JP6950505B2 - 判別プログラム、判別方法および判別装置 - Google Patents
判別プログラム、判別方法および判別装置 Download PDFInfo
- Publication number
- JP6950505B2 JP6950505B2 JP2017236369A JP2017236369A JP6950505B2 JP 6950505 B2 JP6950505 B2 JP 6950505B2 JP 2017236369 A JP2017236369 A JP 2017236369A JP 2017236369 A JP2017236369 A JP 2017236369A JP 6950505 B2 JP6950505 B2 JP 6950505B2
- Authority
- JP
- Japan
- Prior art keywords
- interval
- data
- time series
- learning
- discrimination
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
図1は、実施例1にかかる判別装置の全体例を説明する図である。図1に示すように、実施例1にかかる判別装置10は、学習データにデータ分析を行った後に、機械学習や深層学習(ディープラーニング(DL)・Deep Learning)などを用いた判別処理(学習処理)を実行して、学習データを事象ごとに正しく判別(分類)できるように、ニューラルネットワーク(NN:Neural Network)などを学習する。その後、学習結果を適用した学習モデルを用いることで、判別対象データの正確な事象(ラベル)の推定を実現する。
図2は、実施例1にかかる判別装置10の機能構成を示す機能ブロック図である。図2に示すように、判別装置10は、通信部11と記憶部12と制御部20を有する。
次に、上述した学習処理について説明する。図8は、学習処理の流れを示すフローチャートである。図8に示す処理が各点過程時系列データについて実行される。図8に示すように、間隔ベクトル生成部21は、点過程時系列データから一定時間の情報を抽出する(S101)。
上述したように、判別装置10は、疑似アトラクタとパーシステントホモロジを用いることで、過去何回かのイベント間隔と次の間隔の関係を示す数値の変化のルールを抽出することができる。また、判別装置10は、ルールを抽出していることからカオスであっても確率的なものであっても同一的に扱うことができる。また、判別装置10は、ベクトル化を行うことで、実際の時間軸とは関係なく、イベント発生の順番のみで表現することでイベント間隔のルールの抽出に十分な情報を得ることができる。また、判別装置10は、ベクトルサイズが一定でなくても扱えるパーシステントホモロジを用いて学習を実行できるので、データを改変する必要がない。
式(2):x(i)=3.9×x(i−1)×(1−x(i−1))
例えば、間隔ベクトルの生成処理や判別処理などは、時間間隔など、特定の条件により区分された区間における「複数のイベント」を対象として処理することができる。
実施例1の学習は、DLに限らずに他の機械学習を採用することができる。また、間隔アトラクタの次元数も任意に設定することができる。なお、学習後に推定対象のデータのラベル推定を行う場合、推定対象のデータに対して、上記間隔ベクトル、間隔アトラクタなどの処理を行って学習モデルに入力する。
また、点過程時系列データから生成された各小過程時系列データについて、バーコードデータおよび連続データを生成して特徴量を抽出して事象判別を実行する例を説明したが、これに限定されるものではない。例えば、点過程時系列データから生成された各小過程時系列データの各特徴量を時系列でまとめた1つの特徴量を用いて事象判別を実行することもできる。すなわち、点過程時系列データから得られる複数の特徴量を用いた事象判別を実行することもできる。
図11は、ハードウェア構成例を説明する図である。図11に示すように、判別装置10は、通信インタフェース10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図11に示した各部は、バス等で相互に接続される。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
11 通信部
12 記憶部
13 学習データDB
14 学習結果DB
20 制御部
21 間隔ベクトル生成部
22 間隔アトラクタ生成部
23 学習部
Claims (6)
- 時系列で発生した複数の事象間の隣接発生間隔それぞれを複数の成分として有する間隔ベクトルを生成し、
前記時系列において所定数の連続した前記間隔ベクトルから、特定の成分を1組の座標とする局所変動点を生成し、
始点となる前記間隔ベクトルが異なる複数の局所変動点に対しパーシステントホモロジ変換を用いることにより、ベッチ系列を生成し、
前記ベッチ系列に基づき、前記複数の事象の種別を判別する
処理をコンピュータに実行させる判別プログラム。 - ディープラーニングを用いて、前記複数の事象の種別を判別し、判別結果にしたがってニューラルネットワークを学習する処理を前記コンピュータに実行させる請求項1に記載の判別プログラム。
- 前記所定数の連続した前記間隔ベクトルから、発生順に、予め指定した指定数分の成分を1成分ずつずらしながら抽出して、各局所変動点を生成する処理を前記コンピュータに実行させる請求項1に記載の判別プログラム。
- 前記指定数の次元空間上の前記各局所変動点の集合である疑似アトラクタを生成し、前記疑似アトラクタに対しパーシステントホモロジ変換を用いることにより、前記間隔ベクトルに対応する前記ベッチ系列を生成する処理を前記コンピュータに実行させる請求項3に記載の判別プログラム。
- 時系列で発生した複数の事象間の隣接発生間隔それぞれを複数の成分として有する間隔ベクトルを生成し、
前記時系列において所定数の連続した前記間隔ベクトルから、特定の成分を1組の座標とする局所変動点を生成し、
始点となる前記間隔ベクトルが異なる複数の局所変動点に対しパーシステントホモロジ変換を用いることにより、ベッチ系列を生成し、
前記ベッチ系列に基づき、前記複数の事象の種別を判別する
処理をコンピュータが実行する判別方法。 - 時系列で発生した複数の事象間の隣接発生間隔それぞれを複数の成分として有する間隔ベクトルを生成する第1生成部と、
前記時系列において所定数の連続した前記間隔ベクトルから、特定の成分を1組の座標とする局所変動点を生成する第2生成部と、
始点となる前記間隔ベクトルが異なる複数の局所変動点に対しパーシステントホモロジ変換を用いることにより、ベッチ系列を生成する第3生成部と、
前記ベッチ系列に基づき、前記複数の事象の種別を判別する判別部と
を有する判別装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017236369A JP6950505B2 (ja) | 2017-12-08 | 2017-12-08 | 判別プログラム、判別方法および判別装置 |
US16/202,577 US11625570B2 (en) | 2017-12-08 | 2018-11-28 | Computer-readable recording medium, determination method, and determination apparatus for classifying time series data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017236369A JP6950505B2 (ja) | 2017-12-08 | 2017-12-08 | 判別プログラム、判別方法および判別装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019105883A JP2019105883A (ja) | 2019-06-27 |
JP6950505B2 true JP6950505B2 (ja) | 2021-10-13 |
Family
ID=66696271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017236369A Active JP6950505B2 (ja) | 2017-12-08 | 2017-12-08 | 判別プログラム、判別方法および判別装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11625570B2 (ja) |
JP (1) | JP6950505B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547140A (zh) * | 2022-01-27 | 2022-05-27 | 青岛海尔科技有限公司 | 行为序列的生成方法及装置、存储介质、电子装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3650572B2 (ja) * | 2000-07-07 | 2005-05-18 | 日本電信電話株式会社 | 時系列データの分類装置 |
US20070036434A1 (en) * | 2005-08-15 | 2007-02-15 | Peter Saveliev | Topology-Based Method of Partition, Analysis, and Simplification of Dynamical Images and its Applications |
JP5463964B2 (ja) * | 2010-03-05 | 2014-04-09 | 三菱電機株式会社 | 作業内容推定装置及び作業内容推定方法 |
JP6241790B2 (ja) | 2014-08-15 | 2017-12-06 | 日本電信電話株式会社 | 生成モデル作成装置、推定装置、それらの方法およびプログラム |
US20160140438A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Hyper-class Augmented and Regularized Deep Learning for Fine-grained Image Classification |
JP6367691B2 (ja) | 2014-11-17 | 2018-08-01 | 日本電信電話株式会社 | 報知音感知・識別装置、報知音感知・識別方法、報知音感知・識別プログラム |
JP6606997B2 (ja) * | 2015-11-25 | 2019-11-20 | 富士通株式会社 | 機械学習プログラム、機械学習方法及び情報処理装置 |
JP2017182129A (ja) * | 2016-03-28 | 2017-10-05 | ソニー株式会社 | 情報処理装置。 |
EP3474742A4 (en) * | 2016-06-24 | 2020-01-08 | Analytics For Life Inc. | NON-INVASIVE METHOD AND SYSTEM FOR MEASURING MYOCARDIAL ISCHEMIA, IDENTIFICATION, LOCATION AND ESTIMATION OF THE FRACTIONAL FLOW RESERVE (FFR) OF A STENOSIS |
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
US10019654B1 (en) * | 2017-06-28 | 2018-07-10 | Accenture Global Solutions Limited | Image object recognition |
-
2017
- 2017-12-08 JP JP2017236369A patent/JP6950505B2/ja active Active
-
2018
- 2018-11-28 US US16/202,577 patent/US11625570B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019105883A (ja) | 2019-06-27 |
US11625570B2 (en) | 2023-04-11 |
US20190180166A1 (en) | 2019-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
JP2020518938A (ja) | ニューラルネットワークを用いたシーケンスデータの分析 | |
Zorriassatine et al. | Using novelty detection to identify abnormalities caused by mean shifts in bivariate processes | |
EP3364157A1 (en) | Method and system of outlier detection in energy metering data | |
CN111814910B (zh) | 异常检测方法、装置、电子设备及存储介质 | |
Sinanović et al. | Toward a theory of information processing | |
JP2013161295A (ja) | ラベル付加装置、ラベル付加方法及びプログラム | |
Lee et al. | Assessing the lifetime performance index of exponential products with step-stress accelerated life-testing data | |
CN112131322B (zh) | 时间序列分类方法及装置 | |
CN113254549A (zh) | 人物关系挖掘模型的训练方法、人物关系挖掘方法及装置 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
JP6954070B2 (ja) | 判別プログラム、判別方法および判別装置 | |
EP3923228B1 (en) | Data analysis method, device and program | |
JP6950505B2 (ja) | 判別プログラム、判別方法および判別装置 | |
CN114626626A (zh) | 一种模型训练方法、装置、存储介质和电子设备 | |
CN117134958B (zh) | 用于网络技术服务的信息处理方法及系统 | |
CN112116028B (zh) | 模型决策解释实现方法、装置及计算机设备 | |
JP6930195B2 (ja) | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 | |
JP7040065B2 (ja) | 検出プログラム、検出方法および検出装置 | |
AU2015204339A1 (en) | Information processing apparatus and information processing program | |
CN113112414A (zh) | 噪声估计方法、噪声估计程序以及噪声估计设备 | |
JP7115247B2 (ja) | 機械学習方法、機械学習プログラムおよび機械学習装置 | |
CN115567224A (zh) | 一种用于检测区块链交易异常的方法及相关产品 | |
JP6144314B2 (ja) | データ分類システム,方法,プログラムおよびその記録媒体 | |
CN111274924A (zh) | 一种掌静脉检测模型建模方法、掌静脉检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200911 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210811 |
|
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: 20210824 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210906 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6950505 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |