ１３０１で、ルータ１０３の無線ＬＡＮアクセスポイント機能において、５ＧＨｚ帯域が有効設定になっているかを判断する。この判断の結果、５ＧＨｚ帯域が有効に設定されていると判断した場合は、処理はステップＳ１３０２に進む。一方、５ＧＨｚ帯域が有効に設定されていないと判断した場合は、５ＧＨｚ帯域のチャンネル設定処理を終了する。

ステップＳ１３０２では、ＣＰＵ７１１は、エッジサーバー３００で干渉チャンネルの推定を行うために、エッジサーバー３００に推定依頼のための推定要求）を送信する。推定のために必要な入力データＸも推定要求とともにエッジサーバー３００に送信される。この入力データＸは、ステップＳ１３０２の実行時点において取得したデータであってよい。エッジサーバー３００で推定が終わると、推定結果として推定された干渉が発生するチャンネル情報を受信する。推定依頼時には、時刻１００２として、推定したい時刻を入力してもよい。たとえば現在時刻をそのまま入力すれば、現在時刻における干渉チャンネルを推定結果として受け取ることができる。また、現在時刻を所定時間進めた将来の時刻を時刻１００２として入力すれば、将来の時刻における干渉チャンネルを推定結果として受け取ることができる。本例では、現在の時刻を入力するものとするが、もちろん将来の時刻を入力してもよい。

ステップＳ１３０３では、ＣＰＵ７１１は、ルータ１０３の無線ＬＡＮアクセスポイント機能において、５ＧＨｚ帯域の起動チャンネルとして既に設定されているチャンネルがあるかを判定する。例えば、デフォルトの設定として所定のチャンネルで起動することが決まっている場合は、Ｓ１３０３にてＹＥＳとなる。また、前回５ＧＨｚ帯域で通信した場合に使用していたチャンネルが起動チャンネルとなる仕様の場合も、この前回使用していたチャンネルが既に設定されているチャンネルとなるため、Ｓ１３０３においてＹＥＳとなる。この判定の結果、５ＧＨｚ帯域の起動チャンネルが設定チャンネルであると判断した場合は、処理はステップＳ１３０４に進む。一方、５ＧＨｚ帯域の起動チャンネルとして既に設定されているチャンネルがないと判定した場合は、処理はステップＳ１３０９に進む。

ステップＳ１３０４では、ＣＰＵ７１１は、設定されている５ＧＨｚ帯域の起動チャンネルが、ステップＳ１３０２で取得した推定結果のチャンネルと比較し、同一のチャンネルか否かを判定する。この判定の結果、同一のチャンネルと判定した場合は、処理はステップＳ１３０５に進む。一方、同一のチャンネルでないと判定した場合は、処理はステップＳ１３０６に進む。ステップＳ１３０５では、ＣＰＵ７１１は、５ＧＨｚ帯域の起動チャンネルの変更処理を行う。例えば、設定されている起動チャンネルが５２ｃｈであり、推定結果のチャンネルも５２ｃｈの場合、ＣＰＵ７１１は、５２ｃｈとは異なるチャンネルに変更する。その後、処理はステップＳ１３０６に進む。

ステップＳ１３０９では、ＣＰＵ７１１は、ステップＳ１３０２で取得した推定結果に基づき、５ＧＨｚ帯域の起動チャンネルの選定処理を行う。この際、ステップＳ１３０２で取得した推定結果は干渉が発生するチャンネル情報なので、取得した推定結果とは異なるチャンネルを選定し、処理はステップＳ１３０６に進む。例えば、推定結果のチャンネルが５２ｃｈの場合、ＣＰＵ７１１は、５２ｃｈとは異なるチャンネルを選定する。

ステップＳ１３０６では、ＣＰＵ７１１は、選定した５ＧＨｚ帯域の起動チャンネルにて干渉波監視処理を行う。干渉波監視処理については、図１４を用いて後に説明する。その後、処理はステップＳ１３０７に進む。

ステップＳ１３０７では、ＣＰＵ７１１は、１分間干渉波監視処理を行ったか否かを判断する。この判断の結果、１分間監視処理を行ったと判断した場合は、処理はステップＳ１３０８に進む。一方、１分間検知処理を行っていないと判断した場合は、再度ステップＳ１３０６の処理を行う。

ステップＳ１３０８では、ＣＰＵ７１１は、クラウドサーバー２００で学習を行うために、エッジサーバー３００に学習依頼を送信する。この時、教師データＴとして、この時点におけるチャンネル情報１００５を送信する。また入力データＸとして、ＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２を送信し、アクセスポイント機能起動処理を終了する。なお、上述したとおり、これらの情報と共に干渉波発生有無１００４を送信してもよい。学習依頼に応じて再学習した更新済みの学習済モデルは、再学習後直ちにエッジサーバー３００に随時渡されてもよいし、所定のタイミングで渡されてもよい。

図１４は、ステップＳ１３０６における干渉波監視処理内容を示すフローチャートである。なおこのフローチャートは本実施形態の説明に関わる処理について記載しており、その他の処理については図示を省略している。図１４のフローは、ルータ１０３のＣＰＵ７１１がプログラムメモリ７１３等に格納されたプログラムをＲＡＭに読み出して実行することにより実現される。

ステップＳ１４０１では、ＣＰＵ７１１は、干渉を検出したか否かを判断する。この判断の結果、干渉を検出したと判断した場合は、処理はステップＳ１４０２に進む。一方、干渉を検出していないと判断した場合は、干渉波監視処理を終了する。

ステップＳ１４０２では、ＣＰＵ７１１は、クラウドサーバー２００で学習を行うために、エッジサーバー３００に学習依頼を送信する。この時、教師データＴとして、この時点におけるチャンネル情報１００５を送信する。また、入力データＸとしてＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２を送信する。その後、処理はステップＳ１４０３に進み、アクセスポイント機能の終了処理を行い、ステップＳ１４０４の処理を行う。

ステップＳ１４０４では、アクセスポイント機能の起動処理を行う。処理は上記のステップＳ１３０１〜Ｓ１３０９と同様であるため、その説明は省略する。この結果、推定結果を用いて選択したチャンネルに干渉が生じたという結果を含めて学習済モデルを更新することができる。そして新たな学習済モデルを用いた干渉チャンネルの推定が次回以降の起動処理で行われることとなる。なお、Ｓ１４０１において干渉を検出した場合は、ＣＰＵ７１１は、干渉が発生したチャンネルとは異なるチャンネルへ変更する処理を行う。なお、本実施形態では、図１３のステップＳ１３０２において推定処理を行い、ステップＳ１３０８において学習処理を行っているが、本発明の実施に当たっては必ずしもこの構成に限られるものではない。Ｓ１３０２において推定処理を行った場合は、ステップＳ１３０８の学習処理を省いても良い。

●２．手動設定によるチャンネル変更
ルータ１０３の無線ＬＡＮアクセスポイント機能に対して、ユーザ操作より５ＧＨｚ帯域のチャンネル変更要求があった場合のチャンネル変更処理シーケンスについて図１５を用いて説明する。図１５のフローは、ルータ１０３のＣＰＵ７１１がプログラムメモリ７１３等に格納されたプログラムをＲＡＭに読み出して実行することにより実現される。

ルータ１０３のＣＰＵ７１１は、ステップＳ１５０１で、ユーザの手動指示に基づく５ＧＨｚ帯域のチャンネル変更要求を受けると、ステップＳ１５０２に進む。チャンネル変更は、例えば、クライアント端末４０１のＷｅｂブラウザなどから、ルータ１０３の有するＷｅｂサーバーが提供する設定用のページにアクセスし、そのページ上で行うことができる。

ステップＳ１５０２において、ＣＰＵ７１１は、ステップＳ１５０１で受け付けた、無線ＬＡＮアクセスポイントの５ＧＨｚ帯域の起動チャンネル設定をデータメモリ７１４に保存し、処理はステップＳ１５０３に進む。

ステップＳ１５０３では、ＣＰＵ７１１は、アクセスポイント機能の終了処理を行い、ステップＳ１５０４の処理を行う。

ステップＳ１５０４では、ＣＰＵ７１１は、アクセスポイント機能の起動処理を行う。処理は上記のステップＳ１３０１〜Ｓ１３０９と同様であるため、その説明は省略する。すなわち、ステップＳ１５０１で指定された５ＧＨｚ帯域の起動チャンネルを設定された起動チャンネルとして、図１３の手順が実行される。これにより、手動設定されたチャンネルが干渉チャンネルとなる可能性を推定し、干渉チャンネルになるのであれば他のチャンネルへと使用するチャンネルを変更する。

●３．干渉波検出によるチャンネル変更
干渉波検出部７２１は、無線通信においてＤＦＳが実施される５ＧＨｚ帯域（ＤＦＳ帯域）のチャンネルを用いている状態において干渉波を検出した場合、即座にチャンネルは変更されなければならない。その際のチャンネル変更処理シーケンスについて図１６を用いて説明する。なお、５ＧＨｚ帯域のチャンネル変更処理以外のシーケンスも処理されるが、本実施形態に直接関連しないシーケンスについてはここでは図示していない。図１６の手順はルータ１０３のＣＰＵ７１１等で実行される。

ルータ１０３は、ＣＰＵ７１１は、ステップＳ１６０１でＤＦＳが実施される５ＧＨｚ帯域のチャンネルで無線通信が行われている場合、ステップＳ１６０２で、干渉波の監視を実施している。干渉波監視処理については、処理は図１４のステップＳ１４０１〜Ｓ１４０４と同様であるため、その説明は省略する。なお、この図１４の処理により、干渉が発生した場合は、即座に干渉が発生したチャンネルとは異なるチャンネルへ変更を行う。

ルータ１０３は、電源が投入されている間はステップＳ１６０１とＳ１６０２の処理の実行を繰り返し、アクセスポイント機能の終了処理もしくは電源が切られると図１６の処理を終了する。ただし、干渉を検出したことにより、使用するチャンネルをＤＦＳが実施されない５ＧＨｚ帯域のチャンネルに切り換えた場合には、図１６の処理を中断してよい。

●干渉が発生するチャンネル推定結果に伴うチャンネル変更
ルータ１０３の無線ＬＡＮアクセスポイント機能において、５ＧＨｚ帯域が有効設定になっている場合、定期的にエッジサーバー３００で推定を行う。推定結果と無線通信に使用しているチャンネルが同一である場合、チャンネル変更を行う。その際の処理シーケンスについて図１７を用いて説明する。図１７の処理は、ルータ１０３のＣＰＵ７１１等により実行される。また図１７の処理は、たとえば図１３に示したアクセスポイント機能起動処理が実行された後に定期的に実行されてよい。

ルータ１０３のＣＰＵ７１１は、ステップＳ１７０１で、無線通信処理を行っている場合、処理はステップＳ１７０２に進む。なお、クライアント端末４０１とプリンタ６００とがデータ通信中であれば、推定結果に基づく使用チャンネルの変更処理に進まず、データ通信が終了したタイミングで、チャンネルを変更する処理に進んでもよい。

ステップＳ１７０２で、ＣＰＵ７１１は、ルータ１０３の無線ＬＡＮアクセスポイント機能において、５ＧＨｚ帯域が有効設定になっているかを判断する。この判断の結果、５ＧＨｚ帯域が有効に設定されていると判断した場合は、処理はステップＳ１７０３に進む。一方、５ＧＨｚ帯域が有効に設定されていないと判断した場合は、再度ステップＳ１７０１の処理を行う。

ステップＳ１７０３では、エッジサーバー３００で推定を行うために、エッジサーバー３００に推定依頼を送信する。推定依頼とともに必要な入力データＸもエッジサーバー３００に引き渡す。本例では、入力データＸはすべてＳ１７０３実行時点の値であってよい。エッジサーバー３００で推定が終わると、推定結果として推定された干渉が発生するチャンネル情報を受信する。

ステップＳ１７０４では、ステップＳ１７０２で取得した推定結果と５ＧＨｚ帯域の通信で使用しているチャンネルを比較し、同一のチャンネルか否かを判断する。この判断の結果、同一のチャンネルと判断した場合は、処理はステップＳ１７０５に進む。一方、同一のチャンネルでないと判断した場合は、再度ステップＳ１７０１の処理を行う。

ステップＳ１７０５では、５ＧＨｚ帯域の通信が実際に行われているか否かを判断する。この判断の結果、通信が行われていると判断した場合は、処理は再度ステップＳ１７０５を行う。この間、通信処理は継続されている。一方、通信が行われていないと判断した場合は、ステップＳ１７０６の処理を行う。ステップＳ１７０６では、アクセスポイント機能の終了処理を行い、ステップＳ１７０７の処理を行う。

ステップＳ１７０７では、アクセスポイント機能の起動処理を行う。処理は図１３のステップＳ１３０１〜Ｓ１３０９と同様であるため、その説明は省略する。

このように、Ｓ１７０５では、例えば、クライアント端末４０１とプリンタ６００とがデータ通信中であれば、Ｓ１７０５より先に処理は進まない。よって、データ通信中の状態では、推定結果に基づく使用チャンネルの変更は行われない。そして、データ通信が終了した後に、アクセスポイント機能の終了と起動処理を行うことにより、推定結果に基づく使用チャンネルの変更処理が行われる。

●エッジサーバー３００による処理
図１８は、エッジサーバー３００の処理内容を示すフローチャートである。この処理はエッジサーバー３００のハードディスクユニット２０２に格納されており、エッジサーバー３００が起動されると、エッジサーバー３００のＣＰＵ２１１により実行される。なおこのフローチャートは本実施形態の説明に関わる処理について記載しており、その他の処理については図示を省略している。ステップＳ１８０１の初期化処理を実行後は、続くステップＳ１８０２からＳ１８０４で外部から各種命令の受信をチェックし、受信した命令に応じた処理を実行する。

ステップＳ１８０２において、ＣＰＵ２１１は、ルータ１０３からの学習依頼を受信していることを検知した場合は、ステップＳ１８０５へ進み、受信した学習依頼をパラメータである入力データＸとともにクラウドサーバー２００に送信する。ステップＳ１８０３において、ＣＰＵ２１１は、ルータ１０３からの推定依頼を受信していることを検知した場合は、ステップＳ１８０６へ進み、受信した推定依頼を実行する。具体的には、ＣＰＵ２１１は、推定依頼に添付されているＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２を推定部３５１に送り、学習済モデル３５２を用いて推定を実行する。ステップＳ１８０６の推定実行が完了すると、ステップＳ１８０７へ進み、推定の結果を依頼元のルータ１０３に送信する。ステップＳ１８０４において、ＣＰＵ２１１は、クラウドサーバー２００から学習済モデル配信を受信していることを検知した場合は、ステップＳ１８０８へ進み、受信した学習済モデルの情報をエッジサーバー３００の学習済モデル３５２に反映し記憶する。これにより、以降の推定依頼に対しては更新された学習済モデル３５２が用いられるようになる。

●クラウドサーバー２００による処理
図１９は、クラウドサーバー２００の処理内容を示すフローチャートである。この処理はクラウドサーバー２００のハードディスクユニット２０２に格納されており、クラウドサーバー２００が起動されると、クラウドサーバー２００のＣＰＵ２１１により実行される。なおこのフローチャートは本実施形態に関わる処理について記載しており、その他の処理については図示を省略している。

ステップＳ１９０１の初期化処理を実行後は、続くステップＳ１９０２で外部からの命令の受信をチェックし、受信した命令に応じた処理を実行する。ステップＳ１９０２で、ＣＰＵ２１１は、外部から学習依頼を受信していることを検知した場合は、ステップＳ１９０３へ進み、受信した学習依頼を学習データ生成部２５０に送り、学習用データを生成する。学習用データには例えば入力データＸおよび教師データＴを含む。また学習用データの生成には、学習依頼から学習用データの抽出を含む。続くステップ１８０４では、ＣＰＵ２１１は、生成した学習用データを基に学習を実行する。具体的には、学習用データを学習部２５１に送り、学習モデル２５２に対する学習を実行する。学習結果は続くステップＳ１９０５で学習モデル２５２に反映され蓄積される。学習結果の蓄積が終わると、ステップＳ１９０６へ進み、ＣＰＵ２１１は、学習モデル２５２からエッジサーバー３００へ配信する学習済モデル３５２を生成してエッジサーバー３００へ送信する。クラウドサーバー２００は、起動後の初期化処理を実行してから、電源が投入されている間はステップＳ１９０２で外部から学習依頼の受信待ちを継続し、電源が切られると図１７の処理を終了する。なお、ここではクラウドサーバー２００が学習依頼を受信するごとに学習を実行するように説明したが、学習の実行には処理時間を要するため、受信した学習依頼を蓄積しておいて、学習依頼の受信とは非同期に学習実行するように構成してもよい。また、学習が行われる毎にエッジサーバー３００への学習済モデル配信が行われるように説明したが、大量の学習がクラウドサーバー２００で行われる場合には都度配信しなくてもよい。定期的に配信する、またはエッジサーバー３００から必要に応じて配信要求を出して配信させるように構成してもよい。

図１９の処理は、エッジサーバー３００において干渉チャンネルの推定を開始する前に、相当量の学習用データを用意したうえでそれらの学習用データそれぞれについて実行して学習済モデル３５２を生成しておいてよい。いったん学習済モデル３５２を生成したなら、そのあとは、それを元にして干渉チャンネルの推定を行うエッジサーバー３００からの学習依頼に応じて図１９の処理が実行されてよい。

以上のような処理をそれぞれ行うことで、干渉が発生し得るチャンネル情報を事前に予測し、無線ＬＡＮアクセスポイント機能を備えている通信装置が電波干渉しないチャンネルで通信を実行できる確率を高めることができる。なお事前予測を行うのであれば、その結果、通信速度の低下や通信実行中にも関わらず切断しなければならないといった課題を回避することが可能になる。

［変形例］
なお、気象レーダ観測所によるレーダの出力時期を予め知ることができれば、その出力時期における干渉チャンネルを学習すればよい。つまり、ルータ１０３が、干渉の発生した場合のみ学習依頼をするのではなく、ルータ１０３は定期的に、ＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２、チャンネル情報１００５を送信するとよい。また、定期的にこのような情報を送信する場合でも、ルータ１０３は、干渉の有無を示す干渉発生有無情報を一緒に送信する必要はなくなる。

本例の場合には、干渉チャンネルの推定を行うタイミングは、気象レーダが使用されるタイミングである。そこで、上記実施形態においてエッジサーバー３００は、推定依頼を受けた際に、入力データXの一部である時刻情報１００２で示されるタイミングが気象レーダの出力タイミングと重複するか判定し、重複していれば干渉チャンネルを推定してその結果をルータ１０３に送信する。また重複していなければ、学習済モデル３５２を用いた推定を行わずに、干渉がないことを示す応答をルータ１０３に送信してもよい。気象レーダ等の干渉波の発生時期は、予めその出力元から情報を得て、クラウドサーバー２００或いはエッジサーバー３００に保持しておけばよい。

［第２の実施形態］
第2の実施形態は、第1の実施形態、特に上述の変形例を基礎にするが、再学習のタイミングにおいて相違する。第1の実施形態では、いったん生成されて推定のための利用に供された学習済モデル３５２を更新（すなわち再学習）するタイミングは、図１３のステップＳ１３０８と図１４のステップＳ１４０２である。すなわち、起動時の設定チャンネルと推定結果とが一致していた場合であり、チャンネル変更の後には、そこで干渉があればＳ１４０２で、干渉がなくともＳ１３０８で、再学習が行われる。これに対して本実施形態では、所定の条件が満たされるとルータ１０３からエッジサーバー３００に対して学習依頼を発行する。そのときの入力データＸと教師データＴは第1の実施形態と同様である。

ここで所定の条件とは、現在ルータ１０３に使用チャンネルとして設定されているチャンネルが干渉を受けていることである。この条件は、たとえば干渉波検出部７２１により干渉が検出された場合に該当する。この場合に、ルータ２０３は第1の実施形態と同様に入力データＸと教師データＴとを取得し、それらデータとともにエッジサーバー３００に対して学習依頼を発行する。エッジサーバー３００は学習依頼をクラウドサーバー２００に転送し、クラウドサーバー２００は、学習依頼に応じて、入力データXを学習モデル２５２に入力してその出力データYと教師モデルTとの差分に応じてニューラルネットワークの重み付け係数を調整する等により、学習モデル２５２を更新する。クラウドサーバー２００は、更新後の学習モデル２５２から更新後の学習済モデル３５２を作成してエッジサーバー３００に引き渡し、エッジサーバー３００はそれ以降の干渉チャンネルの推定のために利用する。学習済モデル３５２の作成及びエッジサーバー３００への引き渡しは、更新の都度行ってもよいし、更新が蓄積された適当なタイミング（例えば所定周期）で行ってもよい。

このようにすることで、干渉が生じていることが予想される場合に、干渉チャンネルを学習することができるので、効率的な学習をおこなうことができる。したがって推定の精度も向上することが期待できる。

［第３の実施形態］
図２０は、学習時の学習モデル２５２の入出力の構造を示す図である。図２０に示す通り、学習の入力データＸとしては、第1実施形態のＧＰＳ情報１０００、対象の気象レーダ観測所情報１００１、時刻１００２に加えて、対象チャンネル１００３、干渉波発生有無１００４のデータを使用する。対象チャンネル１００３は無線ＬＡＮルータ１０３が現在選択しているチャンネルを、たとえばチャンネル番号等により示す。干渉波発生有無１００４は、気象レーダ観測所などから現在干渉波が発生しているか否かを示す。これは発生しているかいないかを二値で示せばよい。対象チャンネル１００３、干渉波発生有無１００４のデータはそれぞれ、無線ＬＡＮルータ１０３の無線ＬＡＮ通信制御部７１５、干渉波検出部７２１により取得され、エッジサーバー３００を介して、クラウドサーバー２００に入力データXの一部として送信される。

また、教師データＴとしては、干渉波発生チャンネル情報１００５を使用する。ただし内容は第1の実施形態と異なり、干渉が生じている可能性のあるチャンネルを指名している。例えば、ルータ１０３が使用しているチャンネルに干渉がなければ、ＤＦＳ帯域のうちの他のいずれかのチャンネルで干渉が生じていることが予想できる。したがって、干渉波発生チャンネル情報１００５は、現在のルータ１０３のチャンネル（すなわち対象チャンネル１００３で示されたチャンネル）に干渉が生じていれば使用チャンネルである対象チャンネルと同じなエルチャンネル[11]を示し、生じていなければ対象チャンネル以外のチャンネルを干渉が生じている可能性があるチャンネルとして示す。この場合でも推定のための入力データＸは、図１２と同様であってよい。また他の構成や学習のタイミングについては、第1の実施形態の変形例や第2の実施形態と同様であってよい。

このようにすることで、対象チャンネル（すなわち現在の設定チャンネル）が干渉を受けていない場合でも、他のいずれかのチャンネルが干渉されていることを学習することができ、より干渉チャンネルの推定精度を向上させることができる。

［その他の実施例］
本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワークまたは記憶媒体を介してシステムまたは装置に供給し、そのシステムまたは装置のコンピュータにおける１つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。コンピュータは、１または複数のプロセッサーまたは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータまたは分離した複数のプロセッサーまたは回路のネットワークを含みうる。

プロセッサーまたは回路は、中央演算処理装置（ＣＰＵ）、マイクロプロセッシングユニット（ＭＰＵ）、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートウェイ（ＦＰＧＡ）を含みうる。また、プロセッサーまたは回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）、またはニューラルプロセッシングユニット（ＮＰＵ）を含みうる。
記憶媒体は、非一時的なコンピュータ可読媒体とも称することができる。また、記憶媒体は、１または複数のハードディスク（ＨＤ）、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、分散コンピューティングシステムの記憶装置を含みうる。また、記憶媒体は、光ディスク（例えば、コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）、またはブルーレイディスク（ＢＤ、登録商標））、フラッシュメモリデバイス、及びメモリカードを含みうる。

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

１００処理システム、１０１近距離無線通信、１０２ローカルエリアネットワーク、１０３ルータ、１０４インターネット、１０５携帯電話回線網、２００クラウドサーバー、３００エッジサーバー、４００デバイス、４０１クライアント端末、４０２デジタルカメラ、５００スマートフォン、６００プリンタ

Claims

複数のチャンネルのうちいずれかのチャンネルを用いて無線通信を行う通信装置であって、
前記通信装置の位置情報と、前記無線通信と干渉を生じる可能性のある電波の発生源の位置情報と、時刻情報と、を基に出力された、前記無線通信が干渉する可能性のあるチャンネル情報を取得する取得手段と、
前記取得されたチャンネル情報に基づき、前記無線通信で使用するチャンネルを選択する選択手段と、
を備えることを特徴とする通信装置。
請求項１に記載の通信装置であって、
前記選択手段は、前記取得したチャンネル情報に対応するチャンネルが現在選択されているチャンネルと同じであるか判定し、同じであれば、前記現在選択されているチャンネルを、前記取得したチャンネル情報に対応するチャンネル以外のチャンネルへと変更することを特徴とする通信装置。
請求項２に記載の通信装置であって、
前記選択手段は、通信中であるならば、その通信の後に、前記取得したチャンネル情報に対応するチャンネルが現在選択されているチャンネルと同じであるか判定することを特徴とする通信装置。
請求項１乃至３のいずれか一項に記載の通信装置であって、
前記選択手段により選択した前記チャンネルで通信を開始した後に、前記チャンネルにおける干渉を監視し、干渉を検出した場合には、学習機能を有する外部装置に対して、前記通信装置の位置と、最寄りの干渉波の発生源の位置と、現在時刻とを入力データとし、干渉を受けている被干渉チャンネルを教師データとして学習依頼を送信し、前記外部装置から前記学習依頼に対応した更新済み学習済モデルを受信し、受信した前記更新済み学習済モデルを前記学習済モデルとして用いることを特徴とする通信装置。
請求項１乃至４のいずれか一項に記載の通信装置であって、
前記時刻情報として現在の時刻を用いることを特徴とする通信装置。
請求項１乃至４のいずれか一項に記載の通信装置であって、
前記時刻情報として将来の時刻を用いることを特徴とする通信装置。
複数のチャンネルのいずれかで無線通信を行う際の干渉チャンネルを推定するようコンピュータを機能させるための学習済モデルであって、
前記学習済モデルを構成するニューラルネットワークの重み付け係数は、前記無線通信を行う通信装置の位置情報と、干渉波の発生源の位置情報と、時刻情報とを含む入力データと、前記無線通信の干渉波が発生するチャンネル情報を含む教師データとを学習用データとして用いて学習されており、
通信装置の位置情報と、干渉波の発生源の位置情報と、時刻情報とを含む入力データに対して、無線通信の干渉波が発生するチャンネル情報を前記ニューラルネットワークの出力層から出力させるようコンピュータを機能させるための学習済モデル。
請求項７に記載の学習済モデルであって、
前記重み付け係数は、前記無線通信を行う通信装置が使用するチャンネルと、当該チャンネルにおける干渉の有無とをさらに含む前記入力データを前記学習用データとして用いて学習されており、
通信装置の位置情報と、干渉波の発生源の位置情報と、時刻情報と、前記通信装置が使用するチャンネルと、当該チャンネルにおける干渉の有無とを含む入力データに対して、前記無線通信の干渉波が発生するチャンネル情報を前記ニューラルネットワークの出力層から出力させるようコンピュータを機能させることを特徴とする学習済モデル。
請求項７または８に記載の学習済モデルであって、
前記干渉波が発生するタイミングで学習を行ったことを特徴とする学習済モデル。
請求項７乃至９のいずれか一項に記載の学習済モデルであって、
前記無線通信は無線ローカルエリアネットワークであり、前記複数のチャンネルは前記無線ローカルエリアネットワークの５ＧＨｚ帯域のチャンネルであることを特徴とする学習済モデル。
請求項７乃至１０のいずれか一項に記載の学習済モデルであって、
前記干渉波の発生源は気象レーダ観測所であることを特徴とする学習済モデル。
請求項７乃至１１のいずれか一項に記載の学習済モデルであって、
前記通信装置は、無線ローカルエリアネットワークの親局であることを特徴とする学習済モデル。
複数のチャンネルのいずれかで無線通信を行う通信装置により実行される制御方法であって、
請求項７乃至１２のいずれか一項に記載の学習済モデルを用いて、前記通信装置の位置を前記通信装置の位置情報とし、前記通信装置の最寄りの干渉波の発生源の位置を前記干渉波の発生源の位置情報とし、推定の時刻を前記時刻情報として含む前記入力データに対する、前記無線通信の干渉波が発生する前記チャンネル情報を推定し、
推定した前記チャンネル情報で示されたチャンネル以外のチャンネルを前記複数のチャンネルから選択し、
選択した前記チャンネルで通信を行う
ことを特徴とする制御方法。
複数のチャンネルのいずれかで無線通信を行う通信装置により実行されるプログラムであって、
請求項７乃至１２のいずれか一項に記載の学習済モデルを用いて、前記通信装置の位置を前記通信装置の位置情報とし、前記通信装置の最寄りの干渉波の発生源の位置を前記干渉波の発生源の位置情報とし、推定の時刻を前記時刻情報として含む前記入力データに対する、前記無線通信の干渉波が発生する前記チャンネル情報を推定し、
推定した前記チャンネル情報で示されたチャンネル以外のチャンネルを前記複数のチャンネルから選択し、
選択した前記チャンネルで通信を行う
ように前記通信装置を機能させるためのプログラム。
無線ＬＡＮにおいて親局として無線通信を行う無線通信装置と、
推定して出力するための学習済モデルを生成する学習手段と、
前記学習済モデルを用いて推定を行う推定手段とを備え、
前記学習手段は、位置情報と、干渉波の発生源の位置情報と、時刻と、対象チャンネルと、干渉波発生有無を示す情報を入力データとし、干渉波が発生したチャンネル情報を教師データとして、前記入力データから推定された干渉波が発生するチャンネル情報と前記教師データとのずれが最小となるように学習モデルを最適化することで前記学習済モデルを生成し、
前記推定手段は、前記無線通信装置の位置情報と、前記無線通信装置の最寄りも干渉波の発生源の位置情報と、時刻とを入力データとして、干渉波が発生するチャンネル情報を推定する
ことを特徴とする通信システム。
請求項１５に記載の通信システムであって、
前記推定手段により推定された前記干渉波が発生する前記チャンネル情報に基づいて、使用する設定チャンネルを決定する第１の制御手段と、
無線通信で使用しているチャンネルで干渉波を検出する干渉波検出手段と、
前記干渉波検出手段により検出された干渉波に基づいて、前記設定チャンネルを制御する第２の制御手段と
をさらに備えることを特徴とする通信システム。
請求項１６に記載の通信システムであって、
前記第１の制御手段は、前記推定手段により推定された前記干渉波が発生するチャンネルを使用しないように前記設定チャンネルを決定することを特徴とする通信システム。
請求項１６または１７に記載の通信システムであって、
前記第１の制御手段は、特定のチャンネルが選択されており、前記特定のチャンネルが前記推定手段により推定された前記干渉波が発生するチャンネルと同一であった場合、前記特定のチャンネルとは異なるチャンネルへと前記設定チャンネルを変更することを特徴とする通信システム。
請求項１６乃至１８のいずれか一項に記載の通信システムであって、
前記第１の制御手段は、前記使用するチャンネルを決定した後に、前記干渉波が発生するチャンネル情報を前記推定手段より定期的に推定して取得し、現在の設定チャンネルと同一であった場合、前記設定チャンネルを変更することを特徴とする通信システム。
請求項１８または１９に記載の通信システムであって、
前記第１の制御手段は、無線通信が行われている場合には、無線通信が終了した後に前記設定チャンネルを変更することを特徴とする通信システム。
請求項１６乃至１９のいずれか一項に記載の通信システムであって、
前記第２の制御手段は、前記干渉波検出手段より干渉波を検出した場合、前記設定チャンネルを変更することを特徴とする通信システム。
請求項１６乃至２１のいずれか一項に記載の通信システムであって、
前記無線通信装置が通信に用いる周波数帯域として、第１の周波数帯域と、特定の周波数帯域を含む第２の周波数帯域と、のうちいずれの周波数帯域も設定が可能であり、
前記第２の周波数帯域が設定されている場合に、前記推定手段により前記干渉波が発生するチャンネル情報を推定して取得することを特徴とする通信システム。
請求項２２に記載の通信システムであって、
前記第１の周波数帯域は２．４ＧＨｚの周波数帯域であり、前記第２の周波数帯域は５ＧＨｚの周波数帯域であることを特徴とする通信システム。
請求項２２または２３に記載の通信システムであって、
前記特定の周波数帯域は、５ＧＨｚの周波数帯域のうちＤＦＳ（ＤｙｎａｍｉｃＦｒｅｑｕｅｎｃｙＳｅｌｅｃｔｉｏｎ）機能を適用する必要がある周波数帯域であることを特徴とする通信システム。
無線ＬＡＮにおいて親局として無線通信を行う無線通信装置と、
推定して出力するための学習済モデルを生成する学習手段と、
前記学習済モデルを用いて推定を行う推定手段とを備えた通信システムによる制御方法であって、
前記学習手段が、位置情報と、干渉波の発生源の位置情報と、時刻と、対象チャンネルと、干渉波発生有無を示す情報を入力データとし、干渉波が発生したチャンネル情報を教師データとして、前記入力データから推定された干渉波が発生するチャンネル情報と前記教師データとのずれが最小となるように学習モデルを最適化することで前記学習済モデルを生成し、
前記推定手段が、前記無線通信装置の位置情報と、前記無線通信装置の最寄りも干渉波の発生源の位置情報と、時刻とを入力データとして、干渉波が発生するチャンネル情報を推定する
ことを特徴とする制御方法。