JPH0785277A - データ分類方式 - Google Patents
データ分類方式Info
- Publication number
- JPH0785277A JPH0785277A JP5227409A JP22740993A JPH0785277A JP H0785277 A JPH0785277 A JP H0785277A JP 5227409 A JP5227409 A JP 5227409A JP 22740993 A JP22740993 A JP 22740993A JP H0785277 A JPH0785277 A JP H0785277A
- Authority
- JP
- Japan
- Prior art keywords
- classification
- data
- rule
- reliability
- result
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 本発明の目的は、事例データによる分類結果
と分類規則による分類結果を相補的に統合して、高精度
なデータ分類システムを構成することが可能なデータ分
類方式を提供することである。 【構成】 本発明は、分類結果90を出力する比較分類実
行手段10と、分類結果91を出力する分類規則実行手段20
と、入力データ70に類似する事例データ60数の多少に応
じて分類結果90の信頼度を算出する比較分類結果信頼度
算出手段30と、予め設定されたパラメータに従って、分
類結果91の信頼度を算出する分類規則信頼度算出手段40
と、分類結果90，91をそれぞれの信頼度で重み付けし、
最終的な分類結果92を出力する分類結果統合手段50とを
有する。
と分類規則による分類結果を相補的に統合して、高精度
なデータ分類システムを構成することが可能なデータ分
類方式を提供することである。 【構成】 本発明は、分類結果90を出力する比較分類実
行手段10と、分類結果91を出力する分類規則実行手段20
と、入力データ70に類似する事例データ60数の多少に応
じて分類結果90の信頼度を算出する比較分類結果信頼度
算出手段30と、予め設定されたパラメータに従って、分
類結果91の信頼度を算出する分類規則信頼度算出手段40
と、分類結果90，91をそれぞれの信頼度で重み付けし、
最終的な分類結果92を出力する分類結果統合手段50とを
有する。
Description
【０００１】
【産業上の利用分野】本発明は、データ分類方式に係
り、特に、入力データが複数の分類カテゴリのいずれに
属するものであるかを判定するデータ分類方式に関す
る。
り、特に、入力データが複数の分類カテゴリのいずれに
属するものであるかを判定するデータ分類方式に関す
る。
【０００２】詳しくは、文字認識システム、音声認識シ
ステムなどのパターン認識システムや、故障診断、医療
診断などの自動診断システムでは、認識・診断の対象物
から抽出される特徴量データに基づいて、その対象物が
属する分類カテゴリ・症状を決定するために不可欠な処
理に関する。
ステムなどのパターン認識システムや、故障診断、医療
診断などの自動診断システムでは、認識・診断の対象物
から抽出される特徴量データに基づいて、その対象物が
属する分類カテゴリ・症状を決定するために不可欠な処
理に関する。
【０００３】
【従来の技術】分類対象物の特徴量データは、一般に数
値データの組からなる特徴量ベクトル ｘ＝（ｘ1 ，ｘ2 ，…，ｘD ） である。また、分類カテゴリの集合Ｃは、 Ｃ＝｛ｃ1 ，ｃ2 ，…，ｃM ｝ と書くことができる。特徴量ベクトルｘが与えられた時
に、分類カテゴリの集合Ｃから分類カテゴリを選択して
対象物が属する分類カテゴリを判定する処理をデータ分
類処理と呼ぶ。
値データの組からなる特徴量ベクトル ｘ＝（ｘ1 ，ｘ2 ，…，ｘD ） である。また、分類カテゴリの集合Ｃは、 Ｃ＝｛ｃ1 ，ｃ2 ，…，ｃM ｝ と書くことができる。特徴量ベクトルｘが与えられた時
に、分類カテゴリの集合Ｃから分類カテゴリを選択して
対象物が属する分類カテゴリを判定する処理をデータ分
類処理と呼ぶ。
【０００４】データ分類処理を精度良く行うための技術
として、従来は、以下に示す２つの方法が用いられてい
る。
として、従来は、以下に示す２つの方法が用いられてい
る。
【０００５】〈従来の第１のデータ分類処理方法〉従来
の第１のデータ分類処理には、分類カテゴリが既知であ
る事例データを予め収集し、事例データの特徴量ベクト
ルと分類カテゴリが未知である入力データの特徴量ベク
トルを比較して、入力データの分類カテゴリを決定する
方法がある。この方法には、例えば、“長尾真『パター
ン情報処理』，コロナ社：４章，パターン認識の理論”
がある。
の第１のデータ分類処理には、分類カテゴリが既知であ
る事例データを予め収集し、事例データの特徴量ベクト
ルと分類カテゴリが未知である入力データの特徴量ベク
トルを比較して、入力データの分類カテゴリを決定する
方法がある。この方法には、例えば、“長尾真『パター
ン情報処理』，コロナ社：４章，パターン認識の理論”
がある。
【０００６】以下、図４において、従来の第１のデータ
分類処理を説明する。同図に示すシステムは、予め収集
された分類カテゴリが既知である事例データ集合１０１
と入力データ特徴量ベクトル１０３が比較分類実行部１
０２に入力され、比較分類実行部１０２は、それらのデ
ータを比較して、データ分類処理を実行し、分類結果１
０４を出力する。
分類処理を説明する。同図に示すシステムは、予め収集
された分類カテゴリが既知である事例データ集合１０１
と入力データ特徴量ベクトル１０３が比較分類実行部１
０２に入力され、比較分類実行部１０２は、それらのデ
ータを比較して、データ分類処理を実行し、分類結果１
０４を出力する。
【０００７】事例データ集合１０１は、特徴量ベクトル
と分類カテゴリの組からなる事例データの集合 ｛（ｘ1 ，ｃ（ｘ1 ）），（ｘ2 ，ｃ（ｘ2 ）），…，（ｘN ，ｃ（ｘN ））｝ である。但し、ｃ（ｘn ）∈Ｃである。
と分類カテゴリの組からなる事例データの集合 ｛（ｘ1 ，ｃ（ｘ1 ）），（ｘ2 ，ｃ（ｘ2 ）），…，（ｘN ，ｃ（ｘN ））｝ である。但し、ｃ（ｘn ）∈Ｃである。
【０００８】比較分類実行部１０２は、入力データ１０
３の特徴量ベクトルｘと各事例データ１０１の特徴量ベ
クトルｘn を比較して、分類カテゴリを選択する。選択
の方法には、種々のものが考えられるが、例えば、以下
のような方法がある。
３の特徴量ベクトルｘと各事例データ１０１の特徴量ベ
クトルｘn を比較して、分類カテゴリを選択する。選択
の方法には、種々のものが考えられるが、例えば、以下
のような方法がある。
【０００９】まず、入力データ１０３と各事例データ１
０１の特徴量ベクトル間の距離ｒ（ｘ，ｘn ）を算出
し、距離の近い順にＫ個（Ｋ：定数）の事例データを選
択する。次に、これらのＫ個の事例データについて各々
の分類カテゴリｃ（ｘn ）を調べ、各カテゴリｃ1 ，ｃ
2 ，…，ｃM の出現頻度Ｋ1 ，Ｋ2 ，…，ＫM を求め、
出現頻度の高い分類カテゴリを入力データ１０３に対す
る分類カテゴリとして選択する。
０１の特徴量ベクトル間の距離ｒ（ｘ，ｘn ）を算出
し、距離の近い順にＫ個（Ｋ：定数）の事例データを選
択する。次に、これらのＫ個の事例データについて各々
の分類カテゴリｃ（ｘn ）を調べ、各カテゴリｃ1 ，ｃ
2 ，…，ｃM の出現頻度Ｋ1 ，Ｋ2 ，…，ＫM を求め、
出現頻度の高い分類カテゴリを入力データ１０３に対す
る分類カテゴリとして選択する。
【００１０】〈従来の第２のデータ分類処理方法〉従来
の第２のデータ分類処理は、人間がデータ分類のための
規則を書き下ろす方法であって、診断型エキスパートシ
ステム当で、一般的に用いられる方法である。規則を表
現する方法としては、｛０、１｝の二値の判定結果を出
力するＩＦ−ＴＨＥＮルールや［０，１］の連続値で判
定結果を与えるファジールールや確信度付きルールが一
般に用いられる。このような方法として“長尾真，『知
識と推論』，岩波，７章エキスパートシステム”があ
る。
の第２のデータ分類処理は、人間がデータ分類のための
規則を書き下ろす方法であって、診断型エキスパートシ
ステム当で、一般的に用いられる方法である。規則を表
現する方法としては、｛０、１｝の二値の判定結果を出
力するＩＦ−ＴＨＥＮルールや［０，１］の連続値で判
定結果を与えるファジールールや確信度付きルールが一
般に用いられる。このような方法として“長尾真，『知
識と推論』，岩波，７章エキスパートシステム”があ
る。
【００１１】以下、図５において、従来の第２のデータ
分類処理を説明する。同図に示すシステムは、人間が書
き下ろした分類規則集合２０１と、入力データ特徴量ベ
クトル１０３が分類規則実行部２０２に入力され、分類
規則実行部２０２は、分類規則集合２０１に従ってデー
タ分類処理を実行する。
分類処理を説明する。同図に示すシステムは、人間が書
き下ろした分類規則集合２０１と、入力データ特徴量ベ
クトル１０３が分類規則実行部２０２に入力され、分類
規則実行部２０２は、分類規則集合２０１に従ってデー
タ分類処理を実行する。
【００１２】分類規則２０１としては、例えば、以下に
示すような特徴量の比較演算及び結果の論理積・論理和
からなるＩＦ−ＴＨＥＮ型ルールが用いられる。
示すような特徴量の比較演算及び結果の論理積・論理和
からなるＩＦ−ＴＨＥＮ型ルールが用いられる。
【００１３】 IF ｛（ｘ1 ＞ｈ1 ）and （ｘ2 ＞ｈ2 ｝ or （ｘ3 ＜ｈ3 ） THEN ｃ1 ELSE ｃ2 （１） 上記の規則は、特徴量ベクトルｘの要素ｘ1 ，ｘ2 ，ｘ
3 をそれぞれ定数ｈ1 ，ｈ2 ，ｈ3 と比較し、「ｘ1 が
ｈ1 より大きくかつｘ2 がｈ2 より大きいか、または、
ｘ3 がｈ3 より小さい時は、分類カテゴリｃ1 ，それ以
外の場合は、分類カテゴリｃ2 を選択する」ことを意味
している。
3 をそれぞれ定数ｈ1 ，ｈ2 ，ｈ3 と比較し、「ｘ1 が
ｈ1 より大きくかつｘ2 がｈ2 より大きいか、または、
ｘ3 がｈ3 より小さい時は、分類カテゴリｃ1 ，それ以
外の場合は、分類カテゴリｃ2 を選択する」ことを意味
している。
【００１４】分類規則実行部２０２は、特徴量ベクトル
ｘが入力されるとその各要素値を分類規則に当てはめて
分類結果１０４を出力する。
ｘが入力されるとその各要素値を分類規則に当てはめて
分類結果１０４を出力する。
【００１５】以上は、｛０，１｝の二値の判定結果を出
力するIF-THEN ルールの場合である。即ち、ある分類カ
テゴリｃh を選択するという分類結果をＦh ＝１、選択
しないという分類結果をＦh ＝０で表現すると、結果
は、 Ｆ＝（Ｆ1 ，Ｆ2 ，…，ＦM ） （但し、いずれかひとつのＦh が１、他は全て０）とな
る。例えば、（１）式の例では、得られる結論Ｆ＝（Ｆ
1 ，Ｆ2 ）は、（１，０）または（０，１）のいずれか
である。人間が書き下ろす規則の表現法として上述した
ファジールールや確信度付きルールを用いた場合は、分
類結果Ｆh は、［０，１］の連続値となり、例えば、 Ｆ＝（Ｆ1 ，Ｆ2 ）＝（０．７，０．３） といった結論が得られる。これは、分類カテゴリがｃ1
である可能性が０．７，ｃ2 である可能性が０．３であ
るという結論を表している。
力するIF-THEN ルールの場合である。即ち、ある分類カ
テゴリｃh を選択するという分類結果をＦh ＝１、選択
しないという分類結果をＦh ＝０で表現すると、結果
は、 Ｆ＝（Ｆ1 ，Ｆ2 ，…，ＦM ） （但し、いずれかひとつのＦh が１、他は全て０）とな
る。例えば、（１）式の例では、得られる結論Ｆ＝（Ｆ
1 ，Ｆ2 ）は、（１，０）または（０，１）のいずれか
である。人間が書き下ろす規則の表現法として上述した
ファジールールや確信度付きルールを用いた場合は、分
類結果Ｆh は、［０，１］の連続値となり、例えば、 Ｆ＝（Ｆ1 ，Ｆ2 ）＝（０．７，０．３） といった結論が得られる。これは、分類カテゴリがｃ1
である可能性が０．７，ｃ2 である可能性が０．３であ
るという結論を表している。
【００１６】
【発明が解決しようとする課題】しかしながら、上記の
従来の第１の方法は、事例データを収集するだけで、デ
ータ分類処理システムを構成することが可能であるが、
事例データが少ない場合や、収集した事例データになん
らかの偏りやノイズが含まれている場合には、分類精度
の低下を招くという問題がある。
従来の第１の方法は、事例データを収集するだけで、デ
ータ分類処理システムを構成することが可能であるが、
事例データが少ない場合や、収集した事例データになん
らかの偏りやノイズが含まれている場合には、分類精度
の低下を招くという問題がある。
【００１７】特に、いずれの事例データにも類似してい
ない入力データ、即ち、いずれの事例データに対しても
特徴量ベクトル間の距離ｒ（ｘ，ｘn ）の大きな入力デ
ータや、事例データ中のノイズデータに距離の近い入力
データに対しては、正しい分類結果が得られる可能性は
非常に低くなる。このため、高い分類精度を得るために
は、非常に多数の事例データを収集する必要が生じる。
ない入力データ、即ち、いずれの事例データに対しても
特徴量ベクトル間の距離ｒ（ｘ，ｘn ）の大きな入力デ
ータや、事例データ中のノイズデータに距離の近い入力
データに対しては、正しい分類結果が得られる可能性は
非常に低くなる。このため、高い分類精度を得るために
は、非常に多数の事例データを収集する必要が生じる。
【００１８】一方、上記の従来の第２の方法は、人間が
過去の経験や分類対象の性質を考慮して分類規則を書き
下ろすため、人間が分類対象に関して十分な知識をもっ
ていいる場合には、良い分類結果を得ることができる
が、一般の人間によって、分類対象に関して概略的・大
局的な性質を記述することは容易であるが、詳細で正確
な記述を行うことは困難である。
過去の経験や分類対象の性質を考慮して分類規則を書き
下ろすため、人間が分類対象に関して十分な知識をもっ
ていいる場合には、良い分類結果を得ることができる
が、一般の人間によって、分類対象に関して概略的・大
局的な性質を記述することは容易であるが、詳細で正確
な記述を行うことは困難である。
【００１９】例えば、ＩＦ−ＴＨＥＮルールにおける
（１）式の例で 「ｘ1 が適当な値ｈ1 より大きくかつｘ2 が適当な値ｈ
2 より大きいか、または、ｘ3 が適当な値ｈ3 より小さ
い時は、分類カテゴリｃ1 」といった定性的な関係を記
述することは、人間にとって比較的容易であるが、各定
数ｈ1 ，ｈ2 ，ｈ3 の値を正確に決定することは、非常
に困難であり、高い分類精度を得るためには、試行錯誤
的な調整が必要となる。
（１）式の例で 「ｘ1 が適当な値ｈ1 より大きくかつｘ2 が適当な値ｈ
2 より大きいか、または、ｘ3 が適当な値ｈ3 より小さ
い時は、分類カテゴリｃ1 」といった定性的な関係を記
述することは、人間にとって比較的容易であるが、各定
数ｈ1 ，ｈ2 ，ｈ3 の値を正確に決定することは、非常
に困難であり、高い分類精度を得るためには、試行錯誤
的な調整が必要となる。
【００２０】さらに、規則が複雑になるとそれを詳細に
書き下ろして調整する労力は膨大なものとなる。結論が
連続値で与えられるようなルール表現を用いたとしても
それは、中間的な表現が可能である、というだけに過ぎ
ず、高い分類精度を得るために、ルールの微妙な調整が
必要であることに変わりはない。
書き下ろして調整する労力は膨大なものとなる。結論が
連続値で与えられるようなルール表現を用いたとしても
それは、中間的な表現が可能である、というだけに過ぎ
ず、高い分類精度を得るために、ルールの微妙な調整が
必要であることに変わりはない。
【００２１】本発明は、上記の点に鑑みなされたもの
で、上記従来の問題点を解決し、事例データによる分類
結果と分類規則による分類結果を相補的に統合して、高
精度なデータ分類システムを構成することが可能なデー
タ分類方式を提供することを目的とする。
で、上記従来の問題点を解決し、事例データによる分類
結果と分類規則による分類結果を相補的に統合して、高
精度なデータ分類システムを構成することが可能なデー
タ分類方式を提供することを目的とする。
【００２２】
【課題を解決するための手段】図１は、本発明の原理構
成図である。
成図である。
【００２３】本発明は、分類対象物の特徴量データを入
力として、分類対象物の属する分類カテゴリを判定する
データ分類方式において、予め収集された分類結果が既
知である事例データ６０と入力データ７０とを比較し
て、第１の分類結果９０を出力する比較分類実行手段１
０と、入力データ７０を予め設定された分類規則８０に
従って、分類して得られる第２の分類結果９１を出力す
る分類規則実行手段２０と、入力データ７０に類似する
事例データ６０数の多少に応じて第１の分類結果９０の
信頼度を算出する比較分類結果信頼度算出手段３０と、
予め設定されたパラメータに従って、第２の分類結果９
１の信頼度を算出する分類規則信頼度算出手段４０と、
第１及び第２の分類結果９０，９１を第１と第２の分類
結果の信頼度で重み付けして、最終的な分類結果９２を
出力する分類結果統合手段５０とを有する。
力として、分類対象物の属する分類カテゴリを判定する
データ分類方式において、予め収集された分類結果が既
知である事例データ６０と入力データ７０とを比較し
て、第１の分類結果９０を出力する比較分類実行手段１
０と、入力データ７０を予め設定された分類規則８０に
従って、分類して得られる第２の分類結果９１を出力す
る分類規則実行手段２０と、入力データ７０に類似する
事例データ６０数の多少に応じて第１の分類結果９０の
信頼度を算出する比較分類結果信頼度算出手段３０と、
予め設定されたパラメータに従って、第２の分類結果９
１の信頼度を算出する分類規則信頼度算出手段４０と、
第１及び第２の分類結果９０，９１を第１と第２の分類
結果の信頼度で重み付けして、最終的な分類結果９２を
出力する分類結果統合手段５０とを有する。
【００２４】また、本発明は、分類規則信頼度算出手段
４０において、第２の分類結果９１の信頼度を算出する
ためのパラメータを最適な値に調整するために、予め収
集された分類結果が既知である事例データ６０に、比較
分類実行手段１０、分類規則実行手段２０、比較分類結
果信頼度算出手段３０、分類規則信頼度算出手段４０及
び分類結果統合手段５０とを適用して得られる分類結果
９２と、事例データの既知である分類結果とを比較する
ことにより調整する分類規則信頼度調整手段を含む。
４０において、第２の分類結果９１の信頼度を算出する
ためのパラメータを最適な値に調整するために、予め収
集された分類結果が既知である事例データ６０に、比較
分類実行手段１０、分類規則実行手段２０、比較分類結
果信頼度算出手段３０、分類規則信頼度算出手段４０及
び分類結果統合手段５０とを適用して得られる分類結果
９２と、事例データの既知である分類結果とを比較する
ことにより調整する分類規則信頼度調整手段を含む。
【００２５】
【作用】本発明は、まず、従来と同様に入力データの特
徴量ベクトルから各々分類結果を出力すると、出力され
た分類結果に対する信頼度を、入力データの特徴量ベク
トルと、各事例データの特徴量との距離を計算し、特徴
量ベクトル空間内における入力データの周辺の事例デー
タの分布密度を算出することにより行う。ここで、分布
密度が低ければ、入力データに類似する事例データが少
ないので、事例データに基づく分類結果の信頼性は低く
なることが分かる。逆に分布密度が高ければ、事例デー
タに基づく分類結果の信頼性が高くなることが分かる。
従って、比較分類結果の信頼度の計算により、上記の分
布密度を事例データに基づく分類結果の信頼度として出
力する。
徴量ベクトルから各々分類結果を出力すると、出力され
た分類結果に対する信頼度を、入力データの特徴量ベク
トルと、各事例データの特徴量との距離を計算し、特徴
量ベクトル空間内における入力データの周辺の事例デー
タの分布密度を算出することにより行う。ここで、分布
密度が低ければ、入力データに類似する事例データが少
ないので、事例データに基づく分類結果の信頼性は低く
なることが分かる。逆に分布密度が高ければ、事例デー
タに基づく分類結果の信頼性が高くなることが分かる。
従って、比較分類結果の信頼度の計算により、上記の分
布密度を事例データに基づく分類結果の信頼度として出
力する。
【００２６】さらに、分類規則を実行した分類結果の信
頼度を、事前に事例データを用いて算出したパラメータ
に基づいて分類規則の信頼度を出力する。事例データに
対する分類規則の分類精度が高ければ、この信頼度も高
くなるように設定される。
頼度を、事前に事例データを用いて算出したパラメータ
に基づいて分類規則の信頼度を出力する。事例データに
対する分類規則の分類精度が高ければ、この信頼度も高
くなるように設定される。
【００２７】このようにして得られた分類結果の各々の
信頼度から双方の分類結果に重み付けをして最終的な分
類結果を出力することにより、入力データに類似する事
例データが少ない場合には分類規則による分類結果が優
先され、逆に入力データに類似する事例データが多い場
合は、事例データに基づく分類結果を優先した判断が行
われる。また、事例データに対する分類規則の正解率が
低く、分類規則が十分詳細に記述されていないと考えら
れる場合も、事例データに基づく分類結果を優先した判
断が行われる。
信頼度から双方の分類結果に重み付けをして最終的な分
類結果を出力することにより、入力データに類似する事
例データが少ない場合には分類規則による分類結果が優
先され、逆に入力データに類似する事例データが多い場
合は、事例データに基づく分類結果を優先した判断が行
われる。また、事例データに対する分類規則の正解率が
低く、分類規則が十分詳細に記述されていないと考えら
れる場合も、事例データに基づく分類結果を優先した判
断が行われる。
【００２８】このように、本発明のデータ分類方式で
は、事例データによる分類結果と分類規則による分類結
果を相補的に統合してデータ分類処理の精度を高めるこ
とが可能である。
は、事例データによる分類結果と分類規則による分類結
果を相補的に統合してデータ分類処理の精度を高めるこ
とが可能である。
【００２９】
【実施例】以下、図面と共に本発明の実施例を詳細に説
明する。
明する。
【００３０】図２は、本発明の一実施例を示すデータ分
類システムの構成を示す。同図において、図４及び図５
と同一構成部分には、同一符号を付し、その説明を省略
する。
類システムの構成を示す。同図において、図４及び図５
と同一構成部分には、同一符号を付し、その説明を省略
する。
【００３１】図２に示すシステムは、入力事例データ集
合１０１、比較分類実行部１０２、入力データ特徴量ベ
クトル１０３、分類規則集合２０１、分類規則実行部２
０２、分類結果１０４に加えて、比較分類実行部１０２
により出力された分類結果の信頼度を算出する比較分類
結果信頼度算出部３１０、分類規則実行部２０２により
出力された分類結果の信頼度を算出する分類規則信頼度
算出部３２０、事例データ１０１に基づく分類結果と分
類規則に基づく分類結果を信頼度を用いて重み付けして
最終的な分類結果とする分類結果統合部３３０、分類規
則２０１による分類結果の信頼度を算出するためのパラ
メータを最適な値に調整する分類規則信頼度調整部３３
１から構成される。
合１０１、比較分類実行部１０２、入力データ特徴量ベ
クトル１０３、分類規則集合２０１、分類規則実行部２
０２、分類結果１０４に加えて、比較分類実行部１０２
により出力された分類結果の信頼度を算出する比較分類
結果信頼度算出部３１０、分類規則実行部２０２により
出力された分類結果の信頼度を算出する分類規則信頼度
算出部３２０、事例データ１０１に基づく分類結果と分
類規則に基づく分類結果を信頼度を用いて重み付けして
最終的な分類結果とする分類結果統合部３３０、分類規
則２０１による分類結果の信頼度を算出するためのパラ
メータを最適な値に調整する分類規則信頼度調整部３３
１から構成される。
【００３２】同図に示すデータ分類システムは、予め収
集した事例データ１０１を用いて分類規則の信頼度を算
出するためのパラメータを最適な値に調整する準備モー
ドと、分類カテゴリが未知である入力データの分類カテ
ゴリを判定する実行モードの２つの動作を行う。
集した事例データ１０１を用いて分類規則の信頼度を算
出するためのパラメータを最適な値に調整する準備モー
ドと、分類カテゴリが未知である入力データの分類カテ
ゴリを判定する実行モードの２つの動作を行う。
【００３３】〈実行モード〉まず、実行モードの動作の
説明を行う。
説明を行う。
【００３４】実行モードにおいて、比較分類実行部１
０２、比較分類結果信頼度算出部３１０、分類規則実行
部２０２、分類規則信頼度算出部３２０の各々は、入力
データの特徴量ベクトルｘ＝（ｘ1 ，ｘ2 ，…，ｘD ）
を入力として受け取る。
０２、比較分類結果信頼度算出部３１０、分類規則実行
部２０２、分類規則信頼度算出部３２０の各々は、入力
データの特徴量ベクトルｘ＝（ｘ1 ，ｘ2 ，…，ｘD ）
を入力として受け取る。
【００３５】比較分類実行部１０２は、入力データの
特徴量ベクトルｘと事例データ集合１０１中の各事例デ
ータの特徴量ベクトルｘn との距離ｒ（ｘ，ｘn ）を算
出する。Ｄ次元ベクトルｕ＝（ｕ1 ，ｕ2 ，…，ｕD ）
とｖ＝（ｖ1 ，ｖ2 ，…，ｖ D ）との距離ｒ（ｕ，ｖ）
としては、例えば、以下のような式で算出されるユーク
リッド距離を用いる。
特徴量ベクトルｘと事例データ集合１０１中の各事例デ
ータの特徴量ベクトルｘn との距離ｒ（ｘ，ｘn ）を算
出する。Ｄ次元ベクトルｕ＝（ｕ1 ，ｕ2 ，…，ｕD ）
とｖ＝（ｖ1 ，ｖ2 ，…，ｖ D ）との距離ｒ（ｕ，ｖ）
としては、例えば、以下のような式で算出されるユーク
リッド距離を用いる。
【００３６】
【数１】
【００３７】次に、求めた距離の近い順にＫ個（Ｋ：
定数）の事例データを選択し、これらの各々の分類カテ
ゴリを調べて各カテゴリｃ1 ，ｃ2 ，…，ｃM の出現頻
度Ｋ1 ，Ｋ2，…，ＫM を求める。そして、各カテゴリ
の出現頻度をＫで割って得られる出現率を一組のデータ Ｐ＝（Ｐ1 ，Ｐ2 ，…ＰM ）＝（Ｋ1 ／Ｋ，Ｋ2 ／Ｋ，…，ＫM ／Ｋ） にまとめ、事例データに基づく分類結果として分類結果
統合部３３０に送る。
定数）の事例データを選択し、これらの各々の分類カテ
ゴリを調べて各カテゴリｃ1 ，ｃ2 ，…，ｃM の出現頻
度Ｋ1 ，Ｋ2，…，ＫM を求める。そして、各カテゴリ
の出現頻度をＫで割って得られる出現率を一組のデータ Ｐ＝（Ｐ1 ，Ｐ2 ，…ＰM ）＝（Ｋ1 ／Ｋ，Ｋ2 ／Ｋ，…，ＫM ／Ｋ） にまとめ、事例データに基づく分類結果として分類結果
統合部３３０に送る。
【００３８】比較分類結果信頼度算出部３１０は、比
較分類実行部１０２と同様に入力データ１０３と各事例
データ１０１の特徴量ベクトル間の距離ｒ（ｘ，ｘn ）
を算出し、距離の近い順にＫ個（Ｋ：定数）の事例デー
タを選択する。そして、Ｋ番目の事例データまでの特徴
量ベクトルの距離ｒK を求める。
較分類実行部１０２と同様に入力データ１０３と各事例
データ１０１の特徴量ベクトル間の距離ｒ（ｘ，ｘn ）
を算出し、距離の近い順にＫ個（Ｋ：定数）の事例デー
タを選択する。そして、Ｋ番目の事例データまでの特徴
量ベクトルの距離ｒK を求める。
【００３９】次に、半径ｒK のＤ次元超球の体積Ｖを
求め、特徴量ベクトル空間内における入力データの周辺
の事例データの分布密度Ｋ／Ｖを算出する。得られた分
布密度は、事例データに基づく分類結果の信頼度とし
て、分類結果統合部３３０に送られる。
求め、特徴量ベクトル空間内における入力データの周辺
の事例データの分布密度Ｋ／Ｖを算出する。得られた分
布密度は、事例データに基づく分類結果の信頼度とし
て、分類結果統合部３３０に送られる。
【００４０】分類規則実行部２０２は、特徴量ベクト
ルｘが入力されるとその各要素値を分類規則２０１に当
てはめて分類結果を出力する。動作は、従来の第２の方
法と同様であって、分類結果は、各カテゴリｃ1 ，
ｃ2 ，…，ｃM に対応した数値の組Ｆ＝（Ｆ1 ，Ｆ2 ，
…，ＦM ）として出力される。分類規則が２値の判定結
果を出力するIF-THEN ルールの場合は、Ｆm は｛０，
１｝の二値であり、ファジィ規則のように連続値の判定
結果を出力する場合は、Ｆm は［０，１］の連続値であ
る。
ルｘが入力されるとその各要素値を分類規則２０１に当
てはめて分類結果を出力する。動作は、従来の第２の方
法と同様であって、分類結果は、各カテゴリｃ1 ，
ｃ2 ，…，ｃM に対応した数値の組Ｆ＝（Ｆ1 ，Ｆ2 ，
…，ＦM ）として出力される。分類規則が２値の判定結
果を出力するIF-THEN ルールの場合は、Ｆm は｛０，
１｝の二値であり、ファジィ規則のように連続値の判定
結果を出力する場合は、Ｆm は［０，１］の連続値であ
る。
【００４１】分類規則信頼度算出部３２０は、特徴量
ベクトルｘが入力されると、分類規則による分類結果の
信頼度Ａとして、 Ａ＝Ａ（ｘ；ａ） （３） となる、ｘとパラメータベクトル ａ＝（ａ1 ，ａ2 ，…，ａQ ） の関数の値を計算して出力する。ここで、パラメータベ
クトルａの値は、後述する準備モードにおいて決定され
る。関数Ａ（ｘ，ａ）は、正の値を取るものであれば、
どのようなものであってもよく、最も簡単な場合は、ｘ
に対して定数であるような関数、例えば、 Ａ（ｘ，ａ）＝ｅa ＞０ を用いればよい。この場合には分類規則信頼度算出部３
２０は、常にＡ＝ｅa を出力する。
ベクトルｘが入力されると、分類規則による分類結果の
信頼度Ａとして、 Ａ＝Ａ（ｘ；ａ） （３） となる、ｘとパラメータベクトル ａ＝（ａ1 ，ａ2 ，…，ａQ ） の関数の値を計算して出力する。ここで、パラメータベ
クトルａの値は、後述する準備モードにおいて決定され
る。関数Ａ（ｘ，ａ）は、正の値を取るものであれば、
どのようなものであってもよく、最も簡単な場合は、ｘ
に対して定数であるような関数、例えば、 Ａ（ｘ，ａ）＝ｅa ＞０ を用いればよい。この場合には分類規則信頼度算出部３
２０は、常にＡ＝ｅa を出力する。
【００４２】分類結果統合部３３０は、上記で算出さ
れた値から最終的な分類結果を算出する。即ち、比較分
類実行部１０２で算出された事例データに基づく分類結
果 Ｐ＝（Ｐ1 ，Ｐ2 ，…，ＰM ） を比較分類結果信頼度算出部３１０で算出された事例デ
ータに基づく分類結果の信頼度Ｋ／Ｖに比例する値で重
み付けし、分類規則実行部２０２で算出された分類規則
に基づく分類結果 Ｆ＝（Ｆ1 ，Ｆ2 ，…，ＦM ） を分類規則信頼度算出部３２０で算出された分類結果の
信頼度Ａに比例する値で重み付けし、これらを足し合わ
せて分類結果を求める。
れた値から最終的な分類結果を算出する。即ち、比較分
類実行部１０２で算出された事例データに基づく分類結
果 Ｐ＝（Ｐ1 ，Ｐ2 ，…，ＰM ） を比較分類結果信頼度算出部３１０で算出された事例デ
ータに基づく分類結果の信頼度Ｋ／Ｖに比例する値で重
み付けし、分類規則実行部２０２で算出された分類規則
に基づく分類結果 Ｆ＝（Ｆ1 ，Ｆ2 ，…，ＦM ） を分類規則信頼度算出部３２０で算出された分類結果の
信頼度Ａに比例する値で重み付けし、これらを足し合わ
せて分類結果を求める。
【００４３】上記の処理を数式で表すと、統合した分類
結果を Ｙ＝（Ｙ1 ，Ｙ2 ，…，ＹM ）として、
結果を Ｙ＝（Ｙ1 ，Ｙ2 ，…，ＹM ）として、
【００４４】
【数２】 となる。
【００４５】以上によって求められた分類結果の
Ｙ1 ，Ｙ2 ，…ＹM の最大値Ｙm に対応する分類カテゴ
リｃm を最終的な分類結果として出力する。
Ｙ1 ，Ｙ2 ，…ＹM の最大値Ｙm に対応する分類カテゴ
リｃm を最終的な分類結果として出力する。
【００４６】〈準備モード〉次に、予め収集した事例デ
ータを用いて分類規則の信頼度を算出する、準備モード
について説明する。この準備モードにおいては、（３）
式に示した分類規則の信頼度を算出する関数Ａ＝Ａ
（ｘ；ａ）のパラメータａが決定される。パラメータａ
の決定は、以下のような原理に基づいて行われる。
ータを用いて分類規則の信頼度を算出する、準備モード
について説明する。この準備モードにおいては、（３）
式に示した分類規則の信頼度を算出する関数Ａ＝Ａ
（ｘ；ａ）のパラメータａが決定される。パラメータａ
の決定は、以下のような原理に基づいて行われる。
【００４７】事例データ集合１０１中の一つの事例デー
タを（ｘn ，ｃ（ｘn ））とする。この事例データの特
徴量ベクトルｘn を入力として、上記の実行モードと同
様の動作を行い、分類結果Ｙn を求める。一方、事例デ
ータの分類カテゴリｃ（ｘn）は分類カテゴリの集合Ｃ
＝｛ｃ1 ，ｃ2 ，…，ｃM ｝のいずれかであるので、ｃ
（ｘn ）がｍ番目の分類カテゴリｃm であるとき、ｍ番
目の要素のみが１、他の要素が０であるような、Ｍ次元
のベクトルｃn を考える。
タを（ｘn ，ｃ（ｘn ））とする。この事例データの特
徴量ベクトルｘn を入力として、上記の実行モードと同
様の動作を行い、分類結果Ｙn を求める。一方、事例デ
ータの分類カテゴリｃ（ｘn）は分類カテゴリの集合Ｃ
＝｛ｃ1 ，ｃ2 ，…，ｃM ｝のいずれかであるので、ｃ
（ｘn ）がｍ番目の分類カテゴリｃm であるとき、ｍ番
目の要素のみが１、他の要素が０であるような、Ｍ次元
のベクトルｃn を考える。
【００４８】この事例データの分類カテゴリを表すベク
トルｃn と、事例データに対して実行モードと同様の動
作を適用して得られる分類結果Ｙn との相違を表す関数
ｅ（Ｙn ，ｃn ）を設定する。関数ｅ（Ｙn ，ｃn ）と
しては、例えば、以下のような二乗誤差
トルｃn と、事例データに対して実行モードと同様の動
作を適用して得られる分類結果Ｙn との相違を表す関数
ｅ（Ｙn ，ｃn ）を設定する。関数ｅ（Ｙn ，ｃn ）と
しては、例えば、以下のような二乗誤差
【００４９】
【数３】 を用いることができる。（４）式よりＹn はＡの関数で
あり、Ａは（３）式のようにａの関数であるから、結
局、関数ｅ（Ｙn ，ｃn ）はａの関数である。従って、
関数 ｅ（Ｙn ，ｃn ）＝ｅ（Ｙn ，ｃn ；ａ） をＮ個の事例データ全てに対して足し合わせた総和
あり、Ａは（３）式のようにａの関数であるから、結
局、関数ｅ（Ｙn ，ｃn ）はａの関数である。従って、
関数 ｅ（Ｙn ，ｃn ）＝ｅ（Ｙn ，ｃn ；ａ） をＮ個の事例データ全てに対して足し合わせた総和
【００５０】
【数４】 を評価関数とし、評価関数Ｅ（ａ）ができるだけ小さく
なるようにａを調節することができる。
なるようにａを調節することができる。
【００５１】このような、関数の極小化には、一般によ
く知られた最急降下法などの数値計算手法が適用できる
“Ｊ．ウォルシュ『数値計算概論』，日本評論社）即
ち、λを適当な正の整数とし、ａ＝（ａ1 ，ａ2 ，…，
ａQ ）を以下の式
く知られた最急降下法などの数値計算手法が適用できる
“Ｊ．ウォルシュ『数値計算概論』，日本評論社）即
ち、λを適当な正の整数とし、ａ＝（ａ1 ，ａ2 ，…，
ａQ ）を以下の式
【００５２】
【数５】 に従って、適当な初期値ａ(0) からａ(1) ，ａ(2) ，
…，ａ(s) と順次計算し、Ｅ'(ａ) の大きさが十分小さ
くなったとき処理を終了する。
…，ａ(s) と順次計算し、Ｅ'(ａ) の大きさが十分小さ
くなったとき処理を終了する。
【００５３】例えば、関数ｅ（Ｙn ，ｃn ）として、
（５）式のものを使い、（３）式の関数Ａ＝Ａ（ｘ；
ａ）として最も簡単なＡがｘに対して定数である場合Ａ
＝ｅa を考えると（８）式は以下のようになる。
（５）式のものを使い、（３）式の関数Ａ＝Ａ（ｘ；
ａ）として最も簡単なＡがｘに対して定数である場合Ａ
＝ｅa を考えると（８）式は以下のようになる。
【００５４】
【数６】
【００５５】上記原理に基づく動作の詳細を図５に示
す。図５は、本発明の一実施例のデータ分類システムの
準備モード時の動作を示すフローチャートを示す。
す。図５は、本発明の一実施例のデータ分類システムの
準備モード時の動作を示すフローチャートを示す。
【００５６】ステップ１：分類規則信頼度算出部３２０
において、パラメータａを適当な初期値ａ(0) に設定す
る。
において、パラメータａを適当な初期値ａ(0) に設定す
る。
【００５７】ステップ２：分類規則信頼度調整部３３１
は、（１０）式のＥ’（ａ）の値を算出するためにＥ’
の値を０に初期設定する。
は、（１０）式のＥ’（ａ）の値を算出するためにＥ’
の値を０に初期設定する。
【００５８】ステップ３）事例データ集合１０１中の事
例データ ｛（ｘ1 ，ｃ（ｘ1 ）），（ｘ2 ，ｃ（ｘ2 ）），…，（ｘN ，ｃ（ｘN ））｝ を順次取り出し、以下のステップ３１から３６の動作を
全ての事例データについて繰り返す。
例データ ｛（ｘ1 ，ｃ（ｘ1 ）），（ｘ2 ，ｃ（ｘ2 ）），…，（ｘN ，ｃ（ｘN ））｝ を順次取り出し、以下のステップ３１から３６の動作を
全ての事例データについて繰り返す。
【００５９】ステップ３１）比較分類実行部１０２は、
実行モードと同様の動作により特徴量ベクトルｘn に対
する事例データに基づく分類結果Ｐn を算出する。但
し、事例データとの距離の計算を行う際に、特徴量ベク
トルｘn 自身は、対象から除外することが望ましい。
実行モードと同様の動作により特徴量ベクトルｘn に対
する事例データに基づく分類結果Ｐn を算出する。但
し、事例データとの距離の計算を行う際に、特徴量ベク
トルｘn 自身は、対象から除外することが望ましい。
【００６０】ステップ３２）比較分類結果信頼度算出部
３１０は実行モードと同様の動作により特徴量ベクトル
ｘn に対する事例データに基づく分類結果の信頼度Ｋ／
Ｖnを算出する。但し、事例データとの距離の計算を行
う際に特徴量ベクトルｘn 自身は、対象から除外するこ
とが望ましい。
３１０は実行モードと同様の動作により特徴量ベクトル
ｘn に対する事例データに基づく分類結果の信頼度Ｋ／
Ｖnを算出する。但し、事例データとの距離の計算を行
う際に特徴量ベクトルｘn 自身は、対象から除外するこ
とが望ましい。
【００６１】ステップ３３）分類規則実行部２０２は、
実行モードと同様の動作により、特徴量ベクトルｘn に
対する分類規則に基づく分類結果Ｆn を算出する。
実行モードと同様の動作により、特徴量ベクトルｘn に
対する分類規則に基づく分類結果Ｆn を算出する。
【００６２】ステップ３４）分類規則信頼度算出部３２
０は、実行モードと同様の動作により特徴量ベクトルｘ
n に対する分類規則に基づく分類結果の信頼度Ａ＝ｅa
を算出する。
０は、実行モードと同様の動作により特徴量ベクトルｘ
n に対する分類規則に基づく分類結果の信頼度Ａ＝ｅa
を算出する。
【００６３】ステップ３５）分類結果統合部３３０は、
実行モードと同様の動作により、特徴量ベクトルｘn に
対する最終的な分類結果Ｙn を算出する。
実行モードと同様の動作により、特徴量ベクトルｘn に
対する最終的な分類結果Ｙn を算出する。
【００６４】ステップ３６）分類規則信頼度調整部３３
１は、（１０）式のＥ’（ａ）の値を算出するために上
記のステップ３１〜３５で算出されたＰn ，Ｆn ，
Ｙn ，Ｋ／Ｖn ，ｅa 及び、事例データの分類カテゴリ
ｃ（ｘn ）から決定される分類カテゴリを表すベクトル
ｃn を用いてＥ’の値を以下の式に従って更新する。
１は、（１０）式のＥ’（ａ）の値を算出するために上
記のステップ３１〜３５で算出されたＰn ，Ｆn ，
Ｙn ，Ｋ／Ｖn ，ｅa 及び、事例データの分類カテゴリ
ｃ（ｘn ）から決定される分類カテゴリを表すベクトル
ｃn を用いてＥ’の値を以下の式に従って更新する。
【００６５】
【数７】
【００６６】ステップ４：分類規則信頼度調整部３３１
は、上記ステップ３１〜３６の繰り返しによって得られ
たＥ’の値を用いてパラメータａの修正量−λＥ’を算
出する。
は、上記ステップ３１〜３６の繰り返しによって得られ
たＥ’の値を用いてパラメータａの修正量−λＥ’を算
出する。
【００６７】ステップ５：比較分類結果信頼度算出部３
１０は、パラメータａをａ−λＥ’に修正する。
１０は、パラメータａをａ−λＥ’に修正する。
【００６８】ステップ６：もし、ステップ４における
Ｅ’が十分小さな値であれば、処理を終了する。そうで
なければ、ステップ２に戻り、上記の処理を繰り返す。
Ｅ’が十分小さな値であれば、処理を終了する。そうで
なければ、ステップ２に戻り、上記の処理を繰り返す。
【００６９】なお、上記の実施例において、事例データ
に基づく分類を行う比較分類実行部３１０は、他の事例
データに基づく分類を行う手段に置き換えることも可能
である。このような手段の例としては、各種のニューラ
ルネットワーク“麻生英樹『ニューラルネットワーク情
報処理』，産業図書”や事例データの統計量に基づく分
類方式“長尾真『パターン情報処理』，コロナ社，４章
パターン認識の理論”等を適用することができる。
に基づく分類を行う比較分類実行部３１０は、他の事例
データに基づく分類を行う手段に置き換えることも可能
である。このような手段の例としては、各種のニューラ
ルネットワーク“麻生英樹『ニューラルネットワーク情
報処理』，産業図書”や事例データの統計量に基づく分
類方式“長尾真『パターン情報処理』，コロナ社，４章
パターン認識の理論”等を適用することができる。
【００７０】また、比較分類結果信頼度算出部３１０
は、特徴量ベクトル空間内における入力データの周辺の
事例データの分布密度を算出することができる他の方法
と置き換えることができる。このような方法は、“R.Du
da and P.Hart,"Pattern Classification and Scence A
nalysis", John Wiley and Sons, Chapter 4 "Nonparam
etric Techniques" などに記述されている。
は、特徴量ベクトル空間内における入力データの周辺の
事例データの分布密度を算出することができる他の方法
と置き換えることができる。このような方法は、“R.Du
da and P.Hart,"Pattern Classification and Scence A
nalysis", John Wiley and Sons, Chapter 4 "Nonparam
etric Techniques" などに記述されている。
【００７１】また、分類規則による分類結果の信頼度を
与える関数Ａ＝Ａ（ｘ；ａ）として、上記実施例におい
ては、最も簡単なＡ＝ｅa の場合を詳述したが、上記で
も述べたように、この関数は、ｘ及びａを変数とする任
意のものを用いることができる。
与える関数Ａ＝Ａ（ｘ；ａ）として、上記実施例におい
ては、最も簡単なＡ＝ｅa の場合を詳述したが、上記で
も述べたように、この関数は、ｘ及びａを変数とする任
意のものを用いることができる。
【００７２】さらに、パラメータａを調整する基準とな
る関数ｅ（Ｙ，ｃ）については二乗誤差を用いる場合を
詳述したが、例えば、評価関数Ｅ（ａ）が事例データに
対する正解数となるように、事例データの分類カテゴリ
がｃm であるとき、Ｙの要素Ｙ1 ，Ｙ2 ，…，ＹM のｍ
番目の要素Ｙm が最大値である場合に１、それ以外の要
素が最大値の場合０となるような関数をｅ（Ｙ，ｃ）と
して用いて、評価関数Ｅ（ａ）ができるだけ大きくなよ
うにパラメータａを調整しても同様な効果を得ることが
できる。
る関数ｅ（Ｙ，ｃ）については二乗誤差を用いる場合を
詳述したが、例えば、評価関数Ｅ（ａ）が事例データに
対する正解数となるように、事例データの分類カテゴリ
がｃm であるとき、Ｙの要素Ｙ1 ，Ｙ2 ，…，ＹM のｍ
番目の要素Ｙm が最大値である場合に１、それ以外の要
素が最大値の場合０となるような関数をｅ（Ｙ，ｃ）と
して用いて、評価関数Ｅ（ａ）ができるだけ大きくなよ
うにパラメータａを調整しても同様な効果を得ることが
できる。
【００７３】なお、本発明は、上記実施例に限定される
ことなく、本発明の主旨を逸脱しない範囲で種々変更を
加えることができる。
ことなく、本発明の主旨を逸脱しない範囲で種々変更を
加えることができる。
【００７４】
【発明の効果】上述のように、本発明のデータ分類方式
によれば、入力データに類似する事例データが少ない場
合は、分類規則による分類結果を優先し、逆に入力デー
タに類似する事例データが多い場合や、分類規則の正解
率が低い場合は、事例データに基づく分類結果を優先し
てデータ分類処理を行うように構成したので、事例デー
タによる分類結果と分類規則による分類結果を相補的に
統合して高精度なデータ分類処理を行うことが可能とな
る。
によれば、入力データに類似する事例データが少ない場
合は、分類規則による分類結果を優先し、逆に入力デー
タに類似する事例データが多い場合や、分類規則の正解
率が低い場合は、事例データに基づく分類結果を優先し
てデータ分類処理を行うように構成したので、事例デー
タによる分類結果と分類規則による分類結果を相補的に
統合して高精度なデータ分類処理を行うことが可能とな
る。
【図１】本発明の原理構成図である。
【図２】本発明の一実施例のデータ分類システムの構成
図である。
図である。
【図３】本発明の一実施例のデータ分類システムの動作
を示すフローチャートである。
を示すフローチャートである。
【図４】従来の第１のデータ分類処理を説明するための
図である。
図である。
【図５】従来の第２のデータ分類処理を説明するための
図である。
図である。
１０ 比較分類実行手段 ２０ 分類規則実行手段 ３０ 比較分類結果信頼度算出手段 ４０ 分類規則信頼度算出手段 ５０ 分類結果統合手段 ６０ 事例データ ７０ 入力データ ８０ 分類規則 ９０ 第１の分類結果 ９１ 第２の分類結果 ９２ 最終的な分類結果 １０１ 事例データ集合 １０２ 比較分類実行部 １０３ 入力データ特徴量ベクトル １０４ 分類結果 ２０１ 分類規則集合 ２０２ 分類規則実行部 ３１０ 比較分類結果信頼度算出部 ３２０ 分類規則信頼度算出部 ３３０ 分類結果統合部 ３３１ 分類規則信頼度調整部
Claims (2)
- 【請求項１】 分類対象物の特徴量データを入力データ
として、分類対象物の属する分類カテゴリを判定するデ
ータ分類方式において、 予め収集された分類結果が既知である事例データと入力
データとを比較して、第１の分類結果を出力する比較分
類実行手段と、 該入力データを予め設定された分類規則に従って、分類
して得られる第２の分類結果を出力する分類規則実行手
段と、 該入力データに類似する事例データ数の多少に応じて該
第１の分類結果の信頼度を算出する比較分類結果信頼度
算出手段と、 予め設定されたパラメータに従って、該第２の分類結果
の信頼度を算出する分類規則信頼度算出手段と、 該第１及び該第２の分類結果を該第１と該第２の分類結
果の信頼度で重み付けして、最終的な分類結果を出力す
る分類結果統合手段とを有することを特徴とするデータ
分類方式。 - 【請求項２】 前記分類規則信頼度算出手段において、
前記第２の分類結果の信頼度を算出するための前記パラ
メータを最適な値に調整するために、予め収集された分
類結果が既知である事例データに、前記比較分類実行手
段、前記分類規則実行手段、前記比較分類結果信頼度算
出手段、前記分類規則信頼度算出手段及び分類結果統合
手段とを適用して得られる分類結果と、該事例データの
既知である分類結果とを比較することにより調整する分
類規則信頼度調整手段を含む請求項１記載のデータ分類
方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5227409A JPH0785277A (ja) | 1993-09-13 | 1993-09-13 | データ分類方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5227409A JPH0785277A (ja) | 1993-09-13 | 1993-09-13 | データ分類方式 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0785277A true JPH0785277A (ja) | 1995-03-31 |
Family
ID=16860388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5227409A Pending JPH0785277A (ja) | 1993-09-13 | 1993-09-13 | データ分類方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0785277A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0981730A (ja) * | 1995-09-18 | 1997-03-28 | Canon Inc | パターン認識方法及び装置及びコンピュータ制御装置 |
| JP2005141687A (ja) * | 2003-11-10 | 2005-06-02 | Nippon Telegr & Teleph Corp <Ntt> | 物体追跡方法、物体追跡装置、物体追跡システム、プログラム、および、記録媒体 |
| JP2007293489A (ja) * | 2006-04-24 | 2007-11-08 | Mitsubishi Electric Corp | 設備機器用故障診断装置および設備機器用故障診断方法 |
| WO2020070943A1 (ja) * | 2018-10-03 | 2020-04-09 | 株式会社Ｎｔｔドコモ | パターン認識装置及び学習済みモデル |
| JP2022535165A (ja) * | 2019-08-15 | 2022-08-04 | コリブラ エヌブイ | 多数の分類モジュールから集約された情報を使用するデータ分類 |
-
1993
- 1993-09-13 JP JP5227409A patent/JPH0785277A/ja active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0981730A (ja) * | 1995-09-18 | 1997-03-28 | Canon Inc | パターン認識方法及び装置及びコンピュータ制御装置 |
| JP2005141687A (ja) * | 2003-11-10 | 2005-06-02 | Nippon Telegr & Teleph Corp <Ntt> | 物体追跡方法、物体追跡装置、物体追跡システム、プログラム、および、記録媒体 |
| JP4490076B2 (ja) * | 2003-11-10 | 2010-06-23 | 日本電信電話株式会社 | 物体追跡方法、物体追跡装置、プログラム、および、記録媒体 |
| JP2007293489A (ja) * | 2006-04-24 | 2007-11-08 | Mitsubishi Electric Corp | 設備機器用故障診断装置および設備機器用故障診断方法 |
| WO2020070943A1 (ja) * | 2018-10-03 | 2020-04-09 | 株式会社Ｎｔｔドコモ | パターン認識装置及び学習済みモデル |
| JPWO2020070943A1 (ja) * | 2018-10-03 | 2021-09-02 | 株式会社Ｎｔｔドコモ | パターン認識装置及び学習済みモデル |
| JP2022535165A (ja) * | 2019-08-15 | 2022-08-04 | コリブラ エヌブイ | 多数の分類モジュールから集約された情報を使用するデータ分類 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Angelov et al. | Simpl_eTS: A simplified method for learning evolving Takagi-Sugeno fuzzy models | |
| US5617513A (en) | Method for analyzing activity in a signal | |
| De Veaux et al. | A comparison of two nonparametric estimation schemes: MARS and neural networks | |
| US5398300A (en) | Neural network having expert system functionality | |
| US5606646A (en) | Recurrent neural network-based fuzzy logic system | |
| Jantzen | Neurofuzzy modelling | |
| Joanes | Reject inference applied to logistic regression for credit scoring | |
| US8615478B2 (en) | Using affinity measures with supervised classifiers | |
| WO2002086814A1 (en) | An on-line method for self-organized learning and extraction of fuzzy rules | |
| US6317730B1 (en) | Method for optimizing a set of fuzzy rules using a computer | |
| US6282529B1 (en) | Method and apparatus for computer-supported generation of at least one artificial training data vector for a neural network | |
| JPH0785277A (ja) | データ分類方式 | |
| Husmeier | The Bayesian evidence scheme for regularizing probability-density estimating neural networks | |
| Lima et al. | Fitness function design for genetic algorithms in cost evaluation based problems | |
| US6219658B1 (en) | Method for learning data classification in two separate classes separated by a region divider of order 1 or 2 | |
| Petrou | Learning in pattern recognition | |
| Lughofer et al. | Online adaptation of Takagi-Sugeno fuzzy inference systems | |
| JP2674167B2 (ja) | 神経回路網モデルを用いたプロセス制御方法 | |
| COLLANTES-DUARTE et al. | Time Series Forecasting using ARIMA, Neural Networks and Neo Fuzzy Neurons | |
| CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 | |
| Suaste-Rivas et al. | A fuzzy relational neural network for pattern classification | |
| JPH06231245A (ja) | 画像処理フィルタの構成方法 | |
| US20040068475A1 (en) | Physics based neural network trend detector | |
| JPH0644207A (ja) | ニューラルネットワーク及びその構成方法 | |
| Bouchon-meunier et al. | Inductive learning and fuzziness |