信号識別装置の学習データの選択方法
【課題】競合学習型ニューラルネットの学習に用いる学習データを適正化することにより、信号識別装置のカテゴリの分類精度を高める。
【解決手段】機器Ｘの動作により生じる振動成分を含んだ対象信号の特徴量を用いて機器Ｘの異常の有無を競合学習型ニューラルネットワーク１により判断する。学習データ記憶部６にはカテゴリが正常とみなされる複数個のデータからなるデータセットが格納されており、このデータセットで競合学習型ニューラルネットワーク１を学習させる。学習データ選択部４は、学習後の競合学習型ニューラルネットワーク１の出力層のうち発火したニューロンの重みベクトルと各データの乖離度をそれぞれ求める。データセットのデータから求めた乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまで、乖離度が規定の乖離度閾値以上であるデータをデータセットから削除する。
【解決手段】機器Ｘの動作により生じる振動成分を含んだ対象信号の特徴量を用いて機器Ｘの異常の有無を競合学習型ニューラルネットワーク１により判断する。学習データ記憶部６にはカテゴリが正常とみなされる複数個のデータからなるデータセットが格納されており、このデータセットで競合学習型ニューラルネットワーク１を学習させる。学習データ選択部４は、学習後の競合学習型ニューラルネットワーク１の出力層のうち発火したニューロンの重みベクトルと各データの乖離度をそれぞれ求める。データセットのデータから求めた乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまで、乖離度が規定の乖離度閾値以上であるデータをデータセットから削除する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、競合学習型ニューラルネットワークを用いて振動成分を含む対象信号を分類する信号識別装置において、集めたデータの中から競合学習型ニューラルネットワークの学習に適した学習データを選び出す信号識別装置の学習データの選択方法に関するものである。
【背景技術】
【０００２】
従来から、ニューラルネットワーク（ニューロコンピュータ）の分類機能を利用することにより、振動成分を含む対象信号を分類する技術が知られている。この種の技術は、音声の認識や機器が正常に動作しているか機器に異常が生じているかを判定する異常監視装置などに用いられている。たとえば、この種の技術を採用した異常監視装置では、機器の動作音や機器の振動をセンサ部（トランスデューサ）により電気信号に変換してセンサ部の出力を対象信号に用い、対象信号について複数個のパラメータからなる特徴量を抽出し、この特徴量をニューラルネットワークで分類する技術が種々提案されている。
【０００３】
ニューラルネットワークには種々の構成が知られており、たとえば、競合学習型ニューラルネットワーク（自己組織化マップ＝ＳＯＭ）を用いて特徴量のカテゴリを分類することが提案されている。競合学習型ニューラルネットワークは、入力層と出力層との２層からなるニューラルネットワークであり、学習モードと検査モードとの２動作を行う。
【０００４】
学習モードでは、教師信号を用いずに学習データを与える。学習データにカテゴリを与えておけば、出力層のニューロンにカテゴリを対応付けることができ、同種のカテゴリに属するニューロンからなるクラスタを形成することができる。したがって、学習モードでは、出力層のニューロンのクラスタにカテゴリを示すクラスタリングマップを対応付けることができる。
【０００５】
検査モードでは、分類しようとする特徴量（入力データ）を学習済みの競合学習型ニューラルネットワークに与え、クラスタリングマップにおいて発火したニューロンが属するクラスタのカテゴリをクラスタリングマップに照合することによって、入力データのカテゴリを分類することができる（たとえば、特許文献１参照）。
【特許文献１】特開２００４−３５４１１１号公報
【発明の開示】
【発明が解決しようとする課題】
【０００６】
ところで、競合学習型ニューラルネットワークでは、教師信号を用いていないから、学習モードにおいて入力される学習データのカテゴリの精度により、検査モードの際のカテゴリの分類の精度が決定される。すなわち、学習モードにおいて使用する学習データとして適正なものを採用する必要があるが、学習データの選別には適切な基準が存在しない。したがって、競合学習型ニューラルネットワークにおける出力層の１つのニューロンが複数のカテゴリの学習データで発火する場合が生じる。言い換えると、適切な学習データを用いて学習しなければ、発火したときにカテゴリを決定できないニューロンが出力層に含まれるという問題が生じる。
【０００７】
本発明は上記事由に鑑みて為されたものであり、その目的は、競合学習型ニューラルネットの学習に用いる学習データを適正化することにより、信号識別装置のカテゴリの分類精度を高める信号識別装置の学習データの選択方法を提供することにある。
【課題を解決するための手段】
【０００８】
請求項１の発明は、振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、前記データーセットを用いて競合学習型ニューラルネットワークの学習を行うことにより競合学習型ニューラルネットワークにおける出力層の各ニューロンにそれぞれ重み係数の組を要素とする重みベクトルを設定した後、学習データ選択部において、前記データセットの各データと競合学習型ニューラルネットワークの出力層のうち発火したニューロンの重みベクトルとの差分ベクトルの大きさを乖離度として各データについて求め、乖離度の平均値と分散値とがそれぞれに対して規定した平均閾値以上かつ分散閾値以上であるときに乖離度が規定の乖離度閾値以上になるデータをデータセットから削除するデータ選別処理を行い、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまでデータ選別処理を行う処理を繰り返すことを特徴とする。
【０００９】
この方法によれば、データセットに含まれるデータについて期待されるカテゴリへの帰属の程度を評価することができ、他のカテゴリに帰属する可能性のあるデータを除外することができる。つまり、学習に用いるデータセットのうち競合学習型ニューラルネットワークの出力層の各ニューロンに設定した重みベクトルとの乖離度が大きいデータについてはデータセットから削除するから、期待するカテゴリに帰属しないカテゴリ違いのデータやデータセットを構成するデータを収集する際に突発的に雑音として混入するデータなどをデータセットから除去することができ、学習データとして用いるデータセットに含まれるデータのカテゴリの精度を高めることができる。つまり、入力データを分類する際の精度を高めることができる。
【００１０】
請求項２の発明は、振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、前記データーセットを用いて競合学習型ニューラルネットワークの学習を行うことにより競合学習型ニューラルネットワークにおける出力層の各ニューロンにそれぞれ重み係数の組を要素とする重みベクトルを設定した後、学習データ選択部において、競合学習型ニューラルネットワークの出力層の各ニューロンごとに他のニューロンとの間の重みベクトルのユークリッド距離について最小値と総和とのいずれか一方を求め、求めた最小値と総和との一方が規定の閾値以上であるときにそのニューロンを発火させたすべてのデータをデータセットから削除するカテゴリ選別処理を行い、競合学習型ニューラルネットワークの出力層のすべてのニューロンについてカテゴリ選別処理を行った後、前記データセットの各データと競合学習型ニューラルネットワークの出力層のうち発火したニューロンの重みベクトルとの差分ベクトルの大きさを乖離度として各データについて求め、乖離度の平均値と分散値とがそれぞれに対して規定した平均閾値以上かつ分散閾値以上であるときに乖離度が規定の乖離度閾値以上になるデータをデータセットから削除するデータ選別処理を行い、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまでデータ選別処理を行う処理を繰り返すことを特徴とする。
【００１１】
この方法によれば、請求項１の発明と同様にデータ選別処理を行うから請求項１の発明と同様の作用を奏する上に、カテゴリ選別処理を行うことによりカテゴリ違いのデータによって発火したニューロンについては、そのニューロンを発火させたデータを削除することで、期待されるカテゴリとは異なるカテゴリのデータが学習データに用いられるのを防止することができる。言い換えると、カテゴリの異なるデータにより発火したニューロンが、期待されるカテゴリのニューロンと誤認されることを回避できる。
【００１２】
請求項３の発明は、振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、学習データ選択部において、データセットに含まれるすべてのデータについて相互間のユークリッド距離を求め、データセットの全データを対象にして求めたユークリッド距離の平均値および分散値を第１の平均値および第１の分散値とし、データセットから着目する１個のデータを除外した残りのデータを対象にして求めたユークリッド距離の平均値および分散値を第２の平均値および第２の分散値とし、第１の平均値と第２の平均値との差分が規定の第１の閾値以上、かつ第１の分散値と第２の分散値との差分が規定の第２の閾値以上、かつ第２の平均値が第１の平均値以下、かつ第２の分散値が第１の分散値以下という条件を満たすときに、着目した１個のデータをデータセットから削除するデータ除去処理を行い、データセットに含まれるすべてのデータについて削除するデータがなくなるまでデータ除去処理を行う処理を繰り返すことを特徴とする。
【００１３】
請求項１、請求項２の発明では、競合学習型ニューラルネットワークをデータセットに含まれるデータで学習させているが、この方法によれば、データセットに含まれるデータを用いて競合学習型ニューラルネットワークを学習させる必要がなく、データセットに含まれるデータ自身を用いて学習データとしての適否を評価することができるから、データセットに含まれるデータのうちで学習データとして使用するデータを選択する際に競合型ニューラルネットワークを動作させる必要がなく、少ない処理負荷で学習データを短時間で選別することができる。また、請求項１、請求項２の発明と同様に、学習データから期待するカテゴリに帰属しないカテゴリ違いのデータや突発的に雑音として混入するデータなどをデータセットから削除することができるから、入力データを分類する際の精度を高めることができる。
【発明の効果】
【００１４】
本発明の方法によれば、データセットに含まれるデータについて期待されるカテゴリへの帰属の程度を評価して他のカテゴリに帰属する可能性のあるデータを除外することができるという利点がある。その結果、期待するカテゴリに帰属しないカテゴリ違いのデータやデータセットを構成するデータを収集する際に突発的に雑音として混入するデータなどをデータセットから除去することができ、学習データとして用いるデータセットに含まれるデータのカテゴリの精度を高め、入力データを分類する際の精度を高めることができるという利点がある。
【発明を実施するための最良の形態】
【００１５】
以下に説明する実施形態では、機器の動作によって得られる対象信号の特徴量によって機器の動作が正常か異常かを判別する異常監視装置に本発明の技術を採用する例を示す。つまり、信号識別装置として異常監視装置を例示する。また、機器としてはモータのような動力源を備える設備機器を想定するが、機器の種類はとくに問わない。
【００１６】
（実施形態１）
本実施形態で説明する信号識別装置は、図１に示すように、教師なしの競合学習型ニューラルネットワーク（以下、単に「ニューラルネット」と呼ぶ）１を用いている。ニューラルネット１は、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１は、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。
【００１７】
ニューラルネット１の動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した複数のパラメータからなる特徴量（入力データ）のカテゴリを分類する。
【００１８】
入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１に入力することによりニューラルネット１を学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。
【００１９】
一方、検査モードでは、カテゴリを判定すべき入力データをニューラルネット１の入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと入力データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって入力データのカテゴリを知ることができる。
【００２０】
出力層１２のニューロンＮ２には、たとえば６×６個の領域を有する２次元のクラスタリングマップ５の各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタリングマップ５の各領域に学習データのカテゴリを対応付けておけば、入力データにより発火したニューロンＮ２に対応するカテゴリをクラスタリングマップ５により知ることができるから、クラスタリングマップ５はニューラルネット１による分類結果を出力する出力部として機能する。
【００２１】
クラスタリングマップ５の各領域（実質的には出力層１２の各ニューロンＮ２）には後述する手順でカテゴリを対応付ける。また、本実施形態では、説明を簡単にするために、ニューラルネット１で分類すべきカテゴリは正常と異常との２種類としており、本実施形態では、学習モードにおいて正常のカテゴリの学習データのみを入力する。出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映され、多数個（たとえば、１５０個）の学習データを与えると、類似度の高いカテゴリがクラスタリングマップ５上で近い位置に配置される。つまり、特徴量の似通った学習データが発火させるニューロンＮ２は、クラスタリングマップ５の上で近い位置に配置される。
【００２２】
したがって、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ５上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部６に格納されており、必要に応じて学習データ記憶部６から読み出されてニューラルネット１に与えられる。
【００２３】
ところで、ニューラルネット１により分類する対象信号は、機器Ｘから得られる電気信号であって、たとえば、機器Ｘの動作音を検出するマイクロホン２ａと、機器Ｘの動作時に生じる振動を検出する振動センサ２ｂとの少なくとも一方からなるセンサ部２の出力を用いる。センサ部２の構成は機器Ｘの種類に応じて適宜に選択され、マイクロホン２ａ、振動センサ２ｂのほか、ＴＶカメラ、匂いセンサなどの各種のセンサを単独または組み合わせて用いることができる。あるいはまた、機器Ｘが発生する信号を取り出して対象信号に用いることも可能である。センサ部２は機器Ｘの動作により生じる対象信号を取り込むから、信号入力部として機能する。
【００２４】
センサ部２で得られた電気信号である対象信号は、特徴抽出部３に与えられ対象信号の特徴量が抽出される。本実施形態では、センサ部２から特徴抽出部３に与えられる対象信号は振動成分を含む信号であって、特徴抽出部３に入力されることにより対象信号の振動成分を表す複数のパラメータを持つ特徴量が抽出される。
【００２５】
特徴抽出部３では、機器Ｘが発生する対象信号から同じ条件で特徴量を抽出するために、まず機器Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、対象信号の切り出し（セグメンテーション）を行った後、適宜の単位時間ごとの信号に分割し、単位時間毎に特徴量を抽出する。したがって、特徴抽出部３はセンサ部２から与えられる対象信号を一時的に記憶するバッファを備える。また、特徴抽出部３では、必要に応じて周波数帯域を制限するなどして、ノイズを低減させる前処理を行う。さらに、センサ部２から出力される対象信号をデジタル信号に変換する機能も備える。
【００２６】
説明を簡単にするために、ここでは、セグメンテーションを行った後の対象信号の振動成分から複数の周波数成分（周波数帯域ごとのパワー）を抽出し、各周波数成分をパラメータとして特徴量に用いるものとして説明する。周波数成分の抽出には、ＦＦＴ（高速フーリエ変換）の技術、あるいは多数個のバンドパスフィルタからなるフィルタバンクを用いる。どの周波数成分を特徴量に用いるかは、対象とする機器Ｘや抽出しようとする異常に応じて適宜に選択される。
【００２７】
特徴抽出部３から単位時間毎に得られた特徴量は、特徴量の抽出のたびにニューラルネット１に与えられる。また、特徴量は学習データとしても用いるために学習データ記憶部６にも格納される。学習データ記憶部６はＦＩＦＯ（先入れ先出し）であって、最大で、たとえば１５０個の特徴量が学習データとして保持されるようになっている。
【００２８】
以下では、本発明の特徴である学習データ選択部４について説明する。学習データ記憶部６には正常のカテゴリに分類されることが期待される多数個の学習データが格納されるが、学習データ記憶部６に格納されている学習データは機器Ｘを動作させることにより収集したものであるから、学習データを収集した時点で機器Ｘが正常な動作であったか否かは必ずしも保証されておらず、また環境音や突発的な雑音が学習データに混入している可能性もある。したがって、各学習データに対応付けたカテゴリは、必ずしも適正であるとは限らない。
【００２９】
そこで、本実施形態では、学習データ選択部４を設け、学習データ記憶部６に格納されたデータをニューラルネット１に与えたときの結果を評価し、その評価によって学習データ記憶部６に格納されているデータから学習に適したデータを選別することにより、適正な学習データのみが学習データ記憶部６に残るようにしている。
【００３０】
ここでは、学習データ記憶部６に格納されているデータの集合をデータセットと呼び、データセットを構成している各データはそれぞれ特定のカテゴリ（つまり、正常のカテゴリ）に分類されることが期待されているものとする。つまり、各データにはカテゴリが対応付けられているものとする。データセットは、学習データ記憶部６に格納されたデータの全体であることを想定しているが、学習データ記憶部６に複数のデータセットを格納してもよい。また、データセットを構成するデータの個数は学習データ記憶部６に格納可能な範囲内で任意である。
【００３１】
本実施形態では、学習データ選択部４において、図３に示す手順の処理を行うことにより、学習データ記憶部６に格納されたデータセットから学習データとしては不適なデータを削除する。すなわち、まずニューラルネット１を学習モードとして、学習データ記憶部６に格納されているデータセットに含まれるすべてのデータを用いてニューラルネット１の学習を行う（Ｓ１）。この処理によって、ニューラルネット１の出力層１２における各ニューロンＮ２にはそれぞれ重みベクトルが設定される。
【００３２】
次に、学習データ選択部４では、ニューラルネット１に与えたデータセットの各データとニューラルネット１の出力層１２の各ニューロンＮ２のうち発火したニューロンＮ２との乖離度を各データについて求める（Ｓ２）。つまり、乖離度は、ニューラルネット１に与えた入力データ（ベクトル）と、当該入力データにより発火したニューロンＮ２に対応付けた重みベクトルとの差分ベクトルの大きさを反映する値であって、入力データを［Ｘ］、発火したニューロンＮ２の重みベクトルを［Wwin］とすれば（［ａ］はａがベクトルであることを意味している）、乖離度Ｙは次式で定義される。
Ｙ＝（［Ｘ］／Ｘ−［Wwin］／Wwin）Ｔ（［Ｘ］／Ｘ−［Wwin］／Wwin）
ここにＴは転置を表し、角付き括弧を付与していないＸ，Ｗwinは各ベクトルのノルムを表す。各ベクトルの要素をノルムで除算していることにより、乖離度Ｙは正規化されている。
【００３３】
上述のように、各データごとに乖離度が求められるから、データの個数分の乖離度が得られる。得られた乖離度については平均値と分散値とを求め（Ｓ３）、平均値を規定した平均閾値と比較し、分散値を規定した分散閾値と比較する（Ｓ４）。平均閾値および分散閾値はそれぞれ使用者が適宜に設定する。ここで、乖離度の平均値が平均閾値より小さく、また乖離度の分散値が分散閾値よりも小さければ、カテゴリが適正に設定されているものとして学習モードを終了する（Ｓ５）。
【００３４】
一方、乖離度の平均値が平均閾値以上または分散値が分散閾値以上であるときには、カテゴリが適正ではないデータが学習データに混入しているものと判断し、データセットに含まれる各データを１個ずつ選択し（Ｓ６）、選択したデータについて求めた乖離度を規定の乖離度閾値と比較する（Ｓ７）。乖離度が乖離度閾値以下の場合には当該データを学習データとして採用し、乖離度が乖離度閾値以上である場合には当該データをデータセットから削除する（Ｓ８）。ステップＳ６〜Ｓ９の処理はデータセットに含まれるすべてのデータについて行う（Ｓ９）。
【００３５】
上述したステップＳ１〜Ｓ９の処理はデータ選別処理と呼び、データ選別処理は、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくなり、かつ乖離度の分散値が分散閾値より小さくなるまで繰り返される。つまり、ステップＳ４において学習モードの終了（Ｓ５）に分岐するまで繰り返される。
【００３６】
上述したデータ選別処理を行うことにより、正常のカテゴリのデータ群から逸脱するデータをデータセットから除外することができる。また、正常のカテゴリに属さないデータや環境音あるいは雑音により生じたデータを除去したデータによってニューラルネット１の学習が行われるから、学習モードの終了時点ではニューラルネット１が適正なデータで学習されていることになる。その結果、検査モードにおいて入力データを精度よく分類することが可能になる。
【００３７】
なお、上述した例では、カテゴリを正常のみとしたが、他のカテゴリであってもよく、また複数のカテゴリについて学習させる場合には、各データセットのデータを１種類のカテゴリに対応付けてあればよい。したがって、１種類のカテゴリに対応付けた複数のデータセットを用い、各データセットごとに上述した学習を行えば複数のカテゴリについてニューラルネット１の学習を行うことができる。
【００３８】
（実施形態２）
実施形態１は、学習時における入力データとニューラルネット１において発火したニューロンＮ２との関係のみを評価しているが、本実施形態はニューラルネット１の出力層１２においてカテゴリの類似するニューロンＮ２の距離が近くに配置されることに着目し、出力層１２のニューロンＮ２の関係についても評価を行うものである。
【００３９】
学習データ記憶部６に格納されたデータセットを用いてニューラルネット１を学習させるのは実施形態１と同様である。図４に示すように、ニューラルネット１の学習後に（Ｓ１）、学習データ選択部４では、ニューラルネット１の出力層１２のすべてのニューロンＮ２を対象として、他のニューロンＮ２との重みベクトルのユークリッド距離を求める（Ｓ２）。ここで、実際の演算にあたっては２つのニューロンＮ２の重みベクトルの差分の２乗をユークリッド距離に代用する（つまり、符号を無視するためにユークリッド距離の２乗を用いる）。
【００４０】
次に、各ニューロンＮ２ごとに、求めたユークリッド距離（ユークリッド距離の２乗）の最小値と総和との一方を求める（Ｓ３）。各ニューロンＮ２について、ユークリッド距離の２乗が最小になるニューロンＮ２はカテゴリの類似の程度がもっとも高いニューロンＮ２を意味しており、またユークリッド距離の２乗の総和が最小になることはカテゴリの類似の程度の高いニューロンが分散せずに集中して存在していることを意味する
したがって、各ニューロンＮ２について、ステップＳ３で求めた最小値または総和を規定した閾値と比較し（Ｓ５）、閾値以上であるときにはカテゴリが適切に設定されていないニューロンＮ２であるとみなして、当該ニューロンＮ２を発火させたデータをすべてデータセットから削除する（Ｓ６）。ステップＳ５、Ｓ６の処理をカテゴリ選別処理と呼び、カテゴリ選別処理をニューラルネット１の出力層１２のすべてのニューロンＮ２について行う（Ｓ４，Ｓ７）。ステップＳ６においてデータセットからデータを削除した場合には、残されたデータからなるデータセットを用いてステップＳ１の学習が再度行われる（Ｓ８）。
【００４１】
また、ステップＳ６においてデータセットからデータを削除しなかった場合には、実施形態１と同様のデータ選別処理を行い（Ｓ９〜Ｓ１７）、カテゴリが逸脱しているデータをデータセットから除去する。
【００４２】
本実施形態の方法を採用すれば、ニューラルネット１の出力層１２におけるニューロンＮ２のカテゴリの近接度によってデータセットのデータを評価するから、正常のカテゴリに属するニューロンＮ２が分散することがなく、クラスタリングマップ１３において正常のカテゴリに属するニューロンＮ２の存在位置を集中させることができる。さらに、カテゴリ選別処理を前処理として、カテゴリの曖昧なデータをデータセットから取り除いた後に、実施形態１と同様のデータ選別処理を行うから、正常のカテゴリに属していない環境音や雑音により生じたデータも除去され、実施形態１よりもさらに適正なデータによる学習が可能になる。実施形態１と同様にカテゴリは正常のみではなく、他のカテゴリであってもよく、複数のカテゴリについて学習させることも可能である。他の構成および動作は実施形態１と同様である。
【００４３】
（実施形態３）
上述した実施形態１、実施形態２ではニューラルネット１を学習させ、出力層１２のニューロンＮ２に重みベクトルを対応付けた後に、カテゴリの評価を行うようにしているが、本実施形態では、学習データ記憶部６に格納されているデータセット自身を評価することにより、学習に用いるデータを適正化する技術を例示する。
【００４４】
本実施形態では、図５に示すように、学習データ選択部４において、まず学習データ記憶部６に格納されているデータセットに含まれるすべてのデータについて相互間のユークリッド距離を求める（Ｓ１）。ユークリッド距離は、符号を無視するために実際にはデータ間の差の２乗を用いる。
【００４５】
次に、データセットの全データを対象にしてユークリッド距離（ユークリッド距離の２乗）の平均値および分散値を求め、それぞれ第１の平均値と第１の分散値とする（Ｓ２）。さらに、データセットから着目する１個のデータを除外し（Ｓ３）、残りのデータを対象にしてユークリッド距離（ユークリッド距離の２乗）の平均値および分散値を求め、それぞれ第２の平均値と第２の分散値とする（Ｓ４）。ここで、除外したデータが同じカテゴリに属している場合には、第１の平均値と第２の平均値との差は小さく、第１の分散値と第２の分散値との差も小さいと推定できる。
【００４６】
そこで、第１の平均値と第２の平均値との差分と、第１の分散値と第２の分散値との差分とを求め（Ｓ５）、各差分のうちの一方でも各差分について規定した第１および第２の閾値以上であれば除外したデータは適正ではないと推定することができる（Ｓ６）。ただし、この条件が満たされる場合でも、適正なデータである可能性も残されているから、さらに第２の平均値が第１の平均値以下（Ｓ７）、かつ第２の分散値が第１の分散値以下（Ｓ８）という条件を満たすときに、除外したデータは正常のカテゴリに属していないデータであると判断してデータセットから削除する（Ｓ９）。ステップＳ６〜Ｓ８のいずれか１つでも条件が満たされない場合には、除外したデータを削除せず、学習に適したデータとみなす。ステップＳ３〜Ｓ９の処理をデータ除去処理と呼ぶ。
【００４７】
ステップＳ９においてデータが削除された場合には、第２の平均値および第２の分散値を第１の平均値および第１の分散値に読み替え（Ｓ１０）、ステップＳ３に戻って別のデータを除外し、すべてのデータについてデータ除去処理を繰り返す（Ｓ１１）。さらに、ステップＳ９においてデータを削除した場合には、ステップＳ１に戻って上述の処理を繰り返し、削除されるデータがなくなるまでデータ除去処理を繰り返す（Ｓ１２）。
【００４８】
上述の処理により学習データ記憶部６に格納されたデータセットについて評価し、削除するデータがなくなれば、データセットのデータが適正化されたとみなして、ニューラルネット１の学習に用いる（Ｓ１３）。
【００４９】
本実施形態では、ニューラルネット１の学習前にデータセットに含まれるデータについて学習用のデータとしての適否を評価するから、実施形態１、実施形態２で説明した方法のように、ニューラルネット１を学習モードで何度も動作させる必要がなく、処理負荷を低減することができる。なお、本実施形態の他の構成および動作は実施形態１、２と同様であり、実施形態１、２の方法と本実施形態の方法とを組み合わせて用いることも可能である。
【図面の簡単な説明】
【００５０】
【図１】本発明の各実施形態に共通するブロック図である。
【図２】同上に用いるニューラルネットの概略構成図である。
【図３】実施形態１の動作説明図である。
【図４】実施形態２の動作説明図である。
【図５】実施形態３の動作説明図である。
【符号の説明】
【００５１】
１ ニューラルネット（競合学習型ニューラルネットワーク）
２ 信号入力部
２ａ マイクロホン
２ｂ 振動センサ
３ 特徴抽出部
４ 学習データ選択部
５ クラスタリングマップ（出力部）
６ 学習データ記憶部
１１ 入力層
１２ 出力層
Ｎ１ ニューロン
Ｎ２ ニューロン
Ｘ 機器
【技術分野】
【０００１】
本発明は、競合学習型ニューラルネットワークを用いて振動成分を含む対象信号を分類する信号識別装置において、集めたデータの中から競合学習型ニューラルネットワークの学習に適した学習データを選び出す信号識別装置の学習データの選択方法に関するものである。
【背景技術】
【０００２】
従来から、ニューラルネットワーク（ニューロコンピュータ）の分類機能を利用することにより、振動成分を含む対象信号を分類する技術が知られている。この種の技術は、音声の認識や機器が正常に動作しているか機器に異常が生じているかを判定する異常監視装置などに用いられている。たとえば、この種の技術を採用した異常監視装置では、機器の動作音や機器の振動をセンサ部（トランスデューサ）により電気信号に変換してセンサ部の出力を対象信号に用い、対象信号について複数個のパラメータからなる特徴量を抽出し、この特徴量をニューラルネットワークで分類する技術が種々提案されている。
【０００３】
ニューラルネットワークには種々の構成が知られており、たとえば、競合学習型ニューラルネットワーク（自己組織化マップ＝ＳＯＭ）を用いて特徴量のカテゴリを分類することが提案されている。競合学習型ニューラルネットワークは、入力層と出力層との２層からなるニューラルネットワークであり、学習モードと検査モードとの２動作を行う。
【０００４】
学習モードでは、教師信号を用いずに学習データを与える。学習データにカテゴリを与えておけば、出力層のニューロンにカテゴリを対応付けることができ、同種のカテゴリに属するニューロンからなるクラスタを形成することができる。したがって、学習モードでは、出力層のニューロンのクラスタにカテゴリを示すクラスタリングマップを対応付けることができる。
【０００５】
検査モードでは、分類しようとする特徴量（入力データ）を学習済みの競合学習型ニューラルネットワークに与え、クラスタリングマップにおいて発火したニューロンが属するクラスタのカテゴリをクラスタリングマップに照合することによって、入力データのカテゴリを分類することができる（たとえば、特許文献１参照）。
【特許文献１】特開２００４−３５４１１１号公報
【発明の開示】
【発明が解決しようとする課題】
【０００６】
ところで、競合学習型ニューラルネットワークでは、教師信号を用いていないから、学習モードにおいて入力される学習データのカテゴリの精度により、検査モードの際のカテゴリの分類の精度が決定される。すなわち、学習モードにおいて使用する学習データとして適正なものを採用する必要があるが、学習データの選別には適切な基準が存在しない。したがって、競合学習型ニューラルネットワークにおける出力層の１つのニューロンが複数のカテゴリの学習データで発火する場合が生じる。言い換えると、適切な学習データを用いて学習しなければ、発火したときにカテゴリを決定できないニューロンが出力層に含まれるという問題が生じる。
【０００７】
本発明は上記事由に鑑みて為されたものであり、その目的は、競合学習型ニューラルネットの学習に用いる学習データを適正化することにより、信号識別装置のカテゴリの分類精度を高める信号識別装置の学習データの選択方法を提供することにある。
【課題を解決するための手段】
【０００８】
請求項１の発明は、振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、前記データーセットを用いて競合学習型ニューラルネットワークの学習を行うことにより競合学習型ニューラルネットワークにおける出力層の各ニューロンにそれぞれ重み係数の組を要素とする重みベクトルを設定した後、学習データ選択部において、前記データセットの各データと競合学習型ニューラルネットワークの出力層のうち発火したニューロンの重みベクトルとの差分ベクトルの大きさを乖離度として各データについて求め、乖離度の平均値と分散値とがそれぞれに対して規定した平均閾値以上かつ分散閾値以上であるときに乖離度が規定の乖離度閾値以上になるデータをデータセットから削除するデータ選別処理を行い、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまでデータ選別処理を行う処理を繰り返すことを特徴とする。
【０００９】
この方法によれば、データセットに含まれるデータについて期待されるカテゴリへの帰属の程度を評価することができ、他のカテゴリに帰属する可能性のあるデータを除外することができる。つまり、学習に用いるデータセットのうち競合学習型ニューラルネットワークの出力層の各ニューロンに設定した重みベクトルとの乖離度が大きいデータについてはデータセットから削除するから、期待するカテゴリに帰属しないカテゴリ違いのデータやデータセットを構成するデータを収集する際に突発的に雑音として混入するデータなどをデータセットから除去することができ、学習データとして用いるデータセットに含まれるデータのカテゴリの精度を高めることができる。つまり、入力データを分類する際の精度を高めることができる。
【００１０】
請求項２の発明は、振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、前記データーセットを用いて競合学習型ニューラルネットワークの学習を行うことにより競合学習型ニューラルネットワークにおける出力層の各ニューロンにそれぞれ重み係数の組を要素とする重みベクトルを設定した後、学習データ選択部において、競合学習型ニューラルネットワークの出力層の各ニューロンごとに他のニューロンとの間の重みベクトルのユークリッド距離について最小値と総和とのいずれか一方を求め、求めた最小値と総和との一方が規定の閾値以上であるときにそのニューロンを発火させたすべてのデータをデータセットから削除するカテゴリ選別処理を行い、競合学習型ニューラルネットワークの出力層のすべてのニューロンについてカテゴリ選別処理を行った後、前記データセットの各データと競合学習型ニューラルネットワークの出力層のうち発火したニューロンの重みベクトルとの差分ベクトルの大きさを乖離度として各データについて求め、乖離度の平均値と分散値とがそれぞれに対して規定した平均閾値以上かつ分散閾値以上であるときに乖離度が規定の乖離度閾値以上になるデータをデータセットから削除するデータ選別処理を行い、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまでデータ選別処理を行う処理を繰り返すことを特徴とする。
【００１１】
この方法によれば、請求項１の発明と同様にデータ選別処理を行うから請求項１の発明と同様の作用を奏する上に、カテゴリ選別処理を行うことによりカテゴリ違いのデータによって発火したニューロンについては、そのニューロンを発火させたデータを削除することで、期待されるカテゴリとは異なるカテゴリのデータが学習データに用いられるのを防止することができる。言い換えると、カテゴリの異なるデータにより発火したニューロンが、期待されるカテゴリのニューロンと誤認されることを回避できる。
【００１２】
請求項３の発明は、振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、学習データ選択部において、データセットに含まれるすべてのデータについて相互間のユークリッド距離を求め、データセットの全データを対象にして求めたユークリッド距離の平均値および分散値を第１の平均値および第１の分散値とし、データセットから着目する１個のデータを除外した残りのデータを対象にして求めたユークリッド距離の平均値および分散値を第２の平均値および第２の分散値とし、第１の平均値と第２の平均値との差分が規定の第１の閾値以上、かつ第１の分散値と第２の分散値との差分が規定の第２の閾値以上、かつ第２の平均値が第１の平均値以下、かつ第２の分散値が第１の分散値以下という条件を満たすときに、着目した１個のデータをデータセットから削除するデータ除去処理を行い、データセットに含まれるすべてのデータについて削除するデータがなくなるまでデータ除去処理を行う処理を繰り返すことを特徴とする。
【００１３】
請求項１、請求項２の発明では、競合学習型ニューラルネットワークをデータセットに含まれるデータで学習させているが、この方法によれば、データセットに含まれるデータを用いて競合学習型ニューラルネットワークを学習させる必要がなく、データセットに含まれるデータ自身を用いて学習データとしての適否を評価することができるから、データセットに含まれるデータのうちで学習データとして使用するデータを選択する際に競合型ニューラルネットワークを動作させる必要がなく、少ない処理負荷で学習データを短時間で選別することができる。また、請求項１、請求項２の発明と同様に、学習データから期待するカテゴリに帰属しないカテゴリ違いのデータや突発的に雑音として混入するデータなどをデータセットから削除することができるから、入力データを分類する際の精度を高めることができる。
【発明の効果】
【００１４】
本発明の方法によれば、データセットに含まれるデータについて期待されるカテゴリへの帰属の程度を評価して他のカテゴリに帰属する可能性のあるデータを除外することができるという利点がある。その結果、期待するカテゴリに帰属しないカテゴリ違いのデータやデータセットを構成するデータを収集する際に突発的に雑音として混入するデータなどをデータセットから除去することができ、学習データとして用いるデータセットに含まれるデータのカテゴリの精度を高め、入力データを分類する際の精度を高めることができるという利点がある。
【発明を実施するための最良の形態】
【００１５】
以下に説明する実施形態では、機器の動作によって得られる対象信号の特徴量によって機器の動作が正常か異常かを判別する異常監視装置に本発明の技術を採用する例を示す。つまり、信号識別装置として異常監視装置を例示する。また、機器としてはモータのような動力源を備える設備機器を想定するが、機器の種類はとくに問わない。
【００１６】
（実施形態１）
本実施形態で説明する信号識別装置は、図１に示すように、教師なしの競合学習型ニューラルネットワーク（以下、単に「ニューラルネット」と呼ぶ）１を用いている。ニューラルネット１は、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１は、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。
【００１７】
ニューラルネット１の動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した複数のパラメータからなる特徴量（入力データ）のカテゴリを分類する。
【００１８】
入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１に入力することによりニューラルネット１を学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。
【００１９】
一方、検査モードでは、カテゴリを判定すべき入力データをニューラルネット１の入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと入力データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって入力データのカテゴリを知ることができる。
【００２０】
出力層１２のニューロンＮ２には、たとえば６×６個の領域を有する２次元のクラスタリングマップ５の各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタリングマップ５の各領域に学習データのカテゴリを対応付けておけば、入力データにより発火したニューロンＮ２に対応するカテゴリをクラスタリングマップ５により知ることができるから、クラスタリングマップ５はニューラルネット１による分類結果を出力する出力部として機能する。
【００２１】
クラスタリングマップ５の各領域（実質的には出力層１２の各ニューロンＮ２）には後述する手順でカテゴリを対応付ける。また、本実施形態では、説明を簡単にするために、ニューラルネット１で分類すべきカテゴリは正常と異常との２種類としており、本実施形態では、学習モードにおいて正常のカテゴリの学習データのみを入力する。出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映され、多数個（たとえば、１５０個）の学習データを与えると、類似度の高いカテゴリがクラスタリングマップ５上で近い位置に配置される。つまり、特徴量の似通った学習データが発火させるニューロンＮ２は、クラスタリングマップ５の上で近い位置に配置される。
【００２２】
したがって、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ５上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部６に格納されており、必要に応じて学習データ記憶部６から読み出されてニューラルネット１に与えられる。
【００２３】
ところで、ニューラルネット１により分類する対象信号は、機器Ｘから得られる電気信号であって、たとえば、機器Ｘの動作音を検出するマイクロホン２ａと、機器Ｘの動作時に生じる振動を検出する振動センサ２ｂとの少なくとも一方からなるセンサ部２の出力を用いる。センサ部２の構成は機器Ｘの種類に応じて適宜に選択され、マイクロホン２ａ、振動センサ２ｂのほか、ＴＶカメラ、匂いセンサなどの各種のセンサを単独または組み合わせて用いることができる。あるいはまた、機器Ｘが発生する信号を取り出して対象信号に用いることも可能である。センサ部２は機器Ｘの動作により生じる対象信号を取り込むから、信号入力部として機能する。
【００２４】
センサ部２で得られた電気信号である対象信号は、特徴抽出部３に与えられ対象信号の特徴量が抽出される。本実施形態では、センサ部２から特徴抽出部３に与えられる対象信号は振動成分を含む信号であって、特徴抽出部３に入力されることにより対象信号の振動成分を表す複数のパラメータを持つ特徴量が抽出される。
【００２５】
特徴抽出部３では、機器Ｘが発生する対象信号から同じ条件で特徴量を抽出するために、まず機器Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、対象信号の切り出し（セグメンテーション）を行った後、適宜の単位時間ごとの信号に分割し、単位時間毎に特徴量を抽出する。したがって、特徴抽出部３はセンサ部２から与えられる対象信号を一時的に記憶するバッファを備える。また、特徴抽出部３では、必要に応じて周波数帯域を制限するなどして、ノイズを低減させる前処理を行う。さらに、センサ部２から出力される対象信号をデジタル信号に変換する機能も備える。
【００２６】
説明を簡単にするために、ここでは、セグメンテーションを行った後の対象信号の振動成分から複数の周波数成分（周波数帯域ごとのパワー）を抽出し、各周波数成分をパラメータとして特徴量に用いるものとして説明する。周波数成分の抽出には、ＦＦＴ（高速フーリエ変換）の技術、あるいは多数個のバンドパスフィルタからなるフィルタバンクを用いる。どの周波数成分を特徴量に用いるかは、対象とする機器Ｘや抽出しようとする異常に応じて適宜に選択される。
【００２７】
特徴抽出部３から単位時間毎に得られた特徴量は、特徴量の抽出のたびにニューラルネット１に与えられる。また、特徴量は学習データとしても用いるために学習データ記憶部６にも格納される。学習データ記憶部６はＦＩＦＯ（先入れ先出し）であって、最大で、たとえば１５０個の特徴量が学習データとして保持されるようになっている。
【００２８】
以下では、本発明の特徴である学習データ選択部４について説明する。学習データ記憶部６には正常のカテゴリに分類されることが期待される多数個の学習データが格納されるが、学習データ記憶部６に格納されている学習データは機器Ｘを動作させることにより収集したものであるから、学習データを収集した時点で機器Ｘが正常な動作であったか否かは必ずしも保証されておらず、また環境音や突発的な雑音が学習データに混入している可能性もある。したがって、各学習データに対応付けたカテゴリは、必ずしも適正であるとは限らない。
【００２９】
そこで、本実施形態では、学習データ選択部４を設け、学習データ記憶部６に格納されたデータをニューラルネット１に与えたときの結果を評価し、その評価によって学習データ記憶部６に格納されているデータから学習に適したデータを選別することにより、適正な学習データのみが学習データ記憶部６に残るようにしている。
【００３０】
ここでは、学習データ記憶部６に格納されているデータの集合をデータセットと呼び、データセットを構成している各データはそれぞれ特定のカテゴリ（つまり、正常のカテゴリ）に分類されることが期待されているものとする。つまり、各データにはカテゴリが対応付けられているものとする。データセットは、学習データ記憶部６に格納されたデータの全体であることを想定しているが、学習データ記憶部６に複数のデータセットを格納してもよい。また、データセットを構成するデータの個数は学習データ記憶部６に格納可能な範囲内で任意である。
【００３１】
本実施形態では、学習データ選択部４において、図３に示す手順の処理を行うことにより、学習データ記憶部６に格納されたデータセットから学習データとしては不適なデータを削除する。すなわち、まずニューラルネット１を学習モードとして、学習データ記憶部６に格納されているデータセットに含まれるすべてのデータを用いてニューラルネット１の学習を行う（Ｓ１）。この処理によって、ニューラルネット１の出力層１２における各ニューロンＮ２にはそれぞれ重みベクトルが設定される。
【００３２】
次に、学習データ選択部４では、ニューラルネット１に与えたデータセットの各データとニューラルネット１の出力層１２の各ニューロンＮ２のうち発火したニューロンＮ２との乖離度を各データについて求める（Ｓ２）。つまり、乖離度は、ニューラルネット１に与えた入力データ（ベクトル）と、当該入力データにより発火したニューロンＮ２に対応付けた重みベクトルとの差分ベクトルの大きさを反映する値であって、入力データを［Ｘ］、発火したニューロンＮ２の重みベクトルを［Wwin］とすれば（［ａ］はａがベクトルであることを意味している）、乖離度Ｙは次式で定義される。
Ｙ＝（［Ｘ］／Ｘ−［Wwin］／Wwin）Ｔ（［Ｘ］／Ｘ−［Wwin］／Wwin）
ここにＴは転置を表し、角付き括弧を付与していないＸ，Ｗwinは各ベクトルのノルムを表す。各ベクトルの要素をノルムで除算していることにより、乖離度Ｙは正規化されている。
【００３３】
上述のように、各データごとに乖離度が求められるから、データの個数分の乖離度が得られる。得られた乖離度については平均値と分散値とを求め（Ｓ３）、平均値を規定した平均閾値と比較し、分散値を規定した分散閾値と比較する（Ｓ４）。平均閾値および分散閾値はそれぞれ使用者が適宜に設定する。ここで、乖離度の平均値が平均閾値より小さく、また乖離度の分散値が分散閾値よりも小さければ、カテゴリが適正に設定されているものとして学習モードを終了する（Ｓ５）。
【００３４】
一方、乖離度の平均値が平均閾値以上または分散値が分散閾値以上であるときには、カテゴリが適正ではないデータが学習データに混入しているものと判断し、データセットに含まれる各データを１個ずつ選択し（Ｓ６）、選択したデータについて求めた乖離度を規定の乖離度閾値と比較する（Ｓ７）。乖離度が乖離度閾値以下の場合には当該データを学習データとして採用し、乖離度が乖離度閾値以上である場合には当該データをデータセットから削除する（Ｓ８）。ステップＳ６〜Ｓ９の処理はデータセットに含まれるすべてのデータについて行う（Ｓ９）。
【００３５】
上述したステップＳ１〜Ｓ９の処理はデータ選別処理と呼び、データ選別処理は、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくなり、かつ乖離度の分散値が分散閾値より小さくなるまで繰り返される。つまり、ステップＳ４において学習モードの終了（Ｓ５）に分岐するまで繰り返される。
【００３６】
上述したデータ選別処理を行うことにより、正常のカテゴリのデータ群から逸脱するデータをデータセットから除外することができる。また、正常のカテゴリに属さないデータや環境音あるいは雑音により生じたデータを除去したデータによってニューラルネット１の学習が行われるから、学習モードの終了時点ではニューラルネット１が適正なデータで学習されていることになる。その結果、検査モードにおいて入力データを精度よく分類することが可能になる。
【００３７】
なお、上述した例では、カテゴリを正常のみとしたが、他のカテゴリであってもよく、また複数のカテゴリについて学習させる場合には、各データセットのデータを１種類のカテゴリに対応付けてあればよい。したがって、１種類のカテゴリに対応付けた複数のデータセットを用い、各データセットごとに上述した学習を行えば複数のカテゴリについてニューラルネット１の学習を行うことができる。
【００３８】
（実施形態２）
実施形態１は、学習時における入力データとニューラルネット１において発火したニューロンＮ２との関係のみを評価しているが、本実施形態はニューラルネット１の出力層１２においてカテゴリの類似するニューロンＮ２の距離が近くに配置されることに着目し、出力層１２のニューロンＮ２の関係についても評価を行うものである。
【００３９】
学習データ記憶部６に格納されたデータセットを用いてニューラルネット１を学習させるのは実施形態１と同様である。図４に示すように、ニューラルネット１の学習後に（Ｓ１）、学習データ選択部４では、ニューラルネット１の出力層１２のすべてのニューロンＮ２を対象として、他のニューロンＮ２との重みベクトルのユークリッド距離を求める（Ｓ２）。ここで、実際の演算にあたっては２つのニューロンＮ２の重みベクトルの差分の２乗をユークリッド距離に代用する（つまり、符号を無視するためにユークリッド距離の２乗を用いる）。
【００４０】
次に、各ニューロンＮ２ごとに、求めたユークリッド距離（ユークリッド距離の２乗）の最小値と総和との一方を求める（Ｓ３）。各ニューロンＮ２について、ユークリッド距離の２乗が最小になるニューロンＮ２はカテゴリの類似の程度がもっとも高いニューロンＮ２を意味しており、またユークリッド距離の２乗の総和が最小になることはカテゴリの類似の程度の高いニューロンが分散せずに集中して存在していることを意味する
したがって、各ニューロンＮ２について、ステップＳ３で求めた最小値または総和を規定した閾値と比較し（Ｓ５）、閾値以上であるときにはカテゴリが適切に設定されていないニューロンＮ２であるとみなして、当該ニューロンＮ２を発火させたデータをすべてデータセットから削除する（Ｓ６）。ステップＳ５、Ｓ６の処理をカテゴリ選別処理と呼び、カテゴリ選別処理をニューラルネット１の出力層１２のすべてのニューロンＮ２について行う（Ｓ４，Ｓ７）。ステップＳ６においてデータセットからデータを削除した場合には、残されたデータからなるデータセットを用いてステップＳ１の学習が再度行われる（Ｓ８）。
【００４１】
また、ステップＳ６においてデータセットからデータを削除しなかった場合には、実施形態１と同様のデータ選別処理を行い（Ｓ９〜Ｓ１７）、カテゴリが逸脱しているデータをデータセットから除去する。
【００４２】
本実施形態の方法を採用すれば、ニューラルネット１の出力層１２におけるニューロンＮ２のカテゴリの近接度によってデータセットのデータを評価するから、正常のカテゴリに属するニューロンＮ２が分散することがなく、クラスタリングマップ１３において正常のカテゴリに属するニューロンＮ２の存在位置を集中させることができる。さらに、カテゴリ選別処理を前処理として、カテゴリの曖昧なデータをデータセットから取り除いた後に、実施形態１と同様のデータ選別処理を行うから、正常のカテゴリに属していない環境音や雑音により生じたデータも除去され、実施形態１よりもさらに適正なデータによる学習が可能になる。実施形態１と同様にカテゴリは正常のみではなく、他のカテゴリであってもよく、複数のカテゴリについて学習させることも可能である。他の構成および動作は実施形態１と同様である。
【００４３】
（実施形態３）
上述した実施形態１、実施形態２ではニューラルネット１を学習させ、出力層１２のニューロンＮ２に重みベクトルを対応付けた後に、カテゴリの評価を行うようにしているが、本実施形態では、学習データ記憶部６に格納されているデータセット自身を評価することにより、学習に用いるデータを適正化する技術を例示する。
【００４４】
本実施形態では、図５に示すように、学習データ選択部４において、まず学習データ記憶部６に格納されているデータセットに含まれるすべてのデータについて相互間のユークリッド距離を求める（Ｓ１）。ユークリッド距離は、符号を無視するために実際にはデータ間の差の２乗を用いる。
【００４５】
次に、データセットの全データを対象にしてユークリッド距離（ユークリッド距離の２乗）の平均値および分散値を求め、それぞれ第１の平均値と第１の分散値とする（Ｓ２）。さらに、データセットから着目する１個のデータを除外し（Ｓ３）、残りのデータを対象にしてユークリッド距離（ユークリッド距離の２乗）の平均値および分散値を求め、それぞれ第２の平均値と第２の分散値とする（Ｓ４）。ここで、除外したデータが同じカテゴリに属している場合には、第１の平均値と第２の平均値との差は小さく、第１の分散値と第２の分散値との差も小さいと推定できる。
【００４６】
そこで、第１の平均値と第２の平均値との差分と、第１の分散値と第２の分散値との差分とを求め（Ｓ５）、各差分のうちの一方でも各差分について規定した第１および第２の閾値以上であれば除外したデータは適正ではないと推定することができる（Ｓ６）。ただし、この条件が満たされる場合でも、適正なデータである可能性も残されているから、さらに第２の平均値が第１の平均値以下（Ｓ７）、かつ第２の分散値が第１の分散値以下（Ｓ８）という条件を満たすときに、除外したデータは正常のカテゴリに属していないデータであると判断してデータセットから削除する（Ｓ９）。ステップＳ６〜Ｓ８のいずれか１つでも条件が満たされない場合には、除外したデータを削除せず、学習に適したデータとみなす。ステップＳ３〜Ｓ９の処理をデータ除去処理と呼ぶ。
【００４７】
ステップＳ９においてデータが削除された場合には、第２の平均値および第２の分散値を第１の平均値および第１の分散値に読み替え（Ｓ１０）、ステップＳ３に戻って別のデータを除外し、すべてのデータについてデータ除去処理を繰り返す（Ｓ１１）。さらに、ステップＳ９においてデータを削除した場合には、ステップＳ１に戻って上述の処理を繰り返し、削除されるデータがなくなるまでデータ除去処理を繰り返す（Ｓ１２）。
【００４８】
上述の処理により学習データ記憶部６に格納されたデータセットについて評価し、削除するデータがなくなれば、データセットのデータが適正化されたとみなして、ニューラルネット１の学習に用いる（Ｓ１３）。
【００４９】
本実施形態では、ニューラルネット１の学習前にデータセットに含まれるデータについて学習用のデータとしての適否を評価するから、実施形態１、実施形態２で説明した方法のように、ニューラルネット１を学習モードで何度も動作させる必要がなく、処理負荷を低減することができる。なお、本実施形態の他の構成および動作は実施形態１、２と同様であり、実施形態１、２の方法と本実施形態の方法とを組み合わせて用いることも可能である。
【図面の簡単な説明】
【００５０】
【図１】本発明の各実施形態に共通するブロック図である。
【図２】同上に用いるニューラルネットの概略構成図である。
【図３】実施形態１の動作説明図である。
【図４】実施形態２の動作説明図である。
【図５】実施形態３の動作説明図である。
【符号の説明】
【００５１】
１ ニューラルネット（競合学習型ニューラルネットワーク）
２ 信号入力部
２ａ マイクロホン
２ｂ 振動センサ
３ 特徴抽出部
４ 学習データ選択部
５ クラスタリングマップ（出力部）
６ 学習データ記憶部
１１ 入力層
１２ 出力層
Ｎ１ ニューロン
Ｎ２ ニューロン
Ｘ 機器
【特許請求の範囲】
【請求項１】
振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、前記データーセットを用いて競合学習型ニューラルネットワークの学習を行うことにより競合学習型ニューラルネットワークにおける出力層の各ニューロンにそれぞれ重み係数の組を要素とする重みベクトルを設定した後、学習データ選択部において、前記データセットの各データと競合学習型ニューラルネットワークの出力層のうち発火したニューロンの重みベクトルとの差分ベクトルの大きさを乖離度として各データについて求め、乖離度の平均値と分散値とがそれぞれに対して規定した平均閾値以上かつ分散閾値以上であるときに乖離度が規定の乖離度閾値以上になるデータをデータセットから削除するデータ選別処理を行い、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまでデータ選別処理を行う処理を繰り返すことを特徴とする信号識別装置の学習データの選択方法。
【請求項２】
振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、前記データーセットを用いて競合学習型ニューラルネットワークの学習を行うことにより競合学習型ニューラルネットワークにおける出力層の各ニューロンにそれぞれ重み係数の組を要素とする重みベクトルを設定した後、学習データ選択部において、競合学習型ニューラルネットワークの出力層の各ニューロンごとに他のニューロンとの間の重みベクトルのユークリッド距離について最小値と総和とのいずれか一方を求め、求めた最小値と総和との一方が規定の閾値以上であるときにそのニューロンを発火させたすべてのデータをデータセットから削除するカテゴリ選別処理を行い、競合学習型ニューラルネットワークの出力層のすべてのニューロンについてカテゴリ選別処理を行った後、前記データセットの各データと競合学習型ニューラルネットワークの出力層のうち発火したニューロンの重みベクトルとの差分ベクトルの大きさを乖離度として各データについて求め、乖離度の平均値と分散値とがそれぞれに対して規定した平均閾値以上かつ分散閾値以上であるときに乖離度が規定の乖離度閾値以上になるデータをデータセットから削除するデータ選別処理を行い、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまでデータ選別処理を行う処理を繰り返すことを特徴とする信号識別装置の学習データの選択方法。
【請求項３】
振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、学習データ選択部において、データセットに含まれるすべてのデータについて相互間のユークリッド距離を求め、データセットの全データを対象にして求めたユークリッド距離の平均値および分散値を第１の平均値および第１の分散値とし、データセットから着目する１個のデータを除外した残りのデータを対象にして求めたユークリッド距離の平均値および分散値を第２の平均値および第２の分散値とし、第１の平均値と第２の平均値との差分が規定の第１の閾値以上、かつ第１の分散値と第２の分散値との差分が規定の第２の閾値以上、かつ第２の平均値が第１の平均値以下、かつ第２の分散値が第１の分散値以下という条件を満たすときに、着目した１個のデータをデータセットから削除するデータ除去処理を行い、データセットに含まれるすべてのデータについて削除するデータがなくなるまでデータ除去処理を行う処理を繰り返すことを特徴とする信号識別装置の学習データの選択方法。
【請求項１】
振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、前記データーセットを用いて競合学習型ニューラルネットワークの学習を行うことにより競合学習型ニューラルネットワークにおける出力層の各ニューロンにそれぞれ重み係数の組を要素とする重みベクトルを設定した後、学習データ選択部において、前記データセットの各データと競合学習型ニューラルネットワークの出力層のうち発火したニューロンの重みベクトルとの差分ベクトルの大きさを乖離度として各データについて求め、乖離度の平均値と分散値とがそれぞれに対して規定した平均閾値以上かつ分散閾値以上であるときに乖離度が規定の乖離度閾値以上になるデータをデータセットから削除するデータ選別処理を行い、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまでデータ選別処理を行う処理を繰り返すことを特徴とする信号識別装置の学習データの選択方法。
【請求項２】
振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、前記データーセットを用いて競合学習型ニューラルネットワークの学習を行うことにより競合学習型ニューラルネットワークにおける出力層の各ニューロンにそれぞれ重み係数の組を要素とする重みベクトルを設定した後、学習データ選択部において、競合学習型ニューラルネットワークの出力層の各ニューロンごとに他のニューロンとの間の重みベクトルのユークリッド距離について最小値と総和とのいずれか一方を求め、求めた最小値と総和との一方が規定の閾値以上であるときにそのニューロンを発火させたすべてのデータをデータセットから削除するカテゴリ選別処理を行い、競合学習型ニューラルネットワークの出力層のすべてのニューロンについてカテゴリ選別処理を行った後、前記データセットの各データと競合学習型ニューラルネットワークの出力層のうち発火したニューロンの重みベクトルとの差分ベクトルの大きさを乖離度として各データについて求め、乖離度の平均値と分散値とがそれぞれに対して規定した平均閾値以上かつ分散閾値以上であるときに乖離度が規定の乖離度閾値以上になるデータをデータセットから削除するデータ選別処理を行い、データセットに含まれるデータから求められる乖離度の平均値が平均閾値より小さくかつ乖離度の分散値が分散閾値より小さくなるまでデータ選別処理を行う処理を繰り返すことを特徴とする信号識別装置の学習データの選択方法。
【請求項３】
振動成分を含む対象信号を取り込む信号入力部と、対象信号について複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量を入力データとし学習データを用いてあらかじめ学習したカテゴリに従って入力データを分類する競合学習型ニューラルネットワークと、競合学習型ニューラルネットワークによる分類結果を出力する出力部と、単一のカテゴリに分類されることが期待される複数個のデータからなるデータセットのうち学習データとして採用するデータを選択する学習データ選択部とを備える信号識別装置における学習データの選択方法であって、学習データ選択部において、データセットに含まれるすべてのデータについて相互間のユークリッド距離を求め、データセットの全データを対象にして求めたユークリッド距離の平均値および分散値を第１の平均値および第１の分散値とし、データセットから着目する１個のデータを除外した残りのデータを対象にして求めたユークリッド距離の平均値および分散値を第２の平均値および第２の分散値とし、第１の平均値と第２の平均値との差分が規定の第１の閾値以上、かつ第１の分散値と第２の分散値との差分が規定の第２の閾値以上、かつ第２の平均値が第１の平均値以下、かつ第２の分散値が第１の分散値以下という条件を満たすときに、着目した１個のデータをデータセットから削除するデータ除去処理を行い、データセットに含まれるすべてのデータについて削除するデータがなくなるまでデータ除去処理を行う処理を繰り返すことを特徴とする信号識別装置の学習データの選択方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２００８−５９０８０（Ｐ２００８−５９０８０Ａ）
【公開日】平成２０年３月１３日（２００８．３．１３）
【国際特許分類】
【出願番号】特願２００６−２３２５７５（Ｐ２００６−２３２５７５）
【出願日】平成１８年８月２９日（２００６．８．２９）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【公開日】平成２０年３月１３日（２００８．３．１３）
【国際特許分類】
【出願日】平成１８年８月２９日（２００６．８．２９）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
[ Back to top ]