JP6884104B2 - 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム - Google Patents

Description

本発明は、パターン認識解析において使用するためのファイルフォーマットデータタイプ内の等高線検出および識別の技術分野におけるものである。

本願は、２０１４年１１月１８日に出願された米国特許仮出願第６２／０８１５１３号の「ＰＯＩＮＴ−ＴＯ−ＰＯＩＮＴ ＲＥＰＲＥＳＥＮＴＡＴＩＯＮＳ ＯＦ ＥＮＣＬＯＳＵＲＥＳ ＯＲ ＬＩＮＥＳ ＲＥＰＲＥＳＥＮＴＩＮＧ ＯＢＪＥＣＴＳ ＯＦ ＧＲＯＵＰＳ ＯＦ ＯＢＪＥＣＴＳ ＷＩＴＨ ＤＡＴＡ ＦＯＲＭＡＴＳ」に関連しかつこれに対する優先権を主張するものである。

データフォーマット内のオブジェクト（人々、機械的表現、信号波形表現、または任意の物理的性質を有するオブジェクト）を位置特定する画像検出アルゴリズムは、画像内のオブジェクトを追跡することを目的とすることが可能であるオブジェクトを識別する。これらのアルゴリズムは、オブジェクトが静止している（時間または周波数の変化がない画像）か、動的である（時間または周波数の変化がある）かどうかで識別を行い、すなわち、画像オブジェクトを発見するが、ソース外で発見されたオブジェクトをさらに処理しないようにする。この結果、画像処理解析業務における現在の技術に対して、オブジェクト識別を可能にするためのいずれの試みに対しても算出を行う時に元のソースにとどまる計算プロセスが所望されている。

現在の技術では、データセットから検索された画像オブジェクトを取り去ることで発見されたオブジェクトが、画像データインスタンスをさらに解析することを望む場合がある他の応用に対して移植可能とすることができるように選定しない。現在の技術では、発見する画像を、典型的であるという意味で関連したオブジェクトではない別の数量ソースに変換する試みは行われない。すなわち、現在の技術ではオブジェクトを等式として論じることはなく、これは、独自のデータフォーマットソースの修正版内で処理された画像を示すことによって処理される識別のことを言っている。現在の技術は、画像の範囲内にとどまっており、このようなシステムのユーザに示される必要があるいずれの識別も、元のデータセット、および識別されたところからのそのデータ値を参照するとして論じられている。

むしろ、現在、オブジェクトを識別するために、わずか１画素の認識可能なパターンおよび認識不可能なパターンのメトリックを使用する方法はない。このようなパターンをグループ化することで、１次元のパターンがさらに別の次元でオブジェクトを識別する目的で全く異なる次元のパターンにペアリング可能とされるような方法を使用するシステムはない。最終的に識別されたオブジェクトが人間の視覚的経験または予想によって識別可能であるか否かでオブジェクトを識別するメトリックのコレクションとしてパターンを使用し、かつその表現を他の全く異なるコンピュータシステム設計に移植可能にする方法は現在存在しない。ハードウェアのシステムからの出力が移植可能であり、かつソースと無関係のデータを再利用する必要なく、オブジェクトを定義しかつそれを指紋生成するためにソースから独立したパターングループ化方法を使用する方法は現在存在しない。現在、学習型等高線識別システムとしてここで紹介される新しいタイプのシステムに対して等高線メトリックをもたらすために（典型的には地形の研究に関連付けられた）データセットの等高線マップからもたらされる等高線を使用する方法はない。

本明細書におけるこれらの新たなメトリックは等高線メトリックと呼ばれ、等高線マッピングの等高線から導き出される。この場合、このマップのそれぞれの等高線は、学習型等高線識別システムの設計によって使用可能なコンテナ集合として記憶されるメトリックの独自の集合を有する。コンテナ集合のメトリックは、典型的には、統計密度集合、領域集合、座標点集合、および、学習型オブジェクト識別システムを構成するハードウェアコンポーネントのシステムによって作成されかつ判断される他のメトリックである。他のコンテナ集合は、数学的プロセスの出力である可能性が高い同じまたは他の解析集合のサブセット、機械コード命令集合、または、独自のコンテナ集合のサブセットである。コンテナは、オブジェクトまたはオブジェクトのグループを定義するために、および、パターン局所化および最終的なラベリングのためにデータソースとは無関係の情報を本質的に除外するために共にグループ化する。全ての決定および変更、ならびにメモリにおける記憶場所は、パターンの新しい、可能ならば数学的表現を作成することによって学習型等高線識別システムによって判断される。本質的に、コンテナはその後、メモリ場所要素または変数としてのメトリック（個々のコンテナのメトリック）を供給することによって、学習型等高線識別システムを、自律的にも判断する精密なやり方で行われるようにメトリックが学習型等高線識別システムに対するプラグインモジュールであるような機能プロセッサにする。基本的に、システムおよびそのメトリックは、作成した学習型システムハードウェアによってのみ認識可能である同様のデータパターン表現を有するデータケースの集合において再発することが発見されるマイクロパターンを有するデータケースを記述するために独自の暗号化コード集合を作成する。

現在の技術は、線上にあるようにオブジェクトが発見された後にオブジェクトから何が学習され得るかについてのさらなる数学または統計解析を目的としたものはほとんどない。現在の技術は、ある線を識別することはできるが、生じた画像と関連性があるその線上のメトリックの検索可能な集合を提供することはない。従って、現在の技術は、検出された情報を使用するアプリケーションに対して完全に異なる変換であるが同じように識別されかつ同じ意味を持つため、ユーザが自分の意のままにあるパターンのソース画像から離れることを可能とすることはできない。現在の技術では、ユーザおよびアプリケーションがソースに近いままでデータを使用することを好み、システムに対して、ソースファイル内で発見されたオブジェクトをユーザに示すこと、またはソースファイルを参考として使用することを必要とする。現在の技術は、データフォーマット環境を離れることができ、かつ依然オブジェクト固有性を有することができるように、オブジェクトを別の量に「変換する」ように試みることはない。現在の技術は、ユーザに、ハードウェアから完全に導き出されたプロセス形式およびそのアプリケーションソフトウェア制御を与えるように試みることはない。このプロセス形式は、形状を識別するだけでなく、パターンのメトリック表現のシーケンスによってパターンの指紋を生成する。

本発明は、入力を変換するために学習型等高線識別システムを使用して現在のデータ内の等高線パターンを識別し、次いで、トレーニングケース（過去のデータ）およびテストケース（現在）両方においてこれらのパターンおよび等高線メトリックを管理しかつ作成するために、過去のデータの複数の等高線パターンメトリックを使用する目的で、データを等高線マップに変換し、かつその個々の等高線を等高線メトリック（統合し、かつ線または閉じた形状で１次元または多次元として識別できる多くの多様な要素から成る全体部）に変換するシステムである。

システムおよび方法として、完全な要約にはさらに以下が含まれる。

複数の並列の、複数の直列の、または単数のフォーマットのプロセッサシステムにおいて動作可能な１つまたは複数のコンピュータによって行われる方法。単一のもしくは複数の電子または機械測定デバイス、あるいは画像キャプチャデバイスから電子データまたは機械的に生成されたデータを得る手段を含む方法。

該手段は、上記データを、データケースの機械的、機械、または電子コンピュータ可読データ表現に構成する。

それによって、パターン、等高線、および、背景全体部について、データは境界があるか境界がない全体部を有する、または、フィラーは、ユーザまたは機械に対して所望のエンクロージャ表現を表すために、部分的にまたは部分的に組み合わせて、数的、バイナリ、機械コード、もしくは記号的、またはコンピュータハードウェア可読タイプである。

このエンクロージャは、単数の次元形式または複数の次元形式で、単数の次元または複数の次元の信号といった人間の形を区別してまたは区別せずに、上記の全体部、一部、または、単数であるか複数である全体部および一部分の組み合わせの物理的ユニット値ラベル制限事項を有するまたは有さない、自己学習型アルゴリズム、機械的機構、または人間が生み出したリアルタイムのパターン発生器によって、パターン、システム、または等高線形状別に識別されてよい。

システムフィードバックを表す全体部を識別可能なシステムを有する全体部が全て、機械的処理方法、コンピュータプロセッサ方法、またはヒューマンインターフェースプロセスのための機械の単数または複数の同システムによって、単数または複数の形式である必要がある。

該システムは、出力の向上、入力の安全性、または上記システムの入力の低減を目的として、コンピュータシステムのデータを手動で、および／または、上記コンピュータ、または機械／コンピュータシステムの通信プロセスに再挿入することによって調節する。

次元、シリアル、マトリクス、数学的ファイルタイプのフォーマット、または、圧縮されているか圧縮されていないかについての制限なく、測定された上記データを測定機器の機械またはシステムの付属装置に記憶することによってデータ出力を終える。

または、コンピュータ、人間、または上記特許製品によって使用可能な機械によって取り出し可能なフォーマットによって読み取り可能なモバイル、オンライン、または転送可能なフォーマットに記憶されるコンピュータファイルタイプのフォーマットにおいてデータ出力を終える。

その後、上記機械、コンピュータ、機械または人間による入力の同一の前処理の必要なく、現在のまたは将来のタイムラインで読み取り可能とすることができ、かつ、得られた上記データの処理のために設計された上記機械もしくはコンピュータ処理機械、または人間による入力システムによって読み取り可能である。この場合、処理は、データ、または元のデータ記憶タイプ、データソース、および測定目的から切り離されたデータ記憶域の別のモバイル使用、全てのパターン、人間の視覚的予想に対して所望されるまたは識別不可能である画像に変換して、一部もしくは全体的に、または平面フォーマットにおいて収集されかつトレーニングされる別のファイルフォーマットにする。この平面フォーマットは、多様体表現の処理コードとして収集されかつ記憶されるべきデータの多次元軸フォーマット内の２次元投影の層であってよい。

ここで、多様体は、データケースの等高線マッピングの単一の等高線メトリックである。この等高線メトリックは、既知のまたは未知の形状のエンクロージャを、コンピュータ、機械、生物学的実体、または人間の対話によって設定されるメトリックレベルの判断に定義するパターンの数値フォーマットまたは記号フォーマットの隣接境界点の利用可能なまたは操作による挿入（ｉｎｔｅｒｖｅｎｔｉｏｎ ｉｎｓｅｒｔｉｏｎ）による厚さを有するパターン、またはこの厚さを有するようにされた線の座標点集合のエンクロージャである。

多様体表現とは、全体的に単数であるまたは複数である、コンピュータアルゴリズム、コンピュータもしくは機械ファームウェア、電子コンポーネントハードウェアもしくはファームウェア、ソフトウェアプログラム、または、機械もしくは人間による操作のフィードバックアクションによって決定される、それぞれの多様体グループ化によって記述されるパターンの等高線のデータセットをコード化した表現として記憶される、単数または複数で検出された等高線パターンメトリック集合の多様体記憶域である。

これと共に、単一のまたは複数の次元の他の多様体表現コードと組み合わせた、単数または複数の検出されたパターン全体部の表現の単数形の意味の記憶フォーマットにおいて、単数または複数の次元の多様体表現コード要素がある。

コンピュータ、人間による操作、機械デバイス、またはコンピュータプロセスによって決定されるように、優先順位なく、新しい開始レベルのまたは始めの多様体の単数または複数の要素の可能である単数または複数の多様体表現のそれぞれの多様体表現コード要素は、より高い次元の層またはグループ化でグループ化または非グループ化する。

この場合、単一のまたはより高い次元における単一のまたは複数の量のそれぞれの多様体表現コードは、部分的にまたは全体的に、データ取得計器によって取り出される、単一のまたは複数の測定されたデータ取得の、コンピュータ、人間、もしくは生物学的操作、機械もしくは電子ハードウェア、ファームウェア、またはソフトウェアによる単数または複数のグループ化を識別する。

ここで、多様体表現コード全体部は、複数の要素または多次元要素の個々の多様体表現コードによる単数または複数の形式を有する。

これは、データ取得したデータセット内で、または、独自の多様体表現コード内で、対象パターンを生成した、本発明のハードウェアプロセッサ、学習済みの、機械、もしくはコンピュータまたは電子コンポーネント、あるいは電子表示部を識別することを目的とする。

これらは、プロセッサの限度の人間によって制御される入力および出力パラメータのない、または、この人間によって制御されるパラメータによるコンピュータアルゴリズムによるものである。

パラメータは、機械またはコンピュータプロセッサ、およびそれらのアルゴリズムの手動、機械、またはコンピュータファームウェアトレーニングによって、または、反復でまたはフィードバックフォーマットで、同システムによってまたは本明細書における特許製品によって変換されるように、複数の過去のデータ、または単数または複数の現在のデータから、ハードウェアの上記システム内のフィードバックエラー最適化から判断された後、優先順位なく、ハードウェアおよび人間による操作による測定、またはコンピュータアルゴリズムによる測定、および、特許製品による変換の反復が行われる。

複数または単数の特許製品のプロセッサハードウェアへのソースデータの入力は、測定データ取得を必要とし、少なくとも、部分的にまたは全体的に、将来のまたは現在のタイムラインにおける、単数または複数の取得および記憶後に、または、人間によるもしくは生物学的操作、コンピュータ、機械もしくは電子表示部、または、電子コンポーネントの操作によるリアルタイムの処理で生じる。

これには、部分的にまたは全体的に、開始時のまたは将来の取得物の新たに取得されたデータセット、または、特許製品のハードウェア特性評価装置による最終的な出力パターン識別のために特性評価された特許製品のハードウェアプロセッサとなる、将来のおよび現在の、またはリアルタイムの、特許製品によって処理されたハードウェアのデータ取得の特許製品の変換による取得物が使用される。

これは、複数回または単数回繰り返して記憶されかつ取り出されるコンピュータアルゴリズム、電子ハードウェア、表示部出力によってなされる選定によるものである。

または、所望されるように、特許製品、または人間もしくは生物（疾病、ゲノム、猫、犬、チンパンジーなど）を含有するまたはこれらと対話するファームウェアによる、または、コンピュータプロセッサもしくは電子ハードウェアコンポーネントによるものである。

これは、ラベリングされない特許製品のプロセッサに入力される取得されたデータ内の識別不可能なパターンの生成された出力報告の結果を踏まえたものである。

または、人間または生物学的に認識可能なフィードバックがラベリングされる。

または、現在使用される多様体または多様体表現コードによって、確率、統計値、変数の数学的表現、信号、またはメトリックの観点から将来のまたは現在のパターン識別が生じることが強調され、この全てまたは組み合わせは、ソフトウェアまたはファームウェアに書き込まれた、または単数または複数の電子コンポーネントによって実施されるアルゴリズムを学習することによって、あらかじめ定められたまたは概算されたラベルでの精密な検出の成功度を定義する。

単数のまたは複数の成功した検出によって、ハードウェアシステムは、記憶される多様体表現コードまたは媒体を処理する。

すなわち、これらは、コンピュータによって、人間、機械のシステムによって、または、電子コンポーネントもしくは表示デバイスによって、将来のまたは現在の処理に使用するために取り出し可能である。

複数または単数の測定データ取得の入力変換、または、学習イベントとして複数形で事前処理されている変換の、過去、現在、または将来の特許製品のパターン識別分類出力最終処理の精度を定義する。

これは、アルゴリズムによって処理され、この入力は、単数または複数の組み合わせの、電子機器のシステム、人間による操作、電子表示部、または機械もしくはコンピュータ電子コンポーネントによる出力である。

または、将来の精度を決定するメトリックのために、または現在、将来、もしくは過去の精度を決定するメトリックのために、または、検出を決定するメトリックのリアルタイムの精度のために上記特許製品によって作成される多様体表現コードによって処理される。

これは、検出の正確性の報告、または解析の判断のために、表示部またはソフトウェアプロセッサ用の出力によって、パターン識別プロセッサハードウェアシステムの特許製品の特性評価出力として使用するためである。

この場合、正確性メトリック表現は、単数または複数の組み合わせの電子コンポーネントの定義されたハードウェアシステム内で、または、ファームウェアを有するハードウェアシステム内で、人間、コンピュータ、または機械ハードウェアによって使用可能な、または、ソフトウェアアルゴリズムコード、または電子部品の単数または複数の組み合わせによって制御される、確率または統計メトリックである。

または、この表現は、本発明の特許請求の範囲のデータ取得を変換する特許製品またはキャプチャデバイスに渡される、人間の操作による人間が判断した測定正確度のマージンのメトリックであり、特許製品による結果の出力によって、特性評価は、エラーのあるマージンのプロセス特性評価装置の検出された出力パターンラベルの多様体表現コードの近似の精確な検出度をメトリック的に記述する。

天災の再現性および再発は、テスト済みのまたは未テストの将来のデータを必要とすることなく、かつ、特許製品の変換を必要とすることなく、または特許製品の変換の再測定および再処理を行うことなく、特許製品の変換および特性評価から判断される、学習された対象のパターンの多様体表現にデータを変換した特許製品において発見される、ミクロレベルの再発の複数の発見を通して記述される。

ルックアップテーブルの表現において、人間またはコンピュータハードウェアフォーマットは、トレーニングが、将来、コンフュージョンマトリクスフォーマットまたはその複数形の典型であるトレーニングによって判断される識別の述べられた確率を十分に予測する場合に取り出し可能である。

これは、対象の単数のパターンの、人間、コンピュータ、または機械によってラベリングされた単数または複数のシステムである。

または、これは、ハードウェアの実現性を有する同システムの対象の生物学的にラベリングされたパターン、人間によってまたは非人間的にラベリングされた対象、単一または複数の次元の信号のラベリングされた対象、単一または複数の次元の人間によるまたは安全性を有さないラベリングされた信号の対象、特性評価装置の多様体表現出力と呼ばれる、識別不可能な人間の対象のラベルを有する既知のまたは未知の情報ソースの検出、アナログ、またはコンピュータによって受信されたデータタイプの、人間によるまたは非人間的なネットワーク通信を使用したラベリングがなされたまたは未使用のラベルである。

この場合、単数または複数の出力される多様体表現コード全体部は、対象のトレーニングによって、またはそうでない場合、単数または複数の組み合わせの人間、コンピュータ、または電子コンポーネントによって決定される、パターンの検出された出力をラベリングする、またはさらなる解析のための、単数または複数の形式の出力された識別済みパターン多様体表現コードを表す。

過去、現在、またはリアルタイムの処理の対象の出力された多様体表現コードは、機械デバイス、コンピュータプログラム、コンピュータファームウェア、ハードウェアファームウェア、または生物学的入力によって決定される。

ここで、データは、データのグループ化に対する人間手動インターフェースによる決定、または、解析されたデータのグループ化のコンピュータフィードバック評価および再入力を使用して、単数または複数のコンピュータ処理によって決定される、数値、バイナリ、記号、単数、または複数のパターンのグループ化である。

これは、人間が識別可能なパターン全体部、または、識別可能なパターン全体部のコンピュータ、ハードウェア、機械、表示部、または電子コンポーネントの単数または複数の組み合わせの単数または複数の形式のグループを検出したパターンの、パターン多様体表現コードをキャプチャしたデータによるものである。

トレーニング処理、および、単数または複数の入力されたトレーニングデータ取得の反復を１回行う、トレーニング用の多様体表現コード、もしくはテスト用の多様体表現コード、またはこれら２つの組み合わせのトレーニング処理および特性評価処理を単数または複数回繰り返すことによって判断される、特性評価された検出済みパターンの出力を報告する、特許製品のハードウェアの停止プロセスとして、最終的な多様体表現が提供される。

最終的な分類を出力するために、定義された複数または単数の多様体、複数または単数のグループ化の多様体表現コード、単数または複数の統計値、または、数字または記号表現のメトリックが生成される。これらは、多様体または多様体表現コードではなく、特許製品のパターン検出プロセスの精度を定義する数値または記号メトリックの同じメトリックを提供するメトリックである。

これによって、同パターン検出の精度のメトリックが提供され、これは、単数または複数の形式のラベリングするまたはラベリングされない、最適な画像識別を報告するためのルールではなく学習であるトレーニングアルゴリズム出力の特許製品のハードウェアシステムのプロセスの単数または複数回の繰り返しの終わりにもたらされるトレーニング決定ルールから生じる。

この場合、本明細書または特許請求の範囲に特に指定のない限り、「多様体」という用語は、等高線を記述するメトリックのコンテナとして等高線マッピングの単一の等高線と同義であり、「コード」は、多様体に記憶されるメトリックのシーケンス、または複数の他の多様体、コード、メトリック、および等高線マッピングの単一の等高線コンテナと同義である。

等高線マップによるトレーニングおよびテストケースの等高線の集合の等高線パターンメトリック集合をグループ化するプロセスの好ましい実施形態の段階的なフロー図である。 フォーマットデータタイプのマトリクスの一例を示す図である。 ３つのパターン：１９、２０、および２１のエンクロージャを定義した等高線パターンメトリック集合（多様体はコンテナであり、それによって簡略的に記されるため、等高線メトリック集合を「多様体」と区別なく言及する）の生成された表示部を示す図である。 ３つのパターンのエンクロージャ（多様体）を定義する等高線メトリック集合の生成された表示部を示す図である。 ３つのパターンのエンクロージャ（多様体）を定義した等高線メトリック集合の生成された表示部を示す図である。 ２つのパターンのエンクロージャ（多様体）を定義した等高線メトリック集合の生成された表示部を示す図である。 マルチパターンの画像におけるあるパターンのエンクロージャ（多様体）を定義した等高線メトリック集合の生成された表示部を示す図である。 学習型等高線識別システム（ＬＣＩＳ）のトップレベル記述の図である。 図８のハイレベル動作を示す学習型等高線識別システムのプロセスのトップレベル記述の図である。 トレーニングプロセッサ５５および６４、ならびに、命令集合マイクロコード５６〜６１の低レベル記述の図である。 分類プロセッサ７３と、マイクロコード７５〜８２および８３〜８８を設定する命令とを設定するテストケースの等高線パターンメトリックの低レベル記述の図である。 等高線パターンメトリックプロセッサの命令マイクロコード集合８９〜９８の低レベルフロー図である。 ユーザアプリケーション制御部１０１、トレーニングモジュール、および、分類器から成る完全な学習型等高線識別システムを示すシステム、ならびに、メトリックが双方で使用される時の結果の高レベル記述の図である。 等高線パターンメトリック集合の命令が、どのように設定し、かつ学習型等高線識別システムによってメモリに記憶されるかを記述するメモリハードウェアを示すである。 ＬＣＩＳの等高線マッピングマイクロコード命令集合の別の低レベル記述の図である。 ＬＣＩＳの等高線マッピングマイクロコード命令集合の別の低レベル記述の図である。 ＬＣＩＳの等高線マッピングマイクロコード命令集合の別の低レベル記述の図である。 ２つのパターン画像におけるあるパターンのエンクロージャ（多様体）を定義する等高線メトリック集合の生成された表示部を示す図である。 ２つのパターン画像におけるあるパターンのエンクロージャ（多様体）を定義する等高線メトリック集合の生成された表示部を示す図である。 好ましい実施形態における統計値が、データケースの等高線マッピングの１つの等高線の等高線メトリックを完了するためにどのように使用されることになるのかについての反復プロセスを示すプロセッサ命令集合を示す図である。

図１は、等高線マップによるトレーニングおよびテストケースの等高線の集合の等高線パターンメトリック集合をグループ化するプロセスの好ましい実施形態の段階的なフロー図である。

図２は、フォーマットデータタイプのマトリクスの一例である。多くのデータフォーマットがあり、それら全ては、１つのデータフォーマットタイプを別のデータフォーマットタイプに変換するための簡易な方法があるため、この発明で使用可能である。画像およびグラフィックスは、デジタルデータファイルフォーマットにおいて定義され、現在、４４以上あるが、頻繁に使用されるのが４４あると言われる。それらをタイプ別にグループ化されるように一般化し述べるのがより良いため、本発明は、ラスターフォーマット、画素およびウェブファイルフォーマット、メタ／ベクトルファイルフォーマット、ビットマップファイルフォーマット、圧縮ファイルフォーマット、放射ファイルフォーマット（温度および画像）、ＧＩＦ画像ファイルフォーマット、アニメーションファイルフォーマット、透過ファイルフォーマット、インターレースおよび非インターレースファイルフォーマット、ＪＰＥＧファイルフォーマット、ならびに、プログレッシブＪＰＥＧファイルフォーマットを包含する。（この発明（図１）は、本発明のプロセスが使用できるものに任意の未知のファイルフォーマットを変えることが可能であるため、既知のフォーマットのみに限定されない。）全ての「タイプ」は、含有する画像およびパターンの大きさを表現するため、この特許出願の目的のために、全ての「タイプ」が使用可能である。データフォーマットにおけるデータタイプは、色合いもしくは濃淡の数値またはビット表現におけるものであってよい、または、１および０（またはそれ自体１および０）の大きさへの変換とすることができる。図２では、大きさ１は、背景の大きさの値１を表し、この場合、任意の他の番号付けされた大きさはある画像の実際のパターンを表すことが可能である。この場合、例では、５の大きさは、必ずしも、１つの画像内の大きさ５の他のパターンと同じというわけではないパターンを表すと言える。所与のこの図は、１単位ごとに他のパターンから分離された画像パターンを表す。１単位の分離がないパターンは、あらゆる面で、グループ化されたパターンと見なされることになる。マトリクス全体は、表すために使用される、データフォーマット画像記憶コンテナの画素ごとの表現全体を表す。例では、次いで、このマトリクスはデータ点の５×８の画像である。（画像およびパターンは同じ意味で使用されることに留意されたい。例えば、ある画像はあるパターンである。または、ある画像はある画像内のあるパターンとすることができる。）

図３は、３つのパターン：１９、２０、および２１のエンクロージャを定義した等高線パターンメトリック集合（多様体はコンテナであり、それによって簡略的に記されるため、等高線メトリック集合を「多様体」と区別なく言及する）の生成された表示部である。図１の、組み合わせプロセスまたは等高線グループ化プロセスはこれらの多様体パターンを判断する。本発明では、図３の結果は、図１の選択肢１２および１４を表し、すなわち、単一の多様体が見出されるものとする。

図４は、３つのパターンのエンクロージャ（多様体）を定義する等高線メトリック集合の生成された表示部である。本発明は、図１における選択肢１３および１５に従って多様体パターンを判断する。選択肢１３および１５について、囲むパターンを識別するために「２つ」の多様体パターンが選定された。多様体パターンの分割場所は、２２に示されるようにパターンの間のスペーシングの量によって判断される。これらは、等しく間隔があけられるが、必ずしも、図１の全ての応用において等しく間隔があけられる必要はない。

図５は、３つのパターンのエンクロージャ（多様体）を定義した等高線メトリック集合の生成された表示部である。多様体パターンの分割は、図４の２２に示されるように、パターンの間のスペーシングによって判断される。本発明は、図１における選択肢１３および１５に従って多様体パターンを判断する。これらは、等しく間隔があけられるが、必ずしも、図１の全ての応用において等しく間隔があけられる必要はない。図５では、図１のプロセスを通して、２３、２４、および２５の強度値によってもたらされた形状の多様体の「正しい領域表現」を最大化するように２０の分割が示される。

図６は、２つのパターンのエンクロージャ（多様体）を定義した等高線メトリック集合の生成された表示部である。この図は、選択肢１３および１４が図１の発明において使用されることを示す別のマトリクスを使用する。グループ化されたパターン値の範囲は、４．５〜５．２２であり、これは、所望される等高線の数によって判断され、かつ、学習型等高線識別システムハードウェア内で設定される。強度２６、２７、および２８によって定義されるような３つの可能なパターン分類があるが、図１によって選択される２つのパターンの多様体がある。

図７は、マルチパターンの画像におけるあるパターンのエンクロージャ（多様体）を定義した等高線メトリック集合の生成された表示部であり、図１に示される発明の３つの応用例の実施形態である。この３３は、カーペットにランダムに落とされた１／３２インチの厚さの１８Ｋ金のネックレスである。この３４は、３３におけるネックレスの熱画像３４の放射タイプのデジタル画像ファイルフォーマットを表す。このグラフ３５は、図１における発明の、１２および１４によって、１２および１５によって、ならびに１３および１４によって生成される点の多くの多様体を表す。多様体の点のグラフ３６は、図１を通して処理された３５の点の多様体によって作成された数学的表現から再生された、図１の発明の１３および１４を表す。図１の１８の１０〜１７の４つの技法の好ましい方法は、図７において組み合わせて使用される。

図８は、学習型等高線識別システム（ＬＣＩＳ）のトップレベル記述である。これらは、一般の単一のＬＣＩＳシステムを構成するハードウェアコンポーネントである。項目３６は、データパス３７および３８による学習型システムのマイクロコードを設定する命令を処理するコントローラ３４を有する。等高線パターンメトリックは、データパス３５を介して３９において記憶され、かつ、３４によって３６内に作成される。

図９は、図８のハイレベル動作を示す学習型等高線識別システムのプロセスのトップレベル記述である。この図は、分類プロセッサと通信するトレーニングプロセッサとしてのシステムを導入している。トレーニングプロセッサは、１つまたは複数のデータケースのトレーニングケースデータ４０を入手し、４１〜４４の過去のトレーニングデータから学習し、トレーニングプロセッサによって生成された出力４５をパターン識別プロセッサ４８に送る。ここで、４７は、テストケースを取り出し、ＬＣＩＳが出力５４を表示し停止するまで、４５から、４９〜５３によって、４１および４８の反復を判断する。トレーニング、トレーニングおよび分類、分類のみにおいて等高線を増加させるオプションは、ユーザによって、および、ＬＣＩＳシステムによって処理されるコンフュージョンマトリクスの出力によって判断される。

図１０は、トレーニングプロセッサ５５および６４、ならびに、命令集合マイクロコード５６〜６１の低レベル記述である。トレーニングケースデータは、キャプチャされ５６、等高線メトリックに変換され５７〜６０および６２、トレーニングに設定され６３、６５〜７２でトレーニングされる。ここで、トレーニングモジュールは等高線パターン識別子７２および６２に送られる出力を準備する。

図１１は、分類プロセッサ７３と、マイクロコード７５〜８２および８３〜８８を設定する命令とを設定するテストケースの等高線パターンメトリックの低レベル記述である。テストケースデータは、キャプチャされ７５、等高線メトリックに変換され７５〜７８、７９において引き付けられるブラックボックスをトレーニングするかルール設定コードをトレーニングし、８１において等高線パターン識別を実現する８０において等高線メトリックに適用され、８２においてコンフュージョンマトリクスのトレーニングと比較される。８２で見出された統計値が８３、８４、および８５において低すぎる場合、等高線を増加させるためのトレーニングに戻り、図１０を再実行する。しかしながら、依然閾値を満たさない場合、分類器８７において等高線の増加のみ行い、分類器を繰り返す。トレーニングプロセスによって発見されるコンフュージョンマトリクスによって定義されるように過去のデータ統計値に対して最適化されるものとしての分類が見出されると、出力はメモリ８８に送られ、表示される。

図１２は、等高線パターンメトリックプロセッサの命令マイクロコード集合８９〜９８の低レベルフロー図である。ここで、基本的な等高線メトリック、または、等高線メトリック集合全てのコンテナとしての多様体の好ましい実施形態が見られる。この好ましい実施形態について、等高線パターンメトリック集合、または短くすると多様体は、少なくともラベル９３、座標点集合９４、および統計メトリック９５を含有する。ＬＣＩＳは、９６〜９８において他のメトリックがトレーニングモジュールによって所望されているかどうかを判断する。

図１３は、ユーザアプリケーション制御部１０１、トレーニングモジュール、および、分類器から成る完全な学習型等高線識別システムを示すシステム、ならびに、メトリックが双方で使用される時の結果の高レベル記述である。ＬＣＩＳシステムは、９９〜１１０において示されるようなシステムのうちのシステムとすることができる。１０４〜１０６のＬＣＩＳシステムは、等高線パターンメトリックのグループ化対象（ｇｒｏｕｐｅｒ）とすることができ、グループ化され、かつグループ化対象１０４、ならびに１０４および１０５両方を通して反復される等高線パターンメトリックの学習対象は、メモリ１０５と共に機能することができる、または、１０３のｎ個のインスタンスを通してプラグインモジュール１０２と対話することができる。その後、ブラックボックスの学習対象またはルールベースの学習対象１０７のシステム出力は分類器１０８に送られることが可能であり、この出力は１０９において記憶された後、１１０に表示され、プロセス全体は繰り返される。この全体のシステム１００〜１１０は、同様に、プラグインモジュール１０２とすることができる別のＬＣＩＳシステムとすることができる。１つにしてカスタマイズするプロセス全体を制御するために、アプリケーションソフトウェアはモジュール１０１として展開可能である。これは必要なことであり、さもなければ、オンにして動作させる手立てはない。

図１４は、等高線パターンメトリック集合の命令集合が、どのように学習型等高線識別システムによってメモリに記憶されるかを記述するメモリハードウェアである。等高線マッピングからの単一の等高線パターンメトリック集合は、２つのアドレス１１２および１１８の間に記憶され、ＬＣＩＳの必要性１２０にも基づいてアペンドされる。移植性のために外付けのメモリコンテナとして記憶可能である等高線パターンメトリックの基本的な好ましい実施形態の構造は、座標点集合１１３、フィラー１１４、ガウス混合モデル出力コンポーネントが記憶される統計値１１５、行および列の可能な領域出力のようないくつかのより多くの数学的処理の出力１１６、および、可能な他の次元の等高線マップによってグループ化されている他の等高線パターンメトリックのメトリックから成る。項目１１７は、次いで、１１７自体によるメトリックの集合１１３、または、基本的に、１１２と１１８との間にアペンドされる１１２と１１８との間のコンテンツの反復である。項目１１９〜１２１は、１１２と１１８との間のメトリックにより多くの等高線パターンを加える繰り返しのプロセスを表す。その結果、コード、等高線パターンメトリックコード、または多様体表現コードがもたらされる。これによって、１つのパターンのみが定義され、そのパターンを描くために使用でき、メトリック全てはこれらのメトリックを扱うために他のプログラムによって使用可能である。これは、指紋が、集合として記憶される出力のシーケンスにコード化され、それらは全て、等高線から導き出されるため、パターンは、トレーニング環境において、または、それ自体全くトレーニングが行われずに使用可能である。トレーニングによって、ユーザは、将来のデータに存在するパターンを判断するために過去データのメトリックを使用することができる。統計値がガウスである場合、中心極限定理によって、ガウスパターンによって示されるそれらのパターンは、今後繰り返すようになるため、過去のデータのコンフュージョンマトリクスは、将来のデータを強く代表するものとなる。これは、音声は自然なものとして過去のデータが与えられる場合、音声識別は現在のデータにおいて容易に識別されることを意味するため、好ましい実施形態によって非常に重要であり、従って、信号キャプチャ内で発見されるそのマイクロパターンは、今後確実に繰り返すことになる。また、音声は雑音から取り去ることが可能であることを意味する。

図１５は、ＬＣＩＳの等高線マッピングマイクロコード命令集合の別の低レベル記述である。この図は、等高線がどのように展開可能であるかについての簡易な例示である。この例は、４×４マトリクスの画素強度を構成することで開始する。最小値１２３および最大値１２４が分かり、システムが望む等高線の数を読み取り、例えば１２６および１２７において、５の等しい間隔でこれらの領域の間の最短距離に分割する。次いで、等高線は、２５から２５まで、または５５から５５までのような区分間の点を接続している。さらに詳細な例では、図６において見られた強度の範囲をグループ化可能である。この場合、その範囲は、本質的に４〜６であった。項目１３６は、１３９において２つの等高線パターンメトリック点集合がどのように作成されるかについて示す。１３９におけるコンテンツは、図１４における１１３として記憶されるそのメトリック情報である。

図１６は、ＬＣＩＳの等高線マッピングマイクロコード命令集合の別の低レベル記述である。この図は、実際のところ、トレーニングがＣｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅのルールベースのトレーニングマイクロコード集合である時の等高線パターンメトリックの好ましい実施形態として示される図１４における１１６の一例に過ぎない、統計メトリックの一例を示す。座標点集合の等高線パターンメトリック集合は、１４９および１５０によって示される。１のフィラーはそれぞれの等高線に置かれる。これらは重み付け１のフィラーとすることができる。次いで、ｘおよびｙ軸に沿った和は、ヒストグラムエンベロープ１５６および１４６を有する、１５２および１５７のヒストグラムビンを示す。ガウス混合モデルコンポーネントは次いで、場合によっては、１５４、１５３、および１５５、ならびに、１４７および１４８、および１５１になる。平均および分散は、これらのコンポーネントのそれぞれの場所および分散を表す。ガウス混合モデルコンポーネントは、加算または減算可能であり、学習は、分類されるべき等高線パターンをより精密に識別するために、全く異なる等高線メトリックからのコンポーネントの全く異なる集合に加える１５４ことができる。これは、ＬＣＩＳシステムがマイクロパターンを発見し、かつそれらを今後の使用のために記録し、他の最新のプログラムでは使用できない。そして、この結果は、いかなる時でも、パターンが再び写真を一度も必要とすることなくメトリックから再現できるという意味で移植可能である。

図１７は、２つのパターン画像におけるあるパターンのエンクロージャ（多様体）を定義する等高線メトリック集合の生成された表示部である。これは、本発明の実際の実装形態の応用例の別の実施形態である。画像１６１〜１６３は、Ｍａｔｈｗｏｒｋ’ｓ ＭａｔＬａｂソフトウェア解析テスト画像ディレクトリによってテスト画像として提供されるサンプル画像として与えられたがん細胞を表す。その画像は全体として、等高線マップに変えられ変換されたＴＩＦのファイルフォーマットから取り出される。この等高線マップの等高線は、学習型等高線識別システムによって多くの等高線パターンメトリックに変換される。１６２における１つのパターンの境界は、現状技術を使用することによって、オブジェクトをがん細胞がどのような状態であるかを示すものとしてラベリングすることを試みる時、これらの２つのがん細胞（その他１６１）をラベリング済みオブジェクトとして識別するために暗くした円１６３内の要素の境界になる。画像１６５および１６６は図１の出力を表す。本明細書に記載される等高線学習型識別システムは、そのプロセスの終わりに１６５および１６６がもたらされた。これらの２つの画像のみが、学習型システムが現時点で必要としている画像であり、学習はメトリックに対してのみ行われ、もはや、画像キャプチャ内のデータを学習することはない。等高線多様体を使用する学習型等高線識別システムは２つのパターン１６５および１６６を発見し、それらを合わせることで、上記のオブジェクトを分類する。１６１および１６２の背景情報全ては、現時点で、学習型等高線識別ががんを示すのに必要と考えるものに無関係であると見なされ、すなわち、自律的に、または、ユーザが修正のためにアプリケーションのプラグインモジュールを使用することを所望する場合にユーザの操作によって判断される。そして、等高線パターンメトリックで１６５および１６６が記述されると、学習型等高線識別システムによってメトリックが記憶されるファイルフォーマットは、場所が他のメトリックで記憶される際に、画像内のどこにあったかについての情報を失うことなく、画像をその等高線パターン座標点集合メトリックから再形成するための任意のアプリケーションソフトウェアに対して採用可能であり、採用される他のメトリックによって、オブジェクトは固有性を変更することなく、圧力をかけられるまたはモーフィングされることが可能である。

図１８は、２つのパターン画像におけるあるパターンのエンクロージャ（多様体）を定義する等高線メトリック集合の生成された表示部である。これは、図１に示される発明の２つの応用例の実施形態である。この画像は、デジタル画像ファイルフォーマットタイプのＪＰＥＧに記憶されるハードウェアデータセットから採用される、時間領域における通信信号である。図１８にも見られる、雑音１７１の背景の結果は、図１のプロセス選択肢１２および１４によって生成され、すなわち、単一の多様体エンクロージャである。図における識別子１６７は、矢印によって指し示されるパターンを追跡しかつ識別するために使用される、図１のプロセス１３および１５における複数の多様体パターンの選択肢を表す。これは、振幅のピークを検出し、かつ、ｘ軸に沿った１６８においてこれらのピークの時間内の場所を検出する際に、学習型等高線識別システムにおける図１によるグループ化を表す。１６７における全てのデータ、および１７１の背景において取り囲まれるそれらの多様体は、パターンの固有性（固有性は図１の１８の多様体表現によって示される）を失うことなく、画像から取り去ることが可能である等高線パターンメトリック集合が記述されている。がん細胞の例の先の実施形態に見られるように、信号全体は現時点でメトリック内にあり、これは、これらのメトリックが信号を符号化でき、その後、関係する情報を設定した画像から、信号を解読するために別のステーションにもたらされるべきメトリックを取り去ることができる。このメトリックはその後、メトリックが画像ではなく識別を示すため、信号送信のいずれのハッキングまたは受信によっても解読不可能である。通信は、学習型識別システムが見たものを定義するメトリックを作成したので任意の手段による遮断によって解読できない。図１の１８の１０〜１７の４つの技法の好ましい方法は、図１８において図１と組み合わせて使用される。

図１９は、好ましい実施形態における統計値が、データケースの等高線マッピングの１つの等高線の等高線メトリックを完了するためにどのように使用されることになるのかについての反復プロセスを示すプロセッサ命令集合である。この１つの等高線は、多様体を発見し、再び等高線パターンメトリック集合を発見するものとして言及され、これは、メトリックの等高線マッピングコンテナのトップレベル記述に過ぎない。項目１６２は図１８における１７０の引き伸ばし写真印画である。これは、メトリックコンテナ集合内の等高線を増加させることによって、オブジェクトをロックオンする反復プロセスにおいて図１のグループ化を機能させる図１０のトレーニングによってもたらされた対象パターンにロックオンするＬＣＩＳを表す。ｘ軸上の場所１５４と１６０との間にピークの振幅が見出されるように位置特定するために使用されることになる、図１４の５つの等高線メトリック１１７が見られる。これは、画像キャプチャが既知のスケールを有する限り、場所は時間要素として使用可能であるため、同様の使用時にフーリエ変換が行われる必要があることを意味する。例えば、その例は、画像プラグインモジュールが、既知である時間勾配を有するオシロスコープに取り付けられる計器となることを意味することになる。それらの勾配は、メトリックが移植可能であるためメトリックに転送されることになる。これは、必要なもの全ては、ＵＳＢドライブなどの外付けメモリに記憶される等高線パターンメトリックを有することであり、等高線から簡易にグラフ化し、かつ１３において記載されるようにＬＣＩＳモジュールを解析するまたは使用することが自律的に行われることを意味する。さらにまた、パターンを生じさせる過去のファイルを使用することはない。関係する情報は、取り出され、ロックオンされ、精密さが高められ（終了する前にこれを最適化する４つの等高線）、ならびに、表示されおよび記録されている。ピークは対象だけのものであるため、残されたデータ全ては雑音となる可能性があり、これは、当然ではあるが、同様にリンクするために使用可能である別のメトリックである。例えば、スピーカは常にある種の環境にあってよい。その環境が信号に含有される場合、同様にリンク可能であるが、性能値のコンフュージョンマトリクスに対して繰り返し可能ではない場合、自律的にセットアップするＬＣＩＳは、図１３の１０１によって、ステップまたはプロセスセクションでマイクロコードを停止するように制御された手段でＬＣＩＳを動作するために自動モードをマニュアルモード設定に設定することをユーザが決定しない限り、これをパターン化することはない。

用語は、本発明の限定パラメータとなるのではなく、細目を指摘する必要がある時に、本発明の方法、手段、および装置の書面による伝達手段となるように定義される。

多様体：データケースの等高線マッピングの複数の等高線のうちのある等高線はこれに対する複数のメトリックを有する。該多様体は、本書では、等高線パターンメトリック集合または等高線メトリックコンテナと同じ意味で使用されるメトリックの等高線コンテナであり、単一の等高線のトップレベル記述であることを述べるために多様体表現コードが使用される。

多様体コード：コードは、多様体、または等高線パターンメトリック集合コンテナによって定義される単なるメトリックである。これは、識別するパターンの記述をプロセッサがメモリから読み取るシーケンスであり、トレーニングモジュールおよび分類器テストケースで使用されることになるため、コードである。

ケース：本発明の応用では、「ケース」という用語は、一般に、データ、トレーニング、またはテストを組み合わせたものであることが分かる。データは、ファイルフォーマット、データフォーマット、およびデータタイプを有することでケースになる。データは、内蔵とすることができ、外付けとすることもでき、従って、ケースはそのようにも使用されると見なされる可能性がある。用語を簡易に使用した場合のケースは、任意のデータフォーマットのデータ（すなわち、アナログ、デジタル、記号など）、または、出力が手段を正当化する限り、特定ではない手段によって特定ではない順序で（内部または外部で）取得されかつ処理される（ファイルフォーマットまたはデータフォーマットのように適切に取り出されて記憶される）任意のデータタイプ（文字型および整数型など）の混合物を表す。一般の例として、データケースは、リアルタイムで受信されたデータケースである可能性がある、通信チャネルで直列に送られる圧縮フォーマットで受信可能である。このデータケースは、使用するシステムによって読み取り可能なフォーマットで記憶される。簡易な例の集合は、ＭＰＥＧまたはｊｐｅｇなど、圧縮可能であるデータフォーマット、または、画像、映画、オーディオ、または、ファイルフォーマット、データフォーマット、およびデータタイプの組み合わせを形成するためにリコールされるｊｐｅｇ、ｐｎｇ、ｅｐｓ、ｇｉｆ、または任意のフォーマットもしくはデータタイプといった画像フォーマットを備えることになる。または、ＨＴＭＬなどのウェブベースのフォーマット、またはさらには、記号などの非数値データタイプもしくはフォーマットとすることができ、これらに対して、任意の他の所望されるフォーマットまたはデータタイプへ、これを行うように設計されるプロセスの方法によって変えることができる。

トレーニングケース：過去に生じたデータのケースであり、既知のラベルが施されている。例えば、椅子の１００枚の写真を撮るものとする。この写真には、ロッキングチェアおよび非ロッキングチェアの２つのタイプの椅子しかない。そのラベルの例として、使用するシステムによって与えられる、またはキャプチャするシステムによって与えられるようなそれぞれのトレーニングケースに対して、場合によっては、ＲＣおよびＮｏｎＲＣ、または同様のものが施されることになる。その要点は、学習モジュールをトレーニングするために使用される過去のデータであることである。

テストケース：現時点生じている、または現在実現されているデータのケースであり、ラベルが施されるが不確定のラベリングがなされる。このラベリングの例は、場合によっては、ブランク、ＮＡ、推定、またはユーザ供給のものになる。フォーマットは、テストケースが、トレーニングケースの過去のデータで見られるようなロッキングチェアまたは非ロッキングチェアかどうかを決定するために必要になるトレーニングケースに対する学習に対して必要なフォーマットに変えることが可能である。

通信チャネル：データが送受信されるパスである。簡単な例は、可能性が尽きたわけではないが、導波管でもあるワイヤーから成ることができるコンピュータバスなどの導波路デバイスを経由することができる、または、チャネルが現時点、送信デバイスと受信デバイスとの間の空隙となる、アンテナを介した送信およびアンテナを介した受信のために無線によるものとすることができる。主要点は、データが受信デバイスによって受信されるのに必要なフォーマットで送られ、これが、ユーザ、機械、またはこれらの組み合わせの間の通信のチャネルによって行われることである。

記録またはデータキャプチャデバイス：このデバイスは、情報を入手し、その情報を、即座に処理するための使用に、後にモバイルで使用するために、またはこれらの組み合わせのために、揮発性または不揮発性メモリに記憶される使用可能な記録可能フォーマットに記憶するために使用される。考えられるいくつかの例として、カメラ、スキャナ、音声記録装置、マイクロホン、眼球スキャナ、熱探知カメラ、ＣＡＴスキャナ、グラフ用紙のスキャンされたプリントアウト、または、等式の従属変数および独立変数をグラフ化するアプリケーションパッケージの出力（例えば、用紙へのプリントアウト後、スキャンされる、またはその後画像が保存される）とすることができる。また、システムに入ってくるデータを処理するアプリケーションとしての役割を果たすリアルタイムオペレーティングシステム（ＲＴＯＳ）とすることができる。

データ：ファイルなどのコンテナ内に、またはメモリにおける２つのアドレス場所の間に位置特定される可能な点インスタンスである。コンテナ内のデータは、数値とすることができる、一般的にデジタルファイルタイプ構造と呼ばれるあるデータタイプ構造のファイル内にラップ可能である、または、例えば、ＲＴＯＳ（リアルタイムオペレーティングシステム）性質を有するキャプチャデバイスの出力とすることができる。また、波形とすることができる、または、一般的にグラフ化することで知られているある多次元座標システムによって多次元に定義されることが可能である。このデータは、ベクトルベースとすることができ、定義されるべき、または説明するベクトル空間によって記述可能である。これらは、「データ」の数個の例に過ぎず、それらのフォーマットまたはデータタイプは、数値、バイナリ値、１６進値、または、単に、このデータを使用することを所望するあるシステムによって読み取り可能なフォーマットのものとすることができる。要点として、データは、ＬＣＩＳの変換プロセッサによって取り扱われるようなシステムに限定されることはない。

等高線：この発明において、特有の形状を有さないデータインスタンスのエンクロージャである。例えば、等高線は椅子のように見える可能性があるが、それを強調させるために他の等高線を組み合わせずに１つとしてラベリングされない場合がある。これは、組み合わせられた等高線が「データ」またはその一部を識別する手段であり、必ずしも、オブジェクトを作るその形状がユーザに識別可能であるというわけではない。明確でないものとして、等高線が、必ずしも、椅子の形を取るわけではなく、例えば、スポットの形を取るが、等高線は椅子の一部、および、等高線を構成するそれぞれの項目のそれぞれのミクロ部分に高い割合で視覚的な注意を払わない限り、必ずしもユーザに対してというわけではなく、システム対してのみ識別可能となる等高線を形成するスポットの一部ととられる可能性がある。生じていることは、椅子をラベリングすることであるジョブを行うのに不要な情報がケースにおけるデータ全ての処理から取り去られるため、ハードウェアシステムに対して、計算複雑性を低減するかなり多くのデータ削減機能が与えられ、複数の「ケース」を考慮する時、高次元空間はより少ない次元の空間に変えることが可能である。

メトリック：メトリックは、本明細書に示されるように精密に定義される。「メトリック」という用語は、測定のグループ名を付けるラベルを有する定量化可能な測定のグループの表現を論述する手段である。例えば、用語の極度の複雑さを容易にするために、統計値をメトリックラベルとしてとらえる。統計値は、１つの容量において、例えば、平均および分散のコレクションによって説明できる。この特許製品によって使用されるような「メトリック」は、測定のベクトルとして平均、または複数の平均とすることができる。例えば、テストスコアの平均の１０の数値表現を有するとする。それぞれの平均は最終試験のスコアの１年分の使用を表す。この特許製品によって記述されるシステムにおけるメトリックは、それらが処理される順序および寸法サイズを収容するようにメモリに記憶されなければならない。これは、メモリアドレスの開始場所および終了場所が拡張および縮小するというように動的であることを暗示する。また、メトリックおよびそのコンテンツは、追跡可能なシステムであるメモリ内の場所を有することを暗示し、さらに、このことは、処理される順序およびメモリに記憶される順序は、メトリックの一部または全てがメモリから正確に抽出できるようにするために判断されたシステムであることを暗示する。例えば、もし、テストスコアの例における平均のメトリックがもう２年分の追加のテストスコアを含むとどうなるであるかを考える。メトリック場所ラベル「Ｓｔａｔｉｓｔｉｃｓ（統計値）」でサブネームが場合によっては「ｍｅａｎｓ（平均）」のメモリは、平均算出の数値表現の、保持している１０項目から現時点保持している１２項目への「平均」のアドレス変更となる。メトリックは、システム（すなわち、例えば、１０項目から１２項目までの記憶保守を可能にし、かつ「平均」から「平均および分散」になることが可能であるシステムコントローラ）のメモリ記憶プロセス、およびその取得プロセス（すなわち、例えば、機械言語の数学的命令の実行）によってのみ限定され、このどちらも記憶追跡において複雑になるはずがなく、これらプロセスを使用し、記憶し、アクセスの反復を収容するような効率的なやり方となるようにアクセスするシステムにおける使用のために追跡可能である基準を必要とするだけである。メモリはまた、大きなデータセットを取り扱うために揮発性または不揮発性とすることができる。与えられる方法には可能性が１つだけある。さらに、「メトリック」は、ベクトル、集合、またはラベルなどとして記憶される数値計算の「結果」と考えることができる。または、ここで、サブメトリックと呼ばれるメトリック要素となるように、さらには自身のメトリック内にサブメトリックがある可能性がある。主な要点は、メトリックが、メモリから引き出されかつメモリに記憶される理由および場所の特有の意味を有するデータ値のシーケンスであることである（それぞれのデータ値は例えば平均値として説明される１０の値である）。メトリックは、例えば、１０年または１２年分のテストスコアを表すための特有の「固有性」目的を有するため、例えば、教師を解雇すべきかどうかを決定するための非常に特有の「応用」目的も有する。メトリックは、システムがメトリック平均の個々のコンポーネントのさらなる解析を必要とするという意味で容易にすることもできる。例として、「平均」のメモリ場所１０のうちの５つから引き出された５番目の項目は、テストスコアの５「年」目という意味になり、この値は、メトリック「統計値」を使用するシステムによって教師の解雇を決定する場合がある。理解するための概念の別の重要な要点は、テストスコア平均が最終的にステップのない数値計算であるため、これが表す数学的ステップのシステムプロセスのメトリック値でもあることである。例えば、平均値全ては、ここで、数学方程式の意味を有する。最終結果は、システムに算出させる関数、およびその関数による実行から構成され、これは、平均として記憶される結果の最終集合であった。「統計値」のメトリック「平均」はここで、平均を見つける等式の計算を行う。別のメトリックは、「統計値」下にも記憶されるこれらの平均を見つけるために使用される値を含有することが可能である。従って、平均のメトリックは、テストスコアの平均を算出するために使用される方法である記憶場所のメトリックで数学的プロセスのメトリックを考慮可能である。次いで、アドレス場所はプロセスになり、パターンを発見する必要があるシステムにおいて再処理するまたは処理するための任意の他の必要性を省く。これによって、トレーニング領域におけるブラックボックス化システムとして知られる非ルールベースシステム、ルールベースまたは不透明な学習型システムも作られる。そのため、これは、複雑な計算のシーケンスがここで、それらを生じさせたパスを再現する必要性を省いて、メトリック自体の要素の数を覚えることなどに有用である他のパラメータを与える代わりに、これら計算のメトリックまで減少させることに起因し、これによって、単に、要素の数をメトリックに追加する頻度によって、パターン尤度を識別することができる。メトリックの要点は、値（または算出もしくは他のサブメトリック）の所望の集合の固有性をこれらの値を使用してシステムによってラベリングするために使用されるプロセスの関連した情報を移植可能にすることである。メトリックコンテナがここで、ファイルに記憶され、かつ、データのケースのさらなる解析のためのアプリケーションに転送されることが可能であるため、メトリックの集合は移植性を有する。これは、ケースデータセットの関連情報全てがメトリックに含有されるため可能である。これは、メトリックがデータ暗号化のためのキーとして使用可能であり、この性質を有するキーはアルゴリズムがそのキーを作成したものではないためアルゴリズムによってクラック不可能であることを意味する。メトリック作成時に生じたのは、関連のあるものはメモリに置かれてあり、関連のあったものはここで、データタイプを異ならせる関数変数に応じて使用可能であることである（関連のないものはまたメトリックとして記憶可能である）。そして、関連のあるものは、システムプロセスによって決定され、これは、決定されるものが学習モジュール内のものとすることができることを暗示する。メトリックがデータケースのデータの変換によってデータケースと関係しているため、ある種の等式となる。メトリックは、発見されたパターンを数学的にかつ本質的に記述するコンテナである。また、メトリックは、そのデータケースのみに対する意味を有し、応用では、システムがデータケースにおいて重要であるとして選ぶデータケースを定義するパターンのみに対する意味を有する。解析は次いで一度だけ行われる必要があり、それぞれのシステムプロセスによってファームウェアによるさらなるインスタンスは行われる必要がなく、これは学習型ハードウェア実装形態にとって理想的なものとなる。例えば、２つの個体間の通信が精密にかつ内密に通信されなければならない場合、（精度改善のために）特有の文を言う主要スピーカの記録は、マイクロコード、ＰＧＡ、またはＦＰＧＡなどによってメトリックの集合に変換される。メトリックは、移植可能であるため基地局では解読されるようにすることができる。さらにまた、データは、何か理解できるものを得るために決してまとめることができない膨大な役に立たない数字のみであると、回線をハッキングする人にとって無意味であるため、メトリックを回線で送ることができる。メトリックを作成するために使用される他のトレーニングデータとして解読を片っ端から試すことができないメトリックが必要となり、トレーニングプロセスは厳密な複製が行われるが、これは大きく捉えても達成されそうにない。そのため、再び、対象パターンをある種の式のシーケンスに変換して、この要素は、これを作成したシステムに対してのみ明らかとなり、トレーニングモジュールとなる。

等高線マップ：同様の関連性を有する領域の値のグループ化である等高線のマッピングである。地理的な意味で、ｘおよびｙにおける距離の間の、ｚ軸と呼ばれる、垂直要素であり、高度の等高線マップである。地形の等高線マッピングは、データ点の同様の領域エンクロージャをもたらすことになる。等高線の数を増やすほど、丘陵地帯の細部を高めることになる。値が高度を表しているｘおよびｙにおける２つの点によって境界されることが見出されるデータの範囲に同じ概念を当てはめることができる。好ましい実施形態では、地形的な方法は、実線をもたらし、ここで、好ましい実施形態は、自身を、実線に変えることできるがより速い処理のために等高線マップへのケースの変換を選ばないマトリクス分離に制限する。等高線は線とすることができるが、システムは対象パターンの境界によってまたは隣接点によってそれらの線を囲んで、対象の座標点集合を取り囲む囲まれた等高線を作成することになる。例えば、地形的な理由のために使用されるべきデータセットにおける点は、高度の点をつなぐ等高線である。この方法論はまた、画素点ｘおよび画素点ｙに位置特定される画素強度を囲むために使用される。方法論はまた、点の場所としてｘ場所およびｙ場所、またはより高い次元が与えられる値の任意の集合に適用可能である。これは、等高線座標点間表現には形状要件または既知の情報がないため、本発明の非常に重要な一面である。この等高線マッピングにおける等高線が、そのメトリック、グループ化、およびこの実施形態を構成するＬＣＩＳのトレーニングにわたって、１つの等高線の一部を使用して別の等高線を構成することができるため、メトリックは、単一の次元内で２つの異なる次元の１つの等高線の一部とすることができる。

対象等高線または対象パターン：椅子のように見える等高線は、壁上の黒いスポットの等高線が対象の椅子であると述べていない限り、椅子ではないかもしれない。動的に変化する腫瘍は、血栓の等高線の組み合わせがまた、この等高線による形状を変更しないまたは維持しない限り、タイプｘの腫瘍ではないかもしれない。別の例は安全性である。例えば、マイクロホンから得られる、スピーカによって表される音声によるピーク等高線、またはさらには、（フォーマットを読み取り可能なシステムにおいて記憶されている）アプリケーションパッケージ内のグラフを切り貼りするソフトウェアは、背景の雑音の等高線がまたピークの一部でない限り、スピーカではないかもしれない。主要点は、等高線がユーザによって識別可能な視覚的に記述された形式を有さない場合があるパターンであることを知ることであり、これは、過去の等高線を使用する学習プロセスによる識別子に意味を持たせたインスタンスのコレクションである。

ここで、好ましい実施形態について説明する。多様体、および区別なく同じものを意味する等高線パターンメトリック集合が使用されるが、これについてさらに明確化する。意味を伝えるためにトップレベル記述が所望される場合、多様体はより迅速に記すには一番であると考えられる。等高線マッピングプロセスを直ちに行うなど、細部および点を元に戻すことが所望される場合、「等高線パターンメトリック集合」が一般に使用される。多様体が使用される場合、多様体内のメトリックが、ＬＣＩＳ（学習型等高線識別システム）プロセスによって全体的にまたは一部使用されているため、通常、コードと呼ばれる。最初に方法を示し、その後ハードウェアシステムについて示すこととする。

多様体を得るために、再び、図１のステップ１０〜１７と共に、結果をフォーマットする１８のプロセスにおいて、任意のデジタル画像ファイルフォーマット（タイプ：ラスタ画像フォーマット、画素およびウェブファイルフォーマット、メタ／ベクトル画像ファイルフォーマット、ビットマップファイルフォーマット、圧縮ファイルフォーマット、放射ファイルフォーマット（温度および画像）、ＧＩＦ画像ファイルフォーマット、アニメーションファイルフォーマット、透過ファイルフォーマット、インターレースおよび非インターレースファイルフォーマット、ＪＰＥＧ画像ファイルフォーマット、ならびに、プログレッシブＪＰＥＧファイルフォーマット）の等高線パターンメトリック集合が必要とされる。

本発明のプロセスの目的は、多様体マルチグループ化（図１の項目１３）または単数の多様体（図１の項目１２）グループ化の閾値に従って、データフォーマット内のそれぞれの等高線パターンおよび背景の等高線パターンを識別することである。これらは、ルックアッププロセス（それぞれの強度値は独自の多様体であるため、このことは全て固有の強度を検索後囲むことを暗示する）によって判断され、間隔をあける距離（同じ強度、異なる強度による分離、または範囲）によって判断され、ランダムに選ばれた範囲によって判断され（多様体が対象ではないまたは対象であることをトレーニング集合が示す場合、高速の等高線パターン検索によって多様体パターンを取り去ることができるため、ランダムに推定することは、図１の１２〜１５のどの組み合わせを行うかの選択肢における決定を高度化することができる）、図１において使用される現在のソースファイルに対して、類似のまたは非類似の等高線パターン、また、図１、図１０〜１７によって識別される多様体の過去のデータフォーマットのトレーニングを通して学習した任意のプロセスによるトレーニングまたはルックアップテーブルによって判断され（例には、機械学習、データマイニング、ニューラルネットワーク、および図１の１８に示されるようなものがある）、分類方法（ガウス混合モデル（ＧＭＭ）といった統計モデルなどの、デシジョンツリー、統計的プロセス解析）によって判断され、図１の１８に示されるようなフィードバックまたは適応フィルタプロセスを通して生成された、図１によって生成される多様体の反復および消去によって図１の発明の再利用の再分類によって判断されることが可能である。

図１の発明によって、多様体のサイズ、形状、または多様体間の距離の選定は、統計的解析ルーチン（１つの例として、ガウス混合モデル）、分類ルーチン（１つの例として、Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅｓ（ＣＡＲＴ））、将来の予測のための過去のデータの過去のトレーニング（過去のデータまたは既知のデータフォーマットのデータに対する機械学習トレーニング）、およびフィードバック（１つの例として、データの適応フィルタ処理）のうちの１つまたは組み合わせによって判断される。例えば、図７、図８、および図９の全ては、図１の１８に示される、ＧＭＭ、ツリー、機械学習、および適応プロセスハイブリッドアルゴリズム（必要な場合、図１と同じ発明者による特許出願が適用される）において図１の１０〜１７のプロセスを使用する。図１を使用することによって、図１の応用実施形態は、図７〜図９において「現在機能している」ことの証明とすることができる。１つのプロセスによる、熱的データ、信号データ、および画像データの異なるファイルフォーマットタイプの例は、それぞれの多様体が図１による点の独自の集合によって表されるため可能である。従って、等高線パターンは、デジタル画像ファイルフォーマットから取り去ること、および、メトリックの名称の固有性および形状閉鎖繰り返し精度を有する個々の等高線パターンとしてソースファイルから識別されることが可能である。分類ツリーによって、それぞれの等高線パターンは、次いで、フィードバックプロセスにおいて、ツリーが作成されたトレーニング集合に従って、他の多様体等高線パターンと組み合わせ可能である。ツリーが等高線パターンを分類できない場合、適応プロセス（図１の１８）は１２〜１５における図１の選択肢を変更し、ＧＭＭおよびツリー分類によって等高線パターンを分類することを再試行する。また、このメトリックが多様体を定義するため、「それぞれの」多様体は、密度を表すために、多様体において使用できる値を１で重み付けして充填することによって領域を示すために扱われるメトリックとすることができる。例えば、多様体を１で充填する場合、ｙ軸によって定義される列における全ての１は、密度表現がこのビン状のヒストグラムのｘ軸において発見できるようにｘ軸に沿って合計される。ｙ軸において同様に行われる場合、列がｘ軸のものである場合、等高線パターンの密度または固有性の確率は、図１の１８のツリーフィードバックセクションにおける統計的固有性比較のためにもたらされ得る。次いでこのアクションを行うことで、図１の１８の分類プロセスを簡略化することができるが、これは、密度（多様体を充填しかつｘ軸およびｙ軸に沿って合計することによってもたらされる確率分布）がガウスである場合、これらの多様体またはそれらの単一の多様体のそれぞれの組み合わせを表すことができる平均および分散の２つの集合があるからである。そして、ガウス分布は平均および分散の線形加算としての取り扱いが可能であるため、それぞれのガウス分布はガウス分布の和とすることができ、よって、ガウス分布である多くの多様体は組み合わせて合計可能である、または、トレーニングシステムプロセスにおけるそれらの和から取り去られる可能性がある。他の統計モデルは、線形統計組み合わせ特性を有するが、ガウス分布は中心極度定理によって述べられるように本来はより頻繁に生じるが、依然それらはまた、フィードバックプロセスにおいてガウス分布に沿って使用可能である。これは、ｘおよびｙ両方における多くの平均および分散の集合が使用可能であり、かつ、複合識別のためにツリー分類器に送信可能であり、多様体から算出された領域の追加の使用、および多様体の座標点集合識別から生成された行の等式には触れない。

例えば、図１８において、雑音エンベロープにおいて囲まれる間の信号の検出は、さらになお発見された。これは、本質的に、他のパターン識別方法または他の画像検出方法では不可能である。また、スケーリングされたまたはスケーリングされずに残された、生成された多様体の（図１の１８における密度および領域表現に対する）この多様体充填は、等高線パターンの密度の値、領域の値、大きさの値、および、場所の値（ならびに、所望のレベルの識別に対して作成する多様体の数によって、同じフォーマットの多くのサブレベルの等式）を作成するため、信号はここで指紋記述を定義した非常に詳細なメトリックを呈する。実験によるデータを採用し（ランダムなシミュレーションデータはグラフィカルソフトウェアによってグラフ化されるのと同じように使用可能であるが、この画像は次いで、デジタルファイルに記憶されかつ図１を通して送られる）、このように識別することで、現在フーリエ解析を必要としている信号についてのかなり多くの情報をオペレータに与える。このフーリエ解析タイプの解析はここで回避でき、これは、図１が、フーリエ解析が図１８が実証するような雑音において信号を検出する同じ結果を実現できないため、多くのやり方で、フーリエ解析よりも精度良く任意の電気信号タイプなどを評価するためのメトリック符号化プロセスを行う新しい形式であることを意味する。図１の１０〜１８のこのプロセスは、多数のレベルの｛密度、領域、座標点集合エンクロージャ、および行の等式｝を、図７、図１７、および図１８において実証される、図１のようなありとあらゆるデータ点またはクラスタに割り当てることが可能な数学的プロセスがないため、データが解析時にどのように使用されることになるかを明確に変更するものである。

図７、図１７、および図１８は、データファイルフォーマットに関係なく、図１の多様体によって示される点の数を増加させる（平滑化）ためにスプラインが作成可能であるだけでなく、多様体の点による線の等式は図１によって生成可能であり、そのためのメトリックが作成され、また、密度の値でも同じように行う（確率分布等式）ことを示す。

図１８によって、いくつかの妨害されたチャネルにおける通信の検出によって、複数話者の環境におけるスピーカが、検出されかつ識別されることが可能であること（例えば、既知のスピーカの、ＧＭＭ、多様体、ツリー、および適用フィードバック機械学習を組み合わせて、図１はスピーカ音声をスピーカ画像等高線パターンに適合させるために使用可能である）、記録されるまたはリアルタイムの議論が暗号化データセットにおいて復号可能であること、水中の等高線パターンの画像が超音波エコーから検出可能であること、等高線パターンがＭＲＩ、超音波、および他の画像検出プロセスなどの健康管理システムハードウェアの電磁波イメージングにおいて識別されかつ検出されることが可能であること、信号および等高線パターンの検出および分類が、通信時に、画像キャプチャシステム（熱、電磁、超音波、およびレーザなど）において、軍事システム（および、全てが動的に、およびアルゴリズムに対する変更なく追跡可能である）において行われることが可能であること、および、脳卒中、心臓麻痺、または生物学的疾病が生体において位置特定可能であることが検出可能であることを示す。そして、これらの全てに対して、行われる前後である場合、過去のデータから学習するように、図１の１８の好ましい実施形態によって識別可能である。

図１のプロセスは、全てのデータが強度画像集合に変換できるように独立したデータフォーマットである。１つの例として、図７は、等高線パターンの熱画像である。熱放射ファイルタイプは、コンテナが、図７の画像３０も含有するＪＰＥＧファイルフォーマットコンテナ内に混合される（図７の３１の右側に表示されるように）ただの温度変化の集合を含むため、データの全く異なる表現である。図１のプロセスを通して、および、図１の１８を使用して、図１のシミュレーションは、（多様体のフィラーの）任意の統計解析、（統計解析によって生成された統計値の）分類器、機械学習（履歴トレーニング）、適応プロセス（フィードバックまたは適応フィルタ）において、等高線パターン識別を行うことが可能である。結果として、完全にユーザ限定の限定されたレベルの指紋生成機能がもたらされる。そして、メトリック表現を定義する多様体のレベルで、等高線パターンはリアルタイム（ビデオ）で追跡可能である。

単にデータのフレームであるようなビデオは、任意の他のファイルフォーマットタイプと同様に図１では難しいものではない。

図７、図１７、および図１８は、図１８の好ましい実施形態において、図１の発明およびＬＣＩＳシステムを使用する実際の結果である。また、精度はデータフォーマットタイプによって限定されず、巧みな人であれば実際にはその精度を高めることができる。

ファイルタイプにおいて使用され、次いで多様体に変換するために図１によって使用される表示デバイスの解像度を大きくするほど、密度および多様体形状に関して等高線パターンの記述を高めることになる。従って、圧縮ルーチンを選ぶと、検出の精度および精密さを大きくするか小さくする可能性があるため、図１の１８における等高線パターン分類におけるゼロ設定の別の手段として使用可能である。これは、データフォーマットタイプが、（図１の該当する暗示全てにおいて、増加するようにまたは減少するように）等高線パターン形状において、（図１において発見される多様体の重み付け充填または同一の数値の充填による）密度において、その点のデータセットにおいて、もしくはその領域において、および／または、図８〜図１６によって記載されるＬＣＩＳの図１の単一または複数の反復によって図１がユーザにメトリック解析を提供する第１のレベルのサブメトリック表現全てにおいて、多様体を調節する別の手段であることを暗示する。

検出されかつ変換された等高線パターンの精度を変更する別の例は、画像内、またはハードウェアによってキャプチャされるデータのウィンドウ内で処理された等高線パターンフレームをウィンドウ生成することである。例えば、信号、または過密な密度のクラスタにおいて（図１は、弱から強までのクラスタ化密度の多様体をもたらすことができるため、カテゴリデータは同様に図１の発明によって解析可能である）、時間窓を１０秒から１秒に拡張することで、その結果、画素密度をより広い領域に広げた後、多様体メトリック表現をより大きい多様体に、またはより小さい多様体の集合に（必要に応じて、全て１つの多様体下に）変更することが所望される場合がある。これらの新しい多様体の読み取りは、全て、図１、および図８〜図１６の反復によって判断かつ算出可能であり、これはまた、拡張前に作成された過去の多様体の数学的表現の次に高いレベルにリンク可能である。例えば、図１８において、矢印によって示される１７０における明るいスポットを生じさせる、山および谷で発見される電気的応答の鳴り響く音は、図１９において拡大される中央リング１６７の周りの多様体パターンによって視覚的に識別されかつ示される。この場合、１７０における一つの場所のピーク点におけるｘ軸の時間は、時間（ｘ軸）および振幅（ｙ軸）両方において拡張されて、精査されたピークおよびタイムスタンプにのみ焦点を合わせることが可能である。すなわち、図１８における１６２によって表される１７０の画像点に対するズームは拡大され、かつ図１および図８〜図１６によって再評価されている。このアクションは、同様に多次元（２Ｄおよび３Ｄなど）レベルにおいて行われる可能性がある。このアクションは、多様体形状を変更することになり、それによって多様体は一つの単一の点だけに対する複数のメトリック表現を有することになる。利点となる等高線のパターン化は、識別する等高線パターンの指紋をさらに取ることができる多様体の異なる集合を判断するために実験による結果としての密度を希薄にすることである。これによって、１８（図１）の実施形態の、特有の等高線パターンを探しながら雑音を画像から取り去る能力を高める。しかしながら、密度パッケージをタイトに保つことによって、等高線パターンメトリック集合内で頻繁に衝突する実験による結果の不必要な計算を低減することができることは理解されるべきである。これは、点が多様体内にあるか否かを検証するチェックルーチンが外側にあるものだけを処理するのではなく多様体内で点の評価のプロセスを取り去るために使用可能である（逆もまた同様）ことを意味する。これによって、多様体内の再現性算出（点が１スポットまたは領域において連続的に衝突する）に対して行われる算出を低減することができる、または図１の多様体の処理された座標点集合のエッジによって境界を確立することによって実験によるデータのエラー解析を向上させることができる。このことは、図１によって処理できる値の範囲としてこのように行われ、すなわち、その後、多様体として割り当てられることで、範囲外の評価が行われない限り、多様体内の１つの値の等高線パターンだけが図１によって処理される必要がある。実験によるデータまたは理論的データについてのこの多様体解析のこの強みは、これがある程度、実際に数学的処理を行うことなく数学的種類の算出を並行する新しいやり方として見なされる理由であり、すなわち、図１および図１８におけるメトリック表現の結果は、代数法則に違反せずに使用可能である。

ＧＭＭ、多様体、ツリー、適応プロセスにおいて、適応プロセスは、トレーニング集合に対するより良い検出が判断できるようにウィンドウを調節できる。このウィンドウ生成は、等高線パターンの１つの多様体が多くの他の多様体によって表されることが可能であるため、多様体に対してあらゆる種類の新しい使用を開放し、決定するためのより多くの情報を分類器に与える。それぞれの多様体は、独自の密度、独自の点の集合、独自の確率を有するだけでなく、図１、および図８〜図１６の反復処理によって、独自のさらなる密度の集合などを有する。多様体等高線パターンメトリック識別は、ユーザが進みたくなるような浅部しかない（（望まれていない多様体であると判断された）雑音は図１の反復のそれぞれのレベルで取り去り可能であることに留意されたい）。クラスタは、例えば、図１によって全て処理される、タイトなクラスタの周りの多様体リング、およびタイトなおよび緩いクラスタの周りの多様体リングをもたらすことができる。図７、図１７、および図１８において既に使用された方法の解析（図１の１８）は、図１の１８の２つの大きく異なる多様体メトリック表現の２つの確率分布として１つのクラスタを表すことができる。そして、多様体パターンは増加または減少可能であるため、クラスタは、同様に、これらの例において、２のみではなくそれ以上多くを有することができる。この能力は、クラスタの重複も多様体とすることができるため、クラスタ重複を消去するのに役立つ可能性があり、減算および加算が可能であり、ガウス混合モデルの場合、２つのガウス確率変数の和は畳込によるガウス分布であるため、ガウス分布である多様体の密度は、共に、別のガウスの混合をもたらすためにガウス分布が加えられ得る。例えば、図１８において、発明者は、信号を雑音から取り去ることができただけでなく、雑音エンベロープを完全に制御しており、これは、画像が完全にメトリックＩＤ’ｄであったため、もはや画像ソースに関係していないことを意味する。従って、これら３つの図７、図１７、および図１８は、図１、および図８〜図１６の発明が多様体フィラー（図１２および図１４）、フィードバック（図１０および図１１）、統計解析（図１５および図１６）、および学習型等高線認識ハードウェア（ＬＣＩＳ）プロセス（図１、図８〜図１４）において得ることができる重複処理の一例である。

図１は、メトリックは、何が関連しているかをＬＣＩＳシステムによって決定されたパターンを記述するコードであるため、代数の誤りについて心配する必要なく、可能なメトリック表現のグループ化を行う。これはこれまでに一度も行われたことがなく、ＬＣＩＳ計算複雑性はほとんど無視できるものである。さらにまた、この時に実践され、まさに本発明の応用において示されるように機能する例として図７、図１７、および図１８において実証される。

雑音を含む、テストおよびトレーニングケースの等高線マッピングにおけるありとあらゆる等高線パターンの完全なメトリック表現をもたらすステップによって多様体を作成するプロセスの簡易かつ一般的な実施形態を説明するために、図１のプロセスの以下の説明は、図８〜図１６、および図２〜図６をサポートするＬＣＩＳシステムによって使用される一連のステップとして提示される。

ステップ１
図１の１０は、多くのグラフィックフォーマットのうちの１つを有する記憶デバイスから（または、カメラ、スキャナ、または画面キャプチャなどを使用するキャプチャデバイスから）デジタルファイルを読み込む（数個のフォーマット「タイプ」の例：ラスターフォーマット、ウェブ内画素フォーマット、メタ／ベクトルフォーマット、ビットマップフォーマット、圧縮フォーマット、ＧＩＦフォーマット、アニメーションフォーマット、透過フォーマット、インターレースおよび非インターレースＧＩＦフォーマット、ＪＰＥＧ画像フォーマット、ならびに、プログレッシブＪＰＥＧ）。全て、図１のプロセスに対して同じように機能する。図１の１１は、ソースデータフォーマットにおいて画像を表す強度マトリクスを展開するために使用される。図１の項目１１は、プロセスにおけるこの点で、それぞれの強度値を独自の多様体エンクロージャにしている。

ステップ２
ロードされたデータフォーマット（図１の１０）からグラフィック強度値（図１の１１）を得る。これらは、任意のビット長の強度値の色合い、または白黒の色調とすることができる。ファイルがロードされて、強度値のマトリクスは、ここで、図２に示されるようにマトリクスの行および列として表されることが可能である。図２では、図１の１１によって必要とされるように単なる画像強度マトリクスを表す一例が考案され、それによって、画像の全ての多様体は、図１の１２〜１５を通して低減するように処理可能である。作成された例は、２つの高さの線の等高線パターンの２つの画像、および正方形の等高線パターンの１つの画像を表す。

ステップ３
強度の最小値および最大値を判断する。図２において、単なる５×８の画素の画像シミュレーションが提示される。ここで、最大値および最小値は、画像における等高線パターンが５の強度値によって定義されるため５である。現実には、これらの値は、対象の小数点によって、（実数の手っ取り早い例として）５．６６３１２１２３４２３４などの実数となり、図１における閾値集合によって判断される。

ステップ４
等高線パターンの境界を記述する点の集合によって、多様体を定義する、または等高線パターンを囲む。図３は、１つの多様体リングに対する選択肢を表す（１２および１４、または図１）。マトリクス場所空間における１〜５の距離がマトリクスにおける点の間の単位の半分であることが算出される。図３は、１９、２０および２１によって定義される３つの多様体である。例えば、多様体１（１９）は、｛（２、１．５）、（１．５、２）、（１．５、４）、（２、４．５）、（２．５、４）、（２．５、２）｝の集合として点（ｘ、ｙ）によって定義される。多様体２（２０）および３（２１）は同じように定義される。

図１の１８の好ましい実施形態は、多様体が強度値５によって示される等高線パターンの周りの空間（または領域）を取り過ぎている（図１の１８におけるアルゴリズムは、より多くの多様体パターンを使用する（図１３、図１５、および図１９）ことによって図１のプロセスを反復する（図１０および図１１）この能力を利用して、等高線パターンの識別を高めるため、結果として生じる多様体のより大きいサブメトリックの固有性をもたらすことができる）ことを強調しているとしよう。リングを定義するそれぞれの多様体の間の空間を低減するために、強度値５とその隣の１との間の空間によって、例えば、ｘ軸マーカー３と４との間の空間（図４の２２）をより広い間隔に分割する必要がある。図４および使用する応用において、図１９は、２つの多様体パターンを使用するこのプロセスの結果を示す。図２のマトリクスＩは、画像ファイルが変化しないため、このプロセスにおいて変化しないことに注目されたい。また、多様体エンクロージャ点集合の記述の表現は、ｘ軸およびｙ軸の分割であり（図１５および図１６）、そのため、多様体は、マトリクスの行および列内のｘ、ｙ軸の場所の値へ「強度を変換すること」である。

図４における場所３と場所４との間の空間（２２）はここで、２つの等しい部分で分割される。その効果は、５の画像強度値の周りの領域が縮小されることである（図１８のアクションの図１９）。これには、等高線パターン領域をより綿密に識別する効果がある（領域内のエラーは解像度にある、または画素は図１１の８７〜８８において等高線を増加させることによって間隔をあける）。（ｘ、ｙ）座標（２、２）に位置特定される強度値の場所と（ｘ、ｙ）座標（１、２）に位置特定される強度値の場所との間の空間の縮小を続ける場合、中央の多様体は完全に囲み始め、図５の２３の（２、２）、（２、３）、（２、４）に位置特定される強度値の多様体を低減し始め、領域を低減すると共に充填された多様体内の密度が境界まで最小化される（場合によっては、図１７の１６７の１６６および１６５に示されるような形状を生じさせる）。

図５は、範囲を２０の多様体パターンに分割する複数の反復を示すために使用される。すなわち、多様体１（２３）、２（２４）、および３（２５）について、（図１の１８に示されるように）２０のメトリック表現集合が作成されている（さらにまた、図８〜図１６を通して図１９によって最良に示される）。さらにまた、図２におけるマトリクスＩは変化することはない。図１に記載される発明は、単に、間隔３および４の間の空間を分割しており、それによって、多様体のより多くのパターンが場所２３、２４、および２５（図５）における等高線パターンを識別できる、または、等高線パターン多様体の領域を等高線パターン領域空間のより綿密な近似値に低減する。しかしながら、結果として生じる多様体の充填によって、「領域」が等高線パターンのより精確な記述に低減され、等高線パターンの最小の「密度」も判断される（以下に詳述）ことに留意することが重要である。これらの密度値は、最小確率の密度曲線が考慮され、かつ多様体メトリック表現が表す等高線パターンの下界であると証明される（図１０および図１１）ため、多様体充填（図１６の１４５）において重要である。

ステップ５
図５（２３、２４、２５）の中央のパターンを除く多様体パターン全てを考察することから提案することが所望される場合がある（例は、例えば図１９に示されるのより少ないパターンリングを有する図１８の等高線パターンメトリック集合を提案することが考えられる）。これによって、多様体を完全に定義するために、中央パターンの多様体メトリックの座標点間表現のみが残されるため、図１および図８〜図１６によって作成される多様体を使用する任意の応用に対して、等高線パターンのメトリック分類（図１４の１１６）の「点領域」を表現することが可能である。すなわち、図５において、４つの多様体（３つの中央パターンおよび１の背景）は、６１の多様体（２０の多様体×３＋１の背景＝６１）の代わりの応用において使用するために作成されているようにする。これによって、多様体作成の利点を使用するアルゴリズムについての計算複雑性が低減され、全て、図１０および図１１〜図１３によって判断される。これらの中央パターンについて、この例において、分割数が無限に近づくため、検出された等高線パターンから生じる多様体が、等高線パターンの形状の（図１１における識別精度を高めた）厳密な形状に近づくようになり、その後、ステップ１において示されるように、データフォーマットタイプの画素レベルに（またはデータフォーマットレベル限度に）なると言える。

ステップ４に示されるように、中央リングを完全に定義する点は、図１、および図８〜図１６から構成される図１３のＬＣＩプロセスによって算出され、（必要というわけではないが）比例した間隔で分割されるため、マトリクスにおける既知の基準点で（強度値においてではなく）分割が行われ、等高線パターンの場所の値への強度値の変換をもたらす。この例における全ての多様体が、全て、マトリクスによって表されるべき多様体の点全てのコード化において同じように処理されることに留意することが重要である（図１４）。これは、閉多様体が、任意のファイルフォーマットにおいて小さな領域、すなわち、「線」または「点」を有する等高線パターンを囲むことができることを暗示する。従って、多様体精度は、ステップ１において使用されるデータフォーマットの画素幅および高さによってほぼ定義される。さらにまた、強調されたこの能力を検証するために、図５における多様体を参照する。多様体の点によって発見されかつ記述される両方の多様体は、基本的に画素解像度幅を積み重ねることによって定義される領域の線で囲まれた多様体を有する（図５の多様体１（２３）および多様体３（２５）を参照）。

図５はまた、本発明のＬＣＩＳのプロセスが多様体２の正方形の等高線パターン（図５の２４）に記載されるように、深さ（密度）または領域を記述することができることを示す。

多様体に、（図２における強度値の場所全てを値１と置き換えて、多様体がデータセットを離れるため、１の背景は多様体が既に定義されるため干渉しないことを思い起こす）１が充填された場合、図５の２３の密度は、ｘ軸に沿った３、およびｙ軸における１、１、および１の高さを積み重ねた単一のヒストグラムから算出されることになる。図５の２４について、密度は、ｘ軸に対して３および３、ならびにｙ軸に対して２、２、および２となる。図５の２５について、密度は、ｘ軸において２、ならびにｙ軸において１および１となる。実像において（図１６の１４５〜１５５）、これらの密度は、正規またはガウス分布である中心極限定理によって記述されるものと同様のヒストグラム分布を形成する可能性がある。また、スプラインを使用して、等高線パターンの周りのより多くの点が作成され、次いで、スケーリングされて全く新しい密度を示すことができる（図１４の１１６のようにＬＣＩＳによって別のメトリックとして記憶できる）。また、１になるように充填する必要はなく、ユーザが領域により意味を持たせたい場合、１の重み付けと呼ばれる、重み値×１とすることができる。実際に、密度充填は、密度を表す必要さえなく、結局のところ、識別子でありそれ以上のものでもないが、統計的意味を持つ密度として最良である。

図３〜図５において、強度の値は、値がデジタルファイルのフォーマットから生じるように等高線パターンのそれぞれを表す。図３〜図５の場合、「線」を表す２つの等高線パターン、および「正方形」を表す１つの等高線パターンがある。別の実施形態は、上述される同じ技法を使用した異なる等高線パターンの多様体を組み合わせることであるが、ここで、２つ以上の等高線の組み合わせを利用する（図１１の８４、または図１３を補助するための図１０と共に図１１の８３〜８７）。例えば、図１の１２〜１５の選択肢を使用する際に、別の多様体メトリック表現式を作成するための多様体の組み合わせをもたらすことができる。

図６において、図２におけるＩは、図１に対して利用可能である４つの全く異なる等高線パターン多様体を示すために異なる強度値を含むように再定義されるものとする。追加されるそれぞれの値は、ここで、５の整数でなく実数となり、実数の丸め法によって範囲が選定できることを示し、すなわち、多様体選択によって精密さは制御されている。

図６において、プロセスによって図１における閾値が示される。その閾値は、４．５〜５．２２の強度範囲における等高線パターンのグループを組み合わせるためのものである（図１５の１２２〜１３０）。この集合における等高線パターンはここで、｛１、５、４．５、５．２２｝の集合となるように図１の１１によって定義される。１にとどまるスペーシングの閾値は、２つの等高線パターンを互いから分離する。手っ取り早い例として、多様体１は、ｙ軸の点｛２、２．４７２５、２．４７２５、３、３．５２７５、３．５２７５、４、５、５．４７２５、５．４７２５、５．４７２５、５、４、３、２、１．５、１．５２７５、１．５２７５、２｝によって（図１の１８によって）定義され、多様体２は、設定点｛２、１．５、１．５２７５、１．５２７５、２｝によって定義される。ｘ軸も同様に単純である。これらの点を通過する点のパターン（または、例えば、より多くの点を補完するスプライン計算を使用した円滑化）は、対象の等高線パターンを囲む多様体のメトリックを表すことになる（図１５の１３９および図１４の１１３）。

等高線パターン強度の値１は、画像全体に含有される等高線パターンのシェルとなるように決定される背景である。図１によって作成された個々の多様体の減算から生じる画像は、雑音または対象ではない情報として一般に定義されることになる個性のない残部を表すことになる（図１８において発見される単一の等高線）。多様体充填によるこの雑音、および充填からの密度の算出は、依然、画像の雑音強度に対する調節に対して必要とするアルゴリズムにとって価値がある可能性がある。これは、等高線パターンからの雑音の除去が図１の図７、図８、および図９の結果に見られるように非常に価値がある可能性があるため、統計、フィードバック、分類、機械言語トレーニングされたアルゴリズム（またはこれらの組み合わせ）にとって非常に重要である。雑音は排除されず、使用するため、その多様体、点間、およびメトリック表現（図１４の１１７）は、強度値が特に、図１８に示される結果を見出す際に使用された複数話者の識別でまさに使用されているため、重要である。

図６の多様体の最終計算の値（ｙ軸の値｛２、２．４７２５、２．４７２５、３、３．５２７５、３．５２７５、４、５、５．４７２５、５．４７２５、５．４７２５、５、４、３、２、１．５、１．５２７５、１．５２７５、２｝の例）によって、等高線パターンを定義する点（図１４の１１３）は、５または１の絶対値を示さないことは明らかである。点はその代わりに、図１の最終的な１６および１７のプロセスの、強度からマトリクス場所の「変換」である。すなわち、これらは、単にマトリクスにおける強度値（図１５の１２４、１２６、および１２９）の間の分離による分割した点の場所である。これらは、強度の画素から多様体の壁までの変更値を分離する単一のまたは組み合わせたグループを表す（図１、図１０の６４、図１１の８３〜８７、および図１２）。所望される場合、図１のプロセスの１３および１５のうちの選択肢によって、図６における多様体１および２を同様に１つの等高線パターンにする別の閾値を処理することができる。

このように等高線パターンを組み合わせることによって、分類アルゴリズム解析のために使用できるサブコードの多様体密度（図１４の１１７）がもたらされる。プロセス１０〜１７の美点は、処理（図１の１８）における使用を望むＬＣＩＳシステムのために、多様体の発見に向けて、プロセス機械コードへ変更する必要がないことである。図１の利点は、統計解析ルーチン、フィードバック、分類、および学習型等高線識別の組み合わせが、図１、図１３、および図１４について（当然ながら、これらをサポートする他の図も）ではないならば、可能とはされないであろうことである。現時点の技術における計算複雑性は、画像において識別された等高線パターンを取り去ることを、定義する等高線パターンに対するメトリック固有性をもたらす必要性が見当たらないため、可能としない。これによって、学習型等高線識別プロセスの新規性が定義される。等高線パターンから単一の強度点まで全てが見出され、多様体充填によって、確率密度値の表現に変換される領域、および、バルーン状に変更できる、領域、場所、およびメトリックコンテナ（図１４）によって表され、すなわち、点（図１４の１１３）は、ある領域およびメトリックを定義した任意の領域が圧迫されたバルーン状の同じ領域を有する別の形状に変更できることを表す。この全ては、図１４の情報のメトリックによって多様体を定義することに関して行われる。

ステップ６
最終的に、ステップ１〜５は、画像内の等高線パターン全てを発見するステップを行う。ステップ５は、ユーザ、分類器、フィードバックシステム、もしくは統計解析、またはそれの組み合わせが所望する場合、等高線パターンのグループを定義する閾値を利用する。ステップ５によって、オペレータ、または図１の１８のプロセスは、等高線パターンの場所の間で所望される（ステップ４を参照）分割の範囲を判断可能となる（図１５の１２２〜１３８、および図１６の１４０〜１６０）。これは、図における勾配によって示されるように空間の分割の単純な重み付けである。このステップ６は次いで、｛確率密度、領域、ｘ軸の場所、ｙ軸の場所、サブ領域、サブ密度、サブ軸の場所、およびサブｙの場所｝の集合（図１の１８）であるメトリック表現への等高線パターン形状の変換を利用し、かつ、必要に応じて、図１４の１１３〜１１７に記憶することである。

図１の実施形態で行われる１つとして、がん細胞を位置特定することがある。図１７は、顕微鏡によって捕えられ、かつ、ＴＩＦであるデジタル画像ファイルコンテナにおいて位置特定されるがん細胞のソースファイルを表す。図１７の１６１〜１６３は、ｘ−ｙ軸上にグラフ化不可能であるが、強調するように、１６５および１６６にリンクされる多様体コードによって分類、フィードバック、統計適応プロセスにおいて使用可能である点の集合を、環境から識別しかつ取り去るために使用される。図１および図８〜図１６によって、１６５および１６６における略図であるが、単なる略図よりは詳細に作成され、２つの多様体が厳密な形状で再形成されるが、画像（１６１）から取り去られた半分より完全な形で発見される正に対象のものに細胞をより明確にリンクさせる元の一部を選定する。この多様体を充填することによって、がんの厳密なタイプの統計的表現の密度が非常に詳細になり、従って、ＧＭＭ、機械学習、デシジョンツリー、および適応フィードバックシステムの主な実施形態のアルゴリズムを使用するアルゴリズムを追跡する際に使用可能である。この解析は、図１および図８〜図１６の上記のプロセスおよびＬＣＩＳを使用する実際の実装形態である。

別の実施形態は、通信信号システム、保安通信システム、電磁波受信システム、および暗号化システムなどにおいて一般的な信号波形解析を行うことである。図１は、雑音内の信号が検出されることを示すために図１８において使用される。図１８には示されないが、図８〜図１６を通して実行される、図１の１８によって、雑音エンベロープが完全に記述されたのも分かる。１７１における信号の周りはより明るい色調になっている。図１の１８におけるプロセスは、ＧＭＭ解析において使用するための多様体を作成後、デシジョンツリーによって分類されるようにすることである。デシジョンツリーは、図１６の１４５〜１５５において作成されかつ実証される、図１のそれぞれの多様体の充填から判断された平均および分散のガウス混合からビルドされる。これに起因して、ピークにおける複数のパターン、および、背景の雑音における単一の多様体パターンがあり、すなわち、検出されたのが分かり、等高線パターン発見に対する適応はここで生じた（図１０の６４および図１１）。基本的に、ＧＭＭは、図１の１８においてもたらされた充填の密度算出を使用して、多様体がｘ軸および／またはｙ軸でのガウス分布によって分布したデータを有するかどうかを判断する。学習から判断される次のステップは、実のところトレーニング集合における対象の等高線パターンである多様体が他に作成されているかどうかについてである。そうでない場合、プロセスは停止し、ある場合、多様体パターンに適応し続ける（または、多様体パターンの計数が代替的に使用されることになる（図５および図１８））。それとは関係なく、これらのアクションを使用して、図１の１２〜１５の決定における閾値を変更し、過去のデータに対してトレーニングが行われる学習型等高線識別システムによる直接的な結果となり（図１０）、また、フィードバックプロセス（図１１）によって判断される（すなわち、図１の複数の反復を通して閾値を変更する分類に関係している適応プロセス）。

これらの図によって説明されるプロセスの多くの応用が使用されているが、結果は全体的にメトリックであり、ソースから取り去られるため、これらの図において使用される際にその使用のいずれにおいても図１のプロセスに対して変更する必要はない。実際、これは、特に、ＬＣＩＳ、統計解析、フィードバック、および図１の多様体作成プロセスを使用している分類システムプロセスをそのように使用することである。この特定のプロセス（図１の１８）は、図１における１８での多様体のメトリック発見をうまく使用することによって、単位１の画素の厚さの線を位置特定するためにも使用可能であることを証明する。

図７の３０における熱画像は、放射データフォーマットとしての画像を記憶したハードウェアデバイスによって捕捉された放射パターンを示す。図７の３２は、統計解析、フィードバック、分類、および、図１４の等高線パターンメトリックの再処理は毎回、図１および図８〜図１６の反復によってもたらされ、低減させた１９２００の可能な点集合メトリックは、厳密には真の対象のパターンである等高線を示す４０４４の点集合メトリックに未連結であることを示す。次いで、密度値および領域のフィードバック、分類、および統計解析処理を通して、図８および図１３のＬＣＩＳが図７における３３の画像を作成した。３３におけるこの画像は、図１３の１０１のアプリケーションモジュールＬＣＩＳによって、図１３の表示デバイス１１０によって出力されたデータ点の１つの多様体ストリームである。分類システムに対して、この最終多様体の密度は、取り出されたデータセットから記憶される（図１４における１１１は、１３における１０１のユーザにとって必要なファイルフォーマットとして記憶される）。ここで、機械学習が、この最終結果に割り当てられる、密度、領域、およびｘ、ｙ軸場所を利用可能であるだけでなく、図７の３２におけるそのサブレベルの多様体を利用することができる。この結果は、チェーンの完全な指紋生成である。ユーザが望む場合、フィードバック／分類プロセスにおいて多様体のそれぞれの反復における、３３に対する多くのレベルのサブ密度値は、記憶され、かつ画像のこの最終多様体表現にリンク可能である。ツリー分類システムが使用される場合、Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅアルゴリズムにおけるジニ指数のような手順は、等高線パターンメトリック自体の実際の確立分布の値と完全に置き換え可能である。図７はこの能力の一例である。

たった今説明されたプロセスのシステムは、コンポーネントの背景で開始する。図８および図１３のＬＣＩＳがここで論述される。

学習は、プロセスが機械言語コード化アルゴリズム（図１０の５５〜７２）を実行する単一のまたは複数の反復である、学習技法をもたらす統計的方法を使用するプロセスである。本明細書に記載されるようなシステム（図８および図１３）として、学習型オブジェクト識別システム（ＬＯＩＳ）があり、ここで、これらのコード化アルゴリズムは、トレーニング集合（図１０の５６）と呼ばれる過去のイベントのデータセット（図８の３９）を記憶したメモリから情報を入手し、この情報から傾向およびパターンを学習し（図１０の６５〜７２）、次いで、一般にテストデータと呼ばれる、新しいデータセットの出力（図１１の７４）を終了させるために学習されたことを適用するプロセスである。ＬＯＩＳの最終プロセスの前のステップは、一般に、トレーニング集合から学習された傾向をデータに適用することによって、未知のイベント（図１１の８８）またはテストデータのオブジェクトを識別することである。ＬＯＩＳの最終プロセスは、結果を分類し、メモリに記憶し、および表示することであり、つまり、その結果をある対象のオブジェクトとしてラベリングすることである。このようなシステムを説明するために使用される一般的な用語は、機械学習および人工知能研究を対象とする分野に包含されるものである。

ＬＯＩＳシステムは一般に、５つのコンポーネント、およびそのファームウェアまたはシステムソフトウェア（図８の項目３４〜３９）から成る。プロセッサは、システムのデータパスを使用してメモリから命令およびデータを入手する。入力ブロックはデータをメモリに書き込み、出力ブロックは、表示、または別のＬＯＩＳによるさらなる解析を目的としてデータをメモリから読み出す。制御ブロック（３４）は、データパス（３５）、メモリ、入力ブロック３７、および出力ブロック３８の動作を判断する信号を送る。制御部は次いで、データをメモリおよび表示デバイス（図１３の１１０）に送り返す。プロセッサはコントローラを含有し、メモリに対するデータパスを有する。システムはバイナリ機械言語プログラムプロセスによって制御され、このプロセスは、アセンブリ言語プログラムと呼ばれるより高レベルに、または、さらにまた、ユーザにとって使いやすく、アプリケーション開発がしやすい高レベルの言語に変換可能である。全ての場合において、コード化は、システムを、同ＬＯＩＳシステムの並列または直列バージョンと一致させて機能させるプロセスである。これは、それぞれがハードウェアコンポーネント（図１３の１００〜１１０）の全く同じ集合を有する他のシステムのブロックを含有することができ、それぞれが、異なるアクション、または、上記システムに直列にまたは並列に設計可能である他のブロックの１つまたは多くに利益をもたらすように一致させたプロセスを行うことを暗示する。これは、本明細書では、システムのグループ化、または、コントローラ、メモリ、入力および出力、ならびにデータパスの独自の基本類別を有する独立したプロセスのグループ化として定義される。

一般に、入力データフォーマットの変更は、システムのプロセッサにおいて生じ、システムにおける別のプロセッサを制御する目的で行われる。これは、システム間の内部動作のシーケンスが、図１２および図１４の１０６および１１１のデータに対してトレーニングが行われる（データの表示はオプション）場合に記憶するために、または、データのテストがＬＯＩＳで行われる場合に記憶および表示するために最終出力を提供するように行われる。同じ初期入力へのＬＯＩＳの外部のトランスレーションは、同じ構成、または全体的により簡易である構成の別のシステムの取り付けによって行われることが考えられ、すなわち、メモリは必要ではない場合がある。データの転送は、処理されたデータのデータ値からビットへのトランスレーションを介して行われる。これらのデータフォーマットの変更は、結果として、ファームウェア機械コードの特有のシーケンス、プロセッサ用の機械コードに変えられたより高レベルの言語アプリケーションソフトウェア、または、命令の特有の出力を生じさせるように組み合わせられる、ＡＮＤゲート面およびＯＲゲート面の集合を有するプログラマブルロジックアレイ（ＰＬＡ）などの電子コンポーネントのハードウェアアレイが生じる可能性がある。ハードウェアは、ブール関数またはプロセスを実装するために使用されるチップとすることができる。反復を再処理する方法を必要とする設計に使用される現実の複雑なＬＯＩＳシステム、または単に複数のＬＯＩＳシステムは、非常に洗練されたコンピュータシステムを設計する技法である層または抽象化と呼ばれる。

ＬＯＩＳシステム用の典型的なデータセットは、画素強度を含有するデータセットから成り、この場合、それぞれの強度は、画素場所を特定した軸のメトリック、および軸識別子がより高い次元を有することができる色強度値を有する。メトリックという用語は、データをキャプチャするために使用されるデバイスの物理的性質を生じさせたデータセットの変化を定義するための測定の標準である。

ＬＯＩＳシステムのメモリは、プロセッサ内とすることができ（図８、または図１３の１０６および１０９において示されるように）、ある移植可能な媒体に記憶可能である、またはプロセッサから独立しているがＬＯＩＳシステムに搭載可能である。データへのアクセスはデータパス（３５）によって行われる。メモリは、電源が取り去られる時に記憶される情報が失われる揮発性か、磁気記憶デバイスといった電力損失の影響を受けない不揮発性メモリであってよい。

コンポーネントと他のシステムとの間の通信は、図８のデータパスのバス３７および３８によって、および図１３に示されるように行われてよい。バイナリビットのシーケンスは、これらのパスを進んで、ＬＯＩＳにデータおよび命令を与える。データが適正なフォーマットでない場合、システムはまた、その入力を、機械コードによって読み取り可能なビットの必要なシーケンスに変えるためのアクションを行うことができる。

コンピュータワードは、ワードを２進数として表すことができるビットから構成される。ＬＯＩＳはこの能力を利用することで、数字によって表される入力、演算アルゴリズム、および命令集合に関するアルゴリズムに従うハードウェアを含むことができる。ビットワードによって機能するハードウェアのユニットは、演算論理装置またはＡＬＵである。これは、ＬＯＩＳの学習フェーズにおいて一般的な数学的処理を行う算術／論理命令によって動作する。

本明細書の文脈における典型的なアルゴリズムは、ルールベースのアルゴリズムまたはブラックボックス化アルゴリズムである（図１３における１０７）。ルールベースのアルゴリズムは、結果は記録される決定のシーケンスまたはハードウェアからの別のプロセスである、デシジョンツリーなどの機械コード化プロセスである。ブラックボックスアルゴリズムは、結果がニューラルネットワークなど、ユーザから隠されるアルゴリズムである。

ハードウェアおよびソフトウェア間のインターフェースは、典型的には、プログラムカウンタおよびレジスタと共に、ページテーブル実装形態である。別のＬＯＩＳシステムがプロセッサを使用する必要がある場合、状態は保存されなければならない（図１４の１１２および１１８）。状態をリストア後、プログラムは、オフになったところから継続することができる。この状態の保存によって、ＬＯＩＳはデータをブロックにおいて保存することができる。これによって、このプログラムのＬＯＩＳは一続きの読み取りで取り出される１つの場所におけるプロセスをグループ化することができる。例えば、データのグループ化が長さに関わらずオブジェクトの１定義として共に保持されることを必要とする場合、状態を保存することによって行うことが可能である。また、状態が保存されており、ここでプロセスシーケンスに入れられていたことが分かっているため、この性質の領域にアペンドすることができる。従って、プロセスのアドレス空間、ひいてはメモリにおいてアクセスできるデータの全ては、そのページテーブルによって定義され、これは、メモリに常駐する。ページテーブル全体を保存するのではなく、ファームウェアオペレーティングシステムは、単にページテーブルレジスタをロードして、アクティブにしたいプロセスのページテーブルを示すようにする。図１４によって説明されるようないわゆる１つのエンクロージャの一例は、ｘ、ｙ軸においてある円を定義する点のベクトルまたはマトリクス集合である。プロセスでは、状態を保存し、メモリへのデータの書き込みを開始し、プロセスを継続し、戻り、ｘ、ｙ軸データセットの行および列の合計の保存を開始し、プロセスを継続し、戻り、次いで、ｘ、ｙ軸データセットの行および列の合計の統計値の保存を開始するなどを行うことになる。ここで、状態が保存される場合、テーブルはｘ、ｙ点の行および列合計と呼ぶことができ、統計値は、シーケンスが読み取られた後に動的長さで設定される１データとして定義可能であることを意味する１つのシーケンスとして読み取り可能である。このシステムの場合、データのシーケンスは多様体である。ここで、シーケンスはｘ−ｙ軸点の合計の同シーケンスの別の集合とすることができ、統計値は、メモリが割り当て可能ある限り任意の記憶シーケンスが任意の長さを有することができることを意味することは重要である。これは、分類器が、学習アルゴリズムの必要性にとって必要な、または、記憶されるそのデータセット、またはその解析されたデータおよび記憶されるデータの扱いを分類することを目的とした任意のサイズのシーケンスを引き出すことができる。

上記の趣旨に基づき、図１〜図１９は本発明のプロセスを説明するために使用される。

Claims (55)

1. 少なくとも１つの学習型等高線識別システム内で、等高線マップ内の等高線グループを識別するためのコンピュータ実施方法であって、
   等高線メトリックのデジタルデータファイルフォーマットに当該方法で変換される、複数の取得データを受信するための、少なくとも１つの学習型等高線識別システムを準備するステップと、
   当該方法の前記コンピュータステッププロセスの少なくとも１つのストレージ位置、および前記システムの複数のストレージメモリ位置、および複数のマトリクスメモリ位置への通信リンクを用いて、少なくとも１つのＣＰＵで処理可能なコンピュータ情報である、当該方法で呼び出されるとともにメトリック変換されるデータを処理するための少なくとも１つの学習型等高線識別システムを準備するステップと、
   当該方法のコンピュータ通信リンクを介して当該方法で手続き的に呼び出される、複数の取得データを処理するために、当該方法の複数のストレージ位置からデータを読み取りおよび書き込みするための少なくとも１つの学習型等高線識別システムを準備するステップであって、前記取得データからマトリクスメトリックを展開するステップと、
   少なくとも１つの学習型等高線識別システムで、反復的に読み取りおよび処理されるためのデータインスタンスのトレーニングケース、または前記システムの同じ目的で少なくとも１つのトレーニングケースがシステムで読み取り可能な複数のフォーマットされた情報技術データタイプに変換されるためのデータインスタンスのトレーニングケース、を提供するステップと、
   前記トレーニングケースのうちの少なくとも１つの等高線を少なくとも１つの等高線マップに変換するステップであって、変換されるマッピングのそれぞれの等高線は、少なくとも１つのトレーニング等高線パターンメトリック集合を有し、該集合のそれぞれは、記憶される時に全体的に２つのメモリアドレス間で定義され、それぞれの等高線によって、等高線パターンメトリック集合は、複数のラベル集合、複数の座標点集合、複数の統計的結果点集合、複数の算出済み結果点集合、複数のメトリック命令コード集合、ならびに、複数の等高線のグループ化および同等高線のサブパターンメトリック集合のマッピングのうちの少なくとも１つを含有するトレーニング等高線パターンメトリック、ステップと、
   各等高線の各メトリックを個々にアドレスされたメモリ位置に保存するとともにラベル付けするステップであって、メモリへの追加および削除が必要と判断されることは、少なくとも１つの学習型等高線識別システムのパターン識別プロセスによって管理される、ステップと、
   保存されたトレーニング等高線パターンメトリック集合の有限全体集合の一部分をメモリから反復的に取得するステップであって、学習対象である命令コード集合を分類器に送り、学習済み命令集合シーケンスとしてラベリングし、コンフュージョンマトリクスを記憶する、ステップと、
   反復的に読み取りおよび処理されるためのデータインスタンスのテストケース、または前記システムの同じ目的で少なくとも１つのテストケースがシステムで読み取り可能な複数のフォーマットされた情報技術データタイプに変換されるためのデータインスタンスのテストケース、を提供するステップと、
   前記テストケースのうちの少なくとも１つを少なくとも１つの等高線の少なくとも１つの等高線マップに変換するステップであって、前記マップの各等高線は、さらに、少なくとも１つのトレーニング等高線パターンメトリック集合またはマニホールドを有するように変換され、各等高線では、等高線パターンメトリック集合は、複数のラベル集合、複数の座標点集合、複数の統計結果点集合、複数の計算結果点集合、当該方法でマトリクスメトリックを変換する複数の命令コードセット、複数のマニホールドグループ化された等高線メトリックおよびマップ化されたメトリックならびに該メトリックのサブパターンメトリック集合および該メトリックのマトリクス、のうちの少なくとも１つを含む、ステップと、
   各等高線の各メトリックを個々にアドレスされたメモリ位置に保存するとともにラベル付けするステップであって、メモリへの追加および削除が必要と判断されることは、少なくとも１つの学習型等高線識別システムのパターン識別プロセスによって管理される、ステップと、
   少なくとも１つのマッチした等高線パターンメトリック集合を関心のあるデータアイテムグループとしてラベル付けするとともに、パフォーマンスをコンフュージョンマトリクスのパフォーマンスと比較して、テスト変換またはトレーニング変換またはその両方において等高線数を増減させることによりトレーニングとテストを繰り返し、トレーニングのコンフュージョンマトリクスのパフォーマンス読み取り値に基づいて最大成功率が達成されたときに、等高線の増加の反復を停止する、ステップと、
   前記分類器のテスト等高線パターンの識別を表示インタフェースに出力するとともに、前記コンフュージョンマトリクスからの該分類についての成功読み取り値を、ユーザによる出力の理解に関係した他の情報と共に出力する、ステップと、を含む方法。
2. 前記ケースのデータインスタンスは、
   少なくとも１つの学習型等高線識別システムで読み取り可能な、当該産業界で周知の少なくとも１つのデータタイプフォーマットで提供されるデータと、
   少なくとも１つの学習型等高線識別システムによって変更されるラベルと、
   少なくとも１つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットの組み合わせに変換されるインスタンス値と、を含む、請求項１に記載の方法。
3. 前記ラベルは、少なくとも１つの学習型等高線識別システムに対する等高線メトリック集合識別のための手段を含み、これにより、１つ以上の学習型等高線トレーニングシステムによって決定される未知の識別子のラベルは、ブランク、ヌル、または未知のラベルと同じ意味のもの、である、請求項２に記載の方法。
4. 前記ラベルは、
   少なくとも１つの学習型等高線識別システム内でのオンタイム処理において、関心のある等高線およびそのメトリックを識別する、分析可能なストレージ情報を割り当てるための手段と、
   その同じ等高線メトリックによって、関心のある新たな等高線パターンを識別するとともに、変更されたすべてのラベル識別子のメモリストレージ位置に対して必要なものとして、メモリにおいて変更に対応するために、少なくとも１つの学習型等高線識別システムによってラベル識別子を変更可能にするための手段と、を含む、請求項２に記載の方法。
5. コンピュータで読み取り可能なデータタイプは、
   バイナリフォーマットデータを、前記学習型等高線識別システムで読み取り可能なデータタイプフォーマットに変換するため、および、
   フォーマットされた機械コードを、前記システムインタフェースを介して前記命令を実行するために少なくとも１つの学習型等高線識別システムで読み取り可能と判断される可読コードに変換するため、の手段を含む、請求項２に記載の方法。
6. データタイプフォーマットは、
   少なくとも１つの学習型等高線識別システムで読み取り可能な数値フォーマットの１つへの、非数値フォーマットのデータインスタンスのケース変換、
   少なくとも１つの学習型等高線識別システムで読み取り可能な非圧縮データタイプフォーマットへの、圧縮フォーマットのデータインスタンスのケース変換、
   少なくとも１つの学習型等高線識別システムで読み取り可能な圧縮データタイプフォーマットへの、非圧縮フォーマットのデータインスタンスのケース変換、
   アナログデータタイプフォーマットから、少なくとも１つの学習型等高線識別システムで読み取り可能なデジタルデータタイプフォーマットへのケース変換、
   デジタルデータタイプフォーマットから、少なくとも１つの学習型等高線識別システムで読み取り可能なアナログデータタイプフォーマットへのケース変換、
   物理的記録媒体ストレージおよびストレージ記録フォーマットに特有のデータタイプを含むアナログデータタイプフォーマットから、受信装置および送信装置のデータタイプへのケース変換、
   物理的記録媒体ストレージおよびストレージ記録フォーマットに特有のデータタイプを含むデジタルデータタイプフォーマットから、受信装置および送信装置のデータタイプへのケース変換、
   少なくとも１つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットへの、電気的に生成された信号データタイプフォーマットのケース変換、
   少なくとも１つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットへの、リアルタイム通信チャネルデータタイプフォーマットのケース変換、のうちの少なくとも１つのための手段と、
   プリミティブおよび非プリミティブデータタイプのシステム初期化、ならびに少なくとも１つの学習型等高線識別システムの処理要件として必要な開始および終了プロシージャ初期化、のための手段と、を含む、請求項２に記載の方法。
7. アナログデータタイプは、少なくとも１つの学習型等高線識別システムによって様々な振幅のパルス電気データタイプに変換されるとともに、少なくとも１つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットで保存される、可読送受信電気信号データタイプを含む、請求項６に記載の方法。
8. デジタルデータタイプフォーマットは、少なくとも１つの学習型等高線識別システムによって各ビットが２つの異なる振幅を表すバイナリデータタイプフォーマットに変換されるとともに、少なくとも１つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットで保存される、可読送受信電気信号データタイプを含む、請求項６に記載の方法。
9. 少なくとも１つの学習型等高線識別システムによる可読ケースフォーマットへのケース変換は、
   前記学習型等高線識別システムがケースを等高線の複数の等高線マップに変換するための手段であって、このとき、等高線パターンメトリック集合は、前記学習型等高線識別システムがケースの内容の少なくとも１つの等高線マップを少なくとも１つの学習型等高線識別システムのためのデータインスタンスのソースとして処理するための手段を含む、手段と、
   少なくとも１つの学習型等高線識別システムが、少なくとも１つの学習型等高線識別システムによって管理および変更される複数のグループに変換されるすべての等高線にラベル付けするケース名を維持するための手段と、を含む、請求項２に記載の方法。
10. 前記等高線マップは、少なくとも１つのプロセスを含み、これにより、少なくとも１つの学習型等高線識別システムによって複数の等高線に変換される、ケースの前記等高線マップの等高線パターンメトリック集合は、当該方法の学習確率最大化プロシージャステップで必要なものとして検出される可能性を変化させる目的で、前記学習型等高線識別システム内で等高線境界が変形されるとともにメトリックが再計算されたときに、少なくとも１つの等高線境界の等高線領域の計算結果点集合が変化しない、請求項９に記載の方法。
11. 少なくとも１つの学習型等高線識別システムで読み取り可能なものは、
    ゼロよりも大きい座標空間次元で表される変換済みケースデータタイプフォーマット、
    ２よりも大きい次元空間の座標系で表される座標点集合のセットの変換済みケースデータタイプフォーマット、のうちの少なくとも１つを含む、請求項９に記載の方法。
12. 前記等高線マップは、
    前記学習型等高線識別システムがデータインスタンスを処理して複数の等高線メトリックにするための手段であって、等高線マップ化プロセスによって決定されるメトリックの重要要素を残して保存し、不要なメトリックは処理から分離して、少なくとも１つの学習型等高線識別システムによって保存する、手段を含み、
    等高線の前記マップはオプションでスケーリングされ、このとき、前記等高線の距離および方向は、少なくとも１つの学習型等高線識別システムのプロセス決定による変更を受ける一方、前記等高線マップ内の点の間の関係は、少なくとも１つの学習型等高線識別システムによって維持される、請求項９に記載の方法。
13. 前記学習型等高線識別システムは、前記変換プロセスによって決定される無関係な情報を、追加の等高線メトリックとして、少なくとも１つの学習型等高線識別システムによって保存するための手段を備える、請求項１２に記載の方法。
14. 少なくとも１つの学習型等高線識別システムは、
    少なくとも１つのケースの等高線点集合マップから、等高線を記述する処理済みデータ点集合の等高線、および等高線点集合マニホールドグループの個々の処理済みセットの等高線、を分類するための手段と、
    ユーザとシステムプロセスの両方によって、かつ少なくとも１つの学習型等高線識別システムのインタフェースを介して決定された関心のあるアイテムのデータ点集合の、複数の等高線および複数の等高線マニホールドグループの分類からの、等高線パターン出力を識別およびラベル付けするための手段と、を備える、請求項１に記載の方法。
15. 少なくとも１つの学習型等高線識別システムは、少なくとも１つの学習型等高線識別システムによってケースを可読データに変換するための手段を備える、請求項１に記載の方法。
16. 前記学習型等高線識別システムは、学習型等高線識別システムを組み合わせる少なくとも１つのプロセスを備える、請求項１に記載の方法。
17. 前記学習型等高線識別システムは、学習型等高線識別システムのサブセットを含む、請求項１６に記載の方法。
18. マップ化は、ケース変換およびデータ変換の機械プロセスを含む、請求項１に記載の方法。
19. 少なくとも１つの学習型等高線識別システムで処理される複数の変換は、
    前記学習型等高線識別システム内での等高線およびそれらのメトリックの、変換のための手段、
    反転のための手段、
    回転のための手段、
    拡張のための手段、のうちの少なくとも１つを含む、請求項１８に記載の方法。
20. 変換することは、データ変換のスーパーセットの少なくとも１つの処理を含む、請求項１８に記載の方法。
21. ケース変換は、データソーススキーマのレコードおよびフィールドと、少なくとも１つの学習型等高線識別システムによって生成されるとともに等高線識別システム内に保存される目的スキーマにおけるレコードおよびフィールドと、の間の対応を作成する少なくとも１つのプロセスを含む、請求項１９に記載の方法。
22. ケース変換は、前記等高線識別システム内でデータインスタンスメッセージのフォーマットを変更する少なくとも１つのプロセスを含む、請求項２０に記載の方法。
23. 等高線マップは、前記ユーザが使用可能かつ前記学習型オブジェクト識別システムが計算的にアクセス可能に維持される、ケースのオブジェクト識別可能情報の等高線集合を含み、該システムによって決定される不要な詳細は削除されるとともに、残りのデータおよび削除されたデータはメモリに保存される、請求項１に記載の方法。
24. 当該方法がアクセスする、複数の等高線または等高線グループのデータ点集合のマップ化は、
    等高線識別システムの少なくとも１つの学習ステップによる、前記複数の等高線点集合の境界制限に関する処理、
    等高線識別システムの少なくとも１つの学習ステップによる、前記複数の等高線点集合の、複数の他の点集合等高線からの距離に関する処理、
    等高線識別システムの少なくとも１つの学習ステップによる、前記複数の等高線点集合の方向、ならびに複数の他の点集合等高線および他の少なくとも１つの固定点または点集合に対する複数の点集合等高線位置に関する処理、
    等高線識別システムの少なくとも１つの学習ステップによる、複数の等高線を記述する、等高線点集合間または点集合の関係メトリックの処理、のうちの複数の処理と、
    等高線識別システムの少なくとも１つの学習ステップによる、当該方法の複数の変換済みデータの前記複数の処理ステップの結果の複数のメモリ保存と、を含む、請求項２３に記載の方法。
25. ケースの前記等高線マップ内の等高線は、該学習型等高線識別システムおよび該システムインタフェースによって発見される関心のあるパターンを記述するデータインスタンスのアイテムを結合する複数の等高線メトリックに変換される、請求項１に記載の方法。
26. ディスプレイならびにコンピュータ高水準言語で開発されたユーザソフトウェアアプリケーションならびに当該方法で必要な入力装置および出力装置によって、学習型等高線識別にインタフェースされる学習型等高線識別システム反復およびユーザ評価のためのオブジェクトとして、パターン識別およびパターンのラベル付けを用いるために、前記複数の等高線から、等高線メトリックのトレーニングケースのコレクションから決定することができる関心のあるデータインスタンスのいずれかのパターンの組み合わせを決定することを目的とするとともに、メトリックに作用するトレーニングプロセッサ機械命令の出力による、他の等高線メトリックの前記テストを目的として、各メトリックを生成するための手段を含む、請求項２５に記載の方法。
27. 複数の等高線変換は、
    関心のあるデータインスタンスのアイテムを前記学習型等高線識別システムに結合した等高線メトリックを、これらの分類を少なくとも１つの学習型等高線識別システムによって処理される決定情報のためにグループ化した特徴付け手段として、生成するための手段と、
    マップの単独等高線のすべてのメトリックのメモリ保存用としてプロセッサが決定するストレージ位置であって、即時処理に使用される揮発性メモリならびに変換済み等高線およびそれらのメトリックの移植性のために使用される不揮発性メモリの、２つの動的に調整可能なメモリアドレスの間にあるストレージ位置と、を含む、請求項２６に記載の方法。
28. メトリックの各等高線の不揮発性メモリ位置は、
    ラベルの位置、
    該等高線のポイントツーポイント値の位置、
    フィラー総和データの位置、
    統計のための位置、
    統計、フィラー、ポイントツーポイントメトリック値の複数の数学的操作のための位置、
    すべてのオプションの複数の等高線組み合わせのための位置、のうちの少なくとも１つを含む、請求項２７に記載の方法。
29. 数学的計算は、単独等高線メトリック内に認められるとともに学習型等高線識別システム内で処理されたメトリック値の関数のプロセスである、請求項２８に記載の方法。
30. 一連の複数の文字、一連の複数の数字、または両方の組み合わせによって記述される、前記等高線マップの単独等高線の、動的サイズのコンピュータメモリアドレス位置によって定義される不揮発性メモリ位置は、
    ラベル識別子メトリック、
    複数の等高線フィラーメトリック、
    複数の統計メトリック、
    複数の数学的処理されたメトリック、および、
    類似の構造の等高線メトリックの複数のグループ、で構成される複数の等高線識別子列である、請求項２８に記載の方法。
31. 前記複数の統計メトリックは、複数のガウス混合モデルで記述される統計で構成される、請求項３０に記載の方法。
32. 前記フィラーは、ポイントツーポイントメトリックが定義する等高線境界内に配置された行と列の全体を合算した加重総和であり、フィラー総和は、データケースからの該等高線マップの該等高線の総和メトリックとして保存される、請求項３０に記載の方法。
33. トレーニングケースは、２つ以上のケースのセットを含み、各ケースは、等高線メトリックに変換される少なくとも１つの等高線で構成される、請求項１に記載の方法。
34. 各メトリックは、少なくとも１つの学習型等高線識別システムに供給されるケースの各等高線マップの１つの等高線を定義するメモリアドレスのブロック内に、独自のラベル識別子を有することができる、請求項１に記載の方法。
35. １つのケースの等高線メトリックを、等高線の独自の等高線マップからの独自の等高線メトリックに変換された他のケースと組み合わせて用いることができる、請求項１に記載の方法。
36. テストケースは、少なくとも１つのケースを含む、請求項１に記載の方法。
37. 少なくとも１つの学習型等高線識別システムとして動作するように設計された任意のコンピュータシステムおよびそのアプリケーションソフトウェアに学習型等高線識別システムを移植可能にすることを可能とするため、および、前記等高線メトリックを、当該方法の内部でステップ処理される学習型等高線データ処理システムの通信チャネルを介して不揮発性メモリに保存することにより、等高線の等高線メトリックを生成した学習型等高線識別システムの外部で使用可能にするために、コンピュータハードウェアシステムにおいて前記最上位の学習型コントロール識別システムをシミュレートするために実行される、より高水準言語の機械コード命令セットによって、すべてのプロセス、インタフェース、および学習型等高線識別システムを制御することができる、請求項１に記載の方法。
38. 前記等高線は、
    高水準命令コードセット内の複数の数学的計算の結果としての数値インスタンスのケース等高線マップの前記等高線と、
    学習型等高線識別システムによって使用される高水準命令コードセットから低水準マイクロコードまでによって制御される少なくとも１つの学習型等高線識別システムに、ハードウェアインタフェースを介して付属させた、アプリケーションモジュールと、を含む、請求項１に記載の方法。
39. 前記等高線のメトリックまたはマニホールドは、前記メトリック集合の内容の符号化手段としてのシステムが、少なくとも１次元サイズの処理の少なくとも１つの単独実行状態内または状態の少なくとも１つの入れ子集合内で、前記識別子から該メトリックを呼び出すとともに、少なくとも１次元サイズの変換済みケースの少なくとも１つの他の等高線グループメトリックまたはマニホールドから他のメトリックを呼び出すことを可能とするために、そのメトリック記述子内に、少なくとも１つのシステムストレージ位置処理記述子を含む、請求項１に記載の方法。
40. 前記等高線メトリックは、単独等高線のラベルメトリックおよびポイントツーポイント表現の最小値を含む、請求項１に記載の方法。
41. 前記等高線のメトリックは、
    数値の次元集合を有するラベルメトリックを有する単独等高線、
    文字列を有するラベルメトリックを有する単独等高線、
    実数メトリックを有する単独等高線、
    記号メトリックを有する単独等高線、
    複数の横座標保存値および縦座標保存値を有するメトリックを有する単独等高線、
    ベクトル空間の次元のメトリックを有する単独等高線、
    有限次元のメトリックを有する単独等高線、
    そのメモリストレージ位置に複数の動的に変化する要素を有するメトリックを有する単独等高線、
    該等高線が定義されるメモリ空間の開始アドレス位置と終了アドレス位置が動的に変化するメトリックを有する単独等高線、
    その等高線メトリックが２つのメモリアドレスの間で定義されている単独等高線、
    少なくとも１つの学習型等高線識別システムの機械コード処理シーケンスの関数である、その２つのメモリアドレス内でのメトリックストレージ位置のシーケンス順序を有する単独等高線、
    その２つのメモリアドレス内に保存された等高線メトリックが、少なくとも１つの最上位等高線へのメモリリンクを有するとともにゼロよりも大きい次元をそれぞれが有する複数のサブ等高線を含む、単独等高線、マニホールド、またはマニホールドコード、
    少なくとも１つの学習型等高線識別システムによってポイントツーポイント定義される等高線への追加を生成するために、少なくとも１つの学習型等高線識別システムによってデータ点値類似度集合として使用されるデータ点値差のメトリックを有する単独等高線、
    数式の複数の組み合わせのプロセスによって生成されるデータ点値のメトリックを有する単独等高線、
    より高次元の複数の等高線メトリックからのデータ点類似度とみなされるトレーニングケースデータ点値差から等高線メトリックが導出される、少なくとも１つの学習型等高線識別システムの単独の変換済み等高線であって、それらの等高線メトリック集合は、学習型等高線識別システムによって、該単独等高線を記述するために使用される、該集合で定義される複数の等高線の等高線である、元の等高線への追加を形成するために、組み合わせられる、少なくとも１つの学習型等高線識別システムの単独の変換済み等高線、のうちの少なくとも１つを含む、請求項１に記載の方法。
42. 等高線は、
    少なくとも１つの人間、場所、物、品質、または動作のオブジェクトにマッチするユーザ識別可能なパターンとして必ずしも定義されるわけではなく、未知のオブジェクトにマッチする可能性があるパターンであって、それぞれが、少なくとも１次元サイズのデータインスタンスのデータインスタンスの他のオブジェクトからの境界線または結合クロージャで定義される、複数の少なくとも１つのデータインスタンスである、コンピュータが学習および識別するとともにコンピュータでラベル付けされた複数の現象および現象群は、前記学習型識別システムの実行プロセスで決定される等高線ラベルメトリックを有する識別可能な形状構造である、パターンと、
    テストケース等高線のメトリックがマップ化および変換された学習済みテスト等高線メトリック集合を有する、複数の過去ケース等高線メトリックと、を含む、請求項１に記載の方法。
43. 前記等高線はグラフである、請求項１に記載の方法。
44. 前記グラフは、いくつかの独特なポイントツーポイント図による、３つ以上のものの間の接続のシステムを表す図を含む、請求項４３に記載の方法。
45. 等高線は、等高線メトリックに変換されるケースによって定義される座標定義空間の点を結ぶ線のネットワークである、請求項１に記載の方法。
46. ケースは、少なくとも１つの学習型等高線識別システムによって画素強度の次元化画像に変換されるインスタンスの集合を含む、請求項１に記載の方法。
47. ケースは、それぞれの画素が座標系の軸上の位置を有する、有限次元の画素集合の画像を含む、請求項４６に記載の方法。
48. 画素は、幾何学的形状または色を含む、請求項４７に記載の方法。
49. 画素サイズは、複数次元のサイズである、請求項４８に記載の方法。
50. ポイントツーポイントメトリックは、座標軸上の位置点の集合である、請求項１に記載の方法。
51. 点は、座標定義空間内での該点の位置を定義する数値の集合で表される、請求項１に記載の方法。
52. 等高線メトリックに関して処理される前記トレーニングプロセスは、
    表示装置および複数の学習型等高線識別システムに伝達される、少なくとも１つの等高線学習システムのトレーニングモデル出力レポートシステムに対して透過的な、等高線メトリックおよびマニホールドの等高線マトリクス要素の決定および削除を有する、非ルールベースのブラックボックス型である少なくとも１つの学習アルゴリズムおよびその拡張機能の機械コード列と、
    テストケースと共に使用されるルールセットは、少なくとも１つの学習型等高線識別システムによって識別される少なくとも１つのマニホールドまたは等高線パターンを定義し、ルールは、前記学習型等高線識別システムの最終出力として前記分類器に送信される命令セットである、ルールベースの少なくとも１つの学習アルゴリズムと、を含む、請求項１に記載の方法。
53. 前記トレーニングプロセス機械コードは、分類・回帰木学習法を含み、その決定木ルール命令セットは、最終的なパターンラベル付けの出力識別のために分類される前記テストケース等高線メトリックに適用される、請求項５２に記載の方法。
54. 前記トレーニングプロセス機械コードは、等高線メトリックに関するトレーニングのランダムフォレストモデルを実現する機械コード列を含む、請求項５３に記載の方法。
55. 前記分類データ出力を取得する前記ステップは、
    等高線表現の個々の複数の等高線メトリックから、ラベル付けされたパターン出力を生成するために、プロセッサで読み取り可能かつ実行可能な命令言語列を用いて、前記等高線集合メトリックを処理することと、
    命令および等高線表現メトリックを保存する複数のストレージ装置と共に、少なくとも１つの学習型等高線識別システムを備えるシステムであって、学習型等高線識別システムの該システムによって命令が実行されると、該システムの動作によって、等高線表現メトリック集合のデータを取得することを含むオペレーションが実行され、このとき、各メトリックは、個々の多次元表現を有するパターンのグループを表すメトリックのカテゴリであり、前記等高線メトリック集合の多次元表現は、多次元空間にあるパターンの表現である、システムと、を含む、請求項５３に記載の方法。
    

Images