JP6735956B1 - モデルパラメタ推定装置、状態推定システムおよびモデルパラメタ推定方法 - Google Patents
モデルパラメタ推定装置、状態推定システムおよびモデルパラメタ推定方法 Download PDFInfo
- Publication number
- JP6735956B1 JP6735956B1 JP2020520160A JP2020520160A JP6735956B1 JP 6735956 B1 JP6735956 B1 JP 6735956B1 JP 2020520160 A JP2020520160 A JP 2020520160A JP 2020520160 A JP2020520160 A JP 2020520160A JP 6735956 B1 JP6735956 B1 JP 6735956B1
- Authority
- JP
- Japan
- Prior art keywords
- model
- state
- parameter
- state transition
- hmm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 34
- 230000007704 transition Effects 0.000 claims description 213
- 230000008859 change Effects 0.000 claims description 35
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 230000006399 behavior Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 17
- 238000013500 data storage Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000007423 decrease Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- RNLHGQLZWXBQNY-UHFFFAOYSA-N 3-(aminomethyl)-3,5,5-trimethylcyclohexan-1-amine Chemical compound CC1(C)CC(N)CC(C)(CN)C1 RNLHGQLZWXBQNY-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000238366 Cephalopoda Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Image Analysis (AREA)
Abstract
Description
実施の形態1.
図1は、実施の形態1に係る状態推定システム1の構成を示すブロック図であり、状態推定システム1が自動船舶識別システムである場合を示している。状態推定システム1において、観測対象は船舶100である。状態推定システム1は、船舶100から受信した観測データを用いて船舶100を識別し、識別した船舶100が不審な行動をとっているか否かを判定する。観測データは、船舶100から自動識別システム信号(以下、AIS信号と記載する)として発信され、船舶100の種類、名称および識別番号が含まれる。
図4は、HMMの状態遷移モデルの例を示す概念図であり、観測対象(船舶100)の状態が3種類である場合を示している。HMMにおいて、観測対象は、ある時刻フレームでいずれかの状態にあると仮定され、この時刻の状態に依存して次の時刻フレームの状態に確率的に遷移すると仮定される。図4に示す矢印は、状態間の遷移確率を表している。例えば、状態s0から状態s1へ遷移する遷移確率はp01であり、状態s0が維持される確率はp00である。以降では、状態siから状態sjへ遷移する遷移確率をpjiで表す。なお、観測対象の状態が3種類であるので、iおよびjは、1、2および3のいずれかの値となる。遷移確率pjiが、HMMの状態遷移モデルのパラメタである。
ベルヌーイフィルタのモデルパラメタには、“状態遷移モデルのパラメタ”と“観測モデルのパラメタ”がある。ベルヌーイフィルタで用いられる状態遷移モデルには、前述のように、上位概念の状態の遷移と下位概念の状態の遷移とがある。上位概念の状態の遷移には、2個の離散的な状態があり、HMMと同様に、一方の状態に依存して確率的に他方の状態へ遷移する。下位概念の状態の遷移は、上位概念の状態の遷移におけるいずれかの状態に含まれ、連続値または離散値で表される。
確率pf、確率c(zk)、確率pd(xi)および確率f(zk|xi)が、ベルヌーイフィルタで用いられる観測モデルのパラメタである。
まず、ベルヌーイフィルタでは、HMMに比べて、モデルパラメタを解釈しやすい点が挙げられる。特に、ベルヌーイフィルタにおける観測モデルのパラメタであるpfおよびpd(xi)は、HMMにおける観測モデルのパラメタと異なり、計測可能な値である。例えば、不審な行動をしていない船舶100から、不適切なAIS信号が取得される確率pfおよび不適切なAIS信号の取得に失敗する確率1−pfは、観測データ(AIS信号)の傾向から類推しやすい。
図6は、実施の形態1に係るモデルパラメタ推定方法を示すフローチャートである。
