図面 (/)

技術 学習装置、推定装置、学習方法、推定方法およびプログラム

出願人 日本電信電話株式会社
発明者 蔵内雄貴阿部直人小西宏志瀬下仁志
出願日 2018年9月20日 (2年3ヶ月経過) 出願番号 2018-176168
公開日 2020年3月26日 (9ヶ月経過) 公開番号 2020-046346
状態 未査定
技術分野 特定目的付指示記録装置と料金計量装置
主要キーワード 検出項目 所定軸方向 検証試験 路面データ 教師ラベル 学習ステップ 重力センサ 指定装置
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年3月26日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (9)

課題

学習データを用いたモデル機械学習あるいはモデルを用いた推定の精度向上を図る。

解決手段

本発明に係る学習装置10は、複数種類センサの検出データに対して正規化または標準化を行う正規化/標準化部13と、正規化/標準化部13により正規化または標準化が行われた検出データを学習データとして用いた機械学習によりモデルを構築する学習部14とを備え、正規化/標準化部13は、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。

概要

背景

歩道あるいは車道などの路面上を移動する自動車歩行者車椅子などの移動体に搭載されたセンサを用いて、移動体が移動する路面の状況(段差勾配など)を推定する技術が検討されている(例えば、非特許文献1,2参照)。

概要

学習データを用いたモデル機械学習あるいはモデルを用いた推定の精度向上をる。本発明に係る学習装置10は、複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化部13と、正規化/標準化部13により正規化または標準化が行われた検出データを学習データとして用いた機械学習によりモデルを構築する学習部14とを備え、正規化/標準化部13は、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。

目的

本発明の目的は、学習データを用いたモデルの機械学習あるいはモデルを用いた推定の精度向上を図ることができる学習装置、推定装置学習方法推定方法およびプログラムを提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

対象の状態を検出する複数種類センサにより検出された検出データを学習データとして用いた機械学習によりモデル構築する学習装置であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化部と、前記正規化/標準化部により正規化または標準化が行われた検出データを学習データとして用いた機械学習により前記モデルを構築する学習部と、を備え、前記正規化/標準化部は、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行うことを特徴とする学習装置。

請求項2

請求項1に記載の学習装置において、前記複数種類のセンサには、重力方向を検出する重力センサが含まれ、前記重力センサの検出データに基づき、前記複数種類のセンサのうち、前記重力センサ以外の、所定の軸方向の前記対象の状態を検出する他のセンサの検出データを補正する補正部をさらに備え、前記正規化/標準化部は、前記補正部による補正後の検出データに対して正規化または標準化を行うことを特徴とする学習装置。

請求項3

対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により構築されたモデルにより、前記対象の状態を推定する推定装置であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化部と、前記正規化/標準化部により正規化または標準化が行われた検出データを前記モデルに適用して、前記対象の状態を推定する推定部と、を備え、前記正規化/標準化部は、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行うことを特徴とする推定装置。

請求項4

請求項3に記載の推定装置において、前記複数種類のセンサには、重力方向を検出する重力センサが含まれ、前記重力センサの検出データに基づき、前記複数種類のセンサのうち、前記重力センサ以外の、所定の軸方向の前記対象の状態を検出する他のセンサの検出データを補正する補正部をさらに備え、前記正規化/標準化部は、前記補正部による補正後の検出データに対して正規化または標準化を行うことを特徴とする推定装置。

請求項5

対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習によりモデルを構築する学習装置における学習方法であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化ステップと、前記正規化または標準化が行われた検出データを学習データとして用いた機械学習により前記モデルを構築する学習ステップと、を含み、前記正規化/標準化ステップでは、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行うことを特徴とする学習方法。

請求項6

対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により構築されたモデルにより、前記対象の状態を推定する推定装置における推定方法であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化ステップと、前記正規化または標準化が行われた検出データを前記モデルに適用して、前記対象の状態を推定する推定ステップと、を含み、前記正規化/標準化ステップでは、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行うことを特徴とする推定方法。

請求項7

コンピュータを、請求項1または2に記載の学習装置として機能させるためのプログラム

請求項8

コンピュータを、請求項3または4に記載の推定装置として機能させるためのプログラム。

技術分野

0001

本発明は、学習装置推定装置学習方法推定方法およびプログラムに関する。

背景技術

0002

歩道あるいは車道などの路面上を移動する自動車歩行者車椅子などの移動体に搭載されたセンサを用いて、移動体が移動する路面の状況(段差勾配など)を推定する技術が検討されている(例えば、非特許文献1,2参照)。

先行技術

0003

田章裕、荒木伊織、王統順、鈴木天詩、「健常歩行センサデータを用いたバリア検出の基礎検討」、IPSJ論文誌(2018)
高速バスに載せたスマホの加速度センサーで路面の凹凸を検知、検証試験を実施」、[online]、[2018年9月4日検索]、インターネット<URL:https://sgforum.impress.co.jp/news/3595>

発明が解決しようとする課題

0004

上述したような路面の状況の推定は、対象の状態を検出するセンサの検出データを学習データとして用いた機械学習により構築されたモデルを用いて行われることが多い。機械学習では、平均・分散が検出データ間で大きく異なると、平均・分散が大きいデータが優先的に学習されてしまうことで最適解が得られず、適切な学習が行われない。

0005

そのため、従来、検出データの正規化または標準化(正規化/標準化)が行われ、正規化/標準化後の検出データを学習データとして用いた機械学習が行われる。図7A,7Bは、従来の検出データの正規化/標準化について説明するための図である。図7A,7Bにおいては、検出データは、加速度センサによる3軸方向の検出データ(加速度X軸、加速度Y軸、加速度Z軸)および、ジャイロセンサによる3軸方向の検出データ(ジャイロX軸、ジャイロY軸、ジャイロX軸)である例を示している。また、図7A,7Bにおいて、点線四角は、正規化/標準化が行われる検出データの範囲を示している。

0006

従来は、図7Aに示すように、全てのセンサの検出データを纏めて、あるいは、図7Bに示すように、検出項目ごとに、正規化/標準化が行われていた。

0007

一般に、センサの種別によって、検出値の平均・分散は大きく異なる。例えば、加速度センサの検出値(例えば、−9.8〜9.8[m/s2])と気圧センサの検出値(例えば、870〜1080[hPa])とでは、検出値の平均・分散は大きく異なる。このような平均・分散が大きく異なる複数種類のセンサの検出データを、図7Aに示すように、纏めて正規化/標準化を行うと、センサごとの平均・分散の違いを吸収することができない。その結果、正規化/標準化後の検出データを学習データとして用いた機械学習を行っても、十分な学習精度を得ることができない。

0008

また、複数のセンサの方向が統一されていない場合、各センサの方向を回転させて各センサの方向が統一されるように、各センサの検出値が補正される。ここで、図7Bのように、検出項目ごとに正規化/標準化を行うと、各センサの検出値の補正による値域の変化を吸収することができない。その結果、正規化/標準化後の検出データを学習データとして用いた機械学習を行っても、十分な学習精度を得ることができない。

0009

なお、これまでは学習データを用いたモデルの機械学習について説明したが、モデルを用いた推定においても、モデルへの入力データの正規化/標準化が必要となり、機械学習の場合と同様に、従来の正規化/標準化の方法では、十分な推定精度を得ることができない。

0010

上記のような問題点に鑑みてなされた本発明の目的は、学習データを用いたモデルの機械学習あるいはモデルを用いた推定の精度向上を図ることができる学習装置、推定装置、学習方法、推定方法およびプログラムを提供することにある。

課題を解決するための手段

0011

上記課題を解決するため、本発明に係る学習装置は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習によりモデルを構築する学習装置であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化部と、前記正規化/標準化部により正規化または標準化が行われた検出データを学習データとして用いた機械学習により前記モデルを構築する学習部と、を備え、前記正規化/標準化部は、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行う。

0012

また、上記課題を解決するため、本発明に係る推定装置は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により構築されたモデルにより、前記対象の状態を推定する推定装置であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化部と、前記正規化/標準化部により正規化または標準化が行われた検出データを前記モデルに適用して、前記対象の状態を推定する推定部と、を備え、前記正規化/標準化部は、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行う。

0013

また、上記課題を解決するため、本発明に係る学習方法は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習によりモデルを構築する学習装置における学習方法であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化ステップと、前記正規化または標準化が行われた検出データを学習データとして用いた機械学習により前記モデルを構築する学習ステップと、を含み、前記正規化/標準化ステップでは、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行う。

0014

また、上記課題を解決するため、本発明に係る推定方法は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により構築されたモデルにより、前記対象の状態を推定する推定装置における推定方法であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化ステップと、前記正規化または標準化が行われた検出データを前記モデルに適用して、前記対象の状態を推定する推定ステップと、を含み、前記正規化/標準化ステップでは、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行う。

0015

また、上記課題を解決するため、本発明に係るプログラムは、コンピュータを上記の学習装置として機能させる。

0016

また、上記課題を解決するため、本発明に係るプログラムは、コンピュータを上記の推定装置として機能させる。

発明の効果

0017

本発明に係る学習装置、推定装置、学習方法、推定方法およびプログラムによれば、学習データを用いたモデルの機械学習あるいはモデルを用いた推定の精度向上を図ることができる。

図面の簡単な説明

0018

本発明の一実施形態に係る学習装置の構成例を示す図である。
本発明の一実施形態に係る推定装置の構成例を示す図である。
図1および図2に示す正規化/標準化部による正規化/標準化について説明するためのである。
図1および図2に示す正規化/標準化部による正規化/標準化の具体例を示す図である。
図1に示す学習装置における学習方法について説明するためのフローチャートである。
図1に示す推定装置における推定方法について説明するためのフローチャートである。
従来の正規化/標準化について説明するための図である。
従来の正規化/標準化について説明するための図である。

実施例

0019

以下、本発明を実施するための形態について、図面を参照しながら説明する。各図中、同一符号は、同一または同等の構成要素を示している。

0020

図1は、本発明の一実施形態に係る学習装置10の構成例を示す図である。本実施形態に係る学習装置10は、学習データを用いた機械学習によりモデルを構築するものである。より具体的には、本実施形態に係る学習装置10は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により、対象の状態を推定するためのモデルを構築するものである。対象の状態としては、例えば、路面の状況(平坦であるか、段差があるかなど)がある。この場合、学習データは、路面上を移動する自動車、歩行者、車椅子などの移動体に搭載された複数種類のセンサにより検出された、移動体が移動する路面の状況を示す路面データである。そして、学習装置10は、路面の状況を推定するためのモデルを構築する。

0021

図1に示す学習装置10は、補正部11と、分類部12と、正規化/標準化部13と、学習部14と、記憶部15とを備える。

0022

補正部11は、対象の状態を検出する複数種類のセンサにより検出された検出データが学習データとして入力される。なお、学習データとしては、検出データに、その検出データに示される対象の状態を示す教師ラベルが付与されたものが用いられるが、以下では、教師ラベルについては記載を省略する。対象の状態を検出するセンサとしては、加速度センサ、ジャイロセンサ、地磁気センサ重力センサ、気圧センサ、傾きセンサなど種々のセンサを、推定の対象に合わせて適宜、利用することができる。以下では、複数種類のセンサには、重力センサが含まれるものとする。

0023

補正部11は、重力センサの検出データに基づき、複数種類のセンサのうち、重力センサ以外の、所定の軸方向の対象の状態(対象の動き、傾きなど)を検出する他のセンサ(例えば、加速度センサ、ジャイロセンサ、地磁気センサ、傾きセンサなど)の検出データを補正する。具体的には、補正部11は、重力センサにより検出された重力方向を基準にして、各センサの方向を回転させて各センサの方向が統一されるように、各センサの検出値を補正する。

0024

重力センサの値をg=(x,y,t)T(「T」は転置記号)とし、Z軸を軸とした回転の回転行列をRz(θ)とし、Y軸を軸とした回転の回転行列をRy(φ)とすると、補正部11は、以下の式(1)を満たすr,θ,φを求める。そして、補正部11は、各センサの検出値に、求めたr,θ,φを式(1)に代入した式を適用することで、各センサの検出値を補正する。

0025

0026

補正部11は、補正後の検出データを分類部12に出力する。なお、各センサの方向が予め統一されている場合には、補正部11による補正は不要である。

0027

分類部12は、補正部11から出力された検出データを、センサの種別ごとに分類して正規化/標準化部13に出力する。

0028

正規化/標準化部13は、分類部12から出力された検出データに対して正規化または標準化(正規化/標準化)を行う(正規化および標準化の少なくとも一方を行う)。具体的には、正規化/標準化部13は、分類部12により、センサの種別ごとに分類された検出データに対して、センサの種別ごとに、そのセンサの検出データの正規化/標準化を行う。正規化/標準化部13は、正規化/標準化後の検出データを学習部14に出力する。

0029

学習部14は、正規化/標準化部13による正規化/標準化後の検出データを学習データとして用いた機械学習により、対象の状態を推定するためのモデルを構築する。

0030

記憶部15は、学習部14により構築されたモデルを記憶する。

0031

図2は、本発明の一実施形態に係る推定装置20の構成例を示す図である。本実施形態に係る推定装置20は、学習装置10が構築したモデルを用いて対象の状態を推定するものである。

0032

図2に示す推定装置20は、補正部21と、分類部22と、正規化/標準化部23と、記憶部24と、推定部25とを備える。

0033

補正部21は、状態を推定する対象に取り付けられた複数種類のセンサの検出データが入力データとして入力される。以下では、複数種類のセンサには、重力センサが含まれるものとする。

0034

補正部21は、重力センサの検出データに基づき、複数種類のセンサのうち、重力センサ以外の、所定軸方向の対象の状態(対象の動き、傾きなど)を検出する他のセンサ(例えば、加速度センサ、ジャイロセンサ、地磁気センサ、傾きセンサなど)の検出データを補正する。具体的には、補正部21は、学習装置10の補正部11と同様に、式(1)に従い、検出データを補正する。補正部21は、補正後の検出データを分類部22に出力する。

0035

分類部22は、補正部21から出力された検出データを、センサの種別ごとに分類して正規化/標準化部23に出力する。

0036

正規化/標準化部23は、分類部22から出力された検出データに対して正規化/標準化を行う(正規化および標準化の少なくとも一方を行う)。具体的には、正規化/標準化部23は、分類部22により、センサの種別ごとに分類された検出データに対して、センサの種別ごとに、そのセンサの検出データの正規化/標準化を行う。正規化/標準化部23は、正規化/標準化後の検出データを推定部25に出力する。

0037

記憶部24は、学習装置10により構築されたモデルを記憶する。

0038

推定部25は、正規化/標準化部23による正規化/標準化後の検出データを記憶部24に記憶されているモデルに適用して、対象の状態を推定する。具体的には、推定部25は、正規化/標準化部23から出力された検出データをモデルに入力し、モデルの出力を対象の状態の推定結果として出力する。

0039

次に、正規化/標準化部13および正規化/標準化部23による正規化/標準化について説明する。なお、正規化/標準化部13と正規化/標準化部23とで正規化/標準化の方法は同じである。そのため、以下では、正規化/標準化部13を例として説明し、正規化/標準化部23については記載を省略する。

0040

上述したように、正規化/標準化部13は、センサの種別ごとに、そのセンサの検出データに対して正規化/標準化を行う。すなわち、正規化/標準化部13は、図3に示すように、同じ種別のセンサの検出データを纏めて、正規化/標準化を行う。図3の例では、正規化/標準化部13は、加速度センサの検出データ(加速度X、加速度Y、加速度Z)を纏めて、また、ジャイロセンサセンサの検出データ(ジャイロX、ジャイロY、ジャイロZ)を纏めて正規化/標準化を行う。なお、図3において、点線四角は、正規化/標準化が行われる検出データの範囲を示している。

0041

図4は、正規化/標準化部13による正規化/標準化の具体例を示す図である。

0042

図4においては、検出データは、加速度センサによる3軸方向の加速度(加速度X、加速度Y、加速度Z)の検出データ、ジャイロセンサによるロール軸ピッチ軸およびヨー軸方向の加速度およびロール軸、ピッチ軸およびヨー軸方向の角速度(ジャイロ1軸、ジャイロ2軸、ジャイロ3軸、ジャイロ4軸、ジャイロ5軸、ジャイロ6軸)の検出データ、および、重力センサによる3軸方向の重力による加速度(重力X、重力Y、重力Z)の検出データである例を示している。

0043

上述したように、正規化/標準化部13は、センサの種別ごとに、検出データの正規化/標準化を行う。したがって、図4に示す例では、正規化/標準化部13は、加速度センサによる検出データ(加速度X、加速度Y、加速度Z)を纏めて、また、ジャイロセンサによる検出データ(ジャイロ1軸、ジャイロ2軸、ジャイロ3軸、ジャイロ4軸、ジャイロ5軸、ジャイロ6軸)を纏めて、また、重力センサによる検出データ(重力X、重力Y、重力Z)を纏めて正規化/標準化を行う。

0044

センサの検出値をxとし、正規化/標準化後の検出値をx’とし、種別ごとのセンサの検出値の最大値最小値、平均および分散をそれぞれ、max,min,avr,stdとすると、正規化/標準化部13は、以下の式(2)に従い正規化を行い、以下の式(3)に従い標準化を行う。
x’=(x−min)/(max−min) ・・・式(2)
x’=(x−avr)/std ・・・式(3)

0045

図4の例では、加速度センサの検出データ(加速度X、加速度Y、加速度Z)の最小値、最大値、平均および分散はそれぞれ、0.92,0.05,0.46,0.31である。また、ジャイロセンサの検出データ(ジャイロ1軸、ジャイロ2軸、ジャイロ3軸、ジャイロ4軸、ジャイロ5軸、ジャイロ6軸)の最小値、最大値、平均および分散はそれぞれ、0.99,0.03,0.49,0.36である。また、重力センサの検出データ(重力X、重力Y、重力Z)の最小値、最大値、平均および分散はそれぞれ、0.92,0.01,0.36,0.30である。これらの値に基づき、正規化/標準化を行うと、検出データは図4に示すようになる。

0046

次に、本実施形態に係る学習装置10における学習方法について、図5に示すフローチャートを参照して説明する。

0047

補正部11は、学習データとしての検出データが入力されると(ステップS11)、入力された検出データを、各センサの方向が統一されるように補正する(ステップS12)。

0048

分類部12は、補正部11により補正された検出データを、センサの種別ごとに分類する(ステップS13)。

0049

正規化/標準化部13は、分類部12によりセンサの種別ごとに分類された検出データ(学習データ)が一定量以上、収集されたか否かを判定する(ステップS14)。

0050

一定量以上の学習データが収集されていないと判定された場合には(ステップS14:No)、ステップS11の処理に戻り、新たな学習データが補正部11に入力される。

0051

一定量以上の学習データが収集されたと判定された場合には(ステップS14:Yes)、正規化/標準化部13は、分類部12によりセンサの種別ごとに分類された検出データに対して、正規化/標準化を行う(ステップS15)。

0052

学習部14は、正規化/標準化部13により正規化/標準化された検出データを学習データとして用いて学習用モデルの機械学習を行い(ステップS16)、学習済みモデルを構築する。そして、学習部14は、構築した学習済みモデルを出力する(ステップS17)。なお、学習用モデルとしては、畳み込みニューラルネットワークを用いたモデル、SVM(Support Vector Machine)などの種々のモデルを用いることができる。

0053

図5を参照して説明したように、本実施形態に係る学習装置10における学習方法は、複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化ステップ(ステップS15)と、正規化または標準化が行われた検出データを学習データとして用いた機械学習によりモデルを構築する学習ステップ(ステップS16)とを含む。ここで、正規化/標準化ステップでは、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。

0054

次に、本実施形態に係る推定装置20における推定方法について、図6に示すフローチャートを参照して説明する。

0055

補正部21は、対象の状態を検出する複数種類のセンサの検出データが入力データとして入力されると(ステップS21)、入力された検出データを、各センサの方向が統一されるように補正する(ステップS22)。

0056

分類部22は、補正部21により補正された検出データを、センサの種別ごとに分類する(ステップS23)。

0057

正規化/標準化部23は、分類部22によりセンサの種別ごとに分類された検出データに対して正規化/標準化を行う(ステップS24)。

0058

推定部25は、正規化/標準化部23により正規化/標準化された検出データを、学習装置10により構築された学習済みモデルに入力して、対象の状態を推定し(ステップS25)、学習済みモデルの出力を推定結果として出力する(ステップS26)。

0059

図6を参照して説明したように、本実施形態に係る推定装置20における推定方法は、複数種類のセンサの検出データに対して正規化/標準化を行う正規化/標準化ステップ(ステップS24)と、正規化/標準化が行われた検出データをモデルに適用して、対象の状態を推定する推定ステップ(ステップS25)部とを含む。ここで、正規化/標準化ステップでは、センサの種別ごとに、そのセンサの検出データに対して正規化/標準化を行う。

0060

このように本実施形態においては、学習装置10は、複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化部13と、正規化/標準化部13により正規化または標準化が行われた検出データを学習データとして用いた機械学習によりモデルを構築する学習部14と、を備える。正規化/標準化部13は、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。

0061

また、本実施形態においては、推定装置20は、複数種類のセンサの検出データに対して正規化または標準化を行う正規化/標準化部23と、正規化/標準化部23により正規化または標準化が行われた検出データをモデルに適用して、対象の状態を推定する推定部25と、を備える。ここで、正規化/標準化部23は、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。

0062

センサの種別ごとに、検出データに対して正規化または標準化を行うことで、センサごとの平均・分散の違いに対応した正規化または標準化を行うことができる。また、センサの種別ごとに、検出データに対して正規化または標準化を行うことで、各センサの方向を統一するための、各センサの検出値の補正による値域の変化に対応した正規化または標準化を行うことができる。そのため、本実施形態に係る学習装置10および推定装置20によれば、学習データを用いたモデルの機械学習あるいはモデルを用いた推定の精度向上を図ることができる。

0063

以上、学習装置10および推定装置20について説明したが、学習装置10および推定装置20として機能させるために、コンピュータを用いることも可能である。そのようなコンピュータは、学習装置10および推定装置20の各機能を実現する処理内容記述したプログラムを、該コンピュータの記憶部に格納しておき、該コンピュータのCPUによってこのプログラムを読み出して実行させることで実現することができる。

0064

また、プログラムは、コンピュータが読取り可能な記録媒体に記録されていてもよい。このような記録媒体を用いれば、プログラムをコンピュータにインストールすることが可能である。ここで、プログラムが記録された記録媒体は、非一過性の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、CD−ROMおよびDVD−ROMなどの記録媒体であってもよい。

0065

上述の実施形態は代表的な例として説明したが、本発明の趣旨および範囲内で、多くの変更および置換が可能であることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、特許請求の範囲から逸脱することなく、種々の変形および変更が可能である。例えば、実施形態の構成図に記載の複数の構成ブロックを1つに組み合わせたり、あるいは1つの構成ブロックを分割したりすることが可能である。

0066

10学習装置
11補正部
12分類部
13正規化/標準化部
14 学習部
15 記憶部
20指定装置
21 補正部
22 分類部
23 正規化/標準化部
24 記憶部
25推定部

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