JPH10247243A - 識別装置 - Google Patents
識別装置Info
- Publication number
- JPH10247243A JPH10247243A JP9048970A JP4897097A JPH10247243A JP H10247243 A JPH10247243 A JP H10247243A JP 9048970 A JP9048970 A JP 9048970A JP 4897097 A JP4897097 A JP 4897097A JP H10247243 A JPH10247243 A JP H10247243A
- Authority
- JP
- Japan
- Prior art keywords
- group
- feature
- signal
- feature amount
- featured
- 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.)
- Withdrawn
Links
Abstract
(57)【要約】
【課題】本発明は、学習および識別の前処理として、
「Ｎ次元」特徴量べクトルＰを、「Ｎ＋１」次元空間超
球面への射影関数ｆにより加工してｆ（Ｐ）にすること
により、新しい「Ｎ＋１」次元特徴量を生成し、精度の
よい識別ができる識別装置を提供することを目的とす
る。 【解決手段】得られた信号又は画像が、複数のグループ
の何れに属するかを識別する識別装置において、入力信
号または画像の一部または全部を用いてＮ個の特徴量を
生成する特徴量生成装置２と、Ｎ個の特徴量による「Ｎ
次元」の特徴量空間を、「Ｎ＋１次元」の超球面に変換
する特徴量加工装置３と、各グループ毎のサンプル信号
または画像から、特徴量生成装置２により生成した特徴
量を、特徴量加工装置３により加工したのち、各グルー
プ毎の識別パラメータを求める学習装置４と、属するグ
ループを判定する判定装置５を備えたことを特徴とす
る。
「Ｎ次元」特徴量べクトルＰを、「Ｎ＋１」次元空間超
球面への射影関数ｆにより加工してｆ（Ｐ）にすること
により、新しい「Ｎ＋１」次元特徴量を生成し、精度の
よい識別ができる識別装置を提供することを目的とす
る。 【解決手段】得られた信号又は画像が、複数のグループ
の何れに属するかを識別する識別装置において、入力信
号または画像の一部または全部を用いてＮ個の特徴量を
生成する特徴量生成装置２と、Ｎ個の特徴量による「Ｎ
次元」の特徴量空間を、「Ｎ＋１次元」の超球面に変換
する特徴量加工装置３と、各グループ毎のサンプル信号
または画像から、特徴量生成装置２により生成した特徴
量を、特徴量加工装置３により加工したのち、各グルー
プ毎の識別パラメータを求める学習装置４と、属するグ
ループを判定する判定装置５を備えたことを特徴とす
る。
Description
【０００１】
（１）本発明は、ＰＷＲ（加圧水型原子炉）の蒸気発生
器細管ＥＣＴ検査（渦電流検査）における自動分析シス
テムに関する。 （２）本発明は、その他の、あらゆるパタン認識装置に
も適用可能である。（ただし、効果があるのは１グルー
プの特徴量分布が、他グループの特徴量分布に覆われる
という問題があるケースである）
器細管ＥＣＴ検査（渦電流検査）における自動分析シス
テムに関する。 （２）本発明は、その他の、あらゆるパタン認識装置に
も適用可能である。（ただし、効果があるのは１グルー
プの特徴量分布が、他グループの特徴量分布に覆われる
という問題があるケースである）
【０００２】
【従来の技術】従来の技術を図２に示す。 （１）従来の技術では、前処理として特徴量加工を行う
ことなく、統計的手法や、ニューラルネットワークなど
により学習・識別を行うのが一般的である。
ことなく、統計的手法や、ニューラルネットワークなど
により学習・識別を行うのが一般的である。
【０００３】そして、識別が困難な場合には、 （ａ）識別方法を特化するなどの工夫をする。（ニュー
ラルネットワークの条件設定の変更、ＩＦ・ＴＨＥＮル
ールで細分化する、など） （ｂ）特徴量を識別性のよいものに変更または追加す
る。
ラルネットワークの条件設定の変更、ＩＦ・ＴＨＥＮル
ールで細分化する、など） （ｂ）特徴量を識別性のよいものに変更または追加す
る。
【０００４】（ｃ）グループ分けを細分化する。 などの対処を行っている。 （２）従来の技術では、前処理として特徴量変換を行う
例もあるが、これは特徴量分布がガンマ分布に従う場
合、これを統計的識別に適した正規分布に変換するため
の「ガンマ補正」と呼ばれるものなどであり、本発明が
解決しようとする課題とは目的が異なる。
例もあるが、これは特徴量分布がガンマ分布に従う場
合、これを統計的識別に適した正規分布に変換するため
の「ガンマ補正」と呼ばれるものなどであり、本発明が
解決しようとする課題とは目的が異なる。
【０００５】
【発明が解決しようとする課題】従来の技術には、次の
ような問題がある。 （１）従来、サンプルデータを用いた教師あり学習型の
識別手法として、統計的手法やニューラルネットワーク
などが用いられている。
ような問題がある。 （１）従来、サンプルデータを用いた教師あり学習型の
識別手法として、統計的手法やニューラルネットワーク
などが用いられている。
【０００６】これらは、識別対象のグループごとの特徴
量分布の重なりが少なく、かつ異なるグループの分布の
中心が十分離れている場合、すなわち、図２（ａ）に示
すような場合には効果的である。 （２）しかし、図２（ｂ）の概念図に示すような場合、
すなわち、一方のグループの特徴量分布が他方のグルー
プの特徴量分布に覆われるような場合には、分布自体の
重なりは少ないときでも、統計的手法、ニューラルネッ
トワークとも、精度のよい識別が困難であった。
量分布の重なりが少なく、かつ異なるグループの分布の
中心が十分離れている場合、すなわち、図２（ａ）に示
すような場合には効果的である。 （２）しかし、図２（ｂ）の概念図に示すような場合、
すなわち、一方のグループの特徴量分布が他方のグルー
プの特徴量分布に覆われるような場合には、分布自体の
重なりは少ないときでも、統計的手法、ニューラルネッ
トワークとも、精度のよい識別が困難であった。
【０００７】これは、以下の理由による。 （１）統計的手法とは、識別すべきデータの特徴量べク
トルを、各グループの分布中心（平均べクトル）からの
距離により、どのグループ中心に最も近いかで識別する
ものであり、距離の定義には、ユークリッド距離、べイ
ズ距離、マハラノビス距離など、サンプルデータの特徴
量の分布状況を統計的に考慮した偏向性のある距離の定
義方法も用意されている。 （２）しかし、「グループＡ」の分布の平均べクトル
と、「グループＢ」の分布の平均べクトルが近接し、
「グループＡ」の特徴量分布が、「グループＢ」の特徴
量分布に覆われる場合、どのような偏向性のある距離を
使用しても、グループ平均からの距離の比較は意味がな
くなる。 （３）統計的手法で、非常に単純に、「グループＡ」の
平均べクトルからの距離のみで判定することも可能だ
が、これは「グループＢ」の分布特性を無視した判断で
あるため、精度は低くなる。 （４）ニューラルネットワーク（３層バックプロパゲー
ション）は、識別面を複数の超平面の組み合わせで表現
し、サンプルデータが正解グループに入るように識別面
を移動することにより学習を行うが、「グループＡ」の
分布が、「グループＢ」の分布に覆われる場合、識別面
の両側に「グループＢ」の分布があられるので適切な学
習が困難である。 （５）また、識別ロジックの特化、特徴量の変更または
追加、グループ分けの細分化などは、定式化された手法
ではなく、試行錯誤を繰り返す必要がある上、効果的な
解決にいたらない場合もある。 本発明は、これらの問題を解決することができる識別装
置を提供することを目的とする。
トルを、各グループの分布中心（平均べクトル）からの
距離により、どのグループ中心に最も近いかで識別する
ものであり、距離の定義には、ユークリッド距離、べイ
ズ距離、マハラノビス距離など、サンプルデータの特徴
量の分布状況を統計的に考慮した偏向性のある距離の定
義方法も用意されている。 （２）しかし、「グループＡ」の分布の平均べクトル
と、「グループＢ」の分布の平均べクトルが近接し、
「グループＡ」の特徴量分布が、「グループＢ」の特徴
量分布に覆われる場合、どのような偏向性のある距離を
使用しても、グループ平均からの距離の比較は意味がな
くなる。 （３）統計的手法で、非常に単純に、「グループＡ」の
平均べクトルからの距離のみで判定することも可能だ
が、これは「グループＢ」の分布特性を無視した判断で
あるため、精度は低くなる。 （４）ニューラルネットワーク（３層バックプロパゲー
ション）は、識別面を複数の超平面の組み合わせで表現
し、サンプルデータが正解グループに入るように識別面
を移動することにより学習を行うが、「グループＡ」の
分布が、「グループＢ」の分布に覆われる場合、識別面
の両側に「グループＢ」の分布があられるので適切な学
習が困難である。 （５）また、識別ロジックの特化、特徴量の変更または
追加、グループ分けの細分化などは、定式化された手法
ではなく、試行錯誤を繰り返す必要がある上、効果的な
解決にいたらない場合もある。 本発明は、これらの問題を解決することができる識別装
置を提供することを目的とする。
【０００８】
（第１の手段）本発明に係る識別装置は、得られた信号
又は画像が、複数のグループの何れに属するかを識別す
る識別装置において、（Ａ）入力信号または画像の一部
または全部を用いてＮ個（Ｎは定数）の特徴量を生成す
る特徴量生成装置２と、（Ｂ）前記Ｎ個の特徴量による
Ｎ次元の特徴量空間を、Ｎ＋１次元の超球面に変換する
特徴量加工装置３と、（Ｃ）各グループ毎のサンプル信
号または画像から、前記特徴量生成装置２により生成し
た特徴量を、前記特徴量加工装置３により加工したの
ち、各グループ毎の識別パラメータを求める学習装置４
と、（Ｄ）識別対象である、属するグループが不明の信
号または画像から、前記特徴量生成装置２により生成し
た特徴量を、前記特徴量加工装置３により加工したの
ち、前記学習装置４を用いて求めた各グループ毎の識別
パラメータと比較することにより、属するグループを判
定する判定装置５とを備えたことを特徴とする。
又は画像が、複数のグループの何れに属するかを識別す
る識別装置において、（Ａ）入力信号または画像の一部
または全部を用いてＮ個（Ｎは定数）の特徴量を生成す
る特徴量生成装置２と、（Ｂ）前記Ｎ個の特徴量による
Ｎ次元の特徴量空間を、Ｎ＋１次元の超球面に変換する
特徴量加工装置３と、（Ｃ）各グループ毎のサンプル信
号または画像から、前記特徴量生成装置２により生成し
た特徴量を、前記特徴量加工装置３により加工したの
ち、各グループ毎の識別パラメータを求める学習装置４
と、（Ｄ）識別対象である、属するグループが不明の信
号または画像から、前記特徴量生成装置２により生成し
た特徴量を、前記特徴量加工装置３により加工したの
ち、前記学習装置４を用いて求めた各グループ毎の識別
パラメータと比較することにより、属するグループを判
定する判定装置５とを備えたことを特徴とする。
【０００９】すなわち、本発明は、「Ｎ次元」特徴量空
間において、「グループＡ」と「グループＢ」の分布の
平均べクトルが近接し、「グループＡ」の分布が「グル
ープＢ」の分布に覆われる場合には、（ａ）「Ｎ次元」
特徴量空間を部分空間とする「Ｎ＋１」次元空間を考
え、（ｂ）「Ｎ＋１」次元空間における元の「Ｎ次元」
空間の直交補空間（１次元）成分をｚ軸とし、（ｃ）
「Ｎ次元」特徴量分布を、ｚ＝Ｃ（Ｃは定数）として
「Ｎ＋１」次元化する。（ｄ）そして、「グループＡ」
の分布中心点Ｐ１（平均べクトル）において、ｚ＝Ｃで
表される超平面Ｈに接する「Ｎ＋１」次元超球面Ｓを考
え（図３）、（ｅ）Ｐ１を一端とするＳの直径のもう一
方の端点をＰ２とする。（ｆ）そして、「Ｎ＋１」次元
空間において、超平面Ｈの、Ｐ１からみた全ての無限遠
点Ｐ∞が、Ｐ２に射影され、超平面Ｈ上のＰ１がＰ１
に、射影されるような、「超平面Ｈから超球面Ｓへの射
影関数」をｆとする。すなわち、Ｐ２＝ｆ（Ｐ∞））、
かつ、Ｐ１＝ｆ（Ｐ１） とする。（ｇ）グループ認識
において、学習処理、識別処理の前処理として、全ての
データについて、「Ｎ次元」特徴量べクトルＰを「射影
関数ｆ」により加工して、ｆ（Ｐ）とし、 ｆ（Ｐ）
を「Ｎ＋１」次元の特徴量として用いる。 （用語の説明） （１）「直交補空間」とは、Ｕ、ＷをＶの部分空間とす
るとき、次のとが満たされるとき、ＷをＵの直交補
空間という。
間において、「グループＡ」と「グループＢ」の分布の
平均べクトルが近接し、「グループＡ」の分布が「グル
ープＢ」の分布に覆われる場合には、（ａ）「Ｎ次元」
特徴量空間を部分空間とする「Ｎ＋１」次元空間を考
え、（ｂ）「Ｎ＋１」次元空間における元の「Ｎ次元」
空間の直交補空間（１次元）成分をｚ軸とし、（ｃ）
「Ｎ次元」特徴量分布を、ｚ＝Ｃ（Ｃは定数）として
「Ｎ＋１」次元化する。（ｄ）そして、「グループＡ」
の分布中心点Ｐ１（平均べクトル）において、ｚ＝Ｃで
表される超平面Ｈに接する「Ｎ＋１」次元超球面Ｓを考
え（図３）、（ｅ）Ｐ１を一端とするＳの直径のもう一
方の端点をＰ２とする。（ｆ）そして、「Ｎ＋１」次元
空間において、超平面Ｈの、Ｐ１からみた全ての無限遠
点Ｐ∞が、Ｐ２に射影され、超平面Ｈ上のＰ１がＰ１
に、射影されるような、「超平面Ｈから超球面Ｓへの射
影関数」をｆとする。すなわち、Ｐ２＝ｆ（Ｐ∞））、
かつ、Ｐ１＝ｆ（Ｐ１） とする。（ｇ）グループ認識
において、学習処理、識別処理の前処理として、全ての
データについて、「Ｎ次元」特徴量べクトルＰを「射影
関数ｆ」により加工して、ｆ（Ｐ）とし、 ｆ（Ｐ）
を「Ｎ＋１」次元の特徴量として用いる。 （用語の説明） （１）「直交補空間」とは、Ｕ、ＷをＶの部分空間とす
るとき、次のとが満たされるとき、ＷをＵの直交補
空間という。
【００１０】 ＵとＷは直交する。 Ｖに含まれ、全てのＵの要素に直交するようなｘ
は、全てＷに含まれる。
は、全てＷに含まれる。
【００１１】すなわち、 空間Ｖの基底が ｅ１，ｅ２、ｅ３、ｅ４、…、…ｅＮ 空間Ｕの基底が ｅ１，ｅ２、… 、… ｅＫ （Ｋ＜Ｎ） であるとき、ｅＫ＋１，ｅＫ＋２、… ｅＮ で張
られる空間ＷをＵの直交補空間という。 （２）「超平面」とは、Ｎ次元空間で、ある定ベクトル
ａと定数ｃ（ベクトル）が与えられたとき、 ａ・ｘ＝Ｃ を満たす「ｘの集合」を、「超平面」という。
られる空間ＷをＵの直交補空間という。 （２）「超平面」とは、Ｎ次元空間で、ある定ベクトル
ａと定数ｃ（ベクトル）が与えられたとき、 ａ・ｘ＝Ｃ を満たす「ｘの集合」を、「超平面」という。
【００１２】Ｎ＝３（３次元空間）の場合の「超平面」
を、特に「平面」という。（３）「超球面」とは、Ｎ次
元空間で、ある定ベクトルＯと定数Ｒ（ベクトル）が与
えられたとき、 （ｘ−Ｏ）2 ＝Ｒ2 を満たす「ｘの集合」を、「超球面」という。
を、特に「平面」という。（３）「超球面」とは、Ｎ次
元空間で、ある定ベクトルＯと定数Ｒ（ベクトル）が与
えられたとき、 （ｘ−Ｏ）2 ＝Ｒ2 を満たす「ｘの集合」を、「超球面」という。
【００１３】Ｎ＝３（３次元空間）の場合の「超球面」
を、特に「球面」という。 （４）「射影関数ｆ」は、Ｐ２＝ｆ（Ｐ∞））、かつ、
Ｐ１＝ｆ（Ｐ１）とする射影関数であればよく、１通り
に限らない。
を、特に「球面」という。 （４）「射影関数ｆ」は、Ｐ２＝ｆ（Ｐ∞））、かつ、
Ｐ１＝ｆ（Ｐ１）とする射影関数であればよく、１通り
に限らない。
【００１４】１例をあげれば、図６の［Ｈに含まれる任
意のｘ］に対し、「ｘとＰ２を結ぶ直線と超球面Ｓの交
点」を対応ずける射影関数である。したがって、次のよ
うに作用する。
意のｘ］に対し、「ｘとＰ２を結ぶ直線と超球面Ｓの交
点」を対応ずける射影関数である。したがって、次のよ
うに作用する。
【００１５】学習および識別の前処理として、「Ｎ次
元」特徴量べクトルＰを、「Ｎ＋１」次元空間超球面へ
の射影関数ｆにより加工してｆ（Ｐ）にすることによ
り、（１）新しい「Ｎ＋１」次元特徴量を生成し、
（２）この「Ｎ＋１」次元特徴量空間では、「グループ
Ａ」の分布が「グループＢ」の分布に覆われず、「グル
ープＢ」の分布中心は、「グループＡ」の分布中心Ｐ１
から離れる。すなわち、「グループＢ」の分布中心は、
Ｐ１から離れ、Ｐ２に近づく。（３）また、もとの「Ｎ
次元」空間での分布特性は、変換はうけるが保存され
る。そして、図４（ｂ）のようになる。（４）これによ
り、「Ｎ＋１」次元特徴量では、統計的手法やニューラ
ルネットワークなどの定式化できる手法により、「グル
ープＡ」と「グループＢ」の双方の分布特性を考慮した
識別が可能となり、精度のよい識別ができる。
元」特徴量べクトルＰを、「Ｎ＋１」次元空間超球面へ
の射影関数ｆにより加工してｆ（Ｐ）にすることによ
り、（１）新しい「Ｎ＋１」次元特徴量を生成し、
（２）この「Ｎ＋１」次元特徴量空間では、「グループ
Ａ」の分布が「グループＢ」の分布に覆われず、「グル
ープＢ」の分布中心は、「グループＡ」の分布中心Ｐ１
から離れる。すなわち、「グループＢ」の分布中心は、
Ｐ１から離れ、Ｐ２に近づく。（３）また、もとの「Ｎ
次元」空間での分布特性は、変換はうけるが保存され
る。そして、図４（ｂ）のようになる。（４）これによ
り、「Ｎ＋１」次元特徴量では、統計的手法やニューラ
ルネットワークなどの定式化できる手法により、「グル
ープＡ」と「グループＢ」の双方の分布特性を考慮した
識別が可能となり、精度のよい識別ができる。
【００１６】
（第１の実施の形態）本発明の第１の実施の形態を図
１、図３〜図５に示す。図１は、本発明の第１の実施の
形態に係る識別装置のフローチャート。
１、図３〜図５に示す。図１は、本発明の第１の実施の
形態に係る識別装置のフローチャート。
【００１７】図３は、本発明の概念説明図。図４は、本
発明の作用の説明図。図５は、本発明の特徴量加工方式
の説明図。
発明の作用の説明図。図５は、本発明の特徴量加工方式
の説明図。
【００１８】図６は、射影関数ｆの説明図である。本発
明装置の第１の実施の形態として、様々な要因に起因す
る信号を検出するセンサーの計測信号から、特定の要因
に起因する信号のみを検出する信号検出装置８を説明す
る。
明装置の第１の実施の形態として、様々な要因に起因す
る信号を検出するセンサーの計測信号から、特定の要因
に起因する信号のみを検出する信号検出装置８を説明す
る。
【００１９】図１は、本発明にに係る識別装置のフロー
チャートである。以下の説明において、「グループＡ」
を検出すべき信号のグループ、「グループＢ」を検出す
べきでない信号のグループ、とする。
チャートである。以下の説明において、「グループＡ」
を検出すべき信号のグループ、「グループＢ」を検出す
べきでない信号のグループ、とする。
【００２０】多数の信号発生要因の中から特定の要因の
信号を検出するかどうかの判断は、信号を「グループ
Ａ」と「グループＢ」の２グループに分類する識別によ
り判断する。
信号を検出するかどうかの判断は、信号を「グループ
Ａ」と「グループＢ」の２グループに分類する識別によ
り判断する。
【００２１】このとき、「グループＡ」は特定の信号発
生要因の信号から構成されるグループでその特徴も似通
っているが、「グループＢ」は様々な信号発生要因の信
号を含んでおり、その特徴を特定できない場合が多い。
生要因の信号から構成されるグループでその特徴も似通
っているが、「グループＢ」は様々な信号発生要因の信
号を含んでおり、その特徴を特定できない場合が多い。
【００２２】図１に示すように、 （１）特徴量生成装置２は特徴点検出装置６と特徴量計
算装置７からなり、 （ａ）特徴量生成装置２の特徴点検出装置６では、連続
的に入力されるセンサー信号から、検出すべき信号の候
補となる特徴点があれば検出する。
算装置７からなり、 （ａ）特徴量生成装置２の特徴点検出装置６では、連続
的に入力されるセンサー信号から、検出すべき信号の候
補となる特徴点があれば検出する。
【００２３】特徴点とは、例えば、 （ア）信号値がある閾値を超える点 （イ）極大点、極小点など、単純な判断で判断可能な、
有意な信号が発生している位置をいう。 （ｂ）特徴量生成装置２の特徴量計算装置７では、特徴
点検出装置６で検出された特徴点ごとに、その周辺の信
号からＮ（Ｎは整定数）個の特徴量を計算する。 （２）特徴量加工装置３では、特徴量生成装置２で生成
したＮ（Ｎは整定数）個の特徴量の「Ｎ次元」特徴量空
間から、図５に示す「Ｎ＋１」次元超球面への変換によ
り特徴量を加工して、加工特徴量を生成する。 （３）学習装置４では、信号発生要因の明らかになって
いるセンサー計測信号から（１）の特徴量生成装置２で
生成したＮ（Ｎは整定数）個の特徴量、および（２）の
特徴量加工装置３により生成した加工特徴量を用いて学
習を行い、加工特徴量空間での識別パラメータを生成す
る。 （４）判定装置５では、信号発生要因が未知のセンサー
計測信号から（１）で生成したＮ（Ｎは整定数）個の特
徴量と、（２）により生成した加工特徴量と、（３）に
より生成した識別パラメータを用いて、この信号が「グ
ループＡ」であるか「グループＢ」であるかを判定す
る。 （５）信号検出装置８では、（４）の判定装置５によ
り、「グループＡ」と判定した場合は、未知の信号発生
要因は検出すべき要があるとして、その信号を検出す
る。「グループＢ」と判定した場合は、検出しない。
有意な信号が発生している位置をいう。 （ｂ）特徴量生成装置２の特徴量計算装置７では、特徴
点検出装置６で検出された特徴点ごとに、その周辺の信
号からＮ（Ｎは整定数）個の特徴量を計算する。 （２）特徴量加工装置３では、特徴量生成装置２で生成
したＮ（Ｎは整定数）個の特徴量の「Ｎ次元」特徴量空
間から、図５に示す「Ｎ＋１」次元超球面への変換によ
り特徴量を加工して、加工特徴量を生成する。 （３）学習装置４では、信号発生要因の明らかになって
いるセンサー計測信号から（１）の特徴量生成装置２で
生成したＮ（Ｎは整定数）個の特徴量、および（２）の
特徴量加工装置３により生成した加工特徴量を用いて学
習を行い、加工特徴量空間での識別パラメータを生成す
る。 （４）判定装置５では、信号発生要因が未知のセンサー
計測信号から（１）で生成したＮ（Ｎは整定数）個の特
徴量と、（２）により生成した加工特徴量と、（３）に
より生成した識別パラメータを用いて、この信号が「グ
ループＡ」であるか「グループＢ」であるかを判定す
る。 （５）信号検出装置８では、（４）の判定装置５によ
り、「グループＡ」と判定した場合は、未知の信号発生
要因は検出すべき要があるとして、その信号を検出す
る。「グループＢ」と判定した場合は、検出しない。
【００２４】
【発明の効果】本発明は前述のように構成されているの
で、以下に記載するような効果を奏する。 （１）従来の識別装置では、信号を「グループＡ」と
「グループＢ」の２グループに分類するときに、「グル
ープＡは、特定の信号発生要因の信号から構成されるグ
ループでその特徴も似通っている場合」であり、「グル
ープＢは、様々な信号発生要因の信号を含んでおり、そ
の特徴を特定できない場合」であるというような性質の
２グループの特徴量分布は、図２（ｂ）に示すような分
布になる可能性が高い。そのため、精度の高い識別が困
難である。 （２）しかし、本発明装置によれば、「グループＡ」か
「グループＢ」かを判断する場合において、図５に示す
「Ｎ次元」特徴量空間から「Ｎ＋１」次元超球面への変
換による特徴量加工を行い、この加工特徴量を用いた学
習および識別を行うことにより、精度の高い識別が可能
になる。
で、以下に記載するような効果を奏する。 （１）従来の識別装置では、信号を「グループＡ」と
「グループＢ」の２グループに分類するときに、「グル
ープＡは、特定の信号発生要因の信号から構成されるグ
ループでその特徴も似通っている場合」であり、「グル
ープＢは、様々な信号発生要因の信号を含んでおり、そ
の特徴を特定できない場合」であるというような性質の
２グループの特徴量分布は、図２（ｂ）に示すような分
布になる可能性が高い。そのため、精度の高い識別が困
難である。 （２）しかし、本発明装置によれば、「グループＡ」か
「グループＢ」かを判断する場合において、図５に示す
「Ｎ次元」特徴量空間から「Ｎ＋１」次元超球面への変
換による特徴量加工を行い、この加工特徴量を用いた学
習および識別を行うことにより、精度の高い識別が可能
になる。
【図１】本発明の第１の実施の形態に係る識別装置のフ
ローチャート。
ローチャート。
【図２】従来手法の問題点を示す特徴量分布概念図。
【図３】本発明の概念説明図。
【図４】本発明の作用の説明図。
【図５】本発明の特徴量加工方式の説明図。
【図６】射影関数ｆの説明図。
１…識別装置 ２…特徴量生成装置 ３…特徴量加工装置 ４…学習装置 ５…判定装置 ６…特徴点検出装置 ７…特徴量計算装置 ８…信号検出装置
Claims (1)
- 【請求項１】得られた信号又は画像が、複数のグループ
の何れに属するかを識別する識別装置において、（Ａ）
入力信号または画像の一部または全部を用いてＮ個（Ｎ
は定数）の特徴量を生成する特徴量生成装置（２）と、
（Ｂ）前記Ｎ個の特徴量によるＮ次元の特徴量空間を、
Ｎ＋１次元の超球面に変換する特徴量加工装置（３）
と、（Ｃ）各グループ毎のサンプル信号または画像か
ら、前記特徴量生成装置（２）により生成した特徴量
を、前記特徴量加工装置（３）により加工したのち、各
グループ毎の識別パラメータを求める学習装置（４）
と、（Ｄ）識別対象である、属するグループが不明の信
号または画像から、前記特徴量生成装置（２）により生
成した特徴量を、前記特徴量加工装置（３）により加工
したのち、前記学習装置（４）を用いて求めた各グルー
プ毎の識別パラメータと比較することにより、属するグ
ループを判定する判定装置（５）とを備えたことを特徴
とする識別装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9048970A JPH10247243A (ja) | 1997-03-04 | 1997-03-04 | 識別装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9048970A JPH10247243A (ja) | 1997-03-04 | 1997-03-04 | 識別装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10247243A true JPH10247243A (ja) | 1998-09-14 |
Family
ID=12818140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9048970A Withdrawn JPH10247243A (ja) | 1997-03-04 | 1997-03-04 | 識別装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH10247243A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003500766A (ja) * | 1999-05-25 | 2003-01-07 | スティーヴン ディー． バーンヒル、 | 複数支援ベクトルマシンを使用した複数データセットからの知識発見の増強 |
| CN104228767A (zh) * | 2014-07-30 | 2014-12-24 | 哈尔滨工业大学深圳研究生院 | 一种基于掌纹认证的汽车启动方法 |
| CN104732512A (zh) * | 2013-12-20 | 2015-06-24 | 富士通株式会社 | 空间划分方法以及空间划分装置 |
| KR20150070938A (ko) * | 2013-12-17 | 2015-06-25 | 후지쯔 가부시끼가이샤 | 공간 분할 방법, 공간 분할 장치 및 기억 매체 |
| JP2015118639A (ja) * | 2013-12-19 | 2015-06-25 | 富士通株式会社 | 検索方法、検索プログラムおよび検索装置 |
| EP2916481A1 (en) | 2014-03-07 | 2015-09-09 | Fujitsu Limited | Classification method, classification device, and classification program |
-
1997
- 1997-03-04 JP JP9048970A patent/JPH10247243A/ja not_active Withdrawn
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003500766A (ja) * | 1999-05-25 | 2003-01-07 | スティーヴン ディー． バーンヒル、 | 複数支援ベクトルマシンを使用した複数データセットからの知識発見の増強 |
| EP2890041A1 (en) | 2013-12-17 | 2015-07-01 | Fujitsu Limited | Space division method, space division device, and space division program |
| KR20150070938A (ko) * | 2013-12-17 | 2015-06-25 | 후지쯔 가부시끼가이샤 | 공간 분할 방법, 공간 분할 장치 및 기억 매체 |
| JP2015118464A (ja) * | 2013-12-17 | 2015-06-25 | 富士通株式会社 | 空間分割方法、空間分割装置および空間分割プログラム |
| JP2015118639A (ja) * | 2013-12-19 | 2015-06-25 | 富士通株式会社 | 検索方法、検索プログラムおよび検索装置 |
| EP2890043A1 (en) | 2013-12-20 | 2015-07-01 | Fujitsu Limited | Space division method, space division device, and space division program |
| US20150178929A1 (en) * | 2013-12-20 | 2015-06-25 | Fujitsu Limited | Space division method, space division device, and recording medium |
| KR20150073076A (ko) | 2013-12-20 | 2015-06-30 | 후지쯔 가부시끼가이샤 | 공간 분할 방법, 공간 분할 장치 및 기록 매체 |
| CN104732512A (zh) * | 2013-12-20 | 2015-06-24 | 富士通株式会社 | 空间划分方法以及空间划分装置 |
| JP2015121899A (ja) * | 2013-12-20 | 2015-07-02 | 富士通株式会社 | 空間分割方法、空間分割装置および空間分割プログラム |
| CN104732512B (zh) * | 2013-12-20 | 2017-09-19 | 富士通株式会社 | 空间划分方法以及空间划分装置 |
| EP2916481A1 (en) | 2014-03-07 | 2015-09-09 | Fujitsu Limited | Classification method, classification device, and classification program |
| CN104899901A (zh) * | 2014-03-07 | 2015-09-09 | 富士通株式会社 | 分类方法及分类设备 |
| KR20150105193A (ko) | 2014-03-07 | 2015-09-16 | 후지쯔 가부시끼가이샤 | 분류 방법, 분류 장치 및 기록 매체 |
| JP2015170217A (ja) * | 2014-03-07 | 2015-09-28 | 富士通株式会社 | 分類方法、分類装置および分類プログラム |
| CN104899901B (zh) * | 2014-03-07 | 2018-01-05 | 富士通株式会社 | 分类方法及分类设备 |
| US10134176B2 (en) | 2014-03-07 | 2018-11-20 | Fujitsu Limited | Setting a projective point for projecting a vector to a higher dimensional sphere |
| CN104228767A (zh) * | 2014-07-30 | 2014-12-24 | 哈尔滨工业大学深圳研究生院 | 一种基于掌纹认证的汽车启动方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2737734B2 (ja) | 指紋分類装置 | |
| US5796924A (en) | Method and system for selecting pattern recognition training vectors | |
| Vallachira et al. | Data-driven gearbox failure detection in industrial robots | |
| US5128684A (en) | Method and apparatus for correlating sensor detections in space and time | |
| JP2020518076A (ja) | デジタル画像内の物体を検出するためのシステムおよび方法、ならびに物体検出を再スコアリングするためのシステムおよび方法 | |
| Lerner et al. | A classification-driven partially occluded object segmentation (CPOOS) method with application to chromosome analysis | |
| CN111027445B (zh) | 一种海上船舶目标识别方法 | |
| CN111914903A (zh) | 一种基于外分布样本检测的广义零样本目标分类方法、装置及相关设备 | |
| JPH10247243A (ja) | 識別装置 | |
| CN116824256A (zh) | 磨床的视觉检测系统及其方法 | |
| Dinh et al. | Summit navigator: A novel approach for local maxima extraction | |
| Hwang et al. | Characteristics of auto-associative MLP as a novelty detector | |
| CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
| Toh | Fingerprint and speaker verification decisions fusion | |
| CN113011513A (zh) | 一种基于通用域自适应的图像大数据分类方法 | |
| JPH10247204A (ja) | 多次元検索方法及び装置 | |
| Rabcan et al. | Classification by fuzzy decision trees inducted based on Cumulative Mutual Information | |
| Huang et al. | Uncertainty-estimation with normalized logits for out-of-distribution detection | |
| Sbailò et al. | Uncertainty Quantification in Deep Neural Networks through Statistical Inference on Latent Space | |
| Sands et al. | Pattern representations and syntactic classification of radar measurements of commercial aircraft | |
| Kozák et al. | Towards Visual Classification Under Class Ambiguity | |
| Rotter et al. | Machine Learning-Based Identification of Root Causes for Defective Units in Manufacturing Processes | |
| Katragadda et al. | Neuro-fuzzy systems in ultrasonic weld evaluation | |
| Zelenka et al. | A Simple and Explainable Method for Uncertainty Estimation using Attribute Prototype Networks | |
| Nie et al. | SAR image change detection method based on PPNN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20040511 |