信号識別装置の学習方法
【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】ニューラルネット１を複数個のデータからなるデータセットにより学習させたときに、複数種類のカテゴリに属するデータで１つのニューロンが発火する場合に、学習データ選択部７では、当該ニューロンと入力されたデータとの乖離度を求める。学習データ選択部７は、データに対応付けたカテゴリごとに乖離度の平均値を求め、乖離度が小さいほうのカテゴリを持つデータを学習データ記憶部６に残し、乖離度が大きいほうのカテゴリを持つデータを学習データ記憶部６から削除する。ニューラルネット１における出力層のすべてのニューロンが単一のカテゴリに分類されるまで学習データ記憶部６からのデータの削除を繰り返す。
【解決手段】ニューラルネット１を複数個のデータからなるデータセットにより学習させたときに、複数種類のカテゴリに属するデータで１つのニューロンが発火する場合に、学習データ選択部７では、当該ニューロンと入力されたデータとの乖離度を求める。学習データ選択部７は、データに対応付けたカテゴリごとに乖離度の平均値を求め、乖離度が小さいほうのカテゴリを持つデータを学習データ記憶部６に残し、乖離度が大きいほうのカテゴリを持つデータを学習データ記憶部６から削除する。ニューラルネット１における出力層のすべてのニューロンが単一のカテゴリに分類されるまで学習データ記憶部６からのデータの削除を繰り返す。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、振動成分を含む対象信号を競合学習型ニューラルネットワークを用いて分類する信号識別装置において、競合学習型ニューラルネットワークを適正に学習させる信号識別装置の学習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、各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、特定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競合学習型ニューラルネットワークの学習方法であって、競合学習型ニューラルネットワークにおける出力層の各ニューロンにはそれぞれ重み係数の組を要素とする重みベクトルが対応付けられており、学習データ選択部は、データセットのデータにより学習させた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おいて複数のカテゴリに属するニューロンが存在するときに、データセットにおけるカテゴリ毎のデータと当該ニューロンとの乖離度の平均値を求めるとともに、当該平均値が最小であるカテゴリのデータのみをデータセットに残して他のデータを削除するデータ選別処理を行い、競合学習型ニューラルネットワークにおける出力層のすべてのニューロンが単一のカテゴリに分類され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、競合学習型ニューラルネットワークにおける出力層のすべてのニューロンがそれぞれ単一のカテゴリに分類されるように学習データを選別するから、出力層のいずれかのニューロンが発火すれば必ずカテゴリを特定することができ、カテゴリを特定できない曖昧な結果を回避してカテゴリの分類精度を高めることができる。また、出力層のニューロンのうち複数種類のカテゴリの学習データによって発火するニューロンのみを対象として、乖離度によりカテゴリへの帰属の程度を評価するから、定量的な評価により各ニューロンに適正なカテゴリを付与することができる。
【００１０】
請求項２の発明は、請求項１の発明において、前記乖離度として、着目するニューロンの重みベクトルと前記競合学習型ニューラルネットワークへの入力データとの差分ベクトルの大きさを用いることを特徴とする。
【００１１】
この方法によれば、乖離度として入力したデータと発火したニューロンとの重みベクトルとの差分を評価し、この差分が小さくなるカテゴリのデータを学習データに採用することにより、学習データを定量的に適正化することができる。
【発明の効果】
【００１２】
本発明の方法によれば、競合学習型ニューラルネットワークにおける出力層のすべてのニューロンをそれぞれ単一のカテゴリに分類するように学習データが設定され、カテゴリの分類精度を高めることができるという利点がある。また、定量的な評価により各ニューロンに適正なカテゴリを付与す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】
【００１３】
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。
【００１４】
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。
【００１５】
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特徴量（入力データ）のカテゴリを分類する。
【００１６】
すなわち、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。
【００１７】
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。
【００１８】
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。
【００１９】
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、学習モードでは正常と異常との２種類のカテゴリの学習データを入力する。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、属性の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。
【００２０】
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１ａ，１ｂ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。
【００２１】
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。
【００２２】
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種類の特徴量が抽出される。
【００２３】
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。
【００２４】
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。
【００２５】
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。
【００２６】
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。上述したように学習データ記憶部６には多数個の学習データを格納することができるが、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。そこで、学習データ記憶部６では、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。
【００２７】
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、正常と異常とのカテゴリ）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と考えているが、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。
【００２８】
学習モードにおいて学習データ記憶部６に格納されているデータセットの１つをニューラルネット１に与えると、各データごとに出力層１２のニューロンＮ２が発火する。学習データ選択部４では、発火したニューロンＮ２と入力されたデータ（データを識別できる情報と当該データのカテゴリ）とを組にして記憶する。学習後に出力層１２の各ニューロンＮ２について発火させたデータのカテゴリを検査し、当該ニューロンＮ２を発火させたデータのカテゴリが１種類であれば、そのカテゴリを当該ニューロンＮ２のカテゴリとする。
【００２９】
一方、ニューロンＮ２の中にはカテゴリの異なるデータで発火したニューロンＮ２が存在する場合もある。複数のカテゴリのデータで発火したニューロンＮ２はカテゴリを決めることができないからカテゴリを「グレイ」とする。
【００３０】
学習データ選択部４では、「グレイ」のニューロンＮ２については、当該ニューロンＮ２に対応付けた重みベクトルと、入力されたデータとの乖離度を求める。乖離度は、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。
【００３１】
カテゴリが「グレイ」であるニューロンＮ２は、正常と異常との２種類のカテゴリのデータによって発火するニューロンＮ２である。そこで、正常と異常との各カテゴリのデータごとに乖離度Ｙの平均値を求め、乖離度Ｙの平均値が小さいほうのカテゴリを当該ニューロンＮ２のカテゴリとして採用する。また、このとき他のカテゴリに属するデータはデータセットから削除する。
【００３２】
上述のように、カテゴリが「グレイ」であるニューロンＮ２について、当該ニューロンＮ２を発火させたデータをカテゴリ毎に分け、各カテゴリごとに乖離度Ｙの平均値を求め、平均値が小さいほう（３種類以上のカテゴリがある場合には最小のもの）のデータのみをデータセットに残し、「グレイ」のニューロンＮ２を発火させた他のデータを削除する処理をデータ選別処理と呼ぶことにする。データ選別処理は、「グレイ」のすべてのニューロンＮ２に対して行い、その処理を、ニューラルネット１における出力層１２のすべてのニューロンＮ２が単一のカテゴリに分類されるまで繰り返す。
【００３３】
すなわち、図３に示すように、出力層１２のニューロンＮ２（クラスタリングマップ５と等価）が６×６個であって、データセットによる学習で正常（白抜き部位）と異常（黒塗り部位）と「グレイ」（斜線部位）とに分かれたとする。いま、データセットのデータを（識別番号−カテゴリ）という形式で表すものとし、識別番号は３桁でデータを識別し、カテゴリには正常（ＯＫ）と異常（ＮＧ）とがあるものとする。たとえば、００２−ＯＫという形式で表される。
【００３４】
カテゴリが正常である領域のニューロンＮ２を発火させたデータ（００２−ＯＫ、００９−ＯＫ、０１７−ＯＫ）のカテゴリはいずれも正常であり、カテゴリが異常である領域のニューロンＮ２を発火させたデータ（０４１−ＮＧ、０５９−ＮＧ、０７２−ＮＧ）のカテゴリはいずれも異常になる。しかしながら、「グレイ」のニューロンＮ２を発火させたデータには、正常と異常とのデータが混在する。
【００３５】
いま、図３の例で上から５行目、左から２列目のニューロンＮ２を発火させたデータが、００１−ＯＫ、００５−ＯＫ、０１０−ＯＫ、０３７−ＯＫ、０５１−ＮＧ、０７０−ＮＧであり、上から３行目、左から４列目のニューロンＮ２を発火させたデータが、００３−ＯＫ、００８−ＯＫ、０１５−ＯＫ、０４８−ＮＧ、０５７−ＮＧ、０６３−ＮＧであったとする。
【００３６】
この場合に、当該ニューロンＮ２を発火させたデータとの乖離度Ｙを上述した演算により求め、さらにＯＫとＮＧとのカテゴリごとに乖離度Ｙの平均値を求める。たとえば、上から５行目、左から２列目のニューロンＮ２に関して正常と異常とのカテゴリのデータについて求めた乖離度Ｙの平均値が、それぞれ０．８３、０．２５であったとすると、０．２５のほうが小さいから、このニューロンＮ２を発火させたデータのうち、正常のカテゴリを有するデータ（００１−ＯＫ、００５−ＯＫ、０１０−ＯＫ、０３７−ＯＫ）を削除する。また、同様に、上から３行目、左から４列目のニューロンＮ２に関して正常と異常とのカテゴリのデータについて求めた乖離度Ｙの平均値が、それぞれ０．４０、１．１３であったとすると、異常のカテゴリを有するデータ（０４８−ＮＧ、０５７−ＮＧ、０６３−ＮＧ）を削除する。
【００３７】
本実施形態では、カテゴリが２種類であるから、「グレイ」の各ニューロンＮ２に対して、通常は１回ずつデータ選別処理を行えば、出力層１２のすべてのニューロンＮ２に単一のカテゴリを付与することができる。また、３種類以上のカテゴリに分類する場合でもデータ選別処理を有限回行えば収束する。このようにして、出力層１２の各ニューロンＮ２にそれぞれ１種類のカテゴリを対応付けることができるように学習データを最適化することが可能になる。
【００３８】
上述の動作によって、たとえば図４（ａ）に示すように、学習データ記憶部６に登録された最初のデータでは、出力層１２のニューロンＮ２のうち「グレイ」（斜線部）に分類される領域が大きかったとしても、上述の動作を繰り返すうちに、図４（ｃ）に示すように、「グレイ」の領域がなくなるように学習データを修正することが可能になる。
【００３９】
学習データ選択部４の動作を図５にまとめる。図５においてステップＳ１〜Ｓ４は、学習データ選択部４により学習データを選別するまでの前処理である。すなわち、機器Ｘなどから学習に用いるための信号（機器Ｘだけではなく、シミュレーションにより生成した信号なども用いることができる）を収集し（Ｓ１）、特徴抽出部３で信号の特徴量を抽出する（Ｓ２）。特徴量は学習データ記憶部６に格納され、学習データ記憶部６に記憶されたデータセットを用いてニューラルネット１の学習を行う（Ｓ３）。さらに、ニューラルネット１の学習により各ニューロンＮ２に対応付けたカテゴリを、クラスタリングマップ５に付与する（Ｓ４）。
【００４０】
ところで、ニューラルネット１を学習モードで学習させる間に学習データ選択部４では、出力層１２で発火したニューロンＮ２と、当該ニューロンＮ２を発火させたデータとを対応付けて記憶することにより、各ニューロンＮ２とカテゴリとの対応リストを作成し（Ｓ５）、リスト中に複数のカテゴリのデータで発火したニューロンＮ２が存在しなければ（Ｓ６）、すべてのニューロンＮ２にそれぞれ単一のカテゴリを付与したことになるから、学習データ選択部４による処理を終了する（Ｓ７）。
【００４１】
一方、リスト中に複数のカテゴリのデータで発火した「グレイ」のニューロンＮ２が存在するときには、「グレイ」のニューロンを１個ずつ選択し（Ｓ８）、当該ニューロンＮ２を発火させたデータをカテゴリ毎に分類するとともに、各カテゴリごとの乖離度Ｙの平均値を求める（Ｓ９）。さらに、乖離度の平均値が最小であるカテゴリのデータのみをデータセットに残し、同じニューロンＮ２を発火させた他のデータはデータセットから削除する（Ｓ１０）。つまり、ステップＳ７〜Ｓ９がデータ選別処理になる。
【００４２】
リスト中に他に「グレイ」のニューロンＮ２が存在していれば、データ選別処理を繰り返し、出力層１２におけるすべての「グレイ」のニューロンＮ２についてデータ選別処理を行った後に（Ｓ１１，Ｓ１２）、学習データ記憶部６に残されているデータを学習データに用い、ステップＳ３に戻ってニューラルネット１の学習を再度行う。
【００４３】
以後は、カテゴリが「グレイ」であるニューロンＮ２が存在しなくなるまで同上の処理を繰り返す。なお、上述の動作では、学習データ記憶部６にあらかじめ多数個のデータを格納しておき、データ選別処理を繰り返すことによって「グレイ」のニューロンＮ２がなくなるように収束させているが、この動作に代えて、学習データ記憶部６には比較的少数のデータを格納しておき、学習データ記憶部６に格納されるデータを適時に追加することも可能である。
【図面の簡単な説明】
【００４４】
【図１】本発明の実施形態を示すブロック図である。
【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】同上の動作説明図である。
【図４】同上の動作説明図である。
【図５】同上の動作説明図である。
【符号の説明】
【００４５】
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 センサ部
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
６ 学習データ記憶部
１１ 入力層
１２ 出力層
Ｎ１，Ｎ２ ニューロン
【技術分野】
【０００１】
本発明は、振動成分を含む対象信号を競合学習型ニューラルネットワークを用いて分類する信号識別装置において、競合学習型ニューラルネットワークを適正に学習させる信号識別装置の学習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、各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、特定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競合学習型ニューラルネットワークの学習方法であって、競合学習型ニューラルネットワークにおける出力層の各ニューロンにはそれぞれ重み係数の組を要素とする重みベクトルが対応付けられており、学習データ選択部は、データセットのデータにより学習させた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おいて複数のカテゴリに属するニューロンが存在するときに、データセットにおけるカテゴリ毎のデータと当該ニューロンとの乖離度の平均値を求めるとともに、当該平均値が最小であるカテゴリのデータのみをデータセットに残して他のデータを削除するデータ選別処理を行い、競合学習型ニューラルネットワークにおける出力層のすべてのニューロンが単一のカテゴリに分類され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、競合学習型ニューラルネットワークにおける出力層のすべてのニューロンがそれぞれ単一のカテゴリに分類されるように学習データを選別するから、出力層のいずれかのニューロンが発火すれば必ずカテゴリを特定することができ、カテゴリを特定できない曖昧な結果を回避してカテゴリの分類精度を高めることができる。また、出力層のニューロンのうち複数種類のカテゴリの学習データによって発火するニューロンのみを対象として、乖離度によりカテゴリへの帰属の程度を評価するから、定量的な評価により各ニューロンに適正なカテゴリを付与することができる。
【００１０】
請求項２の発明は、請求項１の発明において、前記乖離度として、着目するニューロンの重みベクトルと前記競合学習型ニューラルネットワークへの入力データとの差分ベクトルの大きさを用いることを特徴とする。
【００１１】
この方法によれば、乖離度として入力したデータと発火したニューロンとの重みベクトルとの差分を評価し、この差分が小さくなるカテゴリのデータを学習データに採用することにより、学習データを定量的に適正化することができる。
【発明の効果】
【００１２】
本発明の方法によれば、競合学習型ニューラルネットワークにおける出力層のすべてのニューロンをそれぞれ単一のカテゴリに分類するように学習データが設定され、カテゴリの分類精度を高めることができるという利点がある。また、定量的な評価により各ニューロンに適正なカテゴリを付与す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】
【００１３】
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。
【００１４】
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。
【００１５】
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特徴量（入力データ）のカテゴリを分類する。
【００１６】
すなわち、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。
【００１７】
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。
【００１８】
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。
【００１９】
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、学習モードでは正常と異常との２種類のカテゴリの学習データを入力する。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、属性の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。
【００２０】
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１ａ，１ｂ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。
【００２１】
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。
【００２２】
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種類の特徴量が抽出される。
【００２３】
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。
【００２４】
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。
【００２５】
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。
【００２６】
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。上述したように学習データ記憶部６には多数個の学習データを格納することができるが、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。そこで、学習データ記憶部６では、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。
【００２７】
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、正常と異常とのカテゴリ）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と考えているが、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。
【００２８】
学習モードにおいて学習データ記憶部６に格納されているデータセットの１つをニューラルネット１に与えると、各データごとに出力層１２のニューロンＮ２が発火する。学習データ選択部４では、発火したニューロンＮ２と入力されたデータ（データを識別できる情報と当該データのカテゴリ）とを組にして記憶する。学習後に出力層１２の各ニューロンＮ２について発火させたデータのカテゴリを検査し、当該ニューロンＮ２を発火させたデータのカテゴリが１種類であれば、そのカテゴリを当該ニューロンＮ２のカテゴリとする。
【００２９】
一方、ニューロンＮ２の中にはカテゴリの異なるデータで発火したニューロンＮ２が存在する場合もある。複数のカテゴリのデータで発火したニューロンＮ２はカテゴリを決めることができないからカテゴリを「グレイ」とする。
【００３０】
学習データ選択部４では、「グレイ」のニューロンＮ２については、当該ニューロンＮ２に対応付けた重みベクトルと、入力されたデータとの乖離度を求める。乖離度は、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。
【００３１】
カテゴリが「グレイ」であるニューロンＮ２は、正常と異常との２種類のカテゴリのデータによって発火するニューロンＮ２である。そこで、正常と異常との各カテゴリのデータごとに乖離度Ｙの平均値を求め、乖離度Ｙの平均値が小さいほうのカテゴリを当該ニューロンＮ２のカテゴリとして採用する。また、このとき他のカテゴリに属するデータはデータセットから削除する。
【００３２】
上述のように、カテゴリが「グレイ」であるニューロンＮ２について、当該ニューロンＮ２を発火させたデータをカテゴリ毎に分け、各カテゴリごとに乖離度Ｙの平均値を求め、平均値が小さいほう（３種類以上のカテゴリがある場合には最小のもの）のデータのみをデータセットに残し、「グレイ」のニューロンＮ２を発火させた他のデータを削除する処理をデータ選別処理と呼ぶことにする。データ選別処理は、「グレイ」のすべてのニューロンＮ２に対して行い、その処理を、ニューラルネット１における出力層１２のすべてのニューロンＮ２が単一のカテゴリに分類されるまで繰り返す。
【００３３】
すなわち、図３に示すように、出力層１２のニューロンＮ２（クラスタリングマップ５と等価）が６×６個であって、データセットによる学習で正常（白抜き部位）と異常（黒塗り部位）と「グレイ」（斜線部位）とに分かれたとする。いま、データセットのデータを（識別番号−カテゴリ）という形式で表すものとし、識別番号は３桁でデータを識別し、カテゴリには正常（ＯＫ）と異常（ＮＧ）とがあるものとする。たとえば、００２−ＯＫという形式で表される。
【００３４】
カテゴリが正常である領域のニューロンＮ２を発火させたデータ（００２−ＯＫ、００９−ＯＫ、０１７−ＯＫ）のカテゴリはいずれも正常であり、カテゴリが異常である領域のニューロンＮ２を発火させたデータ（０４１−ＮＧ、０５９−ＮＧ、０７２−ＮＧ）のカテゴリはいずれも異常になる。しかしながら、「グレイ」のニューロンＮ２を発火させたデータには、正常と異常とのデータが混在する。
【００３５】
いま、図３の例で上から５行目、左から２列目のニューロンＮ２を発火させたデータが、００１−ＯＫ、００５−ＯＫ、０１０−ＯＫ、０３７−ＯＫ、０５１−ＮＧ、０７０−ＮＧであり、上から３行目、左から４列目のニューロンＮ２を発火させたデータが、００３−ＯＫ、００８−ＯＫ、０１５−ＯＫ、０４８−ＮＧ、０５７−ＮＧ、０６３−ＮＧであったとする。
【００３６】
この場合に、当該ニューロンＮ２を発火させたデータとの乖離度Ｙを上述した演算により求め、さらにＯＫとＮＧとのカテゴリごとに乖離度Ｙの平均値を求める。たとえば、上から５行目、左から２列目のニューロンＮ２に関して正常と異常とのカテゴリのデータについて求めた乖離度Ｙの平均値が、それぞれ０．８３、０．２５であったとすると、０．２５のほうが小さいから、このニューロンＮ２を発火させたデータのうち、正常のカテゴリを有するデータ（００１−ＯＫ、００５−ＯＫ、０１０−ＯＫ、０３７−ＯＫ）を削除する。また、同様に、上から３行目、左から４列目のニューロンＮ２に関して正常と異常とのカテゴリのデータについて求めた乖離度Ｙの平均値が、それぞれ０．４０、１．１３であったとすると、異常のカテゴリを有するデータ（０４８−ＮＧ、０５７−ＮＧ、０６３−ＮＧ）を削除する。
【００３７】
本実施形態では、カテゴリが２種類であるから、「グレイ」の各ニューロンＮ２に対して、通常は１回ずつデータ選別処理を行えば、出力層１２のすべてのニューロンＮ２に単一のカテゴリを付与することができる。また、３種類以上のカテゴリに分類する場合でもデータ選別処理を有限回行えば収束する。このようにして、出力層１２の各ニューロンＮ２にそれぞれ１種類のカテゴリを対応付けることができるように学習データを最適化することが可能になる。
【００３８】
上述の動作によって、たとえば図４（ａ）に示すように、学習データ記憶部６に登録された最初のデータでは、出力層１２のニューロンＮ２のうち「グレイ」（斜線部）に分類される領域が大きかったとしても、上述の動作を繰り返すうちに、図４（ｃ）に示すように、「グレイ」の領域がなくなるように学習データを修正することが可能になる。
【００３９】
学習データ選択部４の動作を図５にまとめる。図５においてステップＳ１〜Ｓ４は、学習データ選択部４により学習データを選別するまでの前処理である。すなわち、機器Ｘなどから学習に用いるための信号（機器Ｘだけではなく、シミュレーションにより生成した信号なども用いることができる）を収集し（Ｓ１）、特徴抽出部３で信号の特徴量を抽出する（Ｓ２）。特徴量は学習データ記憶部６に格納され、学習データ記憶部６に記憶されたデータセットを用いてニューラルネット１の学習を行う（Ｓ３）。さらに、ニューラルネット１の学習により各ニューロンＮ２に対応付けたカテゴリを、クラスタリングマップ５に付与する（Ｓ４）。
【００４０】
ところで、ニューラルネット１を学習モードで学習させる間に学習データ選択部４では、出力層１２で発火したニューロンＮ２と、当該ニューロンＮ２を発火させたデータとを対応付けて記憶することにより、各ニューロンＮ２とカテゴリとの対応リストを作成し（Ｓ５）、リスト中に複数のカテゴリのデータで発火したニューロンＮ２が存在しなければ（Ｓ６）、すべてのニューロンＮ２にそれぞれ単一のカテゴリを付与したことになるから、学習データ選択部４による処理を終了する（Ｓ７）。
【００４１】
一方、リスト中に複数のカテゴリのデータで発火した「グレイ」のニューロンＮ２が存在するときには、「グレイ」のニューロンを１個ずつ選択し（Ｓ８）、当該ニューロンＮ２を発火させたデータをカテゴリ毎に分類するとともに、各カテゴリごとの乖離度Ｙの平均値を求める（Ｓ９）。さらに、乖離度の平均値が最小であるカテゴリのデータのみをデータセットに残し、同じニューロンＮ２を発火させた他のデータはデータセットから削除する（Ｓ１０）。つまり、ステップＳ７〜Ｓ９がデータ選別処理になる。
【００４２】
リスト中に他に「グレイ」のニューロンＮ２が存在していれば、データ選別処理を繰り返し、出力層１２におけるすべての「グレイ」のニューロンＮ２についてデータ選別処理を行った後に（Ｓ１１，Ｓ１２）、学習データ記憶部６に残されているデータを学習データに用い、ステップＳ３に戻ってニューラルネット１の学習を再度行う。
【００４３】
以後は、カテゴリが「グレイ」であるニューロンＮ２が存在しなくなるまで同上の処理を繰り返す。なお、上述の動作では、学習データ記憶部６にあらかじめ多数個のデータを格納しておき、データ選別処理を繰り返すことによって「グレイ」のニューロンＮ２がなくなるように収束させているが、この動作に代えて、学習データ記憶部６には比較的少数のデータを格納しておき、学習データ記憶部６に格納されるデータを適時に追加することも可能である。
【図面の簡単な説明】
【００４４】
【図１】本発明の実施形態を示すブロック図である。
【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】同上の動作説明図である。
【図４】同上の動作説明図である。
【図５】同上の動作説明図である。
【符号の説明】
【００４５】
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 センサ部
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
６ 学習データ記憶部
１１ 入力層
１２ 出力層
Ｎ１，Ｎ２ ニューロン
【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、各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、特定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競合学習型ニューラルネットワークの学習方法であって、競合学習型ニューラルネットワークにおける出力層の各ニューロンにはそれぞれ重み係数の組を要素とする重みベクトルが対応付けられており、学習データ選択部は、データセットのデータにより学習させた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おいて複数のカテゴリに属するニューロンが存在するときに、データセットにおけるカテゴリ毎のデータと当該ニューロンとの乖離度の平均値を求めるとともに、当該平均値が最小であるカテゴリのデータのみをデータセットに残して他のデータを削除するデータ選別処理を行い、競合学習型ニューラルネットワークにおける出力層のすべてのニューロンが単一のカテゴリに分類され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方法。
【請求項２】
前記乖離度として、着目するニューロンの重みベクトルと前記競合学習型ニューラルネットワークへの入力データとの差分ベクトルの大きさを用いることを特徴とする請求項１記載の信号識別装置の学習方法。
【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、各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、特定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競合学習型ニューラルネットワークの学習方法であって、競合学習型ニューラルネットワークにおける出力層の各ニューロンにはそれぞれ重み係数の組を要素とする重みベクトルが対応付けられており、学習データ選択部は、データセットのデータにより学習させた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おいて複数のカテゴリに属するニューロンが存在するときに、データセットにおけるカテゴリ毎のデータと当該ニューロンとの乖離度の平均値を求めるとともに、当該平均値が最小であるカテゴリのデータのみをデータセットに残して他のデータを削除するデータ選別処理を行い、競合学習型ニューラルネットワークにおける出力層のすべてのニューロンが単一のカテゴリに分類され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方法。
【請求項２】
前記乖離度として、着目するニューロンの重みベクトルと前記競合学習型ニューラルネットワークへの入力データとの差分ベクトルの大きさを用いることを特徴とする請求項１記載の信号識別装置の学習方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２００８−４０６８４（Ｐ２００８−４０６８４Ａ）
【公開日】平成２０年２月２１日（２００８．２．２１）
【国際特許分類】
【出願番号】特願２００６−２１２４３７（Ｐ２００６−２１２４３７）
【出願日】平成１８年８月３日（２００６．８．３）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【Ｆターム（参考）】
【公開日】平成２０年２月２１日（２００８．２．２１）
【国際特許分類】
【出願日】平成１８年８月３日（２００６．８．３）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【Ｆターム（参考）】
[ Back to top ]