JPH11248820A - センサ信号分類装置およびその方法 - Google Patents

センサ信号分類装置およびその方法

Info

Publication number
JPH11248820A
JPH11248820A JP10050810A JP5081098A JPH11248820A JP H11248820 A JPH11248820 A JP H11248820A JP 10050810 A JP10050810 A JP 10050810A JP 5081098 A JP5081098 A JP 5081098A JP H11248820 A JPH11248820 A JP H11248820A
Authority
JP
Japan
Prior art keywords
classification
data
cluster
signal
classification data
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.)
Granted
Application number
JP10050810A
Other languages
English (en)
Other versions
JP4198225B2 (ja
Inventor
Hisakazu Maniwa
久和 真庭
Masafumi Iwamoto
雅史 岩本
Takahiko Fujisaka
貴彦 藤坂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to JP05081098A priority Critical patent/JP4198225B2/ja
Publication of JPH11248820A publication Critical patent/JPH11248820A/ja
Application granted granted Critical
Publication of JP4198225B2 publication Critical patent/JP4198225B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

(57)【要約】 【課題】 複数種類の信号を各種類毎に分類するセンサ
信号分類装置を得る。 【解決手段】 各信号がどのクラスタに含まれるかを示
す分類データの初期値と各信号の特徴を記録したセンサ
信号データから分類に関する評価値である分類評価値を
最小または最大にするような分類データを求める分類部
が、分類データとセンサ信号データから所定の分類アル
ゴリズムを用いて分類評価値を最小又は最大にする分類
データを出力する最適化手段１０と、センサ信号データ
と分類データ最適化手段からの分類データからこの分類
データが局所最適解となっているか否かを判定し局所最
適解と判定した場合にクラスタ数と信号数を出力し、そ
うでないと判定した場合に分類データを出力する局所最
適解検出手段１１ａと、この局所最適解検出手段からの
クラスタ数と信号数から分類データを初期化して作成し
これを最適化手段に戻す初期化手段１２ａとを備える。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、センサで受信・検
出を行なった複数種類の信号を、各種類毎に分類するこ
とができるセンサ信号分類装置およびその方法に関す
る。
【０００２】
【従来の技術】センサが受信・検出した複数種類の信号
を、各種類毎に分類するために、それぞれの信号から、
特徴を抽出し、その特徴の類似性によって分類するセン
サ信号分類装置および方法が従来からある。ここで、セ
ンサが受信・検出する信号とは、例えば、レーダ信号を
受信するセンサであれば、各レーダパルスであり、信号
の種類数はレーダ数もしくは観測対象数に依存すること
となる。また、センサが合成開口レーダのような画像レ
ーダであれば、画像を構成する各ピクセルが信号であ
り、信号の種類数は、画像レーダが観測している領域
が、いくつの植生、目標、観測対象などに分類できるか
に依存する。
【０００３】ここで、１個または２個以上の信号の集合
をクラスタ、各信号がどのクラスタに入るかを表す記録
を分類データ、各信号から抽出された特徴を記録したも
のをセンサ信号データと呼ぶ。クラスタ数と信号の種類
数は等しい。
【０００４】図１４に、このような機能を持つ従来のセ
ンサ信号分類装置として、特開平８−４３５２０号公報
に開示されている「パルス分類装置」から類推して得ら
れるセンサ信号分類装置の構成を示す。
【０００５】図１４において、１は受信アンテナ、２は
受信信号から分類を行なう対象の信号を検出・作成し、
これらの信号の特徴を抽出してセンサ信号データを作成
するセンサ信号データ作成部、３は最初に仮定する信号
の種類数、つまりクラスタ数を設定するクラスタ数設定
部、４は入力されたセンサ信号データの信号数と入力さ
れたクラスタ数から分類データを初期化する分類データ
初期化部、１０は入力されたセンサ信号データと分類デ
ータから分類に関する評価値である分類評価値を算出
し、この評価値を最小または最大にする分類データを求
める分類データ最適化手段である。
【０００６】また、６は入力された分類データとセンサ
信号データから、この分類データのクラスタ数における
評価値、すなわちクラスタ数評価値を算出し、これを記
憶し、最も適切と考えられるクラスタ数を推定する最適
クラスタ数推定部、７は入力された分類データとセンサ
信号データから信号を分類し、ある１種類の信号のみか
ら構成されるセンサ信号データをクラスタ数個作成する
信号分類部、８ａ、８ｂはある１種類の信号のみから構
成されるセンサ信号データであり、５は分類データ最適
化手段１０のみから構成される分類部である。
【０００７】以下、図１４に示すセンサ信号分類装置の
動作を説明する。アンテナ１では、例えば、複数のレー
ダからのレーダ信号などを受信し、その受信信号をセン
サ信号データ作成部２に出力する。センサ信号データ作
成部２では、アンテナ１から入力される受信信号から信
号を検出・作成し、それらの信号から特徴を抽出し、セ
ンサ信号データＹとして出力する。
【０００８】クラスタ数設定部３では、事前に最低限、
最小限の信号の種類数や、おおよその信号の種類数が既
知であれば、その値を種類数、すなわちクラスタ数とし
て設定する。未知の場合は、適当な値、一般的には１を
設定する。そして、設定したクラスタ数Ｋを出力する。
【０００９】分類データ初期化部４では、クラスタ数設
定部３もしくは後述の最適クラスタ数推定部６から入力
されるクラスタ数Ｋと、センサ信号データ作成部２から
入力されるセンサ信号データＹの信号数から、どの信号
がどのクラスタに含まれるを示す分類データの初期値Λ
K (0)を決定しこれを出力する。この初期値の設定の仕方
は順番に割り振っても、乱数を用いて決定しても、どの
ようにしても良い。
【００１０】分類部５では、センサ信号データ作成部２
から入力されるセンサ信号データと、分類データ初期化
部４から入力される分類データから、分類評価値を算出
する。ここで、クラスタ数をＫ、信号数をＮ、その信号
から抽出される特徴数をＰ、信号ｉの特徴ｐの値を
ｙip、クラスタｋの特徴ｐの誤差の標準偏差をσkp 2と
する。
【００１１】また、分類データΛKをλikを要素に持つ
Ｎ行Ｋ列の行列とし、信号ｉがクラスタｋに含まれる場
合λik＝１、含まれない場合λik＝０であるとする。こ
の場合、分類評価値は、例えば、
【００１２】
【数１】
【００１３】のように尤度として算出されることが多
い。また、(１)式の分類評価値は各特徴の誤差の分散は
未知で、かつクラスタ毎に異なると考えているが、これ
が既知でかつ全クラスタで同一である場合、σp＝σip
＝・・・＝σKpとする。
【００１４】そして例えば、信号ｉをあるクラスタｋ1
からクラスタｋ2に変更することによって、分類評価値
Ｊ(Λ)が小さくもしくは大きくなるように変更してい
き、分類評価値が小さくもしくは大きくならなくなった
らこの分類データを出力する。
【００１５】この場合、信号ｉの所属するクラスタを変
更することによって、あるクラスタに含まれる信号の数
が０になったり、新たなクラスタを作成することは認め
ないので、クラスタ数が変化することはない。
【００１６】最適クラスタ数推定部６では、分類部５か
ら入力される分類データΛKから、クラスタ数をＫであ
ると仮定した場合のクラスタ数評価値を算出する。この
評価値は、ＡＩＣ(Akaike Infomation Criterion)、Ｍ
ＤＬ(Minimum Description Length)基準、ＭＤＬ原理、
ＦＥＰなどによって算出され、各特徴の誤差の分散は未
知である場合、例えば、
【００１７】
【数２】
【００１８】として算出される。このクラスタ数評価値
を含め、それまでに算出されたクラスタ数評価値と比較
し、あるクラスタ数Ｋ'でのクラスタ数評価値が最小で
あると判断されれば、クラスタ数Ｋ'での分類データ
ΛK'を出力する。
【００１９】最小でないと判断されれば、算出したクラ
スタ数評価値および分類データを記憶し、さらにクラス
タ数Ｋをこれまでクラスタ数評価値を算出していないク
ラスタ数に変更して出力する。通常は、クラスタ数設定
部３でＫ＝１として設定し、最小でないと判断された場
合に、Ｋの値を１つ増加して出力する。
【００２０】信号分類部７では、入力された分類データ
のクラスタ数をＫ'とすると、センサ信号データＹを分
類データΛK'に基づき、同一種類の信号を集めて、Ｋ'
個の同一種類の信号のみを含むセンサ信号データを作成
し出力する。
【００２１】
【発明が解決しようとする課題】以上のように、構成さ
れた従来のセンサ信号分類装置では、特にクラスタ数が
多い場合に、分類部から出力される分類データは真の最
適解ではなく、局所最適解が求まってしまう可能性があ
り、この結果、最終的な分類結果も誤ってしまうという
問題点があった。
【００２２】また、前記(１)式のような分類評価値の算
出において、各特徴の分散は既知である場合は一定値で
あるとし、未知である場合は同一クラスタ内では分散の
期待値は同じ値であるとして、同一クラスタに含まれる
信号の特徴のばらつきから推定していた。しかし、誤差
の分散はＳ／Ｎ比などによって、信号毎に変化すること
も考えらる。この場合、分離性能は劣化するという問題
点があった。
【００２３】本発明は以上のような問題点を解消するた
めになされたもので、局所最適解が求まった場合に、こ
れを検出し、さらに分類を続行することによって局所最
適解が求まりにくくしたり、または各信号の各特徴毎に
誤差の分散を推定・算出し、分離性能が劣化しにくくで
きるセンサ信号分類装置およびその方法を提供すること
を目的とする。
【００２４】
【課題を解決するための手段】上記の目的に鑑み、本発
明は、センサが受信・検出した複数種類の信号を、各種
類毎に分類し、同じ種類の信号の集合であるクラスタを
求めるセンサ信号分類装置であって、各信号がどのクラ
スタに含まれるかを示す分類データの任意の初期値と、
各信号の特徴を記録したセンサ信号データから、分類に
関する評価値である分類評価値を最小または最大にする
ような分類データを求める分類部が、前記分類データと
前記センサ信号データを入力として、所定の分類アルゴ
リズムを用いて分類評価値を最小または最大にする分類
データを出力する分類データ最適化手段と、前記センサ
信号データと前記分類データ最適化手段から出力される
分類データからこの分類データが局所最適解となってい
るか否かを判定し、局所最適解と判定した場合にはクラ
スタ数と信号数を出力し、局所最適解でないと判定した
場合には前記分類データを出力する局所最適解検出手段
と、この局所最適解検出手段からのクラスタ数と信号数
を入力として前記分類データを初期化して作成しこれを
前記分類データ最適化手段にフィードバックする分類デ
ータ初期化手段と、を備えたことを特徴とするセンサ信
号分類装置にある。
【００２５】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類装置であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの任意の初期値と、各信号の特徴を記録したセンサ
信号データから、分類に関する評価値である分類評価値
を最小または最大にするような分類データを求める分類
部が、前記分類データと前記センサ信号データを入力と
して、所定の分類アルゴリズムを用いて分類評価値を最
小または最大にする分類データを出力する分類データ最
適化手段と、前記センサ信号データと前記分類データ最
適化手段から出力される分類データから、この分類デー
タにおいて各クラスタが仮定した分布・条件を満たして
いるか否かを判定し、満たしていないクラスタが存在す
る場合には前記分類データと、仮定した分布・条件を満
たさないすべてのクラスタの集合であるクラスタ番号集
合を出力し、すべてのクラスタが仮定した分布・条件を
満たすと判定した場合には前記分類データを出力する誤
クラスタ検出手段と、この誤クラスタ検出手段から出力
される分類データとクラスタ番号集合を入力とし、この
分類データに関してクラスタ番号集合に記録されたクラ
スタに含まれる信号のみを任意に初期化して前記分類デ
ータ最適化手段にフィードバックする分類データ一部初
期化手段と、を備えたことを特徴とするセンサ信号分類
装置にある。
【００２６】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類装置であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの任意の初期値と、各信号の特徴を記録したセンサ
信号データから、分類に関する評価値である分類評価値
を最小または最大にするような分類データを求める分類
部が、前記分類データを入力して各信号毎に各特徴の推
定誤差の分散値を推定し、これを分散推定値データとし
て出力する分散推定値算出手段と、前記分類データおよ
びセンサ信号データ並びに前記分散推定値算出手段から
の分散推定値データを入力として、分類アルゴリズムを
用いて各信号の各特徴毎に異なる分散値を取ることを考
慮した分類評価値を最小または最大にする分類データを
出力する異分散分類データ最適化手段と、を備えたこと
を特徴とするセンサ信号分類装置にある。
【００２７】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類装置であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの任意の初期値と、各信号の特徴を記録したセンサ
信号データから、分類に関する評価値である分類評価値
を最小または最大にするような分類データを求める分類
部が、前記分類データを入力して各信号毎に各特徴の推
定誤差の分散値を推定し、これを分散推定値データとし
て出力する分散推定値算出手段と、前記分類データおよ
びセンサ信号データ並びに前記分散推定値算出手段から
の分散推定値データを入力として、分類アルゴリズムを
用いて各信号の各特徴毎に異なる分散値を取ることを考
慮した分類評価値を最小または最大にする分類データを
出力する異分散分類データ最適化手段と、前記センサ信
号データと異分散分類データ最適化手段から出力される
分類データからこの分類データが局所最適解となってい
るか否かを判定し、局所最適解と判定した場合にはクラ
スタ数と信号数を出力し、局所最適解でないと判定した
場合には前記分類データを出力する局所最適解検出手段
と、この局所最適解検出手段からのクラスタ数と信号数
を入力として前記分類データを初期化して作成しこれを
前記異分散分類データ最適化手段にフィードバックする
分類データ初期化手段と、を備えたことを特徴とするセ
ンサ信号分類装置にある。
【００２８】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類装置であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの任意の初期値と、各信号の特徴を記録したセンサ
信号データから、分類に関する評価値である分類評価値
を最小または最大にするような分類データを求める分類
部が、前記分類データを入力して各信号毎に各特徴の推
定誤差の分散値を推定し、これを分散推定値データとし
て出力する分散推定値算出手段と、前記分類データおよ
びセンサ信号データ並びに前記分散推定値算出手段から
の分散推定値データを入力として、分類アルゴリズムを
用いて各信号の各特徴毎に異なる分散値を取ることを考
慮した分類評価値を最小または最大にする分類データを
出力する異分散分類データ最適化手段と、前記センサ信
号データと前記異分散分類データ最適化手段から出力さ
れる分類データから、この分類データにおいて各クラス
タが仮定した分布・条件を満たしているか否かを判定
し、満たしていないクラスタが存在する場合には前記分
類データと、仮定した分布・条件を満たさないすべての
クラスタの集合であるクラスタ番号集合を出力し、すべ
てのクラスタが仮定した分布・条件を満たすと判定した
場合には前記分類データを出力する誤クラスタ検出手段
と、この誤クラスタ検出手段から出力される分類データ
とクラスタ番号集合を入力とし、この分類データに関し
てクラスタ番号集合に記録されたクラスタに含まれる信
号のみを任意に初期化して前記異分散分類データ最適化
手段にフィードバックする分類データ一部初期化手段
と、を備えたことを特徴とするセンサ信号分類装置にあ
る。
【００２９】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類方法であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの初期値と、各信号の特徴を記録したセンサ信号デ
ータから、分類評価値を最小または最大にするような分
類データを求める分類工程が、分類評価値を良くするよ
うに大きくまたは小さくするように前記分類データを変
更する分類変更ステップと、前記分類評価値が最小また
は最大になっているか否かを判定し、なっていないと判
断した場合には前記分類変更ステップに戻る分類完了判
断ステップと、この分類完了判断ステップで最小または
最大になっていると判断した場合に、前記分類データが
局所最適解となっているか否かを判定し、局所最適解で
ないと判定した場合に前記分類工程を終了する局所最適
解検出ステップと、この局所最適解検出ステップで局所
最適解と判定した場合に前記分類データを初期化して前
記分類変更ステップに戻す分類データ初期化ステップ
と、を備えたことを特徴とするセンサ信号分類方法にあ
る。
【００３０】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類方法であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの初期値と、各信号の特徴を記録したセンサ信号デ
ータから、分類評価値を最小または最大にするような分
類データを求める分類工程が、分類評価値を良くするよ
うに大きくまたは小さくするように前記分類データを変
更する分類変更ステップと、前記分類評価値が最小また
は最大になっているか否かを判定し、なっていないと判
断した場合には前記分類変更ステップに戻る分類完了判
断ステップと、この分類完了判断ステップで最小または
最大になっていると判断した場合に、前記分類データに
おいて、各クラスタが仮定した分布・条件を満たしてい
るかを判定し、すべて仮定した分布・条件を満たしてい
る判定した場合にこの分類工程を終了する誤クラスタ検
出ステップと、この誤クラスタ検出ステップで満たして
いないクラスタが存在する場合、仮定した分布・条件を
満たさないすべてのクラスタを求め、これをクラスタ番
号集合とし、現在の分類データに関してクラスタ番号集
合に記録されたクラスタに含まれる信号のみを任意に初
期化して前記分類変更ステップに戻す分類データ一部初
期化ステップと、を備えたことを特徴とするセンサ信号
分類方法にある。
【００３１】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類方法であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの初期値と、各信号の特徴を記録したセンサ信号デ
ータから、分類評価値を最小または最大にするような分
類データを求める分類工程が、各信号毎に、各特徴の推
定誤差の分散値を推定し、これを分散推定値データとす
る分散推定値算出ステップと、各信号の各特徴毎に異な
る分散値を取ることを考慮した分類評価値を最小または
最大にする異分散分類評価値による分類変更を行う分類
変更ステップと、前記分類評価値が最小または最大にな
っているか否かを判定し、なっていないと判断した場合
には前記分類変更ステップに戻り、なっていればこの分
類工程を終了する分類完了判断ステップと、を備えたこ
とを特徴とするセンサ信号分類方法にある。
【００３２】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類方法であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの初期値と、各信号の特徴を記録したセンサ信号デ
ータから、分類評価値を最小または最大にするような分
類データを求める分類工程が、各信号毎に、各特徴の推
定誤差の分散値を推定し、これを分散推定値データとす
る分散推定値算出ステップと、各信号の各特徴毎に異な
る分散値を取ることを考慮した分類評価値を最小または
最大にする異分散分類評価値による分類変更を行う分類
変更ステップと、前記分類評価値が最小または最大にな
っているか否かを判定し、なっていないと判断した場合
には前記分類変更ステップに戻る分類完了判断ステップ
と、この分類完了判断ステップで最小または最大になっ
ていると判断した場合に、前記分類データが局所最適解
となっているか否かを判定し、局所最適解でないと判定
した場合に前記分類工程を終了する局所最適解検出ステ
ップと、この局所最適解検出ステップで局所最適解と判
定した場合に前記分類データを初期化して前記分類変更
ステップに戻す分類データ初期化ステップと、を備えた
ことを特徴とするセンサ信号分類方法にある。
【００３３】またこの発明は、センサが受信・検出した
複数種類の信号を、各種類毎に分類し、同じ種類の信号
の集合であるクラスタを求めるセンサ信号分類方法であ
って、各信号がどのクラスタに含まれるかを示す分類デ
ータの初期値と、各信号の特徴を記録したセンサ信号デ
ータから、分類評価値を最小または最大にするような分
類データを求める分類工程が、各信号毎に、各特徴の推
定誤差の分散値を推定し、これを分散推定値データとす
る分散推定値算出ステップと、各信号の各特徴毎に異な
る分散値を取ることを考慮した分類評価値を最小または
最大にする異分散分類評価値による分類変更を行う分類
変更ステップと、前記分類評価値が最小または最大にな
っているか否かを判定し、なっていないと判断した場合
には前記分類変更ステップに戻る分類完了判断ステップ
と、この分類完了判断ステップで最小または最大になっ
ていると判断した場合に、前記分類データにおいて、各
クラスタが仮定した分布・条件を満たしているかを判定
し、すべて仮定した分布・条件を満たしている判定した
場合にこの分類工程を終了する誤クラスタ検出ステップ
と、この誤クラスタ検出ステップで満たしていないクラ
スタが存在する場合、仮定した分布・条件を満たさない
すべてのクラスタを求め、これをクラスタ番号集合と
し、現在の分類データに関してクラスタ番号集合に記録
されたクラスタに含まれる信号のみを任意に初期化して
前記分類変更ステップに戻す分類データ一部初期化ステ
ップと、を備えたことを特徴とするセンサ信号分類方法
にある。
【００３４】
【発明の実施の形態】以下、本発明の各実施の形態につ
いて、図面を参照して説明する。なお、本発明によるセ
ンサ信号分類装置の全体の構成は図１４に示す従来のも
のと基本的に同一であり、分類部の部分の構成が異な
る。また各図において、共通する要素には同一符合を付
し、重複する説明を省略する。
【００３５】実施の形態１．図１はこの発明の一実施の
形態によるセンサ信号分類装置の分類部(分類工程)の構
成を示すブロック図を示す。分類部以外の動作は、従来
例と同様である。同図において、１１ａは分類データ最
適化手段１０の出力する分類データΛKとセンサ信号デ
ータＹを入力として、分類結果が局所最適解となってい
るか否かを判断し、局所最適解でなければ入力された分
類データΛKを出力し、局所最適解であれば後述する分
類データ初期化手段１２ａにクラスタ数Ｋと信号数Ｎを
出力する局所最適解検出手段、１２ａは入力されたクラ
スタ数Ｋと信号数Ｎに基づいて、任意の方法で分類デー
タを作成し、これを出力する分類データ初期化手段であ
る。
【００３６】以下、図２に示すフローチャートに沿って
図１に示すセンサ信号分類装置の動作を説明する。分類
データ最適化手段１０は従来例と同様に、(１)式などの
分類評価値を良く(小さくもしくは大きく)するように、
分類データを変更し(ステップＳＴ１２)、これ以上、分
類評価値が良くならないと判断したら、その分類データ
を出力する(ステップＳＴ１３)。
【００３７】この際、分類評価値が良くなるように、分
類データを変更していく手法には、Ｋ-means法、ファジ
ィ-c-means法などの最適化手法を用いる。これらの手法
は、真に評価値を最良とする分類データ(真の最適解)で
なく、局所的に考えた場合に評価値を最良とする分類デ
ータ(局所最適解)を求めてしまうことがある。このよう
に、局所最適解を求めてしまうようなアルゴリズムを用
いる理由は、必ず真の最適解を求めることができる総当
たり法では、演算時間がかかりずぎ、現実的な演算時間
で解を求めることができないためである。
【００３８】局所最適解と真の最適解の例を図３、４に
示す。これらの図は、分類データ最適化手段１０で得ら
れた分類データに基づき、クラスタ毎に記号を変えて特
徴空間に各信号をプロットした例である。この特徴数は
２である。図３の局所最適解ではクラスタ２とクラスタ
４の信号が特徴２によって分割された状態であるのに対
し、図４の真の最適解では特徴１によって分割されてお
り、見ためにも図４の分割の方が正しく思われる。
【００３９】実際、(１)式の分類評価値も図４の方が小
さくなる。このように、図３のような局所最適解は、例
えば複数の信号の所属するクラスタを同時に変更しなけ
れば評価値が小さくならないのに、k-means法では複数
の信号の所属するクラスタを同時に変更することができ
ないために求められる。
【００４０】局所最適解検出手段１１ａでは、分類デー
タ最適化手段１０の出力する分類データΛKとセンサ信
号データＹを入力とし、この分類データが局所最適解で
あるか否かの判定を行い、局所最適解であると判定され
た場合には分類データ初期化手段１２ａにクラスタ数Ｋ
と信号数Ｎとを出力し、局所最適解でなかった場合には
分類データΛKを出力する(ステップＳＴ１４)。
【００４１】ただし、仮定しているクラスタが種類数と
等しくないと、局所最適解であると判定され続ける可能
性があるので、Ｍ(任意の整数)回以上、局所最適解検出
(ステップＳＴ１４)処理を行なっても局所最適解である
と判定される場合、もしくは、前に局所最適化検出手段
１１ａにおいてステップＳＴ１４の処理を行なった際の
分類データと分類評価値を記憶しておき、この分類評価
値が小さくならなかった場合、局所最適解でないと判断
して、分類データΛKを出力する。
【００４２】局所最適解であるか否かの判定方法につい
て述べる。ここで、分かりやすくするため、各クラスタ
は特徴空間で十分距離が離れていて、信号から抽出され
る特徴に含まれる誤差は、正規分布に従う場合について
考える。
【００４３】この場合、仮定したクラスタ数が種類数と
等しく、かつ真の最適解を求めることができれば、各ク
ラスタに含まれる信号は、それぞれ特徴空間内で多変量
正規分布に従って分布する。よって、各クラスタに含ま
れる信号が特徴空間で多変量正規分布に従っているか否
かを判定し、従っていないクラスタがあれば、局所最適
解がもとめられているか、もしくは仮定しているクラス
タ数が誤っていることがわかる。判定方法として、仮説
通りの分布に従っているか否かを判定することができる
適合度検定、Kolmogorov-Smirnov検定などを用いる。
【００４４】分かりやすくするため特徴の分布を正規分
布としたが、これ以外の分布形でも良い。
【００４５】また、信号から抽出される特徴がそれぞれ
独立に正規分布に従い、かつそれらの特徴の中で分散が
未知の特徴と既知の特徴がある場合、分散が未知の特徴
のみから構成する特徴空間において上記の検定を行な
い、分散が既知の特徴のみから構成する特徴空間におい
て各クラスタの分散値を推定し、この値と既知の分散の
値が等しいという仮定が成り立つか否かを検定するχ二
乗検定を行なうこともできる。
【００４６】その他にも、特徴空間内で各クラスタ間の
距離が十分離れていると仮定したが、逆にこの距離が近
く、特徴数が１である場合の特徴空間内での信号の頻度
分布の例を図５に示す。この場合、クラスタ１に含まれ
るはずの信号でも特徴空間内でクラスタ２に近ければ、
クラスタ２に含まれるとされる。この結果、この２つの
クラスタにおいて特徴の誤差の分散として推定される値
は、実際の分散よりも小さい値となる。反面、分散が大
きくなることはない。
【００４７】このため、例えば特徴の誤差の分散が既知
の場合に、各クラスタから推定される分散値と既知の分
散値が等しいという仮説でなく、推定される分散が既知
の分散値より小さいという仮説を立て、検定を行なうこ
ともできる。他にも、適合度検定、Kolmogorov-Smirnov
検定を行なう場合に、分布全体を利用するのではなく、
図５のようなクラスタの重なりがないと予想される領域
のみを用いて検定を行なうこともできる。
【００４８】分類データ初期化手段１２ａでは、局所最
適解検出手段１１ａの出力するクラスタ数Ｋと信号数Ｎ
を入力として、クラスタ数Ｋ、信号数Ｎである分類デー
タを任意に作成し、これを出力する(ステップＳＴ１
５)。この分類データの初期化法は、分類部５に入力さ
れる分類データを作成する分類データ初期化部４(図１
４参照)の方法と異なる方法とすることにより、再び同
じ局所最適解が求められることを防ぐこともできる。
【００４９】実施の形態２．図６はこの発明の別の実施
の形態によるセンサ信号分類装置の分類部の構成を示す
ブロック図を示す。この実施の形態にかかる分類部５
は、分類データ最適化手段１０と、誤クラスタ検出手段
１１ｂと、分類データ一部初期化手段１２ｂを備える。
【００５０】以下、図７に示すフローチャートに沿って
図６に示すセンサ信号分類装置の動作を説明する。
【００５１】誤クラスタ検出手段１１ｂは、局所最適解
検出手段１１ａと同様に考え、仮定した分布・条件に従
わないクラスタを検出する。ただしこの際、実施の形態
１で述べたχ二乗検定などの方法により仮定した分布・
条件と異なると判定されたクラスタの番号を記憶する。
この記憶されたクラスタ番号の集合を、クラスタ番号集
合と呼ぶことにする。そして、仮定した分布・条件に従
わないクラスタがあると判断された場合には、このクラ
スタ番号集合{k}と分類データΛKを分類データ一部初期
化手段１２ｂに出力し、なかったと判断された場合、分
類データΛKを出力する(ステップＳＴ２１)。
【００５２】またこの際、実施の形態１と同様に、Ｍ回
以上，誤クラスタ検出処理を行なった場合などでは、誤
クラスタはないと考える。
【００５３】分類データ一部初期化手段１２ｂは、誤ク
ラスタ検出手段１１ｂから出力されたクラスタ番号集合
と分類データを入力とし、クラスタ番号集合に記録され
たクラスタに含まれる信号のみを任意に初期化し、初期
化した分類データを出力する(ステップＳＴ２２)。
【００５４】実施の形態３．図８はこの発明の別の実施
の形態によるセンサ信号分類装置の分類部の構成を示す
ブロック図を示す。この実施の形態にかかる分類部５
は、分散推定値算出手段２０と異分散分類データ最適化
手段１０ａを備える。
【００５５】以下、図９に示すフローチャートに沿って
図８に示すセンサ信号分類装置の動作を説明する。
【００５６】分散推定値算出手段２０では、センサ信号
データＹを入力として、各信号毎に、各特徴の推定誤差
の分散値を推定する(ステップＳＴ３１)。
【００５７】特徴推定誤差の分散は、センサ固有の値と
して一定値で決定されていることが多い。しかし、例え
ば信号がレーダパルスであり、その特徴がパルス幅であ
った場合、そのレーダパルスが受信された際のＳ／Ｎ比
によって測定精度は異なり、Ｓ／Ｎ比が低ければ測定精
度は悪化し、パルス幅推定誤差の分散は大きくなる。ま
た、各特徴が各Ｓ／Ｎ比によってどのような推定誤差分
散を持つかを事前に調べておくことができる。
【００５８】このデータを分散推定値算出手段２０に記
憶し、信号ｉが検出された際のＳ／Ｎ比から、信号ｉの
特徴ｐの値ｙipが持つ誤差の分散の推定値σip 2を算出
することができる。すべてのｉ(１〜Ｎ)、ｐ(１〜Ｐ)に
おけるこの分散の推定値σip 2を記録したデータを分散
推定値データσと呼ぶことにする。分散推定値算出手段
２０では、この分散推定値データσを出力する。
【００５９】異分散分類データ最適化手段１０ａでは、
分散推定値算出手段２０の出力する分散推定値データσ
と、分類データΛK (0)、センサ信号データＹを入力とし
て、分類データ最適化手段１０と同様にして、分類デー
タを変更する(ステップＳＴ３２)。ただし、分類評価値
は(１)式と異なり、
【００６０】
【数３】
【００６１】のように、各信号の各特徴毎に異なる分散
値を持つようにして算出する。ここで、σkpは特徴ｐの
誤差の分散がクラスタ毎に異なる場合に正の値を取る。
例えば信号がレーダパルスで特徴がパルス幅である場
合、レーダとセンサの位置関係によって、パルス幅推定
誤差の分散が異なることが考えられるので、この場合は
各クラスタにおける信号のばらつきからσkpを推定し
て、分類評価値が算出される。
【００６２】実施の形態４．図１０はこの発明の別の実
施の形態によるセンサ信号分類装置の分類部の構成を示
すブロック図を示す。この実施の形態にかかる分類部５
は、図１の分類部５において、分類データ最適化手段１
０の代わりに図８の分散推定値算出手段２０と異分散分
類データ最適化手段１０ａを備える。
【００６３】図１１に示すフローチャートは、図１０に
示すセンサ信号分類装置の動作を示すものであり、図１
０、１１における各手段、ステップの動作は、実施の形
態１、３において同じ符合をつけた手段、ステップの動
作と同様であり、両実施の形態の合わせた効果が得られ
る。
【００６４】実施の形態５．図１２はこの発明の別の実
施の形態によるセンサ信号分類装置の分類部の構成を示
すブロック図を示す。この実施の形態にかかる分類部５
は、図６の分類部５において分類データ最適化手段１０
の代わりに、図８の分散推定値算出手段２０と異分散分
類データ最適化手段１０ａを備える。
【００６５】図１３に示すフローチャートは、図１２に
示すセンサ信号分類装置の動作を示すものであり、図１
２、１３における各手段、ステップの動作は、実施の形
態２、３において同じ符合をつけた手段、ステップの動
作と同様であり、両実施の形態の合わせた効果が得られ
る。
【００６６】
【発明の効果】以上のようにこの発明によれば、局所最
適解であることを検出するので、より正しいセンサ信号
の分類結果を出力するセンサ信号分類装置および方法を
得ることができる。
【００６７】また、仮定した分布・条件と異なるクラス
タのみを初期化し、再度分類データを最適化するので、
演算時間を短縮できるセンサ信号分類装置および方法を
得ることができる。
【００６８】さらに、信号毎に誤差の分散値を設定でき
るので、より正しいセンサ信号の分類結果を出力するセ
ンサ信号分類装置および方法を得ることができる。
【００６９】さらにまた、信号毎に誤差の分散値を設定
でき、かつ、局所最適解であることを検出するので、よ
り一層、正しいセンサ信号の分類結果を出力するセンサ
信号分類装置および方法を得ることができる。
【００７０】さらにまた、信号毎に誤差の分散値を設定
でき、かつ仮定した分布・条件と異なるクラスタのみを
初期化し、再度分類データを最適化するので、正しいセ
ンサ信号の分類結果を出力し、かつ演算時間を短縮でき
るセンサ信号分類装置および方法を得ることができる。
【図面の簡単な説明】
【図１】 この発明の実施の形態１によるセンサ信号分
類装置の分類部の構成を示すブロック図である。
【図２】 この発明の実施の形態１における動作を示す
フローチャート図である。
【図３】 局所最適解である分類結果を特徴空間にプロ
ットした例を示す図である。
【図４】 真の最適解である分類結果を特徴空間にプロ
ットした例を示す図である。
【図５】 特徴空間における信号の分布の例を示す図で
ある。
【図６】 この発明の実施の形態２によるセンサ信号分
類装置の分類部の構成を示すブロック図である。
【図７】 この発明の実施の形態２における動作を示す
フローチャート図である。
【図８】 この発明の実施の形態３によるセンサ信号分
類装置の分類部の構成を示すブロック図である。
【図９】 この発明の実施の形態３における動作を示す
フローチャート図である。
【図１０】 この発明の実施の形態４によるセンサ信号
分類装置の分類部の構成を示すブロック図である。
【図１１】 この発明の実施の形態４における動作を示
すフローチャート図である。
【図１２】 この発明の実施の形態５によるセンサ信号
分類装置の分類部の構成を示すブロック図である。
【図１３】 この発明の実施の形態５における動作を示
すフローチャート図である。
【図１４】 従来のこの種のセンサ信号分類装置および
本発明によるセンサ信号分類装置の全体的構成を示す図
である。
【符号の説明】
１ アンテナ、２ センサ信号データ作成部、４ 分類
データ初期化部、５分類部、６ 最適クラスタ数推定
部、７ 信号分類部、１０ 分類データ最適化手段、１
０ａ 異分散分類データ初期化手段、１１ａ 局所最適
解検出手段、１１ｂ 誤クラスタ検出手段、１２ａ 分
類データ初期化手段、１２ｂ 分類データ一部初期化手
段、２０ 分散推定値算出手段。

Claims (10)

    【特許請求の範囲】
  1. 【請求項１】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類装置であって、 各信号がどのクラスタに含まれるかを示す分類データの
    任意の初期値と、各信号の特徴を記録したセンサ信号デ
    ータから、分類に関する評価値である分類評価値を最小
    または最大にするような分類データを求める分類部が、 前記分類データと前記センサ信号データを入力として、
    所定の分類アルゴリズムを用いて分類評価値を最小また
    は最大にする分類データを出力する分類データ最適化手
    段と、 前記センサ信号データと前記分類データ最適化手段から
    出力される分類データからこの分類データが局所最適解
    となっているか否かを判定し、局所最適解と判定した場
    合にはクラスタ数と信号数を出力し、局所最適解でない
    と判定した場合には前記分類データを出力する局所最適
    解検出手段と、 この局所最適解検出手段からのクラスタ数と信号数を入
    力として前記分類データを初期化して作成しこれを前記
    分類データ最適化手段にフィードバックする分類データ
    初期化手段と、 を備えたことを特徴とするセンサ信号分類装置。
  2. 【請求項２】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類装置であって、 各信号がどのクラスタに含まれるかを示す分類データの
    任意の初期値と、各信号の特徴を記録したセンサ信号デ
    ータから、分類に関する評価値である分類評価値を最小
    または最大にするような分類データを求める分類部が、 前記分類データと前記センサ信号データを入力として、
    所定の分類アルゴリズムを用いて分類評価値を最小また
    は最大にする分類データを出力する分類データ最適化手
    段と、 前記センサ信号データと前記分類データ最適化手段から
    出力される分類データから、この分類データにおいて各
    クラスタが仮定した分布・条件を満たしているか否かを
    判定し、満たしていないクラスタが存在する場合には前
    記分類データと、仮定した分布・条件を満たさないすべ
    てのクラスタの集合であるクラスタ番号集合を出力し、
    すべてのクラスタが仮定した分布・条件を満たすと判定
    した場合には前記分類データを出力する誤クラスタ検出
    手段と、 この誤クラスタ検出手段から出力される分類データとク
    ラスタ番号集合を入力とし、この分類データに関してク
    ラスタ番号集合に記録されたクラスタに含まれる信号の
    みを任意に初期化して前記分類データ最適化手段にフィ
    ードバックする分類データ一部初期化手段と、 を備えたことを特徴とするセンサ信号分類装置。
  3. 【請求項３】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類装置であって、 各信号がどのクラスタに含まれるかを示す分類データの
    任意の初期値と、各信号の特徴を記録したセンサ信号デ
    ータから、分類に関する評価値である分類評価値を最小
    または最大にするような分類データを求める分類部が、 前記分類データを入力して各信号毎に各特徴の推定誤差
    の分散値を推定し、これを分散推定値データとして出力
    する分散推定値算出手段と、 前記分類データおよびセンサ信号データ並びに前記分散
    推定値算出手段からの分散推定値データを入力として、
    分類アルゴリズムを用いて各信号の各特徴毎に異なる分
    散値を取ることを考慮した分類評価値を最小または最大
    にする分類データを出力する異分散分類データ最適化手
    段と、 を備えたことを特徴とするセンサ信号分類装置。
  4. 【請求項４】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類装置であって、 各信号がどのクラスタに含まれるかを示す分類データの
    任意の初期値と、各信号の特徴を記録したセンサ信号デ
    ータから、分類に関する評価値である分類評価値を最小
    または最大にするような分類データを求める分類部が、 前記分類データを入力して各信号毎に各特徴の推定誤差
    の分散値を推定し、これを分散推定値データとして出力
    する分散推定値算出手段と、 前記分類データおよびセンサ信号データ並びに前記分散
    推定値算出手段からの分散推定値データを入力として、
    分類アルゴリズムを用いて各信号の各特徴毎に異なる分
    散値を取ることを考慮した分類評価値を最小または最大
    にする分類データを出力する異分散分類データ最適化手
    段と、 前記センサ信号データと異分散分類データ最適化手段か
    ら出力される分類データからこの分類データが局所最適
    解となっているか否かを判定し、局所最適解と判定した
    場合にはクラスタ数と信号数を出力し、局所最適解でな
    いと判定した場合には前記分類データを出力する局所最
    適解検出手段と、 この局所最適解検出手段からのクラスタ数と信号数を入
    力として前記分類データを初期化して作成しこれを前記
    異分散分類データ最適化手段にフィードバックする分類
    データ初期化手段と、 を備えたことを特徴とするセンサ信号分類装置。
  5. 【請求項５】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類装置であって、 各信号がどのクラスタに含まれるかを示す分類データの
    任意の初期値と、各信号の特徴を記録したセンサ信号デ
    ータから、分類に関する評価値である分類評価値を最小
    または最大にするような分類データを求める分類部が、 前記分類データを入力して各信号毎に各特徴の推定誤差
    の分散値を推定し、これを分散推定値データとして出力
    する分散推定値算出手段と、 前記分類データおよびセンサ信号データ並びに前記分散
    推定値算出手段からの分散推定値データを入力として、
    分類アルゴリズムを用いて各信号の各特徴毎に異なる分
    散値を取ることを考慮した分類評価値を最小または最大
    にする分類データを出力する異分散分類データ最適化手
    段と、 前記センサ信号データと前記異分散分類データ最適化手
    段から出力される分類データから、この分類データにお
    いて各クラスタが仮定した分布・条件を満たしているか
    否かを判定し、満たしていないクラスタが存在する場合
    には前記分類データと、仮定した分布・条件を満たさな
    いすべてのクラスタの集合であるクラスタ番号集合を出
    力し、すべてのクラスタが仮定した分布・条件を満たす
    と判定した場合には前記分類データを出力する誤クラス
    タ検出手段と、 この誤クラスタ検出手段から出力される分類データとク
    ラスタ番号集合を入力とし、この分類データに関してク
    ラスタ番号集合に記録されたクラスタに含まれる信号の
    みを任意に初期化して前記異分散分類データ最適化手段
    にフィードバックする分類データ一部初期化手段と、 を備えたことを特徴とするセンサ信号分類装置。
  6. 【請求項６】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類方法であって、 各信号がどのクラスタに含まれるかを示す分類データの
    初期値と、各信号の特徴を記録したセンサ信号データか
    ら、分類評価値を最小または最大にするような分類デー
    タを求める分類工程が、 分類評価値を良くするように大きくまたは小さくするよ
    うに前記分類データを変更する分類変更ステップと、 前記分類評価値が最小または最大になっているか否かを
    判定し、なっていないと判断した場合には前記分類変更
    ステップに戻る分類完了判断ステップと、 この分類完了判断ステップで最小または最大になってい
    ると判断した場合に、前記分類データが局所最適解とな
    っているか否かを判定し、局所最適解でないと判定した
    場合に前記分類工程を終了する局所最適解検出ステップ
    と、 この局所最適解検出ステップで局所最適解と判定した場
    合に前記分類データを初期化して前記分類変更ステップ
    に戻す分類データ初期化ステップと、 を備えたことを特徴とするセンサ信号分類方法。
  7. 【請求項７】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類方法であって、 各信号がどのクラスタに含まれるかを示す分類データの
    初期値と、各信号の特徴を記録したセンサ信号データか
    ら、分類評価値を最小または最大にするような分類デー
    タを求める分類工程が、 分類評価値を良くするように大きくまたは小さくするよ
    うに前記分類データを変更する分類変更ステップと、 前記分類評価値が最小または最大になっているか否かを
    判定し、なっていないと判断した場合には前記分類変更
    ステップに戻る分類完了判断ステップと、 この分類完了判断ステップで最小または最大になってい
    ると判断した場合に、前記分類データにおいて、各クラ
    スタが仮定した分布・条件を満たしているかを判定し、
    すべて仮定した分布・条件を満たしている判定した場合
    にこの分類工程を終了する誤クラスタ検出ステップと、 この誤クラスタ検出ステップで満たしていないクラスタ
    が存在する場合、仮定した分布・条件を満たさないすべ
    てのクラスタを求め、これをクラスタ番号集合とし、現
    在の分類データに関してクラスタ番号集合に記録された
    クラスタに含まれる信号のみを任意に初期化して前記分
    類変更ステップに戻す分類データ一部初期化ステップ
    と、 を備えたことを特徴とするセンサ信号分類方法。
  8. 【請求項８】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類方法であって、 各信号がどのクラスタに含まれるかを示す分類データの
    初期値と、各信号の特徴を記録したセンサ信号データか
    ら、分類評価値を最小または最大にするような分類デー
    タを求める分類工程が、 各信号毎に、各特徴の推定誤差の分散値を推定し、これ
    を分散推定値データとする分散推定値算出ステップと、 各信号の各特徴毎に異なる分散値を取ることを考慮した
    分類評価値を最小または最大にする異分散分類評価値に
    よる分類変更を行う分類変更ステップと、 前記分類評価値が最小または最大になっているか否かを
    判定し、なっていないと判断した場合には前記分類変更
    ステップに戻り、なっていればこの分類工程を終了する
    分類完了判断ステップと、 を備えたことを特徴とするセンサ信号分類方法。
  9. 【請求項９】 センサが受信・検出した複数種類の信号
    を、各種類毎に分類し、同じ種類の信号の集合であるク
    ラスタを求めるセンサ信号分類方法であって、 各信号がどのクラスタに含まれるかを示す分類データの
    初期値と、各信号の特徴を記録したセンサ信号データか
    ら、分類評価値を最小または最大にするような分類デー
    タを求める分類工程が、 各信号毎に、各特徴の推定誤差の分散値を推定し、これ
    を分散推定値データとする分散推定値算出ステップと、 各信号の各特徴毎に異なる分散値を取ることを考慮した
    分類評価値を最小または最大にする異分散分類評価値に
    よる分類変更を行う分類変更ステップと、 前記分類評価値が最小または最大になっているか否かを
    判定し、なっていないと判断した場合には前記分類変更
    ステップに戻る分類完了判断ステップと、 この分類完了判断ステップで最小または最大になってい
    ると判断した場合に、前記分類データが局所最適解とな
    っているか否かを判定し、局所最適解でないと判定した
    場合に前記分類工程を終了する局所最適解検出ステップ
    と、 この局所最適解検出ステップで局所最適解と判定した場
    合に前記分類データを初期化して前記分類変更ステップ
    に戻す分類データ初期化ステップと、 を備えたことを特徴とするセンサ信号分類方法。
  10. 【請求項１０】 センサが受信・検出した複数種類の信
    号を、各種類毎に分類し、同じ種類の信号の集合である
    クラスタを求めるセンサ信号分類方法であって、 各信号がどのクラスタに含まれるかを示す分類データの
    初期値と、各信号の特徴を記録したセンサ信号データか
    ら、分類評価値を最小または最大にするような分類デー
    タを求める分類工程が、 各信号毎に、各特徴の推定誤差の分散値を推定し、これ
    を分散推定値データとする分散推定値算出ステップと、 各信号の各特徴毎に異なる分散値を取ることを考慮した
    分類評価値を最小または最大にする異分散分類評価値に
    よる分類変更を行う分類変更ステップと、 前記分類評価値が最小または最大になっているか否かを
    判定し、なっていないと判断した場合には前記分類変更
    ステップに戻る分類完了判断ステップと、 この分類完了判断ステップで最小または最大になってい
    ると判断した場合に、前記分類データにおいて、各クラ
    スタが仮定した分布・条件を満たしているかを判定し、
    すべて仮定した分布・条件を満たしている判定した場合
    にこの分類工程を終了する誤クラスタ検出ステップと、 この誤クラスタ検出ステップで満たしていないクラスタ
    が存在する場合、仮定した分布・条件を満たさないすべ
    てのクラスタを求め、これをクラスタ番号集合とし、現
    在の分類データに関してクラスタ番号集合に記録された
    クラスタに含まれる信号のみを任意に初期化して前記分
    類変更ステップに戻す分類データ一部初期化ステップ
    と、 を備えたことを特徴とするセンサ信号分類方法。
JP05081098A 1998-03-03 1998-03-03 センサ信号分類装置およびその方法 Expired - Fee Related JP4198225B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP05081098A JP4198225B2 (ja) 1998-03-03 1998-03-03 センサ信号分類装置およびその方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP05081098A JP4198225B2 (ja) 1998-03-03 1998-03-03 センサ信号分類装置およびその方法

Publications (2)

Publication Number Publication Date
JPH11248820A true JPH11248820A (ja) 1999-09-17
JP4198225B2 JP4198225B2 (ja) 2008-12-17

Family

ID=12869132

Family Applications (1)

Application Number Title Priority Date Filing Date
JP05081098A Expired - Fee Related JP4198225B2 (ja) 1998-03-03 1998-03-03 センサ信号分類装置およびその方法

Country Status (1)

Country Link
JP (1) JP4198225B2 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003207565A (ja) * 2002-01-10 2003-07-25 Mitsubishi Electric Corp 類識別装置及び類識別方法
JP2008267864A (ja) * 2007-04-17 2008-11-06 Mitsubishi Electric Corp 目標類別装置
JP2014138341A (ja) * 2013-01-18 2014-07-28 Nec Corp データベース自動作成装置、無線局識別装置、電波監視装置、データベース自動作成方法及びデータベース自動作成プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003207565A (ja) * 2002-01-10 2003-07-25 Mitsubishi Electric Corp 類識別装置及び類識別方法
JP2008267864A (ja) * 2007-04-17 2008-11-06 Mitsubishi Electric Corp 目標類別装置
JP2014138341A (ja) * 2013-01-18 2014-07-28 Nec Corp データベース自動作成装置、無線局識別装置、電波監視装置、データベース自動作成方法及びデータベース自動作成プログラム

Also Published As

Publication number Publication date
JP4198225B2 (ja) 2008-12-17

Similar Documents

Publication Publication Date Title
KR101908680B1 (ko) 약한 지도 학습 기반의 기계 학습 방법 및 그 장치
EP2193478B1 (en) Segment-based change detection method in multivariate data stream
US8886574B2 (en) Generalized pattern recognition for fault diagnosis in machine condition monitoring
CN102016881B (zh) 样本数据的分类
JP6636214B1 (ja) 診断装置、診断方法及びプログラム
JP2017102906A (ja) 情報処理装置、情報処理方法及びプログラム
US20220245405A1 (en) Deterioration suppression program, deterioration suppression method, and non-transitory computer-readable storage medium
US20230120894A1 (en) Distance-based learning confidence model
Alippi et al. Just in time classifiers: Managing the slow drift case
Krishnapuram et al. Joint classifier and feature optimization for cancer diagnosis using gene expression data
JPH11248820A (ja) センサ信号分類装置およびその方法
CN114422450B (zh) 基于多源网络流量数据的网络流量分析方法和装置
US7908092B2 (en) Chemical sensor array evaluation method
Žliobaite et al. Determining the training window for small sample size classification with concept drift
Tax et al. Learning curves for the analysis of multiple instance classifiers
Fink et al. Quantifying the reliability of fault classifiers
KR20230080242A (ko) 딥 러닝 기반으로 음향 및 진동을 이용하여 기계의 고장을 진단하는 방법 및 이를 이용한 진단 장치
Mahmud et al. Fast MCMC sampling for Hidden Markov Models to determine copy number variations
Adapala et al. Breast cancer classification using svm and knn
KR100581673B1 (ko) 데이터 분류방법
Farag et al. Inductive Conformal Prediction for Harvest-Readiness Classification of Cauliflower Plants: A Comparative Study of Uncertainty Quantification Methods
Sbailò et al. Uncertainty Quantification in Deep Neural Networks through Statistical Inference on Latent Space
Thenmozhi et al. Distribution based fuzzy estimate spectral clustering for Cancer detection with protein sequence and structural motifs
EP4369313A1 (en) Method and device with object classification
WO2023178525A1 (en) Apparatus and method for tracking of extended objects

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20050225

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20070607

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20080219

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080418

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: 20080930

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20081001

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20111010

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20121010

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20131010

Year of fee payment: 5

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees