JPWO2020065807A1 - 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム - Google Patents
情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム Download PDFInfo
- Publication number
- JPWO2020065807A1 JPWO2020065807A1 JP2020547702A JP2020547702A JPWO2020065807A1 JP WO2020065807 A1 JPWO2020065807 A1 JP WO2020065807A1 JP 2020547702 A JP2020547702 A JP 2020547702A JP 2020547702 A JP2020547702 A JP 2020547702A JP WO2020065807 A1 JPWO2020065807 A1 JP WO2020065807A1
- Authority
- JP
- Japan
- Prior art keywords
- recommended
- information
- combination
- sensor
- processing method
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/02—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by absorbing or adsorbing components of a material and determining change of weight of the adsorbent, e.g. determining moisture content
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
Description
複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づき、前記センサの検出環境の推奨条件と、一以上の前記センサからなる組み合わせとを関連づけた推奨情報を生成する推奨情報生成手段を備える。
本発明の情報処理装置で生成された前記推奨情報と、前記検出環境を示す情報とに基づいて、使用する前記センサを決定する方法である。
本発明の情報処理装置で生成された前記推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記検出環境を決定する方法である。
センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、前記検出環境を示す情報とに基づいて、前記組み合わせを出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である。
センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記推奨条件を出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である。
複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づき、前記センサの検出環境の推奨条件と、一以上の前記センサからなる組み合わせとを関連づけた推奨情報を生成する推奨情報生成ステップを含む。
センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、前記検出環境を示す情報とに基づいて、前記組み合わせを出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である。
センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記推奨条件を出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である。
本発明の情報処理方法の各ステップをコンピュータに実行させる。
本発明の処理方法の各ステップをコンピュータに実行させる。
図1は、第1の実施形態に係る情報処理装置20の構成を例示する図である。本実施形態に係る情報処理装置20は、推奨情報生成手段270を備える。推奨情報生成手段270は、複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づき、推奨情報を生成する。推奨情報は、センサの検出環境の推奨条件と、一以上のセンサからなる組み合わせとを関連づけた情報である。以下に詳しく説明する。
(1)センサ10は、K種類の分子を含む対象ガスに曝されている。
(2)対象ガスにおける各分子kの濃度は一定のρkである。
(3)センサ10には、合計N個の分子が吸着可能である。
(4)時刻tにおいてセンサ10に付着している分子kの数はnk(t)個である。
図8は、第2の実施形態に係る情報処理装置20の構成を例示する図である。また、図9は、第2の実施形態に係る情報処理方法を例示するフローチャートである。本実施形態に係る情報処理装置20は、以下に説明する点を除いて第1の実施形態に係る情報処理装置20と同じである。
図10は、第3の実施形態に係る処理装置30の構成を例示する図である。本実施形態に係る処理装置30は、センサ10の検出環境の推奨条件と一以上のセンサ10からなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、検出環境を示す情報とに基づいて、組み合わせを出力する。ここで、推奨情報は、複数種類のセンサ10の集合100からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である。
図12は、第4の実施形態に係る処理装置40の構成を例示する図である。本実施形態に係る処理装置40は、センサ10の検出環境の推奨条件と一以上のセンサ10からなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、使用可能なセンサ10を示す情報とに基づいて、推奨条件を出力する。ここで、推奨情報は、複数種類のセンサ10の集合100からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である。
1. 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づき、前記センサの検出環境の推奨条件と、一以上の前記センサからなる組み合わせとを関連づけた推奨情報を生成する推奨情報生成手段を備える情報処理装置。
2. 1.に記載の情報処理装置において、
前記機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成手段と、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出し、抽出した前記センサからなる前記組み合わせを示す推奨組み合わせ情報を生成する抽出手段とをさらに備え、
前記抽出手段は、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出し、
前記推奨情報は、一以上の前記推奨組み合わせ情報を含む情報処理装置。
3. 2.に記載の情報処理装置において、
前記予測式生成手段は、
前記検出環境に基づいた分岐を含むモデルを用いて前記予測式を生成し、
前記推奨組み合わせ情報に、前記予測式に適した前記検出環境の条件であって、前記分岐の条件に基づく前記検出環境の条件を前記推奨条件として関連づける情報処理装置。
4. 3.に記載の情報処理装置において、
前記機械学習は、前記特徴量に関連づけられた前記検出環境をさらに入力とした異種混合学習であり、
前記分岐の条件は、前記異種混合学習により生成される情報処理装置。
5. 2.から4.のいずれか一つに記載の情報処理装置において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、サンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む情報処理装置。
6. 2.から5.のいずれか一つに記載の情報処理装置において、
前記予測式の予測精度を算出する予測精度算出手段をさらに備え、
前記推奨情報は、前記推奨組み合わせ情報に関連づけられた前記予測式の前記予測精度をさらに含む情報処理装置。
7. 2.から6.のいずれか一つに記載の情報処理装置において、
前記組み合わせを採用する場合のコストに少なくとも基づいて、前記組み合わせを評価する評価手段をさらに備え、
前記推奨情報は、前記推奨組み合わせ情報に関連づけられた、前記評価手段の評価結果をさらに含む情報処理装置。
8. 7.に記載の情報処理装置において、
前記評価手段は、前記推奨組み合わせ情報に関連づけられた前記推奨条件にさらに基づいて、前記組み合わせを評価する情報処理装置。
9. 1.から8.のいずれか一つに記載の情報処理装置で生成された前記推奨情報と、前記検出環境を示す情報とに基づいて、使用する前記センサを決定する決定方法。
10. 1.から8.のいずれか一つに記載の情報処理装置で生成された前記推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記検出環境を決定する決定方法。
11. センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、前記検出環境を示す情報とに基づいて、前記組み合わせを出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である処理装置。
12. 11.に記載の処理装置において、
前記推奨情報に含まれる前記推奨条件から、前記検出環境を示す情報が適合する前記推奨条件を抽出する抽出手段と、
抽出された前記推奨条件に関連づけられた前記推奨組み合わせ情報から、一以上の前記推奨組み合わせ情報を選択する選択手段と、
選択された前記推奨組み合わせ情報が示す前記組み合わせを出力する出力手段とを備える処理装置。
13. 12.に記載の処理装置において、
前記推奨情報において、前記推奨条件および前記推奨組み合わせ情報には、当該推奨条件と当該推奨組み合わせ情報が示す前記組み合わせとを用いた場合の、におい成分に関する予測精度がさらに関連づけられており、
前記選択手段は、抽出された前記推奨条件に関連づけられた前記推奨組み合わせ情報から、前記予測精度に基づいて、一以上の前記推奨組み合わせ情報を選択する処理装置。
14. 12.または13.に記載の処理装置において、
前記選択手段は、前記推奨組み合わせ情報が示す前記組み合わせを用いた場合の、コストに基づいて、一以上の前記推奨組み合わせ情報を選択する処理装置。
15. センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記推奨条件を出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である処理装置。
16. 15.に記載の処理装置において、
前記推奨情報に含まれる前記推奨組み合わせ情報から、前記使用可能な前記センサを示す情報に含まれる前記センサで、実現可能な前記組み合わせを示す前記推奨組み合わせ情報を抽出する抽出手段と、
抽出された前記推奨組み合わせ情報に関連づけられた前記推奨条件から、一以上の前記推奨条件を選択する選択手段と、
選択された前記推奨条件を出力する出力手段とを備える処理装置。
17. 16.に記載の処理装置において、
前記推奨情報において、前記推奨条件および前記推奨組み合わせ情報には、当該推奨条件と当該推奨組み合わせ情報が示す前記組み合わせとを用いた場合の、におい成分に関する予測精度がさらに関連づけられており、
前記選択手段は、前記予測精度に基づいて、一以上の前記推奨条件を選択する処理装置。
18. 16.または17.に記載の処理装置において、
前記選択手段は、前記推奨条件の広さおよび予め定められた条件からの近さの少なくとも一方に基づいて、一以上の前記推奨条件を選択する処理装置。
19. 11.から18.のいずれか一つに記載の処理装置において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、サンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む処理装置。
20. 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づき、前記センサの検出環境の推奨条件と、一以上の前記センサからなる組み合わせとを関連づけた推奨情報を生成する推奨情報生成ステップを含む情報処理方法。
21. 20.に記載の情報処理方法において、
前記機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成ステップと、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出し、抽出した前記センサからなる前記組み合わせを示す推奨組み合わせ情報を生成する抽出ステップとをさらに含み、
前記抽出ステップでは、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出し、
前記推奨情報は、一以上の前記推奨組み合わせ情報を含む情報処理方法。
22. 21.に記載の情報処理方法において、
前記予測式生成ステップでは、
前記検出環境に基づいた分岐を含むモデルを用いて前記予測式を生成し、
前記推奨組み合わせ情報に、前記予測式に適した前記検出環境の条件であって、前記分岐の条件に基づく前記検出環境の条件を前記推奨条件として関連づける情報処理方法。
23. 22.に記載の情報処理方法において、
前記機械学習は、前記特徴量に関連づけられた前記検出環境をさらに入力とした異種混合学習であり、
前記分岐の条件は、前記異種混合学習により生成される情報処理方法。
24. 21.から23.のいずれか一つに記載の情報処理方法において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、サンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む情報処理方法。
25. 21.から24.のいずれか一つに記載の情報処理方法において、
前記予測式の予測精度を算出する予測精度算出ステップをさらに含み、
前記推奨情報は、前記推奨組み合わせ情報に関連づけられた前記予測式の前記予測精度をさらに含む情報処理方法。
26. 21.から25.のいずれか一つに記載の情報処理方法において、
前記組み合わせを採用する場合のコストに少なくとも基づいて、前記組み合わせを評価する評価ステップをさらに含み、
前記推奨情報は、前記推奨組み合わせ情報に関連づけられた、前記評価ステップでの評価結果をさらに含む情報処理方法。
27. 26.に記載の情報処理方法において、
前記評価ステップでは、前記推奨組み合わせ情報に関連づけられた前記推奨条件にさらに基づいて、前記組み合わせを評価する情報処理方法。
28. センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、前記検出環境を示す情報とに基づいて、前記組み合わせを出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である処理方法。
29. 28.に記載の処理方法において、
前記推奨情報に含まれる前記推奨条件から、前記検出環境を示す情報が適合する前記推奨条件を抽出する抽出ステップと、
抽出された前記推奨条件に関連づけられた前記推奨組み合わせ情報から、一以上の前記推奨組み合わせ情報を選択する選択ステップと、
選択された前記推奨組み合わせ情報が示す前記組み合わせを出力する出力ステップとを含む処理方法。
30. 29.に記載の処理方法において、
前記推奨情報において、前記推奨条件および前記推奨組み合わせ情報には、当該推奨条件と当該推奨組み合わせ情報が示す前記組み合わせとを用いた場合の、におい成分に関する予測精度がさらに関連づけられており、
前記選択ステップでは、抽出された前記推奨条件に関連づけられた前記推奨組み合わせ情報から、前記予測精度に基づいて、一以上の前記推奨組み合わせ情報を選択する処理方法。
31. 29.または30.に記載の処理方法において、
前記選択ステップでは、前記推奨組み合わせ情報が示す前記組み合わせを用いた場合の、コストに基づいて、一以上の前記推奨組み合わせ情報を選択する処理方法。
32. センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記推奨条件を出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である処理方法。
33. 32.に記載の処理方法において、
前記推奨情報に含まれる前記推奨組み合わせ情報から、前記使用可能な前記センサを示す情報に含まれる前記センサで、実現可能な前記組み合わせを示す前記推奨組み合わせ情報を抽出する抽出ステップと、
抽出された前記推奨組み合わせ情報に関連づけられた前記推奨条件から、一以上の前記推奨条件を選択する選択ステップと、
選択された前記推奨条件を出力する出力ステップとを含む処理方法。
34. 33.に記載の処理方法において、
前記推奨情報において、前記推奨条件および前記推奨組み合わせ情報には、当該推奨条件と当該推奨組み合わせ情報が示す前記組み合わせとを用いた場合の、におい成分に関する予測精度がさらに関連づけられており、
前記選択ステップでは、前記予測精度に基づいて、一以上の前記推奨条件を選択する処理方法。
35. 33.または34.に記載の処理方法において、
前記選択ステップでは、前記推奨条件の広さおよび予め定められた条件からの近さの少なくとも一方に基づいて、一以上の前記推奨条件を選択する処理方法。
36. 28.から35.のいずれか一つに記載の処理方法において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、サンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む処理方法。
37. 20.から27.のいずれか一つに記載の情報処理方法の各ステップをコンピュータに実行させるプログラム。
38. 28.から36.のいずれか一つに記載の処理方法の各ステップをコンピュータに実行させるプログラム。
Claims (38)
- 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づき、前記センサの検出環境の推奨条件と、一以上の前記センサからなる組み合わせとを関連づけた推奨情報を生成する推奨情報生成手段を備える情報処理装置。
- 請求項1に記載の情報処理装置において、
前記機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成手段と、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出し、抽出した前記センサからなる前記組み合わせを示す推奨組み合わせ情報を生成する抽出手段とをさらに備え、
前記抽出手段は、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出し、
前記推奨情報は、一以上の前記推奨組み合わせ情報を含む情報処理装置。 - 請求項2に記載の情報処理装置において、
前記予測式生成手段は、
前記検出環境に基づいた分岐を含むモデルを用いて前記予測式を生成し、
前記推奨組み合わせ情報に、前記予測式に適した前記検出環境の条件であって、前記分岐の条件に基づく前記検出環境の条件を前記推奨条件として関連づける情報処理装置。 - 請求項3に記載の情報処理装置において、
前記機械学習は、前記特徴量に関連づけられた前記検出環境をさらに入力とした異種混合学習であり、
前記分岐の条件は、前記異種混合学習により生成される情報処理装置。 - 請求項2から4のいずれか一項に記載の情報処理装置において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、サンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む情報処理装置。 - 請求項2から5のいずれか一項に記載の情報処理装置において、
前記予測式の予測精度を算出する予測精度算出手段をさらに備え、
前記推奨情報は、前記推奨組み合わせ情報に関連づけられた前記予測式の前記予測精度をさらに含む情報処理装置。 - 請求項2から6のいずれか一項に記載の情報処理装置において、
前記組み合わせを採用する場合のコストに少なくとも基づいて、前記組み合わせを評価する評価手段をさらに備え、
前記推奨情報は、前記推奨組み合わせ情報に関連づけられた、前記評価手段の評価結果をさらに含む情報処理装置。 - 請求項7に記載の情報処理装置において、
前記評価手段は、前記推奨組み合わせ情報に関連づけられた前記推奨条件にさらに基づいて、前記組み合わせを評価する情報処理装置。 - 請求項1から8のいずれか一項に記載の情報処理装置で生成された前記推奨情報と、前記検出環境を示す情報とに基づいて、使用する前記センサを決定する決定方法。
- 請求項1から8のいずれか一項に記載の情報処理装置で生成された前記推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記検出環境を決定する決定方法。
- センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、前記検出環境を示す情報とに基づいて、前記組み合わせを出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である処理装置。 - 請求項11に記載の処理装置において、
前記推奨情報に含まれる前記推奨条件から、前記検出環境を示す情報が適合する前記推奨条件を抽出する抽出手段と、
抽出された前記推奨条件に関連づけられた前記推奨組み合わせ情報から、一以上の前記推奨組み合わせ情報を選択する選択手段と、
選択された前記推奨組み合わせ情報が示す前記組み合わせを出力する出力手段とを備える処理装置。 - 請求項12に記載の処理装置において、
前記推奨情報において、前記推奨条件および前記推奨組み合わせ情報には、当該推奨条件と当該推奨組み合わせ情報が示す前記組み合わせとを用いた場合の、におい成分に関する予測精度がさらに関連づけられており、
前記選択手段は、抽出された前記推奨条件に関連づけられた前記推奨組み合わせ情報から、前記予測精度に基づいて、一以上の前記推奨組み合わせ情報を選択する処理装置。 - 請求項12または13に記載の処理装置において、
前記選択手段は、前記推奨組み合わせ情報が示す前記組み合わせを用いた場合の、コストに基づいて、一以上の前記推奨組み合わせ情報を選択する処理装置。 - センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記推奨条件を出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である処理装置。 - 請求項15に記載の処理装置において、
前記推奨情報に含まれる前記推奨組み合わせ情報から、前記使用可能な前記センサを示す情報に含まれる前記センサで、実現可能な前記組み合わせを示す前記推奨組み合わせ情報を抽出する抽出手段と、
抽出された前記推奨組み合わせ情報に関連づけられた前記推奨条件から、一以上の前記推奨条件を選択する選択手段と、
選択された前記推奨条件を出力する出力手段とを備える処理装置。 - 請求項16に記載の処理装置において、
前記推奨情報において、前記推奨条件および前記推奨組み合わせ情報には、当該推奨条件と当該推奨組み合わせ情報が示す前記組み合わせとを用いた場合の、におい成分に関する予測精度がさらに関連づけられており、
前記選択手段は、前記予測精度に基づいて、一以上の前記推奨条件を選択する処理装置。 - 請求項16または17に記載の処理装置において、
前記選択手段は、前記推奨条件の広さおよび予め定められた条件からの近さの少なくとも一方に基づいて、一以上の前記推奨条件を選択する処理装置。 - 請求項11から18のいずれか一項に記載の処理装置において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、サンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む処理装置。 - 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づき、前記センサの検出環境の推奨条件と、一以上の前記センサからなる組み合わせとを関連づけた推奨情報を生成する推奨情報生成ステップを含む情報処理方法。
- 請求項20に記載の情報処理方法において、
前記機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成ステップと、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出し、抽出した前記センサからなる前記組み合わせを示す推奨組み合わせ情報を生成する抽出ステップとをさらに含み、
前記抽出ステップでは、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出し、
前記推奨情報は、一以上の前記推奨組み合わせ情報を含む情報処理方法。 - 請求項21に記載の情報処理方法において、
前記予測式生成ステップでは、
前記検出環境に基づいた分岐を含むモデルを用いて前記予測式を生成し、
前記推奨組み合わせ情報に、前記予測式に適した前記検出環境の条件であって、前記分岐の条件に基づく前記検出環境の条件を前記推奨条件として関連づける情報処理方法。 - 請求項22に記載の情報処理方法において、
前記機械学習は、前記特徴量に関連づけられた前記検出環境をさらに入力とした異種混合学習であり、
前記分岐の条件は、前記異種混合学習により生成される情報処理方法。 - 請求項21から23のいずれか一項に記載の情報処理方法において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、サンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む情報処理方法。 - 請求項21から24のいずれか一項に記載の情報処理方法において、
前記予測式の予測精度を算出する予測精度算出ステップをさらに含み、
前記推奨情報は、前記推奨組み合わせ情報に関連づけられた前記予測式の前記予測精度をさらに含む情報処理方法。 - 請求項21から25のいずれか一項に記載の情報処理方法において、
前記組み合わせを採用する場合のコストに少なくとも基づいて、前記組み合わせを評価する評価ステップをさらに含み、
前記推奨情報は、前記推奨組み合わせ情報に関連づけられた、前記評価ステップでの評価結果をさらに含む情報処理方法。 - 請求項26に記載の情報処理方法において、
前記評価ステップでは、前記推奨組み合わせ情報に関連づけられた前記推奨条件にさらに基づいて、前記組み合わせを評価する情報処理方法。 - センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、前記検出環境を示す情報とに基づいて、前記組み合わせを出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である処理方法。 - 請求項28に記載の処理方法において、
前記推奨情報に含まれる前記推奨条件から、前記検出環境を示す情報が適合する前記推奨条件を抽出する抽出ステップと、
抽出された前記推奨条件に関連づけられた前記推奨組み合わせ情報から、一以上の前記推奨組み合わせ情報を選択する選択ステップと、
選択された前記推奨組み合わせ情報が示す前記組み合わせを出力する出力ステップとを含む処理方法。 - 請求項29に記載の処理方法において、
前記推奨情報において、前記推奨条件および前記推奨組み合わせ情報には、当該推奨条件と当該推奨組み合わせ情報が示す前記組み合わせとを用いた場合の、におい成分に関する予測精度がさらに関連づけられており、
前記選択ステップでは、抽出された前記推奨条件に関連づけられた前記推奨組み合わせ情報から、前記予測精度に基づいて、一以上の前記推奨組み合わせ情報を選択する処理方法。 - 請求項29または30に記載の処理方法において、
前記選択ステップでは、前記推奨組み合わせ情報が示す前記組み合わせを用いた場合の、コストに基づいて、一以上の前記推奨組み合わせ情報を選択する処理方法。 - センサの検出環境の推奨条件と一以上の前記センサからなる組み合わせを示す推奨組み合わせ情報とを関連づけた推奨情報と、使用可能な前記センサを示す情報とに基づいて、前記推奨条件を出力し、
前記推奨情報は、複数種類の前記センサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習の実行結果に基づく情報である処理方法。 - 請求項32に記載の処理方法において、
前記推奨情報に含まれる前記推奨組み合わせ情報から、前記使用可能な前記センサを示す情報に含まれる前記センサで、実現可能な前記組み合わせを示す前記推奨組み合わせ情報を抽出する抽出ステップと、
抽出された前記推奨組み合わせ情報に関連づけられた前記推奨条件から、一以上の前記推奨条件を選択する選択ステップと、
選択された前記推奨条件を出力する出力ステップとを含む処理方法。 - 請求項33に記載の処理方法において、
前記推奨情報において、前記推奨条件および前記推奨組み合わせ情報には、当該推奨条件と当該推奨組み合わせ情報が示す前記組み合わせとを用いた場合の、におい成分に関する予測精度がさらに関連づけられており、
前記選択ステップでは、前記予測精度に基づいて、一以上の前記推奨条件を選択する処理方法。 - 請求項33または34に記載の処理方法において、
前記選択ステップでは、前記推奨条件の広さおよび予め定められた条件からの近さの少なくとも一方に基づいて、一以上の前記推奨条件を選択する処理方法。 - 請求項28から35のいずれか一項に記載の処理方法において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、サンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む処理方法。 - 請求項20から27のいずれか一項に記載の情報処理方法の各ステップをコンピュータに実行させるプログラム。
- 請求項28から36のいずれか一項に記載の処理方法の各ステップをコンピュータに実行させるプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/035851 WO2020065807A1 (ja) | 2018-09-27 | 2018-09-27 | 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020065807A1 true JPWO2020065807A1 (ja) | 2021-09-09 |
JP7056747B2 JP7056747B2 (ja) | 2022-04-19 |
Family
ID=69949779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020547702A Active JP7056747B2 (ja) | 2018-09-27 | 2018-09-27 | 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7056747B2 (ja) |
WO (1) | WO2020065807A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7455092B2 (ja) * | 2021-07-30 | 2024-03-25 | 三菱電機株式会社 | 空調制御装置及び空調制御方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018101128A1 (ja) * | 2016-11-29 | 2018-06-07 | 国立研究開発法人物質・材料研究機構 | 試料に対応付けられた推定対象値を推定する方法及び装置 |
JP2018109876A (ja) * | 2017-01-04 | 2018-07-12 | 株式会社東芝 | センサ設計支援装置、センサ設計支援方法およびコンピュータプログラム |
JP2018132325A (ja) * | 2017-02-13 | 2018-08-23 | 国立研究開発法人物質・材料研究機構 | ニオイ測定による西洋梨の熟成度の非破壊検査方法および装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7044077B2 (ja) * | 2017-02-17 | 2022-03-30 | 日本電気株式会社 | モデル推定システム、方法およびプログラム |
-
2018
- 2018-09-27 JP JP2020547702A patent/JP7056747B2/ja active Active
- 2018-09-27 WO PCT/JP2018/035851 patent/WO2020065807A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018101128A1 (ja) * | 2016-11-29 | 2018-06-07 | 国立研究開発法人物質・材料研究機構 | 試料に対応付けられた推定対象値を推定する方法及び装置 |
JP2018109876A (ja) * | 2017-01-04 | 2018-07-12 | 株式会社東芝 | センサ設計支援装置、センサ設計支援方法およびコンピュータプログラム |
JP2018132325A (ja) * | 2017-02-13 | 2018-08-23 | 国立研究開発法人物質・材料研究機構 | ニオイ測定による西洋梨の熟成度の非破壊検査方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7056747B2 (ja) | 2022-04-19 |
WO2020065807A1 (ja) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7063389B2 (ja) | 処理装置、処理方法、およびプログラム | |
JP6679086B2 (ja) | 学習装置、予測装置、学習方法、予測方法、およびプログラム | |
JPWO2017168865A1 (ja) | 情報処理装置及び情報処理方法 | |
EP3892980A1 (en) | Information processing apparatus, information processing method, learned model generation method, and program | |
JP3901137B2 (ja) | におい識別装置 | |
JP7017711B2 (ja) | 関係性分析装置、関係性分析方法およびプログラム | |
WO2020255305A1 (ja) | 予測モデル再学習装置、予測モデル再学習方法及びプログラム記録媒体 | |
Sansó et al. | Statistical calibration of climate system properties | |
JP7056747B2 (ja) | 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム | |
JP7140191B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
US12072325B2 (en) | Information processing apparatus, information processing method, and program | |
JP7127697B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
US11789001B2 (en) | Information processing apparatus, sensor operation optimization method, and program | |
WO2020026328A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
WO2022176293A1 (ja) | 物性予測装置及びプログラム | |
JP7099623B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP7074194B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
JP7099296B2 (ja) | 評価方法、システム構築方法、及び評価システム | |
JP2021039110A (ja) | センサ素子及びセンサ装置 | |
JP7327648B2 (ja) | データ生成装置、データ生成方法、及び、プログラム | |
Christiansen et al. | Feature Engineering: Enhancing Your Data with Descriptors | |
Singh et al. | Inception Time Model for Structural Damage Detection Using Vibration Measurements | |
JP2024126266A (ja) | 食品の官能評価用プログラムおよび官能評価方法、情報処理装置、ならびに、評価システム | |
JPWO2020065889A1 (ja) | 情報処理装置、伝達関数生成方法、およびプログラム | |
JP2005267474A (ja) | マハラノビス距離を利用した異常原因診断方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210225 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210225 |
|
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: 20220308 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220321 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7056747 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |