WO2021070248A1 - 送信装置照合装置、送信装置照合システム、送信装置照合方法、およびコンピュータ可読媒体 - Google Patents

Abstract

未登録の送信装置のテンプレート登録を自動化することで、オペレータの業務を効率化する。送信装置照合装置（１）は、受信部（１ａ）、照合部（１ｂ）、及びテンプレート特徴量登録部（１ｃ）を備える。受信部（１ａ）は、送信装置から無線送信された信号を受信する。照合部（１ｂ）は、受信部（１ａ）で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、類似度を照合閾値と比較することで、送信装置を照合する。テンプレート特徴量登録部（１ｃ）は、照合部（１ｂ）での照合に失敗したサンプル特徴量からテンプレート特徴量を生成する。

Description

送信装置照合装置、送信装置照合システム、送信装置照合方法、およびコンピュータ可読媒体

　本開示は、送信装置照合装置、送信装置照合システム、送信装置照合方法、およびプログラムが格納された非一時的なコンピュータ可読媒体に関する。

　携帯端末装置などの無線端末装置（以下、単に無線端末と称する）を特定する技術が提案されている。

　例えば、非特許文献１には、受信機が、無線端末からの受信信号の特性に基づいて無線端末を特定（識別）する電波識別システムが記載されている。この電波識別システムは、プリアンブル信号などの既知信号の波形を電力スペクトル密度に変換する。その後、当該電波識別システムは、上記電力スペクトル密度を特徴量としてｋ近傍法などの機械学習アルゴリズムを用いて学習し、識別モデルを生成する。その後、当該電波識別システムは、受信した信号から抽出した特徴量を学習済みモデルに入力することで、学習済みの無線端末の中からどの端末が送信したかを識別する。

　通常、無線端末の識別には、機械学習アルゴリズムのうち、教師ありアルゴリズムを使用する。教師ありアルゴリズムは、学習データとなる特徴量に対して、これは送信端末ＴＡ、これは送信端末ＴＢというように予めラベルを付与し、教師データとして用いてモデルの学習を行う。その後、テストデータあるいは実データを上記モデルで推論させることで、送信端末ＴＡあるいは送信端末ＴＢというような識別（分類）結果を得る。このように分類問題として解く場合は、特定対象の無線端末を全て学習する必要がある。

　特許文献１には、階層的クラスター分析によりデンドログラムを生成することで登録する特徴ベクトルを決定する無線局識別装置が記載されている。

S. U. Rehman, K. Sowerby, and C. Coghill, "Analysis of Receiver Front End on the Performance of RF Fingerprinting," 2012 IEEE International Symposium on Personal, Indoor, and Mobile Radio Communications (PIMRC), pp. 2494-2499, 2012.

特許第５７５７２９５号公報

　本発明者は、無線端末である送信装置を特定（照合）する送信装置照合システムを用いて、受信した信号を数値化したサンプルをデータベース内のテンプレートと照合することについて考察した。このような送信装置照合システムでは、運用時に、当該サンプルに類似度の高いテンプレートが存在しない（つまり、未登録の端末が存在する）場合が考えられる。この時、類似度の高いテンプレートが存在しないサンプルをテンプレートとして新たにデータベースに登録するか否かを、上記のシステムの運用者（オペレータ、業務担当者）に問い合わせることになる。無線信号は１台の無線端末（送信端末）から一度に多量に送信されることが多いため、複数のサンプルから算出した代表的な特徴量をテンプレートとしてデータベースに登録することが望ましい。しかしながら、オペレータが人手で複数のサンプルの中から取捨選択し、テンプレートをデータベースに登録する作業は、工数が増大してしまうという課題がある。

　工数を削減することを目的とし、照合判定から外れた（即ちデータベース登録済みの全てのテンプレートとの類似度が低い）全てのサンプルをデータベースに自動登録することも考えられる。しなしながら、照合時の判定処理に係る演算量の過大な増加につながるという課題がある。特にエッジデバイスのような低コスト、低消費電力が求められるデバイス上に送信装置照合システムを実装する際には、本課題が顕著になる。また、雑音や瞬時フェージング等の影響で外れ値となるサンプルが、テンプレートとしてデータベース内に存在すると、照合精度の低下につながるという課題がある。

　上述したように、非特許文献１のような電波識別システムでは、送信端末（無線端末）を識別（分類）するためには、通常、特定対象とする送信端末（無線端末）を全て学習する必要がある。特定対象とする無線端末の数が限定された範囲内であれば、それらを全て学習することに支障はない。しかしながら、特定対象とする無線端末の数が増えることが想定される場合や、そもそも無線端末の数が規定（特定）できない場合では、それらの無線端末の特徴量を機械学習で学習しておくのは、困難である。未学習の無線端末の特徴量が学習モデルに入力された場合、学習された無線端末のうちの最も近いいずれかの無線端末に誤って分類されてしまうためである。そのため、非特許文献１に開示された技術を適用しても、送信装置照合システムについて上述したような課題は解決されない。

　また、特許文献１の無線局識別装置では、教師なし学習の一種であるクラスター分析に基づき登録する特徴ベクトルを決定している。特許文献１には明記はされていないが、この無線局識別装置は、アナログ変調がかかった狭帯域信号を主な対象とすることができると推測される。しかしながら、広帯域なデジタル変調信号に対してはクラスター分析が適切な結果をもたらさないことが経験的に判明している。つまり、近年のデジタル無線信号に対しては、特許文献１に開示された技術を適用しても、送信装置照合システムについて上述したような課題は解決されない。

　本開示は、上述した課題を鑑み、未登録の送信装置のテンプレート登録を自動化することで、オペレータの業務を効率化することが可能な、送信装置照合装置、送信装置照合システム、送信装置照合方法、およびコンピュータ可読媒体を提供することを目的とする。

　本開示の第１の態様に係る送信装置照合装置は、送信装置から無線送信された信号を受信する受信部（受信手段）と、前記受信部で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合部（照合手段）と、前記照合部での照合に失敗したサンプル特徴量からテンプレート特徴量を生成するテンプレート特徴量登録部（テンプレート特徴量登録手段）と、を備える、ものである。

　本開示の第２の態様に係る送信装置照合方法は、送信装置から無線送信された信号を受信する受信部（受信手段）を備えた送信装置照合装置における送信装置照合方法であって、前記受信部で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合ステップと、前記照合ステップでの照合に失敗したサンプル特徴量からテンプレート特徴量を生成する登録ステップと、を備える、ものである。

　本開示の第３の態様に係る非一時的なコンピュータ可読媒体は、送信装置から無線送信された信号を受信する受信部（受信手段）を備えたコンピュータに、前記受信部で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合ステップと、前記照合ステップでの照合に失敗したサンプル特徴量からテンプレート特徴量を生成する登録ステップと、を実行させるためのプログラムが格納された、ものである。

　本開示により、未登録の送信装置のテンプレート登録を自動化することで、オペレータの業務を効率化することが可能な、送信装置照合装置、送信装置照合システム、送信装置照合方法、およびコンピュータ可読媒体を提供することができる。なお、本開示により、このような効果の代わりに、又はこのような効果とともに、他の効果が奏されてもよい。

第１の実施形態に係る送信装置照合装置の一構成例を示すブロック図である。 第２の実施形態に係る送信装置照合装置の概要を説明するためのブロック図である。 第２の実施形態に係る送信装置照合装置の機能構成の例を示すブロック図である。 第２の実施形態に係る送信装置照合装置の配置例を示す図である。 第２の実施形態に係る送信装置照合装置の動作例の全体フローを示す図である。 第２の実施形態に係る学習パラメータ生成に関する処理フローを示す図である。 第２の実施形態に係る照合閾値および登録閾値の決定に関する処理フローを示す図である。 第２の実施形態に係る照合閾値および登録閾値の決定の動作を説明するための図である。 第２の実施形態に係る未知送信装置の照合・データベース登録に関する処理フローを示す図である。 第２の実施形態に係る未登録送信装置のテンプレート特徴量の生成および登録に関する処理フローを示す図である。 第３の実施形態に係る未登録送信装置のテンプレート特徴量の生成および登録に関する処理フローを示す図である。 第５の実施形態に係る送信装置照合システムの機能構成の例を示すブロック図である。 装置に含まれるハードウェア構成の一例を示す図である。

　以下、図面を参照しながら、実施の形態について説明する。本明細書および図面において、同様に説明されることが可能な要素については、同一の符号を付することにより重複説明が省略され得る。また、以下に説明する図面には一方向性の矢印を描いている図面があるが、この矢印はある信号（データ）の流れの方向を端的に示したもので、双方向性を排除するものではない。

＜第１の実施形態＞
　第１の実施形態について、図１を参照しながら説明する。図１は、第１の実施形態に係る送信装置照合装置の一構成例を示すブロック図である。

　図１に示すように、送信装置照合装置１は、受信部１ａ、照合部１ｂ、及びテンプレート特徴量登録部１ｃを備える。受信部１ａは、送信装置から無線送信された信号を受信するもので、無線受信部と称することもできる。また、この送信装置は、無線通信が可能な無線端末装置（無線端末）である。以下、この送信装置を「送信端末」、或いは単に「端末」と称して説明する。

　照合部１ｂは、受信部１ａで受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、類似度を照合閾値と比較することで、送信端末を照合する。テンプレート特徴量の登録先は、照合部１ｂ内にテンプレート特徴量記憶部として設けた記憶装置とすることができるが、送信装置照合装置１の外部の記憶装置であってもよい。

　テンプレート特徴量登録部１ｃは、照合部１ｂでの照合に失敗したサンプル特徴量からテンプレート特徴量を生成する。照合に失敗したサンプル特徴量とは、基本的に類似度が照合閾値より低いサンプル特徴量を指し、以下の開示ではそのような閾値処理を前提として説明する。

　また、テンプレート特徴量登録部１ｃは、例えば、照合部１ｂでの照合に失敗したサンプル特徴量を一時的に保持（保管、蓄積）しておき、保持していた中からテンプレート特徴量を生成することができる。また、テンプレート特徴量登録部１ｃは、生成したテンプレート特徴量を上記の登録先に登録する。

　以上のように、本実施形態に係る送信装置照合装置１は、送信端末から無線送信された信号（送信端末から受信した電波）を用いて送信源を照合する装置であり、電波センサ装置あるいは照合処理装置などと称することもできる。そして、本実施形態の主たる特徴の一つとして、送信装置照合装置１は、照合に失敗した（類似度の高い）複数のサンプル特徴量から生成した代表的な特徴量をテンプレート特徴量としてまとめている。

　その結果、本実施形態によれば、不特定多数の未登録の送信端末が照合対象となり得る環境において、登録の自動化によりオペレータの工数増大を抑制するとともに、照合時の演算量増大の抑制と頑健性の向上の効果を得ることができる。特に、本実施形態によれば、未登録の送信端末のテンプレート登録を自動化することで、オペレータの業務を効率化することが可能になる。

＜第２の実施形態＞
　第２の実施形態について、図２～図１０を併せて参照しながら、第１の実施形態との相違点を中心に説明するが、第２の実施形態でも、第１の実施形態で説明した様々な例が適用できる。まず、図２を参照しながら、第２の実施形態に係る送信装置照合装置の概要について説明する。図２は、第２の実施形態に係る送信装置照合装置の概要を説明するためのブロック図である。なお、この概要に付記した図面の参照符号は、理解を助けるための一例として各要素に便宜上付記したものであり、この概要の記載は何らの限定を意図するものではない。

　図２に示すように、本実施形態に係る送信装置照合装置１０は、図１の受信部１ａに相当する受信部１０１を備えるとともに、次のような構成要素を備えることができる。即ち、送信装置照合装置１０は、サンプル特徴量生成部１０２、閾値決定部１０３、第１の類似度算出部１０４、テンプレート特徴量記憶部１０５、サンプル特徴量一時保持部１０６、第２の類似度算出部１０７、およびテンプレート特徴量生成部１０８を備える。

　受信部１０１は、送信端末からの信号を受信する。サンプル特徴量生成部１０２は、受信部１０１で受信した受信信号からサンプル特徴量を生成する。閾値決定部１０３は、所定の目標誤り率に基づき照合閾値および登録閾値を決定する。閾値決定部１０３は、図示しないが、照合閾値決定部および登録閾値決定部を有することができる。閾値決定部１０３は、照合閾値および登録閾値の双方を決定することが好ましいが、一方のみを決定するような構成を採用することもできる。

　第１の類似度算出部１０４は、受信した信号の上記サンプル特徴量とテンプレート特徴量記憶部１０５内のデータベースに登録済みのテンプレート特徴量との１対Ｎの類似度計算を行い、上記照合閾値に基づく照合結果を出力する。なお、Ｎは、登録済みのテンプレート特徴量の数を示す任意の値であり、正の整数である。テンプレート特徴量記憶部１０５は、データベースとしてテンプレート特徴量を記憶しておくことができる。

　ここで、第１の類似度算出部１０４は、計算された類似度が照合閾値より大きい場合（照合閾値以上の場合でも同義。以下、同様。）、登録されているデータ（登録済み送信端末の識別情報など）を出力する。一方で、第１の類似度算出部１０４は、計算された類似度が照合閾値より大きい送信端末が存在しない場合は、上記のサンプル特徴量を、サンプル特徴量一時保持部１０６に一時保管させる。

　サンプル特徴量一時保持部１０６は、上記類似度が上記照合閾値以下のサンプル特徴量を一時的に保持する（一時保管する）。第２の類似度算出部１０７は、所定期間ごとに、一時保管されたサンプル特徴量同士の類似度を計算し、類似度が上記登録閾値以上のもの（登録閾値より高いものでも同義。以下、同様。）をグループ化する。サンプル特徴量同士の類似度は、Ｍ対Ｍ－１の類似度を計算することを意味する。なお、Ｍは、一時保管されたサンプル特徴量の数を示す任意の値であり、２以上の整数である。Ｍ対Ｍ－１の類似度計算について説明する。この計算は、サンプル特徴量一時保持部１０６にＭ個のサンプル特徴量が保持されている状況において、あるサンプル特徴量とそれ以外のＭ－１個のサンプル特徴量との間の類似度スコアの計算を含み、それがＭ通りある。よって、Ｍ対Ｍ－１の類似度計算は、Ｍ×（Ｍ－１）回の類似度計算を指す。第２の類似度算出部１０７では、第１の類似度算出部１０４で計算された類似度が照合閾値以下のサンプル特徴量同士の類似度が計算され、それが登録閾値と比較されることになる。いずれのグループも、グループ内には２以上のサンプル特徴量が含まれる場合に類似度の計算を行うことになる。

　また、上記の所定期間は、蓄積量の上限値として決めておくこともできるが、経過時間を示す値として決めておくこともできる。つまり、所定期間は、所定時間あるいは所定サンプル特徴量数とすることができ、その他の所定条件を満たす期間とすることもできる。例えば、第２の類似度算出部１０７は、一時保管されたサンプル特徴量の蓄積量が十分な数になった場合に、サンプル特徴量同士の類似度を計算し、登録閾値以上の類似度を持つサンプル特徴量同士を同じグループにグループ化することができる。

　テンプレート特徴量生成部１０８は、上記グループ内の複数のサンプル特徴量からテンプレート特徴量を生成し、生成したテンプレート特徴量をテンプレート特徴量記憶部１０５内のデータベースに記憶することで登録を行う。

　その結果、不特定多数のデータベースに未登録の送信端末が送信し得る環境において、オペレータの工数増大を抑制するとともに、照合時の演算量増大の抑制と頑健性の向上の効果を得ることができる。

　また、本実施形態においては、サンプル特徴量生成部１０２は、特定の送信端末のみが電波を送信する限定的な環境下で受信した信号で学習した学習モデルを用いて、サンプル特徴量を生成することができる。また、閾値決定部１０３は、このような学習モデルを用いて、照合に使用する照合閾値およびデータベース登録に使用する登録閾値を決定することができる。

　以下に、本実施形態のより具体的な例について、図３～図１０を参照しながら詳しく説明する。まず、図３および図４を参照しながら、送信装置照合装置１０の構成および配置の例について説明する。図３は送信装置照合装置１０の機能構成の例を示すブロック図で、図４は送信装置照合装置１０の配置例を示す図である。なお、図３で示した構成要素のうち、図２で説明した構成要素と同じ名称のものは、基本的に同様の機能を有することになる。

　図３に示す送信装置照合装置１０は、図示しない送信端末が送信する電波の個体差に基づき生成したサンプル特徴量と、予め内部のデータベースに登録されたテンプレート特徴量と、について、類似度計算を行うことで送信端末を照合する。なお、「照合する」は「識別する」、「特定する」、「判定する」等と言い換えることもできる。

　ここで、電波の個体差等に関して説明する。送信端末の仕様の違いによって、あるいは、同じ仕様であっても送信端末に実装されるアナログ回路の特性のばらつき等により送信する電波に個体差が生じ得る。送信装置照合装置１０は、送信端末ごとに当該送信端末が送信する電波の特徴量をテンプレート特徴量としてデータベースに登録しておく。そして、送信装置照合装置１０は電波を受信すると、受信信号のサンプル特徴量を生成する。送信装置照合装置１０は、このサンプル特徴量とデータベース内のテンプレート特徴量の類似度計算を行い、所定の閾値より大きいテンプレート特徴量をもつ端末が存在する場合、受信した電波の送信元である送信端末を特定する。所定の閾値より大きいテンプレート特徴量をもつ端末が複数存在する場合、そのうち最大のものを照合結果として出力する、あるいは２以上の所定数以下の候補を推定確率とともに出力してもよい。

　送信端末の照合には、送信端末の個体を特定する「個体識別」が含まれる。また、送信端末の特定には、いずれの個体が電波を送信したかまでは特定しないが、当該電波を送信した機種を特定する「機種識別」も含まれる。当該状況を鑑みて、以降の説明では「個体識別」と「機種識別」を合わせて「電波識別」あるいは「端末照合」と呼称する場合がある。

　送信装置照合装置１０は、受信した電波（受信した無線信号）の特徴量を抽出可能であればよく、送信端末が送信装置照合装置１０宛に（送信装置照合装置１０に向けて）電波を送信する必要はない。送信装置照合装置１０は、都市部や各種施設（空港、ショッピングモール等）における不審者の検知および追跡、あるいは、店舗や商業施設内における顧客の動線の把握、電波を活用した限定エリアへの入退場管理など、種々の用途に活用（適用）できる。

　送信装置照合装置１０は、電波の特徴量を用いて送信端末の同一性を判定できる。しかしながら、送信装置照合装置１０は、当該特徴量に基づいて送信端末の所有者を直接的に割り出すことはできない。このように、送信装置照合装置１０が用いる電波の特徴量には匿名性があり、送信装置照合装置１０は、個々人のプライバシーに配慮した処理を行うことができる。

　以下、図３に示す送信装置照合装置１０の各構成要素について説明する。
　図３に示すように、送信装置照合装置１０は、受信部１１１、電波特徴量生成部１１２、照合部１３０、およびテンプレート特徴量登録部１４０を備えることができる。

　受信部１１１は、電波識別の対象となる送信端末を含む送信端末からの電波（無線信号）を受信する。なお、送信装置照合装置１０が備える受信部１１１の数は、１又はそれ以上の数であればよい。つまり、送信装置照合装置１０は、少なくとも１以上の受信部１１１を含んでいればよい。

　ここで、図４を参照しながら、受信部１１１を含む送信装置照合装置１０と送信端末の配置例について説明する。図４の例では、送信装置照合装置１０と、送信装置照合装置１０による端末照合の対象領域Ａ１内に配置された送信端末９００ａ、９００ｂと、が示されている。なお、送信端末９００ａは送信装置照合装置１０による照合対象の送信端末であり、送信端末９００ｂは送信装置照合装置１０による照合対象ではない送信端末である。本開示では、送信端末９００ａと送信端末９００ｂを区別する特段の理由がない場合には、単に「送信端末９００」と表記する。なお、図４には、１台の照合対象となる送信端末９００ａを図示しているが、実際には複数の照合対象となる送信端末９００ａが含まれる。つまり、少なくとも１台以上の送信端末９００ａがフィールド（対象領域）に存在していればよい。

　送信端末９００としては、携帯電話機（スマートフォンと称されるものも含む）、ゲーム機、タブレット端末等の携帯端末装置やコンピュータ（パーソナルコンピュータ、ノートパソコン）等が例示される。あるいは、送信端末９００は、電波を発信するＩｏＴ（Internet of Things）端末、ＭＴＣ（Machine Type Communication）端末等であってもよい。しかしながら、送信端末９００（送信装置照合装置１０による端末照合の対象を含む）は、上記例示に限定されない。即ち、本開示では、電波を発信する任意の装置を送信装置照合装置１０による端末照合の対象とすることができる。

　上述のように、送信端末９００ａが送信する電波が、送信装置照合装置１０宛（受信部１１１宛）に送信される電波である必要はない。例えば、受信部１１１は、送信端末９００が携帯電話機等のための無線通信基地局やアクセスポイントに向けて送信した電波、又は、送信端末９００が無線通信基地局やアクセスポイントをサーチするために送信した電波を受信してもよい。

　また、送信装置照合装置１０は、テンプレート特徴量がデータベースに未登録の不特定多数の送信端末が送信し得る環境に設置されることが想定される。このような設置環境においては、送信装置照合装置１０を操作するオペレータが、特定の送信端末９００ａが送信した信号のサンプル特徴量を人手でテンプレート特徴量として、新たにデータベースに登録するのは困難になる可能性がある。特に未登録端末の台数が多い環境ではその課題が顕著になる可能性がある。このとき、照合判定から外れた（照合に失敗した）全てのサンプル特徴量をデータベースに自動登録するのは、照合時の演算量の過剰な増大につながるおそれがある。また、雑音や瞬時フェージングの影響で外れ値となるサンプル特徴量がデータベース内にそのまま存在すると、照合精度低下につながるおそれもある。

　そこで、本実施形態に係る送信装置照合装置１０は、照合部１３０における照合判定で照合閾値を下回ったサンプル特徴量を用い、テンプレート特徴量登録部１４０において複数のサンプル特徴量から代表的なテンプレート特徴量を生成する。そして、テンプレート特徴量登録部１４０は、そのような代表的なテンプレート特徴量をデータベースに登録する。

　図３の各部の詳細な説明に戻る。電波特徴量生成部１１２は、受信部１１１が受信した受信信号から電波特徴量を生成する。送信装置照合装置１０が電波発信元の送信端末の照合に用いる電波特徴量は、送信端末９００の個体差が現れる種々の特徴量とすることができる。

　電波特徴量としては、例えば、受信部１１１における受信信号のトランジェント（立ち上がり、立ち下り）、プリアンブル等のリファレンス信号部分の電力スペクトル密度、受信信号のエラーベクトル振幅が挙げられる。その他、電波特徴量としては、例えば、ＩＱ位相（同相・直交位相）誤差、ＩＱインバランス量等も挙げられる。あるいは、電波特徴量としては、周波数オフセット、シンボルクロック誤差のうち１又は複数を示す特徴量が使用されてもよい。但し、ここでの電波特徴量の例示は、送信装置照合装置１０が送信端末の特定に使用する特徴量を限定する趣旨ではない。

　照合部１３０は、学習部１３１、サンプル特徴量生成部１３２、閾値決定部１３３、第１の類似度算出部１３４、テンプレート特徴量記憶部１３５、および出力部１３６を備えることができる。

　照合部１３０は、図１の照合部１ｂの機能を有する。即ち、照合部１３０は、受信部１１１で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、類似度を照合閾値と比較することで、送信端末を照合し、その照合結果を出力する。予め登録されたテンプレート特徴量とは、テンプレート特徴量記憶部１３５にデータベースとして記憶されたテンプレート特徴量である。

　このように、照合部１３０は、生成された特徴量に基づき端末照合（個体識別、機種識別）を行う。この照合処理は、第１の類似度算出部１３４が担うものとする。即ち、第１の類似度算出部１３４は、サンプル特徴量と予め登録されたテンプレート特徴量との１対Ｎの類似度を計算し、計算したＮ個の類似度（例えば類似度スコア）のそれぞれについて照合閾値とを比較することで、照合を行う。但し、類似度計算は照合閾値を超える類似度が存在した段階で照合に成功したとして、照合処理を終えることもできる。また、第１の類似度算出部１３４による照合の結果の出力は、出力部１３６が担うものとする。

　また、複数の電波特徴量を組み合わせる、つまり特徴量を高次元化することで、照合精度の向上が期待できる。一方で、照合の演算量が大きくなるおそれやデータベースが肥大化するおそれがある。そこで、後述のサンプル特徴量生成部１３２は、電波特徴量生成部１１２で生成された高次元の電波特徴量から、それより低次元のサンプル特徴量を抽出することで、サンプル特徴量を生成する。

　特に、サンプル特徴量生成部１３２は、受信部１１１で信号を受信した場合、学習モデルを用いて電波特徴量からサンプル特徴量を生成することができる。この学習モデルは、電波特徴量生成部１１２で生成された電波特徴量からサンプル特徴量を抽出するためのモデルであり、学習部１３１で生成される。

　ここで、学習部１３１は、事前に十分な量の特定の送信端末だけが電波を送信する環境で取得した適切なラベルが付与された特徴量で分類器を学習させる。つまり、理想的な環境（学習対象となる端末以外の端末がない環境）にて送信端末と当該端末が送信する信号の電波特徴量の関係を予め学習し、分類モデルを生成する。そして、分類モデルの学習パラメータは、特徴量抽出器として使用される分類器に対して、即ちサンプル特徴量生成部１３２に対して設定される。例えば、図４の例では、送信端末９００ｂが存在しない環境にて送信端末９００ａが送信した電波（信号）を用いて分類モデルが生成される。学習パラメータは、例えばネットワーク構成や、重み、バイアスなどとすることができる。但し、学習パラメータは、学習モデルを表現するパラメータであればよい。

　より具体的には、学習部１３１は、電波特徴量にラベルが付与された教師データを用いた機械学習を行い上記の分類モデル（識別器）を生成する。学習部１３１による分類モデルの生成には、サポートベクタマシン、ブースティングやニューラルネットワーク等の任意の機械学習および深層学習アルゴリズムを用いることができる。なお、上述したサポートベクタマシン等のアルゴリズムは公知の技術を使用することができるため、その説明を省略する。他にも、教師なしの特徴量に対して、主成分分析で特徴量の次元を下げてもよい。

　なお、上述したラベルとは、送信端末（無線端末）を表すものであり、例えば、機種名や個体ＩＤ、通し番号などが考えられる。つまり、上記ラベルとは、送信端末を識別し、特定するための情報である。機械学習では分類モデルを構築する際、学習データセットとして特徴量と正しいラベルの組合せを与える必要がある。

　第１の類似度算出部１３４は、サンプル特徴量生成部１３２で生成したサンプル特徴量と、テンプレート特徴量記憶部１３５（いわゆるデータベース）に登録済みのテンプレート特徴量とで、１対Ｎの類似度計算を行い、類似度（第１の類似度）を算出する。第１の類似度算出部１３４は、第１の類似度が照合閾値よりも大きいテンプレート特徴量を持つ端末が存在する場合（端末のデータがデータベースに存在する場合）、その照合結果（特定した電波の送信元である送信端末のＩＤ等）を出力部１３６から出力する。第１の類似度算出部１３４は、照合閾値より大きいテンプレート特徴量をもつ端末が複数存在する場合、そのうち最大のものを照合結果として出力する、あるいは２以上の所定数を候補として出力してもよい。

　サンプル特徴量とテンプレート特徴量との類似度計算に使用するのは、例えばコサイン類似度、ユークリッドスコア、相関係数などが考えられる。つまり、第１の類似度算出部１３４で計算される類似度は、コサイン類似度、ユークリッドスコア、あるいは相関係数のうちいずれか１つとすることができ、あるいは、それらのうちの複数の組み合わせとすることができる。なお、類似度は、類似度スコアとして計算されることができる。

　具体的には、２つのＮ次元特徴量ベクトルを、＜ｐ＞＝（ｐ＿１，…，ｐ＿Ｎ）、および＜ｑ＞＝（ｑ＿１，…，ｑ＿Ｎ）としたとき、そのコサイン類似度は式（１）で、そのユークリッドスコアは式（２）で、その相関係数は式（３）でそれぞれあらわされる。なお、ここでは、便宜上、＜ｐ＞はｐのベクトルの表記とし、＜ｑ＞はｑのベクトルの表記としている。また、式（３）におけるｐ、ｑの上付きバーの表記は、それぞれ式（４）、式（５）であらわされるものである。

　ここで説明した類似度の算出手法は例示に過ぎず、送信装置照合装置１０が類似度の算出に使用する手法を限定する趣旨ではない。なお、以下では特徴量同士が似ていれば似ているほど類似度が高く（１に近く）、違っていれば違っているほど類似度が低く（０に近く）出力されることを前提に説明を行うが、これに限ったものではない。

　閾値決定部１３３は、学習に使用したデータセット等のラベルのあるデータセットから生成したサンプル特徴量と既にテンプレート特徴量記憶部１３５に登録済みのテンプレート特徴量との類似度計算結果に基づき、次のようなカーブを算出することができる。その詳細については後述するが、ここで算出されるカーブは、他人受入率のカーブおよび本人拒否率のカーブとすることができる。

　そして、閾値決定部１３３は、例えば所定の他人受入率と照合に関する目標誤り率に基づき、第１の類似度算出部１３４においてサンプル特徴量とテンプレート特徴量の類似度の閾値比較に用いる照合閾値（Th1）を決定することができる。また、閾値決定部１３３は、例えば所定の本人拒否率と登録に関する目標誤り率に基づき、後述する第２の類似度算出部１４７でサンプル特徴量同士の類似度の閾値比較に用いる登録閾値（Th2）を決定することができる。閾値決定部１３３は、照合閾値（Th1）を第１の類似度算出部１３４へ、登録閾値（Th2）を第２の類似度算出部１４７へ、それぞれ出力する。なお、図３は、便宜上、閾値決定部１３３と第２の類似度算出部１４７とは接続されていないように描かれているが、両者は接続されている。

　次に、テンプレート特徴量登録部１４０について説明する。テンプレート特徴量登録部１４０は、サンプル特徴量一時保持部１４６、第２の類似度算出部１４７、およびテンプレート特徴量生成部１４８を備えることができる。

　サンプル特徴量一時保持部１４６は、照合部１３０での照合に失敗したサンプル特徴量を一時的に保持する一時保持部である。つまり、サンプル特徴量一時保持部１４６は、第１の類似度算出部１３４で照合から外れた（登録済みのテンプレート特徴量との類似度の全てが照合閾値より小さかった）サンプル特徴量を一時保管する。

　第２の類似度算出部１４７は、所定期間ごとに、サンプル特徴量一時保持部１４６に保持されたサンプル特徴量同士の類似度を計算し、類似度が登録閾値以上のものをグループ化する。ここでは、グループが複数存在する可能性もある。なお、第２の類似度算出部１４７は、サンプル特徴量同士を照合することから、第２の照合部と称することもできる。

　また、第２の類似度算出部１４７で計算される類似度も、コサイン類似度、ユークリッドスコア、あるいは相関係数のうちいずれか１つとすることができ、あるいは、それらのうちの複数の組み合わせとすることができる。なお、この類似度も類似度スコアとして計算されることができる。

　テンプレート特徴量生成部１４８は、サンプル特徴量一時保持部１４６で保持されたサンプル特徴量からテンプレート特徴量を生成する。特に、上述のようなグループ化を採用する場合、テンプレート特徴量生成部１４８は、グループ化されたグループごとに、グループに含まれる複数のサンプル特徴量からテンプレート特徴量を生成し、テンプレート特徴量記憶部１３５へ登録する。テンプレートの生成方法の例については、後述する。以上より、テンプレート特徴量登録部１４０は、テンプレート特徴量記憶部１３５に未登録と思われる送信端末のテンプレート特徴量を生成し、新たに追加する処理を行う。

　以下、上述したような構成の送信装置照合装置１０の動作例について、図５～図７および図８～図１０のフローを参照しながら詳細に説明する。

　図５は、送信装置照合装置１０の動作例の全体フローを示す図である。送信装置照合装置１０は、サンプル特徴量生成のために学習パラメータを生成し（ステップＳ１１）、照合閾値および登録閾値を決定し（ステップＳ１２）、未知送信端末の照合およびデータベース登録を行う（ステップＳ１３）。実運用前にステップＳ１１およびステップＳ１２を実施しておき、実運用時にステップＳ１３を行うことが望ましい。実運用時においても、週に１回あるいは月に１回等の頻度でステップＳ１２を実行することで、閾値を再決定してもよい。

　以下、ステップＳ１１～Ｓ１３の詳細について、ステップＳ１１は図６を、ステップＳ１２は図７および図８を、ステップＳ１３は図９をそれぞれ参照しながら説明する。

　図６は、第２の実施形態に係る学習パラメータ生成（図６のステップＳ１１）の動作例を示す図である。まず、特定送信端末だけが電波を送信する環境において、送信装置照合装置１０は、電波センサを有する受信部１１１を動作させ、当該送信端末が送信した信号を受信する（ステップＳ１１１）。次いで、電波特徴量生成部１１２は、この受信信号から電波特徴量を生成するとともに、その送信端末のラベルを電波特徴量に付与する（ステップＳ１１２）。学習部１３１は、当該電波特徴量を用いて、サンプル特徴量抽出用の分類モデルで学習させてこの分類モデルを生成し（ステップＳ１１３）、サンプル特徴量生成部１３２に対してこの分類モデルの学習パラメータを出力する（ステップＳ１１４）。

　図７は、第２の実施形態に係る照合閾値および登録閾値の決定（図５のステップＳ１２）の動作例を示す図である。特定送信端末だけが電波を送信する環境において、送信装置照合装置１０は電波センサを有する受信部１１１を動作させ、当該送信端末が送信した信号を受信する（ステップＳ１２１）。次いで、電波特徴量生成部１１２は、受信信号から電波特徴量を生成する（ステップＳ１２２）。

　サンプル特徴量生成部１３２は、学習部１３１が学習した分類モデルの学習パラメータに基づき、入力された電波特徴量からサンプル特徴量を生成し、生成したサンプル特徴量をラベルと紐づける（ステップ１２３）。十分な送信端末数についてサンプル特徴量が蓄積された場合、閾値決定部１３３は、次の処理を行う。即ち閾値決定部１３３は、ラベルのあるデータセットから生成したサンプル特徴量と既にテンプレート特徴量記憶部１３５に登録済みのテンプレート特徴量との類似度計算結果に基づき、他人受入率および本人拒否率のカーブを算出する（ステップＳ１２４）。これらのカーブについては後述する。そして、閾値決定部１３３は、所定の他人受入率および照合に関する目標誤り率に基づき、照合閾値を決定し、所定の本人拒否率および登録に関する目標誤り率に基づき、登録閾値を決定する（ステップＳ１２５）。

　以下、照合閾値と登録閾値の決定方法の一例について、図８を参照しながら説明する。図８は、第２の実施形態に係る照合閾値および登録閾値の決定の動作を説明するための図である。図８には、照合閾値を変化させたときの他人受入率（８０ａ）および本人拒否率（８０ｂ）の変化を示すカーブの一例を示している。

　照合の条件を厳しく、つまり、類似度スコアの照合閾値を高くすると、類似度が高い場合にのみ自端末（データベース登録済みの送信端末）として照合結果（照合成功を示す結果）を返すことになる。このとき、間違って他端末を自端末として受け入れてしまう誤りの発生率である他人受入率（False Acceptance Rate；ＦＡＲ）が他人受入率（８０ａ）で例示するように低下する。一方で、間違って自端末を自端末でないと拒否してしまうという誤りの発生率である本人拒否率（False Rejection Rate；ＦＲＲ）が本人拒否率（８０ｂ）で例示するように上昇する。このように、ＦＡＲとＦＲＲは照合閾値を変化させることでトレードオフが発生する。登録閾値についても同様のトレードオフが発生する。図８から明らかなように、ここでは、閾値決定部１３３が決定する照合閾値および登録閾値が０以上１以下の値である例を挙げている。

　送信装置照合装置１０は、登録目標誤り率（８０ｃ）と照合目標誤り率（８０ｄ）がオペレータ等により設定可能に構成することができる。照合目標誤り率（８０ｄ）は、照合に関する所定の目標誤り率（第１の所定の目標誤り率）であり、登録目標誤り率（８０ｃ）は、登録に関する所定の目標誤り率（第２の所定の目標誤り率）である。設定された照合目標誤り率（８０ｃ）と他人受入率のカーブ（８０ａ）の交点から閾値（Threshold）の軸におろしたときの値が照合閾値（８０ｅ）である。また、登録目標誤り率（８０ｄ）と他人受入れ率のカーブ（８０ａ）の交点からThresholdの軸におろしたときの値が登録閾値（８０ｆ）である。

　このような関係から、閾値決定部１３３は、照合目標誤り率に基づき照合閾値を決定することができ、また、登録目標誤り率に基づき登録閾値を決定することができると言える。なお、登録閾値を決定する部位は、テンプレート特徴量登録部１４０側に備えることもできる。

　特に、閾値決定部１３３は、他人受入率のカーブあるいは本人拒否率のカーブの一方と上記第１の所定の目標誤り率との交点に基づき、照合閾値を決定することができる。上述したように、他人受入率は、照合閾値に応じて変化する、照合部１３０において誤って照合成功としてしまう率を示し、本人拒否率は、照合閾値に応じて変化する、照合部１３０において誤って照合失敗としてしまう率を示している。登録閾値に関しても、閾値決定部１３３は、他人受入率のカーブあるいは本人拒否率のカーブの一方と上記第２の所定の目標誤り率との交点に基づき、登録閾値を決定することができる。

　一般的には、照合システムの適用先において、誤って他人を受け入れてしまった時の被害額に応じて、適切に条件が設定されることが多い。例えば、関係者以外立ち入り禁止エリアへの入退場管理などの用途では条件を厳しめに、つまり目標誤り率が低めに設定され得る。一方で、商業施設内等における顧客の動線の把握などの用途では条件を緩めに、つまり目標誤り率が高めに設定され得る。

　ここで、２つの目標誤り率を設定した理由を説明する。照合部１３０では平均化処理や外れ値削除等により素性を良くしたテンプレート特徴量とサンプル特徴量との類似度計算が行われるため、条件を厳しめに設定することで実運用時の他人受入率を下げることを意図している。一方、テンプレート特徴量登録部１４０では平均化処理や外れ値削除等が実行されていない段階のサンプル特徴量同士の類似度計算が実行されるため、条件を緩めに設定することで同じ送信端末のサンプル特徴量同士がグルーピングされ易くすることを意図している。図８では、照合目標誤り率および登録目標誤り率は異なる値で例示したが、同一の値であってもよい。同一の値を用いる場合は、他人受入率のカーブ（８０ａ）と本人拒否率のカーブ（８０ｂ）の交点である等価エラー率（Equal Error Rate；ＥＲＲ）（８０ｇ）を目標誤り率としてもよい。また、図８では、２種の目標誤り率と他人受入率（８０ａ）の交点から閾値が決定される様子を説明したが、上述したように本人拒否率（８０ｂ）も鑑みて決定されてもよい。

　図９は、第２の実施形態に係る未知送信装置の照合およびデータベース登録（図５のステップＳ１３）の動作例を示す図である。不特定多数の送信端末が送信し得る環境において、送信装置照合装置１０は、電波センサを有する受信部１１１を動作させ、送信端末が送信した信号を受信する（ステップＳ１３１）。次いで、電波特徴量生成部１１２は、受信信号から電波特徴量を生成する（ステップＳ１３２）。次いで、サンプル特徴量生成部１３２は、学習部１３１が学習した分類モデルの学習パラメータに基づき、入力された電波特徴量からサンプル特徴量を生成する（ステップＳ１３３）。ここでは、いずれの端末が送信した電波を受信したのか現段階では不明であるためラベルは付与されない。

　第１の類似度算出部１３４は、ステップＳ１３３で生成されたサンプル特徴量とテンプレート特徴量記憶部１３５に記憶されたＮ個のテンプレート特徴量とを１対Ｎの類似度計算を実施する（ステップＳ１３４）。そして、第１の類似度算出部１３４は、上記Ｎ個のテンプレート特徴量のうちその類似度スコアが、照合閾値以上の送信端末が存在するか否かを判定する（ステップＳ１３５）。この照合閾値は、ステップＳ１２５において閾値決定部１３３により決定されたものである。

　もし、第１の類似度算出部１３４は、登録済みの送信端末が１台以上存在する場合、送信端末ＩＤや前回存在が検出された時刻等の照合結果を出力部１３６から出力する（ステップＳ１３６）。一方で、照合閾値以上の送信端末が存在しない場合、第１の類似度算出部１３４は、サンプル特徴量一時保持部１４６に上記サンプル特徴量を蓄積する（ステップＳ１３７）。そして、一定量のサンプル特徴量が蓄積された場合、テンプレート特徴量登録部１４０は、テンプレート特徴量の生成とテンプレート特徴量記憶部１３５へ生成したテンプレート特徴量を登録する（ステップＳ１３８）。

　このステップＳ１３８について、図１０を参照しながら詳細に説明する。図１０は、テンプレート特徴量の生成および登録処理に関する処理フローを示す図である。

　テンプレート特徴量登録部１４０において、テンプレート特徴量生成部１４８は、所定時間が経過したかあるいは所定のサンプル特徴量数が蓄積されたかを、つまり所定期間が経過したかを確認する（ステップＳ１３８１）。なお、上記所定期間（所定時間や所定サンプル特徴量数）は、無線通信がバースト転送される傾向にある無線環境では、その傾向に鑑みて決定されることが望ましい。

　ステップＳ１３８１がＹＥＳの場合、第２の類似度算出部１４７は、サンプル特徴量一時保持部１４６に一時保管されているサンプル特徴量同士のＭ対Ｍ－１の類似度計算を行う（ステップＳ１３８２）。ステップＳ１３８２における類似度計算も、前述と同様にコサイン類似度、ユークリッドスコアなどを用いることができる。

　第２の類似度算出部１４７は、ステップＳ１３８２で計算された類似度がステップＳ１２５で閾値決定部１３３が決定した登録閾値以上の類似度スコアをもつサンプル特徴量の組み合わせが存在することを確認する（ステップＳ１３８３）。ステップ１３８３がＹＥＳの場合、第２の類似度算出部１４７は、上記の登録閾値以上の類似度スコアをもつサンプル特徴量同士をグループ化する（ステップＳ１３８４）。そして、テンプレート特徴量生成部１４８は、グループごとに次のステップＳ１３８５～Ｓ１３８７の処理を実施する。ステップＳ１３８５では、あるグループ内のサンプル特徴量数が所定個数以上か否かを確認する。ステップＳ１３８６では、ステップＳ１３８５がＹＥＳの場合、当該グループ内の複数のサンプル特徴量からテンプレート特徴量を生成する。ステップＳ１３８７では、当該グループのサンプル特徴量をサンプル特徴量一時保持部１４６から削除する（ステップＳ１３８７）。

　ここで、ステップＳ１３８６のテンプレート特徴量の生成について補足説明を行う。ある端末のテンプレート特徴量は、多数のサンプル特徴量の代表的なものであることが望ましい。一般的に、同じ端末が送信した信号から生成したサンプル特徴量であっても、雑音やフェージング等の影響により形にばらつきが発生する。ある程度ばらつきのあるサンプル特徴量から生成されたテンプレート特徴量は頑健な特徴量になり得る。

　ばらついたサンプル特徴量からテンプレート特徴量を生成するために、外れ値判定や規格化処理を行った上で平均化処理を行うことが考えられる。外れ値判定処理の例としては、特徴量ベクトルの要素の分布を生成し、第１四分位点－１．５＊幅Ｗを下回る要素や第３四分位点＋１．５＊幅Ｗを上回る要素を持つ特徴量ベクトルを上記の類似度スコアの高いグループから削除する処理が考えられる。ここで、幅Ｗは第３四分位点－第１四分位点としている。この処理は、いわゆる箱ひげ図を用いた外れ値判定処理である。規格化処理の例としては、特徴量ベクトルの要素ごとに最大値が１、最小値が０になるように正規化する処理が考えられる。そして最後に要素ごとに相加平均、相乗平均（幾何平均）、調和平均などの平均化処理を実施する。

　このように、テンプレート特徴量生成部１４８は、特徴量ベクトルの要素の分布を生成し、四分位数から外れ値判定を行うことで外れ値を削除する処理、あるいは特徴量ベクトルの要素ごとに規格化する処理、あるいはその両方を行うことができる。そして、テンプレート特徴量生成部１４８は、このような処理を行った上で、相加平均、相乗平均、あるいは相加平均などの平均処理により、代表ベクトルとして平均ベクトルを求める。テンプレート特徴量生成部１４８は、この代表ベクトルをテンプレート特徴量としてテンプレート特徴量記憶部１３５に登録する。

　テンプレート特徴量生成部１４８は、このような処理を、第２の類似度算出部１４７でグループ化されたグループごとに実行する。つまり、テンプレート特徴量生成部１４８は、グループごとに、グループに含まれる複数のサンプル特徴量から代表ベクトルとしてのテンプレート特徴量を生成し、テンプレート特徴量記憶部１３５に登録する。

　以上のような構成により、送信装置照合装置１０は、不特定多数のデータベースに未登録の送信端末が送信し得る環境において、オペレータの工数増大を抑制するとともに、照合時の演算量増大の抑制と頑健性の向上の効果を得ることができる。

＜第３の実施形態＞
　第３の実施形態について、図１１を併せて参照しながら、第２の実施形態との相違点を中心に説明する。但し、第３の実施形態においても、第１及び第２の実施形態で説明した様々な例が適用できる。

　本実施形態に係る送信装置照合装置の構成は、図３で例示した第２の実施形態に係る送信装置照合装置１０の構成と同一とすることができ、その構成に関する説明を省略するとともに、以下の説明では図３の参照符号を用いて説明を行う。

　第２の実施形態で説明した通り、ある端末のテンプレート特徴量は、多数のサンプル特徴量の代表的なものであることが望ましい。ある程度ばらつきのあるサンプル特徴量から生成されたテンプレート特徴量は頑健な特徴量になり得る。そのため、第２の実施形態ではグループ内のサンプル数が所定個数以上か否かを確認する処理（ステップＳ１３８５）を実行するようにしている。

　一方で、送信装置照合装置の用途によっては、極めてまれに電波を送信するような端末の照合を行いたい場合がある。一つの端末が送信する電波が少ない場合、サンプル特徴量が十分に蓄積できない可能性がある。このとき、ステップＳ１３８５でそのグループに該当したサンプル特徴量を持つ端末は、長時間経つまでテンプレート特徴量が自動生成されないおそれがある。

　そこで、本実施形態では、ステップＳ１３８５で所定個数に満たないサンプル特徴量のグループについてのテンプレート特徴量の生成処理を加える。本実施形態に係る生成処理について、図１１を参照して説明する。図１１と第２の実施形態の図１０の違いは、本実施形態では、テンプレート特徴量の生成処理に計算機上で擬似的に複数の異なる雑音や通信路の影響を模擬し、それを付加した際のサンプル特徴量を生成する処理（ステップＳ１３８８）が追加されている点である。つまり、本実施形態に係る処理は、第２の実施形態における処理において、ステップＳ１３８５でＮＯとなった場合に、そのグループの処理を終えずに上記のステップＳ１３８８を実行し、次いでステップＳ１３８６，Ｓ１３８７を実行する。

　このように、テンプレート特徴量生成部１４８は、第２の類似度算出部１４７でグループ化されたグループごとに、グループに含まれるサンプル特徴量の個数が少ない場合、グループに含まれるサンプル特徴量を追加することができる。この個数に関する閾値は、ステップＳ１３８５における上記所定個数に相当し、例えばオペレータにより決定することができる。このようなサンプル特徴量の、模擬した結果に基づく追加により、そのグループのサンプル特徴量の個数を増加させることができる。このように、サンプル特徴量は、計算機上で擬似的に複数の異なる雑音および複数の異なる通信路の少なくとも一方の影響を模擬することで、追加することができる。

　このような構成により、本実施形態に係る送信装置照合装置１０では、まれに電波を送信する端末に対しても、十分なサンプル特徴量を蓄積しない段階でも、頑健なテンプレート特徴量を生成することが可能になる。

　なお、本実施形態を含む本開示の実施形態では、上述の通り、生成するテンプレート特徴量が送信装置ごとに１個ずつであることを想定して記載している。しかしながら、雑音やフェージングの影響の少ない安定状態に近いテンプレート特徴量だけでなく、安定状態から遠いテンプレート特徴量を追加でテンプレート特徴量記憶部１３５に登録しておくことが望ましい。安定状態から遠いテンプレート特徴量としては、雑音に埋もれた複数のサンプル特徴量から生成した、雑音状況に対して類似度スコアが高く出るテンプレート特徴量が挙げられる。また、安定状態から遠いテンプレート特徴量としては、深いフェージングの影響を受けた複数のサンプル特徴量から生成したフェージング状況に対して類似度スコアが高く出るテンプレート特徴量なども挙げられる。このような方法を採用することで、第１の類似度算出部１３４は、端末固有のＩＤに加えて、雑音の状況や送信端末と送信装置照合装置１０の間のフェージングの状況を、副次的に出力部１３６から出力することができる。

　即ち、テンプレート特徴量記憶部１３５は、データベース内のテンプレート特徴量（照合対象のテンプレート特徴量）として、送信端末ごとに２以上の複数の異なる通信路環境ごとのテンプレート特徴量を記憶（保管）することができる。この場合、第１の類似度算出部１３４は、照合の結果として、送信端末に固有の識別情報（ＩＤ）と、送信端末と送信装置照合装置１０との間の通信路環境の状況と、を含めた結果を出力部１３６から出力する。このように、本実施形態では、出力部１３６から通信路環境の状況を副次的に出力することができる。

＜第４の実施形態＞
　第４の実施形態について、第２の実施形態との相違点を中心に説明する。但し、第４の実施形態においても、第１～第３の実施形態で説明した様々な例が適用できる。

　本実施形態に係る送信装置照合装置の構成は、図３で例示した第２の実施形態に係る送信装置照合装置１０の構成と同一とすることができ、その構成に関する説明を省略するとともに、以下の説明では図３の参照符号を用いて説明を行う。

　本実施形態では、送信源が短時間の間にバースト的に複数のシンボルを送信することを想定する。現実的にこのような想定ができる場合があるためである。このとき、図１０のステップ１３８２で実施される一時保管されたサンプル特徴量同士の類似度計算処理（式（１）および式（２）の類似度計算）について、重み係数を乗算するとよい。この重み係数は、サンプル特徴量同士の受信時刻が近いサンプル特徴量同士の方が高い類似度スコアとなるような重み係数、あるいは、受信時刻が離れたサンプル特徴量同士の方が小さい類似度スコアとなるような重み係数などが挙げられる。このような重み係数を乗算した類似度計算を行うことにより、異なる送信端末が送信した信号が間違って同じ端末と推定されて同じグループにグルーピングされてしまう可能性を低減させることができる。

　本実施形態によれば、第２の実施形態の効果に加えて、さらに精度のよいテンプレート特徴量が生成できるようになるという効果が得られる。

＜第５の実施形態＞
　第５の実施形態について、図１２を参照しながら第２の実施形態との相違点を中心に説明する。但し、第５の実施形態においても、第１～第４の実施形態で説明した様々な例が適用できる。図１２は、第５の実施形態に係る送信装置照合システムの機能構成の例を示すブロック図である。図１２において、図３で例示した第２の実施形態と同一の構成部品については、同一の番号が付与されており、その説明を省略する。

　一般的に、機械学習の学習時と推論時とを比較したとき、必要とする演算性能は学習時の方が十分に大きいことが多い。特にモデル生成（学習パラメータの生成）に深層学習を用いる場合、学習時には高性能なグラフィック処理装置（ＧＰＵ：Graphics Processing Unit）を用いることが考えられる。ＧＰＵは高性能ではあるものの、高価でかつ消費電力が高いため、多量の送信装置照合装置をエッジデバイスとして広範囲に配置するようなアプリケーションには適していないという課題がある。

　そこで、本実施形態では、外部で学習を行うことで学習パラメータを生成し、送信装置照合装置では安価で低消費電力な推論専用のハードウェアアクセラレータなどを活用して、サンプル特徴量生成を行う。

　そのため、本実施形態に係る送信装置照合システムは、図１２に示すように、図３の送信装置照合装置１０から学習部１３１を外部に配置するように除いた装置である送信装置照合装置３０と、図３の学習部１３１に相当する学習装置１３１ａと、を備える。送信装置照合装置３０は、受信部１１１、電波特徴量生成部１１２、およびテンプレート特徴量登録部１４０を備えるとともに、図３の照合部１３０から学習部１３１を除いた照合部１３０ａを備える。

　即ち、照合部１３０ａは、サンプル特徴量生成部１３２、閾値決定部１３３、第１の類似度算出部１３４、テンプレート特徴量記憶部１３５、および出力部１３６を備える。そして、照合部１３０ａは、電波特徴量生成部１１２で生成した電波特徴量に基づいて、受信した信号から生成したサンプル特徴量と内部のデータベース（テンプレート特徴量記憶部１３５）内のテンプレート特徴量との類似度計算を行い、その照合結果を出力する。

　学習装置１３１ａは、送信装置照合装置３０から電波特徴量を受信する受信部と、受信した電波特徴量からサンプル特徴量を抽出するための学習モデルを生成する学習部１３１ｃと、を備える。さらに、学習装置１３１ａは、学習部１３１ｃで生成された学習モデルを表現する学習パラメータを送信装置照合装置３０に送信する送信部を備える。学習装置１３１ａにおける受信部および送信部は、通信部１３１ｂで例示している。通信部１３１ｂは、有線通信部又は無線通信部とすることができる。

　サンプル特徴量生成部１３２は、受信部１１１で信号を受信した場合、学習パラメータを用いて電波特徴量からサンプル特徴量を生成する。サンプル特徴量生成部１３２は、学習装置１３１ａから受信した学習パラメータを、例えば未学習モデル（未学習の分類モデル又は旧パラメータの分類モデル）に設定することで、電波特徴量からサンプル特徴量を生成することができる。

　なお、本実施形態に係る送信装置照合システムにおける動作フローは、第２の実施形態と基本的に同一であるため、その説明を省略する。

　以上のような構成をとることで、本実施形態に係る送信装置照合システムは、第２の実施形態の効果に加えて、次のような効果を奏する。即ち、本実施形態に係る送信装置照合システムでは、多量の送信装置照合装置をエッジデバイスとして広範囲に配置するようなアプリケーションにおいて、安価かつ低消費電力で、端末照合およびテンプレート特徴量のデータベース登録が可能となる。

＜他の実施形態＞
　第２～第５の実施形態の説明において参照した複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、各実施形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施形態では、例えば各処理を並行して実行する等、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の各実施形態は、内容が相反しない範囲で組み合わせることができる。

　そして、第１～第５の実施形態において、送信装置照合装置における処理の手順を説明したように、本開示は、送信端末から無線送信された信号を受信する受信部を備えた送信装置照合装置における送信装置照合方法としての形態も採り得る。この送信装置照合方法は、次の照合ステップおよび登録ステップを備えることができる。上記照合ステップは、受信部で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、その類似度を照合閾値と比較することで、送信端末を照合する。上記登録ステップは、上記照合ステップでの照合に失敗したサンプル特徴量からテンプレート特徴量を生成する。なお、その他の例については、上述した様々な実施形態で説明した通りである。

　また、第１～第５の実施形態に係る送信装置照合装置およびそのシステムについて、その構成要素である各部を機能的に説明したが、これに限ったものではない。例えば照合部に電波特徴量生成部を備えるなど、送信装置照合装置として各部の機能が備えられていればよい。また、上述した各実施形態では、送信装置照合装置が単体の装置として構成することを前提として説明したが、機能を分散させて複数の装置として構成することもできる。

　また、第１～第５の実施形態に係る送信装置照合装置や学習装置は、いずれも次のようなハードウェア構成を有することができる。図１３は、装置に含まれるハードウェア構成の一例を示す図である。

　図１３に例示する装置１０００は、第１～第５に係る送信装置照合装置とすることができる。送信装置照合装置として機能する装置１０００は、情報処理装置（いわゆるコンピュータ）により構成可能であり、例えばプロセッサ１００１、メモリ１００２、入出力インターフェイス１００３および無線通信回路１００４等を備える。なお、無線通信回路１００４に加えて有線通信回路を備えることもできる。上記プロセッサ１００１等の構成要素は内部バス等により接続され、相互に通信可能に構成されている。

　プロセッサ１００１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＧＰＵなどのプログラマブルなデバイスである。あるいは、プロセッサ１００１はＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）等のデバイスであってもよい。プロセッサ１００１は、オペレーティングシステム（ＯＳ；Operating System）を含む各種プログラムを実行することができる。

　メモリ１００２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）又はメモリカードなどの記憶装置である。メモリ１００２は、ＯＳプログラム、アプリケーションプログラム、各種データを格納する。

　入出力インターフェイス１００３は、図示しない表示装置や入力装置のインターフェイスである。表示装置は、例えば、液晶ディスプレイ等である。入力装置は、例えば、キーボードやマウス等のユーザ操作を受け付ける装置である。

　無線通信回路１００４は、他の装置と無線通信を行う回路、モジュール等である。例えば、無線通信回路１００４は、ＲＦ（Radio Frequency）回路等を備える。なお、装置１０００の一部又は全部は、１又は複数の集積回路（Integrated Circuit）によって実現されることもできる。

　送信装置照合装置としての装置１０００の機能は、各種処理モジュールにより実現されることができる。当該処理モジュールは、例えば、メモリ１００２に格納されたプログラムをプロセッサ１００１が実行することで実現される。この場合のプログラム（送信装置照合プログラム）は、送信端末から無線送信された信号を受信する受信部（無線通信回路１００４で例示）を備えたコンピュータに、上述した照合ステップおよび登録ステップを実行させるためのプログラムとすることができる。なお、その他の例については、上述した様々な実施形態で説明した通りである。さらに、上記処理モジュールは、半導体チップにより実現されてもよい。

　また、図１３に例示する装置１０００は、第５の実施形態に係る学習装置とすることができる。学習装置として機能する装置１０００は、情報処理装置（いわゆるコンピュータ）により構成可能であり、例えばプロセッサ１００１、メモリ１００２、入出力インターフェイス１００３および無線通信回路１００４等を備える。なお、無線通信回路１００４の代わりに有線通信回路を備えることもできる。

　学習装置としての装置１０００の機能も、各種処理モジュールにより実現されることができる。当該処理モジュールは、例えば、メモリ１００２に格納されたプログラムをプロセッサ１００１が実行することで実現される。この場合のプログラム（学習プログラム）は、次の受信ステップ、学習ステップ、および送信ステップをプロセッサ１００１に実行させるためのプログラムとすることができる。この受信ステップは、送信装置照合装置から電波特徴量を受信する。この学習ステップは、受信した電波特徴量から、サンプル特徴量を抽出するための学習モデルを生成する。この送信ステップは、学習ステップで生成された学習モデルを表現する学習パラメータを送信装置照合装置に送信する。なお、その他の例については、上述した様々な実施形態で説明した通りである。

　また、上述した送信装置照合プログラムや学習プログラムは、コンピュータが読み取り可能な記憶媒体に記録することができる。この記憶媒体は、非トランジェント（non-transitory）なもの、つまり非一時的なコンピュータ可読媒体（non-transitory computer readable medium）とすることができる。このように、本開示の目的は、コンピュータプログラム製品として具現化することでも実現可能である。例えば、プログラムは、ネットワークを介してダウンロードするか、あるいは、プログラムを記憶した記憶媒体を用いて、更新することができる。さらに、上述した処理モジュールは、半導体チップにより実現されてもよい。

　このように、各プログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）を含む。さらに、この例は、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗを含む。さらに、この例は、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、および電磁波を含む。一時的なコンピュータ可読媒体は、電線および光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

　上記の各実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
＜付記＞

（付記１）
　送信装置から無線送信された信号を受信する受信部と
　前記受信部で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合部と、
　前記照合部での照合に失敗したサンプル特徴量からテンプレート特徴量を生成するテンプレート特徴量登録部と、
　を備える、送信装置照合装置。

（付記２）
　前記受信部で受信した信号から電波特徴量を生成する電波特徴量生成部をさらに備え、
　前記照合部は、前記電波特徴量から前記電波特徴量より低次元の特徴量として前記サンプル特徴量を抽出することで、前記サンプル特徴量を生成するサンプル特徴量生成部を有する、
　付記１に記載の送信装置照合装置。

（付記３）
　前記照合部は、前記電波特徴量から前記サンプル特徴量を抽出するための学習モデルを生成する学習部を有し、
　前記サンプル特徴量生成部は、前記受信部で信号を受信した場合、前記学習モデルを用いて前記電波特徴量から前記サンプル特徴量を生成する、
　付記２に記載の送信装置照合装置。

（付記４）
　前記照合部は、第１の所定の目標誤り率に基づき前記照合閾値を決定する照合閾値決定部を有する、
　付記２又は３に記載の送信装置照合装置。

（付記５）
　前記照合閾値決定部は、他人受入率のカーブあるいは本人拒否率のカーブの一方と前記第１の所定の目標誤り率との交点に基づき、前記照合閾値を決定し、
　前記他人受入率は、前記照合閾値に応じて変化する、前記照合部において誤って照合成功としてしまう率を示し、
　前記本人拒否率は、前記照合閾値に応じて変化する、前記照合部において誤って照合失敗としてしまう率を示す、
　付記４に記載の送信装置照合装置。

（付記６）
　前記照合部は、前記サンプル特徴量と前記予め登録されたテンプレート特徴量との１対Ｎ（但し、Ｎは正の整数）の類似度を計算し、計算したＮ個の類似度のそれぞれについて前記照合閾値とを比較することで、照合を行う第１の類似度算出部を有する、
　付記２～５のいずれか１項に記載の送信装置照合装置。

（付記７）
　前記照合部は、前記予め登録されたテンプレート特徴量として、前記送信装置ごとに２以上の複数の異なる通信路環境ごとのテンプレート特徴量を記憶するテンプレート特徴量記憶部を有し、
　前記第１の類似度算出部は、照合の結果として、前記送信装置に固有の識別情報と、前記送信装置と前記送信装置照合装置との間の通信路環境の状況と、を含めた結果を出力する、
　付記６に記載の送信装置照合装置。

（付記８）
　前記照合部で計算される前記類似度は、コサイン類似度、ユークリッドスコア、あるいは相関係数のうちいずれか１又は複数の組み合わせである、
　付記１～７のいずれか１項に記載の送信装置照合装置。

（付記９）
　前記テンプレート特徴量登録部は、
　　前記照合部での照合に失敗したサンプル特徴量を一時的に保持する一時保持部と、
　　前記一時保持部で保持されたサンプル特徴量からテンプレート特徴量を生成するテンプレート特徴量生成部と、
　を有する、
　付記１～８のいずれか１項に記載の送信装置照合装置。

（付記１０）
　前記テンプレート特徴量登録部は、
　　所定期間ごとに、前記一時保持部に保持されたサンプル特徴量同士の類似度を計算し、類似度が登録閾値以上のものをグループ化する第２の類似度算出部を有し、
　前記テンプレート特徴量生成部は、
　　前記第２の類似度算出部でグループ化されたグループごとに、前記グループに含まれる複数のサンプル特徴量からテンプレート特徴量を生成する、
　付記９に記載の送信装置照合装置。

（付記１１）
　前記テンプレート特徴量登録部は、第２の所定の目標誤り率に基づき前記登録閾値を決定する登録閾値決定部を有する、
　付記１０に記載の送信装置照合装置。

（付記１２）
　前記登録閾値決定部は、他人受入率のカーブあるいは本人拒否率のカーブの一方と前記第２の所定の目標誤り率との交点に基づき、前記登録閾値を決定し、
　前記他人受入率は、前記照合閾値に応じて変化する、前記照合部において誤って照合成功としてしまう率を示し、
　前記本人拒否率は、前記照合閾値に応じて変化する、前記照合部において誤って照合失敗としてしまう率を示す、
　付記１１に記載の送信装置照合装置。

（付記１３）
　前記第２の類似度算出部で計算される前記類似度は、コサイン類似度、ユークリッドスコア、あるいは相関係数のうちいずれか１又は複数の組み合わせである、
　付記１０～１２のいずれか１項に記載の送信装置照合装置。

（付記１４）
　前記テンプレート特徴量生成部は、
　特徴量ベクトルの要素の分布を生成し、四分位数から外れ値判定を行うことで外れ値を削除する処理、あるいは特徴量ベクトルの要素ごとに規格化する処理、あるいはその両方を行った上で、平均処理により平均ベクトルを求めることで、前記第２の類似度算出部でグループ化されたグループごとに、前記グループに含まれる複数のサンプル特徴量から、代表ベクトルとしてのテンプレート特徴量を生成する、
　付記１０～１３のいずれか１項に記載の送信装置照合装置。

（付記１５）
　前記テンプレート特徴量生成部は、前記第２の類似度算出部でグループ化されたグループごとに、前記グループに含まれるサンプル特徴量の個数が少ない場合、擬似的に複数の異なる雑音および複数の異なる通信路の少なくとも一方の影響を模擬し、前記グループに含まれるサンプル特徴量を追加する、
　付記１０～１４のいずれか１項に記載の送信装置照合装置。

（付記１６）
　前記第２の類似度算出部は、前記類似度に、サンプル特徴量同士の受信時刻が近いサンプル特徴量同士の方が高い類似度スコアとなるような重み係数、あるいは、受信時刻が離れたサンプル特徴量同士の方が小さい類似度スコアとなるような重み係数を乗算し、乗算後の類似度が前記登録閾値以上のものをグループ化する、
　付記１０～１５のいずれか１項に記載の送信装置照合装置。

（付記１７）
　付記２に記載の送信装置照合装置と、
　学習装置と、
　を備え、
　前記学習装置は、
　前記送信装置照合装置から前記電波特徴量を受信する学習装置側受信部と、
　前記電波特徴量から、前記サンプル特徴量を抽出するための学習モデルを生成する学習部と、
　前記学習部で生成された前記学習モデルを表現する学習パラメータを前記送信装置照合装置に送信する学習装置側送信部と、
　を有し、
　前記サンプル特徴量生成部は、前記受信部で信号を受信した場合、前記学習パラメータを用いて前記電波特徴量から前記サンプル特徴量を生成する、
　送信装置照合システム。

（付記１８）
　送信装置から無線送信された信号を受信する受信部を備えた送信装置照合装置における送信装置照合方法であって、
　前記受信部で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合ステップと、
　前記照合ステップでの照合に失敗したサンプル特徴量からテンプレート特徴量を生成する登録ステップと、
　を備える、送信装置照合方法。

（付記１９）
　送信装置から無線送信された信号を受信する受信部を備えたコンピュータに、
　前記受信部で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合ステップと、
　前記照合ステップでの照合に失敗したサンプル特徴量からテンプレート特徴量を生成する登録ステップと、
　を実行させるためのプログラムが格納された非一時的なコンピュータ可読媒体。

　なお、本開示は上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。また、本開示は、それぞれの実施形態を適宜組み合わせて実施されてもよい。

　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記によって限定されるものではない。本願発明の構成や詳細には、発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

　１、１０、３０　　　　　送信装置照合装置
　１ａ、１０１、１１１　　受信部
　１ｂ、１３０、１３０ａ　照合部
　１ｃ、１４０　　　　　　テンプレート特徴量登録部
　１０２、１３２　　　　　サンプル特徴量生成部、
　１０３、１３３　　　　　閾値決定部
　１０４、１３４　　　　　第１の類似度算出部
　１０５、１３５　　　　　テンプレート特徴量記憶部
　１０６、１４６　　　　　サンプル特徴量一時保持部
　１０７、１４７　　　　　第２の類似度算出部
　１０８、１４８　　　　　テンプレート特徴量生成部
　１１２　　　　　　　　　電波特徴量生成部
　１３０、１３０ａ　　　　照合部
　１３１、１３１ｃ　　　　学習部
　１３１ａ　　　　　　　　学習装置
　１３１ｂ　　　　　　　　通信部
　１３６　　　　　　　　　出力部
　９００ａ、９００ｂ　　　送信端末
　１０００　　　　　　　　装置
　１００１　　　　　　　　プロセッサ
　１００２　　　　　　　　メモリ
　１００３　　　　　　　　入出力インターフェイス
　１００４　　　　　　　　無線通信回路
　Ａ１　　　　　　　　　　対象領域

Claims (10)

1. 　送信装置から無線送信された信号を受信する受信手段と
   　前記受信手段で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合手段と、
   　前記照合手段での照合に失敗したサンプル特徴量からテンプレート特徴量を生成するテンプレート特徴量登録手段と、
   　を備える、送信装置照合装置。
2. 　前記受信手段で受信した信号から電波特徴量を生成する電波特徴量生成手段をさらに備え、
   　前記照合手段は、前記電波特徴量から前記電波特徴量より低次元の特徴量として前記サンプル特徴量を抽出することで、前記サンプル特徴量を生成するサンプル特徴量生成手段を有する、
   　請求項１に記載の送信装置照合装置。
3. 　前記照合手段は、前記電波特徴量から前記サンプル特徴量を抽出するための学習モデルを生成する学習手段を有し、
   　前記サンプル特徴量生成手段は、前記受信手段で信号を受信した場合、前記学習モデルを用いて前記電波特徴量から前記サンプル特徴量を生成する、
   　請求項２に記載の送信装置照合装置。
4. 　前記照合手段は、第１の所定の目標誤り率に基づき前記照合閾値を決定する照合閾値決定手段を有する、
   　請求項２又は３に記載の送信装置照合装置。
5. 　前記テンプレート特徴量登録手段は、
   　　前記照合手段での照合に失敗したサンプル特徴量を一時的に保持する一時保持手段と、
   　　前記一時保持手段で保持されたサンプル特徴量からテンプレート特徴量を生成するテンプレート特徴量生成手段と、
   　を有する、
   　請求項１～４のいずれか１項に記載の送信装置照合装置。
6. 　前記テンプレート特徴量登録手段は、
   　　所定期間ごとに、前記一時保持手段に保持されたサンプル特徴量同士の類似度を計算し、類似度が登録閾値以上のものをグループ化する類似度算出手段を有し、
   　前記テンプレート特徴量生成手段は、
   　　前記類似度算出手段でグループ化されたグループごとに、前記グループに含まれる複数のサンプル特徴量からテンプレート特徴量を生成する、
   　請求項５に記載の送信装置照合装置。
7. 　前記テンプレート特徴量登録手段は、第２の所定の目標誤り率に基づき前記登録閾値を決定する登録閾値決定手段を有する、
   　請求項６に記載の送信装置照合装置。
8. 　請求項２に記載の送信装置照合装置と、
   　学習装置と、
   　を備え、
   　前記学習装置は、
   　前記送信装置照合装置から前記電波特徴量を受信する学習装置側受信手段と、
   　前記電波特徴量から、前記サンプル特徴量を抽出するための学習モデルを生成する学習手段と、
   　前記学習手段で生成された前記学習モデルを表現する学習パラメータを前記送信装置照合装置に送信する学習装置側送信手段と、
   　を有し、
   　前記サンプル特徴量生成手段は、前記受信手段で信号を受信した場合、前記学習パラメータを用いて前記電波特徴量から前記サンプル特徴量を生成する、
   　送信装置照合システム。
9. 　送信装置から無線送信された信号を受信する受信手段を備えた送信装置照合装置における送信装置照合方法であって、
   　前記受信手段で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合ステップと、
   　前記照合ステップでの照合に失敗したサンプル特徴量からテンプレート特徴量を生成する登録ステップと、
   　を備える、送信装置照合方法。
10. 　送信装置から無線送信された信号を受信する受信手段を備えたコンピュータに、
    　前記受信手段で受信した受信信号から生成したサンプル特徴量と予め登録されたテンプレート特徴量との類似度を計算し、前記類似度を照合閾値と比較することで、前記送信装置を照合する照合ステップと、
    　前記照合ステップでの照合に失敗したサンプル特徴量からテンプレート特徴量を生成する登録ステップと、
    　を実行させるためのプログラムが格納された非一時的なコンピュータ可読媒体。

Images