JP5185203B2 - Context analysis apparatus and context analysis program - Google Patents

Context analysis apparatus and context analysis program Download PDF

Info

Publication number
JP5185203B2
JP5185203B2 JP2009134902A JP2009134902A JP5185203B2 JP 5185203 B2 JP5185203 B2 JP 5185203B2 JP 2009134902 A JP2009134902 A JP 2009134902A JP 2009134902 A JP2009134902 A JP 2009134902A JP 5185203 B2 JP5185203 B2 JP 5185203B2
Authority
JP
Japan
Prior art keywords
primitive
context
vector
user
situation
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
Application number
JP2009134902A
Other languages
Japanese (ja)
Other versions
JP2010282400A (en
Inventor
昌克 太田
光生 寺元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2009134902A priority Critical patent/JP5185203B2/en
Publication of JP2010282400A publication Critical patent/JP2010282400A/en
Application granted granted Critical
Publication of JP5185203B2 publication Critical patent/JP5185203B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis

Description

本発明はセンサデータを利用したコンテキストアウェア技術に係り、特に、様々なコンテキストに含まれるプリミティブなコンテキストの分析、観測されたコンテキストとユーザ或いはサービス提供者の意図するコンテキストとの関係付けを行うためのコンテキストの分析等に用いて好適なコンテキスト分析装置及びコンテキスト分析プログラムに関する。   The present invention relates to a context-aware technique using sensor data, and in particular, for analyzing a primitive context included in various contexts, and associating an observed context with a context intended by a user or a service provider. The present invention relates to a context analysis apparatus and a context analysis program suitable for use in context analysis and the like.

様々な環境に設置されたセンサのデータを用いてコンテキストを把握し、ユーザがその時点で必要とする情報を提供するコンテキストアウェアサービスが実用化されている。   Context-aware services have been put into practical use in which context is grasped using data of sensors installed in various environments and information required by the user at that time is provided.

なお、本願において、「コンテキスト」とは、ユーザ等の対象に係る位置、時間、履歴情報等の種々の「状況」を意味している。また、コンテキストの極めて基本的(あるいは基礎的)な構成要素をプリミティブなコンテキストと呼ぶこととする。すなわち、コンテキストは、1又は複数のプリミティブなコンテキストを含んで構成されていることとする。また、コンテキストアウェア(コンテキストアウェアネスとも呼ばれる。)は、コンテキストの分析、関連付け等のコンテキストに応じた処理を意味している。また、コンテキストアウェアサービスは、コンテキストウェアを用いて提供されるサービスを意味している。また、ユーザ或いはサービス提供者によって意図されたコンテキストをユーザコンテキストと呼ぶこととする。   In the present application, “context” means various “situations” such as a position, time, history information, and the like related to an object such as a user. A very basic (or basic) component of the context is called a primitive context. That is, the context is configured to include one or a plurality of primitive contexts. Context-aware (also referred to as context-awareness) means processing according to the context, such as context analysis and association. The context-aware service means a service provided using contextware. The context intended by the user or service provider is called a user context.

また、本願では、「コンテキスト」と、「プリミティブなコンテキスト」との区別のため、「コンテキスト」を「状況」として表記し、「プリミティブなコンテキスト」を「プリミティブコンテキスト」と表記することとする。   In this application, in order to distinguish between “context” and “primitive context”, “context” is expressed as “situation”, and “primitive context” is expressed as “primitive context”.

上述したようなコンテキストアウェアサービスに関する技術の一例として、非特許文献1には、主要な交差点等で車載のVICS(Vehicle Information and Communication System)受信機によって周辺の渋滞情報、所要時間等の道路交通情報をリアルタイムに得ることができる技術が示されている。一般に、コンテキストアウェアサービスでは、同じ状況に対してもユーザ或いはサービス提供者によってどのような状況(例えば、「渋滞」、「満車」等の状況)とみなすかは異なる。そこで、状況を複数のセンサの値(センサデータ)の組で表現し、その典型的なパターンとユーザコンテキストとの関係付けを行うことによって、ユーザやサービスに適合した状況の把握とサービスの提供が行われている。また、センサ数が多い場合には、主成分分析による次元圧縮、及びノイズ除去が、状況とユーザコンテキストとの関係付けの前処理として行われている。   As an example of the technology related to the context-aware service as described above, Non-Patent Document 1 describes road traffic information such as traffic congestion information and time required by a vehicle-mounted VICS (Vehicle Information and Communication System) receiver at a major intersection. A technique that can obtain the above in real time is shown. In general, in the context-aware service, what kind of situation (for example, “congestion”, “full vehicle”, etc.) is considered depending on the user or the service provider for the same situation. Therefore, by expressing the situation as a set of multiple sensor values (sensor data) and associating the typical pattern with the user context, it is possible to grasp the situation suitable for the user and service and provide the service. Has been done. When the number of sensors is large, dimensional compression and noise removal by principal component analysis are performed as preprocessing for associating the situation with the user context.

なお、非特許文献2〜5は、本発明の背景技術を開示する他の先行技術文献である。   Non-patent documents 2 to 5 are other prior art documents disclosing the background art of the present invention.

“VIVSのしくみ|VICS HOME PAGE”、[online]、財団法人道路交通情報通信システムセンター、[平成21年5月29日検索]、インターネット、<URL:http://www.vics.or.jp/vics/structure.html>"VIVS Structure | VICS HOME PAGE", [online], Road Traffic Information Communication System Center, [Search May 29, 2009], Internet, <URL: http: // www. vics. or. jp / vics / structure. html> 村田昇著、「入門 独立成分分析」、東京電機大学出版局、2004年7月Noboru Murata, “Introduction to Independent Component Analysis”, Tokyo Denki University Press, July 2004 S.−J.Kim,K.Koh,M.Lustig,S.Boyd,and D.Gorinevsky,“An Interior−Point Method for Large−Scale l1−Regularized Logistic Regression,”IEEE Journal on Selected Topics in Signal Processing,2007年12月,Volume:1,Issue:4,pp.606−617S. -J. Kim, K .; Koh, M .; Lustig, S .; Boyd, and D.C. Gorinevsky, “An Interior-Point Method for Large-Scale 11-Regularized Logistic Regression,” IEEE Journal on Selected Topic. 606-617 Lawson,C.L.and R.J.Hanson,“Solving Least Squares Problems(Prentice−Hall Series in Automatic Computation),” Prentice Hall,1974年06月Lawson, C.I. L. and R.R. J. et al. Hanson, “Solving Last Squares Problems (Prentice-Hall Series in Automatic Computation),” Prentice Hall, June 1974 Leo Breiman,“Random Forests,” Machine Learning, Springer Netherlands,2001年10月,Volume 45,Number 1,pp.5−32Leo Breiman, "Random Forests," Machine Learning, Springer Netherlands, October 2001, Volume 45, Number 1, pp. 5-32

しかしながら、上述したような従来技術には以下に示すような課題がある。   However, the conventional techniques as described above have the following problems.

センサデータを利用して観測される状況には、複数のプリミティブコンテキストが含まれる場合がある。例えば、ある交差点の渋滞は、時間帯、季節、イベントの有無等の発生要因が異なる複数種類の渋滞が重なることで発生している。この場合に観測されるセンサデータは、時間帯による渋滞、季節による渋滞、イベントの有無による渋滞等の各プリミティブコンテキストに対応する複数の信号成分の混合信号となる。   A situation observed using sensor data may include a plurality of primitive contexts. For example, a traffic jam at a certain intersection is caused by the overlap of a plurality of types of traffic jams having different generation factors such as time zones, seasons, and the presence or absence of events. The sensor data observed in this case is a mixed signal of a plurality of signal components corresponding to each primitive context such as traffic jam due to time zone, traffic jam due to season, traffic jam due to presence / absence of an event, and the like.

また、同じ状況に対してユーザやサービス提供者毎にユーザコンテキストが異なることから、プリミティブコンテキストの重要度はユーザやサービス提供者毎に異なっている。   In addition, since the user context is different for each user or service provider in the same situation, the importance of the primitive context is different for each user or service provider.

しかしながら、従来技術では複数のプリミティブコンテキストに対応した信号が混合したセンサデータを直接使って状況を分類する。そのため、混合信号の類似性のみが把握されることとなり、ユーザコンテキストに応じたプリミティブコンテキストの重要度を把握することが困難である。   However, in the prior art, the situation is classified by directly using sensor data in which signals corresponding to a plurality of primitive contexts are mixed. Therefore, only the similarity of the mixed signals is grasped, and it is difficult to grasp the importance of the primitive context corresponding to the user context.

次に、多変量解析法の1つである主成分分析を用いてプリミティブコンテキストを抽出する場合について考えてみる。主成分分析は、多変量(多次元)のサンプルが与えられた場合に、元の変量の個数より少ない個数の代表的な変量(すなわち主成分)でサンプルを表すことを主目的とする。その際、主成分分析では、互いに無相関な主成分の重み付き線形和でサンプルを表現する。相関するプリミティブコンテキストは1つのプリミティブコンテキストとみなす方が状況を表現する上で効率が良い。すなわち、互いに相関する複数のプリミティブコンテキストを合わせたものを1つのプリミティブコンテキストとして定義すれば、プリミティブコンテキストの抽出数を少なくし、それに係る処理の負担を軽減することができる。また、相関関係にある複数のプリミティブコンテキストは、直線的な共変関係を有しており、これらのプリミティブコンテキストをまとめたものがプリミティブコンテキストであると定義したとしても、得られるプリミティブコンテキストは重要度の把握という目的の範囲では十分な性質を備えているのではないかと考えられる。このことから、主成分分析によって抽出される主成分をプリミティブコンテキストとすることができるのではないかと考えられる。しかしながら、主成分分析では、主成分は互いに直交していて、状況を表すサンプルの次元すなわちセンサ数よりも多くの主成分を抽出することができないという制約がある。また、主成分を表現するセンサの値や主成分の重みも負となる場合がある。   Next, consider the case where a primitive context is extracted using principal component analysis, which is one of multivariate analysis methods. Principal component analysis is mainly intended to represent a sample with a smaller number of representative variables (that is, principal components) than the number of original variables given a multivariate (multidimensional) sample. In this case, in the principal component analysis, the sample is expressed by a weighted linear sum of principal components that are uncorrelated with each other. It is more efficient in expressing the situation if the correlated primitive contexts are regarded as one primitive context. That is, if a combination of a plurality of primitive contexts correlated with each other is defined as one primitive context, the number of extracted primitive contexts can be reduced, and the processing burden associated therewith can be reduced. In addition, a plurality of correlated primitive contexts have a linear covariant relationship, and even if it is defined that a collection of these primitive contexts is a primitive context, the obtained primitive context is an importance level. It is thought that it has sufficient properties within the scope of the purpose of grasping. From this, it is considered that the principal component extracted by principal component analysis can be used as a primitive context. However, in the principal component analysis, the principal components are orthogonal to each other, and there is a restriction that more principal components cannot be extracted than the dimension of the sample representing the situation, that is, the number of sensors. In addition, the sensor value representing the principal component and the weight of the principal component may be negative.

しかしながら、プリミティブコンテキストには互いに類似したものもあり、必ずしも直交していない。また、プリミティブコンテキストはセンサ数よりも多い場合もある。また、センサの値は非負となる場合もある。さらに、プリミティブコンテキストはある時点の状況に含まれているか否かを表す情報であるため、その重みは常に非負となる必要がある。これらのことから、主成分分析を複数のプリミティブコンテキスト(以下、ある状況を表現する複数のプリミティブコンテキストをプリミティブコンテキスト集合とも呼ぶ。)の抽出に適用できる場合は限られるという課題があった。   However, some primitive contexts are similar to each other and are not necessarily orthogonal. In addition, the primitive context may be larger than the number of sensors. Also, the sensor value may be non-negative. Furthermore, since the primitive context is information indicating whether or not it is included in the situation at a certain point in time, its weight must always be non-negative. For these reasons, there is a problem that the principal component analysis is limited to the case where it can be applied to extraction of a plurality of primitive contexts (hereinafter, a plurality of primitive contexts expressing a certain situation is also referred to as a primitive context set).

本発明は上記のような事情に鑑みてなされたもので、主成分分析を用いた上記のようなプリミティブコンテキストの抽出の際の制約を受けずに、センサデータからプリミティブコンテキストを抽出し、観測された状況をプリミティブコンテキストによって表現することを可能とし、また、プリミティブコンテキストによって表現された状況とユーザコンテキストとの関係付けを可能とするコンテキスト分析装置およびコンテキスト分析プログラムを提供することを目的とする。   The present invention has been made in view of the above circumstances, and is obtained by observing a primitive context extracted from sensor data without being restricted by the above-described primitive context extraction using principal component analysis. It is an object of the present invention to provide a context analysis apparatus and a context analysis program that enable a situation to be expressed by a primitive context and to associate a situation expressed by a primitive context with a user context.

上記課題を解決するため、請求項1記載の発明は、複数のセンサによって取得された値を用いて状況を分析するコンテキスト分析装置であって、前記複数のセンサによって取得される値に対応させて、訓練用に観測された状況を観測ベクトルとして入力する入力手段と、前記観測ベクトルを格納する記憶手段と、前記観測ベクトルが、統計的に独立な複数の独立成分である複数のプリミティブコンテキストの重み付き線形和で表現されると仮定し、かつ、前記センサの数が前記プリミティブコンテキストの数より少ないとする過完備系独立成分分析によって、前記センサの値が全て非負であり、前記プリミティブコンテキストの重みが全て非負であるという条件下で前記プリミティブコンテキスト集合の抽出及び前記重みの計算を行うものであって、予め設定された複数のスパース度に対して前記プリミティブコンテキスト集合の候補を複数抽出するプリミティブコンテキスト分析手段と、前記各プリミティブコンテキスト集合の候補に対して、前記観測された状況とユーザが意図する状況であるユーザコンテキストとを関係付ける処理であるユーザコンテキスト学習を行い、所定の評価に基づいて学習結果が最も良好と判定されたプリミティブコンテキスト集合を最適なプリミティブコンテキスト集合及びそれに対応するスパース度を最適なスパース度として出力するユーザコンテキスト学習器手段と、前記ユーザコンテキスト学習器手段から出力された前記最適なプリミティブコンテキスト集合及び前記最適なスパース度を前記記憶手段に記憶する制御手段とを備えることを特徴とする。   In order to solve the above-mentioned problem, the invention according to claim 1 is a context analysis device that analyzes a situation using values acquired by a plurality of sensors, corresponding to the values acquired by the plurality of sensors. , Input means for inputting a situation observed for training as an observation vector, storage means for storing the observation vector, and weights of a plurality of primitive contexts in which the observation vector is a plurality of statistically independent components It is assumed that the values of the sensors are all non-negative by overcomplete independent component analysis assuming that the number of sensors is less than the number of primitive contexts, and the weights of the primitive contexts. The primitive context set is extracted and the weight is calculated under the condition that all are non-negative. A primitive context analyzing means for extracting a plurality of candidates for the primitive context set for a plurality of sparse degrees set in advance, and the observed situation and user's intention for each candidate for the primitive context set User context learning, which is a process for associating a user context, which is a situation to be performed, and the primitive context set whose learning result is determined to be the best based on a predetermined evaluation is determined as the optimum primitive context set and the corresponding sparseness User context learner means for outputting the optimum sparse degree, and control means for storing the optimum primitive context set outputted from the user context learner means and the optimum sparse degree in the storage means. Special To.

請求項2記載の発明は、前記プリミティブコンテキスト分析手段が、前記スパース度毎に、前記プリミティブコンテキストの数を所定数に固定して、前記プリミティブコンテキストに対応するものとして定義された複数の要素からなるプリミティブベクトルの初期値を変えながら独立成分分析を所定の複数回実行して、前記観測ベクトルに対して最も近似精度が高い複数のプリミティブベクトルからなる集合を抽出するものであって、その複数回の実行において、前回最も近似できなかった観測ベクトルについて、その近似値との差分に応じて代替プリミティブベクトルを求め、近似の寄与が最も低い既存のプリミティブベクトルをその代替プリミティブベクトルに入れ替え、前記固定した数のプリミティブコンテキストを求めた後は、既存のプリミティブベクトルによって最も近似できなかった前記観測ベクトルを求め、その近似値との差分に応じて求めたプリミティブベクトルを新たなプリミティブベクトルとして追加し、前記プリミティブコンテキスト数を再び固定して前記プリミティブコンテキスト集合を求め、近似精度の向上が見られなくなった時点でプリミティブベクトルの追加を終了し、その時のプリミティブベクトル集合を前記プリミティブコンテキスト集合として抽出することを特徴とする。   According to a second aspect of the present invention, the primitive context analyzing means includes a plurality of elements defined as corresponding to the primitive context by fixing the number of primitive contexts to a predetermined number for each sparse degree. Independent component analysis is performed a plurality of predetermined times while changing the initial value of the primitive vector, and a set of a plurality of primitive vectors having the highest approximation accuracy with respect to the observed vector is extracted. In execution, for the observed vector that could not be approximated last time, an alternative primitive vector is obtained according to the difference from the approximate value, the existing primitive vector with the lowest contribution of approximation is replaced with the alternative primitive vector, and the fixed number After obtaining the primitive context of the existing The observation vector that could not be approximated most by the primitive vector is obtained, the primitive vector obtained according to the difference from the approximate value is added as a new primitive vector, the primitive context number is fixed again, and the primitive context set is obtained. The addition of the primitive vector is terminated when the improvement of the approximation accuracy is not found, and the primitive vector set at that time is extracted as the primitive context set.

請求項3記載の発明は、前記入力手段が、前記複数のセンサによって取得される値に対応させて、観測された状況を観測ベクトルとして入力し、前記プリミティブコンテキスト分析手段が、前記記憶手段から取り出された最適なプリミティブコンテキスト集合を用いて、前記観測ベクトルに対する各プリミティブコンテキストの重みを計算し、前記ユーザコンテキスト学習器手段が、前記各プリミティブコンテキストの重みと前記記憶手段から取り出された前記ユーザコンテキスト学習結果を用いて、前記観測ベクトルが示す状況に対する前記ユーザコンテキストを特定することを特徴とする。   According to a third aspect of the present invention, the input means inputs an observed situation as an observation vector in correspondence with values acquired by the plurality of sensors, and the primitive context analysis means is retrieved from the storage means. A weight of each primitive context with respect to the observation vector is calculated using the set of optimized primitive contexts, and the user context learner means learns the user context learned from the weights of the primitive contexts and the storage means. The user context for the situation indicated by the observation vector is specified using the result.

主成分分析を用いた上記のようなプリミティブコンテキストの抽出の際の制約を受けずに、センサデータからプリミティブコンテキストを抽出し、観測された状況をプリミティブコンテキストによって表現することを可能とし、また、プリミティブコンテキストによって表現された状況とユーザコンテキストとの関係付けを可能とすることができる。すなわち、本発明によれば、センサによって観測された状況に含まれるセンサ数よりも多い数のプリミティブな(互いに独立な)コンテキストを抽出することができ、ユーザやサービスに適合したコンテキストを把握することが可能となる。   It is possible to extract a primitive context from sensor data without being restricted in the extraction of the primitive context as described above using principal component analysis, and to express the observed situation by the primitive context. It is possible to associate a context expressed by a context with a user context. That is, according to the present invention, it is possible to extract a larger number of primitive (independent) contexts than the number of sensors included in the situation observed by the sensors, and to grasp contexts suitable for users and services. Is possible.

本発明のコンテキスト分析装置の一実施形態の全体図を示すものである。1 is an overall view of an embodiment of a context analysis apparatus of the present invention. 本発明の一実施形態におけるプリミティブコンテキスト抽出に関する動作概要を示すフローチャートである。It is a flowchart which shows the operation | movement outline | summary regarding the primitive context extraction in one Embodiment of this invention. 本発明の一実施形態におけるユーザコンテキストの特定に関する動作概要を示す他のフローチャートである。It is another flowchart which shows the operation | movement outline | summary regarding specification of the user context in one Embodiment of this invention. 本発明の一実施形態におけるプリミティブコンテキスト分析器101の動作概要を示すフローチャートである。It is a flowchart which shows the operation | movement outline | summary of the primitive context analyzer 101 in one Embodiment of this invention. 本発明の一実施形態のプリミティブコンテキスト分析器101におけるプリミティブコンテキスト集合の抽出過程の一例を示すものである。4 shows an example of a process of extracting a primitive context set in the primitive context analyzer 101 according to an embodiment of the present invention. 本発明の一実施形態のプリミティブコンテキスト分析器101におけるプリミティブコンテキストの重み計算の一例を示すものである。4 shows an example of a primitive context weight calculation in the primitive context analyzer 101 according to an embodiment of the present invention. 本発明の一実施形態のユーザコンテキスト学習器102におけるユーザコンテキスト学習の一例を示すものである。An example of the user context learning in the user context learning device 102 of one embodiment of the present invention is shown. 本発明の一実施形態におけるプリミティブコンテキスト集合抽出の一例を示すものである。6 illustrates an example of primitive context set extraction in an embodiment of the present invention.

以下、図面を参照して本発明によるコンテキスト分析装置の一実施の形態について説明する。図1は、本発明の一実施形態としてのコンテキスト分析装置1の構成例を示すブロック図である。図1のコンテキスト分析装置1は、図示していない複数のセンサによって取得されたセンサの値(センサデータ)を用いて観測された状況に含まれるプリミティブコンテキストの抽出及び特定を行うプリミティブコンテキスト分析器101、観測された状況とユーザコンテキストを関係付けるユーザコンテキスト学習器102、分析用のデータを入力したり、コンテキストの分析結果の表示や分析のためのパラメータを設定する入出力器103、センサデータ及びコンテキストの分析結果を格納するセンサデータベース104、及び入出力を制御する制御器105によって構成されている。このセンサデータベース104には、センサデータとして、図示していない複数のセンサによって取得された複数のセンサの値の組が複数サンプル分記憶されている。また、図1のコンテキスト分析装置1は、コンピュータ及びその周辺装置とそのコンピュータによって実行されるプログラムとを用いて構成されている。   Hereinafter, an embodiment of a context analysis apparatus according to the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing a configuration example of a context analysis apparatus 1 as an embodiment of the present invention. 1 is a primitive context analyzer 101 that extracts and specifies a primitive context included in a situation observed using sensor values (sensor data) acquired by a plurality of sensors (not shown). A user context learner 102 for associating an observed situation with a user context, an input / output device 103 for inputting analysis data, displaying a context analysis result, and setting parameters for analysis, sensor data and context The sensor database 104 for storing the analysis results of the above and the controller 105 for controlling input / output. In the sensor database 104, a plurality of sets of values of a plurality of sensors acquired by a plurality of sensors not shown are stored as sensor data. The context analysis apparatus 1 in FIG. 1 is configured using a computer and its peripheral devices and a program executed by the computer.

なお、以後の説明では、ある時点に観測された状況に対する複数のセンサの値の組を観測ベクトル、プリミティブコンテキストに対する複数のセンサの値に含まれる複数の成分の組をプリミティブベクトルと呼ぶことにする。但し、プリミティブベクトルの各要素の値は実際に測定されるものではなく、プリミティブコンテキスト分析器101によって推測されるものである。また、ユーザコンテキスト学習器102によって観測された状況とユーザコンテキストの関係付けをそれぞれのプリミティブコンテキストを対象として行う処理をユーザコンテキスト学習と呼ぶ。   In the following description, a set of a plurality of sensor values for a situation observed at a certain time is called an observation vector, and a set of a plurality of components included in a plurality of sensor values for a primitive context is called a primitive vector. . However, the value of each element of the primitive vector is not actually measured, but is estimated by the primitive context analyzer 101. In addition, a process in which the relationship between the situation observed by the user context learner 102 and the user context is performed for each primitive context is referred to as user context learning.

本発明のコンテキスト分析装置1では、上述したように、プリミティブコンテキストを複数の要素からなるプリミティブベクトルとして定義し、上述した主成分分析と同様に観測ベクトルをプリミティブベクトルの重み付き線形和で表現する。ただし、プリミティブベクトルの推定は、独立成分分析と呼ばれる方法を用いて、複数のセンサによって取得される値に対応させて訓練用に準備したサンプルの観測ベクトルからプリミティブベクトルを抽出することで行われる。独立成分分析とは、観測ベクトルが統計的に独立な複数の成分の重み付き線形和で表現されると仮定し、複数の観測ベクトルから独立な成分の集合を抽出し、さらに個々の観測ベクトルにおける各独立成分の重みを計算する方法である。独立成分分析については、例えば、上記の非特許文献2に詳しく記載されている。   In the context analysis apparatus 1 of the present invention, as described above, the primitive context is defined as a primitive vector composed of a plurality of elements, and the observation vector is expressed by a weighted linear sum of the primitive vectors as in the above-described principal component analysis. However, the estimation of the primitive vector is performed by extracting the primitive vector from the observation vector of the sample prepared for training corresponding to the values acquired by a plurality of sensors using a method called independent component analysis. Independent component analysis assumes that an observation vector is represented by a weighted linear sum of multiple components that are statistically independent, extracts a set of independent components from multiple observation vectors, and This is a method of calculating the weight of each independent component. The independent component analysis is described in detail in Non-Patent Document 2 above, for example.

プリミティブコンテキスト分析器101では、独立成分分析によって抽出された独立成分をプリミティブコンテキスト(すなわちプリミティブベクトル)とすることにより、互いに直交しないプリミティブコンテキストも抽出することができ、さらにプリミティブコンテキストが互いに独立であることから、プリミティブコンテキストが様々に組み合わされた状況を扱うことができる。訓練用サンプルに対して独立成分分析を行ってプリミティブコンテキストの集合を抽出した後、新たに観測された状況の観測ベクトルに対して各プリミティブコンテキストの重みを計算することにより、その計算した重みに基づいて新たに観測された状況を構成するプリミティブコンテキストを特定する。プリミティブコンテキスト数はセンサ数よりも多いことが想定されるため、本実施形態のプリミティブコンテキスト分析器101では観測ベクトルの次元よりも多くの独立成分を扱うことができる過完備系の独立成分分析を適用する。   The primitive context analyzer 101 can extract primitive contexts that are not orthogonal to each other by using the independent components extracted by the independent component analysis as primitive contexts (that is, primitive vectors), and the primitive contexts are independent from each other. From the above, it is possible to handle situations where primitive contexts are combined in various ways. After performing independent component analysis on the training sample and extracting a set of primitive contexts, the weight of each primitive context is calculated for the observation vector of the newly observed situation. To identify the primitive contexts that make up the newly observed situation. Since it is assumed that the number of primitive contexts is larger than the number of sensors, the primitive context analyzer 101 of the present embodiment applies overcomplete independent component analysis that can handle more independent components than the dimension of the observation vector. To do.

なお、基本的な独立成分分析では、n個のセンサによって計測されたn個の確率変数からなる観測ベクトル(すなわちn次元の観測ベクトル)が、統計的に独立なn個の確率変数(すなわちn個の独立成分)を重み付けした上で線形結合したものとして表現される。この線形結合における各重み(すなわち各独立成分に掛けられる各係数)からなる行列は、混合行列と呼ばれる。この独立成分分析では、各成分の独立性を仮定し、観測ベクトルから、未知の独立成分と、未知の混合行列を推定することを主要な目的とする。本実施形態では、上述したように、上記のプリミティブコンテキスト(すなわちプリミティブベクトル)が独立成分として抽出される。このように、独立成分分析では、観測ベクトルの次元と独立成分の個数とが同じである場合を基本的なモデルとして取り扱っている。一方、上述したように、観測ベクトルの次元よりも独立成分の個数が多い場合に適用される独立成分分析は、過完備系の独立成分分析と呼ばれている。   In basic independent component analysis, an observation vector consisting of n random variables measured by n sensors (that is, an n-dimensional observation vector) is statistically independent n random variables (that is, n). (Independent components) are weighted and expressed as a linear combination. A matrix composed of the weights in this linear combination (that is, the coefficients multiplied by the independent components) is called a mixing matrix. In this independent component analysis, the main purpose is to estimate the unknown independent component and the unknown mixing matrix from the observation vector, assuming the independence of each component. In the present embodiment, as described above, the above-described primitive context (that is, primitive vector) is extracted as an independent component. Thus, in the independent component analysis, the case where the dimension of the observation vector is the same as the number of independent components is handled as a basic model. On the other hand, as described above, the independent component analysis applied when the number of independent components is larger than the dimension of the observation vector is called an overcomplete system independent component analysis.

過完備系では成分の独立性を仮定するだけでは、独立成分の重みを一意に決めることができない。そこで、ある時点で観測される状況には、ほんの少数のプリミティブコンテキストのみが関与するというスパース性を仮定する。スパース性とは、まばら性、希薄性あるいは散在性を意味し、独立成分の重みからなる混合行列の逆行列の推定における大部分の要素が実質的に0であるという性質のことである。また、以後、スパース性の程度をスパース度と呼ぶ。ここで、スパース度が強いとは、その要素が実質的に0になる割合が大きい場合を意味し、スパース度が弱いとは、その割合が小さい場合を意味する。ある状況に対するユーザコンテキストを特定する際、状況はユーザコンテキストに関与する少数のプリミティブコンテキストで表現されていることが望ましく、これはスパース性の導入によって実現される。さらに、本実施形態では、センサの値が全て非負である場合やプリミティブコンテキストの重みが必ず非負であることを考慮して、プリミティブベクトルの各要素は全て非負であり、プリミティブコンテキストの重みも全て非負であるという制約条件の下でプリミティブコンテキストの集合抽出、及びそれらの重みを計算する。   In an overcomplete system, the weight of an independent component cannot be uniquely determined only by assuming the independence of the components. Thus, we assume the sparsity that only a small number of primitive contexts are involved in the situation observed at a certain point in time. Sparsity means sparseness, sparseness, or sparseness, and is a property that most elements in the estimation of the inverse matrix of the mixing matrix composed of the weights of independent components are substantially zero. Further, the degree of sparsity is hereinafter referred to as sparseness. Here, a high degree of sparseness means a case where the ratio of the element being substantially zero is large, and a low degree of sparseness means a case where the ratio is small. When specifying a user context for a situation, it is desirable that the situation be represented by a small number of primitive contexts involved in the user context, which is achieved by introducing sparsity. Furthermore, in this embodiment, in consideration of all non-negative sensor values and the fact that the primitive context weight is always non-negative, all elements of the primitive vector are all non-negative, and all primitive context weights are also non-negative. Primitive context set extraction and their weight are calculated under the constraint that

次に、ユーザコンテキスト学習器102による最適なプリミティブコンテキスト集合の決定について説明する。推定されるプリミティブコンテキストの数はスパース度に依存する。そのため、プリミティブコンテキスト分析器101によってまず幾つかのスパース度において訓練用サンプルを用いてプリミティブコンテキスト集合を抽出し、ユーザコンテキスト学習器102は、それらに基づいてユーザコンテキストの学習を行う。その後、ユーザコンテキスト学習器102は、学習の結果が最も良好なスパース度とそのプリミティブコンテキスト集合を最適なスパース度及びプリミティブコンテキスト集合としてそれぞれ採用する。   Next, determination of the optimum primitive context set by the user context learner 102 will be described. The number of estimated primitive contexts depends on the degree of sparseness. Therefore, the primitive context set is first extracted by the primitive context analyzer 101 using training samples at several sparse degrees, and the user context learner 102 learns the user context based on them. Thereafter, the user context learner 102 employs the sparseness with the best learning result and the primitive context set as the optimum sparseness and primitive context set, respectively.

次に、プリミティブコンテキスト分析器101における各スパース度におけるプリミティブコンテキスト集合の抽出について説明する。独立成分分析はプリミティブベクトルの初期値によって結果が異なる。このため、あるプリミティブコンテキスト数を固定し、プリミティブベクトルの初期値を変えて独立成分分析を複数回実行し、最も近似精度が高い複数のプリミティブベクトルからなる集合(以下、プリミティブベクトル集合とする。)を求めることとしている。また、新たに独立成分分析を実行する際、前回最も近似できなかった観測ベクトルについて、その近似値との差分に応じて代替プリミティブベクトルを求め、これとサンプルの近似の寄与が最も低い既存のプリミティブベクトルを入れ替えるようにしている。これにより、適切なプリミティブベクトルを残した状態で、まだ近似が足りないプリミティブベクトルを効率的に求めることができる。ある個数のプリミティブコンテキストを求めた後、プリミティブコンテキストの追加を行う。既存のプリミティブベクトルによって最も近似できなかった観測ベクトルを求め、その近似値との差分(すなわち近似誤差)に応じて求めたプリミティブベクトルを新たなプリミティブベクトルとして追加し、上記と同様にプリミティブコンテキスト数を固定してプリミティブコンテキスト集合を求める。このプリミティブベクトルの追加により、既にある適切なプリミティブベクトルを保持しながら、必要なプリミティブベクトルを効率的に追加することができる。適切なプリミティブコンテキストが全て抽出されると、新たにプリミティブベクトルを追加しても近似精度の向上が見られなくなる。そこで、近似精度の向上が見られなくなった時点でプリミティブベクトルの追加を終了し、その時のプリミティブベクトル集合をそのスパース度におけるプリミティブベクトル集合として採用するようにしている。   Next, extraction of a primitive context set at each sparseness in the primitive context analyzer 101 will be described. The result of independent component analysis differs depending on the initial value of the primitive vector. Therefore, the number of primitive contexts is fixed, the initial value of the primitive vector is changed, independent component analysis is executed a plurality of times, and a set of a plurality of primitive vectors with the highest approximation accuracy (hereinafter referred to as a primitive vector set). To seek. In addition, when a new independent component analysis is performed, an alternative primitive vector is obtained according to the difference from the approximate value of the observation vector that could not be approximated the last time, and the existing primitive with the lowest contribution of sample approximation is obtained. The vectors are switched. As a result, it is possible to efficiently obtain a primitive vector that is still insufficiently approximated with an appropriate primitive vector remaining. After obtaining a certain number of primitive contexts, a primitive context is added. Find the observation vector that could not be approximated most by the existing primitive vector, add the primitive vector obtained according to the difference from the approximate value (ie, approximation error) as a new primitive vector, and set the number of primitive contexts as above. A fixed primitive context set is obtained. By adding this primitive vector, it is possible to efficiently add necessary primitive vectors while keeping existing appropriate primitive vectors. When all the appropriate primitive contexts are extracted, the approximation accuracy cannot be improved even if a new primitive vector is added. Therefore, the addition of the primitive vector is terminated when the improvement of the approximation accuracy is not observed, and the primitive vector set at that time is adopted as the primitive vector set in the sparse degree.

すなわち、プリミティブコンテキスト分析器101は、スパース度毎に、プリミティブコンテキストの数を所定数に固定して、プリミティブコンテキストに対応するものとして定義された複数の要素からなるプリミティブベクトルの初期値を変えながら独立成分分析を所定の複数回実行して、観測ベクトルに対して最も近似精度が高い複数のプリミティブベクトルからなる集合を抽出するものであって、その複数回の実行において、前回最も近似できなかった観測ベクトルについて、その近似値との差分に応じて代替プリミティブベクトルを求め、近似の寄与が最も低い既存のプリミティブベクトルをその代替プリミティブベクトルに入れ替えるようにしている。さらに、プリミティブコンテキスト分析器101は、固定した数のプリミティブコンテキストを求めた後は、既存のプリミティブベクトルによって最も近似できなかった観測ベクトルを求め、その近似値との差分に応じて求めたプリミティブベクトルを新たなプリミティブベクトルとして追加し、プリミティブコンテキスト数を再び固定してプリミティブコンテキスト集合を求め、近似精度の向上が見られなくなった時点でプリミティブベクトルの追加を終了し、その時のプリミティブベクトル集合をプリミティブコンテキスト集合として抽出するようにしている。   That is, for each sparseness, the primitive context analyzer 101 fixes the number of primitive contexts to a predetermined number and independently changes the initial value of a primitive vector composed of a plurality of elements defined as corresponding to the primitive context. Component analysis is executed a predetermined number of times to extract a set of primitive vectors that have the highest approximation accuracy with respect to the observed vector. For a vector, an alternative primitive vector is obtained according to a difference from the approximate value, and an existing primitive vector having the lowest contribution of approximation is replaced with the alternative primitive vector. Further, after obtaining a fixed number of primitive contexts, the primitive context analyzer 101 obtains an observation vector that could not be approximated most by the existing primitive vector, and obtained the primitive vector obtained according to the difference from the approximate value. Add a new primitive vector, fix the number of primitive contexts again to obtain a primitive context set, finish adding the primitive vector when improvement in approximation accuracy is not seen, and then complete the primitive vector set at that time To be extracted as.

以下、本発明のコンテキスト分析装置1における各部の動作について図2及び図3を参照して詳細に説明する。   Hereinafter, the operation of each unit in the context analysis apparatus 1 of the present invention will be described in detail with reference to FIGS.

まず、プリミティブコンテキスト集合の抽出、及びユーザコンテキストの学習について、図2を参照しつつステップ毎に分けて説明する。   First, extraction of a primitive context set and learning of a user context will be described separately for each step with reference to FIG.

(ステップ201)入出力器103は、上記複数のセンサによって取得される値に対応させて訓練用に観測(あるいは生成)された状況を観測ベクトルとして表現し、制御器105に出力する。その後、ステップ202へ進む。   (Step 201) The input / output device 103 expresses a situation observed (or generated) for training corresponding to the values acquired by the plurality of sensors as an observation vector, and outputs it to the controller 105. Then, it progresses to step 202.

(ステップ202)制御器105は、それらの観測ベクトルをセンサデータベース104に格納するとともに、これをプリミティブコンテキスト分析器101に出力する。続いて、プリミティブコンテキスト分析器101は、以下で別に述べるようにして、予め設定された幾つかのスパース度に対してプリミティブコンテキスト集合の候補を複数抽出し、制御器105に出力する。その後、ステップ203へ進む。   (Step 202) The controller 105 stores these observation vectors in the sensor database 104 and outputs them to the primitive context analyzer 101. Subsequently, the primitive context analyzer 101 extracts a plurality of primitive context set candidates for several sparse degrees set in advance as described below, and outputs them to the controller 105. Then, it progresses to step 203.

(ステップ203)制御器105は、各プリミティブコンテキスト集合の候補をユーザコンテキスト学習器102に出力し、ユーザコンテキスト学習器102が各プリミティブコンテキスト集合の候補に対して、以下で別に述べるようにして、ユーザコンテキストの学習を行う。その後、ステップ204へ進む。   (Step 203) The controller 105 outputs each primitive context set candidate to the user context learner 102, and the user context learner 102 separately outputs the primitive context set candidates to the user as described below. Perform context learning. Then, it progresses to step 204.

(ステップ204)ユーザコンテキスト学習器102は、以下で別に述べるようにして、学習結果の最も良好なプリミティブコンテキスト集合を最適なプリミティブコンテキスト集合及びそれに対応するスパース度を最適なスパース度とし、ユーザコンテキスト学習結果とともに制御器105に出力する。そして、制御器105は、最適なプリミティブコンテキスト集合とスパース度、及びユーザコンテキストの学習結果をセンサデータベース104に格納するとともに、それらを入出力器103を通じてユーザに提示する。以上で処理が終了する。   (Step 204) The user context learner 102 sets the best primitive context set of the learning result as the optimum primitive context set and the corresponding sparse degree as the optimum sparse degree as described separately below, and performs user context learning. The result is output to the controller 105. Then, the controller 105 stores the optimum primitive context set, the sparseness, and the learning result of the user context in the sensor database 104 and presents them to the user through the input / output device 103. The process ends here.

次に、新たに観測された状況に対するユーザコンテキストの特定について図3を参照しつつステップ毎に分けて説明する。   Next, identification of a user context for a newly observed situation will be described separately for each step with reference to FIG.

(ステップ301)まず、入出力器103を通じて観測ベクトルが制御器105に出力される。その後、ステップ302へ進む。   (Step 301) First, the observation vector is output to the controller 105 through the input / output unit 103. Then, it progresses to step 302.

(ステップ302)制御器105は、図2のステップ204で決定された最適なプリミティブコンテキスト集合とスパース度をセンサデータベース104から取り出し、観測ベクトルとともにプリミティブコンテキスト分析器101に入力する。続いて、プリミティブコンテキスト分析器101は、取り出された最適なプリミティブコンテキスト集合を用いて、観測ベクトルに対する各プリミティブコンテキストの重みを計算し、これを制御器105に出力する。その後、ステップ303へ進む。   (Step 302) The controller 105 retrieves the optimum primitive context set and sparseness determined in step 204 of FIG. 2 from the sensor database 104 and inputs them together with the observation vector to the primitive context analyzer 101. Subsequently, the primitive context analyzer 101 calculates the weight of each primitive context with respect to the observation vector using the extracted optimum primitive context set, and outputs this to the controller 105. Then, it progresses to step 303.

(ステップ303)制御器105は、図2のステップ203のユーザコンテキストの学習結果をセンサデータベース104から取り出し、ステップ302で求めた各プリミティブコンテキストの重みとともにユーザコンテキスト学習器102に出力する。続いて、ユーザコンテキスト学習器102は、入力された各プリミティブコンテキストの重みとユーザコンテキスト学習結果を用いて、観測ベクトルが示す状況に対するユーザコンテキストを特定し、制御器105に出力する。制御器105は、ユーザコンテキストの特定結果を入出力器103を通してユーザに提示する。以上で処理が終了する。   (Step 303) The controller 105 retrieves the learning result of the user context in step 203 of FIG. 2 from the sensor database 104, and outputs it to the user context learner 102 together with the weight of each primitive context obtained in step 302. Subsequently, the user context learner 102 specifies the user context for the situation indicated by the observation vector using the input weight of each primitive context and the user context learning result, and outputs the user context to the controller 105. The controller 105 presents the user context identification result to the user via the input / output unit 103. The process ends here.

次に、図2のステップ202におけるプリミティブコンテキスト分析器101によるプリミティブコンテキスト集合の候補抽出について図4を参照しつつステップ毎に分けて説明する。   Next, the extraction of candidates for the primitive context set by the primitive context analyzer 101 in step 202 of FIG. 2 will be described separately for each step with reference to FIG.

(ステップ401)プリミティブコンテキスト分析器101によるプリミティブコンテキスト集合の候補抽出は予め設定された幾つかのスパース度毎に行われる。プリミティブコンテキスト分析器101によるスパース度の設定は、後に説明する方法によってプリミティブコンテキストの重みを求め、他に比べて著しく大きい値をとる重みの数を参考に行われる。プリミティブコンテキスト分析器101は、他に比べて著しく大きい値をとる重みの数が極端に少なければスパース度を弱めるように、逆に多すぎればスパース度を強めるようにスパース度を設定する。プリミティブコンテキスト分析器101は、あるスパース度において、予め設定した最小数のプリミティブベクトルをランダムに生成する。但し、プリミティブコンテキスト分析器101によって、初期値として、プリミティブベクトルの次元数はセンサ数に、各要素の値は非負に、及び大きさは全て1に設定される。その後、ステップ402へ進む。   (Step 401) Candidate extraction of a primitive context set by the primitive context analyzer 101 is performed every several sparse degrees set in advance. The sparseness is set by the primitive context analyzer 101 by referring to the number of weights that are significantly larger than the others by obtaining the weight of the primitive context by a method described later. The primitive context analyzer 101 sets the sparseness so as to weaken the sparseness when the number of weights taking a significantly larger value than the other is extremely small, and conversely when the number is too large, the sparseness is set. The primitive context analyzer 101 randomly generates a preset minimum number of primitive vectors at a certain sparsity. However, the primitive context analyzer 101 sets, as initial values, the number of dimensions of the primitive vector as the number of sensors, the value of each element as non-negative, and the size as all 1. Then, it progresses to step 402.

(ステップ402)プリミティブコンテキスト分析器101は、プリミティブコンテキスト数Mを前述の予め設定した最小数に設定する。その後、ステップ403へ進む。   (Step 402) The primitive context analyzer 101 sets the number M of primitive contexts to the previously set minimum number. Thereafter, the process proceeds to step 403.

(ステップ403)プリミティブコンテキスト分析器101は、プリミティブベクトル分析数Qを1に設定する。その後、ステップ404へ進む。   (Step 403) The primitive context analyzer 101 sets the primitive vector analysis number Q to 1. Then, it progresses to step 404.

(ステップ404)プリミティブコンテキスト分析器101は、さらにプリミティブベクトル更新数Rを1に設定する。その後、ステップ405へ進む。   (Step 404) The primitive context analyzer 101 further sets the primitive vector update number R to 1. Then, it progresses to step 405.

(ステップ405)プリミティブコンテキスト分析器101は、プリミティブコンテキストの重みを以下のようにして求める。その後、ステップ406へ進む。   (Step 405) The primitive context analyzer 101 obtains the weight of the primitive context as follows. Thereafter, the process proceeds to Step 406.

本発明のコンテキスト分析装置1においてサンプルjの観測ベクトルxは、 In the context analysis apparatus 1 of the present invention, the observation vector x j of the sample j is

Figure 0005185203
Figure 0005185203

と表される。但し、x=(x1j,…,xij,…,xNj、添字tは転置を表し、xijはセンサiの値、Nはセンサの数であり、a=(a1j,…,akj,…,aMjは、サンプルjにおけるプリミティブコンテキストkの重みakjからなるベクトル、Mはプリミティブコンテキストの数である。また、 It is expressed. Where x j = (x 1j ,..., X ij ,..., X Nj ) t , subscript t represents transposition, x ij is the value of sensor i, N is the number of sensors, and a j = (a 1j ,..., A kj ,..., A Mj ) t is a vector composed of the weights a kj of the primitive context k in the sample j, and M is the number of primitive contexts. Also,

Figure 0005185203
Figure 0005185203

であり、φ=(φ1k,…,φik,…,φNkはプリミティブコンテキストkのプリミティブベクトル、φikはセンサiの値に含まれるプリミティブコンテキストkの成分の推定値である。過完備系の独立成分分析により、M(>N)個のφが独立成分、aが重みとして求められる。ステップ405では、Φを固定して次式により各プリミティブコンテキストの重みを更新する。 Φ k = (φ 1k ,..., Φ ik ,..., Φ Nk ) t is a primitive vector of the primitive context k, and φ ik is an estimated value of the component of the primitive context k included in the value of the sensor i. By independent component analysis of an overcomplete system, M (> N) φ k are obtained as independent components and a j as weights. In step 405, Φ is fixed and the weight of each primitive context is updated by the following equation.

Figure 0005185203
Figure 0005185203

但し、 However,

Figure 0005185203
Figure 0005185203

であり、Lはサンプルの数、λはスパース度である。(3)式のargminは、式の値を最小にするAを求めることであり、この時のAを最適値「A^」と表している。(3)式により、プリミティブコンテキストの重みの絶対値の和をできるだけ小さくなるように、すなわち、できるだけ少数のプリミティブベクトルによって観測ベクトルを近似する重みを求めることができる。プリミティブコンテキストの重みはサンプル毎に計算でき、例えば、上記の非特許文献3に記載された方法によって、Aの全ての成分が非負となる制約条件の下でプリミティブコンテキストの最適な重みを求めることができる。 Where L is the number of samples and λ is the degree of sparseness. The argmin A in the equation (3) is to obtain A that minimizes the value of the equation, and this A is expressed as an optimum value “A ^”. According to the equation (3), the weight that approximates the observation vector can be obtained so that the sum of the absolute values of the weights of the primitive contexts becomes as small as possible, that is, the observation vector can be approximated by as few primitive vectors as possible. The weight of the primitive context can be calculated for each sample. For example, the optimum weight of the primitive context can be obtained under the constraint that all components of A are non-negative by the method described in Non-Patent Document 3 above. it can.

(ステップ406)プリミティブコンテキスト分析器101は、ステップ405で得られたプリミティブコンテキストの重みを用いて、次式によりプリミティブベクトルを更新する。その後、ステップ407へ進む。   (Step 406) The primitive context analyzer 101 updates the primitive vector by the following equation using the weight of the primitive context obtained in step 405. Then, it progresses to step 407.

Figure 0005185203
Figure 0005185203

但し、N(U)は、行列Uの各列を大きさ1に正規化する関数である。(5)式の関数Nへの入力の第i行ベクトル(φi1,…,φiM)に着目すると、 However, N (U) is a function that normalizes each column of the matrix U to size 1. Focusing on the i-th row vector (φ i1 ,..., Φ iM ) of the input to the function N in the equation (5),

Figure 0005185203
Figure 0005185203

となり、例えば、上記の非特許文献4に掲載されている方法によって、Φの要素が全て非負となる制約条件を課した最小二乗法により、Φを行毎に求めることができる。次に、得られたプリミティブコンテキストの重み、プリミティブコンテキスト集合を用いて近似誤差eを次式により求める。 Thus, for example, by the method described in Non-Patent Document 4 described above, Φ can be obtained for each row by the least square method in which a constraint condition in which all elements of Φ are non-negative is imposed. Next, an approximation error e is obtained by the following equation using the obtained primitive context weight and primitive context set.

Figure 0005185203
Figure 0005185203

(ステップ407)プリミティブコンテキスト分析器101は、ステップ404で設定したRを予め設定した上限値と比較し、等しくなければステップ404に戻りRの値を1つ増やす。他方、Rが上限値に等しければステップ408へ進む。   (Step 407) The primitive context analyzer 101 compares R set in step 404 with a preset upper limit value, and if not equal, returns to step 404 and increments the value of R by one. On the other hand, if R is equal to the upper limit value, the process proceeds to step 408.

(ステップ408)プリミティブコンテキスト分析器101は、ステップ403で設定したQを予め設定した上限値と比較し、等しくなければステップ409へ進み、等しければステップ410へ進む。   (Step 408) The primitive context analyzer 101 compares the Q set in Step 403 with a preset upper limit value, and if not equal, proceeds to Step 409, otherwise proceeds to Step 410.

(ステップ409)プリミティブコンテキスト分析器101は、次のようにしてプリミティブベクトルを再設定し、その後、ステップ403に戻りQの値を1つ増やす。   (Step 409) The primitive context analyzer 101 resets the primitive vector as follows, and then returns to step 403 to increase the value of Q by one.

このステップ409におけるプリミティブベクトルの再設定は、以下のようにして行うことができる。まず、プリミティブコンテキスト分析器101は、(7)式の右辺の近似誤差eが最も大きい訓練用サンプルJを求め、 The resetting of the primitive vector in step 409 can be performed as follows. First, a primitive context analyzer 101 obtains the largest training sample J is approximation error e j on the right side of equation (7),

Figure 0005185203
Figure 0005185203

からなるベクトルnewφ=(φ,…,φ)を求める。但し、max(x,y)はxとyの大きい方の値を求める関数である。このベクトルは近似誤差が大きかったサンプルを効果的に近似するベクトルであり、これと全訓練用サンプルにおいてサンプルの近似に最も寄与していないプリミティブベクトルを入れ替える。全訓練用サンプルにおけるプリミティブベクトルkの寄与θThe vector new φ = (φ 1 ,..., Φ N ) is obtained. However, max (x, y) is a function for obtaining the larger value of x and y. This vector is a vector that effectively approximates a sample having a large approximation error, and this is replaced with a primitive vector that does not contribute most to the approximation of the sample in all training samples. The contribution θ k of the primitive vector k in all training samples is

Figure 0005185203
Figure 0005185203

により求める。但し、a’kjはAの各列ベクトルをその標準偏差で割って正規化した列ベクトルからなる行列の第(k,j)成分である。θが最も小さいプリミティブベクトルを(8)式により求めた代替用のベクトルと入れ替える。 Ask for. Here, a ′ kj is the (k, j) -th component of a matrix composed of column vectors obtained by normalizing each column vector of A by dividing it by its standard deviation. The primitive vector having the smallest θ k is replaced with the substitute vector obtained by the equation (8).

(ステップ410)プリミティブコンテキスト分析器101は、これまでに求めたプリミティブコンテキスト集合における(7)式の近似誤差を比較し、最も近似誤差の小さいプリミティブコンテキスト集合をプリミティブコンテキスト数がM個の場合のプリミティブコンテキスト集合とする。その後、ステップ411へ進む。   (Step 410) The primitive context analyzer 101 compares the approximation error of the expression (7) in the primitive context set obtained so far, and the primitive context set with the smallest approximation error is the primitive when the number of primitive contexts is M. A context set. Then, it progresses to step 411.

(ステップ411)プリミティブコンテキスト分析器101は、ステップ410で求めた最も小さかった近似誤差と既に求めたプリミティブコンテキスト数がM−1個の場合のプリミティブコンテキスト集合における近似誤差を比較し、近似精度の向上が見られたならばステップ412へ進み、近似精度の向上が見られない場合には、プリミティブコンテキスト数がM−1個の場合のプリミティブベクトルを該当するスパース度におけるプリミティブコンテキスト集合の候補として処理を終了する。   (Step 411) The primitive context analyzer 101 compares the smallest approximation error obtained in step 410 with the approximation error in the primitive context set when the number of primitive contexts already obtained is M−1, and improves the approximation accuracy. If there is no improvement in the approximation accuracy, the primitive vector in the case where the number of primitive contexts is M−1 is processed as a candidate of a primitive context set in the corresponding sparse degree. finish.

(ステップ412)プリミティブコンテキスト分析器101は、プリミティブベクトルを1つ追加した後、ステップ402に戻りMの値を1つ増やす。   (Step 412) After adding one primitive vector, the primitive context analyzer 101 returns to step 402 and increments the value of M by one.

このステップ412では、ステップ409と同様にして(8)式で得られるベクトルを新たなプリミティブベクトルとして他のプリミティブベクトルと入れ替えることなく追加する。   In this step 412, as in step 409, the vector obtained by equation (8) is added as a new primitive vector without being replaced with other primitive vectors.

次に、図2のステップ203におけるユーザコンテキスト学習、及びステップ204における最適プリミティブコンテキスト集合の決定について説明する。   Next, user context learning in step 203 in FIG. 2 and determination of the optimum primitive context set in step 204 will be described.

ステップ203では、ユーザコンテキスト学習器102は、観測ベクトルxをステップ202によって得られたプリミティブコンテキストの重みを使い、スパース度λ毎に以下のように表現する。 In step 203, user context learner 102, using the weight of the resulting primitive context observation vector x j in step 202, is expressed as follows for each sparse degree lambda.

Figure 0005185203
Figure 0005185203

また、各観測サンプルにはそれに対応するユーザコンテキストのラベルTが付与されている。ステップ203では機械学習アルゴリズムにより、(10)式で表現された入力xに対してラベルTを出力するように訓練用サンプルを用いてユーザコンテキストを学習する。機械学習アルゴリズムとしては、入力が連続値であることを許容し、指定されたラベルに各観測サンプルを分類する規則を学習する教師付学習アルゴリズムが利用できる。本発明のコンテキスト分析装置1では機械学習アルゴリズムとして、Random Forestsを用いる。Random Forestsについては、例えば、上記の非特許文献5に記載されている。また、ユーザコンテキストの学習結果は以下のF値によって評価する。 Each observation sample is given a user context label T j corresponding thereto. In step 203, the user context is learned by using a training sample so as to output the label T j to the input x j expressed by the equation (10) by a machine learning algorithm. As the machine learning algorithm, a supervised learning algorithm that allows the input to be continuous values and learns a rule for classifying each observation sample into a specified label can be used. In the context analysis apparatus 1 of the present invention, Random Forests is used as a machine learning algorithm. Random Forests is described in Non-Patent Document 5 above, for example. The learning result of the user context is evaluated by the following F value.

Figure 0005185203
Figure 0005185203

但し、precisionとはユーザコンテキスト学習器102がユーザコンテキストに一致すると判断したサンプルのうち、実際にユーザコンテキストに一致するサンプルの割合、recallとは実際にユーザコンテキストに一致するサンプルのうち、ユーザコンテキスト学習器102がユーザコンテキストと一致すると判断したサンプルの割合である。 However, precision is the proportion of samples that actually match the user context among samples that the user context learner 102 determines to match the user context, and recal is user context learning among the samples that actually match the user context. This is the proportion of samples that the device 102 determines to match the user context.

一方、ステップ204において、制御器105は、訓練用サンプルとは別に準備したテスト用サンプルについてF値を求め、その値が最も大きくなるプリミティブコンテキスト集合の候補とスパース度、ユーザコンテキスト学習結果を、最適なプリミティブコンテキスト集合、最適スパース度、最終ユーザコンテキスト学習結果として、それぞれ採用する。   On the other hand, in step 204, the controller 105 obtains an F value for the test sample prepared separately from the training sample, and optimizes the candidate of the primitive context set with the largest value, the sparsity, and the user context learning result. Respectively, as a primitive context set, an optimal sparseness, and a final user context learning result.

次にシミュレーションデータを用いたコンテキスト分析装置1の動作結果について説明する。プリミティブコンテキスト数を20、状況を観測するセンサ数を10とし、プリミティブベクトルとして10次元のベクトル20個を乱数により生成した。20個のプリミティブベクトルから数個をランダムに組み合わせて200個の観測ベクトルを生成し、そのうち100個を訓練用サンプル、残り100個をテスト用サンプルとした。ユーザコンテキストはプリミティブコンテキスト自身とし、サンプルが特定のプリミティブコンテキストを含む場合、そのサンプルがユーザコンテキストに一致すると判断するようにユーザコンテキストの学習を行った。   Next, an operation result of the context analysis apparatus 1 using simulation data will be described. The number of primitive contexts was 20, the number of sensors for observing the situation was 10, and 20 10-dimensional vectors were generated by random numbers as primitive vectors. 200 observation vectors were generated by randomly combining 20 primitive vectors, 100 of which were used as training samples and the remaining 100 were used as test samples. The user context is the primitive context itself, and when the sample includes a specific primitive context, the user context is learned so as to determine that the sample matches the user context.

図5はプリミティブコンテキスト分析器101において、図4のステップ402のMを15から30に設定し、プリミティブコンテキスト集合を抽出した時の近似誤差を示すものである。ステップ409及びステップ412によって効果的にプリミティブベクトルが再設定、及び追加されることにより、近似誤差が徐々に減少し、プリミティブコンテキストの数が真の20となった時点で近似精度の変化が収束していることが分かる。   FIG. 5 shows an approximation error when the primitive context set is extracted in the primitive context analyzer 101 by setting M in step 402 in FIG. 4 from 15 to 30. By effectively resetting and adding primitive vectors in steps 409 and 412, the approximation error gradually decreases, and the change in approximation accuracy converges when the number of primitive contexts becomes true 20. I understand that

図6は訓練用サンプルの観測ベクトルの一例とそれぞれのサンプルに対するプリミティブコンテキストの重みを表しており、スパース度が高いほどより少数のプリミティブコンテキストが関与していることが分かる。図6は、列ごとに左から、訓練用サンプルの観測ベクトルの波形、スパース度が高い場合のプリミティブコンテキストの重み値の分布、及びスパース度が低い場合のプリミティブコンテキストの重み値の分布を示している。   FIG. 6 shows an example of observation vectors of training samples and the weights of primitive contexts for the respective samples. It can be seen that a higher degree of sparsity involves fewer primitive contexts. FIG. 6 shows, from the left for each column, the waveform of the observation vector of the training sample, the distribution of the primitive context weight values when the sparseness is high, and the distribution of the primitive context weight values when the sparseness is low. Yes.

図7は、ユーザコンテキストを各プリミティブコンテキストに設定し、20個のプリミティブコンテキストのそれぞれの場合についてF値を示したものである。図中の数字「1」で示すケース1は本発明のコンテキスト分析装置1によるプリミティブコンテキストの重みによって、数字「2」で示すケース2は元の観測ベクトルによって、数字「3」で示すケース3は観測サンプルを主成分分析して得られた主成分の重みによって、それぞれサンプルを表現しユーザコンテキストの学習に用いたものである。本発明のコンテキスト分析装置1のプリミティブコンテキスト分析によってユーザコンテキストの学習が他の方法に比べて効果的にできていることが分かる。   FIG. 7 shows the F value for each of the 20 primitive contexts with the user context set for each primitive context. Case 1 indicated by the number “1” in the figure is based on the weight of the primitive context by the context analysis apparatus 1 of the present invention, Case 2 indicated by the number “2” is based on the original observation vector, and Case 3 indicated by the number “3” is Each sample is expressed by the weight of the principal component obtained by principal component analysis of the observed sample, and used for learning user context. It can be seen from the primitive context analysis of the context analysis apparatus 1 according to the present invention that the user context can be learned more effectively than other methods.

図8は、図2のステップ204において決定された最適プリミティブコンテキスト集合を示すものであり、真のプリミティブベクトルと同じようなベクトルが抽出されている。   FIG. 8 shows the optimum primitive context set determined in step 204 of FIG. 2, and a vector similar to the true primitive vector is extracted.

以上をまとめると、本発明の一実施の形態のコンテキスト分析装置1は次のような特徴を有している。   In summary, the context analysis apparatus 1 according to an embodiment of the present invention has the following characteristics.

(ア)図2に示す処理によって、観測ベクトル(ある時点に観測された状況に対するセンサの値の組)が互いに独立なプリミティブベクトル(プリミティブコンテキストに対するセンサの値の成分の組)の重み付き線形和で表現されると仮定し、スパース性を仮定した過完備系の独立成分分析を用いて、訓練用サンプルの観測ベクトルから独立成分の集合を抽出し、該独立成分をプリミティブコンテキストとする。   (A) A weighted linear sum of primitive vectors (a set of sensor value components for a primitive context) whose observation vectors (a set of sensor values for a situation observed at a certain time) are independent from each other by the processing shown in FIG. And an independent component analysis of an overcomplete system assuming sparsity is used to extract a set of independent components from observation vectors of training samples, and the independent components are used as a primitive context.

(イ)その際、図2及び図4に示す処理によって、まず、いくつかのスパース度(スパース性の程度を表す数値)において訓練用サンプルからプリミティブコンテキスト集合を抽出し、それらに基づいてユーザコンテキストの学習(観測された状況とユーザコンテキストの関係付け)を行い、その後、該学習の結果が最も良好なスパース度とそのプリミティブコンテキスト集合を最適なスパース度およびプリミティブコンテキスト集合としてそれぞれ採用する。   (A) At that time, by the processes shown in FIG. 2 and FIG. 4, first, a primitive context set is extracted from the training sample at several sparsity (numerical values indicating the degree of sparsity), and the user context is based on them. Learning (relation between the observed situation and the user context) is performed, and then the sparseness with the best learning result and the primitive context set are adopted as the optimum sparseness and primitive context set, respectively.

(ウ)図3に示す処理によって、新たに観測された状況の観測ベクトルに対して、各プリミティブコンテキストの重みを計算することにより、その状況を構成するプリミティブコンテキストを特定し、ユーザコンテキストの学習の結果に基づき、観測ベクトルが示す状況に対するユーザコンテキストを特定する。   (C) By calculating the weight of each primitive context with respect to the observation vector of the newly observed situation by the process shown in FIG. 3, the primitive context constituting the situation is specified, and the learning of the user context is performed. Based on the result, the user context for the situation indicated by the observation vector is specified.

また、本発明の一実施形態としてのコンテキスト分析装置1によれば、次のような効果を得ることができる。   Moreover, according to the context analysis apparatus 1 as one embodiment of the present invention, the following effects can be obtained.

(1)センサによって観測される状況が複数のプリミティブコンテキストによって構成されるものとし、状況を示すセンサデータをプリミティブコンテキストに対応するセンサデータの成分の重み付き線形和で表すことができる。   (1) It is assumed that a situation observed by a sensor is constituted by a plurality of primitive contexts, and sensor data indicating the situation can be expressed by a weighted linear sum of components of sensor data corresponding to the primitive context.

(2)プリミティブコンテキストの集合をセンサデータから抽出することができる。その際、互いに独立に発生するコンテキストをプリミティブコンテキストとし、プリミティブコンテキスト数が状況を示すセンサ数よりも大きいことを許容することができる。さらに、プリミティブコンテキストを表現するセンサデータの推定値が全て非負となるように抽出を行うことができる。   (2) A set of primitive contexts can be extracted from sensor data. At this time, the contexts generated independently of each other are defined as primitive contexts, and the number of primitive contexts can be allowed to be larger than the number of sensors indicating the situation. Furthermore, extraction can be performed so that all estimated values of sensor data representing the primitive context are non-negative.

(3)個々の状況を表現する主要なプリミティブコンテキストをプリミティブコンテキスト集合の中から特定することができる。その際、各プリミティブコンテキストの重みが全て非負となるようにコンテキストの特定を行うことができる。   (3) Major primitive contexts representing individual situations can be specified from the primitive context set. At that time, the context can be specified so that the weights of the respective primitive contexts are all non-negative.

(4)プリミティブコンテキストによって表現された個々の状況とユーザコンテキストを関係付けることが可能となる。   (4) It is possible to relate each situation expressed by the primitive context to the user context.

なお、上述した実施形態におけるコンテキスト分析装置1の機能全体あるいはその一部は、これらの機能実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。   Note that all or part of the functions of the context analysis device 1 in the above-described embodiment are recorded on a computer-readable recording medium, and the program recorded on the recording medium is recorded on the computer. You may implement | achieve by making a system read and run. Here, the “computer system” includes an OS and hardware such as peripheral devices.

また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時刻の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時刻プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。   The “computer-readable recording medium” refers to a storage device such as a flexible medium, a magneto-optical disk, a portable medium such as a ROM and a CD-ROM, and a hard disk incorporated in a computer system. Further, the “computer-readable recording medium” dynamically holds a program for a short time, like a communication line when transmitting a program via a network such as the Internet or a communication line such as a telephone line. It is also possible to include those that hold a program for a certain time, such as a volatile memory inside a computer system serving as a server or client in that case. The program may be a program for realizing a part of the functions described above, and may be a program capable of realizing the functions described above in combination with a program already recorded in a computer system.

また、本発明の実施の形態は、上記のものに限定されず、例えば、図1の各ブロックをさらに分割したり、或いは、各ブロックを統合してブロックの数を減らしたりする変更等を適宜行うことができる。   Further, the embodiment of the present invention is not limited to the above-described ones. For example, the blocks shown in FIG. 1 are further divided, or the blocks are integrated to reduce the number of blocks. It can be carried out.

1 コンテキスト分析装置
101 プリミティブコンテキスト分析器
102 ユーザコンテキスト学習器
103 入出力器
104 センサデータベース
105 制御器
DESCRIPTION OF SYMBOLS 1 Context analyzer 101 Primitive context analyzer 102 User context learner 103 Input / output device 104 Sensor database 105 Controller

Claims (5)

複数のセンサによって取得された値を用いて状況を分析するコンテキスト分析装置であって、
前記複数のセンサによって取得される値に対応させて、訓練用に観測された状況を観測ベクトルとして入力する入力手段と、
前記観測ベクトルを格納する記憶手段と、
前記観測ベクトルが、統計的に独立な複数の独立成分である複数のプリミティブコンテキストの重み付き線形和で表現されると仮定し、かつ、前記センサの数が前記プリミティブコンテキストの数より少ないとする過完備系独立成分分析によって、前記センサの値が全て非負であり、前記プリミティブコンテキストの重みが全て非負であるという条件下で前記プリミティブコンテキスト集合の抽出及び前記重みの計算を行うものであって、予め設定された複数のスパース度に対して前記プリミティブコンテキスト集合の候補を複数抽出するプリミティブコンテキスト分析手段と、
前記各プリミティブコンテキスト集合の候補に対して、前記観測された状況とユーザが意図する状況であるユーザコンテキストとを関係付ける処理であるユーザコンテキスト学習を行い、所定の評価に基づいて学習結果が最も良好と判定されたプリミティブコンテキスト集合を最適なプリミティブコンテキスト集合及びそれに対応するスパース度を最適なスパース度として出力するユーザコンテキスト学習器手段と、
前記ユーザコンテキスト学習器手段から出力された前記最適なプリミティブコンテキスト集合及び前記最適なスパース度を前記記憶手段に記憶する制御手段と
を備えることを特徴とするコンテキスト分析装置。
A context analysis device that analyzes a situation using values acquired by a plurality of sensors,
Input means for inputting a situation observed for training as an observation vector in correspondence with values acquired by the plurality of sensors;
Storage means for storing the observation vector;
It is assumed that the observation vector is represented by a weighted linear sum of a plurality of primitive contexts that are a plurality of statistically independent components, and that the number of sensors is less than the number of primitive contexts. The complete system independent component analysis extracts the primitive context set and calculates the weights under the condition that the sensor values are all non-negative and the primitive context weights are all non-negative. Primitive context analysis means for extracting a plurality of candidates of the primitive context set for a plurality of set sparseness levels;
For each candidate of the primitive context set, user context learning that is a process of relating the observed situation to a user context that is a situation intended by the user is performed, and the learning result is the best based on a predetermined evaluation User context learner means for outputting the determined primitive context set as the optimum primitive context set and the corresponding sparse degree as the optimum sparse degree;
A context analysis apparatus comprising: control means for storing the optimum primitive context set output from the user context learner means and the optimum degree of sparseness in the storage means.
前記プリミティブコンテキスト分析手段が、
前記スパース度毎に、前記プリミティブコンテキストの数を所定数に固定して、前記プリミティブコンテキストに対応するものとして定義された複数の要素からなるプリミティブベクトルの初期値を変えながら独立成分分析を所定の複数回実行して、前記観測ベクトルに対して最も近似精度が高い複数のプリミティブベクトルからなる集合を抽出するものであって、
その複数回の実行において、前回最も近似できなかった観測ベクトルについて、その近似値との差分に応じて代替プリミティブベクトルを求め、近似の寄与が最も低い既存のプリミティブベクトルをその代替プリミティブベクトルに入れ替え、
前記固定した数のプリミティブコンテキストを求めた後は、既存のプリミティブベクトルによって最も近似できなかった前記観測ベクトルを求め、その近似値との差分に応じて求めたプリミティブベクトルを新たなプリミティブベクトルとして追加し、前記プリミティブコンテキスト数を再び固定して前記プリミティブコンテキスト集合を求め、近似精度の向上が見られなくなった時点でプリミティブベクトルの追加を終了し、その時のプリミティブベクトル集合を前記プリミティブコンテキスト集合として抽出する
ことを特徴とする請求項1に記載のコンテキスト分析装置。
The primitive context analysis means comprises:
For each sparseness, the number of primitive contexts is fixed to a predetermined number, and an independent component analysis is performed while changing an initial value of a primitive vector composed of a plurality of elements defined as corresponding to the primitive context. A set of a plurality of primitive vectors having the highest approximation accuracy with respect to the observed vector,
In the plurality of executions, for the observation vector that could not be approximated the last time, an alternative primitive vector is obtained according to the difference from the approximate value, and the existing primitive vector with the lowest contribution of approximation is replaced with the alternative primitive vector,
After obtaining the fixed number of primitive contexts, the observation vector that could not be approximated most by the existing primitive vector is obtained, and the primitive vector obtained according to the difference from the approximate value is added as a new primitive vector. Obtaining the primitive context set by fixing the number of primitive contexts again, ending addition of primitive vectors when improvement in approximation accuracy is no longer observed, and extracting the primitive vector set at that time as the primitive context set The context analysis apparatus according to claim 1.
前記入力手段が、前記複数のセンサによって取得される値に対応させて、観測された状況を観測ベクトルとして入力し、
前記プリミティブコンテキスト分析手段が、前記記憶手段から取り出された最適なプリミティブコンテキスト集合を用いて、前記観測ベクトルに対する各プリミティブコンテキストの重みを計算し、
前記ユーザコンテキスト学習器手段が、前記各プリミティブコンテキストの重みと前記記憶手段から取り出された前記ユーザコンテキスト学習結果を用いて、前記観測ベクトルが示す状況に対する前記ユーザコンテキストを特定する
ことを特徴とする請求項1又は2に記載のコンテキスト分析装置。
The input means inputs an observed situation as an observation vector in correspondence with values acquired by the plurality of sensors,
The primitive context analysis means calculates a weight of each primitive context for the observation vector using an optimal primitive context set retrieved from the storage means;
The user context learner means specifies the user context for the situation indicated by the observation vector using the weight of each primitive context and the user context learning result extracted from the storage means. Item 3. The context analysis device according to Item 1 or 2.
複数のセンサによって取得された値を用いて状況を分析するためのコンテキスト分析プログラムであって、
入力手段によって、前記複数のセンサによって取得される値に対応させて、訓練用に観測された状況を観測ベクトルとして入力する過程と、
記憶手段によって、前記観測ベクトルを格納する過程と、
プリミティブコンテキスト分析手段によって、前記観測ベクトルが、統計的に独立な複数の独立成分である複数のプリミティブコンテキストの重み付き線形和で表現されると仮定し、かつ、前記センサの数が前記プリミティブコンテキストの数より少ないとする過完備系独立成分分析によって、前記センサの値が全て非負であり、前記プリミティブコンテキストの重みが全て非負であるという条件下で前記プリミティブコンテキスト集合の抽出及び前記重みの計算を行うものであって、予め設定された複数のスパース度に対して前記プリミティブコンテキスト集合の候補を複数抽出する過程と、
ユーザコンテキスト学習器手段によって、前記各プリミティブコンテキスト集合の候補に対して、前記観測された状況とユーザが意図する状況であるユーザコンテキストとを関係付ける処理であるユーザコンテキスト学習を行い、所定の評価に基づいて学習結果が最も良好と判定されたプリミティブコンテキスト集合を最適なプリミティブコンテキスト集合及びそれに対応するスパース度を最適なスパース度として出力する過程と、
制御手段によって、前記ユーザコンテキスト学習器手段から出力された前記最適なプリミティブコンテキスト集合及び前記最適なスパース度を前記記憶手段に記憶する過程と
をコンピュータによって実行させるための指令を含むことを特徴とするコンテキスト分析プログラム。
A context analysis program for analyzing a situation using values obtained by a plurality of sensors,
A process of inputting, as an observation vector, a situation observed for training in accordance with values obtained by the plurality of sensors by an input means;
Storing the observation vector by storage means;
It is assumed by the primitive context analysis means that the observation vector is represented by a weighted linear sum of a plurality of primitive contexts that are a plurality of statistically independent components, and the number of sensors is the number of the primitive contexts. The primitive context set is extracted and the weight is calculated under the condition that all the sensor values are non-negative and all the weights of the primitive context are non-negative by overcomplete independent component analysis of less than a number. A plurality of primitive context set candidates for a plurality of preset sparseness levels;
User context learner means performs user context learning, which is processing for associating the observed situation with a user context that is intended by the user, with respect to each primitive context set candidate. Outputting a primitive context set having the best learning result based on the optimum primitive context set and the corresponding sparse degree as the optimum sparse degree;
A step for storing the optimum primitive context set output from the user context learner means and the optimum sparse degree in the storage means by a control means by a computer. Context analysis program.
前記入力手段によって、前記複数のセンサによって取得される値に対応させて、観測された状況を観測ベクトルとして入力し、
前記プリミティブコンテキスト分析手段によって、前記記憶手段から取り出された最適なプリミティブコンテキスト集合を用いて、前記観測ベクトルに対する各プリミティブコンテキストの重みを計算し、
前記ユーザコンテキスト学習器手段によって、前記各プリミティブコンテキストの重みと前記記憶手段から取り出された前記ユーザコンテキスト学習結果を用いて、前記観測ベクトルが示す状況に対する前記ユーザコンテキストを特定する
ための指令をさらに含む
ことを特徴とする請求項4に記載のコンテキスト分析プログラム。
Corresponding to the values acquired by the plurality of sensors by the input means, the observed situation is input as an observation vector,
Using the optimal primitive context set retrieved from the storage means by the primitive context analysis means to calculate the weight of each primitive context for the observation vector;
The user context learner means further includes a command for specifying the user context for the situation indicated by the observation vector using the weight of each primitive context and the user context learning result extracted from the storage means. The context analysis program according to claim 4, wherein:
JP2009134902A 2009-06-04 2009-06-04 Context analysis apparatus and context analysis program Expired - Fee Related JP5185203B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2009134902A JP5185203B2 (en) 2009-06-04 2009-06-04 Context analysis apparatus and context analysis program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2009134902A JP5185203B2 (en) 2009-06-04 2009-06-04 Context analysis apparatus and context analysis program

Publications (2)

Publication Number Publication Date
JP2010282400A JP2010282400A (en) 2010-12-16
JP5185203B2 true JP5185203B2 (en) 2013-04-17

Family

ID=43539075

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009134902A Expired - Fee Related JP5185203B2 (en) 2009-06-04 2009-06-04 Context analysis apparatus and context analysis program

Country Status (1)

Country Link
JP (1) JP5185203B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9740773B2 (en) * 2012-11-02 2017-08-22 Qualcomm Incorporated Context labels for data clusters
US20220256347A1 (en) * 2021-02-09 2022-08-11 Qualcomm Incorporated Context Dependent V2X Misbehavior Detection

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5009543B2 (en) * 2006-03-10 2012-08-22 株式会社エヌ・ティ・ティ・ドコモ Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor

Also Published As

Publication number Publication date
JP2010282400A (en) 2010-12-16

Similar Documents

Publication Publication Date Title
Sofaer et al. The area under the precision‐recall curve as a performance metric for rare binary events
CN106484777B (en) Multimedia data processing method and device
CN111242310B (en) Feature validity evaluation method and device, electronic equipment and storage medium
JP7139626B2 (en) Phrase generation relationship estimation model learning device, phrase generation device, method, and program
CN109190109B (en) Method and device for generating comment abstract by fusing user information
CN111881359B (en) Ordering method, ordering system, ordering equipment and ordering storage medium in internet information retrieval
CN111460101B (en) Knowledge point type identification method, knowledge point type identification device and knowledge point type identification processor
Mitros et al. On the validity of Bayesian neural networks for uncertainty estimation
JP6924571B2 (en) Information processing equipment, information processing methods, and information processing programs
CN110852181A (en) Piano music score difficulty identification method based on attention mechanism convolutional neural network
Pfisterer et al. Multi-objective automatic machine learning with autoxgboostmc
JP5185203B2 (en) Context analysis apparatus and context analysis program
CN114492420A (en) Text classification method, device and equipment and computer readable storage medium
Zhou et al. Survival of the most influential prompts: Efficient black-box prompt search via clustering and pruning
Tamvakis et al. Optimized classification predictions with a new index combining machine learning algorithms
CN111105041B (en) Machine learning method and device for intelligent data collision
JP2015038709A (en) Model parameter estimation method, device, and program
CN112989007B (en) Knowledge base expansion method and device based on countermeasure network and computer equipment
JP5063639B2 (en) Data classification method, apparatus and program
CN116127981A (en) Semantic vector representation method, semantic vector representation device, computer equipment and storage medium
CN114548297A (en) Data classification method, device, equipment and medium based on domain self-adaption
CN109614456B (en) Deep learning-based geographic information positioning and partitioning method and device
Toman et al. Content-based audio retrieval by using elitism GA-KNN approach
Ghanem et al. Learning in imbalanced relational data
WO2021159095A1 (en) Population-based black-box optimization

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20110826

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: 20130108

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20130117

R151 Written notification of patent or utility model registration

Ref document number: 5185203

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20160125

Year of fee payment: 3

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

LAPS Cancellation because of no payment of annual fees