JP6644192B1 - 学習装置、学習方法及びプログラム - Google Patents

Abstract

学習装置（１０）は、取得部（１１）と学習部（１２）と生成部（１４）とを備える。取得部（１１）は、学習信号を取得する。学習部（１２）は、取得部（１１）によって取得された学習信号から切り出される部分信号を、波形が類似する度合いを示す類似度に応じてクラスタリングして、クラスタリングされた部分信号の波形を表す基準波形を学習する。生成部（１４）は、類似度の分布と、クラスタリングされた部分信号を含む各クラスタの特性と、の少なくとも一方により、学習部（１２）による学習の進捗状況を示す進捗情報を生成して出力する。

Description

本発明は、学習装置、学習方法及びプログラムに関する。

工場における生産システム及び制御システムのように、センサによるセンシング結果を示す時系列データを利用する種々の処理システムが知られている。この種の処理システムでは、時系列データを正常時に入力されるべきデータと比較することで処理システムにおける異常の有無を診断することが広く行われている。

正常時に入力されるべきデータは、典型的なパターンを示すデータとして、異常が生じなかったときに収集された時系列データから予め学習しておく必要がある。ここで、典型的なパターンの学習が不十分であれば、異常の診断の精度が低下してしまう。一方、学習を過剰に続けると、学習のための計算リソースを浪費してしまう。そこで、学習を適当な時点で打ち切る技術が提案されている（例えば、特許文献１を参照）。

特許文献１には、時系列データの主成分得点からパターンの分類を行い、パターン数が収束したときに、学習を終了する技術について記載されている。この技術では、各パターンに属する主成分得点の代表値が、異常検知に用いられる学習データとして出力される。

特開２００９−１３５６４９号公報

異常の検知をする際に、信号波形を比較することがあり、このような比較をするためには波形を学習する必要がある。ここで、学習の際にパターン数が収束した場合であっても、パターン数がある程度の範囲内で固定されたまま、信号波形の比較により異常を検知するための波形の学習が進むことがある。そのため、パターン数に応じて学習を終了する特許文献１の技術では、信号波形を比較するための学習が不適当な時点で終了するおそれがある。

本発明は、上記の事情に鑑みてなされたものであり、信号波形を比較するための学習をより適当な時点で終了することを目的とする。

上記目的を達成するため、本発明の学習装置は、学習信号を取得する取得手段と、取得手段によって取得された学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた部分信号の波形を表す基準波形を学習する学習手段と、学習信号を構成する学習部分信号と試行信号のうちの学習部分信号から学習された基準波形と試行信号とが類似する度合いを示す第２類似度の分布により、学習手段による学習の進捗状況を示す進捗情報を生成して出力する生成手段と、を備える。

本発明によれば、学習信号から基準波形が学習されて、類似度の分布により進捗情報が生成される。このような進捗情報を利用すれば、類似度に応じたクラスタリングにより得る基準波形の学習がある程度進んだ時点で学習を打ち切ることができる。したがって、信号波形を比較するための学習をより適当な時点で終了することができる。

本発明の実施の形態に係る学習装置の機能的な構成を示すブロック図 実施の形態に係る取得部によって取得される学習信号について説明するための図 実施の形態に係る学習部による基準波形の学習について説明するための図 実施の形態に係る生成部による類似度の算出について説明するための図 実施の形態に係る第１指標値について説明するための図 実施の形態に係る第２指標値について説明するための図 実施の形態に係る第３指標値について説明するための図 実施の形態に係る第４指標値について説明するための図 実施の形態に係る学習装置のハードウェア構成を示すブロック図 実施の形態に係る学習処理を示すフローチャート 実施の形態に係る第１段階のクラスタリングについて説明するための図 実施の形態に係る第２段階のクラスタリングについて説明するための図 変形例に係る原信号の分割について説明するための図 変形例に係る学習信号の取得について説明するための図 変形例に係る学習処理を示すフローチャート

以下、本発明の実施の形態に係る学習装置１０について、図面を参照しつつ詳細に説明する。

実施の形態．
本実施の形態に係る学習装置１０は、外部から提供された学習信号を取得して、この学習信号に含まれる代表的な波形を学習する装置である。学習装置１０によって学習された波形は、工場に形成される生産システムにおいて収集される信号の波形と比較して異常を検知するために利用される。

ここで、異常は、例えば、生産ラインに流れるワークの仕様が規格外であること、生産ラインを構成する装置の不具合、及びこの装置の稼働中に生じたエラーを含む。異常は、生産システムの運営者が想定するものとして予め定められる正常な状態とは異なる状態であって、通常は、生産システムによる製品の生産を停止させ、又は歩留まりを低下させる。生産システムの稼働時において、この生産システムにて収集される信号は、複数の波形パターンのいずれか１つと類似する波形を有する。このため、入力信号の波形がいずれの波形パターンからも乖離する形状である場合には、異常であると判定される。学習装置１０は、このような異常の判定をするための波形パターンを学習する。以下では、異常の判定をするための基準となる波形パターンを、基準波形という。

学習装置１０は、図１に示されるように、その機能として、学習信号を取得する取得部１１と、学習信号から基準波形を学習する学習部１２と、学習の結果を含む種々のデータを記憶する記憶部１３と、記憶部１３のデータに基づいて学習の進捗状況を示す進捗情報を生成する生成部１４と、進捗情報を外部に出力する出力部１５と、ユーザから学習の実行に関する指示を受け付ける受付部１６と、を有する。

取得部１１は、複数の学習信号を取得する。詳細には、取得部１１は、学習信号を繰り返し取得する。より詳細には、取得部１１は、ユーザから提供される原信号を取得して、この原信号を分割することで、長さが短い順に学習信号を繰り返し取得する。取得部１１は、学習信号を取得する度に、取得した学習信号を学習部１２に送出する。原信号は、生産システムが正常に稼働しているときに収集されるべき信号の波形を有する。原信号は、ユーザによって予め用意される。取得部１１は、請求項の取得手段として機能する。

図２には、取得部１１によって取得される学習信号が模式的に示されている。図２上部に示されるように、原信号は、急峻に立ち上がってから緩やかに下がる波形２０１と、台形状の波形２０２と、緩やかに立ち上がってから急峻に下がる波形２０３と、を有している。取得部１１は、この原信号から、学習信号２１を切り出して取得する。その後、取得部１１は、１回目に取得した学習信号２１より長い学習信号２２を切り出して取得する。同様に、取得部１１は、２回目に取得した学習信号２２より長い学習信号２３を切り出して取得する。

学習信号２１，２２は、波形２０１を有するが、波形２０２，２０３を有しない。また、学習信号２３は、波形２０１，２０２を有するが、波形２０３を有しない。このため、学習信号２１〜２３は、波形を学習するための信号としては不十分な信号といえる。

取得部１１は、Ｎ回目の信号として、学習信号２ｎを取得する。学習信号２ｎは、波形２０１，２０２，２０３をいずれも含むため、波形を学習するために十分な長さの信号といえる。さらに、取得部１１は、Ｍ回目の信号として、学習信号２ｍを取得する。学習信号２ｍを用いれば、学習信号２ｎよりも学習を進めることができるが、原信号に含まれる波形２０１〜２０３はいずれも学習信号２ｎから学習されるため、学習信号２ｍによる学習は過剰であり、計算リソースを浪費する可能性がある。

ただし、図２は学習信号を模式的に示しており、ある類型の波形を、学習信号に含まれる単一の波形から学習するよりも、複数の波形から学習することが望ましい。

図１に戻り、学習部１２は、取得部１１によって学習信号が取得される度に、この学習信号から基準波形を学習する。詳細には、学習部１２は、学習信号から切り出される部分信号を、波形が類似する度合いに応じてクラスタリングして、クラスタリングされた部分信号の波形を表す基準波形を学習する。学習部１２は、請求項の学習手段として機能する。

ここで、学習部１２による基準波形の学習の概要について、図３を用いて説明する。図３上部に示されるように、学習部１２は、学習信号を、基準波形を学習するための学習部分信号と、後述の生成部１４によって処理される試行信号と、に分割する。詳細には、学習部１２は、学習信号を等分する。ただし、これには限定されず、学習信号を分割する手法は任意である。

学習部１２は、ウィンドウ３１をスライディングさせる度に、学習部分信号から学習値の系列を切り出すことにより部分信号３２を生成する。部分信号３２は、切り出された系列の学習値を要素とするベクトルとして扱われる。そして、学習部１２は、複数の部分信号を、波形が類似する度合いを指標としてクラスタリングする。この例では結果として複数の部分信号がグループＧ１，Ｇ２，Ｇ３にクラスタリングされている。詳細には、学習部１２は、ベクトルとしての信号間の距離に応じたクラスタリングを実行する。ベクトルとしての信号間の距離は、ベクトルを構成する各成分の自乗誤差の総和を算出し、この総和の平方根として得ることができる。クラスタリングの詳細については後述する。

学習部１２によってクラスタリングされた結果できたグループＧ１，Ｇ２，Ｇ３はそれぞれ、互いに類似する波形の部分信号を含む。グループＧ１，Ｇ２，Ｇ３は、クラスタに相当する。そして、学習部１２は、各グループに含まれる部分信号の波形を表す基準波形を決定する。基準波形は、各グループに含まれる部分信号の平均に相当する波形であってもよいし、各グループから選択されたいずれかの部分信号であってもよいし、クラスタ中心の部分信号であってもよい。図３の例では、グループＧ１に対応する基準波形Ａと、グループＧ２に対応する基準波形Ｂと、グループＧ３に対応する基準波形Ｃと、が学習される。

図１に戻り、学習部１２は、学習信号から分割された試行信号、学習した基準波形、及び各グループにクラスタリングされた部分信号、を示すデータを記憶部１３に格納する。

生成部１４は、記憶部１３に記憶されるデータを読み出して、類似度の分布と、クラスタリングされた部分信号を含む各クラスタの特性と、の少なくとも一方により、基準波形の学習の進捗状況を示す進捗情報を生成して出力する。詳細には、生成部１４は、基準波形に関する指標値を算出し、この指標値から進捗情報を生成して出力する。生成部１４は、請求項の生成手段として機能する。生成部１４は、第１指標値を算出する類似度解析部１４１と、第２指標値を算出するクラスタ解析部１４２と、第３指標値を算出する基準波形解析部１４３と、第４指標値を算出する波形数解析部１４４と、指標値から進捗情報を生成する進捗情報生成部１４５と、を有する。

類似度解析部１４１は、基準波形と試行信号との類似度を算出し、この類似度の分布を解析することで、第１指標値を算出する。ここで、類似度は、波形が類似する度合いを示すが、上述の信号間の距離とは異なってもよい。類似度は、ゼロから１までの範囲内の値であって、波形が一致する場合には類似度が１となる。類似度は、２つの信号の各サンプリング値の自乗誤差の総和を正規化することで算出される。例えば、自乗誤差の総和をＥとして、類似度Ｄは、以下の式（１）により算出される。

Ｄ＝１／（１＋Ｅ） ・・・（１）

図４には、試行信号から類似度を算出する手法の概要が示されている。この類似度の算出は、学習の終了後に異常を検知するための類似度の算出と同様に行われる。類似度解析部１４１による類似度の算出は、学習が終了する前に、この学習の進捗状況を確認するために類似度の算出を試行する演算処理である。

詳細には、類似度解析部１４１は、ウィンドウ４１をスライディングさせて試行信号から試行値の系列を切り出すことにより部分信号４２を生成する。部分信号４２は、図３の部分信号３２と同様にベクトルとして扱われる。そして、類似度解析部１４１は、部分信号４２それぞれについて、すべての基準波形との類似度を算出する。類似度解析部１４１は、部分信号４２それぞれについて算出された類似度のうち、最大の類似度を、部分信号４２と基準波形との類似度として採用する。この類似度は、部分信号４２と、複数の基準波形のうち部分信号４２の最近傍の基準波形とが類似する度合いを示す。

類似度解析部１４１は、学習部１２が基準波形を学習する度に、類似度を算出して類似度の分布を生成する。図５には、長さが異なる学習信号と、この学習信号から生成される類似度の度数分布と、が示されている。図５に示されるように、学習信号が比較的短い場合には、基準波形の学習が不十分であって、比較的低い類似度が多く算出される。学習信号が長くなり基準波形がある程度学習されると、比較的高い類似度が多く算出される。そして、学習が十分に進むと、この分布が安定して、分布の形状が維持されるようになる。

類似度解析部１４１は、類似度の大きさに対する頻度の分布に関する値を、第１指標値として出力する。第１指標値は、この分布の特徴量であって、例えば、重心或いは分散である。図５には、分布の重心Ｘ１１，Ｘ１２，Ｘ１３が示されている。図５からわかるように、重心Ｘ１１から重心Ｘ１２への変化量は大きいが、重心Ｘ１２から重心Ｘ１３への変化量は小さい。そのため、分布の重心は、学習の進捗状況を示す指標値となる。詳細には、類似度の分布に関して前回の学習信号から導出される第１指標値と、今回の学習信号から導出される第１指標値と、の関係から学習の進捗状況が判断される。例えば、前回と今回の２回で導出された第１指標値の差又は比から進捗状況が判断される。

図１に戻り、クラスタ解析部１４２及び基準波形解析部１４３は、クラスタリングされた部分信号を含む各クラスタの特性を示す指標値を算出する。

クラスタ解析部１４２は、各グループにクラスタリングされた部分信号の数に関する値を、学習部１２によって学習された特異な波形の有無を表す第２指標値として算出する。図６には、長さが異なる学習信号と、この学習信号から切り出されてクラスタリングされた部分信号の、各グループに属する数と、が示されている。図６に示されるように、学習信号が比較的短い場合には、基準波形の学習が不十分であって、部分信号を１つだけ含むグループＧ３がある。このようなグループは、学習信号に含まれる特異な波形に対応している。換言すると、特異な波形がある場合には、学習が不十分であるといえる。学習信号が長くなり基準波形がある程度学習されると、グループＧ３に属する部分信号の数が多くなる。

クラスタ解析部１４２は、閾値より小さい個数の部分信号を含むという条件を満たすグループの数を、第２指標値として出力する。閾値は、例えば３である。図６からわかるように、学習が進むと、条件を満たすグループの数は、減少する。そのため、第２指標値は、学習の進捗状況を示す値となる。ただし、第２指標値は、各グループにクラスタリングされた部分信号の数に関する他の値であってもよい。例えば、第２指標値は、閾値より小さい個数の部分信号を含むグループの数の、全グループの数に対する比率であってもよい。また、学習が十分に進むと、条件を満たすグループの数は、非常に少なくなって安定すると考えられる。そこで、前回の学習信号から導出される第２指標値と、今回の学習信号から導出される第２指標値と、の関係から学習の進捗状況が判断されてもよい。例えば、前回と今回の２回で学習された第２指標値の差又は比から進捗状況が判断される。

図１に戻り、基準波形解析部１４３は、複数の基準波形の分布から第３指標値を算出する。詳細には、基準波形解析部１４３は、複数の基準波形それぞれから抽出した特徴量の分布に関する第３指標値を算出する。図７には、長さが異なる学習信号と、この学習信号から学習された基準波形を主成分分析した結果と、が示されている。図７では、説明の理解を容易にするため、基準波形から特徴量として抽出された第１主成分と第２主成分とを座標軸として示している。

図７からわかるように、学習信号が比較的短い状態から長くなると、２次元平面状に分布する特徴量が大きく変動する。図７中、黒い点は、今回の学習信号から学習された基準波形の特徴量を示し、白抜きの点は、前回の学習信号から学習された基準波形の特徴量を示す。学習が進み、学習信号がある程度長い状態からさらに長くなると、２次元平面上に分布する特徴量が移動するが、その移動量は徐々に小さくなる。そのため、このような特徴量に関する値は、学習の進捗状況を示す指標となる。

第３指標値は、例えば、特徴量の分布の平均及び分散に代表される統計値であってもよいし、特徴量の分布そのものを表すベクトル値であってもよい。図７に示される例では、２次元平面上に分布する３つの点を示す６次元のベクトル値であってもよい。また、前回の学習信号から導出される第３指標値と今回の学習信号から導出される第３指標値との関係から学習の進捗状況が判断されてもよい。例えば、前回と今回の２回で導出された第３指標値の差又は比から進捗状況が判断される。第３指標値の差としては、例えば、図３に示される例における各点の移動量の総和を採用することができる。

図１に戻り、波形数解析部１４４は、学習された基準波形の数に関する第４指標値を算出する。図８には、長さが異なる学習信号と、この学習信号から学習された基準波形の数と、の関係が示されている。図８からわかるように、学習信号が比較的短い場合には、基準波形の学習が不十分であって、学習される基準波形の数が少ない。学習信号が長くなり基準波形がある程度学習されると、新たに学習される基準波形は少なくなり、基準波形の数が大きく増えることはなくなっていく。そのため、基準波形の数に関する値は、学習の進捗状況を示す指標となる。

波形数解析部１４４は、学習された基準波形の数をそのまま第４指標値としてもよいし、基準波形の数を加工した値を第４指標値としてもよい。そして、前回の学習信号から導出される第４指標値と、今回の学習信号から導出される第４指標値と、の関係から学習の進捗状況が判断されてもよい。詳細には、前回と今回の２回で学習された第４指標値の差又は比から進捗状況が判断されてもよい。

図１に戻り、進捗情報生成部１４５は、第１指標値、第２指標値、第３指標値及び第４指標値を統合した統合指標値を算出する。詳細には、進捗情報生成部１４５は、これらの指標値を正規化して平均を算出することで統合指標値を得る。そして、進捗情報生成部１４５は、統合指標値に関する情報を、進捗情報として出力部１５に出力する。また、進捗情報生成部１４５は、統合指標値に基づいて学習を継続するか否かを決定し、学習の継続又は停止を示す進捗情報を取得部１１に出力する。学習の停止を示す進捗情報は、取得部１１による新たな学習信号の取得を停止させることにより、学習を停止させる。

出力部１５は、進捗情報生成部１４５によって生成された進捗情報を、学習装置１０の外部に出力する。詳細には、出力部１５は、進捗情報を表示画面に表示することによりユーザに提示する。出力部１５によって出力される進捗情報は、統合指標値の値を示す情報であってもよいし、統合指標値に基づいて生成される、学習が十分であるか否かを示す情報であってもよい。

受付部１６は、ユーザによって入力される学習の停止指示を受け付ける。受付部１６は、受け付けた停止指示を取得部１１に通知する。この停止指示は、取得部１１による新たな学習信号の取得を停止させることにより、学習を停止させる。

学習装置１０は、そのハードウェア構成として、図９に示されるように、プロセッサ９１と、主記憶部９２と、補助記憶部９３と、入力部９４と、出力部１５と、通信部９６と、を有する。主記憶部９２、補助記憶部９３、入力部９４、出力部９５及び通信部９６はいずれも、内部バス９７を介してプロセッサ９１に接続される。

プロセッサ９１は、ＣＰＵ（Central Processing Unit）を含む。プロセッサ９１は、補助記憶部９３に記憶されるプログラムＰ１を実行することにより、学習装置１０の種々の機能を実現して、後述の処理を実行する。

主記憶部９２は、ＲＡＭ（Random Access Memory）を含む。主記憶部９２には、補助記憶部９３からプログラムＰ１がロードされる。そして、主記憶部９２は、プロセッサ９１の作業領域として用いられる。

補助記憶部９３は、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）及びＨＤＤ（Hard Disk Drive）に代表される不揮発性メモリを含む。補助記憶部９３は、プログラムＰ１の他に、プロセッサ９１の処理に用いられる種々のデータを記憶する。補助記憶部９３は、プロセッサ９１の指示に従って、プロセッサ９１によって利用されるデータをプロセッサ９１に供給し、プロセッサ９１から供給されたデータを記憶する。なお、図９では、１つのプログラムＰ１が代表的に示されているが、補助記憶部９３は、複数のプログラムを記憶してもよいし、主記憶部９２には、複数のプログラムがロードされてもよい。

入力部９４は、入力キー及びポインティングデバイスに代表される入力デバイスを含む。入力部９４は、学習装置１０のユーザによって入力された情報を取得して、取得した情報をプロセッサ９１に通知する。

出力部９５は、ＬＣＤ（Liquid Crystal Display）及びスピーカに代表される出力デバイスを含む。出力部９５は、プロセッサ９１の指示に従って、種々の情報をユーザに提示する。

通信部９６は、外部の装置と通信するためのネットワークインタフェース回路を含む。通信部９６は、外部から信号を受信して、この信号により示されるデータをプロセッサ９１へ出力する。また、通信部９６は、プロセッサ９１から出力されたデータを示す信号を外部の装置へ送信する。

図９に示されるハードウェア構成が協働することにより、学習装置１０の上述の機能が実現される。詳細には、プロセッサ９１が、取得部１１、学習部１２及び生成部１４を実現する。主記憶部９２及び補助記憶部９３の少なくとも一方が、記憶部１３を実現する。出力部９５が、出力部１５を実現する。入力部９４が、受付部１６を実現する。ただし、取得部１１が学習装置１０の外部から通信により学習信号を取得する場合には、プロセッサ９１に加えて通信部９６が、取得部１１を実現してもよい。

続いて、学習装置１０によって実行される学習処理について、図１０〜１２を用いて説明する。図１０に示される学習処理は、学習装置１０にインストールされた特定のアプリケーションをユーザが起動することで開始される。

学習処理では、取得部１１は、原信号を取得する（ステップＳ１）。具体的には、取得部１１は、原信号の入力をユーザに促すことにより、又は、原信号を含むデータのアドレスをユーザに対して要求することにより、原信号を取得する。

次に、取得部１１は、原信号の分割により新たに取得する学習信号の長さを決定して、学習信号を取得する（ステップＳ２）。例えば、最初にステップＳ２が実行されたときには、取得部１１は、図２に示された１回目の学習信号を取得する。

次に、学習部１２は、学習信号から基準波形を学習する（ステップＳ３）。ステップＳ３は、請求項の学習ステップに対応する。具体的には、学習部１２は、学習信号から切り出した部分信号のクラスタリングにより、基準波形を学習する。このクラスタリングは、２段階のクラスタリングを含む。ここで、クラスタリングの詳細について図１１，１２を用いて説明する。

図１１には、第１段階のクラスタリングの概要について示されている。第１段階のクラスタリングでは、学習部１２は、学習信号から切り出される区間が近い部分信号をクラスタにまとめる。具体的には、学習部１２は、図１１に示されるように、学習信号に対してウィンドウ１１１をスライディングさせるたびに切り出される部分信号としての部分列１１２を得る。そして、学習部１２は、一の部分列１１２に対して、後続する部分列１１２との距離Ｄが予め規定された閾値εより小さければ、これら部分列１１２を１つのクラスタにクラスタリングして、さらに後続する部分列１１２との距離Ｄを算出する。後続する部分列１１２の距離Ｄが閾値εより大きい場合、学習部１２は、この部分列１１２を新たなクラスタにクラスタリングして、さらに後続する部分列１１２との距離Ｄを算出する。この手順を繰り返すことにより、学習部１２は、時間方向に隣接して距離が近い部分列１１２同士がクラスタリングされる。

図１２には、第２段階のクラスタリングの概要について示されている。第２段階のクラスタリングでは、学習部１２は、第１段階で作成されたクラスタ各々に属する部分列１１２を平均することで、各クラスタを代表する標本部分列１２１を得る。また、学習部１２は、標本部分列１２１の平均値の大きさでソートする。そして、学習部１２は、第１段階のクラスタリングと同様の手順で、標本部分列１２１のクラスタリングを実行する。学習部１２は、各クラスタに属する標本部分列１２１を平均することで、基準波形１２２を作成する。

図３に示されるように、繰り返し取得される学習信号の一部が前回の学習信号に相当する場合においては、前回の学習信号について実行された第１段階のクラスタリングの結果を流用することができる。そこで、学習部１２は、第１段階のクラスタリングの結果として得たクラスタを学習済みの中間データとして保持しておいて、学習信号のうち、未だ第１段階のクラスタリングを実行していない未学習部分について第１段階のクラスタリングを実行する。その後、学習部１２は、前回と今回の双方の第１段階のクラスタリングの結果から第２段階のクラスタリングを実行する。未学習部分から生成した部分列１１２同士は時間的に隣接していて、学習済みの部分と未学習部分とは時間軸上で隣接するのは１箇所のみである。このため、第１段階のクラスタリングすべてを再度実行する場合とほぼ同様の結果を得ることができる。また、第１段階のクラスタリングの大部分を省略することができるため、計算量を軽減することができる。

図１０に戻り、ステップＳ３に続いて、生成部１４は、第１指標値、第２指標値、第３指標値及び第４指標値を算出し（ステップＳ４）、統合指標値を算出する（ステップＳ５）。具体的には、生成部１４は、類似度の分布の重心を第１指標値として算出し、条件を満たすグループの数を第２指標値として計数し、基準波形から抽出した特徴量の分布の平均値を第３指標値として算出し、基準波形の数を第４指標値として計数する。そして、生成部１４は、これら４つの指標値の大きさをゼロから１の範囲内に正規化してから平均値を演算することにより、統合指標値を算出する。

次に、生成部１４は、前回算出された統合指標値があるか否かを判定する（ステップＳ６）。具体的には、生成部１４は、ステップＳ５で算出した統合指標値より前に算出された統合指標値があるかを判定する。

ステップＳ６が初めて実行され、前回の統合指標値がないと判定された場合（ステップＳ６；Ｎｏ）、学習装置１０は、ステップＳ２以降の処理を繰り返す。これにより、新たな学習信号について基準波形が学習されて統合指標値が再度算出される。

一方、前回の統合指標値があると判定された場合（ステップＳ６；Ｙｅｓ）、生成部１４は、前回と今回の統合指標値の差が閾値より小さいか否かを判定する（ステップＳ７）。閾値は、予め規定された値であってもよいし、ユーザによって変更されてもよい。

ステップＳ７の判定が肯定された場合（ステップＳ７；Ｙｅｓ）、生成部１４は、学習が不十分であり、学習を継続することを示す進捗情報を出力する（ステップＳ８）。ステップＳ８は、請求項の生成ステップに対応する。具体的には、生成部１４は、学習が不十分である旨を示す進捗情報を出力部１５に出力し、学習を継続することを示す進捗情報を取得部１１に出力する。

次に、受付部１６は、学習を終了する旨の指示をユーザから受け付けたか否かを判定する（ステップＳ９）。終了指示を受け付けていないと判定された場合（ステップＳ９；Ｎｏ）、学習装置１０は、ステップＳ２以降の処理を繰り返す。これにより、取得部１１が新たな学習信号を取得して、基準波形の学習が継続する。

一方、終了指示を受け付けたと判定された場合（ステップＳ９；Ｙｅｓ）、学習装置１０は、学習処理を終了する。これにより、基準波形の学習が終了する。

ステップＳ７の判定が否定された場合（ステップＳ７；Ｎｏ）、生成部１４は、学習が十分であり学習を停止することを示す進捗情報を生成して出力する（ステップＳ１０）。ステップＳ１０は、請求項の生成ステップに対応する。具体的には、生成部１４は、学習が十分である旨を示す進捗情報を出力部１５に出力し、学習を停止することを示す進捗情報を取得部１１に出力する。これにより、取得部１１による新たな学習信号の取得が停止して、学習処理が終了する。

以上、説明したように、学習装置１０によれば、学習信号から基準波形が学習されて、類似度の分布と、クラスタリングされた部分信号を含む各クラスタの特性と、の少なくとも一方により進捗情報が生成される。類似度の分布と各クラスタの特性を活用することにより、より高精度な進捗情報を得ることができ、このような進捗情報を利用すれば、類似度に応じたクラスタリングにより得る基準波形の学習がある程度進んだ時点で学習を打ち切ることができる。したがって、信号波形を比較するための学習をより適当な時点で終了することができる。

また、学習装置１０は、試行信号について算出された類似度の分布に関する指標値から進捗情報を生成した。試行信号について算出される類似度の分布は、学習の進捗を表す適当な尺度といえる。このため、進捗情報は、学習の進捗状況を正確に表すことができる。

また、学習装置１０は、学習の際に各グループにクラスタリングされた部分信号の数に関する指標値から進捗情報を生成した。各グループにクラスタリングされる部分信号の数は、学習の進捗を表す適当な尺度といえる。このため、進捗情報は、学習の進捗状況を正確に表すことができる。

また、学習装置１０は、複数の基準波形それぞれから抽出される特徴量の分布に関する指標値から進捗情報を生成した。このような特徴量の分布は、学習の進捗を表す適当な尺度といえる。このため、進捗情報は、学習の進捗状況を正確に表すことができる。

また、学習装置１０は、学習された基準波形の数に関する指標値から進捗情報を生成した。このような基準波形の数は、学習の進捗を表す適当な尺度といえる。このため、進捗情報は、学習の進捗状況を正確に表すことができる。

また、学習装置１０は、複数の指標値から統合指標値を得て、この統合指標値から進捗情報を生成した。これにより、進捗情報は、いずれか１つの指標値を用いる場合よりも学習の進捗状況を正確に表すことができる。

以上、本発明の実施の形態について説明したが、本発明は上記実施の形態によって限定されるものではない。

例えば、取得部１１は、図２に示されるように、原信号のうち、前回分割した区間に対して隣接する未学習の区間を追加した区間に相当する部分を分割することで、新たな学習信号を取得したが、原信号を分割する手法はこれには限定されず、任意である。例えば、図１３に示されるように、予め原信号を、互いに重複しない区間ＰＲ１〜ＰＲ８に分割しておいて、初回は区間ＰＲ１の信号を学習信号として取得し、次回以降は分割された区間の信号を学習信号に追加することで、短い順に学習信号を取得してもよい。

また、取得部１１は、新たに取得する学習信号の長さを、信号波形に応じて決定してもよい。例えば、図２に示される例では、学習信号２２，２３は、波形２０１，２０２を途中まで含んでおり、基準波形の学習が非効率になり得ると考えられる。これに対して、取得部１１は、図１４に示されるように、値がゼロとなる区間で原信号を分割して、波形２０１，２０２をすべて含む学習信号２２ａ，２３ａを取得してもよい。

また、取得部１１が原信号を分割することで学習信号を取得する例を説明したが、これには限定されない。例えば、取得部１１は、学習を継続することが決定された後に、外部に学習信号を要求することで学習信号を取得してもよい。

また、取得部１１が繰り返し学習信号を取得する例を説明したが、これには限定されない。取得部１１が取得することで予め用意された複数の学習信号のいずれかを、学習部１２が学習を反復する度に選択してもよい。

また、繰り返し取得される学習信号は、重複していてもよいし、重複していなくてもよい。

また、部分信号のクラスタリングでは、波形が類似する度合いを示す尺度として距離を採用した。しかしながら、クラスタリングのための尺度はこれに限定されず任意である。例えば、類似度解析部１４１によって算出される類似度と同様の尺度で部分信号のクラスタリングを実行してもよい。また、類似度解析部１４１によって算出される類似度は、距離を表す尺度であってもよい。

また、上記実施の形態では、類似度が、ゼロから１の範囲内の値であって、波形が一致するときに１となる例について説明したが、これには限定されず、類似度は、波形が類似する度合いを示すものであればよい。具体的には、波形が類似するほど値が小さくなる類似度を用いてもよい。例えば、ゼロから１の範囲内の値であって、波形が一致するときにゼロとなる類似度を用いてもよい。さらに、類似度の範囲を任意に変更してもよい。例えば、一の波形と他の波形について、各サンプリング値の自乗誤差の総和を類似度としてもよい。

また、学習部１２が２段階のクラスタリングを実行する例について説明したが、これには限定されない。例えば、学習部１２は、ｋ平均法又は混合ガウスモデル(GMM; Gaussian Mixture Model)によって部分信号のクラスタリングを実行してもよい。

また、上述の学習処理では、統合指標値の差が閾値より小さいか否かの判定結果に応じて学習状況が判断されたが、これには限定されない。例えば、学習がある程度進むと、統合指標値の比は１に収束すると考えられる。そこで、統合指標値の比が１から予め規定された誤差の範囲内にあるか否かを判定することで学習状況を判断してもよい。また、差及び比に基づく判断とは異なる手法で、今回の統合指標値と前回以前の統合指標値との関係に基づいて学習状況を判断してもよい。

また、学習装置１０によって実行される学習処理は、図１０に示されたものに限定されない。例えば、学習装置１０は、図１５に示される学習処理を実行してもよい。この学習処理では、取得部１１が学習信号を取得し（ステップＳ１１）、学習部１２が学習信号から基準波形を学習する（ステップＳ３）。次に、生成部１４が、第１指標値、第２指標値、第３指標値及び第４指標値を算出し（ステップＳ４）、代表指標値を選択する（ステップＳ１２）。

代表指標値は、算出された４つの指標値から選択されるいずれか１つの指標値である。代表指標値は、ユーザによって選択されてもよいし、算出された４つの指標値の値に応じて選択されてもよい。例えば、最大又は最小の指標値が代表指標値として選択されてもよい。

次に、生成部１４は、選択した代表指標値を示す情報を進捗情報として出力する（ステップＳ１３）。これにより、ユーザは、学習の進捗状況を認識することができる。

次に、受付部１６は、終了指示を受け付けたか否かを判定する（ステップＳ９）。終了指示を受け付けたと判定された場合（ステップＳ９；Ｙｅｓ）、学習処理が終了して、基準波形の学習が停止する。

一方、終了指示を受け付けていないと判定された場合（ステップＳ９；Ｎｏ）、取得部１１は、学習信号に新たな信号を追加して、前回より長い学習信号を取得する（ステップＳ１４）。その後、学習装置１０は、ステップＳ３以降の処理を繰り返す。

図１５に示される学習処理によれば、ユーザは、進捗情報を確認しながら任意のタイミングで学習を停止させることができる。

また、４つの指標値を統合する例と、いずれか１つの指標値が選択される例と、について説明したが、これには限定されない。４つの指標値のうち任意の組み合わせの指標値を採用してもよい。また、上述の４つの指標値とは異なる５つ目の指標値をさらに組み合わせてもよい。

また、進捗情報が、学習が十分か否かを示す例について説明したが、これには限定されない。例えば、指標値が第１閾値より大きければ学習の進捗度合いが「低」であって、指標値が第１閾値より小さく第２閾値より大きければ学習の進捗度合いが「中」であって、指標値が第２閾値より小さければ学習の進捗度合いが「高」であるとして、学習の進捗度合いが複数の段階のいずれに属するかを示す進捗情報が生成されてもよい。この段階の数は、任意に変更してもよい。

また、学習装置１０の機能は、専用のハードウェアによっても、また、通常のコンピュータシステムによっても実現することができる。

例えば、プロセッサ９１によって実行されるプログラムＰ１を、コンピュータ読み取り可能な非一時的な記録媒体に格納して配布し、そのプログラムＰ１をコンピュータにインストールすることにより、上述の処理を実行する装置を構成することができる。このような記録媒体としては、例えばフレキシブルディスク、ＣＤ−ＲＯＭ（Compact Disc Read−Only Memory）、ＤＶＤ（Digital Versatile Disc）、ＭＯ（Magneto−Optical Disc）が考えられる。

また、プログラムＰ１をインターネットに代表される通信ネットワーク上のサーバ装置が有するディスク装置に格納しておき、例えば、搬送波に重畳させて、コンピュータにダウンロードするようにしてもよい。

また、通信ネットワークを介してプログラムＰ１を転送しながら起動実行することによっても、上述の処理を達成することができる。

さらに、プログラムＰ１の全部又は一部をサーバ装置上で実行させ、その処理に関する情報をコンピュータが通信ネットワークを介して送受信しながらプログラムを実行することによっても、上述の処理を達成することができる。

なお、上述の機能を、ＯＳ（Operating System）が分担して実現する場合又はＯＳとアプリケーションとの協働により実現する場合等には、ＯＳ以外の部分のみを媒体に格納して配布してもよく、また、コンピュータにダウンロードしてもよい。

また、学習装置１０の機能を実現する手段は、ソフトウェアに限られず、その一部又は全部を、回路を含む専用のハードウェアによって実現してもよい。

本発明は、本発明の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、本発明を説明するためのものであり、本発明の範囲を限定するものではない。つまり、本発明の範囲は、実施の形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の発明の意義の範囲内で施される様々な変形が、本発明の範囲内とみなされる。

本発明は、信号波形の学習に適している。

１０ 学習装置、 １１ 取得部、 １２ 学習部、 １３ 記憶部、 １４ 生成部、 １４１ 類似度解析部、 １４２ クラスタ解析部、 １４３ 基準波形解析部、 １４４ 波形数解析部、 １４５ 進捗情報生成部、 １５ 出力部、 １６ 受付部、 １６ 通信部、 ２１，２２，２２ａ，２３，２３ａ，２ｎ，２ｍ 学習信号、 ２０１〜２０３ 波形、 ３１，４１ ウィンドウ、 ３２，４２ 部分信号、 ９１ プロセッサ、 ９２ 主記憶部、 ９３ 補助記憶部、 ９４ 入力部、 ９５ 出力部、 ９６ 通信部、 ９７ 内部バス、 １１１ ウィンドウ、 １１２ 部分列、 １２１ 標本部分列、 １２２ 基準波形、 Ｐ１ プログラム。

Claims (14)

1. 学習信号を取得する取得手段と、
   前記取得手段によって取得された前記学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習する学習手段と、
   前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布により、前記学習手段による学習の進捗状況を示す進捗情報を生成して出力する生成手段と、
   を備える学習装置。
2. 前記生成手段は、前記試行信号から切り出される複数の部分信号それぞれと前記基準波形とが類似する度合いを示す前記第２類似度を算出し、前記第２類似度の分布により前記進捗情報を生成する、
   請求項１に記載の学習装置。
3. 前記生成手段は、前記第２類似度の大きさに対する頻度の分布により前記進捗情報を生成する、
   請求項２に記載の学習装置。
4. 前記取得手段は、複数の前記学習信号を取得し、
   前記生成手段は、一の前記学習信号から前記学習手段によって前記基準波形が学習されたときの、前記第２類似度の分布に関する指標値と、他の前記学習信号から前記学習手段によって前記基準波形が学習されたときの前記指標値と、の関係に基づいて前記進捗情報を生成する、
   請求項１に記載の学習装置。
5. 前記生成手段は、前記指標値の差が閾値を下回ったときに、前記基準波形の学習が十分になされたことを示す前記進捗情報を生成する、
   請求項４に記載の学習装置。
6. 学習信号を取得する取得手段と、
   前記取得手段によって取得された前記学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習する学習手段と、
   前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布と、クラスタリングされた前記部分信号を含む各クラスタの特性と、の少なくとも一方により、前記学習手段による学習の進捗状況を示す進捗情報を生成して出力する生成手段と、を備え、
   前記取得手段は、取得した一の前記学習信号の波形に応じた長さの前記学習信号を次に取得することで、前記学習信号を繰り返し取得し、
   前記生成手段は、一の前記学習信号から前記学習手段によって前記基準波形が学習されたときの、前記第２類似度の分布と各クラスタの特性との少なくとも一方に関する指標値と、他の前記学習信号から前記学習手段によって前記基準波形が学習されたときの前記指標値と、の関係に基づいて前記進捗情報を生成する、学習装置。
7. 学習信号を取得する取得手段と、
   前記取得手段によって取得された前記学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習する学習手段と、
   前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布と、クラスタリングされた前記部分信号を含む各クラスタの特性と、の少なくとも一方により、前記学習手段による学習の進捗状況を示す進捗情報を生成して出力する生成手段と、を備え、
   前記取得手段は、取得した一の前記学習信号より長い前記学習信号を次に取得することで、前記学習信号を繰り返し取得し、
   前記生成手段は、一の前記学習信号から前記学習手段によって前記基準波形が学習されたときの、前記第２類似度の分布と各クラスタの特性との少なくとも一方に関する指標値と、他の前記学習信号から前記学習手段によって前記基準波形が学習されたときの前記指標値と、の関係に基づいて前記進捗情報を生成する、学習装置。
8. 前記生成手段は、前記基準波形の学習を継続するか否かを示す前記進捗情報を生成して出力し、
   前記取得手段は、前記進捗情報が学習を継続することを示す場合に、新たな学習信号を取得し、
   前記学習手段は、前記新たな学習信号から前記基準波形を学習する、
   請求項１から７のいずれか一項に記載の学習装置。
9. 学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習する学習ステップと、
   前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布により、学習の進捗状況を示す進捗情報を生成して出力する生成ステップと、
   を含む学習方法。
10. 学習信号を取得する取得ステップと、
    前記学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習する学習ステップと、
    前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布と、クラスタリングされた前記部分信号を含む各クラスタの特性と、の少なくとも一方により、学習の進捗状況を示す進捗情報を生成して出力する生成ステップと、を含み、
    前記取得ステップでは、取得した一の前記学習信号の波形に応じた長さの前記学習信号を次に取得することで、前記学習信号を繰り返し取得し、
    前記生成ステップでは、一の前記学習信号から前記学習ステップにおいて前記基準波形が学習されたときの、前記第２類似度の分布と各クラスタの特性との少なくとも一方に関する指標値と、他の前記学習信号から前記学習ステップにおいて前記基準波形が学習されたときの前記指標値と、の関係に基づいて前記進捗情報を生成する、学習方法。
11. 学習信号を取得する取得ステップと、
    前記学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習する学習ステップと、
    前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布と、クラスタリングされた前記部分信号を含む各クラスタの特性と、の少なくとも一方により、学習の進捗状況を示す進捗情報を生成して出力する生成ステップと、を含み、
    前記取得ステップでは、取得した一の前記学習信号より長い前記学習信号を次に取得することで、前記学習信号を繰り返し取得し、
    前記生成ステップでは、一の前記学習信号から前記学習ステップにおいて前記基準波形が学習されたときの、前記第２類似度の分布と各クラスタの特性との少なくとも一方に関する指標値と、他の前記学習信号から前記学習ステップにおいて前記基準波形が学習されたときの前記指標値と、の関係に基づいて前記進捗情報を生成する、学習方法。
12. コンピュータに、
    学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習し、
    前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布により、学習の進捗状況を示す進捗情報を生成して出力する、
    ことを実行させるためのプログラム。
13. コンピュータに、
    一の学習信号を取得し、取得した一の前記学習信号の波形に応じた長さの他の前記学習信号を次に取得することで、前記学習信号を繰り返し取得し、
    前記学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習し、
    一の前記学習信号から前記基準波形が学習されたときの、前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布、及び、各クラスタの特性の少なくとも一方に関する指標値と、他の前記学習信号から前記基準波形が学習されたときの前記指標値と、の関係に基づいて、学習の進捗状況を示す進捗情報を生成して出力する、
    ことを実行させるためのプログラム。
14. コンピュータに、
    一の学習信号を取得し、取得した一の前記学習信号より長い他の前記学習信号を次に取得することで、前記学習信号を繰り返し取得し、
    前記学習信号から切り出される部分信号を、波形が類似する度合いを示す第１類似度に応じてクラスタリングして、クラスタリングされた前記部分信号の波形を表す基準波形を学習し、
    一の前記学習信号から前記基準波形が学習されたときの、前記学習信号を構成する学習部分信号と試行信号のうちの前記学習部分信号から学習された前記基準波形と前記試行信号とが類似する度合いを示す第２類似度の分布、及び、各クラスタの特性の少なくとも一方に関する指標値と、他の前記学習信号から前記基準波形が学習されたときの前記指標値と、の関係に基づいて、学習の進捗状況を示す進捗情報を生成して出力する、
    ことを実行させるためのプログラム。

Images