TWI533145B - 控制方法、控制程式及控制裝置 - Google Patents
控制方法、控制程式及控制裝置 Download PDFInfo
- Publication number
- TWI533145B TWI533145B TW102145093A TW102145093A TWI533145B TW I533145 B TWI533145 B TW I533145B TW 102145093 A TW102145093 A TW 102145093A TW 102145093 A TW102145093 A TW 102145093A TW I533145 B TWI533145 B TW I533145B
- Authority
- TW
- Taiwan
- Prior art keywords
- predetermined
- feature
- type
- information
- groups
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 37
- 238000009826 distribution Methods 0.000 claims description 122
- 239000000463 material Substances 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 description 14
- 239000006185 dispersion Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000007621 cluster analysis Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000009795 derivation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本發明係關於控制方法、控制程式及控制裝置。
已知有：從對象使用者終端機配送圖像給其他的使用者終端機之際，為了減輕給網路的負荷，對象使用者終端機從圖像資料計算出特徵量然後將之發送至其他的使用者終端機之技術(參照例如下述專利文獻1)。另外，已知有：按照特徵量而將各資料予以群組(group)化之技術。
此外，還已知有：為了減輕在行動電話的處理負荷，而由代理伺服器(proxy server)代替行動電話，按照來自行動電話之內容(contents)的閱覽請求(request)而解析從內容伺服器(content server)取得的內容之技術(參照例如下述專利文獻2)。
(專利文獻1)日本特開2004-46641號公報
(專利文獻2)日本特開2005-56096號公報
然而，按照各資料所具有的特徵量而將各資料予以群組化之際，依特徵量的種類而定會有分類精度降低之問題點。
就一個方面而言，本發明的目的在提供可使分類精度提高之控制方法、控制程式及控制裝置。
根據本發明的一個態樣，提出一種控制方法、控制程式及控制裝置，其中，使按照預定資料所具有的各種特徵量之中的預定種類的特徵量而將前述預定資料分類至複數個群組(group)的任一個並使之記憶至記憶部之電腦，執行如下的處理：針對前述複數個群組的各群組，將表示分類出的前述預定資料中的特徵量的分布位置之資訊寫入前述記憶部，並根據寫入的表示前述特徵量的分布位置之資訊，算出表示前述複數個群組之間之前述特徵量的分布位置間的接近度之資訊，且在算出的表示前述分布位置間的接近度之資訊滿足預定條件之情況，按照前述各種特徵量之中與前述預定種類不同的種類的特徵量而將與前述預定資料同種類的資料分類至前述複數個群組的任一個並使之記憶至前述記憶部。
根據本發明的一個態樣，可使分類精度提高。
100‧‧‧系統
101、200、300‧‧‧控制裝置
102‧‧‧分類裝置
111、112‧‧‧圖表
301、311‧‧‧CPU
302、312‧‧‧記憶裝置
303、313‧‧‧網路I/F
314‧‧‧輸入裝置
315‧‧‧輸出裝置
316‧‧‧感測器
400‧‧‧資料庫
501‧‧‧接收部
502‧‧‧選擇指示部
503‧‧‧感測器部
503-1‧‧‧第1感測器部
503-m‧‧‧第m感測器部
504、506‧‧‧特徵量計算部
504-n‧‧‧第n特徵量計算部
504-1‧‧‧第1特徵量計算部
504-2‧‧‧第2特徵量計算部
505‧‧‧群集分析部
507‧‧‧群集模型化部
508‧‧‧發送部
701‧‧‧取得部
702‧‧‧第一導出部
703‧‧‧判定部
704‧‧‧檢測出部
705‧‧‧第二導出部
706‧‧‧抽出部
707‧‧‧算出部
708‧‧‧找出部
709‧‧‧種類找出部
710‧‧‧控制部
ar11、ar12、ar13、ar21、ar22、ar23‧‧‧分布範圍
第1圖係顯示增加特徵量的種類之例之說明圖。
第2圖係顯示減少特徵量的種類之例之說明圖。
第3圖係顯示實施形態中之控制裝置及分類裝置的硬體構成例之方塊圖。
第4圖係顯示記憶各群集的複數種類的特徵量的各特徵量之資料庫之說明圖。
第5圖係顯示分類裝置的機能的構成之方塊圖。
第6圖係顯示群集分析部所做的分群(clustering)之說明圖。
第7圖係顯示控制裝置的機能的構成之方塊圖。
第8圖係顯示分類裝置所做的分群處理步驟的一例之流程圖。
第9圖係顯示控制裝置所做的控制處理步驟的一例之流程圖。
第10圖係顯示控制裝置所做的詳細的控制處理步驟的一例之流程圖。
第11圖係顯示控制裝置所做的詳細的控制處理步驟的另一例之流程圖。
以下，參照隨附的圖式來詳細說明本發明之控制方法、控制程式及控制裝置的實施形態。
第1圖係顯示增加特徵量的種類之例之說明圖。進行第1圖的分群之系統100具有控制裝置101及分類裝置102。就第1圖的例子而言，係依照各資料所具有的特徵量X及特徵量Y而將各資料分類為三個群組(group)。圖表(graph)111顯示各資料的特徵量X及特徵量Y的組合的分布位置。以下將群組(group)稱為群集(cluster)，將進行分類的動作稱為分群(clustering)。分群的利
用例，可舉出的有例如為了按出席者而將錄下來的會議的聲音資料的各資料予以分類(labeling)所做之分群。舉例來說，在資料方面可舉錄下來的聲音資料等為例，在群集方面可舉聲音資料中所錄的會議的出席者為例。
控制裝置101係控制分類裝置102之電腦(computer)，
分類裝置102係按照預定資料所具有的各種特徵量之中的預定種類的特徵量將預定資料分類到複數個群集的任一個之電腦。預定資料的例子可舉如上述之聲音資料等。控制裝置101係為例如伺服器(server)。分類裝置102係為例如攜帶式終端裝置。舉例來說，從經過數位化的聲音資料，可得到MFCC(Mel-Frequency Cepstral Coefficient)、音調(pitch)、GPR(Glottal Pulse Rate)、VTL(Vocal Tract Length)等之複數種類的特徵量。分類裝置102可計算複數種類的特徵量的任一特徵量，且可依照來自控制裝置101的指示而變更為計算複數種類的特徵量之中之任一種類。關於複數種類之中的預定種類，係指分類裝置102可計算的特徵量的種類之中任意的或使用者所指定的、或過去控制裝置101所指示的種類。就第1圖的例子而言，預定種類為一種以上的種類。
控制裝置101係針對複數群集的各群集，將表示預
定資料中的特徵量的分布位置之資訊寫入記憶部。此處，該資訊係分類裝置102所分類出之表示預定資料中的特徵量的分布位置之資訊。表示特徵量的分布位置之資訊，可從分類裝置102接收、或可從控制裝置101能夠加以存取(access)的記憶裝置讀出、亦可由控制裝置101的使用者利用輸入手段而輸入。此處係設定為控制裝置101接收從分類裝置102發送來的與分布位置有關的資
訊。記憶部，係RAM或硬碟(disk)等之控制裝置101所具有的記憶裝置。針對各群集之表示特徵量的分布位置之資訊，可為例如分類至各群集之資料的特徵量本身，亦可為將特徵量予以模型(model)化而得到之針對各群集之表示特徵量的分布範圍之資訊。
在第1圖的例子中，各圖表111,112上顯示的三角
形、正方形、菱形等形狀的點係表示經過標準化之與特徵量的分布位置有關之資訊。圖表111上顯示的各圓圈係表示依照標準化後的特徵量而加以模型(model)化所得到之與各群集有關的分布範圍ar11,ar12,ar13之資訊。圖表112上也一樣，雖然沒有標註符號，但也一樣有表示與群集有關的分布範圍之資訊。具體而言，表示分布範圍ar11,ar12,ar13之資訊，只要具有中心位置、橢圓的直徑的長度等即可。與特徵量的分布位置有關之資訊，可為複數個資訊的集合，亦可為表示與各群集有關的特徵量的分布範圍ar11,ar12,ar13之資訊般之一個資訊。
與特徵量的分布位置有關之資訊，係經過標準化，
所以如第1圖所示之各圖表111,112的軸的單位會相同，控制裝置101在即使是不同種類的特徵量之情況，也可進行位置及長度之比較。標準化可由分類裝置102進行，亦可由控制裝置101進行。各特徵量經標準化後之值由分類裝置102在分群時加以模型化，就可減低從分類裝置102至控制裝置101之通訊量。
接著，控制裝置101根據寫入記憶部之表示特徵量
的分布位置之資訊，導出表示複數個群集之間的特徵量的分布位置的接近度之資訊。就第1圖的例子而言，表示接近度之資訊，係表示分布範圍ar11,ar12,ar13的重疊程度之資訊。更具體言之，
係將各分布範圍ar11,ar12,ar13的中心相連結而連成的線段之中包含於相重疊的區域中之線段的長度。如上述，表示分布範圍ar11,ar12,ar13之資訊，係經過標準化，所以即使是不同種類的特徵量也可進行比較。就第1圖的例子而言，表示群集a與群集b的接近度之資訊係為長度d1，表示群集a與群集c的接近度之資訊則為0，表示群集b與群集c的接近度之資訊亦為0。
或者，例如，表示接近度之資訊亦可為與複數個群
集的各群集有關之特徵量的平均值或中央值間的分布位置的距離。又例如，表示接近度之資訊可為與複數個群集的各群集有關之特徵量之中之分布位置最接近的特徵量的分布位置間的距離，亦可為相距最遠的特徵量的分布位置間的距離。
控制裝置101接著判定所導出的表示接近度的資訊
是否滿足預定條件。舉例來說，所謂的預定條件係指比預定的接近度近之條件。預定的接近度係由控制裝置101的設計者所設定。就第1圖的例子而言，控制裝置101係判定表示群集a與群集b的接近度之資訊d1是否在閾值以上。閾值可由控制裝置101的設計者加以設定，亦可為使用者利用輸入手段而輸入之值。閾值係記憶於控制裝置101可存取的記憶裝置中。
控制裝置101係在判定為滿足預定條件之情況，進
行讓分類裝置102按照各種特徵量之中與預定種類不同的種類的特徵量而使與預定資料同種的資料分類至複數個群集的任一個之控制。與預定資料同種的資料，係為具有與預定資料同種的特徵量之資料，與預定資料同種的資料可為相同資料，亦可為不同的資料。關於如何從各種特徵量之中與預定種類不同的種類中選出
任一個種類，將在後面說明。例如，控制裝置101可藉由將表示要按照不同的種類加以分類之資訊發送至分類裝置102而控制分類裝置102。如此而變更特徵量的種類，就可提高分類精度。
另外，控制裝置101在判定為滿足預定條件之情
況，係進行讓分類裝置102按照追加不同的種類至預定種類後之種類的特徵量而使與預定資料同種的資料分類至複數個群集的任一個之控制。就圖表112而言，因為追加了特徵量Z，所以與圖表111相比較增加了一個軸。如此而追加特徵量的種類，就可提高分類精度。
第2圖係顯示減少特徵量的種類之例之說明圖。控
制裝置200係控制分類裝置102之電腦，分類裝置102係可按照預定資料所具有的複數種類的特徵量而將預定資料分類到複數個群集的任一個之分類裝置。
控制裝置200首先將表示複數個資料的各資料中的
複數種類的特徵量的分布位置之資訊寫入記憶部。資料可為與第1圖所示的例子相同之資料。圖表211顯示各資料的特徵量X與特徵量Y的組合的分布位置。就第2圖所示的例子而言，在表示分布位置之資訊方面也與利用第1圖說明過的例子一樣，可取得如圖表211所示之表示分布範圍ar21,ar22,ar23之資訊。控制裝置200接著根據寫入之表示複數種類的特徵量的分布位置之資訊，針對複數種類的特徵量的各組合，算出表示組合中包含的各種類的特徵量的相關的強度之資訊。具體而言，控制裝置200係針對複數種類的特徵量的各組合而算出相關係數。相關係數的值越為接近1或-1，就表示兩個組合的值的相關越強，相關係數的
值越為接近0，就表示兩個組合的值的相關越弱。
控制裝置200接著找出複數種類的特徵量的各組合
之中所算出的資訊所表示的相關的強度係在預定的強度以上之組合。預定的強度，係由控制裝置200的設計者或控制裝置200的使用者所預先設定。在表示相關的強度之資訊為相關係數之情況，控制裝置200係找出複數種類的特徵量的各組合之中所算出的相關係數的絕對值在預定值以上之組合。假設與第2圖所示的特徵量X及特徵量Y有關之相關係數係在閾值以上。
然後，控制裝置200進行讓分類裝置102按照從複
數種類去除掉先前找出的組合中包含的各種類的任一種類後之種類的特徵量而使預定資料分類至複數個群集的任一個之控制。如此，就可在維持分類精度的情況下使分類按照最小限度的種類的特徵量而進行。
另外，控制裝置200還從包含於找出的組合中的各
種類之中，找出先前找出的組合中包含的種類的特徵量的分散程度大的種類。就第2圖的例子而言，控制裝置200係針對各種類方向而計測各分布範圍的長度。控制裝置200並算出針對各種類而計測出的長度的合計值。就第2圖的例子而言，在特徵量X方面之分散程度係為dx21及dx22及dx23的合計值，在特徵量Y方面之分散程度係為dy21及dy22及dy23的合計值。此處，係以算出的合計值作為分散程度，且控制裝置200係找出合計值大的種類將之視作為分散程度大的種類。就第2圖的例子而言，因為屬於縱方向的種類之特徵量Y的合計值比屬於橫方向的種類之特徵量X的合計值大，所以控制裝置200找出的是特徵量Y。
然後，控制裝置200可進行讓分類裝置102按照從
複數種類去除掉所找出的種類後之種類的特徵量而使預定資料分類至複數個群集的任一個之控制。就第2圖的例子而言，控制裝置200係進行讓分類裝置102按照特徵量X而使預定資料分類至複數個群集的任一個之控制。圖表212係顯示只按照特徵量X加以分類的例子。如此，就因為按照分散度小的種類的特徵量所做的分類的分類精度比按照分散度大的種類的特徵量所做的分類的分類精度高，所以可使分類按照最小限度的種類的特徵量且分類精度較高的特徵量而進行。
第3圖係顯示實施形態中之控制裝置及分類裝置的硬體構成例之方塊圖。系統100係具有控制裝置300及分類裝置102。其中，控制裝置300係具有利用第1圖說明過之控制裝置101、及利用第2圖說明過之控制裝置200之任一者的機能之電腦。在第3圖中，控制裝置300係具有CPU(Central Processing Unit)301、記憶裝置302、及網路I/F(介面)303。而且，各部份係透過匯流排(bus)304而相連接。
CPU 301係負責控制裝置300全體的控制。CPU 301係藉由執行記憶裝置302中記憶的各種程式，而將記憶裝置302內的資料讀出、或將執行所得到的資料寫入記憶裝置302。
記憶裝置302係為ROM(Read Only Memory)、RAM(Random Access Memory)、快閃記憶體(flash memory)、磁碟機等之記憶部，係用作為CPU 301的工作區域(work area)、或用於記憶各種程式及各種資料。
網路I/F 303，係透過通訊線路而連接至LAN(Local
Area Network)、WAN(Wide Area Network)、網際網路(Internet)等之網路NET，且透過此網路NET而與分類裝置102連接。網路I/F 303係作為網路NET與內部的介面，係控制來自外部裝置之資料的輸入輸出。網路I/F 303可採用例如數據機(modem)、LAN配接器(LAN adapter)等。
分類裝置102係具有CPU 311、記憶裝置312、網路
I/F(介面)313、輸入裝置314、輸出裝置315、及感測器316。而且，各部份係透過匯流排317而相連接。
CPU 311係負責分類裝置102全體的控制。CPU 311
係藉由執行記憶裝置312中記憶的各種程式，而將記憶裝置312內的資料讀出、或將執行所得到的資料寫入記憶裝置312。
記憶裝置312可為例如ROM、RAM、快閃記憶體、
磁碟機等，係用作為CPU 311的工作區域、或用於記憶各種程式及各種資料。
網路I/F 313，係透過通訊線路而連接至LAN、WAN、
網際網路等之網路NET，且透過此網路NET而與控制裝置300連接。網路I/F 313係作為網路NET與內部的介面，係控制來自外部裝置之資料的輸入輸出。網路I/F 313可採用例如數據機、LAN配接器等。
輸入裝置314係鍵盤、滑鼠、觸控面板等之可供使
用者進行操作而輸入各種資料之介面。此外，輸入裝置314亦可為利用攝影機而將圖像或動畫取入者。
輸出裝置315係按照CPU 311的指示而將資料予以
輸出之介面。輸出裝置315可為例如顯示器(display)或印表機(printer)。
感測器316係檢測例如設置分類裝置102的設置處
所之預定的變位量。舉例來說，感測器316係檢測聲音、或檢測溫度。
第4圖係顯示記憶各群集的複數種類的特徵量的各特徵量之資料庫之說明圖。其中，以會議的出席者候補作為群集。資料庫400具有出席者候補、及複數種類的特徵量的分布位置之欄位(field)。在各欄位中設定資訊，而記憶一筆筆記錄(record)(例如401-1,401-2,...)。資料庫400係藉由記憶裝置而實現。
例如，在出席者候補之欄位登錄有表示會議的出席者的候補之識別資訊。例如，在特徵量的分布位置之欄位，登錄有與各出席者候補的聲音有關之特徵量的分布位置的相關資訊。與各聲音有關之特徵量的分布位置的相關資訊，係例如將特徵量予以標準化然後登錄至資料庫400，但即使是不同種類的特徵量，控制裝置300也可進行比較。
又，例如，可針對各種類，將與複數個分布位置有關之資訊記憶於資料庫400中。或者，例如，可記憶各出席者候補的各種類的特徵量的分布位置的最小值、及最大值，或記憶將複數個特徵量的分布位置予以模型化而得到的分布範圍。
第5圖係顯示分類裝置的機能的構成之方塊圖。分類裝置102具有接收部501、選擇指示部502、感測器部503、特徵量計算部504、群集分析部505、特徵量記憶部506、群集模型化部507、及
發送部508。發送部508及接收部501係藉由網路I/F 313而實現。
從選擇指示部502到群集分析部505、以及群集模型
化部507，可利用屬於邏輯積電路之AND、屬於反向邏輯電路之INVERTER、屬於邏輯和電路之OR、屬於閂鎖(latch)電路之FF(Flip Flop)等之元件來形成。或者，選擇指示部502、感測器部503、特徵量計算部504、群集分析部505、及群集模型化部507之處理，係例如編碼成為記憶在CPU 311可存取的記憶裝置312中之分類程式。然後，CPU 311將分類程式從記憶裝置312讀出，而執行編碼在分類程式中之處理。可藉此而實現選擇指示部502、感測器部503、特徵量計算部504、群集分析部505、及群集模型化部507之處理。
感測器部503可檢測出控制裝置300中的變位量。
如利用第1圖說明過的，變位量可為例如聲音。例如，感測器部503係檢測聲音。感測器部503可設置例如第1至第m感測器部503-1至501-m之類的複數個感測器部503，利用複數個感測器部503來檢測聲音。關於要使複數個感測器部503-1至501-m之中的哪一個感測器部503進行動作，係由選擇指示部502加以選擇。
特徵量計算部504可計算出從感測器部503所檢測
出的資料得到之複數種類的特徵量。例如，特徵量計算部504係可計算出複數種類的特徵量的各特徵量，係利用第1至第n特徵量計算部504-1至504-n等各特徵量計算部來算出n種特徵量的各特徵量。關於要選擇第1至第n特徵量計算部504-1至504-n之中的哪一個特徵量計算部504，係由選擇指示部502加以指示。
群集分析部505係按照特徵量計算部504所算出的
特徵量而進行分群。
第6圖係顯示群集分析部所做的分群之說明圖。圖
表600顯示依據從各資料得到之特徵量X與特徵量Y的組合之分布位置而分類到哪一個群集之情形。例如，預先針對各群集而定義各種類的特徵量的閾值，然後由群集分析部505判定特徵量計算部504所算出的特徵量是否在各閾值以下，來進行分群。第6圖的圖表600內顯示的斜線11,12即表示閾值。例如，控制裝置300係藉由在圖表600上使各資料所具有的特徵量X與特徵量Y的組合包含在群集a至d的任一個區域中而進行分群。
特徵量記憶部506係記憶特徵量計算部504所計算
出的一定時間份量的特徵量。關於一定時間，係由分類裝置102的設計者加以設定。特徵量記憶部506係藉由記憶裝置312而實現。
接收部501，係從控制裝置300接收與究竟要按照複
數種類之中的哪一種類的特徵量來進行分群有關之資訊。此外，接收部501亦可從控制裝置300接收利用群集分析部505進行分群之際所使用的閾值。
選擇指示部502，係根據接收部501所接收到的資
訊，而指示感測器部503到底要使感測器部503內的哪一個進行感測，以及指示特徵量計算部504到底要使特徵量計算部504內的哪一個執行。另外，選擇指示部502還指示群集分析部505到底要按照哪一種類的特徵量來進行分群。
群集模型化部507，係每一定時間、或使用者所指
定的每個時序，按照記憶於特徵量記憶部506之最近的一定時間
份的指定的各種類的特徵量而進行模型化。模型化的方法，可舉出的例子有例如k-平均法。例如，群集模型化部507係利用k-平均法進行模型化，來就各群集產生表示第1及第2圖所示的分布範圍之資訊。此外，群集模型化部507還針對表示分布範圍之資訊進行標準化。
發送部508，係將群集模型化部507所得到之表示分
布範圍之資訊發送至控制裝置300。發送部508亦可將群集分析部505所得到之表示特徵量的分布位置之資訊發送至控制裝置300。
此處，雖然分類裝置102係將表示特徵量的分布位置之資訊或表示特徵量的分布範圍之資訊發送至控制裝置300，但亦可使之記憶至控制裝置300及分類裝置102都可存取之記憶裝置。
第7圖係顯示控制裝置的機能的構成之方塊圖。控制裝置300具有取得部701、第一導出部702、判定部703、檢測出部704、第二導出部705、抽出部706、算出部707、找出部708、種類找出部709、及控制部710。從取得部701到控制部710之處理，具體而言，係例如編碼成為記憶在記憶裝置302中之控制程式。然後，CPU 301將解析程式從記憶裝置302讀出，而執行編碼在解析程式中之處理。可藉此而實現從取得部701到控制部710之處理。另外，CPU 301亦可透過網路I/F 303而從網路NET取得解析程式。如利用第1圖說明過的，將群組(group)稱為群集(cluster)。
取得部701，係針對複數個群集的各群集，取得分類裝置102所分類出之表示預定資料中的特徵量的分布位置之資訊並將之記憶至記憶部。如利用第1圖說明過的，表示特徵量的
分布位置之資訊，可為將特徵量予以標準化後之值，亦可為表示特徵量的分布範圍之資訊。具體而言，取得部701可如第7圖所示利用接收部711而從分類裝置102接收、亦可從控制裝置300可存取之記憶裝置取得從分類裝置102得到之表示特徵量的分布位置之資訊。或者，若控制裝置300設有輸入手段，則亦可透過輸入手段而接受從分類裝置102得到之表示特徵量的分布位置之資訊的輸入。
第一導出部702，係根據取得部701所取得之表示特
徵量的分布位置之資訊，而導出表示複數群集之間的特徵量的分布位置的接近度之資訊。如利用第1圖說明過的，表示特徵量的分布位置的接近度之資訊，可為表示分布範圍的重疊程度之資訊，亦可為最接近的分布位置間的距離、平均的分布位置間的距離。
判定部703，係判定第一導出部702所導出的表示接
近度之資訊是否滿足預定條件。控制部710在判定部703判定為滿足預定條件之情況，進行讓分類裝置102按照各種特徵量之中與預定種類不同的種類的特徵量而使與預定資料同種類的資料分類至複數個群集的任一個之控制。具體而言，控制部710係藉由將指示分類裝置102應按照哪一個種類的特徵量進行分群之資訊發送至分類裝置102，而對於分類裝置102進行遠端控制。
另外，控制部710在判定部703判定為滿足預定條
件之情況，進行讓分類裝置102按照與預定種類不同種類的特徵量而使同種的資料分類至複數個群集的任一個之控制。
檢測出部704，係針對經判定部703判定為表示接近
度之資訊係滿足預定條件之群集的組合，從資料庫400檢測出不同種類的各個特徵量的分布位置。就第1圖的例子而言，表示群集a與群集b的組合的接近度之資訊會經判定部703判定為滿足預定條件，且預定種類為特徵量X及特徵量Y。具體而言，檢測出部704，係針對群集a及群集b，從資料庫400檢測出特徵量X及特徵量Y以外的種類的特徵量的分布位置。
第二導出部705，係針對找出的組合，導出檢測出
部704所檢測出之表示特徵量的分布位置的接近度之資訊。具體而言，第二導出部705係針對特徵量X及特徵量Y以外的各種類，算出群集a與群集b之間的檢測出的分布位置的距離。例如，若資料庫400中記憶之與分布位置有關的資訊為與特徵量的分布範圍有關的資訊，則群集a與群集b之間的檢測出的分布位置的距離可為分布範圍之中之最接近的兩個位置間的距離。此最接近的兩個位置間的距離即為在各種類之分類裝置102的分群能力的極限。
或者，若資料庫400中記憶之與分布位置有關的資
訊為與特徵量的分布範圍有關的資訊，則群集a與群集b之間的檢測出的分布位置的距離可為分布範圍之中之相距最遠的兩個位置間的距離。或者，例如，若資料庫400中記憶之與分布位置有關的資訊為複數個特徵量，則群集a與群集b之間的檢測出的分布位置的距離係為特徵量的分布位置之間的距離之中最遠的距離。
抽出部706，係從不同的種類之中抽出第二導出部
705所導出的表示接近度之資訊係滿足預定條件之種類。例如，
若導出的表示接近度之資訊為上述之相距最近之兩位置間的距離，則預定條件可為算出的距離為最大之條件，亦可為算出的距離係自最大算起的前預定個距離以內之條件。越是相距最近之兩位置間的距離較遠之種類，群集a與群集b之分類精度越高。就第1圖的例子而言，抽出的是特徵量Z。
控制部710，係在判定部703判定為滿足預定條件之
情況，進行讓分類裝置102按照抽出部706所抽出的種類的特徵量而使同種的資料分類至複數個群集的任一個之控制。就第1圖的例子而言，控制部710係進行讓分類裝置102除了按照特徵量X及特徵量Y之外也按照特徵量Z而使同種的資料分類至複數個群集的任一個之控制。如此，按照複數種類之中推測為分類精度會提高的種類的特徵量而進行分群，就可使分類精度提高。
接著，針對第2圖所示的例子，利用各機能方塊來
進行說明。算出部707，係根據取得部701所取得的表示複數種類的特徵量的分布位置之資訊，針對複數種類的各種組合，算出表示組合中包含的各種類的特徵量的相關的強度之資訊。如利用第2圖說明過的，表示相關的強度之資訊係例如相關係數。
找出部708，係從複數種類的各種組合之中，找出
算出部707所算出之資訊表示的相關的強度係在預定的強度以上之組合。例如，找出部708係找出相關係數的絕對值在閾值以上之組合，將之視作為表示相關的強度之資訊在預定的強度以上之組合。關於預定的強度係例如使用者所指示的並預先記憶於記憶裝置302之強度。
控制部710係進行讓分類裝置102按照從複數種類
去除掉找出部708所找出的組合中包含的各種類的任一種類後之種類的特徵量而使預定資料分類至複數群集的任一個之控制。
種類找出部709，係找出找出部708所找出的組合中包含的各種類之中該所找出的組合中包含的種類的特徵量的分散程度大的種類。如利用第2圖說明過的，分散程度係針對各種類將在各種類方向之各分布範圍的長度予以合計所得到之合計值。種類找出部709係找出合計值大的種類，將之視作為分散程度大的種類。
然後，控制部710進行讓分類裝置102按照從複數種類去除掉種類找出部709所找出的種類後之種類的特徵量而使預定資料分類至複數群集的任一個之控制。具體而言，控制部710係可藉由將表示應按照哪一個種類的特徵量進行分群之資訊透過發送部712發送至分類裝置102，而對於分類裝置102進行遠端控制。
第8圖係顯示分類裝置所做的分群處理步驟的一例之流程圖。分類裝置102首先判斷是否接收到表示種類、閾值的變更之資訊(步驟S801)。若接收到表示種類、閾值的變更之資訊(步驟S801的結果為“是”)，則分類裝置102指示各部份有關種類的變更或閾值的變更(步驟S802)，進行感測取樣(sensor sampling)(步驟S803)。若分類裝置102沒有接收到表示種類、閾值的變更之資訊(步驟S801的結果為“否”)，則前進至步驟S803。
分類裝置102根據感測取樣所得到的檢測結果，計算出特徵量(步驟S804)，然後一邊依據計算出的特徵量進行群集
分析(步驟S805)一邊將計算出的特徵量記憶至記憶裝置(步驟S806)。在步驟S805、步驟S806之後，分類裝置102判斷從上次進行群集模型化之後是否已經過一定時間(步驟S807)。
若判斷為已經過一定時間(步驟S807的結果為“是”)，則分類裝置102進行群集模型化(步驟S808)，並將模型化結果發送至控制裝置300(步驟S809)，然後回到步驟S801。模型化結果，係上述之表示各群集的特徵量的分布範圍之資訊。若分類裝置102判斷為尚未經過一定時間(步驟S807的結果為“否”)，則回到步驟S801。
第9圖係顯示控制裝置所做的控制處理步驟的一例之流程圖。控制裝置300首先從分類裝置102接收模型化結果(步驟S901)。模型化結果，係如上述為表示各群集的特徵量的分布範圍之資訊。然後，控制裝置300一邊測定分離度(步驟S902)一邊根據模型化結果而從出席者候補中確認出出席者是誰(步驟S903)。
控制裝置300根據所確認出的出席者、及所測定出的分離度而決定出特徵量的種類(步驟S904)，並決定出進行分群之際的閾值(步驟S905)。然後，控制裝置300將決定的結果發送至分類裝置102(步驟S906)，就結束一連串的處理。關於步驟S903、步驟S904的詳細內容將利用第10、11圖進行說明。
第10圖係顯示控制裝置所做的詳細的控制處理步驟的一例之流程圖。控制裝置300取得與每一群集的各種類的特徵量的分布位置有關之資訊並將之記憶至記憶部(步驟S1001)。記憶部係為例如記憶裝置302。控制裝置300判斷複數種類的各組合
之中是否有未選擇的組合(步驟S1002)。此處的複數種類，係進行與所取得的分布位置有關之資訊的分群時的特徵量的種類。
若有未選擇的組合(步驟S1002的結果為“是”)，則
控制裝置300從未選擇的組合之中選擇一個組合(步驟S1003)。控制裝置300係算出所選擇的組合的相關係數c(步驟S1004)，並判斷| c |<閾值是否成立(步驟S1005)。
若| c |<閾值不成立(步驟S1005的結果為
“否”)，則控制裝置300將所選擇的組合判定為包含有冗長的種
類之組合(步驟S1006)，然後回到步驟S1002。若| c |<閾值成立(步驟S1005的結果為“是”)，則回到步驟S1002。
另一方面，在步驟S1002中，若沒有未選擇的組合(步
驟S1002的結果為“否”)，則判斷先前判定為包含有冗長的種類之組合之中是否有未選擇的組合(步驟S1007)。若有未選擇的組合(步驟S1007的結果為“是”)，則控制裝置300從未選擇之包含有冗長的種類之組合之中選擇一個組合(步驟S1008)。然後，控制裝置300根據表示各群集的分布範圍之資訊，而決定出所選擇的組合中包含的各種類方向的長度(步驟S1009)。
控制裝置300針對組合中包含的各種類將所決定出
的長度予以合計而算出合計值(步驟S1010)。控制裝置300找出所選擇的組合中包含的種類之中合計值大的種類將之視作為分散度大的冗長的種類(步驟S1011)，然後回到步驟S1007。另外，若沒有未選擇的組合(步驟S1007的結果為“否”)，則控制裝置300進行按照從複數種類去除掉所找出的種類後之種類的特徵量而分群之控制(步驟S1012)，然後結束一連串的處理。控制裝置300係
在步驟S1012控制分類裝置102，但在分類裝置102與控制裝置300為同一裝置之情況，則只要單純地按照從複數種類去除掉所找出的種類後之種類的特徵量而進行分群即可。
第11圖係顯示控制裝置所做的詳細的控制處理步
驟的另一例之流程圖。控制裝置300取得與每一群集的各種類的特徵量的分布位置有關之資訊並將之記憶至記憶部(步驟S1101)，然後判斷複數群集的各種組合之中是否有未選擇的組合(步驟S1102)。記憶部係為例如記憶裝置302。若有未選擇的組合(步驟S1102的結果為“是”)，則控制裝置300從未選擇的組合之中選擇一個組合(步驟S1103)。
控制裝置300接著檢測出所選擇的組合的各群集的
分布位置的中心間的線段(步驟S1104)，並判斷檢測出的線段之中也包含於任一個群集的分布範圍中之線的長度是否在預定比率以上(步驟S1105)。預定比率，係為例如使用者所指定的比率，係預先記憶於記憶裝置302中。若檢測出的線段之中也包含於任一個群集的分布範圍中之線的長度在預定比率以上(步驟S1105的結果為“是”)，則回到步驟S1102。若檢測出的線段之中也包含於任一個群集的分布範圍中之線的長度並不在預定比率以上(步驟S1105的結果為“否”)，則前進至步驟S1106。控制裝置300將與所選擇的組合的各群集的分布位置之距離係在閾值以下之分布位置的群集及所選擇的組合的各群集予以檢測出，作為分析候補的群集(步驟S1106)。
控制裝置300接著針對分析候補的群集的各組合，
從資料庫檢測出未選擇的種類的各個特徵量(步驟S1107)。然後，
控制裝置300接著針對分析候補的群集的各組合，算出未選擇的種類的各個特徵量之分布位置間的距離(步驟S1108)。此處，所謂未選擇的種類，係表示在資料所具有的特徵量的複數種類之中，分類裝置102可預先計算的複數種類之中未在步驟S1101所取得的分類結果中使用之種類。
接著，控制裝置300從針對未選擇的種類的各特徵
量分別算出的距離之中導出最小距離(步驟S1109)，然後從未選擇的種類之中抽出最小距離最大的那個種類(步驟S1110)，然後回到步驟S1102。
在步驟S1102中，若沒有未選擇的組合(步驟S1102
的結果為“否”)，則控制裝置300進行追加上所抽出的種類的特徵量而讓分類裝置102進行分群之控制(步驟S1111)，然後結束一連串的處理。控制裝置300係在步驟S1111控制分類裝置102，但在分類裝置102與控制裝置300為同一裝置之情況，則只要單純地追加上所抽出的種類的特徵量而進行分群即可。
如以上所說明的，控制裝置係進行：利用分類裝置
按照預定種類的特徵量將聲音資料等之預定資料予以分類所得到的結果，且只要群組間的特徵量的分布位置相近，就變更特徵量的種類然後使分類裝置進行以後的資料的分類之控制。如此，就可使分類精度提高。
再者，控制裝置亦可進行：只要群組間的特徵量的
分布位置相近，就增加特徵量的種類然後使分類裝置進行以後的資料的分類之控制。如此，就可使分類精度提高。
又，控制裝置還可進行：在分布位置相近的群組間
增加推測為可分類的種類而使分類裝置進行以後的資料的分類之控制。如此，即使是在追加從未選擇的種類中隨機選出的種類之情況，也可使分類精度提高。而且，因為可將追加的種類抑制在最小限度，所以可抑制分類裝置的消耗電力之增大，可減低在分類裝置將表示特徵量的分布位置之資訊發送至控制裝置之際之通訊量。
又，分類裝置在要發送至控制裝置之與特徵量的分
布位置有關之資訊方面，係發送與特徵量的分布範圍有關之資訊，控制裝置取得的是與特徵量的分布範圍有關之資訊。因此，可使從分類裝置發送資料至控制裝置時的通訊量減低。
又，控制裝置在表示群組間的分布位置的接近度之
資訊方面，係使用特徵量的分布範圍的重疊程度之資訊。因此，可使控制裝置中的計算量減低，可使消耗電力減低。
如以上所說明的，根據控制方法、控制程式、及控
制裝置，依據各資料中之複數種類的特徵量，從複數種類的各組合之中找出相關度強的組合。然後，控制裝置進行：讓分類裝置按照從複數種類去除掉所找出的組合中包含的一種類後之種類的特徵量而使資料分類之控制。因此，可在維持分類精度的情況下減低特徵量的種類。因為可使分類裝置所做之特徵量的計算量減低，所以可使分類裝置的消耗電力減低。而且，可做到分類裝置將表示特徵量的分布位置之資訊發送至控制裝置之際的通訊量之減低化。
又，控制裝置係進行：讓分類裝置按照從複數種類
去除掉相關度強的組合中包含的種類之中特徵量的分散程度大的
種類後之種類的特徵量而使資料分類之控制。
又，本實施形態中說明的控制方法及分類方法，可
藉由在PC(Personal Computer，個人電腦)、伺服器或工作站等之電腦執行預先準備的控制程式及分類程式而實現。本控制程式及本分類程式，係記錄於硬碟、CD-ROM、DVD、USB記憶體等之可變型記錄媒體、快閃記憶體(flash memory)等之半導體記憶體、硬碟機等之電腦可讀取的記錄媒體中。然後，由電腦從記錄媒體將本控制程式及本分類程式讀出而執行。本控制程式及本分類程式亦可透過網際網路(internet)等之網路而配給。
本實施形態中說明的控制裝置，可藉由標準元件
(standard cell)、或結構化的(structured)ASIC(Application Specific Integrated Circuit，特殊用途積體電路)等之特殊用途IC(以下簡稱為「ASIC」)、或FPGA等之PLD(Programmable Logic Device，可程式邏輯裝置)而實現。具體而言，可例如利用HDL(Hardware Description Language，硬體描述語言)描述語言來進行上述的控制裝置的機能之機能定義，然後進行該HDL描述語言的邏輯合成而將之賦予到ASIC、PLD中，來製造出控制裝置。
本實施形態中說明的分類裝置，也可藉由標準元件
或ASIC或FPGA等之PLD而實現。具體而言，可例如利用HDL描述語言來進行上述的分類裝置的機能之機能定義，然後進行該HDL描述語言的邏輯合成而將之作到ASIC、PLD中，來製造出分類裝置。
本實施形態雖然在分類裝置所要加以分類的對象資
料方面係以聲音資料為例進行說明，但並不限於此。另外，本實
施形態雖然在群集的候補方面係以會議的出席者等之人物為例進行說明，但並不限於此。
100‧‧‧系統
101‧‧‧控制裝置
102‧‧‧分類裝置
111、112‧‧‧圖表
ar11、ar12、ar13‧‧‧分布範圍
Claims (11)
- 一種控制方法，係使按照預定資料所具有的各種特徵量之中的預定種類的特徵量而將前述預定資料分類至複數個群組的任一個並使之記憶至記憶部之電腦執行下述處理之控制方法：針對前述複數個群組的各個群組，將用以表示分類出的前述預定資料中的特徵量的分布位置之資訊寫入前述記憶部；根據寫入的表示前述特徵量的分布位置之資訊，算出表示前述複數個群組之間的前述特徵量的分布位置間的接近度之資訊；以及在算出的表示前述分布位置間的接近度之資訊滿足預定條件之情況，按照前述各種特徵量之中與前述預定種類不同的種類的特徵量，將與前述預定資料同種的資料分類至前述複數個群組的任一個並使之記憶至前述記憶部。
- 如申請專利範圍第1項所述之控制方法，其中，前述進行分類及記憶至前述記憶部之處理，係在滿足前述預定條件之情況，按照前述預定種類、及前述不同的種類的特徵量，將前述同種的資料分類至前述複數個群組的任一個並使之記憶至前述記憶部。
- 如申請專利範圍第1或2項所述之控制方法，其中，前述電腦係執行下述處理：從記憶針對前述複數個群組的各群組之前述各種特徵量的分布位置之記憶裝置，針對表示前述接近度之資訊滿足前述預定條件之群組的組合，檢測出前述不同之種類的各個特徵量； 針對滿足前述預定條件之群組的組合，算出表示所檢測出的前述特徵量的分布位置間的接近度之資訊；以及從前述不同之種類之中，將算出的表示前述接近度之資訊係滿足預定條件之種類予以抽出，在前述進行分類及記憶的控制之處理中，係在判定為滿足前述預定條件之情況，按照抽出的種類的特徵量而使前述同種的資料分類至前述複數個群組的任一個並使之記憶至前述記憶部。
- 如申請專利範圍第1項或第2項所述之控制方法，其中，表示前述特徵量的分布位置之資訊，係表示前述特徵量的分布範圍之資訊。
- 如申請專利範圍第4項所述之控制方法，其中，表示前述特徵量的分布位置的接近度之資訊，係前述特徵量的分布範圍的重疊程度。
- 一種控制方法，係使按照預定資料所具有的各種特徵量之中的預定種類的特徵量而將前述預定資料分類至複數個群組的任一個並使之記憶至記憶部之電腦執行下述處理之控制方法：將表示與前述預定資料同種的複數個資料的各資料中的複數種類的特徵量的分布位置之資訊寫入前述記憶部；根據寫入的表示前述複數種類的特徵量的分布位置之資訊，針對前述複數種類的各組合，算出表示前述組合中包含的各種類的特徵量的相關的強度之資訊；從前述複數種類的各組合之中，找出算出的資訊所表示的前述相關的強度係在預定的強度以上之組合；以及 按照從前述複數種類去除掉前述找出的組合中包含的各種類的任一種類後之種類的特徵量，使前述預定資料分類至前述複數個群組的任一個並使之記憶至前述記憶部。
- 如申請專利範圍第6項所述之控制方法，其中，在前述進行分類及記憶的控制之處理，係按照從前述複數種類去除掉前述找出的組合中包含的各種類之中取得的資訊所表示的前述分布位置的分散程度大的種類後之種類的特徵量，使前述預定資料分類至前述複數個群組的任一個並使之記憶至前述記憶部。
- 一種控制程式，係使按照預定資料所具有的各種特徵量之中的預定種類的特徵量而將前述預定資料分類至複數個群組的任一個並使之記憶至記憶部之電腦執行下述處理之程式：針對前述複數個群組的各個群組，將用以表示分類出的前述預定資料中的特徵量的分布位置之資訊寫入前述記憶部；根據寫入的表示前述特徵量的分布位置之資訊，算出表示前述複數個群組之間的前述特徵量的分布位置間的接近度之資訊；以及在算出的表示前述分布位置間的接近度之資訊滿足預定條件之情況，按照前述各種特徵量之中與前述預定種類不同的種類的特徵量，使與前述預定資料同種的資料分類至前述複數個群組的任一個並使之記憶至前述記憶部。
- 一種控制程式，係使按照預定資料所具有的各種特徵量之中的預定種類的特徵量而將前述預定資料分類至複數個群組的任一個並使之記憶至記憶部之電腦執行下述處理之程式： 將表示與前述預定資料同種的複數個資料的各資料中的複數種類的特徵量的分布位置之資訊寫入前述記憶部；根據寫入的表示前述複數種類的特徵量的分布位置之資訊，針對前述複數種類的各組合，算出表示前述組合中包含的各種類的特徵量的相關的強度之資訊；從前述複數種類的各組合之中，找出前述算出的資訊所表示的前述相關的強度係在預定的強度以上之組合；以及按照從前述複數種類去除掉前述找出的組合中包含的各種類的任一種類後之種類的特徵量，使前述預定資料分類至前述複數個群組的任一個並使之記憶至前述記憶部。
- 一種控制裝置，係對於按照預定資料所具有的各種特徵量之中的預定種類的特徵量而將前述預定資料分類至複數個群組的任一個之分類裝置進行控制之控制裝置，具有：針對前述複數個群組的各群組，取得用以表示藉由前述分類裝置所分類出之前述預定資料中的特徵量的分布位置之資訊並將之記憶至記憶部之取得部；根據藉由前述取得部所被記憶至前述記憶部之表示前述特徵量的分布位置之資訊，而將表示前述複數個群組之間的前述特徵量的分布位置間的接近度之資訊予以導出之導出部；判定前述導出部所導出之表示前述接近度之資訊是否滿足預定條件之判定部；以及在前述判定部判定為滿足前述預定條件之情況，進行藉由前述分類裝置按照前述各種特徵量之中與前述預定種類不同的種類的特徵量而使與前述預定資料同種的資料分類至前述 複數個群組的任一個之控制之控制部。
- 一種控制裝置，係對於可按照預定資料所具有的複數種類的特徵量而將前述預定資料分類至複數個群組的任一個之分類裝置進行控制之控制裝置，具有：取得部，取得表示與前述預定資料同種的複數個資料的各資料中的複數種類的特徵量的分布位置之資訊並將之記憶至記憶部；算出部，根據由前述取得部所記憶至前述記憶部之表示前述複數種類的特徵量的分布位置之資訊，而針對前述複數種類的各組合，算出表示前述組合中包含的各種類的特徵量的相關的強度之資訊；找出部，從前述複數種類的各組合之中，找出前述算出部所算出的資訊所表示之前述相關的強度係在預定的強度以上的組合；以及控制部，進行藉由前述分類裝置按照從前述複數種類去除掉包含於前述找出部所找出的組合中的各種類的任一種類後之種類的特徵量而將前述預定資料分類至前述複數個群組的任一個之控制。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2013/050340 WO2014109040A1 (ja) | 2013-01-10 | 2013-01-10 | 制御方法、制御プログラム、および制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201435613A TW201435613A (zh) | 2014-09-16 |
| TWI533145B true TWI533145B (zh) | 2016-05-11 |
Family
ID=51166709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW102145093A TWI533145B (zh) | 2013-01-10 | 2013-12-09 | 控制方法、控制程式及控制裝置 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20150293951A1 (zh) |
| JP (1) | JP6274114B2 (zh) |
| CN (1) | CN104903957A (zh) |
| TW (1) | TWI533145B (zh) |
| WO (1) | WO2014109040A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10212232B2 (en) * | 2016-06-03 | 2019-02-19 | At&T Intellectual Property I, L.P. | Method and apparatus for managing data communications using communication thresholds |
| WO2018131311A1 (ja) * | 2017-01-10 | 2018-07-19 | 日本電気株式会社 | センシングシステム、センサノード装置、センサ測定値処理方法及びプログラム |
| US10860552B2 (en) * | 2017-03-10 | 2020-12-08 | Schweitzer Engineering Laboratories, Inc. | Distributed resource parallel-operated data sorting systems and methods |
| JP2018175850A (ja) * | 2017-04-14 | 2018-11-15 | 株式会社Ｎｔｔドコモ | データ収集装置及びデータ収集方法 |
| TWI798314B (zh) * | 2017-12-28 | 2023-04-11 | 日商東京威力科創股份有限公司 | 資料處理裝置、資料處理方法及資料處理程式 |
| CN112291290A (zh) * | 2019-07-25 | 2021-01-29 | 京东方科技集团股份有限公司 | 一种设备关联建立方法、装置及电子设备 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05101186A (ja) * | 1991-10-08 | 1993-04-23 | Sumitomo Cement Co Ltd | 光学的パターン識別方法 |
| JP2973805B2 (ja) * | 1993-12-10 | 1999-11-08 | 日本電気株式会社 | 標準パターン作成装置 |
| JP3929894B2 (ja) * | 2000-10-11 | 2007-06-13 | 三菱電機株式会社 | 位置関連情報仲介・獲得方法、仲介コンピュータシステム、及び移動端末 |
| JP2006258977A (ja) * | 2005-03-15 | 2006-09-28 | Advanced Telecommunication Research Institute International | 確率モデルを圧縮する方法及びそのためのコンピュータプログラム |
| CN100530196C (zh) * | 2007-11-16 | 2009-08-19 | 北京交通大学 | 一种基于分层匹配的快速音频广告识别方法 |
| CN101620851B (zh) * | 2008-07-01 | 2011-07-27 | 邹采荣 | 一种基于改进Fukunage-koontz变换的语音情感识别方法 |
| JP2011043988A (ja) * | 2009-08-21 | 2011-03-03 | Kobe Univ | パターン認識方法、装置及びプログラム |
| JP5174068B2 (ja) * | 2010-03-11 | 2013-04-03 | 株式会社東芝 | 信号分類装置 |
| EP2652968A4 (en) * | 2010-12-17 | 2017-12-06 | Nokia Technologies Oy | Identification of points of interest and positioning based on points of interest |
| JP5683287B2 (ja) * | 2011-01-20 | 2015-03-11 | 株式会社日立情報通信エンジニアリング | パターン認識装置及びパターン認識方法 |
| US20150302042A1 (en) * | 2012-11-20 | 2015-10-22 | Hitachi, Ltd. | Data analysis apparatus and data analysis method |
-
2013
- 2013-01-10 CN CN201380069902.4A patent/CN104903957A/zh active Pending
- 2013-01-10 JP JP2014556274A patent/JP6274114B2/ja not_active Expired - Fee Related
- 2013-01-10 WO PCT/JP2013/050340 patent/WO2014109040A1/ja active Application Filing
- 2013-12-09 TW TW102145093A patent/TWI533145B/zh not_active IP Right Cessation
-
2015
- 2015-06-26 US US14/751,490 patent/US20150293951A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US20150293951A1 (en) | 2015-10-15 |
| JPWO2014109040A1 (ja) | 2017-01-19 |
| JP6274114B2 (ja) | 2018-02-07 |
| TW201435613A (zh) | 2014-09-16 |
| WO2014109040A1 (ja) | 2014-07-17 |
| CN104903957A (zh) | 2015-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI533145B (zh) | 控制方法、控制程式及控制裝置 | |
| US11610148B2 (en) | Information processing device and information processing method | |
| KR102223727B1 (ko) | 컨텐츠 선택을 제공하는 시스템들 및 방법들 | |
| KR101768521B1 (ko) | 이미지에 포함된 객체에 대한 정보 데이터를 제공하는 방법 및 시스템 | |
| US20170232294A1 (en) | Systems and methods for using wearable sensors to determine user movements | |
| KR20200046117A (ko) | 공동 오디오-비디오 얼굴 애니메이션 시스템 | |
| US20220157058A1 (en) | Methods and apparatus for displaying, compressing and/or indexing information relating to a meeting | |
| CN107112008A (zh) | 基于预测的序列识别 | |
| CN111179935B (zh) | 一种语音质检的方法和设备 | |
| CN110010156A (zh) | 基于对事件子部分的序列的建模的声音事件检测 | |
| US20200242398A1 (en) | Information processing method and information processing system | |
| KR20130092272A (ko) | 스마트 단말을 이용한 사용자의 이동 경로 실시간 예측 방법 및 그 시스템 | |
| CN106537423A (zh) | 作为服务的自适应特征化 | |
| JP2020144493A (ja) | 学習モデル生成支援装置、及び学習モデル生成支援方法 | |
| JP2022120024A (ja) | オーディオ信号処理方法、モデルトレーニング方法、並びにそれらの装置、電子機器、記憶媒体及びコンピュータプログラム | |
| CN115391670A (zh) | 一种基于知识图谱的互联网行为分析方法与系统 | |
| CN115269786A (zh) | 可解释的虚假文本检测方法、装置、存储介质以及终端 | |
| JP2019128634A (ja) | 最適化装置及びハイパーパラメータの最適化方法 | |
| US11610401B2 (en) | Acquiring public opinion and training word viscosity model | |
| KR101564176B1 (ko) | 감정 인식 시스템 및 그 제어 방법 | |
| Spiegel et al. | Pattern recognition in multivariate time series: dissertation proposal | |
| Khan et al. | Correspondence measure: a review for the digital twin standardization | |
| US20220319504A1 (en) | Generating aspects from attributes identified in digital video audio tracks | |
| Tovstogan et al. | Web interface for exploration of latent and tag spaces in music auto-tagging | |
| JP2017191337A (ja) | 制御方法、制御プログラム、および制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |