JP7546320B2 - ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法及びシステム - Google Patents

ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法及びシステム Download PDF

Info

Publication number
JP7546320B2
JP7546320B2 JP2023504132A JP2023504132A JP7546320B2 JP 7546320 B2 JP7546320 B2 JP 7546320B2 JP 2023504132 A JP2023504132 A JP 2023504132A JP 2023504132 A JP2023504132 A JP 2023504132A JP 7546320 B2 JP7546320 B2 JP 7546320B2
Authority
JP
Japan
Prior art keywords
noise
measurement
sample
test sample
model
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
Application number
JP2023504132A
Other languages
English (en)
Other versions
JPWO2022116508A5 (ja
JP2023535905A (ja
Inventor
イン，ユ
Original Assignee
チェンドゥ パノエイアイ インテリジェント テクノロジー カンパニー，リミテッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by チェンドゥ パノエイアイ インテリジェント テクノロジー カンパニー，リミテッド filed Critical チェンドゥ パノエイアイ インテリジェント テクノロジー カンパニー，リミテッド
Publication of JP2023535905A publication Critical patent/JP2023535905A/ja
Publication of JPWO2022116508A5 publication Critical patent/JPWO2022116508A5/ja
Application granted granted Critical
Publication of JP7546320B2 publication Critical patent/JP7546320B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Image Processing (AREA)

Description

本発明は、信号解析という技術的分野に属し、特にノイズパノラマ分布モデルの取得と認識に基づく信号解析方法及びシステムに関する。
多くの実際な分野の応用及びニーズに対応するために、従来技術には種々なサンプル測定手段が既に存在しており、例えば、生理学的検出分野の心電信号、脳波信号、物質検出分野のスペクトル信号等がある。しかしながら、測定環境、機器精度、及びサンプル自体の属性等の複数の影響に制限され、どのようなサンプル測定手段を選択しても、測定結果は必然的に、信号とノイズとが混在した混合データである。低信号対雑音比の測定結果について、そこから信号を抽出する難度が高く、信号を全面的、効果的に解析し難しくなり、サンプルに対する正確な認知に直接に影響を与える。
上記課題を解決するために、従来技術からは、以下のような２つのノイズ処理の技術的方向が与えられ、即ち、１、サンプル測定段階では、機器精度の向上、測定環境の改善等の措置により、ノイズを制御または抑制し、信号強度がノイズ強度をはるかに上回るようにし、高信号対雑音比の測定結果を取得することと、２、結果解析段階では、数学法を用い、予め想定されたノイズの統計分布に基づいて数学的モデルを構築し、数学的モデルを利用してノイズを除去し、測定結果の全体的な信号対雑音比をさらに向上させることと、である。
上記２種類の方式は、一部の状況でのノイズ問題をある程度に解決できる。しかし、克服し難しい２つの欠陥が常に存在する。
まず、サンプル測定過程において収集された、信号に含まれるノイズは非線形である可能性があり、かなり複雑な形式及び内容を有する可能性もあり、例えば、画像サンプル測定結果について、その異なる位置でのノイズには差異が存在する可能性があり、オーディオサンプル測定結果について、その異なるトラック上、ひいては同じトラック上の異なるタイミングのノイズはいずれも、異なる可能性がある。このような複雑なノイズに直面する場合、従来のエンジニアリング技術における通常な数学ノイズ低減方法は、直接に行われることが難しく、即ち、１つまたは複数の通常の数学的モデルによりノイズ除去案の設計を行うことが難しく、これにより、測定結果の信号対雑音比は、解析レベルを備える程度まで向上することができない。
次に、実際なサンプル測定過程において、高信号対雑音比の測定結果を取得するために、サンプルの測定環境、機器精度等の条件を全面的に最適化する可能性がある。しかし、それでも、サンプル自体の属性及びその他の客観的要素に制限され、測定結果は以下のような属性を有する可能性もあり、１、測定結果における信号は検出されることができ、即ち、信号強度は測定機器の測定可能な下限以上であり、２、信号は極めて微弱であり、その強度がノイズ強度と同じレベルであるか、ひいてはより低いであり、３、信号自体の特徴が十分に複雑である。以上の属性を備える測定結果において、信号は、ノイズにかき消される可能性が極めて高い。通常な数学ノイズ低減方法はこのような測定結果を処理する場合に困難があり、合理的な数学的モデルを確立して測定結果に混在したノイズをシミュレーション、除去することが難しいため、信号とノイズとの剥離が難しくなり、ひいては高価値信号がノイズ除去処理においてノイズと一緒に消去されてしまうことになる。
本発明は、従来技術の超低信号対雑音比条件での複雑な信号を解析し難しいという技術的課題を解決することを意図した、ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法を提供することを主な目的とする。
上記目的を実現するために、本願の技術案は以下のようにする。
ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法であって、
Ｓ１：リッチ条件の測定環境では、参照サンプル及びテストサンプルに対して繰返測定を行い、それぞれ複数の測定結果を得るステップであって、各々の測定結果はいずれも信号、及び異なるノイズプロファイルを含み、リッチ条件とは、外部条件の一致性を保持することを目的としない、ノイズの抑制に関しない、自然で、真実で複雑なノイズ要素を含む測定条件を指すステップと、
Ｓ２：参照サンプル及びテストサンプルの測定結果を処理し、それぞれ参照サンプル及びテストサンプルのトレーニングデータを形成するステップであって、トレーニングデータは、複数のノイズプロファイルからなるノイズパノラマ、または少なくとも一部のノイズパノラマを含むステップと、
Ｓ３：参照サンプル及びテストサンプルのトレーニングデータに基づいて、ノイズの可観測性呈示を収束目標とし、人工知能モデルのトレーニングを行うことにより、モデルが、測定結果から信号及びノイズを認識できるとともに、参照サンプルとテストサンプルとを区分できるようにするステップと、
Ｓ４：認識対象サンプル測定結果を、トレーニングされた人工知能モデルに入力するステップであって、人工知能モデルの出力結果は、該認識対象サンプルの具体的なタイプであるステップと、を含む。
または、ステップＳ１において、参照サンプル及びテストサンプルの毎回の測定の前に、摂動を導入することで、リッチ条件の測定環境を作り出すことにより、ノイズ観測ディメンションを増加し、毎回の測定の測定結果に異なるノイズプロファイルが含まれるようにする。
さらに、前記摂動について、空間摂動、時間摂動、物理摂動、及び環境摂動を選択可能になっているが、これらに限定されず、空間摂動は、測定箇所に軽微な変位を発生させること、測定箇所に軽微な回転を発生させることを含むが、これらに限定されず、時間摂動は、測定時間長を増加すること、測定時間長を短縮すること、及び複数回の測定の間の時間間隔を変更することを含むが、これらに限定されず、物理摂動は、測定の時に測定機器またはサンプルを振動すること、流動サンプルを攪拌することを含むが、これらに限定されず、環境摂動は、測定時の環境温度を変更すること、測定時の環境湿度を変更すること、測定時の電磁界を変更すること、及び測定時の気圧を変更することを含むが、これらに限定されない。
さらに、ステップＳ２において、参照サンプル及びテストサンプルの測定結果を処理し、それぞれ参照サンプル及びテストサンプルのトレーニングデータを形成するステップは、
Ｓ２１、参照サンプル及びテストサンプルの測定結果を正規化処理するステップと、
Ｓ２２、ステップＳ２１の正規化結果に基づいて、事後確率のモデルフレームワークを確立するステップと、を含み、
参照サンプル及びテストサンプルの測定結果は、ステップＳ２１～２２で処理されたあと、それぞれ要求を満たすトレーニングデータを形成し、後続の人工知能モデルのトレーニングに用いられる。
参照サンプル及びテストサンプルの測定結果がトレーニングデータを形成する過程において、異なるノイズプロファイルはノイズパノラマ、または少なくとも一部のノイズパノラマを構成し、同時に、２種類のサンプルの全体的な測定結果、及び測定結果における信号はいずれも、それぞれに安定した統計特性を呈示することになり、ノイズが呈示する統計分布モードも、ノイズパノラマの構築に伴って安定の方へ向かう。
ステップＳ３において、人工知能モデルについて、人工ニューラルネットワーク、パーセプトロン、サポートベクターマシン、ベイズ分類器、ベイジアンネットワーク、ランダムフォレストモデル、またはクラスタリングモデルを選択可能になっているが、これらに限定されない。
ステップＳ３において、人工知能モデルのトレーニング過程において、モデルは反復の方式で、トレーニングデータに内包された、信号及びノイズの認識を実現可能な特徴、及び参照サンプルとテストサンプルとの区分を実現可能な特徴に対して、大量な経験的な学習、帰納、収束を行い、特徴とプリセットタグとの間の関連を学習する。
具体的には、信号の認識を実現可能な特徴は、複数の測定結果が処理された後に呈示された、信号真実数学的統計法則を満たす統計分布モードを含み、ノイズの認識を実現可能な特徴は、多様化のノイズプロファイルによって構築されたノイズパノラマ、または少なくとも一部のノイズパノラマが呈示する、ノイズ真実数学的統計法則に近接する統計分布モードを含み、参照サンプルとテストサンプルとの区分を実現可能な特徴は、参照サンプル及びテストサンプルの複数の測定結果が処理された後、それぞれに呈示する統計分布モードを含む。
さらに、プリセットタグは出力タグと入力タグとを含む。出力タグは、それぞれ参照サンプル及びテストサンプルを代表する２つのタグを含み、入力タグは、それぞれ参照サンプル及びテストサンプルのトレーニングデータに関する２組のカップリングタグであり、各々のカップリングタグはそれぞれ、サンプル測定時所在するリッチ条件の測定環境と関連付けられている。
具体的には、異なる組の各々のカップリングタグはそれぞれ、リッチ条件の測定環境のうちの各々の独立した測定環境で、参照サンプルまたはテストサンプル測定結果とノイズパノラマとのカップリングを代表し、測定結果に含まれるノイズプロファイルは、この独立した測定環境で取得されたノイズプロファイルである。
本発明はさらに、ノイズパノラマ分布モデルの取得と認識に基づく信号解析システムであって、測定モジュールと、処理モジュールと、トレーニングモジュールと、解析モジュールとを含み、
リッチ条件の測定環境では、測定モジュールは、参照サンプル及びテストサンプルに対して繰返測定を行い、それぞれ複数の測定結果を取得し、各々の測定結果はいずれも信号、及び異なるノイズプロファイルを含み、リッチ条件とは、外部条件の一致性を保持することを目的としない、ノイズの抑制に関しない、自然で、真実で複雑なノイズ要素を含む測定条件を指し、
処理モジュールは、参照サンプル及びテストサンプルの測定結果を処理し、それぞれ参照サンプル及びテストサンプルのトレーニングデータを形成し、トレーニングデータは、複数のノイズプロファイルからなるノイズパノラマ、または少なくとも一部のノイズパノラマを含み、
参照サンプル及びテストサンプルのトレーニングデータに基づいて、トレーニングモジュールは、ノイズの可観測性呈示を収束目標とし、人工知能モデルのトレーニングを行うことにより、モデルが、測定結果から信号及びノイズを認識できるとともに、参照サンプルとテストサンプルとを区分できるようになっており、
認識対象サンプル測定結果について、解析モジュールは、それを、トレーニングされた人工知能モデルに入力し、人工知能モデルの出力結果は、該認識対象サンプルの具体的なタイプである、
ノイズパノラマ分布モデルの取得と認識に基づく信号解析システムを提供する。
または、測定モジュールは摂動機構を含み、測定モジュールが参照サンプル及びテストサンプルに対して毎回の測定を行う前に、摂動機構は摂動を導入し、リッチ条件の測定環境を作り出すことにより、サンプル測定のノイズ観測ディメンションを増加し、毎回のサンプル測定の測定結果に異なるノイズプロファイルが含まれるようにする。
さらに、参照サンプル及びテストサンプルの毎回の測定の前に、摂動機構が導入した摂動について、空間摂動、時間摂動、物理摂動、及び環境摂動を選択可能になっているが、これらに限定されない。
空間摂動は、測定箇所に軽微な変位を発生させること、測定箇所に軽微な回転を発生させることを含むが、これらに限定されず、時間摂動は、測定時間長を増加すること、測定時間長を短縮すること、及び複数回の測定の間の時間間隔を変更することを含むが、これらに限定されず、物理摂動は、測定の時に測定機器またはサンプルを振動すること、流動サンプルを攪拌することを含むが、これらに限定されず、環境摂動は、測定時の環境温度を変更すること、測定時の環境湿度を変更すること、測定時の電磁界を変更すること、及び測定時の気圧を変更することを含むが、これらに限定されない。
さらに、処理モジュールは正規化モジュールと事後確率モジュールとを含み、
正規化モジュールは参照サンプル及びテストサンプルの測定結果を正規化処理し、それぞれに正規化結果を出力し、事後確率モジュールは、正規化結果に基づいて、事後確率のモデルフレームワークを確立し、それぞれ要求を満たす、参照サンプル及びテストサンプルのトレーニングデータを形成し、後続の人工知能モデルのトレーニングに用いられる。
処理モジュールが参照サンプル及びテストサンプルの測定結果を処理し、トレーニングデータを形成する過程において、異なるノイズプロファイルはノイズパノラマ、または少なくとも一部のノイズパノラマを構成し、同時に、２種類のサンプルの全体的な測定結果、及び測定結果における信号はいずれも、それぞれに安定した統計特性を呈示することになり、ノイズが呈示する統計分布モードも、ノイズパノラマの構築に伴って安定の方へ向かう。
さらに、人工知能モデルについて、人工ニューラルネットワーク、パーセプトロン、サポートベクターマシン、ベイズ分類器、ベイジアンネットワーク、ランダムフォレストモデル、またはクラスタリングモデルを選択可能になっているが、これらに限定されない。
人工知能モデルのトレーニング過程において、モデルは反復の方式で、トレーニングデータに内包された、信号及びノイズの認識を実現可能な特徴、及び参照サンプルとテストサンプルとの区分を実現可能な特徴に対して、大量な経験的な学習、帰納、収束を行い、特徴とプリセットタグとの間の関連を学習する。
具体的には、信号の認識を実現可能な特徴は、複数の測定結果が処理された後に呈示された、信号真実数学的統計法則を満たす統計分布モードを含み、ノイズの認識を実現可能な特徴は、多様化のノイズプロファイルによって構築されたノイズパノラマ、または少なくとも一部のノイズパノラマが呈示する、ノイズ真実数学的統計法則に近接する統計分布モードを含み、参照サンプルとテストサンプルとの区分を実現可能な特徴は、参照サンプル及びテストサンプルの複数の測定結果が処理された後、それぞれに呈示する統計分布モードを含む。
さらに、プリセットタグは出力タグと入力タグとを含む。出力タグは、それぞれ参照サンプル及びテストサンプルを代表する２つのタグを含み、入力タグは、それぞれ参照サンプル及びテストサンプルのトレーニングデータに関する２組のカップリングタグであり、各々のカップリングタグはそれぞれ、サンプル測定時所在するリッチ条件の測定環境と関連付けられている。
具体的には、異なる組の各々のカップリングタグはそれぞれ、リッチ条件の測定環境のうちの各々の独立した測定環境で、参照サンプルまたはテストサンプル測定結果とノイズパノラマとのカップリングを代表し、測定結果に含まれるノイズプロファイルは、この独立した測定環境で取得されたノイズプロファイルである。
本願の有益な効果は次のとおりである。
１、本発明は、従来技術におけるノイズ処理案と相違し、全く異なる技術的観点から、従来技術の処理し難しいノイズ低減課題を解決するように、ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法を提供する。
信号検出分野は常に、解析価値を備えるが、自体の強度が極めて微弱であること、及び／または自体の特徴が極めて複雑であるため、ノイズにかき消された信号に関する。このような状況では、ノイズの分布モデルは合理的に仮定されることができず、従来の、ノイズ信号を数学的にモデル化するノイズ低減方法を効果的に実行し難しい。
本発明による信号解析方法は数学統計原理に基づいて、信号とノイズとの剥離を直接に行わないが、依然としてノイズと信号とを効果的に区分できるとともに、異なる測定サンプルに基づいた複数の独立信号の成功した認識を実現することができ、これにより、サンプルの検出、物質の分類等の実際な応用を展開する。なお、本発明は人工知能技術を利用し、ノイズ、及びそれにかき消された信号に対して混合モデリングを行う。ノイズには数学的仮説が存在しなくても、トレーニングされた人工知能モデルも、測定結果に隠された数学的統計法則を深くマイニング、信号及びノイズの数学的分布モデルを正確に取得することができる。
２、本発明はサンプル測定段階において、測定条件に対して一致性の設定を行わず、多様性の測定条件を作成することにより、測定条件の変化によって差異が発生された複数のノイズプロファイルを形成するとともに、複数のノイズプロファイルを結合してノイズパノラマ、または少なくとも一部のノイズパノラマを構成し、続いてノイズの数学的分布モデルを認識する。該操作手段は、信号の損失及び誤削除を招くことがなく、従来技術における、信号自体に対する常用のノイズ除去ステップの影響を避ける。
本発明に開示された技術案において、多様性の測定条件での大量な繰返測定により、相対的安定した信号のデータ分布形式は比較的明確に呈示でき、これにより、測定結果における信号の視認性を改善し、後続の信号の抽出及び解析に有益である。一方、多様性の測定条件による摂動環境は、毎回のサンプル測定のために異なるノイズ観測ディメンションを提供し、ノイズのサンプルランダム性を確保する。これを基礎とし、大量な繰返測定により、ノイズパノラマを取得でき、即ち、大量なノイズ「サンプル」はノイズ自体の全ての可能性をほぼ全面的にカバーすることができる。同時に、ノイズの分布モデルもその真実な分布形式の方へ向かう。
本発明は、サンプル測定結果の混合データ分布形式から、ノイズの数学的統計法則を発見し、データ分布モデルの観点からノイズと信号との区分、及び異なるタイプの信号の認識を実現することができる。該技術的構想に基づいて、サンプル測定結果において、ノイズ及び信号はそれぞれに、その真実な数学的統計法則を呈示する。従来のエンジニアリング技術において直接に行われるノイズの除去及び信号の抽出と比較すれば、本発明はノイズ及び信号の数学的統計法則を深く発掘することにより、信号に対するノイズ除去操作の誤消去を避け、データの有効性を保証することができる。従って、ノイズは信号解析に干渉を与えず、独立信号間の認識分類に影響を及ぼすこともない。このように、従来技術が解決できない、混在するサンプル測定結果からノイズ自体を除去する難題、または信号自体を抽出する難題について、本発明は効果的な解決案を提供する。
３、ノイズが、実際のサンプル測定過程において避けられない影響要素であるため、現段階で最も優れたサンプル測定条件でも、毎回のサンプル測定によって得られた測定結果は、真実な信号に無限に近接する可能性があるが、常に信号の近くで「安定化統計」で変化しているしかできず、且つこのような測定結果及びそのうちのノイズの「安定化統計」の変化が予測不可能性を有し、即ち、次回のサンプル測定結果の正確値を仮定することができない。
しかしながら、複数回の繰返収集の後、大量な測定結果は全体的に、安定の方へ向かうデータ分布モデルを呈示する。この安定したデータ分布モデルは、測定結果における全ての成分が互いに影響するマクロ集合を代表する。即ち、真実な信号以外に、環境複雑度、機器精度、サンプリング手段のような固有の影響等はノイズの干渉要素を引き起こす可能性があり、いずれも上記測定結果の全体的な分布モデルに組み込まれる。従って、該測定結果の全体的な分布モデルは、その自体の特徴を十分に反映できる。測定結果の分布モデルが安定の方へ向かうと同時に、大量なノイズプロファイルからなるノイズパノラマ、または少なくとも一部のノイズパノラマも、特有の数学的統計法則を呈示するとともに、ノイズの真実な分布モデルに近接する。本発明は完全なノイズ数学的モデルを認識することにより、ノイズと信号との区分を実現し、該認識案は、より全面的で、正確的な認識結果を取得する。
４、人工知能モデルを採用してノイズのデータ分布モデルを深く掘り起こすことは、経験性の高く、より精度良い解析結果が得られる。
多様性の測定条件で展開された大量なサンプルの繰返測定について、それが取得したノイズプロファイルは、少なくとも一部のノイズパノラマを構築でき、かつノイズのデータ分布モデルは既に、ノイズを反映できる理論的な真実分布モデルの方へ向かった。この状況では、本発明は人工知能技術を採用してノイズの分布モデルを発掘する。
本発明に開示された技術案において、サンプル測定段階は、多様化の摂動条件で行われた複数回のサンプル測定に関し、これにより、信号とノイズとを混合した大量な測定結果を取得する。上記操作はノイズパノラマの取得に寄与し、同時に、膨大な測定値も、人工知能モデルのトレーニングのために十分なデータ基礎を提供する。トレーニングされた人工知能モデルは、高背景ノイズデータから、実験者の解析要求を満たす、またはその解析目的を満足する真実な特徴を発見でき、より効率的な数学演算を提供するとともに、経験性の高く、より精度良い解析結果をリアルタイムに出力することができる。
５、本発明は、異なる摂動導入手段によってリッチ条件の測定環境を作成することで、サンプル測定におけるノイズ観測ディメンションを増加することにより、大量な繰返測定条件での測定結果が完全なノイズパノラマを示すことができ、または、後続の信号解析のために精度のよい程度が十分な少なくとも一部のノイズパノラマを提供することができる。異なる摂動導入手段の実行難度に差異が存在し、ノイズ観測ディメンションを増加する点で、異なる影響を招く可能性もある。
本発明に関する技術案の実際な応用において、サンプル自体の特性、サンプル測定手段、測定精度要求等の複数点の要素を総合的に考慮すると、実験者は完全に、実際の要求に応じて、本発明による摂動導入手段から選択することができる。本発明に開示された多様化の摂動導入手段は実験者に広い選択余地を提供し、本発明の活用難度もある程度に低下し、これにより、該技術案はより普及や応用の価値を有する。
本発明による、ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法の概略フローチャートである。 図１に示す信号解析方法におけるステップ２の概略フローチャートである。 本発明による、ノイズパノラマ分布モデルの取得と認識に基づく信号解析システムの構造概略図である。 複数のノイズプロファイルがノイズパノラマ、または少なくとも一部のノイズパノラマを構成する原理概略図である。
信号処理の目的は、サンプル測定結果から有用な信息を抜き取ることであり、例えば、研究価値を備える内容、または、他の信号と相違する差異特徴である。サンプル測定過程における多くの不確定要素に制限され、これらの「研究価値を備える内容」及び「差異特徴」は往々にして、独立した数値によって代表されることができず、信号全体のデータ統計分布によって体現される。
実際のサンプル測定過程において取得される測定結果について、真実特性を反映する信号以外に、必然的にノイズが混合している。従来技術に開示された信号処理案において、測定結果からノイズの影響を消去するか、或いは、測定結果から信号を抽出する。しかしながら、測定結果に混在したノイズが「既知」の数学的モデルによってシミュレーションできない場合、ノイズの消去、または信号の抽出はともに、極めて大きな難度を有する。よって、本発明の技術的目的は、データ統計原理に基づいて、測定結果から信号及びノイズの「未知」の分布モデルを見つけ出すことにより、信号とノイズとの効果的な区分を実現することにある。なお、測定結果が異なる測定サンプルに由来する場合、差異化のデータ分布モデルを見つけ出すことにより、サンプルタイプの正確な認識を実現する。
毎回のサンプル測定について、取得された測定結果における信号及びノイズはいずれも、過去に測定し取得された結果とわずかに差異がある。サンプル及びサンプリングの観点から解釈すると、毎回のサンプル測定はいずれも、サンプル全体において１回のランダムなサンプリングを行うことに相当し、ランダムなサンプリングに対応する測定結果は、真実な特徴を反映できない。但し、信号及びノイズがそれぞれ、特定のデータ統計法則を有し、特定のデータ分布モデルを満たす前提で、測定回数が増加し、サンプリングの範囲が、サンプル全体に近接するように拡大する場合こそ、大量なテスト結果が反映する全体的なデータ統計法則は、真実な状況を反映する方へ向かうことができる。
より具体的には、１、測定結果における信号について、信号がテストサンプル自体の固有特性を反映するため、それは必然的に明確な統計分布モデルを有する。この明確な統計分布モデルは、大量なデータサンプリングにより明らかに呈示することができる。２、測定結果におけるノイズについて、従来技術では通常、ノイズの「理想的な」数学的統計法則がガウス分布を満たすと認識される。しかしながら、実際のサンプル測定過程は通常、「理想的な」ノイズ状況を構築できない。なお、機器精度の向上、材料純度の改善等の手段により、サンプル測定条件をできるだけ最適化しても、依然として理想的な解析条件を備える測定結果を取得できない可能性がある。即ち、解析対象の目標信号は、強度が微弱であることによりノイズにかき消されるか、或いは、信号の特徴が極めて複雑で解析し難しい。
このような測定結果に対してデータ分布モデルのマイニングを行うことには、往々にして大きな難度が存在し、ひいてはそのうちのノイズの分布モデルを完全に仮定できない。このような状況では、本発明は、多様化の測定条件を構築することで、摂動環境でのサンプル測定を実現するとともに、複数の観測ディメンションからノイズプロファイルを生成する。サンプル測定の回数が十分に多い場合、ノイズに対する全方位観測を体現でき、即ち、完全なデータ統計分布モデルを示すことができるノイズパノラマを構築し、且つこのデータ統計分布モデルはノイズの真実分布に無限に近接する。このように、統計学の観点からは、摂動環境でのノイズパノラマ構造により、ノイズの統計分布モデルを示すことは、理論的に完全に実行可能なことである。
少なくとも一部のノイズパノラマを取得し、且つノイズが既に、明らかで安定した分布モデルを呈示した状況で、本発明は人工知能技術を採用してノイズの統計法則を深く発掘する。人工知能技術は、各種のデータ解析に適用されるとともに、経験的なデータ処理を解決する効果的な手段である。例えば、人工知能深度学習モデルは、人間の学習過程をシミュレーションし、人間の経験的なデータ処理方法を快速にまとめることにより、信号認識及び判断行為を実現することができる。本発明において、ビッグデータでトレーニングされた後の人工知能モデルは、それが出力する経験的な解析結果の正確性が保証でき、これにより、ノイズの数学的分布モデルを効果的に認識し、これによって、後続のノイズ分離、信号分類等の具体的な解析作業を展開する。
本発明の目的、技術案及び利点をより明瞭にさせるために、以下は実施例を結合して本発明をさらに詳しく説明する。ここで記載される具体的な実施例は、本発明を解釈するためのものであり、本発明を限定するためのものではない。
実施例１
ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法であって、その概略フローチャートについて、図１を参照し、該方法はＳ１～Ｓ４を含む。
Ｓ１：リッチ条件の測定環境では、参照サンプル及びテストサンプルに対して繰返測定を行い、それぞれ複数の測定結果を得るステップであって、各々の測定結果はいずれも信号、及び異なるノイズプロファイルを含む。
信号の収集と解析の技術的分野では、サンプル測定過程における外部条件の一致性を保持することは、ノイズ変動を減らして良好な信号対雑音比を形成する通常の手段であり、それに、繰り返してサンプルの測定を行うことも、ランダム誤差を減少する効果的な方式と認定される。しかしながら、本発明の実施例において、外部条件の一致性設定に関しなく、リッチ条件の測定環境で、参照サンプル及びテストサンプルの繰返測定を展開する。リッチ条件とは、外部条件の一致性を保持することを目的とせず、ノイズの抑制に関しなく、自然で、真実で複雑なノイズ要素を含む測定条件を指す。「リッチ条件の測定環境」及び「繰返測定」の目的はともに、ノイズパノラマの構築に十分で、豊富なノイズプロファイルを取得するためである。
具体的には、リッチ条件の測定環境では、サンプル自体の属性に制限され、参照サンプル及びテストサンプルの測定結果における信号は常に統計のまま保持されるが、ノイズは環境変化によって差別が現れ、即ち、環境の変化により、ノイズの観測ディメンションが増加する。多方位、多観点、及び多時空特徴点のノイズ観測ディメンションに基づいて、参照サンプル及びテストサンプルの繰返測定を行うことで、豊富なノイズプロファイルを形成する。豊富なノイズプロファイルは、後続のステップにおいてノイズパノラマを構築し、データ統計法則に基づいてノイズを認識する基礎である。
Ｓ２：参照サンプル及びテストサンプルの測定結果を処理し、それぞれに参照サンプル及びテストサンプルのトレーニングデータを形成するステップであって、トレーニングデータは、複数のノイズプロファイルからなるノイズパノラマ、または少なくとも一部のノイズパノラマを含む。
図４に示すように、単一のノイズ観測ディメンションでは、ノイズの局部を反映するノイズプロファイルしか取得できず、全面的なノイズ観測結果を取得できず、即ち、ノイズは、その真実な分布特性を満たす完全なデータ統計法則を呈示できない。しかしながら、本発明の実施例において、参照サンプル及びテストサンプルの繰返測定はリッチ条件の測定環境で行われる。異なるノイズ観測ディメンションで取得された豊富なノイズプロファイルは、ノイズパノラマ、または少なくとも一部のノイズパノラマを構築するのに十分である。ノイズパノラマを構築すると同時に、ノイズのデータ統計法則は、その真実な数学的統計法則の方へ向かう。
本発明の実施例において、ノイズパノラマとは、ノイズの分布モデルが既にその理論的な真実分布モデルを全面的に反映することができることを指し、一部のノイズパノラマとは、ノイズの分布モデルがその理論的な真実分布モデルを完全に反映することができないが、分布モデルが既に、後続の信号解析に適用可能な精度を備えたことを指す。
Ｓ３：参照サンプル及びテストサンプルのトレーニングデータに基づいて、ノイズの可観測性呈示を収束目標とし、人工知能モデルのトレーニングを行うことにより、モデルは、測定結果から信号及びノイズを認識できるとともに、参照サンプルとテストサンプルとを区分できる。
本発明の実施例において、参照サンプル及びテストサンプルのトレーニングデータはそれぞれプリセット比例で、学習データ及び検出データにランダムに配分される。学習データを採用して人工知能モデルをトレーニングするとともに、検出データを、トレーニングされた人工知能モデルに入力し、信号認識結果を算出し、信号認識の正確率がプリセット閾値よりも低いと、学習データを採用して続けてトレーニングし、信号認識の正確率がプリセット閾値よりも高いと、人工知能モデルがトレーニングを完了したとみなす。
Ｓ４：認識対象サンプル測定結果を、トレーニングされた人工知能モデルに入力するステップであって、人工知能モデルの出力結果は、該認識されるサンプルの具体的なタイプである。
本発明の実施例において、参照サンプル及びテストサンプルは２種類の既知サンプルとして、両者の複数の測定結果が処理された後にそれぞれ形成されたトレーニングデータであり、トレーニングされた人工知能モデルは、２種類の既知サンプルの効果的な区分を実現できる。認識対象サンプルが２種類の既知サンプルのうちのある１種である場合、人工知能モデルは、認識対象サンプルの具体的なタイプを正確に認識できる。
または、ステップＳ１において、参照サンプル及びテストサンプルの毎回の測定の前に、摂動を導入することで、リッチ条件の測定環境を作り出すことにより、ノイズ観測ディメンションを増加し、毎回の測定の測定結果に異なるノイズプロファイルが含まれるようにする。
さらに、参照サンプル及びテストサンプルの毎回の測定の前に導入された摂動について、空間摂動、時間摂動、物理摂動、及び環境摂動を選択可能であるが、これらに限定されない。
空間摂動は、測定箇所に軽微な変位を発生させること、測定箇所に軽微な回転を発生させることを含むが、これらに限定されず、時間摂動は、測定時間長を増加すること、測定時間長を短縮すること、及び複数回の測定の間の時間間隔を変更することを含むが、これらに限定されず、物理摂動は、測定の時に測定機器またはサンプルを振動すること、流動サンプルを攪拌することを含むが、これらに限定されず、環境摂動は、測定時の環境温度を変更すること、測定時の環境湿度を変更すること、測定時の電磁界を変更すること、及び測定時の気圧を変更することを含むが、これらに限定されない。
図２を参照すれば、ステップＳ２において、参照サンプル及びテストサンプルの測定結果を処理し、それぞれ参照サンプル及びテストサンプルのトレーニングデータを形成するステップは、
Ｓ２１、参照サンプル及びテストサンプルの測定結果を正規化処理するステップと、
Ｓ２２、ステップＳ２１の正規化結果に基づいて、事後確率のモデルフレームワークを確立するステップと、を含む。
参照サンプル及びテストサンプルの測定結果は、ステップＳ２１～２２で処理されて、、それぞれに要求を満たすトレーニングデータを形成して、後続の人工知能モデルのトレーニングに用いられる。
具体的には、本発明の実施例において、参照サンプル及びテストサンプルの測定結果について、それを、複雑な体系からなる測定目標を測定して得た測定値とみなす。
測定密度関数を
として定義し、Ｓは測定空間ディメンションであり、Ｖは測定環境であり、測定目標において、体系数はＮであり、Ｎは式（１）によって定義される。
Ｂ（Ｖ）を測定関数として定義し、測定値
は、以下のようである。
そのうち、
式（３）は正規化条件である。本発明の実施例において、参照サンプル及びテストサンプルの測定結果が式（３）の正規化条件を満足するようにするために、ステップＳ２１を採用して参照サンプル及びテストサンプルの測定結果を正規化処理する。
参照サンプル及びテストサンプルの測定が繰り返して行われるため、繰返過程について離散の方式を採用して表示し、式（２）をアンサンブルの形式に書き換える。
Ｈをアンサンブル密度関数として定義すると、以下のようである。
＜Ｖ＞＝Ｈ＜ｎ＞ （５）
複雑な体系の統計変動は以下の式である。
繰返測定に対応して、δＳは測定された情報エントロピーであり、δＰは測定された環境変化量である。
δＰをノイズパノラマの統計空間とし、δＳを信号の統計空間とする。よって、ベイズの公式により、以下のようである。
式（７）において、
を式（８）として定義し、式（８）は事後確率条件である。本発明の実施例において、参照サンプル及びテストサンプルの測定結果が式（８）の事後確率条件を満足するようにするために、ステップＳ２２を採用し、ステップＳ２１で得られた正規化結果に基づいて事後確率のモデルフレームワークを確立する。
複雑な体系の統計変動に対する推定δｎ ＊は以下のようである。
δｎ ＊＝ａｒｇｍａｘ δｎＰ（Ｈ＜ｎ＞｜δｎ）Ｐ（δｎ） （９）
本発明の実施例において、ステップＳ２１～Ｓ２２で処理された測定結果は、式（３）の正規化条件、及び式（８）の事後確率条件を満足できる。上記２つの条件を満足する測定結果は、式（９）における、複雑な体系の統計変動に対する推定の実現に適用できる。上記２つの条件を満足する測定結果は、トレーニングデータとして、後続の人工知能モデルのトレーニングステップに適用される。
参照サンプル及びテストサンプルの測定結果がトレーニングデータを形成する過程において、異なるノイズプロファイルはノイズパノラマ、または少なくとも一部のノイズパノラマを構成し、同時に、２種類のサンプルの全体的な測定結果、及び測定結果における信号はいずれも、それぞれ安定した統計特性を呈示することになり、ノイズが呈示する統計分布モードも、ノイズパノラマの構築に伴って安定の方へ向かう。
ステップＳ３において、人工知能モデルについて、人工ニューラルネットワーク、パーセプトロン、サポートベクターマシン、ベイズ分類器、ベイジアンネットワーク、ランダムフォレストモデル、またはクラスタリングモデルが選択可能になっているが、これらに限定されない。
本発明の実施例において、上記式（９）における、複雑な体系の統計変動に対する推定は、人工知能モデルによって実現される。
実施例２
ノイズパノラマ分布モデルの取得と認識に基づく信号解析システムであって、その構造概略図について、図３を参照し、システムは、測定モジュール１と、処理モジュール２と、トレーニングモジュール３と、解析モジュール４とを含み、
リッチ条件の測定環境では、測定モジュール１は、参照サンプル及びテストサンプルに対して繰返測定を行い、それぞれ複数の測定結果を取得し、各々の測定結果はいずれも信号、及び異なるノイズプロファイルを含み、
信号の収集と解析技術的分野では、サンプル測定過程における外部条件の一致性を保持することは、ノイズ変動を減らして良好な信号対雑音比を形成する通常の手段であり、それに、繰り返してサンプルの測定を行うことも、ランダム誤差を減少する効果的な方式と認定される。しかしながら、本発明の実施例において、外部条件の一致性設定に関しなく、リッチ条件の測定環境で、測定モジュール１により参照サンプル及びテストサンプルの繰返測定を展開する。リッチ条件とは、外部条件の一致性を保持することを目的としなく、ノイズの抑制に関しなく、自然で、真実で複雑なノイズ要素を含む測定条件を指す。「リッチ条件の測定環境」及び「繰返測定」の目的はともに、ノイズパノラマの構築に十分で、豊富なノイズプロファイルを取得するためである。
具体的には、リッチ条件の測定環境では、サンプル自体の属性に制限され、参照サンプル及びテストサンプルの測定結果における信号は常に統計のまま保持されるが、ノイズは環境変化によって差別が現れ、即ち、環境の変化により、ノイズの観測ディメンションが増加する。多方位、多観点、及び多時空特徴点のノイズ観測ディメンションに基づいて、測定モジュール１は参照サンプル及びテストサンプルの繰返測定を行うことで、豊富なノイズプロファイルを形成する。豊富なノイズプロファイルは、後続にノイズパノラマを構築し、データ統計法則に基づいてノイズを認識する基礎である。
処理モジュール２は、参照サンプル及びテストサンプルの測定結果を処理し、それぞれ参照サンプル及びテストサンプルのトレーニングデータを形成し、トレーニングデータは、複数のノイズプロファイルからなるノイズパノラマ、または少なくとも一部のノイズパノラマを含む。
図４に示すように、単一のノイズ観測ディメンションでは、ノイズの局部を反映するノイズプロファイルしか取得できず、全面的なノイズ観測結果を取得できず、即ち、ノイズは、その真実な分布特性を満たす完全なデータ統計法則を呈示できない。しかしながら、本発明の実施例において、参照サンプル及びテストサンプルの繰返測定はリッチ条件の測定環境で行われる。異なるノイズ観測ディメンションで取得された豊富なノイズプロファイルは、処理モジュールがノイズパノラマ、または少なくとも一部のノイズパノラマを構築するのに十分である。処理モジュール２がノイズパノラマを構築すると同時に、ノイズのデータ統計法則は、その真実な数学的統計法則の方へ向かう。
本発明の実施例において、ノイズパノラマとは、ノイズの分布モデルが既にその理論的な真実分布モデルを全面的に反映することができることを指し、一部のノイズパノラマとは、ノイズの分布モデルがその理論的な真実分布モデルを完全に反映することができないが、分布モデルが既に、後続の信号解析に適用可能な精度を備えたことを指す。
参照サンプル及びテストサンプルのトレーニングデータに基づいて、トレーニングモジュール３は、ノイズの可観測性呈示を収束目標とし、人工知能モデルのトレーニングを行うことにより、モデルは、測定結果から信号及びノイズを認識できるとともに、参照サンプルとテストサンプルとを区分できる。
本発明の実施例において、参照サンプル及びテストサンプルのトレーニングデータはそれぞれプリセット比例で、学習データ及び検出データにランダムに配分される。トレーニングモジュール３は、学習データを採用して人工知能モデルをトレーニングするとともに、検出データを、トレーニングされた人工知能モデルに入力し、信号認識結果を算出し、信号認識の正確率がプリセット閾値よりも低いと、学習データを採用して続けてトレーニングし、信号認識の正確率がプリセット閾値よりも高いと、人工知能モデルがトレーニングを完了したとみなす。
認識対象サンプル測定結果について、解析モジュール４は、それを、トレーニングされた人工知能モデルに入力し、人工知能モデルの出力結果は、該認識対象サンプルの具体的なタイプである。
本発明の実施例において、参照サンプル及びテストサンプルは２種類の既知サンプルとして、両者の複数の測定結果が処理された後にそれぞれ形成されたトレーニングデータであり、トレーニングされた人工知能モデルは、２種類の既知サンプルの効果的な区分を実現できる。認識対象サンプルが２種類の既知サンプルのうちのある１種である場合、人工知能モデルは、認識対象サンプルの具体的なタイプを正確に認識できる。
または、測定モジュール１は摂動機構１１を含み、測定モジュール１が参照サンプル及びテストサンプルに対して毎回の測定を行う前に、摂動機構１１は摂動を導入し、リッチ条件の測定環境を作り出すことにより、サンプル測定のノイズ観測ディメンションを増加し、毎回のサンプル測定の測定結果に異なるノイズプロファイルが含まれるようにする。
さらに、参照サンプル及びテストサンプルの毎回の測定の前に、摂動機構１１が導入した摂動について、空間摂動、時間摂動、物理摂動、及び環境摂動を選択可能になっているが、これらに限定されない。
空間摂動は、測定箇所に軽微な変位を発生させること、測定箇所に軽微な回転を発生させることを含むが、これらに限定されず、時間摂動は、測定時間長を増加すること、測定時間長を短縮すること、及び複数回の測定の間の時間間隔を変更することを含むが、これらに限定されず、物理摂動は、測定の時に測定機器またはサンプルを振動すること、流動サンプルを攪拌することを含むが、これらに限定されず、環境摂動は、測定時の環境温度を変更すること、測定時の環境湿度を変更すること、測定時の電磁界を変更すること、及び測定時の気圧を変更することを含むが、これらに限定されない。
さらに、処理モジュール２は、正規化モジュール２１と事後確率モジュール２２とを含み、
正規化モジュール２１は参照サンプル及びテストサンプルの測定結果を正規化処理し、それぞれ正規化結果を出力し、事後確率モジュール２２は、正規化結果に基づいて、事後確率のモデルフレームワークを確立し、それぞれ要求を満たす、参照サンプル及びテストサンプルのトレーニングデータを形成し、後続の人工知能モデルのトレーニングに用いられる。
具体的には、本発明の実施例において、参照サンプル及びテストサンプルの測定結果について、それを、複雑な体系からなる測定目標を測定し得た測定値とみなす。
測定密度関数を
として定義し、Ｓは測定空間ディメンションであり、Ｖは測定環境であり、測定目標において、体系数はＮであり、Ｎは式（１）によって定義される。
Ｂ（Ｖ）を測定関数として定義し、測定値
は、以下のようである。
そのうち、
式（３）は正規化条件である。本発明の実施例において、参照サンプル及びテストサンプルの測定結果が式（３）の正規化条件を満足するようにするために、正規化モジュール２１は参照サンプル及びテストサンプルの測定結果を正規化処理し、正規化結果を出力する。
参照サンプル及びテストサンプルの測定が繰り返して行われるため、繰返過程について離散の方式を採用して表示され、式（２）をアンサンブルの形式に書き換える。
Ｈをアンサンブル密度関数として定義すると、以下のようである。
＜Ｖ＞＝Ｈ＜ｎ＞ （５）
複雑な体系の統計変動は以下のようである。
繰返測定に対応して、δＳは測定された情報エントロピーであり、δＰは測定された環境変化量である。
δＰをノイズパノラマの統計空間とし、δＳを信号の統計空間とする。よって、ベイズの公式により、以下のようである。
式（７）において、
を式（８）として定義し、式（８）は事後確率条件である。本発明の実施例において、参照サンプル及びテストサンプルの測定結果が式（８）の事後確率条件を満足するようにするために、事後確率モジュール２２は正規化結果に基づいて、事後確率のモデルフレームワークを確立する。
複雑な体系の統計変動に対する推定δｎ ＊は以下のようである。
δｎ ＊＝ａｒｇｍａｘ δｎＰ（Ｈ＜ｎ＞｜δｎ）Ｐ（δｎ） （９）
本発明の実施例において、正規化モジュール２１及び事後確率モジュール２２で処理された測定結果は、式（３）の正規化条件、及び式（８）の事後確率条件を満足できる。上記２つの条件を満足する測定結果は、式（９）における、複雑な体系の統計変動に対する推定の実現に適用できる。上記２つの条件を満足する測定結果は、トレーニングデータとして、後続の人工知能モデルのトレーニングステップに適用される。
処理モジュール２が参照サンプル及びテストサンプルの測定結果を処理し、トレーニングデータを形成する過程において、異なるノイズプロファイルはノイズパノラマ、または少なくとも一部のノイズパノラマを構成し、同時に、２種類のサンプルの全体的な測定結果、及び測定結果における信号はいずれも、それぞれに安定した統計特性を呈示することになり、ノイズが呈示する統計分布モードも、ノイズパノラマの構築に伴って安定の方へ向かう。
さらに、人工知能モデルについて、人工ニューラルネットワーク、パーセプトロン、サポートベクターマシン、ベイズ分類器、ベイジアンネットワーク、ランダムフォレストモデル、またはクラスタリングモデルを選択可能になっているが、これらに限定されない。
本発明の実施例において、上記式（９）における、複雑な体系の統計変動に対する推定は、人工知能モデルによって実現される。
実施例３
ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法であって、該方法はＳ１～Ｓ４を含む。
Ｓ１：リッチ条件の測定環境で、多種の既知サンプルに対して繰返測定を行い、それぞれ複数の測定結果を得るステップであって、各々の測定結果はいずれも信号、及び異なるノイズプロファイルを含む。
信号の収集と解析の技術的分野では、サンプル測定過程における外部条件の一致性を保持することは、ノイズ変動を減らして良好な信号対雑音比を形成する通常の手段であり、それに、繰り返してサンプルの測定を行うことも、ランダム誤差を減少する効果的な方式と認定される。しかしながら、本発明の実施例において、外部条件の一致性設定に関しなく、リッチ条件の測定環境で、多種の既知サンプルの繰返測定を展開する。リッチ条件とは、外部条件の一致性を保持することを目的としなく、ノイズの抑制に関しなく、自然で、真実で複雑なノイズ要素を含む測定条件を指す。「リッチ条件の測定環境」及び「繰返測定」の目的はともに、ノイズパノラマの構築に十分で、豊富なノイズプロファイルを取得するためである。
具体的には、リッチ条件の測定環境では、サンプル自体の属性に制限され、各種のサンプルの測定結果における信号は常に統計のまま保持されるが、ノイズは環境変化によって差別が現れ、即ち、環境の変化により、ノイズの観測ディメンションが増加する。多方位、多観点、及び多時空特徴点のノイズ観測ディメンションに基づいて、各種の既知サンプルの繰返測定を行うことで、豊富なノイズプロファイルを形成する。豊富なノイズプロファイルは、後続のステップにおいてノイズパノラマを構築し、データ統計法則に基づいてノイズを認識する基礎である。
Ｓ２：多種の既知サンプルの測定結果を処理し、それぞれ各種の既知サンプルのトレーニングデータを形成するステップであって、トレーニングデータは、複数のノイズプロファイルからなるノイズパノラマ、または少なくとも一部のノイズパノラマを含む。
図４に示すように、単一のノイズ観測ディメンションでは、ノイズの局部を反映するノイズプロファイルしか取得できず、全面的なノイズ観測結果を取得できず、即ち、ノイズは、その真実な分布特性を満たす完全なデータ統計法則を呈示できない。しかしながら、本発明の実施例において、多種の既知サンプルの繰返測定はリッチ条件の測定環境で行われる。異なるノイズ観測ディメンションで取得された豊富なノイズプロファイルは、ノイズパノラマ、または少なくとも一部のノイズパノラマを構築するのに十分である。ノイズパノラマを構築すると同時に、ノイズのデータ統計法則は、その真実な数学的統計法則の方へ向かう。
本発明の実施例において、ノイズパノラマとは、ノイズの分布モデルが既にその理論的な真実分布モデルを全面的に反映することができることを指し、一部のノイズパノラマとは、ノイズの分布モデルがその理論的な真実分布モデルを完全に反映することができないが、分布モデルが既に、後続の信号解析に適用可能な精度を備えたことを指す。
Ｓ３：多種の既知サンプルのトレーニングデータに基づいて、ノイズの可観測性呈示を収束目標とし、人工知能モデルのトレーニングを行うことにより、モデルは、測定結果から信号及びノイズを認識するとともに、多種の既知サンプルを区分する。
本発明の実施例において、各種の既知サンプルのトレーニングデータはそれぞれプリセット比例で、学習データ及び検出データにランダムに配分される。学習データを採用して人工知能モデルをトレーニングするとともに、検出データを、トレーニングされた人工知能モデルに入力し、信号認識結果を算出し、信号認識の正確率がプリセット閾値よりも低いと、学習データを採用して続けてトレーニングし、信号認識の正確率がプリセット閾値よりも高いと、人工知能モデルがトレーニングを完了したとみなす。
Ｓ４：認識対象サンプル測定結果を、トレーニングされた人工知能モデルに入力するステップであって、人工知能モデルの出力結果は、該認識対象サンプルの具体的なタイプである。
本発明の実施例において、多種の既知サンプルの複数の測定結果が、処理された後にそれぞれ形成されたトレーニングデータであり、トレーニングされた人工知能モデルは、各種の既知サンプルの効果的な区分を実現できる。認識対象サンプルが多種の既知サンプルのうちのある１種である場合、人工知能モデルは、認識対象サンプルの具体的なタイプを正確に認識できる。
または、ステップＳ１において、各種の既知サンプルの毎回の測定の前に、摂動を導入することで、リッチ条件の測定環境を作り出すことにより、ノイズ観測ディメンションを増加し、毎回の測定の測定結果に異なるノイズプロファイルが含まれるようにする。
さらに、各種の既知サンプルの毎回の測定の前に導入された摂動について、空間摂動、時間摂動、物理摂動、及び環境摂動を選択可能になっているが、これらに限定されない。
空間摂動は、測定箇所に軽微な変位を発生させること、測定箇所に軽微な回転を発生させることを含むが、これらに限定されず、時間摂動は、測定時間長を増加すること、測定時間長を短縮すること、及び複数回の測定の間の時間間隔を変更することを含むが、これらに限定されず、物理摂動は、測定の時に測定機器またはサンプルを振動すること、流動サンプルを攪拌することを含むが、これらに限定されず、環境摂動は、測定時の環境温度を変更すること、測定時の環境湿度を変更すること、測定時の電磁界を変更すること、及び測定時の気圧を変更することを含むが、これらに限定されない。
ステップＳ２において、多種の既知サンプルの測定結果を処理し、それぞれ各種の既知サンプルのトレーニングデータを形成するステップは、
Ｓ２１、各種の既知サンプルの測定結果を正規化処理するステップと、
Ｓ２２、ステップＳ２１の正規化結果に基づいて、事後確率のモデルフレームワークを確立するステップと、を含む。
多種の既知サンプルの測定結果は、ステップＳ２１～２２で処理されたあと、それぞれ要求を満たすトレーニングデータを形成し、後続の人工知能モデルのトレーニングに用いられる。
具体的には、本発明の実施例において、各種の既知サンプルの測定結果について、それを、複雑な体系からなる測定目標を測定し得た測定値とみなす。
測定密度関数を
として定義し、Ｓは測定空間ディメンションであり、Ｖは測定環境であり、測定目標において、体系数はＮであり、Ｎは式（１）によって定義される。
Ｂ（Ｖ）を測定関数として定義し、測定値
は、以下のようである。
そのうち、
式（３）は正規化条件である。本発明の実施例において、各種の既知サンプルの測定結果が式（３）の正規化条件を満足するようにするために、ステップＳ２１を採用して各種の既知サンプルの測定結果を正規化処理する。
各種の既知サンプルの測定が繰り返して行われるため、繰返過程について離散の方式を採用して表示され、式（２）をアンサンブルの形式に書き換える。
Ｈをアンサンブル密度関数として定義すると、以下のようである。
＜Ｖ＞＝Ｈ＜ｎ＞ （５）
複雑な体系の統計変動は以下のようである。
繰返測定に対応して、δＳは測定された情報エントロピーであり、δＰは測定された環境変化量である。
δＰをノイズパノラマの統計空間とし、δＳを信号の統計空間とする。よって、ベイズの公式により、以下のようである。
式（７）において、
を式（８）として定義し、式（８）は事後確率条件である。本発明の実施例において、各種の既知サンプルの測定結果が式（８）の事後確率条件を満足するようにするために、ステップＳ２２を採用し、ステップＳ２１で得られた正規化結果に基づいて事後確率のモデルフレームワークを確立する。
複雑な体系の統計変動に対する推定δｎ ＊は以下のようである。
δｎ ＊＝ａｒｇｍａｘ δｎＰ（Ｈ＜ｎ＞｜δｎ）Ｐ（δｎ） （９）
本発明の実施例において、ステップＳ２１～Ｓ２２で処理された測定結果は、式（３）の正規化条件、及び式（８）の事後確率条件を満足できる。上記２つの条件を満足する測定結果は、式（９）における、複雑な体系の統計変動に対する推定の実現に適用できる。上記２つの条件を満足する測定結果は、トレーニングデータとして、後続の人工知能モデルのトレーニングステップに適用される。
各種の既知サンプルの測定結果がトレーニングデータを形成する過程において、異なるノイズプロファイルはノイズパノラマ、または少なくとも一部のノイズパノラマを構成し、同時に、各種の既知サンプルの全体的な測定結果、及び測定結果における信号はいずれも、それぞれに安定した統計特性を呈示することになり、ノイズが呈示する統計分布モードも、ノイズパノラマの構築に伴って安定の方へ向かう。
ステップＳ３において、人工知能モデルについて、人工ニューラルネットワーク、パーセプトロン、サポートベクターマシン、ベイズ分類器、ベイジアンネットワーク、ランダムフォレストモデル、またはクラスタリングモデルを選択可能になっているが、これらに限定されない。
本発明の実施例において、上記式（９）における、複雑な体系の統計変動に対する推定は、人工知能モデルによって実現される。
以上の実施例は、本発明の技術案を説明するためのものであり、それを制限するものではない。本発明が開示する技術範囲内において、当業者が容易に想到できる変化または差し替えは、いずれも本発明の保護範囲内に含まれるべきである。従って、本発明の保護範囲は、請求項が限定する保護範囲を基準とすべきである。

Claims (10)

  1. ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法であって、
    Ｓ１：リッチ条件の測定環境で、測定モジュールが、参照サンプル及びテストサンプルに対して繰返測定を行い、それぞれ複数の測定結果を得るステップであって、各々の測定結果はいずれも信号、及び異なるノイズプロファイルを含み、リッチ条件とは、外部条件の一致性を保持することを目的としない、ノイズの抑制に関しない、自然で、真実で複雑なノイズ要素を含む測定条件を指すステップと、
    Ｓ２：処理モジュールが、参照サンプル及びテストサンプルの測定結果を処理し、それぞれ参照サンプル及びテストサンプルのトレーニングデータを形成するステップであって、トレーニングデータは、複数のノイズプロファイルからなるノイズパノラマ、または一部のノイズパノラマを含み、前記ノイズパノラマは、ノイズの実分布を完全に反映する分布モデルを示すことができ、前記一部のノイズパノラマは、ノイズの実分布を完全に反映しなく、かつ信号解析に適用可能な精度を備える分布モデルを示すことができるステップと、
    Ｓ３：トレーニングモジュールが、参照サンプル及びテストサンプルのトレーニングデータに基づいて、人工知能モデルのトレーニングを行うことにより、モデルが、測定結果から信号及びノイズを認識できるとともに、参照サンプルとテストサンプルとを区分できるようにするステップと、
    Ｓ４：解析モジュールが、認識対象サンプル測定結果を、トレーニングされた人工知能モデルに入力するステップであって、人工知能モデルの出力結果は、該認識対象サンプルの具体的なタイプであるステップと、
    を含むことを特徴とするノイズパノラマ分布モデルの取得と認識に基づく信号解析方法。
  2. 前記測定モジュールは摂動機構を含み、ステップＳ１において、参照サンプル及びテストサンプルの毎回の測定の前に、前記摂動機構が摂動を導入することで、リッチ条件の測定環境を作り出すことにより、ノイズ観測ディメンションを増加し、毎回の測定の測定結果に異なるノイズプロファイルが含まれるようにする、
    ことを特徴とする請求項１に記載のノイズパノラマ分布モデルの取得と認識に基づく信号解析方法。
  3. 前記摂動について、空間摂動、時間摂動、物理摂動、及び環境摂動の少なくとも一つを含み、空間摂動は、測定箇所に軽微な変位を発生させること、測定箇所に軽微な回転を発生させることの少なくとも一つを含み、時間摂動は、測定時間長を増加すること、測定時間長を短縮すること、及び複数回の測定の間の時間間隔を変更することの少なくとも一つを含み、物理摂動は、測定の時に測定機器またはサンプルを振動すること、流動サンプルを攪拌することの少なくとも一つを含み、環境摂動は、測定時の環境温度を変更すること、測定時の環境湿度を変更すること、測定時の電磁界を変更すること、及び測定時の気圧を変更することの少なくとも一つを含む、
    ことを特徴とする請求項２に記載のノイズパノラマ分布モデルの取得と認識に基づく信号解析方法。
  4. ステップＳ２において、参照サンプル及びテストサンプルの測定結果を処理し、それぞれ参照サンプル及びテストサンプルのトレーニングデータを形成するステップは、
    Ｓ２１、参照サンプル及びテストサンプルの測定結果を正規化処理するステップと、
    Ｓ２２、ステップＳ２１の正規化結果に基づいて、事後確率のモデルフレームワークを確立するステップと、を含み、
    参照サンプル及びテストサンプルの測定結果は、ステップＳ２１～２２で処理されたあと、それぞれ要求を満たすトレーニングデータを形成し、後続の人工知能モデルのトレーニングに用いられる
    ことを特徴とする請求項１に記載のノイズパノラマ分布モデルの取得と認識に基づく信号解析方法。
  5. ステップＳ３において、人工知能モデルについて、人工ニューラルネットワーク、パーセプトロン、サポートベクターマシン、ベイズ分類器、ベイジアンネットワーク、ランダムフォレストモデル、またはクラスタリングモデルを選択可能になっている、
    ことを特徴とする請求項１に記載のノイズパノラマ分布モデルの取得と認識に基づく信号解析方法。
  6. ステップＳ３において、人工知能モデルのトレーニング過程において、モデルは反復の方式で、トレーニングデータに内包された、信号の認識を実現可能な特徴、ノイズの認識を実現可能な特徴、及び参照サンプルとテストサンプルとの区分を実現可能な特徴に対して、大量な経験的な学習、帰納、収束を行い、特徴とプリセットタグとの間の関連を学習し、
    前記信号の認識を実現可能な特徴は、複数の測定結果が処理された後に呈示された、信号の数学的な統計的規則性を満たす統計分布モードを含み、前記ノイズの認識を実現可能な特徴は、多様化のノイズプロファイルによって構築されたノイズパノラマが呈示する、ノイズの数学的な統計的規則性に近接する統計分布モードを含み、参照サンプルとテストサンプルとの区分を実現可能な特徴は、参照サンプル及びテストサンプルの複数の測定結果が処理された後、それぞれ呈示する統計分布モードを含む、
    ことを特徴とする請求項１に記載のノイズパノラマ分布モデルの取得と認識に基づく信号解析方法。
  7. プリセットタグは出力タグと入力タグとを含み、出力タグは、それぞれ参照サンプル及びテストサンプルを代表する２つのタグを含み、入力タグは、それぞれ参照サンプル及びテストサンプルのトレーニングデータに関する２組のカップリングタグであり、各々のカップリングタグはそれぞれ、サンプル測定時所在するリッチ条件の測定環境と関連付けられ、異なる組の各々のカップリングタグはそれぞれ、リッチ条件の測定環境のうちの各々の独立した測定環境で、参照サンプルまたはテストサンプル測定結果とノイズパノラマとのカップリングを代表し、測定結果に含まれるノイズプロファイルは、この独立した測定環境で取得されたノイズプロファイルである、
    ことを特徴とする請求項６に記載のノイズパノラマ分布モデルの取得と認識に基づく信号解析方法。
  8. ノイズパノラマ分布モデルの取得と認識に基づく信号解析システムであって、前記信号解析システムは、測定モジュールと、処理モジュールと、トレーニングモジュールと、解析モジュールとを含み、
    リッチ条件の測定環境で、前記測定モジュールは、参照サンプル及びテストサンプルに対して繰返測定を行い、それぞれ複数の測定結果を取得し、各々の測定結果はいずれも信号、及び異なるノイズプロファイルを含み、リッチ条件とは、外部条件の一致性を保持することを目的としない、ノイズの抑制に関しない、自然で、真実で複雑なノイズ要素を含む測定条件を指し、
    前記処理モジュールは、参照サンプル及びテストサンプルの測定結果を処理し、それぞれ参照サンプル及びテストサンプルのトレーニングデータを形成し、トレーニングデータは、複数のノイズプロファイルからなるノイズパノラマ、または一部のノイズパノラマを含み、前記ノイズパノラマは、ノイズの実分布を完全に反映する分布モデルを示すことができ、前記一部のノイズパノラマは、ノイズの実分布を完全に反映しなく、かつ信号解析に適用可能な精度を備える分布モデルを示すことができ、
    参照サンプル及びテストサンプルのトレーニングデータに基づいて、前記トレーニングモジュールは、人工知能モデルのトレーニングを行うことにより、モデルが、測定結果から信号及びノイズを認識できるとともに、参照サンプルとテストサンプルとを区分できるようにし、
    認識対象サンプル測定結果について、前記解析モジュールは、それを、トレーニングされた人工知能モデルに入力し、人工知能モデルの出力結果は、該認識対象サンプルの具体的なタイプである、
    ことを特徴とするノイズパノラマ分布モデルの取得と認識に基づく信号解析システム。
  9. 前記測定モジュールは摂動機構を含み、測定モジュールが参照サンプル及びテストサンプルに対して毎回の測定を行う前に、前記摂動機構は摂動を導入し、リッチ条件の測定環境を作り出すことにより、サンプル測定のノイズ観測ディメンションを増加し、毎回のサンプル測定の測定結果に異なるノイズプロファイルが含まれるようにし、
    参照サンプル及びテストサンプルの毎回の測定の前に、前記摂動機構が導入した摂動について、空間摂動、時間摂動、物理摂動、及び環境摂動を選択可能になっている
    ことを特徴とする請求項８に記載のノイズパノラマ分布モデルの取得と認識に基づく信号解析システム。
  10. 処理モジュールは正規化モジュールと事後確率モジュールとを含み、
    正規化モジュールは参照サンプル及びテストサンプルの測定結果を正規化処理し、それぞれ正規化結果を出力し、事後確率モジュールは、正規化結果に基づいて、事後確率のモデルフレームワークを確立し、それぞれ要求を満たす、参照サンプル及びテストサンプルのトレーニングデータを形成して、後続の人工知能モデルのトレーニングに用いられる、
    ことを特徴とする請求項８に記載のノイズパノラマ分布モデルの取得と認識に基づく信号解析システム。
JP2023504132A 2020-12-04 2021-06-10 ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法及びシステム Active JP7546320B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202011411339.2 2020-12-04
CN202011411339.2A CN114662522A (zh) 2020-12-04 2020-12-04 基于获取并识别噪声全景分布模型的信号分析方法及系统
PCT/CN2021/099384 WO2022116508A1 (zh) 2020-12-04 2021-06-10 基于获取并识别噪声全景分布模型的信号分析方法及系统

Publications (3)

Publication Number Publication Date
JP2023535905A JP2023535905A (ja) 2023-08-22
JPWO2022116508A5 JPWO2022116508A5 (ja) 2024-04-26
JP7546320B2 true JP7546320B2 (ja) 2024-09-06

Family

ID=81852928

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023504132A Active JP7546320B2 (ja) 2020-12-04 2021-06-10 ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法及びシステム

Country Status (5)

Country Link
US (1) US20230385378A1 (ja)
EP (1) EP4167128A4 (ja)
JP (1) JP7546320B2 (ja)
CN (1) CN114662522A (ja)
WO (1) WO2022116508A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117349596B (zh) * 2023-12-04 2024-03-29 深圳汉德霍尔科技有限公司 基于多传感器的电池异常状态监测预警系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004206063A (ja) 2002-10-31 2004-07-22 Seiko Epson Corp 音響モデル作成方法および音声認識装置ならびに音声認識装置を有する乗り物
JP2020177227A (ja) 2019-04-18 2020-10-29 株式会社日立製作所 適応的音響センシング方法およびシステム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130064423A1 (en) * 2011-09-09 2013-03-14 Sony Corporation Feature extraction and processing from signals of sensor arrays
WO2018013247A2 (en) * 2016-06-02 2018-01-18 Brown University Physics informed learning machine
CN107808098B (zh) * 2017-09-07 2020-08-21 阿里巴巴集团控股有限公司 一种模型安全检测方法、装置以及电子设备
CN108111294B (zh) * 2017-12-13 2021-05-25 南京航空航天大学 一种基于ML-kNN的保护隐私的多标记分类方法
CN109508740B (zh) * 2018-11-09 2019-08-13 郑州轻工业学院 基于高斯混合噪声生成式对抗网络的物体硬度识别方法
CN111436929B (zh) * 2019-01-17 2021-06-01 复旦大学 一种神经生理信号的生成和识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004206063A (ja) 2002-10-31 2004-07-22 Seiko Epson Corp 音響モデル作成方法および音声認識装置ならびに音声認識装置を有する乗り物
JP2020177227A (ja) 2019-04-18 2020-10-29 株式会社日立製作所 適応的音響センシング方法およびシステム

Also Published As

Publication number Publication date
US20230385378A1 (en) 2023-11-30
WO2022116508A1 (zh) 2022-06-09
JP2023535905A (ja) 2023-08-22
CN114662522A (zh) 2022-06-24
EP4167128A4 (en) 2024-05-08
EP4167128A1 (en) 2023-04-19

Similar Documents

Publication Publication Date Title
Liao et al. Deep facial spatiotemporal network for engagement prediction in online learning
Zhang et al. [Retracted] Complex System of Vertical Baduanjin Lifting Motion Sensing Recognition under the Background of Big Data
CN107391760B (zh) 用户兴趣识别方法、装置及计算机可读存储介质
Ahishali et al. Advance warning methodologies for covid-19 using chest x-ray images
Zhou et al. A vegetable disease recognition model for complex background based on region proposal and progressive learning
CN108764084A (zh) 基于空域分类网络和时域分类网络融合的视频分类方法
WO2021068781A1 (zh) 一种疲劳状态识别方法、装置和设备
Jinliang et al. EEG emotion recognition based on granger causality and capsnet neural network
CN108304816A (zh) 身份识别方法、装置、存储介质及电子设备
CN113069117A (zh) 一种基于时间卷积神经网络的脑电情绪识别方法及系统
Mathur et al. Graph signal processing of EEG signals for detection of epilepsy
Salazar On Statistical Pattern Recognition in Independent Component Analysis Mixture Modelling
JP7546320B2 (ja) ノイズパノラマ分布モデルの取得と認識に基づく信号解析方法及びシステム
Urdal et al. Prognostic prediction of histopathological images by local binary patterns and RUSBoost
CN112052816A (zh) 基于自适应图卷积对抗网络的人体行为预测方法及系统
CN112215365A (zh) 一种基于朴素贝叶斯模型提供特征预测能力方法
US12093833B2 (en) Visualization method for evaluating brain addiction traits, apparatus, and medium
Qiao Application of Gabor image recognition technology in intelligent clothing design
CN108846407A (zh) 基于独立成分高序不确定脑网络的磁共振影像分类方法
McCleary et al. Sign language recognition using micro-Doppler and explainable deep learning
CN116011307A (zh) 基于获取并识别噪声全景分布模型的信号分析方法及系统
JPWO2022116508A5 (ja)
Ding et al. Data collection and information security analysis in sports teaching system based on intelligent sensor
CN114429460A (zh) 一种基于属性感知关系推理的通用图像美学评估方法和装置
Jia et al. Adjacent age classification algorithm of yellow-feathered chickens based on multi-scale feature fusion

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230118

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231218

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240105

A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20240404

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: 20240726

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240820

R150 Certificate of patent or registration of utility model

Ref document number: 7546320

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150