まず、パラメタ推定部20が、観測データを用いて、HMMのモデルパラメタを推定する(ステップST1)。例えば、パラメタ推定部20が、パラメタ候補値の組み合わせについて尤度を算出し、算出した尤度が最大となるパラメタ候補値の組み合わせを、HMMのモデルパラメタの推定値として選別する、いわゆる総当たり探索を行ってもよい。尤度は、あるモデルパラメタの値が、実際に取得された観測データの時系列で実現される確率である。
HMMにおける状態s0は、船舶100が“不審行動をしていない状態”であるので、ベルヌーイフィルタにおける“不審行動なし”の状態に対応する。このため、観測データzk=0,1について、下記式(13)および下記式(14)が成立する。
例えば、パラメタ推定部20が、観測対象の観測条件に対応するモデルパラメタを決定するパラメタ導出ルールに基づいて、HMMのモデルパラメタの暫定的な値を求めてもよい。観測条件には、例えば、観測対象を観測する観測機器の種類、および当該観測機器で観測対象が観測されたときの天候が含まれる。
モデルパラメタ推定装置2における、パラメタ推定部20およびパラメタ変換部21の機能は、処理回路によって実現される。すなわち、モデルパラメタ推定装置2は、図6に示したフローチャートのステップST1からステップST2までの処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するCPU(Central Processing Unit)であってもよい。
このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって上記機能を実現することができる。
また、Baum−Welch法によってモデルパラメタを推定したHMMによって船舶の状態を推定する従来の技術と異なって、状態推定システム1では、観測データの誤差に頑健であり、かつ推定精度の予測が可能な状態推定が可能である。
実施の形態1に係るモデルパラメタ推定装置2では、ベルヌーイフィルタで用いられる状態遷移モデルにおいて、下位の状態遷移モデルにおける状態数が既知であることを前提としていた。しかしながら、ベルヌーイフィルタで用いられる状態遷移モデルでは、状態数が未知な場合もある。例えば、図1に示した状態推定システム1において、船舶100の不審状態が分類される状態の数は必ずしも自明ではない。
図9は、実施の形態2に係るモデルパラメタ推定方法を示すフローチャートである。
まず、パラメタ推定部20Aが、HMMにおける初期の状態遷移モデルに対してモデルパラメタの暫定的な値を設定する(ステップST1a)。初期の状態遷移モデルは、予め定められた状態数の状態遷移モデルである。例えば、船舶100が不審な行動をとっているか否かを示す状態遷移モデル、すなわち、“不審行動なし”の状態を示す状態s0と“不審行動あり”の状態を示す状態s1との遷移を示す状態遷移モデルを、初期の状態遷移モデルとしてもよい。また、船舶100が“不審行動あり”の状態であるときの状態数が最大値Nmaxである状態遷移モデル、すなわち、Nmax+1個の状態がある状態遷移モデルを、初期の状態遷移モデルとしてもよい。
一方、HMMにおける状態遷移モデルが、後述するステップST5aにおいてモデルパラメタの暫定的な値が設定された新たな状態遷移モデルである場合、パラメタ推定部20Aは、当該状態遷移モデルを用いるHMMのモデルパラメタを推定する。HMMのモデルパラメタを推定する方法は、実施の形態1で示したものと同様である。
なお、ステップST2aにおいて、実施の形態1で説明した総当り探索によりHMMのモデルパラメタを推定する場合は、ステップST1aにおけるHMMのモデルパラメタの暫定的な値の設定は不要である。この場合には、ステップST1aを省略してもよい。
ただし、妥当性判定部22が、状態遷移モデルのHMMにおける尤度を最初に算出したとき、すなわち、今回算出した尤度と差分をとる相手が存在しない場合は、ステップST3aにおいて状態遷移モデルを変更すべきと判定する。
一方、状態遷移モデルにおける状態数を減少させる変更が行われたときの尤度の減少量が閾値よりも小さい場合、妥当性判定部22は、この状態遷移モデルに変更すべきと判定する(ステップST3a;YES)。モデル変更部23は、妥当性判定部22から入力したモデル変更の実行を指示する信号に応じて、HMMにおける状態遷移モデルを、上記変更条件に基づいて状態数を減少させた新たな状態遷移モデルに変更する。
また、ステップST2aにおいて、パラメタ推定部20Aによって推定されたHMMのモデルパラメタが、HMMのモデルパラメタの推定に用いられた観測データに過剰に適合する可能性がある。この場合、HMMのモデルパラメタは、その推定に用いられた観測データの時系列に対する妥当性は高くなるが、その推定に用いられなかった観測データの時系列に対する妥当性が高くなるとは限らない。そこで、妥当性判定部22は、HMMのモデルパラメタの推定に用いられた観測データの代わりに、HMMのモデルパラメタの推定に用いられなかった観測データを用いて、状態遷移モデルの妥当性を表す指標を算出してもよい。これにより、上記不具合を解消することができる。
より複雑な状態遷移モデルに変更する場合、新たな状態遷移モデルは、例えば、状態数を1つ増やしたモデルとなる。ステップST2aにおいて、モデルパラメタが推定されるHMMの状態遷移モデルが、“不審行動なし”の状態、“第1の不審状態”および“第2の不審状態”といった状態数が3つのモデルであった場合、モデル変更部23は、“不審行動なし”の状態、“第1の不審状態”、“第2の不審状態”および“第3の不審状態”といった状態数が4つの状態遷移モデルに変更する。
なお、ステップST2aにおいて、実施の形態1で説明した総当り探索によりHMMのモデルパラメタを推定する場合は、ステップST5aにおいてHMMのモデルパラメタの暫定的な値の設定が不要である。この場合には、ステップST4aにて状態遷移モデルが変更された後、ステップST5aを省略してステップST2aへ戻るようにしてもよい。
図1に示した状態推定システム1が、モデルパラメタ推定装置2Aを備え、モデル変更部23は、状態数を1つ増やしたモデルとなるように状態遷移モデルを変更する。モデル変更部23によってHMMの状態遷移モデルの状態数が変更された場合、HMMにおける状態に対応するベルヌーイフィルタにおける状態も変更される。すなわち、HMMにおける状態遷移モデルを変更しながら、変更後の状態遷移モデルの妥当性を評価することは、異常状態の種類の数が異なるベルヌーイフィルタを探索することに相当する。
モデルパラメタ推定装置2Aにおける、パラメタ推定部20A、パラメタ変換部21A、妥当性判定部22およびモデル変更部23の機能は、処理回路によって実現される。すなわち、モデルパラメタ推定装置2Aは、図9に示したフローチャートのステップST1aからステップST5aまでの処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するCPUであってもよい。
モデルパラメタ推定装置2Aにおける、パラメタ推定部20A、パラメタ変換部21A、妥当性判定部22およびモデル変更部23の機能を別々の処理回路で実現してもよく、これらの機能をまとめて1つの処理回路で実現してもよい。
このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって上記機能を実現することができる。
Claims (5)
- 観測対象の状態が観測された観測データを用いて、隠れマルコフモデルのモデルパラメタを推定するパラメタ推定部と、
前記パラメタ推定部によって推定された前記隠れマルコフモデルのモデルパラメタを、前記観測対象の下位概念の状態の遷移が上位概念の状態の遷移におけるいずれかの状態に含まれる状態遷移モデルを用いる状態推定アルゴリズムのモデルパラメタに変換するパラメタ変換部と、
を備えたことを特徴とするモデルパラメタ推定装置。 - 前記隠れマルコフモデルにおける状態遷移モデルの妥当性を表す指標に基づいて、状態遷移モデルを変更すべきか否かを判定する妥当性判定部と、
前記隠れマルコフモデルにおける状態遷移モデルを変更するモデル変更部と、
を備えたことを特徴とする請求項1記載のモデルパラメタ推定装置。 - 請求項1または請求項2記載のモデルパラメタ推定装置と、
前記状態推定アルゴリズムによって前記観測対象の状態を推定する状態推定装置と、
を備えたことを特徴とする状態推定システム。 - パラメタ推定部が、観測対象の状態が観測された観測データを用いて、隠れマルコフモデルのモデルパラメタを推定するステップと、
パラメタ変換部が、前記パラメタ推定部によって推定された前記隠れマルコフモデルのモデルパラメタを、前記観測対象の下位概念の状態の遷移が上位概念の状態の遷移におけるいずれかの状態に含まれる状態遷移モデルを用いる状態推定アルゴリズムのモデルパラメタに変換するステップと、
を備えたことを特徴とするモデルパラメタ推定方法。 - 妥当性判定部が、前記隠れマルコフモデルにおける状態遷移モデルの妥当性を表す指標に基づいて、状態遷移モデルを変更すべきか否かを判定するステップと、
モデル変更部が、前記隠れマルコフモデルにおける状態遷移モデルを変更するステップと、
を備えたことを特徴とする請求項4記載のモデルパラメタ推定方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/033459 WO2020053934A1 (ja) | 2018-09-10 | 2018-09-10 | モデルパラメタ推定装置、状態推定システムおよびモデルパラメタ推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6735956B1 true JP6735956B1 (ja) | 2020-08-05 |
JPWO2020053934A1 JPWO2020053934A1 (ja) | 2020-12-17 |
Family
ID=69777706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020520160A Expired - Fee Related JP6735956B1 (ja) | 2018-09-10 | 2018-09-10 | モデルパラメタ推定装置、状態推定システムおよびモデルパラメタ推定方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6735956B1 (ja) |
WO (1) | WO2020053934A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4307184A4 (en) * | 2021-03-12 | 2024-05-01 | Fujitsu Ltd | PROGRAM, DEVICE AND METHOD FOR FEATURE SELECTION |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4687732B2 (ja) * | 2008-03-13 | 2011-05-25 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP6173281B2 (ja) * | 2014-08-29 | 2017-08-02 | 本田技研工業株式会社 | 環境理解装置および環境理解方法 |
-
2018
- 2018-09-10 WO PCT/JP2018/033459 patent/WO2020053934A1/ja active Application Filing
- 2018-09-10 JP JP2020520160A patent/JP6735956B1/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPWO2020053934A1 (ja) | 2020-12-17 |
WO2020053934A1 (ja) | 2020-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539514B (zh) | 用于生成神经网络的结构的方法和装置 | |
US9329981B2 (en) | Testing program, testing method, and testing device | |
US20140032167A1 (en) | Multisensor Management and Data Fusion via Parallelized Multivariate Filters | |
Fanaswala et al. | Destination-aware target tracking via syntactic signal processing | |
US20200042883A1 (en) | Dictionary learning device, dictionary learning method, data recognition method, and program storage medium | |
JP6735956B1 (ja) | モデルパラメタ推定装置、状態推定システムおよびモデルパラメタ推定方法 | |
CN114661010B (zh) | 一种基于人工智能的驱动侦测处理方法及云平台 | |
JP7453767B2 (ja) | 情報処理装置、情報処理方法 | |
JP2004309209A (ja) | センサ信号処理システム | |
JP7331940B2 (ja) | 学習装置、推定装置、学習方法および学習プログラム | |
WO2020230043A1 (en) | Feature vector feasibilty estimation | |
JP6513310B1 (ja) | 航跡推定装置及び携帯情報端末 | |
US9857460B2 (en) | Waveform estimation device and waveform estimation method | |
KR102635546B1 (ko) | 기계 학습을 통한 심볼릭 실행의 탐색 공간 자동 축소 방법 | |
JP5300333B2 (ja) | 測位装置、測位方法及び測位プログラム | |
CN114116688B (zh) | 数据处理与数据质检方法、装置及可读存储介质 | |
US20220215030A1 (en) | Storage medium, information processing method, and information processing device | |
JP5701152B2 (ja) | 追尾装置及びコンピュータプログラム及び追尾方法 | |
US11989626B2 (en) | Generating performance predictions with uncertainty intervals | |
JP5618566B2 (ja) | 追尾装置 | |
CN114964204A (zh) | 地图构建方法、地图使用方法、装置、设备和存储介质 | |
JP2005083867A (ja) | 目標追尾装置 | |
US20240005655A1 (en) | Learning apparatus, estimation apparatus, learning method, estimation method and program | |
JP4294504B2 (ja) | 目標識別装置 | |
CN115471717B (zh) | 模型的半监督训练、分类方法装置、设备、介质及产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200408 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200408 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200508 |
|
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: 20200616 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200714 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6735956 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |