カテゴリー判定装置
【課題】 現実に測定されたティーチングデータ数が自己組織化特徴マップを生成するのに必要なデータ数に満たない場合であっても、信頼性のある自己組織化特徴マップを生成することが可能なカテゴリー判定装置を提供することを目的とする。
【解決手段】 打音検査装置１０は集音マイク２１、特徴マップ生成部３３、演算部３７、良否判定部３５、補完データ生成部３４を主体として構成される。特徴マップ生成部３３においてはティーチングデータに基づいて自己組織化特徴マップＦが生成されるが、ティーチングデータが自己組織特徴マップＦを生成する必要数に足りていない場合には、補完データ生成部３４がティーチングデータに基づいて擬似データを生成し、ティーチングデータの不足分を補うようになっている。従って、現実に測定されたティーチングデータ数が必要数に満たない場合であっても、信頼性のある自己組織化特徴マップＦを生成することが出来る。
【解決手段】 打音検査装置１０は集音マイク２１、特徴マップ生成部３３、演算部３７、良否判定部３５、補完データ生成部３４を主体として構成される。特徴マップ生成部３３においてはティーチングデータに基づいて自己組織化特徴マップＦが生成されるが、ティーチングデータが自己組織特徴マップＦを生成する必要数に足りていない場合には、補完データ生成部３４がティーチングデータに基づいて擬似データを生成し、ティーチングデータの不足分を補うようになっている。従って、現実に測定されたティーチングデータ数が必要数に満たない場合であっても、信頼性のある自己組織化特徴マップＦを生成することが出来る。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、自己組織化特徴マップを用いたカテゴリー判定装置に関する。
【背景技術】
【０００２】
近年では、さまざまな分野においてセンシング技術が実用化されている（特許文献１）。
このものは圧力センサを用いてドアの開閉の判定を行うものである。判定装置には学習モードと判定モードが設定されており、学習モードにおいて閉状態における圧力データ（ティーチングデータ）を取得する。そして、ティーチングデータに基づいて自己組織化特徴マップを生成し、生成された自己組織化特徴マップと判定モードにおいて検出された圧力データに基づいてドアが閉じられた状態であるか、或いはドアが開けられた状態にあるのかを判定する。
【特許文献１】特開２０００−２６６５７０公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
しかし、上記構成では自己組織化特徴マップを生成するのに相当数のティーチングデータを必要とするため、仮に、ティーチングデータが不足した状況であると、信頼のある自己組織化特徴マップを生成することが出来ない。
本発明は上記のような事情に基づいて完成されたものであって、現実に測定されたティーチングデータ数が自己組織化特徴マップを生成するのに必要なデータ数に満たない場合であっても、信頼性のある自己組織化特徴マップを生成することが可能なカテゴリー判定装置を提供することを目的とする。
【課題を解決するための手段】
【０００４】
上記の目的を達成するための手段として、請求項１の発明は、学習モードで既にカテゴリーが知られた基準となる被測定対象物からの情報を取得して自己組織化特徴マップを生成した後に、検査モードで検査対象となる被測定対象物からの情報を取得し、得られた検査対象の情報と前記自己組織化特徴マップとに基づいて検査対象たる被測定対象物のカテゴリーを判定するものであり、前記自己組織化特徴マップの生成に際して前記基準となる被測定対象物からの情報を所定数必要とするカテゴリー判別装置であって、前記被測定対象物からの情報に基づく信号を出力する測定手段と、前記基準となる被測定対象物からの情報に基づく前記測定手段からの信号をティーチングデータとして取り込んで前記自己組織化特徴マップを生成する特徴マップ生成手段と、前記被測定対象物からの情報に基づく信号と前記自己組織化特徴マップとに基づいて前記被測定対象物のカテゴリーを判定するカテゴリ判定部と、前記ティーチングデータが前記自己組織化特徴マップを生成するのに必要なデータ数に満たない場合に前記ティーチングデータに構成値の大きさが似た擬似データを生成する補完データ生成手段とを備えてなるとともに、前記特徴マップ生成手段は前記ティーチングデータの不足分を前記擬似データによって補って前記自己組織化特徴マップを生成するよう構成されているところに特徴を有する。
【０００５】
請求項２の発明は、請求項１に記載のものにおいて、前記補完データ生成手段は前記ティーチングデータの構成値を基準とし、この基準とされた値をティーチングデータの不足量に応じて増減させて擬似データの構成値とするところに特徴を有する。
【０００６】
請求項３の発明は、請求項１に記載のものにおいて、前記ティーチングデータの構成値の分布範囲を算出する分布範囲算出手段を備え、前記補完データ生成手段は前記分布範囲を基に、これを前記ティーチングデータの不足分に応じて拡張させ、その拡張された範囲内において前記擬似データの構成値を決定するところに特徴を有する。
【０００７】
請求項４の発明は、請求項１に記載のものにおいて、複数のカテゴリーのティーチングデータをそれぞれ取り込んで前記自己組織化特徴マップに複数のカテゴリーを組織化させるものにおいて、各カテゴリーのティーチングデータの構成値の分布範囲を各カテゴリー毎にそれぞれ算出する分布範囲算出手段を備え、前記補完データ生成手段は補完すべきカテゴリーのティーチングデータの構成値を決定するに際し、補完すべきカテゴリーのティーチングデータの構成値の分布範囲と他のカテゴリーのティーチングデータの構成値の分布範囲とに重複した範囲がある場合には、補完すべきカテゴリーのティーチングデータの分布範囲内で擬似データの構成値を決定し、前記分布範囲に重複した範囲がない場合には、前記補完すべきカテゴリーのティーチングデータの構成値の分布範囲を基準として、これを他のカテゴリーのティーチングデータの構成値に重ならない範囲内で拡張させ、その拡張された範囲内において構成値を決定するところに特徴を有する。
【０００８】
請求項５の発明は、請求項１ないし請求項４に記載のものにおいて、前記補完データ生成手段は前記補完データを前記ティーチングデータの不足分だけ生成するところに特徴を有する。
【０００９】
請求項６の発明は、請求項１ないし請求項５に記載のものにおいて、前記検査モードにおいて、
前記特徴マップ生成手段は前記カテゴリ判定部が前記判定に用いた検査対象の情報を前記擬似データに置き換え、置き換えた検査対象の情報に基づいて前記学習モードで生成された自己組織化特徴マップを更新するよう構成されているところに特徴を有する。
【００１０】
請求項７の発明は、請求項６に記載のものにおいて、前記特徴マップ生成手段は前記擬似データの置き換えに際して、前記検査対象の情報の構成値に最も構成値が類似する擬似データを置き換えの対象とするところに特徴を有する。
【発明の効果】
【００１１】
＜請求項１の発明＞
請求項１の発明によれば、ティーチングデータが必要なデータ数に足りていない場合であっても、不足分が擬似データによって補われるから自己組織化特徴マップを生成することが出来る。また、擬似データはティーチングデータを基準として決定されるから、データを無作為に生成する場合に比べて、ティーチングデータに近い擬似データが得られ判定の信頼性も高まる。
【００１２】
＜請求項２の発明＞
請求項２の発明によれば、擬似データはティーチングデータの構成値を基準とし、これをデータの不足分に応じて増減させて決定されるから、擬似データの構成値の大きさを無作為に決定する場合に比べて、信頼性の高い擬似データが得られる。
【００１３】
＜請求項３の発明＞
請求項３の発明によれば、補完される擬似データの構成値は、データの不足分に応じた所定の範囲内で決定されるから、擬似データ（構成値の大きさ）を無作為に決定する場合に比べて、信頼性の高い擬似データが得られる。
【００１４】
＜請求項４の発明＞
請求項４の発明によれば、補完される擬似データの構成値は、他のカテゴリの構成値の分布範囲と重ならない範囲内で決定されるから、これら擬似データ（構成値の大きさ）を無作為に決定する場合に比べて、信頼性の高い擬似データが得られる。
【００１５】
＜請求項５の発明＞
請求項５の発明によれば、擬似データは学習回数の不足数だけ生成される。このような構成であれば、余分な擬似データが生成されることがなく、処理時間の短縮が図られる。
【００１６】
＜請求項６の発明＞
請求項６の発明によれば、ティーチングデータが不足している場合には被測定対象物からの情報に基づく信号を取り込んで自己組織化特徴マップが更新されてゆくから、更新完了後には現実に測定手段によって測定された信号が必要数、自己組織化特徴マップに取り込まれることとなり、信頼性の高い自己組織化特徴マップが得られる。
【００１７】
＜請求項７の発明＞
請求項７の発明によれば、自己組織化特徴マップの更新は、擬似データに類似する構成値を有する信号に基づいて行われる。このような更新の仕方であれば、既存の組織化の様子が大きく変更されることがない。
【発明を実施するための最良の形態】
【００１８】
＜実施形態１＞
本発明の実施形態１を図１ないし図１１によって説明する。
本実施形態はカテゴリー判定装置をプラント配管（本発明の被測定対象物に相当する）Ｔの劣化を検出するための打音検査装置（非破壊検査）に適用したものである（図１参照）。まず、打音検査装置１０の測定原理についておおまかに説明すると、劣化のない健全な状態のプラント配管（本発明の基準となる被測定対象物に相当）Ｔａ並び、劣化が進んだ状態のプラント配管（本発明の基準となる被測定対象物に相当）Ｔｂをそれぞれ複数個用意しておく。そして、これらをハンマーで打ち、そのときの打音をそれぞれ集音マイク（本発明の測定手段に相当する）２１で測定する。
【００１９】
集音マイク２１からは打音に応じた電気信号が出力され、これがティーチングデータとしてデータ処理部３０内に相当数取り込まれる。データ処理部３０内においては取り込まれたティーチングデータに基づいて、類似する特徴を構成値として持つデータ群が良品、劣化品の別に組織化された自己組織特徴化マップＦが生成される（図６、学習モード）。
【００２０】
そして、自己組織化特徴マップＦが生成された後に検査の対象となるプラント配管Ｔ（劣化の有無が知れていないもの）の打音を集音マイク２１によって測定し、得られた検査対象の電気信号と、自己組織化特徴マップＦとによって、検査対象たるプラント配管Ｔの劣化の有無の判定を行うものである（検査モード）。尚、プラント配管Ｔから得られる打音が、本発明における被測定対象物からの情報に相当するものである。
【００２１】
図２は打音検査装置１０の全体構成を示すブロック図であって、前記集音マイク２１と、集音マイク２１から出力されたアナログ信号をディジタル信号に変換するＡ／Ｄ変換器２３、変換されたディジタル信号が入力されるデータ処理部３０を主体として構成される。データ処理部３０は入力信号をベクトルデータに変換する信号変換部３１、データが記憶されるメモリ３２、自己組織化特徴マップＦを生成するための特徴マップ生成部（本発明の特徴マップ生成手段に相当する）３３、検査対象となるプラント配管Ｔの劣化の有無の判定を行う良否判定部（本発明のカテゴリ判定手段に相当する）３５、補完データ生成部（本発明の補完データ生成手段に相当する）３４、演算部３７並びにカウンタから構成される。尚、カウンタは良品用のカウンタ３９ａ、劣化品用のカウンタ３９ｂの二つのカウンタから構成されている。また、演算部３７が本発明の分布範囲算出手段に相当するものである。
【００２２】
次に、データ処理部３０内における具体的な処理内容について説明する。
集音マイク２１からの電気信号はＡ／Ｄ変換器２３によってディジタル化された後に、信号変換部３１に入力される。信号変換部３１では入力された電気信号の特徴抽出を行う。本実施形態では、特徴として信号の実行値、最大値、最小値、平均等（ｎ個の特徴）を抽出し、これら抽出された各値を構成値とするｎ次元のベクトルデータ（以下、単に入力ベクトルとする）を生成する。これにより、音声信号はベクトルに変換される。尚、構成値とは入力ベクトルがＸ＝（ｘ１，ｘ２，，ｘｉ，，ｘｎ）であれば、ｘ１，ｘ２，，ｘｎ等である。
【００２３】
この入力ベクトルＸはメモリ３２内に書き込まれる。そして、学習モードにおいては特徴マップ生成部３３によって書き込まれた入力ベクトルＸの読み出しが行われ、検査モードにおいては良否判定部３５によって入力ベクトルＸの読み出しが行われる。
【００２４】
特徴マップ生成部３３は複数のニューロンＷ（本実施形態ではＭ個）が割付られたマップ層と、入力ベクトルＸがセットされる入力層とから構成される（図３参照）。マップ層の各ニューロンにはそれぞれ入力ベクトルＸと同じくｎ次元の重みベクトルＷが付与されており、この値を更新することで自己組織化特徴マップＦが形成されるようになっている。
【００２５】
図４を参照して、自己組織化特徴マップの生成手順（学習モード）について説明する。ステップ１においては、各ニューロンの重みベクトルＷの初期化を行う。具体的には、演算部３７において、乱数により重みベクトルＷの各構成値を決定する。
【００２６】
ステップ３においては、入力層に入力ベクトルＸ（ここでは、ティーチングデータをベクトル変換したもの）を与える。そして、入力ベクトルＸが入力層にセットされると、特徴マップ生成部３３に付設されるカウンタのうち対応するカウンタ（良品のティーチングデータであれば良品用のカウンタ３９ａ、劣化品のティーチングデータであれば劣化品用のカウンタ３９ｂ）のカウント値が１づつ更新され、これにより、良品の学習回数並びに、劣化品の学習回数がそれぞれカウントされるようになっている。
【００２７】
ステップ５においては、演算部３７でセットされた入力ベクトルＸと各ニューロンＷとの距離ｄを、次の（１）式から（３）式に基づいてそれぞれ算出する。そして、算出された距離ｄがもっと小さい、すなわち入力ベクトルＸと最も類似した重みベクトルＷｊ*を持ったニューロンが勝者ニューロンとして抽出される。
【００２８】
Ｘ＝（ｘ１，ｘ２，ｘ３，，，ｘｉ，，，ｘｎ）・・・・・・（１）式
Ｗｊｉ＝（ｗｊ１，ｗｊ２，ｗｊ３，，ｗｊｉ，，ｗｊｎ）・（２）式
【数１】
【００２９】
尚、上記式はマップ層におけるｊ番目のニューロンと、入力ベクトルＸとの距離を算出したものである。
【００３０】
ステップ７においては、勝者ニューロン並びにその近傍のニューロンの重みベクトルが、次の（４）から（６）式によって更新される。また、このときに、入力ベクトルＸが劣化のない良品のデータであるときには更新された各ニューロンには良品であるという情報が付与され、入力ベクトルＸが劣化品であるときには更新された各ニューロンには良品であるという情報が付与される。
【００３１】
Ｗ’＝Ｗｊｉ＋ΔＷｊｉ・・・・・・・・・・・・・（４）式
ΔＷｊｉ＝ηｈ（ｊ，ｊ*）（ｘｉ−ｗｊｉ）・・・・・・（５）式
尚、ここで、Ｗ’は更新後のニューロンの重みベクトル、Ｗｊｉは更新前のニューロンの重みベクトルである。また、ηは学習係数であって学習回数が多くなるにつれて小さくなってゆく正の定数である。
【００３２】
【数２】
尚、ここで、│ｊ−ｊ*│はｊ番目のニューロンと勝者ニューロンとの距離（ユークリッド距離）である。
【００３３】
そして、ステップ３からステップ７の処理を繰り返し行うことで学習、すなわちマップ層を構成する各ニューロンに良否の情報が付与されるとともに、重みベクトルＷの更新が繰り返し行われる。
【００３４】
また、近傍関数半径σは学習の進行とともに小さくなるから、図５に示すように学習の初期においては多くのニューロンが勝ちニューロンの近くであるとみさなされて学習の対象（重みベクトルの更新の対象）とされるが、学習の進行とともに勝ちニューロンの近くであるとみされるニューロン数が減少する。このような学習手順を踏むことで、学習の初期には広範囲に亘って大まかな学習を行い、学習が進むにつれて狭い範囲に細かな学習をすることとしている。
【００３５】
かくして、マップ層には良品の情報を持ったニューロンのグループ（図６におけるハッチングされていない側）と、劣化品の情報をもったニューロンのグループ（図６におけるハッチングされた側）とに組織化、すなわち自己組織化特徴マップＦが生成される。
【００３６】
また、自己組織化特徴マップＦを構成する各ニューロンＷの構成値は、先に述べたように初期状態においては乱数により付与されるから、信頼性の高いマップを形成するには相当数（本実施形態では必要数をＺ回としている）の学習を行う必要がある。
【００３７】
そこで、ステップ９において良品用のカウンタ３９ａのカウント値、並びに劣化品用のカウンタ３９ｂのカウント値がそれそれＺ回に達しているか、否かの判定をそれぞれ行う。その結果、良品・劣化品の双方のカウント値がいずれもＺ回に達している場合には学習が十分に行われたとして学習を完了させ、後述する検査モードに移行する。一方、いずれか一方でもカウント値がＺ回に達していない場合には、ステップ１０へ移行し、補完処理を行う（図７参照）。尚、当然のことではあるが、学習回数の判定はティーチングが繰り返し行われているときにはなされず、全ての入力ベクトルＸ（ティーチングデータ）の取り込みが完了した後にのみ行われる。
【００３８】
ステップ１０に移行すると補完データ生成部３４において、学習回数の不足分だけ擬似データが生成される。以下、劣化品の学習回数が不足している場合を例にとって、擬似データの生成方法を図８ないし図１０を参照して具体的に説明する。擬似データを生成するにあたって、まず、演算部３７によって入力ベクトルＸの各次元における構成値の平均値並びに偏差を以下の要領で、良品、劣化品についてそれぞれ個別に算出する（図８におけるＳＴＥＰ１０−１）。
【００３９】
Ａ１＝（ａ11，ａ12，ａ13，，，，ａ1ｎ）・・・・・（７）式
Ａ２＝（ａ21，ａ22，ａ23，，，，ａ2ｎ）・・・・・（８）式
Ａｋ＝（ａk1，ａk2，ａk3，，，，ａkｎ）・・・・・（９）式
Ｂ１＝（ｂ11，ｂ12，ｂ13，，，，ｂ1ｎ）・・・・・（１０）式
Ｂ２＝（ｂ21，ｂ22，ｂ23，，，，ｂ2ｎ）・・・・・（１１）式
Ｂｋ＝（ｂk1，ｂk2，ｂk3，，，，ｂkｎ）・・・・・（１２）式
尚、Ａ１からＡｋは良品の入力ベクトルであり、Ｂ１からＢｋは劣化品の入力ベクトルである。
【００４０】
＜一次元の構成値＞
Ａ１av＝（ａ11＋ａ21＋・・＋ａk1）/ｋ・・・・・・・（１３）式
Ｂ１av＝（ｂ11＋ｂ21＋・・＋ｂk1）/ｋ・・・・・・・（１４）式
【数４】
【数５】
【００４１】
＜二次元の構成値＞
Ａ２av＝（ａ12＋ａ22＋・・＋ａk2）/ｋ・・・・・・・（１７）
Ｂ２av＝（ｂ12＋ｂ22＋・・＋ｂk2）/ｋ・・・・・・・（１８）
【数６】
【数７】
【００４２】
その後、演算部３７で各次元の構成値の正規分布を良品Ａ、劣化品Ｂごとにそれぞれ算出し（図９参照）、得られた正規分布に重複範囲があるか、否かの判定を行う。正規分布の重複の判断基準は３σを基準としており、それぞれの平均Ａａｖ、Ｂａｖから３σの範囲に重複領域がなければ、重複なしとする。図９の（Ａ）のような場合であれば「重複」と判定され、図９の（Ｂ）に示すような場合であれば「重複なし」と判定される（図８のＳＴＥＰ１０−２、３）。
【００４３】
続いて、擬似データ（劣化品の擬似データ）の構成値を各次元ごとにそれぞれ決定する。本実施形態では、構成値は乱数によって決定されるが、乱数の抽出範囲が先に判定した重複の可否によって異なっている。
【００４４】
まず、正規分布の範囲が重複していた場合には、その次元における劣化品の正規分布の範囲内、すなわち一次元の構成値であれば、Ｂ１av±３σb1を乱数の抽出範囲とし、同範囲内から構成値をランダムに取得する（図８のＳＴＥＰ１０−４）。
【００４５】
一方、正規分布の範囲が重複していなかった場合には、その次元における劣化品の正規分布に基づいて、この範囲を良品の正規分布に重ならないように拡張する。すなわち、図１０に示す場合（二次元の構成値を例にとって説明する）であれば、乱数抽出範囲はＢ2av±ωとされ、同範囲内から構成値をランダムに取得する（図８のＳＴＥＰ１０−５、６）。ここで、ω＝｛（Ａ２av＋３σa2）＋（Ｂ２av−３σb2）｝/２であり、これをｋ次元の一般式で表すと次のようになる。
【００４６】
ω＝｛（Ａｋav＋３σa2）＋（Ｂｋav−３σb2）｝/２・・・・（２１）式
ω＝｛（Ｂｋav＋３σb2）＋（Ａｋav−３σa2）｝/２・・・・（２２）式
尚、（２１）式はＡｋavよりＢｋavの値が大きい場合であり、（２２）式はＡｋavよりＢ２avの値が小さい場合である。
【００４７】
かくして、擬似データの各次元の構成値が決定される。そして、データの不足分だけ擬似データが生成されると、その後、ステップ１３に移行する（図７参照）。
【００４８】
ステップ１３では、ステップ１０で生成された擬似データをティーチングデータとして入力層にセットする。そして、ステップ１５ではステップ５の処理と同様に勝者ニューロンが決定され、ステップ１７ではステップ７と同様に勝者ニューロン並びにその近傍のニューロンに対して、良否情報の付与を行うとともに重みベクトルＷの更新が行われる。こうした、擬似データに基づく学習を学習回数の不足分だけ行い、学習が完了する。
【００４９】
次に、検査モードにおける処理について、図１１を参照して説明する。
ステップ２１では、まず良否判定部３５によってメモリ３２から、検査対象の入力ベクトルＸが読み出され、その後、ステップ２３へ移行する。
【００５０】
ステップ２３では、演算部３７が検査対象の入力ベクトルＸと学習済みの各ニューロンの重みベクトルＷとの距離ｄを先に説明した（１）から（３）式に基づいてそれぞれ算出する。そして、各ニューロンに対する距離ｄが全て算出されると、ステップ２５へ移行する。
【００５１】
ステップ２５では、良否判定部３５によって勝者ニューロンが決定される。具体的には、ステップ２３で算出された距離ｄの大小を比較して距離ｄが最も小さかった、すなわち検査対象の入力ベクトルＸと最も距離ｄが近い重みベクトルＷｊ*を有するニューロンを勝ちニューロンとする。
ここで、距離ｄが最小であるということは、検査対象の入力ベクトルＸは勝ちニューロンに構成値、すなわち最大値、最小値、平均値等の特徴が似通ったデータであることを意味しており、検査対象の入力ベクトルＸの属性（良品、劣化品のいずれに属するか）が抽出された勝ちニューロンの属性と同じと考えることが出来る。
【００５２】
ステップ２７では、ステップ２５で抽出された勝ちニューロンの属性を、検査結果として出力する。すなわち、抽出された勝ちニューロンの属性が良品であれば「検査対象は良品である」とする検査結果を出力し、勝ちニューロンの属性が劣化品であれば「検査対象は劣化品である」とする検査結果を出力する。
【００５３】
このように、本実施形態によれば、打音検査装置１０には補完データ生成部３４が設けられ、そこではティーチングデータを基に擬似データが生成されるようになっている。そのため、ティーチングデータが必要なデータ数に足りていない場合であっても、不足分が擬似データによって補われるからマップ層上のニューロンに対して十分な学習を行うことが出来、これにより、生成される自己組織化特徴マップＦは信頼性の高いものとなる。また、擬似データはティーチングデータを基準として決定されるからデータを無作為に生成する場合に比べて、ティーチングデータに近い擬似データが得られ、より信頼性が高まる。
【００５４】
加えて、擬似データは学習回数の不足数だけ生成される。このような構成であれば、余分な擬似データが生成されることがなく、処理時間の短縮が図られる。
【００５５】
＜実施形態２＞
実施形態１においては学習、すなわち各ニューロンの重みベクトルＷの更新を、学習モード中（補完処理を含む）中にのみ行ったが、本実施形態では擬似データを用いて自己組織化特徴マップＦを生成した場合には、検査モード中においても学習を行うこととしている（次に、説明するステップ３９の追加）。また、実施形態２のものにおいては、入力層はメモリ機能を備え、学習モード中に入力層に取り込まれたティーチングデータ（擬似データを含む）が記憶されるようになっている。
【００５６】
図１２は、実施形態２における検査モードの処理手順を示すフローチャート図である。同図に示すように、ステップ３１では、実施形態１におけるステップ２１と同様に検査対象の入力ベクトルＸを読み出す。その後、ステップ３３へ移行する。ここでは、ステップ２３と同様に各ニューロンの重みベクトルＷと検査対象の入力ベクトルＸとの距離ｄが算出され、各ニューロンに対する距離の算出が完了すると、ステップ３５へ移行し、そこでステップ２５の処理と同様の手順で勝者ニューロンが決定される。
【００５７】
その後、ステップ３７で、勝者ニューロンのカテゴリーに基づいて検査結果が出力され、ステップ３９へ移行する。
【００５８】
ステップ３９では検査対象の入力ベクトル（検査対象の情報に相当する）Ｘと擬似データの置き換えを行う。置き換えの対象となる擬似データは、検査対象の入力ベクトルＸの構成値に最も似通った構成値を有する擬似データであり、これを抽出するには、検査対象の入力ベクトルＸと全擬似データとの距離を算出してやればよい（最小距離の擬似データが置き換えの対象となる）。その後、特徴マップ生成部３３は既に自己組織化がされたマップ層上のニューロンの重みベクトルを全て初期化し、更新された置き換え後の入力層のデータに基づいて改めて始めから自己組織化を行う。
【００５９】
このように、擬似データを使用して自己組織化特徴マップＦが生成されたときには、検査対象の入力ベクトルＸを取り込んで自己組織化特徴マップＦが更新されてゆくから、更新完了後には現実に集音マイク２１によって測定されたデータが必要数、自己組織化特徴マップＦに取り込まれることとなり、信頼性の高い自己組織化特徴マップＦが得られる。
また、置き換えの対象には検査対象の入力ベクトルと構成値の似た擬似データが抽出されるから、既存の判断基準（マップ上の組織化の様子）が大きく変更されることがない。
【００６０】
尚、検査対象の入力ベクトルＸが入力される度に自己組織化特徴マップＦを更新すると、際限なく自己組織化特徴マップＦの更新が行われてしまうが、マップＦに対して必要数のデータが取り込まれた後には、ステップ３９の処理をスキップするような制御を行えば、それ以上に自己組織化特徴マップＦが更新されることを防止できる。その他の構成については実施形態１と同様であるため、重複した説明については割愛するものとする。
【００６１】
＜実施形態３＞
実施形態２においては自己組織化特徴マップＦの更新（検査モード中の学習）を、検査対象の入力ベクトルが入力される度に行ったが、実施形態３では一定期間、検査対象の入力データＸをメモリ３２にストックしておき、ある程度のデータがストックされたところで一括してデータの置き換えを行い、これに基づいて自己組織化特徴マップを更新することとしている。
【００６２】
＜実施形態４＞
実施形態１においては、擬似データを生成するにあたって、まず、ティーチングデータの構成値の正規分布を良品、劣化品ごとにそれぞれ算出し、その後、得られた正規分布同士に重複があるか、否かに基づいて所定の範囲を定め、その範囲内において乱数により構成値（擬似データの構成値）を決定したが、実施形態４では擬似データの構成値を実施形態１と異なる方法で決定している。
実施形態４では、まずティーチングデータの中からランダムにデータを抽出して、その構成値にティーチングデータの不足分に応じた比率を乗じる。具体的には、ティーチングデータが必要数に対して１０％不足している場合には、抽出された構成値に対して０．９或いは、１．１を乗ずる。その他の構成については、実施形態１と同様である。
【００６３】
＜実施形態５＞
実施形態１においては擬似データを生成するにあたって、まず、ティーチングデータの構成値の正規分布を良品、劣化品ごとにそれぞれ算出し、その後、得られた正規分布同士に重複があるか、否かに基づいて所定の範囲を定め、その範囲内において乱数により構成値（擬似データの構成値）を決定したが、実施形態５では擬似データの構成値を実施形態１とは異なる方法で決定している。
実施形態５では、実施形態１と同様にティーチングデータの構成値の正規分布を良品、劣化品ごとにそれぞれ算出し、その後、この範囲をティーチングデータの不足分に応じた比率を乗じて拡大させる。例えば、ティーチングデータが必要数に対して２０％不足している場合には実施形態１で算出した偏差σb1にたいして１．２倍して範囲をＢ１av±３．６σb1に拡張し、この拡張された範囲内において乱数によりランダムに数値を取得することで、擬似データの一次元の構成値を決定する。
【００６４】
＜他の実施形態＞
本発明は上記記述及び図面によって説明した実施形態に限定されるものではなく、例えば次のような実施形態も本発明の技術的範囲に含まれ、さらに、下記以外にも要旨を逸脱しない範囲内で種々変更して実施することができる。
【００６５】
（１）本実施形態では、自己組織化特徴マップＦに良品のグループと、劣化品のグループの二つのグループを組織化したが、組織化は二つのグループに限らず３つ、あるいはそれ以上であってもよい。
【００６６】
（２）本実施形態では、カテゴリー判定装置を打音検査装置に適用したが、用途はこれに限られるものではなく、この他にもモータの振動音から同モータの回転軸の軸ずれを検出する等に使用することも出来る。
【００６７】
（３）本実施形態では、自己組織化特徴マップＦに良品のグループと、劣化品のグループの二つのグループを組織化したが、組織化は１つのグループであってよく、この場合のカテゴリーの判定は、まず入力ベクトルとマップ層上の各ニューロンの重みベクトルとの距離を算出する。その後に算出された距離の中から最小距離を抽出し、更に、これを所定の閾値と比較する。その結果、最小距離が閾値より小さければ検査対象はマップ層上に組織化されたカテゴリーと同一であると判断でき、最小値が閾値より大きければ、検査対象はマップ層上のカテゴリーとは異なるものであると判定することが出来る。
【図面の簡単な説明】
【００６８】
【図１】実施形態１における、検査対象から音声を計測する様子を示す図
【図２】打音検査装置の全体構成を示すブロック図である。
【図３】自己組織化特徴マップの構造を示す図
【図４】学習モードの処理手順を示すフローチャート図
【図５】学習過程を示す図
【図６】ニューロンが組織化された状態を示す図
【図７】補完データにより学習が行われる場合の処理手順を示すフローチャート図
【図８】擬似データの生成手順を示すフローチャート図
【図９】構成値の正規分布を示す図
【図１０】乱数の取り得る範囲を示す図
【図１１】検査モードの処理手順を示すフローチャート図
【図１２】実施形態２における、検査モードの処理手順を示すフローチャート図
【符号の説明】
【００６９】
１０…打音検査装置
２１…集音マイク
３３…特徴マップ生成部
３４…補完データ生成部
３５…良否判定部
３７…演算部
【技術分野】
【０００１】
本発明は、自己組織化特徴マップを用いたカテゴリー判定装置に関する。
【背景技術】
【０００２】
近年では、さまざまな分野においてセンシング技術が実用化されている（特許文献１）。
このものは圧力センサを用いてドアの開閉の判定を行うものである。判定装置には学習モードと判定モードが設定されており、学習モードにおいて閉状態における圧力データ（ティーチングデータ）を取得する。そして、ティーチングデータに基づいて自己組織化特徴マップを生成し、生成された自己組織化特徴マップと判定モードにおいて検出された圧力データに基づいてドアが閉じられた状態であるか、或いはドアが開けられた状態にあるのかを判定する。
【特許文献１】特開２０００−２６６５７０公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
しかし、上記構成では自己組織化特徴マップを生成するのに相当数のティーチングデータを必要とするため、仮に、ティーチングデータが不足した状況であると、信頼のある自己組織化特徴マップを生成することが出来ない。
本発明は上記のような事情に基づいて完成されたものであって、現実に測定されたティーチングデータ数が自己組織化特徴マップを生成するのに必要なデータ数に満たない場合であっても、信頼性のある自己組織化特徴マップを生成することが可能なカテゴリー判定装置を提供することを目的とする。
【課題を解決するための手段】
【０００４】
上記の目的を達成するための手段として、請求項１の発明は、学習モードで既にカテゴリーが知られた基準となる被測定対象物からの情報を取得して自己組織化特徴マップを生成した後に、検査モードで検査対象となる被測定対象物からの情報を取得し、得られた検査対象の情報と前記自己組織化特徴マップとに基づいて検査対象たる被測定対象物のカテゴリーを判定するものであり、前記自己組織化特徴マップの生成に際して前記基準となる被測定対象物からの情報を所定数必要とするカテゴリー判別装置であって、前記被測定対象物からの情報に基づく信号を出力する測定手段と、前記基準となる被測定対象物からの情報に基づく前記測定手段からの信号をティーチングデータとして取り込んで前記自己組織化特徴マップを生成する特徴マップ生成手段と、前記被測定対象物からの情報に基づく信号と前記自己組織化特徴マップとに基づいて前記被測定対象物のカテゴリーを判定するカテゴリ判定部と、前記ティーチングデータが前記自己組織化特徴マップを生成するのに必要なデータ数に満たない場合に前記ティーチングデータに構成値の大きさが似た擬似データを生成する補完データ生成手段とを備えてなるとともに、前記特徴マップ生成手段は前記ティーチングデータの不足分を前記擬似データによって補って前記自己組織化特徴マップを生成するよう構成されているところに特徴を有する。
【０００５】
請求項２の発明は、請求項１に記載のものにおいて、前記補完データ生成手段は前記ティーチングデータの構成値を基準とし、この基準とされた値をティーチングデータの不足量に応じて増減させて擬似データの構成値とするところに特徴を有する。
【０００６】
請求項３の発明は、請求項１に記載のものにおいて、前記ティーチングデータの構成値の分布範囲を算出する分布範囲算出手段を備え、前記補完データ生成手段は前記分布範囲を基に、これを前記ティーチングデータの不足分に応じて拡張させ、その拡張された範囲内において前記擬似データの構成値を決定するところに特徴を有する。
【０００７】
請求項４の発明は、請求項１に記載のものにおいて、複数のカテゴリーのティーチングデータをそれぞれ取り込んで前記自己組織化特徴マップに複数のカテゴリーを組織化させるものにおいて、各カテゴリーのティーチングデータの構成値の分布範囲を各カテゴリー毎にそれぞれ算出する分布範囲算出手段を備え、前記補完データ生成手段は補完すべきカテゴリーのティーチングデータの構成値を決定するに際し、補完すべきカテゴリーのティーチングデータの構成値の分布範囲と他のカテゴリーのティーチングデータの構成値の分布範囲とに重複した範囲がある場合には、補完すべきカテゴリーのティーチングデータの分布範囲内で擬似データの構成値を決定し、前記分布範囲に重複した範囲がない場合には、前記補完すべきカテゴリーのティーチングデータの構成値の分布範囲を基準として、これを他のカテゴリーのティーチングデータの構成値に重ならない範囲内で拡張させ、その拡張された範囲内において構成値を決定するところに特徴を有する。
【０００８】
請求項５の発明は、請求項１ないし請求項４に記載のものにおいて、前記補完データ生成手段は前記補完データを前記ティーチングデータの不足分だけ生成するところに特徴を有する。
【０００９】
請求項６の発明は、請求項１ないし請求項５に記載のものにおいて、前記検査モードにおいて、
前記特徴マップ生成手段は前記カテゴリ判定部が前記判定に用いた検査対象の情報を前記擬似データに置き換え、置き換えた検査対象の情報に基づいて前記学習モードで生成された自己組織化特徴マップを更新するよう構成されているところに特徴を有する。
【００１０】
請求項７の発明は、請求項６に記載のものにおいて、前記特徴マップ生成手段は前記擬似データの置き換えに際して、前記検査対象の情報の構成値に最も構成値が類似する擬似データを置き換えの対象とするところに特徴を有する。
【発明の効果】
【００１１】
＜請求項１の発明＞
請求項１の発明によれば、ティーチングデータが必要なデータ数に足りていない場合であっても、不足分が擬似データによって補われるから自己組織化特徴マップを生成することが出来る。また、擬似データはティーチングデータを基準として決定されるから、データを無作為に生成する場合に比べて、ティーチングデータに近い擬似データが得られ判定の信頼性も高まる。
【００１２】
＜請求項２の発明＞
請求項２の発明によれば、擬似データはティーチングデータの構成値を基準とし、これをデータの不足分に応じて増減させて決定されるから、擬似データの構成値の大きさを無作為に決定する場合に比べて、信頼性の高い擬似データが得られる。
【００１３】
＜請求項３の発明＞
請求項３の発明によれば、補完される擬似データの構成値は、データの不足分に応じた所定の範囲内で決定されるから、擬似データ（構成値の大きさ）を無作為に決定する場合に比べて、信頼性の高い擬似データが得られる。
【００１４】
＜請求項４の発明＞
請求項４の発明によれば、補完される擬似データの構成値は、他のカテゴリの構成値の分布範囲と重ならない範囲内で決定されるから、これら擬似データ（構成値の大きさ）を無作為に決定する場合に比べて、信頼性の高い擬似データが得られる。
【００１５】
＜請求項５の発明＞
請求項５の発明によれば、擬似データは学習回数の不足数だけ生成される。このような構成であれば、余分な擬似データが生成されることがなく、処理時間の短縮が図られる。
【００１６】
＜請求項６の発明＞
請求項６の発明によれば、ティーチングデータが不足している場合には被測定対象物からの情報に基づく信号を取り込んで自己組織化特徴マップが更新されてゆくから、更新完了後には現実に測定手段によって測定された信号が必要数、自己組織化特徴マップに取り込まれることとなり、信頼性の高い自己組織化特徴マップが得られる。
【００１７】
＜請求項７の発明＞
請求項７の発明によれば、自己組織化特徴マップの更新は、擬似データに類似する構成値を有する信号に基づいて行われる。このような更新の仕方であれば、既存の組織化の様子が大きく変更されることがない。
【発明を実施するための最良の形態】
【００１８】
＜実施形態１＞
本発明の実施形態１を図１ないし図１１によって説明する。
本実施形態はカテゴリー判定装置をプラント配管（本発明の被測定対象物に相当する）Ｔの劣化を検出するための打音検査装置（非破壊検査）に適用したものである（図１参照）。まず、打音検査装置１０の測定原理についておおまかに説明すると、劣化のない健全な状態のプラント配管（本発明の基準となる被測定対象物に相当）Ｔａ並び、劣化が進んだ状態のプラント配管（本発明の基準となる被測定対象物に相当）Ｔｂをそれぞれ複数個用意しておく。そして、これらをハンマーで打ち、そのときの打音をそれぞれ集音マイク（本発明の測定手段に相当する）２１で測定する。
【００１９】
集音マイク２１からは打音に応じた電気信号が出力され、これがティーチングデータとしてデータ処理部３０内に相当数取り込まれる。データ処理部３０内においては取り込まれたティーチングデータに基づいて、類似する特徴を構成値として持つデータ群が良品、劣化品の別に組織化された自己組織特徴化マップＦが生成される（図６、学習モード）。
【００２０】
そして、自己組織化特徴マップＦが生成された後に検査の対象となるプラント配管Ｔ（劣化の有無が知れていないもの）の打音を集音マイク２１によって測定し、得られた検査対象の電気信号と、自己組織化特徴マップＦとによって、検査対象たるプラント配管Ｔの劣化の有無の判定を行うものである（検査モード）。尚、プラント配管Ｔから得られる打音が、本発明における被測定対象物からの情報に相当するものである。
【００２１】
図２は打音検査装置１０の全体構成を示すブロック図であって、前記集音マイク２１と、集音マイク２１から出力されたアナログ信号をディジタル信号に変換するＡ／Ｄ変換器２３、変換されたディジタル信号が入力されるデータ処理部３０を主体として構成される。データ処理部３０は入力信号をベクトルデータに変換する信号変換部３１、データが記憶されるメモリ３２、自己組織化特徴マップＦを生成するための特徴マップ生成部（本発明の特徴マップ生成手段に相当する）３３、検査対象となるプラント配管Ｔの劣化の有無の判定を行う良否判定部（本発明のカテゴリ判定手段に相当する）３５、補完データ生成部（本発明の補完データ生成手段に相当する）３４、演算部３７並びにカウンタから構成される。尚、カウンタは良品用のカウンタ３９ａ、劣化品用のカウンタ３９ｂの二つのカウンタから構成されている。また、演算部３７が本発明の分布範囲算出手段に相当するものである。
【００２２】
次に、データ処理部３０内における具体的な処理内容について説明する。
集音マイク２１からの電気信号はＡ／Ｄ変換器２３によってディジタル化された後に、信号変換部３１に入力される。信号変換部３１では入力された電気信号の特徴抽出を行う。本実施形態では、特徴として信号の実行値、最大値、最小値、平均等（ｎ個の特徴）を抽出し、これら抽出された各値を構成値とするｎ次元のベクトルデータ（以下、単に入力ベクトルとする）を生成する。これにより、音声信号はベクトルに変換される。尚、構成値とは入力ベクトルがＸ＝（ｘ１，ｘ２，，ｘｉ，，ｘｎ）であれば、ｘ１，ｘ２，，ｘｎ等である。
【００２３】
この入力ベクトルＸはメモリ３２内に書き込まれる。そして、学習モードにおいては特徴マップ生成部３３によって書き込まれた入力ベクトルＸの読み出しが行われ、検査モードにおいては良否判定部３５によって入力ベクトルＸの読み出しが行われる。
【００２４】
特徴マップ生成部３３は複数のニューロンＷ（本実施形態ではＭ個）が割付られたマップ層と、入力ベクトルＸがセットされる入力層とから構成される（図３参照）。マップ層の各ニューロンにはそれぞれ入力ベクトルＸと同じくｎ次元の重みベクトルＷが付与されており、この値を更新することで自己組織化特徴マップＦが形成されるようになっている。
【００２５】
図４を参照して、自己組織化特徴マップの生成手順（学習モード）について説明する。ステップ１においては、各ニューロンの重みベクトルＷの初期化を行う。具体的には、演算部３７において、乱数により重みベクトルＷの各構成値を決定する。
【００２６】
ステップ３においては、入力層に入力ベクトルＸ（ここでは、ティーチングデータをベクトル変換したもの）を与える。そして、入力ベクトルＸが入力層にセットされると、特徴マップ生成部３３に付設されるカウンタのうち対応するカウンタ（良品のティーチングデータであれば良品用のカウンタ３９ａ、劣化品のティーチングデータであれば劣化品用のカウンタ３９ｂ）のカウント値が１づつ更新され、これにより、良品の学習回数並びに、劣化品の学習回数がそれぞれカウントされるようになっている。
【００２７】
ステップ５においては、演算部３７でセットされた入力ベクトルＸと各ニューロンＷとの距離ｄを、次の（１）式から（３）式に基づいてそれぞれ算出する。そして、算出された距離ｄがもっと小さい、すなわち入力ベクトルＸと最も類似した重みベクトルＷｊ*を持ったニューロンが勝者ニューロンとして抽出される。
【００２８】
Ｘ＝（ｘ１，ｘ２，ｘ３，，，ｘｉ，，，ｘｎ）・・・・・・（１）式
Ｗｊｉ＝（ｗｊ１，ｗｊ２，ｗｊ３，，ｗｊｉ，，ｗｊｎ）・（２）式
【数１】
【００２９】
尚、上記式はマップ層におけるｊ番目のニューロンと、入力ベクトルＸとの距離を算出したものである。
【００３０】
ステップ７においては、勝者ニューロン並びにその近傍のニューロンの重みベクトルが、次の（４）から（６）式によって更新される。また、このときに、入力ベクトルＸが劣化のない良品のデータであるときには更新された各ニューロンには良品であるという情報が付与され、入力ベクトルＸが劣化品であるときには更新された各ニューロンには良品であるという情報が付与される。
【００３１】
Ｗ’＝Ｗｊｉ＋ΔＷｊｉ・・・・・・・・・・・・・（４）式
ΔＷｊｉ＝ηｈ（ｊ，ｊ*）（ｘｉ−ｗｊｉ）・・・・・・（５）式
尚、ここで、Ｗ’は更新後のニューロンの重みベクトル、Ｗｊｉは更新前のニューロンの重みベクトルである。また、ηは学習係数であって学習回数が多くなるにつれて小さくなってゆく正の定数である。
【００３２】
【数２】
尚、ここで、│ｊ−ｊ*│はｊ番目のニューロンと勝者ニューロンとの距離（ユークリッド距離）である。
【００３３】
そして、ステップ３からステップ７の処理を繰り返し行うことで学習、すなわちマップ層を構成する各ニューロンに良否の情報が付与されるとともに、重みベクトルＷの更新が繰り返し行われる。
【００３４】
また、近傍関数半径σは学習の進行とともに小さくなるから、図５に示すように学習の初期においては多くのニューロンが勝ちニューロンの近くであるとみさなされて学習の対象（重みベクトルの更新の対象）とされるが、学習の進行とともに勝ちニューロンの近くであるとみされるニューロン数が減少する。このような学習手順を踏むことで、学習の初期には広範囲に亘って大まかな学習を行い、学習が進むにつれて狭い範囲に細かな学習をすることとしている。
【００３５】
かくして、マップ層には良品の情報を持ったニューロンのグループ（図６におけるハッチングされていない側）と、劣化品の情報をもったニューロンのグループ（図６におけるハッチングされた側）とに組織化、すなわち自己組織化特徴マップＦが生成される。
【００３６】
また、自己組織化特徴マップＦを構成する各ニューロンＷの構成値は、先に述べたように初期状態においては乱数により付与されるから、信頼性の高いマップを形成するには相当数（本実施形態では必要数をＺ回としている）の学習を行う必要がある。
【００３７】
そこで、ステップ９において良品用のカウンタ３９ａのカウント値、並びに劣化品用のカウンタ３９ｂのカウント値がそれそれＺ回に達しているか、否かの判定をそれぞれ行う。その結果、良品・劣化品の双方のカウント値がいずれもＺ回に達している場合には学習が十分に行われたとして学習を完了させ、後述する検査モードに移行する。一方、いずれか一方でもカウント値がＺ回に達していない場合には、ステップ１０へ移行し、補完処理を行う（図７参照）。尚、当然のことではあるが、学習回数の判定はティーチングが繰り返し行われているときにはなされず、全ての入力ベクトルＸ（ティーチングデータ）の取り込みが完了した後にのみ行われる。
【００３８】
ステップ１０に移行すると補完データ生成部３４において、学習回数の不足分だけ擬似データが生成される。以下、劣化品の学習回数が不足している場合を例にとって、擬似データの生成方法を図８ないし図１０を参照して具体的に説明する。擬似データを生成するにあたって、まず、演算部３７によって入力ベクトルＸの各次元における構成値の平均値並びに偏差を以下の要領で、良品、劣化品についてそれぞれ個別に算出する（図８におけるＳＴＥＰ１０−１）。
【００３９】
Ａ１＝（ａ11，ａ12，ａ13，，，，ａ1ｎ）・・・・・（７）式
Ａ２＝（ａ21，ａ22，ａ23，，，，ａ2ｎ）・・・・・（８）式
Ａｋ＝（ａk1，ａk2，ａk3，，，，ａkｎ）・・・・・（９）式
Ｂ１＝（ｂ11，ｂ12，ｂ13，，，，ｂ1ｎ）・・・・・（１０）式
Ｂ２＝（ｂ21，ｂ22，ｂ23，，，，ｂ2ｎ）・・・・・（１１）式
Ｂｋ＝（ｂk1，ｂk2，ｂk3，，，，ｂkｎ）・・・・・（１２）式
尚、Ａ１からＡｋは良品の入力ベクトルであり、Ｂ１からＢｋは劣化品の入力ベクトルである。
【００４０】
＜一次元の構成値＞
Ａ１av＝（ａ11＋ａ21＋・・＋ａk1）/ｋ・・・・・・・（１３）式
Ｂ１av＝（ｂ11＋ｂ21＋・・＋ｂk1）/ｋ・・・・・・・（１４）式
【数４】
【数５】
【００４１】
＜二次元の構成値＞
Ａ２av＝（ａ12＋ａ22＋・・＋ａk2）/ｋ・・・・・・・（１７）
Ｂ２av＝（ｂ12＋ｂ22＋・・＋ｂk2）/ｋ・・・・・・・（１８）
【数６】
【数７】
【００４２】
その後、演算部３７で各次元の構成値の正規分布を良品Ａ、劣化品Ｂごとにそれぞれ算出し（図９参照）、得られた正規分布に重複範囲があるか、否かの判定を行う。正規分布の重複の判断基準は３σを基準としており、それぞれの平均Ａａｖ、Ｂａｖから３σの範囲に重複領域がなければ、重複なしとする。図９の（Ａ）のような場合であれば「重複」と判定され、図９の（Ｂ）に示すような場合であれば「重複なし」と判定される（図８のＳＴＥＰ１０−２、３）。
【００４３】
続いて、擬似データ（劣化品の擬似データ）の構成値を各次元ごとにそれぞれ決定する。本実施形態では、構成値は乱数によって決定されるが、乱数の抽出範囲が先に判定した重複の可否によって異なっている。
【００４４】
まず、正規分布の範囲が重複していた場合には、その次元における劣化品の正規分布の範囲内、すなわち一次元の構成値であれば、Ｂ１av±３σb1を乱数の抽出範囲とし、同範囲内から構成値をランダムに取得する（図８のＳＴＥＰ１０−４）。
【００４５】
一方、正規分布の範囲が重複していなかった場合には、その次元における劣化品の正規分布に基づいて、この範囲を良品の正規分布に重ならないように拡張する。すなわち、図１０に示す場合（二次元の構成値を例にとって説明する）であれば、乱数抽出範囲はＢ2av±ωとされ、同範囲内から構成値をランダムに取得する（図８のＳＴＥＰ１０−５、６）。ここで、ω＝｛（Ａ２av＋３σa2）＋（Ｂ２av−３σb2）｝/２であり、これをｋ次元の一般式で表すと次のようになる。
【００４６】
ω＝｛（Ａｋav＋３σa2）＋（Ｂｋav−３σb2）｝/２・・・・（２１）式
ω＝｛（Ｂｋav＋３σb2）＋（Ａｋav−３σa2）｝/２・・・・（２２）式
尚、（２１）式はＡｋavよりＢｋavの値が大きい場合であり、（２２）式はＡｋavよりＢ２avの値が小さい場合である。
【００４７】
かくして、擬似データの各次元の構成値が決定される。そして、データの不足分だけ擬似データが生成されると、その後、ステップ１３に移行する（図７参照）。
【００４８】
ステップ１３では、ステップ１０で生成された擬似データをティーチングデータとして入力層にセットする。そして、ステップ１５ではステップ５の処理と同様に勝者ニューロンが決定され、ステップ１７ではステップ７と同様に勝者ニューロン並びにその近傍のニューロンに対して、良否情報の付与を行うとともに重みベクトルＷの更新が行われる。こうした、擬似データに基づく学習を学習回数の不足分だけ行い、学習が完了する。
【００４９】
次に、検査モードにおける処理について、図１１を参照して説明する。
ステップ２１では、まず良否判定部３５によってメモリ３２から、検査対象の入力ベクトルＸが読み出され、その後、ステップ２３へ移行する。
【００５０】
ステップ２３では、演算部３７が検査対象の入力ベクトルＸと学習済みの各ニューロンの重みベクトルＷとの距離ｄを先に説明した（１）から（３）式に基づいてそれぞれ算出する。そして、各ニューロンに対する距離ｄが全て算出されると、ステップ２５へ移行する。
【００５１】
ステップ２５では、良否判定部３５によって勝者ニューロンが決定される。具体的には、ステップ２３で算出された距離ｄの大小を比較して距離ｄが最も小さかった、すなわち検査対象の入力ベクトルＸと最も距離ｄが近い重みベクトルＷｊ*を有するニューロンを勝ちニューロンとする。
ここで、距離ｄが最小であるということは、検査対象の入力ベクトルＸは勝ちニューロンに構成値、すなわち最大値、最小値、平均値等の特徴が似通ったデータであることを意味しており、検査対象の入力ベクトルＸの属性（良品、劣化品のいずれに属するか）が抽出された勝ちニューロンの属性と同じと考えることが出来る。
【００５２】
ステップ２７では、ステップ２５で抽出された勝ちニューロンの属性を、検査結果として出力する。すなわち、抽出された勝ちニューロンの属性が良品であれば「検査対象は良品である」とする検査結果を出力し、勝ちニューロンの属性が劣化品であれば「検査対象は劣化品である」とする検査結果を出力する。
【００５３】
このように、本実施形態によれば、打音検査装置１０には補完データ生成部３４が設けられ、そこではティーチングデータを基に擬似データが生成されるようになっている。そのため、ティーチングデータが必要なデータ数に足りていない場合であっても、不足分が擬似データによって補われるからマップ層上のニューロンに対して十分な学習を行うことが出来、これにより、生成される自己組織化特徴マップＦは信頼性の高いものとなる。また、擬似データはティーチングデータを基準として決定されるからデータを無作為に生成する場合に比べて、ティーチングデータに近い擬似データが得られ、より信頼性が高まる。
【００５４】
加えて、擬似データは学習回数の不足数だけ生成される。このような構成であれば、余分な擬似データが生成されることがなく、処理時間の短縮が図られる。
【００５５】
＜実施形態２＞
実施形態１においては学習、すなわち各ニューロンの重みベクトルＷの更新を、学習モード中（補完処理を含む）中にのみ行ったが、本実施形態では擬似データを用いて自己組織化特徴マップＦを生成した場合には、検査モード中においても学習を行うこととしている（次に、説明するステップ３９の追加）。また、実施形態２のものにおいては、入力層はメモリ機能を備え、学習モード中に入力層に取り込まれたティーチングデータ（擬似データを含む）が記憶されるようになっている。
【００５６】
図１２は、実施形態２における検査モードの処理手順を示すフローチャート図である。同図に示すように、ステップ３１では、実施形態１におけるステップ２１と同様に検査対象の入力ベクトルＸを読み出す。その後、ステップ３３へ移行する。ここでは、ステップ２３と同様に各ニューロンの重みベクトルＷと検査対象の入力ベクトルＸとの距離ｄが算出され、各ニューロンに対する距離の算出が完了すると、ステップ３５へ移行し、そこでステップ２５の処理と同様の手順で勝者ニューロンが決定される。
【００５７】
その後、ステップ３７で、勝者ニューロンのカテゴリーに基づいて検査結果が出力され、ステップ３９へ移行する。
【００５８】
ステップ３９では検査対象の入力ベクトル（検査対象の情報に相当する）Ｘと擬似データの置き換えを行う。置き換えの対象となる擬似データは、検査対象の入力ベクトルＸの構成値に最も似通った構成値を有する擬似データであり、これを抽出するには、検査対象の入力ベクトルＸと全擬似データとの距離を算出してやればよい（最小距離の擬似データが置き換えの対象となる）。その後、特徴マップ生成部３３は既に自己組織化がされたマップ層上のニューロンの重みベクトルを全て初期化し、更新された置き換え後の入力層のデータに基づいて改めて始めから自己組織化を行う。
【００５９】
このように、擬似データを使用して自己組織化特徴マップＦが生成されたときには、検査対象の入力ベクトルＸを取り込んで自己組織化特徴マップＦが更新されてゆくから、更新完了後には現実に集音マイク２１によって測定されたデータが必要数、自己組織化特徴マップＦに取り込まれることとなり、信頼性の高い自己組織化特徴マップＦが得られる。
また、置き換えの対象には検査対象の入力ベクトルと構成値の似た擬似データが抽出されるから、既存の判断基準（マップ上の組織化の様子）が大きく変更されることがない。
【００６０】
尚、検査対象の入力ベクトルＸが入力される度に自己組織化特徴マップＦを更新すると、際限なく自己組織化特徴マップＦの更新が行われてしまうが、マップＦに対して必要数のデータが取り込まれた後には、ステップ３９の処理をスキップするような制御を行えば、それ以上に自己組織化特徴マップＦが更新されることを防止できる。その他の構成については実施形態１と同様であるため、重複した説明については割愛するものとする。
【００６１】
＜実施形態３＞
実施形態２においては自己組織化特徴マップＦの更新（検査モード中の学習）を、検査対象の入力ベクトルが入力される度に行ったが、実施形態３では一定期間、検査対象の入力データＸをメモリ３２にストックしておき、ある程度のデータがストックされたところで一括してデータの置き換えを行い、これに基づいて自己組織化特徴マップを更新することとしている。
【００６２】
＜実施形態４＞
実施形態１においては、擬似データを生成するにあたって、まず、ティーチングデータの構成値の正規分布を良品、劣化品ごとにそれぞれ算出し、その後、得られた正規分布同士に重複があるか、否かに基づいて所定の範囲を定め、その範囲内において乱数により構成値（擬似データの構成値）を決定したが、実施形態４では擬似データの構成値を実施形態１と異なる方法で決定している。
実施形態４では、まずティーチングデータの中からランダムにデータを抽出して、その構成値にティーチングデータの不足分に応じた比率を乗じる。具体的には、ティーチングデータが必要数に対して１０％不足している場合には、抽出された構成値に対して０．９或いは、１．１を乗ずる。その他の構成については、実施形態１と同様である。
【００６３】
＜実施形態５＞
実施形態１においては擬似データを生成するにあたって、まず、ティーチングデータの構成値の正規分布を良品、劣化品ごとにそれぞれ算出し、その後、得られた正規分布同士に重複があるか、否かに基づいて所定の範囲を定め、その範囲内において乱数により構成値（擬似データの構成値）を決定したが、実施形態５では擬似データの構成値を実施形態１とは異なる方法で決定している。
実施形態５では、実施形態１と同様にティーチングデータの構成値の正規分布を良品、劣化品ごとにそれぞれ算出し、その後、この範囲をティーチングデータの不足分に応じた比率を乗じて拡大させる。例えば、ティーチングデータが必要数に対して２０％不足している場合には実施形態１で算出した偏差σb1にたいして１．２倍して範囲をＢ１av±３．６σb1に拡張し、この拡張された範囲内において乱数によりランダムに数値を取得することで、擬似データの一次元の構成値を決定する。
【００６４】
＜他の実施形態＞
本発明は上記記述及び図面によって説明した実施形態に限定されるものではなく、例えば次のような実施形態も本発明の技術的範囲に含まれ、さらに、下記以外にも要旨を逸脱しない範囲内で種々変更して実施することができる。
【００６５】
（１）本実施形態では、自己組織化特徴マップＦに良品のグループと、劣化品のグループの二つのグループを組織化したが、組織化は二つのグループに限らず３つ、あるいはそれ以上であってもよい。
【００６６】
（２）本実施形態では、カテゴリー判定装置を打音検査装置に適用したが、用途はこれに限られるものではなく、この他にもモータの振動音から同モータの回転軸の軸ずれを検出する等に使用することも出来る。
【００６７】
（３）本実施形態では、自己組織化特徴マップＦに良品のグループと、劣化品のグループの二つのグループを組織化したが、組織化は１つのグループであってよく、この場合のカテゴリーの判定は、まず入力ベクトルとマップ層上の各ニューロンの重みベクトルとの距離を算出する。その後に算出された距離の中から最小距離を抽出し、更に、これを所定の閾値と比較する。その結果、最小距離が閾値より小さければ検査対象はマップ層上に組織化されたカテゴリーと同一であると判断でき、最小値が閾値より大きければ、検査対象はマップ層上のカテゴリーとは異なるものであると判定することが出来る。
【図面の簡単な説明】
【００６８】
【図１】実施形態１における、検査対象から音声を計測する様子を示す図
【図２】打音検査装置の全体構成を示すブロック図である。
【図３】自己組織化特徴マップの構造を示す図
【図４】学習モードの処理手順を示すフローチャート図
【図５】学習過程を示す図
【図６】ニューロンが組織化された状態を示す図
【図７】補完データにより学習が行われる場合の処理手順を示すフローチャート図
【図８】擬似データの生成手順を示すフローチャート図
【図９】構成値の正規分布を示す図
【図１０】乱数の取り得る範囲を示す図
【図１１】検査モードの処理手順を示すフローチャート図
【図１２】実施形態２における、検査モードの処理手順を示すフローチャート図
【符号の説明】
【００６９】
１０…打音検査装置
２１…集音マイク
３３…特徴マップ生成部
３４…補完データ生成部
３５…良否判定部
３７…演算部
【特許請求の範囲】
【請求項１】
学習モードで既にカテゴリーが知られた基準となる被測定対象物からの情報を取得して自己組織化特徴マップを生成した後に、検査モードで検査対象となる被測定対象物からの情報を取得し、得られた検査対象の情報と前記自己組織化特徴マップとに基づいて検査対象たる被測定対象物のカテゴリーを判定するものであり、前記自己組織化特徴マップの生成に際して前記基準となる被測定対象物からの情報を所定数必要とするカテゴリー判別装置であって、
前記被測定対象物からの情報に基づく信号を出力する測定手段と、
前記基準となる被測定対象物からの情報に基づく前記測定手段からの信号をティーチングデータとして取り込んで前記自己組織化特徴マップを生成する特徴マップ生成手段と、
前記被測定対象物からの情報に基づく信号と前記自己組織化特徴マップとに基づいて前記被測定対象物のカテゴリーを判定するカテゴリ判定部と、
前記ティーチングデータが前記自己組織化特徴マップを生成するのに必要なデータ数に満たない場合に前記ティーチングデータに構成値の大きさが似た擬似データを生成する補完データ生成手段とを備えてなるとともに、
前記特徴マップ生成手段は前記ティーチングデータの不足分を前記擬似データによって補って前記自己組織化特徴マップを生成するよう構成されていることを特徴とするカテゴリー判定装置。
【請求項２】
前記補完データ生成手段は前記ティーチングデータの構成値を基準とし、この基準とされた値をティーチングデータの不足量に応じて増減させて擬似データの構成値とすることを特徴とする請求項１に記載のカテゴリー判定装置。
【請求項３】
前記ティーチングデータの構成値の分布範囲を算出する分布範囲算出手段を備え、
前記補完データ生成手段は前記分布範囲を基に、これを前記ティーチングデータの不足分に応じて拡張させ、その拡張された範囲内において前記擬似データの構成値を決定することを特徴とする請求項１に記載のカテゴリー判定装置。
【請求項４】
複数のカテゴリーのティーチングデータをそれぞれ取り込んで前記自己組織化特徴マップに複数のカテゴリーを組織化させるものにおいて、
各カテゴリーのティーチングデータの構成値の分布範囲を各カテゴリー毎にそれぞれ算出する分布範囲算出手段を備え、
前記補完データ生成手段は補完すべきカテゴリーのティーチングデータの構成値を決定するに際し、
補完すべきカテゴリーのティーチングデータの構成値の分布範囲と他のカテゴリーのティーチングデータの構成値の分布範囲とに重複した範囲がある場合には、補完すべきカテゴリーのティーチングデータの分布範囲内で擬似データの構成値を決定し、
前記分布範囲に重複した範囲がない場合には、前記補完すべきカテゴリーのティーチングデータの構成値の分布範囲を基準として、これを他のカテゴリーのティーチングデータの構成値に重ならない範囲内で拡張させ、その拡張された範囲内において構成値を決定することを特徴とする請求項１に記載のカテゴリー判定装置。
【請求項５】
前記補完データ生成手段は前記補完データを前記ティーチングデータの不足分だけ生成することを特徴とする請求項１ないし請求項４に記載のカテゴリー判定装置。
【請求項６】
前記検査モードにおいて、
前記特徴マップ生成手段は前記カテゴリ判定部が前記判定に用いた検査対象の情報を前記擬似データに置き換え、置き換えた検査対象の情報に基づいて前記学習モードで生成された自己組織化特徴マップを更新するよう構成されていることを特徴とする請求項１ないし請求項５に記載のカテゴリー判定装置。
【請求項７】
前記特徴マップ生成手段は前記擬似データの置き換えに際して、前記検査対象の情報の構成値に最も構成値が類似する擬似データを置き換えの対象とすることを特徴とする請求項６に記載のカテゴリー判定装置。
【請求項１】
学習モードで既にカテゴリーが知られた基準となる被測定対象物からの情報を取得して自己組織化特徴マップを生成した後に、検査モードで検査対象となる被測定対象物からの情報を取得し、得られた検査対象の情報と前記自己組織化特徴マップとに基づいて検査対象たる被測定対象物のカテゴリーを判定するものであり、前記自己組織化特徴マップの生成に際して前記基準となる被測定対象物からの情報を所定数必要とするカテゴリー判別装置であって、
前記被測定対象物からの情報に基づく信号を出力する測定手段と、
前記基準となる被測定対象物からの情報に基づく前記測定手段からの信号をティーチングデータとして取り込んで前記自己組織化特徴マップを生成する特徴マップ生成手段と、
前記被測定対象物からの情報に基づく信号と前記自己組織化特徴マップとに基づいて前記被測定対象物のカテゴリーを判定するカテゴリ判定部と、
前記ティーチングデータが前記自己組織化特徴マップを生成するのに必要なデータ数に満たない場合に前記ティーチングデータに構成値の大きさが似た擬似データを生成する補完データ生成手段とを備えてなるとともに、
前記特徴マップ生成手段は前記ティーチングデータの不足分を前記擬似データによって補って前記自己組織化特徴マップを生成するよう構成されていることを特徴とするカテゴリー判定装置。
【請求項２】
前記補完データ生成手段は前記ティーチングデータの構成値を基準とし、この基準とされた値をティーチングデータの不足量に応じて増減させて擬似データの構成値とすることを特徴とする請求項１に記載のカテゴリー判定装置。
【請求項３】
前記ティーチングデータの構成値の分布範囲を算出する分布範囲算出手段を備え、
前記補完データ生成手段は前記分布範囲を基に、これを前記ティーチングデータの不足分に応じて拡張させ、その拡張された範囲内において前記擬似データの構成値を決定することを特徴とする請求項１に記載のカテゴリー判定装置。
【請求項４】
複数のカテゴリーのティーチングデータをそれぞれ取り込んで前記自己組織化特徴マップに複数のカテゴリーを組織化させるものにおいて、
各カテゴリーのティーチングデータの構成値の分布範囲を各カテゴリー毎にそれぞれ算出する分布範囲算出手段を備え、
前記補完データ生成手段は補完すべきカテゴリーのティーチングデータの構成値を決定するに際し、
補完すべきカテゴリーのティーチングデータの構成値の分布範囲と他のカテゴリーのティーチングデータの構成値の分布範囲とに重複した範囲がある場合には、補完すべきカテゴリーのティーチングデータの分布範囲内で擬似データの構成値を決定し、
前記分布範囲に重複した範囲がない場合には、前記補完すべきカテゴリーのティーチングデータの構成値の分布範囲を基準として、これを他のカテゴリーのティーチングデータの構成値に重ならない範囲内で拡張させ、その拡張された範囲内において構成値を決定することを特徴とする請求項１に記載のカテゴリー判定装置。
【請求項５】
前記補完データ生成手段は前記補完データを前記ティーチングデータの不足分だけ生成することを特徴とする請求項１ないし請求項４に記載のカテゴリー判定装置。
【請求項６】
前記検査モードにおいて、
前記特徴マップ生成手段は前記カテゴリ判定部が前記判定に用いた検査対象の情報を前記擬似データに置き換え、置き換えた検査対象の情報に基づいて前記学習モードで生成された自己組織化特徴マップを更新するよう構成されていることを特徴とする請求項１ないし請求項５に記載のカテゴリー判定装置。
【請求項７】
前記特徴マップ生成手段は前記擬似データの置き換えに際して、前記検査対象の情報の構成値に最も構成値が類似する擬似データを置き換えの対象とすることを特徴とする請求項６に記載のカテゴリー判定装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２００６−１２７３２７（Ｐ２００６−１２７３２７Ａ）
【公開日】平成１８年５月１８日（２００６．５．１８）
【国際特許分類】
【出願番号】特願２００４−３１７３３６（Ｐ２００４−３１７３３６）
【出願日】平成１６年１０月２９日（２００４．１０．２９）
【出願人】（０００１０６２２１）サンクス株式会社 (578)
【Ｆターム（参考）】
【公開日】平成１８年５月１８日（２００６．５．１８）
【国際特許分類】
【出願日】平成１６年１０月２９日（２００４．１０．２９）
【出願人】（０００１０６２２１）サンクス株式会社 (578)
【Ｆターム（参考）】
[ Back to top ]