JP4997524B2 - 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム - Google Patents
多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム Download PDFInfo
- Publication number
- JP4997524B2 JP4997524B2 JP2006034343A JP2006034343A JP4997524B2 JP 4997524 B2 JP4997524 B2 JP 4997524B2 JP 2006034343 A JP2006034343 A JP 2006034343A JP 2006034343 A JP2006034343 A JP 2006034343A JP 4997524 B2 JP4997524 B2 JP 4997524B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- training data
- decision tree
- label
- test function
- 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.)
- Expired - Fee Related
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
ただし、Ncはクラスの数、|S|はSのサイズである。
IG(F)=Info(S)−Info(F,S)
・・・・・(2)
ただし、
と定義する。情報利得(IG)もテスト関数の分割能力を評価する一つの基準であるが、情報利得を用いて決定木の分割能力を評価すると、決定木のバランスがあまりよくならないことが知られている。
ただし、
APDTにおけるテスト関数は、上述のようにXi<aの形式を通常とることとなる。ここでXiはi番目の特徴で、aは閾値を意味している。従ってAPDTを構築する際にテスト関数を求めることは、評価関数を最適にするように、iとaとを求めることに等しい。この最も単純な方法は、全ての特徴とその特徴が取り得る全ての値を調べ尽す方法である。実際、最適なテスト関数を求めるための計算量は、
Cost(ADPT)=O(Nd×Nt×m)
・・・・・(6)
で示される。
L. Brieman, J. H. Friedman, R. A. Olshen and C. J. Stong, Classification and Regression Trees, Pacific Grove, CA: Wadsworth & Brooks Advanced Books and Software, 1984. J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kauffman Publishers, 1993. T. Oates and D. Jensen, "The effects of training set size on decision tree complexity," The 14-th International Conference on Machine Learning, pp. 254-262, 1997. S. K. Murthy, S. Kasif and S. Salzber, "A system for induction of oblique decision trees," Journal of Artificial Intelligence Research, No. 2, pp. 112, 1994.
Cost(ODT)=O[Nd×Nt 2×log2(Nt)]
・・・・・(8)
に減らしている。ここでNdは特徴空間の次元、Nt 2は現在節点に割り当てられたデータ数である。しかしながら、OC1の中に確率的方法が含まれるので、計算量が非常に多くなる場合がある。また、OC1に使われている方法は、ODTを求めるのに提案されていたものであり、一般のMDTの構築には使えない。
LVQ学習則26およびR4-Rule学習則27を用いてCMTFを生成する場合、CMDT構築部2は、最近傍識別器(以下、NNCという)という多変数テスト関数を生成する。このNNCがCMTFに該当するものである。
この2点間距離が短ければ短いほどXとYとが類似する度合いが高いと判断できる。
P0new=P0old−α(X−P0old) ・・・・・(10)
P1new=P1old+α(X−P1old) ・・・・・(11)
に修正(更新)する。なお、αは0<α<1の値を示している。
p(X)new=β・p(X)old ・・・・・(12)
となるように更新する。ただし、βは0<β<1の定数である。
Y(j1)=Y(j1)−α(X(i)−Y(j1))
・・・・・(13)
Y(j2)=Y(j2)+α(X(i)−Y(j2))
・・・・・(14)
に修正(更新)し、NNCの判断精度の向上を図る(ステップS40)。
Y(j1)=Y(j1)+α(X(i)−Y(j1))
・・・・・(15)
に修正する(ステップS45)。
次に、CMDT構築部2が、R4-Rule学習則27を用いてCMTFを生成する場合について説明する。LVQ学習則26によりCMTEを生成する方法は、NNCのサイズ(NNCに含まれるプロトタイプの数)とプロトタイプのラベルとが既知の場合に用いられている。これに対して、R4-Rule学習則27によりCMTFを生成する方法は、NNCのサイズとプロトタイプのラベルとがわからない場合に有効なCMTF生成方法である。
ρ(P)new=ρ(P)old+1 ・・・・・(16)
とし、ラベルが異なる場合には、
ρ(P)new=ρ(P)old−1 ・・・・・(17)
として重要度を変化させることによって、プロトタイプの重要度を求める。
Cost(ADPT)=O(Nd×Nt×m)
・・・・・(6)
である。ただし、Ndは特徴空間の次元(特徴の数)、Ntは現在節点に割り当てられたデータの数、mは特徴が取り得る値の数である。
Cost(ODT)=O[Nd×Nt 2×log2(Nt)]
・・・・・(8)
である。ただし、Ndは特徴空間の次元、Nt 2は現在節点に割り当てられたデータ数である。
Cost(NNC−Tree)=O(Nd×Nt×Nl×Ne×Np)
・・・・・(18)
となる。ただし、Ndは特徴空間の次元、Ntは現在節点に割り当てたデータの数、Nlは、R4-Rule学習則の学習周期数(サイズ固定型NNCをテスト関数とする場合には、この項は不要となる)、NeはLVQ学習のエポック数(R4-Rule学習則を使用する場合は、これは復習機能のエポック数)、NpはNNCの最大プロトタイプ数である。
Nl=20,Ne=40,Np=10
を用いる。従って、サイズ可変型NNCを求めるための計算量は、
Cost(VariableSizeNNC)=C1×O(Nd×Nt)
・・・・・(19)
となる。ただし、C1=8000である。
Cost(FixedSizeNNC)=C2×O(Nd×Nt)
・・・・・(20)
となる。ただし、C2=400である。
1)CMDTの構築はADMTを構築する場合に匹敵する速さで構築を行うことができる。
2)データ数が多いときには、本発明で得られるCMDTは、APDTよりも分類精度が高い。
3)本発明で得られるCMDTは、APDTよりサイズが遥かに小さく、決定木全体を理解しやすい。
4)本発明に係るCMDTを構築する方法は、既存の多変数決定木の構築方法に比べ、計算量が少なく、実用性が高い。
実施例1に示す2次元パターン分類問題は、2次元平面上の四角領域[0,1]2の中にある2次元パターンを4つのクラスに分類することを目的とする問題である。これらのパターンのクラスラベルはもともと図13に示す決定木によって決められている。この決定木はODTであり、
L1:y=1.1x
L2:y=−0.91x+1
L3:y=0.91x+0.91
の3つの式で表される超平面を用いている。
P11=(0.719,0.275,0)
P12=(0.206,0.7421,1)
P21=(0.700,0.187,0)
P22=(0.874,0.381,1)
P31=(0.308,0.759,0)
P32=(0.177,0.614,1)
California大学の機械学習データベースに、optdigitsというデータベースがあり、これらのデータベースのデータサンプルを用いて10個のアラビア数字を認識する問題を実施例2で説明する。このデータベースには、5620個の手書き文字のデータがあり、各データは64個の特徴量と1個のクラスラベルと有している。
California大学の機械学習データベースに、isolet (isolated letter speech recognition)という音声認識データベースがある。このデータベースは、26個の英文字に対する150人の発音を、計7797回記録したものであり、各データは617個の特徴と1個のクラスラベルを有している。この音声データを用いて分類を行う問題を実施例3では説明する。
2 …CMDT構築部(グループラベル付与手段、多変数テスト関数生成手段、早期停止判断手段、終端節点判別手段、コンピュータ)
3 …訓練用データ記録部
4 …CMDT記録部
5 …CMDT評価部
6 …評価用データ記録部
7 …評価結果記録部
10 …終端節点判断機能(終端節点判別手段)
11 …終端節点ラベル決定機能(終端節点判別手段)
12 …グループラベル決定機能(グループラベル付与手段)
13 …CMTF生成機能(多変数テスト関数生成手段)
14 …早期停止判断機能(早期停止判断手段)
21 …認識機能
22 …記憶機能
23 …忘却機能
24 …復習機能
26 …LVQ学習則
27 …R4−Rule学習則
28 …その他の学習則
30 …データ獲得部
31 …原始データ記録部
32 …データ変換部
33 …ラベル付与部
34 …データ記録部
39 …CMDT実装変換部
40 …CMDT実装部
41 …処理用データ記録部
42 …処理結果記録部
43 …データ処理装置
Claims (15)
- 要素データを備えた複数の訓練用データを用いて、データの分割を行うための多変数テスト関数が非終端節点毎に設けられた多変数決定木を構築する多変数決定木構築システムであって、
前記多変数テスト関数は、前記要素データに対応するデータ情報と、前記非終端節点においてデータが分割されるべきグループを示すグループラベルのラベル情報とを有する複数の分類データからなり、
前記多変数決定木構築システムは、
前記非終端節点においてデータが分割されるべきグループを示すグループラベルの情報を、当該非終端節点毎に前記訓練用データに付与するグループラベル付与手段と、
前記要素データの要素数に基づいて当該要素数に対応する複数次元の特徴空間を構成し、前記訓練用データの要素データの値を前記特徴空間の空間座標として判断するとともに、前記分類データのデータ情報の値を前記特徴空間の空間座標として判断することによって、前記訓練用データの空間座標までの距離が最小となる最近傍の分類データを求め、前記訓練用データと求められた前記最近傍の分類データとが同一のグループラベルでない場合には、当該最近傍の分類データの空間座標を前記訓練用データの空間座標から遠ざけるように修正し、さらに、前記訓練用データと同一のグループラベルとなる分類データのうち最近傍となる分類データを求めて当該分類データの空間座標を前記訓練用データの空間座標に近づけるように修正することによって、最近傍の分類データが前記訓練用データと同一のグループラベルになるまで前記分類データの空間座標の修正を繰り返すことにより前記分類データのデータ情報の修正を行い、最近傍の分類データが前記訓練用データと同一のグループラベルになるまで修正がなされた分類データのデータ情報とラベル情報とに基づいて前記非終端節点毎に前記多変数テスト関数を生成する多変数テスト関数生成手段と
を備えることを特徴とする多変数決定木構築システム。 - 前記訓練用データは前記多変数決定木により最終的に分割されるべきクラスを示すクラス情報を有し、
前記グループラベル付与手段は、前記クラス情報に基づいて前記訓練用データのグループラベルを決定し、当該クラス情報により前記グループラベルを決定することができない訓練用データが存在する場合には、既にグループラベルが付与された訓練用データであってグループラベルを決定することができない訓練用データに最近傍となる訓練用データと同じグループラベルを、前記グループラベルを決定できなかった訓練用データに付与する
ことを特徴とする請求項1に記載の多変数決定木構築システム。 - 前記多変数テスト関数生成手段により生成された多変数テスト関数の分割性能を情報利得に基づいて判断し、当該分割性能が既定値未満である場合には当該多変数テスト関数が生成された非終端節点を終端節点に変更する早期停止判断手段
を備えることを特徴とする請求項1または請求項2に記載の多変数決定木構築システム。 - 前記訓練用データは前記多変数決定木により最終的に分割されるべきクラスを示すクラス情報を有し、
前記グループラベル付与手段により前記訓練用データに前記グループラベルを付与する前に、該当する節点が終端節点であるか非終端節点であるかを判断し、当該節点が終端節点である場合には当該終端節点の分割結果を前記訓練用データが有するクラス情報に基づいて決定する終端節点判別手段
を備えることを特徴とする請求項1ないし請求項3のいずれか1項に記載の多変数決定木構築システム。 - 前記多変数テスト関数生成手段は、生成される多変数テスト関数に含まれる分類データの数と分類データのラベル情報とが不明である場合に、該当する節点の多変数テスト関数をR4-Rule学習則を用いて生成する
ことを特徴とする請求項1ないし請求項4のいずれか1項に記載の多変数決定木構築システム。 - 要素データを備えた複数の訓練用データを用いて、データの分割を行うための多変数テスト関数が非終端節点毎に設けられた多変数決定木を構築する多変数決定木構築方法であって、
前記非終端節点においてデータが分割されるべきグループを示すグループラベルの情報を、当該非終端節点毎にグループラベル付与手段が前記訓練用データに付与するグループラベル付与ステップと、
多変数テスト関数生成手段が、前記訓練用データの前記要素データの要素数に基づいて当該要素数に対応する複数次元の特徴空間を構成し、前記訓練用データの要素データの値を前記特徴空間の空間座標として判断するとともに、前記要素データに対応するデータ情報と前記グループラベルを示すラベル情報とを有する分類データを、当該分類データのデータ情報の値に基づいて前記特徴空間の空間座標として判断し、前記訓練用データの空間座標と前記分類データの空間座標との距離が最小となる最近傍の分類データを求め、前記訓練用データと求められた前記最近傍の分類データとが同一のグループラベルでない場合には、当該最近傍の分類データの空間座標を前記訓練用データの空間座標から遠ざけるように修正し、さらに、前記訓練用データと同一のグループラベルとなる分類データのうち最近傍となる分類データを求めて当該分類データの空間座標を前記訓練用データの空間座標に近づけるように修正することによって、最近傍の分類データが前記訓練用データと同一のグループラベルになるまで前記分類データの空間座標の修正を繰り返すことにより前記分類データのデータ情報の修正を行い、最近傍の分類データが前記訓練用データと同一のグループラベルになるまで修正がなされた分類データのデータ情報とラベル情報とに基づいて前記非終端節点毎に前記多変数テスト関数を生成する多変数テスト関数生成ステップと
を備えることを特徴とする多変数決定木構築方法。 - 前記訓練用データが前記多変数決定木により最終的に分割されるべきクラスを示すクラス情報を有し、
前記グループラベル付与ステップにおいて、前記グループラベル付与手段は、前記クラス情報に基づいて前記訓練用データのグループラベルを決定し、当該クラス情報により前記グループラベルを決定することができない訓練用データが存在する場合には、既にグループラベルが付与された訓練用データであってグループラベルを決定することができない訓練用データに最近傍となる訓練用データと同じグループラベルを、前記グループラベルを決定できなかった訓練用データに付与する
ことを特徴とする請求項6に記載の多変数決定木構築方法。 - 早期停止判断手段が、前記多変数テスト関数生成手段により生成された多変数テスト関数の分割性能を情報利得に基づいて判断し、当該分割性能が既定値未満である場合には当該多変数テスト関数が生成された非終端節点を終端節点に変更する終端節点変更ステップ
を備えることを特徴とする請求項6または請求項7に記載の多変数決定木構築方法。 - 前記訓練用データが前記多変数決定木により最終的に分割されるべきクラスを示すクラス情報を有し、
前記グループラベル付与ステップにおいて前記訓練用データに前記グループラベルを付与する前に、終端節点判別手段が該当する節点が終端節点であるか非終端節点であるかを判断し、当該節点が終端節点である場合には当該終端節点の分類結果を前記訓練用データが有するクラス情報に基づいて決定する終端節点判別ステップ
を備えることを特徴とする請求項6ないし請求項8のいずれか1項に記載の多変数決定木構築方法。 - 前記多変数テスト関数生成ステップにおいて、生成される多変数テスト関数に含まれる分類データの数と分類データのラベル情報とが不明である場合には、前記多変数テスト関数生成手段が、該当する節点の多変数テスト関数をR4-Rule学習則を用いて生成する
ことを特徴とする請求項6ないし請求項9のいずれか1項に記載の多変数決定木構築方法。 - 要素データを備えた複数の訓練用データを用いて、データの分割を行うための多変数テスト関数が非終端節点毎に設けられる多変数決定木を構築するために、コンピュータに、
前記非終端節点においてデータが分割されるべきグループを示すグループラベルの情報を、当該非終端節点毎にグループラベル付与手段が前記訓練用データに付与するグループラベル付与ステップと、
多変数テスト関数生成手段が、前記訓練用データの前記要素データの要素数に基づいて当該要素数に対応する複数次元の特徴空間を構成し、前記訓練用データの要素データの値を前記特徴空間の空間座標として判断するとともに、前記要素データに対応するデータ情報と前記グループラベルを示すラベル情報とを有する分類データを、当該分類データのデータ情報の値に基づいて前記特徴空間の空間座標として判断し、前記訓練用データの空間座標と前記分類データの空間座標との距離が最小となる最近傍の分類データを求め、前記訓練用データと求められた前記最近傍の分類データとが同一のグループラベルでない場合には、当該最近傍の分類データの空間座標を前記訓練用データの空間座標から遠ざけるように修正し、さらに、前記訓練用データと同一のグループラベルとなる分類データのうち最近傍となる分類データを求めて当該分類データの空間座標を前記訓練用データの空間座標に近づけるように修正することによって、最近傍の分類データが前記訓練用データと同一のグループラベルになるまで前記分類データの空間座標の修正を繰り返すことにより前記分類データのデータ情報の修正を行い、最近傍の分類データが前記訓練用データと同一のグループラベルになるまで修正がなされた分類データのデータ情報とラベル情報とに基づいて前記非終端節点毎に前記多変数テスト関数を生成する多変数テスト関数生成ステップと
を実行させることを特徴とする多変数決定木を構築するためのプログラム。 - 前記訓練用データが前記多変数決定木により最終的に分割されるべきクラスを示すクラス情報を有し、
前記コンピュータに、
前記グループラベル付与ステップにおいて、前記グループラベル付与手段により前記クラス情報に基づいて前記訓練用データのグループラベルを決定させ、当該クラス情報により前記グループラベルを決定させることができない訓練用データが存在する場合には、既にグループラベルが付与された訓練用データであってグループラベルを決定することができない訓練用データに最近傍となる訓練用データと同じグループラベルを、前記グループラベルを決定できなかった訓練用データに付与させる
ことを特徴とする請求項11に記載の多変数決定木を構築するためのプログラム。 - 前記コンピュータに、
早期停止判断手段により前記多変数テスト関数生成手段によって生成された多変数テスト関数の分割性能を情報利得に基づいて判断させ、当該分割性能が既定値未満である場合には当該多変数テスト関数が生成された非終端節点を終端節点に変更させる終端節点変更ステップ
を実行させることを特徴とする請求項11または請求項12に記載の多変数決定木を構築するためのプログラム。 - 前記訓練用データが前記多変数決定木により最終的に分類されるべきクラスを示すクラス情報を有し、
前記コンピュータに、
前記グループラベル付与ステップにおいて前記訓練用データに前記グループラベルを付与する前に、終端節点判別手段により該当する節点が終端節点であるか非終端節点であるかを判断させ、当該節点が終端節点である場合には当該終端節点の分類結果を前記訓練用データが有するクラス情報に基づいて決定させる終端節点判別ステップ
を実行させることを特徴とする請求項11ないし請求項13のいずれか1項に記載の多変数決定木を構築するためのプログラム。 - 前記コンピュータに、
前記多変数テスト関数生成ステップにおいて、生成される多変数テスト関数に含まれる分類データの数と分類データのラベル情報とが不明である場合には、前記多変数テスト関数生成手段により該当する節点の多変数テスト関数をR4-Rule学習則を用いて生成させる
ことを特徴とする請求項11ないし請求項14のいずれか1項に記載の多変数決定木を構築するためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006034343A JP4997524B2 (ja) | 2006-02-10 | 2006-02-10 | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006034343A JP4997524B2 (ja) | 2006-02-10 | 2006-02-10 | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007213441A JP2007213441A (ja) | 2007-08-23 |
JP4997524B2 true JP4997524B2 (ja) | 2012-08-08 |
Family
ID=38491800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006034343A Expired - Fee Related JP4997524B2 (ja) | 2006-02-10 | 2006-02-10 | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4997524B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012029154A1 (ja) * | 2010-09-02 | 2012-03-08 | 株式会社かんでんエンジニアリング | 油中ガス濃度を用いた油入電気機器の内部異常診断方法、内部異常診断システム及び内部異常診断のための決定木作成方法 |
JP5867466B2 (ja) * | 2013-09-03 | 2016-02-24 | 株式会社かんでんエンジニアリング | 油入電気機器の異常診断システム、決定木生成システム、決定木生成方法、及び決定木生成プログラム |
JP6883795B2 (ja) * | 2017-01-30 | 2021-06-09 | 学校法人鶴学園 | 地絡要因判定装置 |
WO2020036191A1 (ja) * | 2018-08-15 | 2020-02-20 | 日本電信電話株式会社 | 学習データ作成装置、学習データ作成方法、及びプログラム |
-
2006
- 2006-02-10 JP JP2006034343A patent/JP4997524B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2007213441A (ja) | 2007-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210390416A1 (en) | Variable parameter probability for machine-learning model generation and training | |
CN108023876B (zh) | 基于可持续性集成学习的入侵检测方法及入侵检测系统 | |
US10410121B2 (en) | Adjusting automated neural network generation based on evaluation of candidate neural networks | |
JP6814981B2 (ja) | 学習装置、識別装置、学習識別システム、及び、プログラム | |
US10867244B2 (en) | Method and apparatus for machine learning | |
US20190130277A1 (en) | Ensembling of neural network models | |
US20210287097A1 (en) | Execution of a genetic algorithm having variable epoch size with selective execution of a training algorithm | |
JP7071904B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
KR102337070B1 (ko) | 이상 데이터 자동 검출 및 자동 라벨링 기술을 이용한 학습 데이터베이스 구축 방법 및 시스템 | |
CN107103332A (zh) | 一种面向大规模数据集的相关向量机分类方法 | |
EP3349152A1 (en) | Classifying data | |
JP6258560B2 (ja) | ニューラルネットワークの学習装置及び学習方法 | |
JP4997524B2 (ja) | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム | |
JP2019159836A (ja) | 学習プログラム、学習方法および学習装置 | |
CN110674940B (zh) | 一种基于神经网络的多指标异常检测方法 | |
JP6325762B1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
US11829883B2 (en) | Executing a genetic algorithm on a low-power controller | |
JP2009157770A (ja) | 行動判定装置、行動判定方法および行動判定プログラム | |
KR20200053254A (ko) | 센서 고장 검출 방법 및 센서 고장 검출 장치 | |
CN116502177A (zh) | 无源光网络光模块的故障预测方法、装置、设备及介质 | |
US20220261690A1 (en) | Computer-readable recording medium storing determination processing program, determination processing method, and information processing apparatus | |
JP2020052935A (ja) | 学習済みモデルを生成する方法、データを分類する方法、コンピュータおよびプログラム | |
CN115437960A (zh) | 回归测试用例排序的方法、装置、设备和存储介质 | |
CN113159976B (zh) | 一种微博网络重要用户的识别方法 | |
KR100727555B1 (ko) | 시간 가중치 엔트로피를 이용한 결정 트리 생성 방법 및이를 기록한 기록매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20071002 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20080402 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090107 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120316 |
|
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: 20120417 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120423 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4997524 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150525 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |