JP3614662B2 - 時空間パターン検出方法及び装置ならびに記録媒体 - Google Patents
時空間パターン検出方法及び装置ならびに記録媒体 Download PDFInfo
- Publication number
- JP3614662B2 JP3614662B2 JP16506398A JP16506398A JP3614662B2 JP 3614662 B2 JP3614662 B2 JP 3614662B2 JP 16506398 A JP16506398 A JP 16506398A JP 16506398 A JP16506398 A JP 16506398A JP 3614662 B2 JP3614662 B2 JP 3614662B2
- Authority
- JP
- Japan
- Prior art keywords
- circuit
- pattern
- neural network
- temporal
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Complex Calculations (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、ニューラルネット中の時空間ノイズによる確率共振現象を利用した時空間ノイズ中の微弱な時空間パターン検出方法及び装置に関するものであり、画像解析、信号検出などの産業分野に利用できる。
【０００２】
【従来の技術】
従来の時空間ノイズ中の微弱な時空間パターンを検出する際には、入力する時空間パターンに対してしきい値を設けているため、微弱な時空間パターンはしきい値以下になってしまい、検出することができなかった。また、微弱な時空間パターンそのまま解析しても、時空間ノイズに埋もれてどのような成分が存在するか判断できなかった。
【０００３】
【発明が解決しようとする課題】
上述した従来の時空間パターン検出方法では、ノイズに埋もれた微弱な時空間パターンを検出することができないという問題点があった。
【０００４】
本発明の目的は、上記従来の技術に述べた問題点の解決を狙ったものであり、ノイズに埋もれた微弱な時空間パターンを検出することができる時空間パターン検出方法および装置を提供するものである。
【０００５】
【課題を解決するための手段】
上記目的を達成するために、本発明の時空間パターン検出方法は、時間、空間ともノイズを含んだ時空間パターン中の振幅の微弱な時間周期性のある時空間パターンを検出するための時空間パターン検出方法であって、
空間離散化回路により、ノイズを含んでいない検出したい複数の時空間パターンを空間離散化し、
２値化回路により、前記空間離散化された時空間パターンを２値に量子化し、
ニューラルネット学習回路により、ある時間における前記２値化された空間パターンを使用してニューラルネットを相関学習させ、
空間離散化回路により、時間、空間ともにノイズを含んだ時空間パターンを空間離散化し、
信号入力回路により、該ニューラルネットに時間、空間ともノイズを含んだ時空間パターンを空間離散化した多次元時系列を入力し、
ニューラルネットで起こる確率共振現象を使って、前記多次元時系列信号の時間周期性を増幅し、
多次元変数計算回路、時系列記憶回路、周波数解析回路およびピーク検出回路により、前記ニューラルネットの状態と学習させたノイズを含んでいない空間パターンとの距離を示す多次元変数の時系列を周波数解析して周波数分布のピークを調べ、ノイズの中から振幅の微弱な時間周期性のある時空間パターンを検出する。
【０００６】
本発明の時空間パターン検出方法では、確率共振現象を使って、振幅の微弱な時間周期性のある時空間パターンの時間周期性を増幅させ、学習させた空間パターンとの距離を示す多次元変数の時系列を周波数解析して、その周波数分布のピークを検出することにより画像信号の空間周期性を検出しているので、振幅の微弱な時間周期性のある時空間パターンを検出することができる。
【０００７】
また、本発明の時空間パターン検出装置は、時空間パターンを空間離散化する空間離散化回路と、
空間離散化された前記時空間パターンを２値化する２値化回路と、
ニューラルネットの状態と学習させた空間パターンとの距離を示す多次元変数を計算する回路と、
検出したい複数の時空間パターンを空間離散化する空間離散化回路と、
空間離散化した時空間パターンの多次元時系列を２値化する２値化回路と、
振幅の微弱な空間離散化した多次元時系列に駆動されながら、ネットワークのダイナミクスに従い、多次元時系列を生成するニューラルネット回路と、
検出したい複数の離散化した２値化時空間パターンのある時間での空間パターンを前記ニューラルネット回路の荷重に相関学習させるニューラルネット学習回路と、
前記空間離散化回路からの出力を前記ニューラルネット回路に入力する信号入力回路と、
前記多次元時系列を学習空間パターンとの距離を示す多次元変数に変換して次元を小さくする多次元変数計算回路と、
前記多次元変数の時系列を記憶する時系列記憶回路と、
距離を示す多次元変数の時系列の周波数解析を行い、周波数分布を計算する周波数解析回路と、
前記周波数分布のピークを検出し、検出したい時空間パターンのどれと一致するか否かを判定するピーク検出回路とを有している。
【０００８】
本発明の時空間パターン検出回路では、空間離散化回路により検出したい複数の時空間パターンを空間離散化し、２値化回路により空間離散化した時空間パターンの多次元時系列を２値化し、ニューラルネット学習回路により検出したい複数の離散化した２値化時空間パターンのある時間での空間パターンをニューラルネット回路の荷重に相関学習させ、信号入力回路により時空間パターンを空間離散化する回路からの出力をニューラルネット回路に入力し、ニューラルネット回路は振幅の微弱な空間離散化した多次元時系列に駆動されながら、ネットワークのダイナミクスに従い、多次元時系列を生成する。
【０００９】
そして、多次元変数計算回路により、その多次元時系列を学習空間パターンとの距離を示す多次元変数に変換して次元を小さくし、時系列記憶回路でその距離を示す多次元変数の時系列を記憶し、周波数解析回路により距離を示す多次元変数の時系列の周波数解析を行い、周波数分布を計算し、ピーク検出回路により、周波数のピークを検出し、検出したい時空間パターンのどれと一致するか否かを判定する。したがって、振幅の微弱な時間周期性のある時空間パターンを検出することができる。
【００１０】
【発明の実施の形態】
次に、本発明の一実施形態の時空間パターン検出方法について図面を参照して詳細に説明する。
【００１１】
本実施形態の時空間パターン検出方法は、ニューラルネットを用いて、時空間ノイズ中の微弱な時空間パターンを検出する。
【００１２】
ニューラルネットとは、生物の神経回路網をモデルにしたネットワークシステムであり、神経細胞にあたるニューロン素子を、ネットワーク状に多数結合した構造になっている。各ニューロン素子は、結合された他のニューロン素子からの入力の総和に応じて、出力を発生させる。この際に、各ニューロン素子間の結合の強さ（重み付け）を調整することにより、システム全体の入力に対して最善の出力が得られるようにニューラルネットを学習させることができる。
【００１３】
このニューラルネットは、従来のコンピュータでは膨大な時間がかかる、組合わせをしらみつぶしに探索しなければならないような問題でも、比較的短時間に最適解を探し出すことができるという利点を有している。また、情報がニューロン素子や結合関係の形でシステム全体に分散されて表現されているため、一部が故障してもシステム全体としてはある程度正常な動作を続けるできるという利点も有している。
【００１４】
図１に本実施形態の時空間パターン検出方法のフローチャートを示す。
【００１５】
先ず、ノイズを含んでいない検出したい複数の時空間パターンを空間離散化し、空間離散化された前記時空間パターンを２値に量子化する（ステップ１０１）。そして、ある時間における２値化された空間パターンを使用してニューラルネットを相関学習させ（ステップ１０２）、そのニューラルネットに時間、空間ともノイズを含んだ時空間パターンを空間離散化した多次元時系列を入力する（ステップ１０３）。そして、確率共振現象を使って、空間離散化された前記時空間パターンの時間周期性を増幅し（ステップ１０４）、ニューラルネットの状態と学習させた空間パターンとの距離を示す多次元変数の時系列を計算する（ステップ１０５）。そして、計算によって得られた時系列を周波数解析して周波数分布のピークを調べることにより時間周期性のある時空間パターンを検出する（ステップ１０６、１０７）。
【００１６】
ここでは、説明を簡単にするために具体的な例として、次の単純な場合を考える。
【００１７】
時空間パターンをφ（ｕ，ｔ）として、説明を簡単にするため１次元の場合を考える。この時空間パターンを空間のみ離散化する。そのパターンをφｉ（ｔ）、ｉ＝１，…，Ｎとする。このパターンのある時刻ｔ０の空間パターンを２値化して、ニューラルネットの学習パターンξｉ、ｉ＝１，…，Ｎとする。この説明では、ξｉ＝−１ｏｒ１、用いる学習パターンはＰ個とする。これらの過程を図２に示す。
【００１８】
図２（ａ）は、ある時間での１次元パターンであり、図２（ｂ）は図２（ａ）の１次元パターンを２値化したものである。
【００１９】
ニューラルネットとして、個々のニューロン素子が以下の方程式に従うものを考える。このようなニューラルネットの構成を図３に示す。
【００２０】
【数１】
ｉ番目ニューロン素子の時間ｔでの内部状態をｙｉ（ｔ）、出力をｘｉ（ｔ）、入力をｓｉ（ｔ）、しきい値をｈｉとし、τを時定数、ｋをｔａｎｈの傾き、Ｎをニューロン素子の数、ｗｉ，ｊをｊからｉ番目のニューロン素子への荷重とする。荷重ｗｉ，ｊは、以下の相関学習によって決まる。
【００２１】
【数２】
学習パターンを
【００２２】
【外１】
、μ＝１，…，Ｐ、検出したいパターンの数をＰ、その学習パターンの平均活性度をａとする。
【００２３】
この相関学習によって、検出したい２値化空間パターンが、前述のニューラルネットの評価関数の極小値をとるパターンとなる。つまり、評価関数がポテンシャルと見なせるニューラルネットが多安定系となり、確率共振が起こる条件が得られる。
【００２４】
確率共振現象のメカニズムは、例えば、図４のように説明することができる。ここでは簡単に説明するために図４（ａ）に示すような双安定系を考える。双安定のポテンシャル中の摩擦が大きい質点３０を弱い周期信号だけで駆動すると、もう一つのポテンシャルのくぼみに移ることはできない。この状況は、測定器のしきい値で弱い周期信号を検出することができない状況と同じである。しかし、この弱い周期信号に雑音（Ｎ）が足されていると確率的にもう一つのポテンシャルのくぼみに移ることがある。つまり、測定器のしきい値を越えるわけであるが、この時間的なタイミングは弱い周期信号の振幅のピークに同期することが多い。このことにより、弱い周期信号の周波数成分が増幅されることになる。質点の位置の時系列ｘ（ｔ）のパワースペクトルは図４（ｂ）のようになり、弱い周期信号の周波数にピークが見えるようになる。また、図４（ｃ）は、雑音が足されたことにより周期信号Ｓ（ｆＯ）と雑音（Ｎ）の比であるＳＮＲが変化する様子を示したものである。
【００２５】
例えば、時空間パターンφ（ｕ，ｔ）として以下の二つを考える。
【００２６】
【数３】
【００２７】
【数４】
これを空間ｉ＝１，２に離散化すると式（３）はφ１（ｔ）＝ｓｉｎ（ωｔｔ）、φ２（ｔ）＝ｓｉｎ（ωｔｔ）、式（４）はφ１（ｔ）＝ｓｉｎ（ωｔｔ）、φ２（ｔ）＝−ｓｉｎ（ωｔｔ）となる。ここから相関学習に用いる２値化空間パターンは式（３）がξ１＝１、ξ２＝１、式（４）がξ１＝１、ξ２＝−１となる。これらの過程を図５に示す。図５（ａ）および図５（ｂ）はある時間での空間パターンを示した図であり、図５（ｃ）および図５（ｄ）は図５（ａ）、図５（ｂ）の空間パターンを２値化したものである。
【００２８】
入力ｓｉ（ｔ）として式（３）、式（４）の２つのうち１つがノイズに埋もれたものを考える。以下の式では式（３）はφ１（ｔ）＝ｓｉｎ（ωｔｔ）、φ２（ｔ）＝ｓｉｎ（ωｔｔ）を想定し、入力ｓｉ（ｔ）として以下のものを考える。
【００２９】
【数５】
Ａは非常に小さい値をとり、Ｎｉ（ｔ）はニューロン素子に独立なノイズである。相関学習を行ったニューラルネットは、学習パターンだけが評価関数の極小になるのではなく、その反転パターンも同じく極小になる。このことを利用して、双安定系を形成する（図６）。つまり、式（５）の入力は、学習パターン式（３）とその反転パターンの間で駆動が起こっているので、学習パターン式（３）、式（４）の各々に対して、ニューラルネットの状態と学習させた空間パターンとの距離を示す多次元変数の時系列を計算し、その時系列を周波数解析すると学習パターン式（３）に対する時系列の周波数分布にはωｔにピークを観測することができ、反対に学習パターン式（４）に対する時系列の周波数分布には駆動の方向が直交しているのでピークを観測することができない。また、反対に入力ｓｉ（ｔ）として以下のものを考える。
【００３０】
【数６】
この場合は、逆に学習パターン式（４）に対する時系列の周波数分布にはピークを観測することができ、学習パターン式（３）に対する時系列の周波数分布にはピークを観測することができない。
【００３１】
もし、検出したい時空間パターンから直交パターンが学習パターンとして得られない場合には、以下のように直交パターンを形成するように相関学習を行なう。
【００３２】
【数７】
入力にも非直交パターンが含まれたノイズに対して同様に前処理をする。
【００３３】
図７に本発明の時空間ノイズ中の振幅の微弱な時間周期性のある時空間パターン検出装置の一実施形態構成図を示す。
【００３４】
この時空間パターン検出装置は、空間離散化回路７１と、２値化回路７２と、ニューラルネットワーク学習回路７３と、ニューラルネット回路７４と、多次元変数計算回路７５と、時系列記憶回路７６と、周波数解析回路７７と、ピーク検出回路７８と、信号入力回路７９から構成されている。
【００３５】
空間離散化回路７１は、検出したい複数の時空間パターンを空間離散化するものである。
【００３６】
２値化回路７２は、空間離散化した時空間パターンの多次元時系列を２値化するものである。
【００３７】
信号入力回路７９は、空間離散化回路７１からの出力をニューラルネット回路７４に入力するものである。
【００３８】
ニューラルネットワーク学習回路７３は、検出したい複数の離散化した２値化された時空間パターンのある時間における空間パターンをニューラルネット回路の荷重に相関学習させるものである。
【００３９】
ニューラルネット回路７４は、振幅の微弱な空間離散化した多次元時系列に駆動されながら、ネットワークのダイナミクスに従い、多次元時系列を生成するものである。
【００４０】
多次元変数計算回路７５は、その多次元時系列を学習空間パターンとの距離を示す多次元変数に変換して次元を小さくするものである。
【００４１】
時系列記憶回路７６は、その距離を示す多次元変数の時系列を記憶するものである。
【００４２】
周波数解析回路７７は、距離を示す多次元変数の時系列の周波数解析を行い、周波数分布を計算するものである。そして、この周波数解析回路７７は、周波数分布を計算する回路で、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）で実現することができる。
【００４３】
ピーク検出回路７８は、周波数のピークを検出し、検出したい時空間パターンのどれと一致するか否かを判定するものである。
【００４４】
本実施形態の時空間パターン検出装置により、図１のフローチャートを用いて説明した空間周期性検出方法を実現することができる。
【００４５】
本実施形態は、説明を簡単にするために時空間パターンが１次元の場合について説明したが、本発明はこの場合に限定されるものではなく、時空間パターンが２次元等の場合にも同様に適用することができるものである。
【００４６】
また、図には示されれていないが、本実施形態の時空間パターン検出装置は、時空間パターン検出方法を実行するためのプログラムを記録した記録媒体を備えている。この記録媒体は磁気ディスク、半導体メモリまたはその他の記録媒体であってもよい。
【００４７】
このプログラムは、記録媒体から時空間パターン検出装置に読み込まれ、時空間パターン検出装置の動作を制御する。時空間パターン検出装置はこのプログラムの制御により上記の処理を実行する。
【００４８】
【発明の効果】
以上、本発明によれば、検出したい時空間パターンから得た２値化空間パターンを使って相関学習させたニューラルネットに時間、空間ともノイズを含んだ時空間パターンを空間離散化した多次元時系列を入力し、確率共振現象を使って、振幅の微弱な時間周期性のある時空間パターンの時間周期性を増幅し、ニューラルネットの状態と学習させた空間パターンとの距離を示す多次元変数の時系列を周波数解析し、周波数分布のピークを調べ、振幅の微弱な時間周期性のある時空間パターンを検出することができる。
【図面の簡単な説明】
【図１】本発明の一実施形態の時空間パターン検出方法を示したフローチャートである。
【図２】１次元時空間パターンから学習パターンを生成する過程を示した図である。
【図３】ニューラルネットの構成を示した図である。
【図４】確率共振のメカニズムの説明をするための図である。
【図５】１次元時空間パターンから学習パターンを生成する過程の簡単な例を示した図である。
【図６】ニューラルネットへの入力を２次元平面で見たときの図である。
【図７】本発明の一実施形態の時空間パターン検出装置の構成を示したブロック図である。
【符号の説明】
３０ 質点
７１ 空間離散化回路
７２ ２値化回路
７３ ニューラルネットワーク学習回路
７４ ニューラルネット回路
７５ 多次元変数計算回路
７６ 時系列記憶回路
７７ 周波数解析回路
７８ ピーク検出回路
７９ 信号入力回路
１０１〜１０７ ステップ
【発明の属する技術分野】
本発明は、ニューラルネット中の時空間ノイズによる確率共振現象を利用した時空間ノイズ中の微弱な時空間パターン検出方法及び装置に関するものであり、画像解析、信号検出などの産業分野に利用できる。
【０００２】
【従来の技術】
従来の時空間ノイズ中の微弱な時空間パターンを検出する際には、入力する時空間パターンに対してしきい値を設けているため、微弱な時空間パターンはしきい値以下になってしまい、検出することができなかった。また、微弱な時空間パターンそのまま解析しても、時空間ノイズに埋もれてどのような成分が存在するか判断できなかった。
【０００３】
【発明が解決しようとする課題】
上述した従来の時空間パターン検出方法では、ノイズに埋もれた微弱な時空間パターンを検出することができないという問題点があった。
【０００４】
本発明の目的は、上記従来の技術に述べた問題点の解決を狙ったものであり、ノイズに埋もれた微弱な時空間パターンを検出することができる時空間パターン検出方法および装置を提供するものである。
【０００５】
【課題を解決するための手段】
上記目的を達成するために、本発明の時空間パターン検出方法は、時間、空間ともノイズを含んだ時空間パターン中の振幅の微弱な時間周期性のある時空間パターンを検出するための時空間パターン検出方法であって、
空間離散化回路により、ノイズを含んでいない検出したい複数の時空間パターンを空間離散化し、
２値化回路により、前記空間離散化された時空間パターンを２値に量子化し、
ニューラルネット学習回路により、ある時間における前記２値化された空間パターンを使用してニューラルネットを相関学習させ、
空間離散化回路により、時間、空間ともにノイズを含んだ時空間パターンを空間離散化し、
信号入力回路により、該ニューラルネットに時間、空間ともノイズを含んだ時空間パターンを空間離散化した多次元時系列を入力し、
ニューラルネットで起こる確率共振現象を使って、前記多次元時系列信号の時間周期性を増幅し、
多次元変数計算回路、時系列記憶回路、周波数解析回路およびピーク検出回路により、前記ニューラルネットの状態と学習させたノイズを含んでいない空間パターンとの距離を示す多次元変数の時系列を周波数解析して周波数分布のピークを調べ、ノイズの中から振幅の微弱な時間周期性のある時空間パターンを検出する。
【０００６】
本発明の時空間パターン検出方法では、確率共振現象を使って、振幅の微弱な時間周期性のある時空間パターンの時間周期性を増幅させ、学習させた空間パターンとの距離を示す多次元変数の時系列を周波数解析して、その周波数分布のピークを検出することにより画像信号の空間周期性を検出しているので、振幅の微弱な時間周期性のある時空間パターンを検出することができる。
【０００７】
また、本発明の時空間パターン検出装置は、時空間パターンを空間離散化する空間離散化回路と、
空間離散化された前記時空間パターンを２値化する２値化回路と、
ニューラルネットの状態と学習させた空間パターンとの距離を示す多次元変数を計算する回路と、
検出したい複数の時空間パターンを空間離散化する空間離散化回路と、
空間離散化した時空間パターンの多次元時系列を２値化する２値化回路と、
振幅の微弱な空間離散化した多次元時系列に駆動されながら、ネットワークのダイナミクスに従い、多次元時系列を生成するニューラルネット回路と、
検出したい複数の離散化した２値化時空間パターンのある時間での空間パターンを前記ニューラルネット回路の荷重に相関学習させるニューラルネット学習回路と、
前記空間離散化回路からの出力を前記ニューラルネット回路に入力する信号入力回路と、
前記多次元時系列を学習空間パターンとの距離を示す多次元変数に変換して次元を小さくする多次元変数計算回路と、
前記多次元変数の時系列を記憶する時系列記憶回路と、
距離を示す多次元変数の時系列の周波数解析を行い、周波数分布を計算する周波数解析回路と、
前記周波数分布のピークを検出し、検出したい時空間パターンのどれと一致するか否かを判定するピーク検出回路とを有している。
【０００８】
本発明の時空間パターン検出回路では、空間離散化回路により検出したい複数の時空間パターンを空間離散化し、２値化回路により空間離散化した時空間パターンの多次元時系列を２値化し、ニューラルネット学習回路により検出したい複数の離散化した２値化時空間パターンのある時間での空間パターンをニューラルネット回路の荷重に相関学習させ、信号入力回路により時空間パターンを空間離散化する回路からの出力をニューラルネット回路に入力し、ニューラルネット回路は振幅の微弱な空間離散化した多次元時系列に駆動されながら、ネットワークのダイナミクスに従い、多次元時系列を生成する。
【０００９】
そして、多次元変数計算回路により、その多次元時系列を学習空間パターンとの距離を示す多次元変数に変換して次元を小さくし、時系列記憶回路でその距離を示す多次元変数の時系列を記憶し、周波数解析回路により距離を示す多次元変数の時系列の周波数解析を行い、周波数分布を計算し、ピーク検出回路により、周波数のピークを検出し、検出したい時空間パターンのどれと一致するか否かを判定する。したがって、振幅の微弱な時間周期性のある時空間パターンを検出することができる。
【００１０】
【発明の実施の形態】
次に、本発明の一実施形態の時空間パターン検出方法について図面を参照して詳細に説明する。
【００１１】
本実施形態の時空間パターン検出方法は、ニューラルネットを用いて、時空間ノイズ中の微弱な時空間パターンを検出する。
【００１２】
ニューラルネットとは、生物の神経回路網をモデルにしたネットワークシステムであり、神経細胞にあたるニューロン素子を、ネットワーク状に多数結合した構造になっている。各ニューロン素子は、結合された他のニューロン素子からの入力の総和に応じて、出力を発生させる。この際に、各ニューロン素子間の結合の強さ（重み付け）を調整することにより、システム全体の入力に対して最善の出力が得られるようにニューラルネットを学習させることができる。
【００１３】
このニューラルネットは、従来のコンピュータでは膨大な時間がかかる、組合わせをしらみつぶしに探索しなければならないような問題でも、比較的短時間に最適解を探し出すことができるという利点を有している。また、情報がニューロン素子や結合関係の形でシステム全体に分散されて表現されているため、一部が故障してもシステム全体としてはある程度正常な動作を続けるできるという利点も有している。
【００１４】
図１に本実施形態の時空間パターン検出方法のフローチャートを示す。
【００１５】
先ず、ノイズを含んでいない検出したい複数の時空間パターンを空間離散化し、空間離散化された前記時空間パターンを２値に量子化する（ステップ１０１）。そして、ある時間における２値化された空間パターンを使用してニューラルネットを相関学習させ（ステップ１０２）、そのニューラルネットに時間、空間ともノイズを含んだ時空間パターンを空間離散化した多次元時系列を入力する（ステップ１０３）。そして、確率共振現象を使って、空間離散化された前記時空間パターンの時間周期性を増幅し（ステップ１０４）、ニューラルネットの状態と学習させた空間パターンとの距離を示す多次元変数の時系列を計算する（ステップ１０５）。そして、計算によって得られた時系列を周波数解析して周波数分布のピークを調べることにより時間周期性のある時空間パターンを検出する（ステップ１０６、１０７）。
【００１６】
ここでは、説明を簡単にするために具体的な例として、次の単純な場合を考える。
【００１７】
時空間パターンをφ（ｕ，ｔ）として、説明を簡単にするため１次元の場合を考える。この時空間パターンを空間のみ離散化する。そのパターンをφｉ（ｔ）、ｉ＝１，…，Ｎとする。このパターンのある時刻ｔ０の空間パターンを２値化して、ニューラルネットの学習パターンξｉ、ｉ＝１，…，Ｎとする。この説明では、ξｉ＝−１ｏｒ１、用いる学習パターンはＰ個とする。これらの過程を図２に示す。
【００１８】
図２（ａ）は、ある時間での１次元パターンであり、図２（ｂ）は図２（ａ）の１次元パターンを２値化したものである。
【００１９】
ニューラルネットとして、個々のニューロン素子が以下の方程式に従うものを考える。このようなニューラルネットの構成を図３に示す。
【００２０】
【数１】
【００２１】
【数２】
【００２２】
【外１】
【００２３】
この相関学習によって、検出したい２値化空間パターンが、前述のニューラルネットの評価関数の極小値をとるパターンとなる。つまり、評価関数がポテンシャルと見なせるニューラルネットが多安定系となり、確率共振が起こる条件が得られる。
【００２４】
確率共振現象のメカニズムは、例えば、図４のように説明することができる。ここでは簡単に説明するために図４（ａ）に示すような双安定系を考える。双安定のポテンシャル中の摩擦が大きい質点３０を弱い周期信号だけで駆動すると、もう一つのポテンシャルのくぼみに移ることはできない。この状況は、測定器のしきい値で弱い周期信号を検出することができない状況と同じである。しかし、この弱い周期信号に雑音（Ｎ）が足されていると確率的にもう一つのポテンシャルのくぼみに移ることがある。つまり、測定器のしきい値を越えるわけであるが、この時間的なタイミングは弱い周期信号の振幅のピークに同期することが多い。このことにより、弱い周期信号の周波数成分が増幅されることになる。質点の位置の時系列ｘ（ｔ）のパワースペクトルは図４（ｂ）のようになり、弱い周期信号の周波数にピークが見えるようになる。また、図４（ｃ）は、雑音が足されたことにより周期信号Ｓ（ｆＯ）と雑音（Ｎ）の比であるＳＮＲが変化する様子を示したものである。
【００２５】
例えば、時空間パターンφ（ｕ，ｔ）として以下の二つを考える。
【００２６】
【数３】
【数４】
【００２８】
入力ｓｉ（ｔ）として式（３）、式（４）の２つのうち１つがノイズに埋もれたものを考える。以下の式では式（３）はφ１（ｔ）＝ｓｉｎ（ωｔｔ）、φ２（ｔ）＝ｓｉｎ（ωｔｔ）を想定し、入力ｓｉ（ｔ）として以下のものを考える。
【００２９】
【数５】
【００３０】
【数６】
【００３１】
もし、検出したい時空間パターンから直交パターンが学習パターンとして得られない場合には、以下のように直交パターンを形成するように相関学習を行なう。
【００３２】
【数７】
【００３３】
図７に本発明の時空間ノイズ中の振幅の微弱な時間周期性のある時空間パターン検出装置の一実施形態構成図を示す。
【００３４】
この時空間パターン検出装置は、空間離散化回路７１と、２値化回路７２と、ニューラルネットワーク学習回路７３と、ニューラルネット回路７４と、多次元変数計算回路７５と、時系列記憶回路７６と、周波数解析回路７７と、ピーク検出回路７８と、信号入力回路７９から構成されている。
【００３５】
空間離散化回路７１は、検出したい複数の時空間パターンを空間離散化するものである。
【００３６】
２値化回路７２は、空間離散化した時空間パターンの多次元時系列を２値化するものである。
【００３７】
信号入力回路７９は、空間離散化回路７１からの出力をニューラルネット回路７４に入力するものである。
【００３８】
ニューラルネットワーク学習回路７３は、検出したい複数の離散化した２値化された時空間パターンのある時間における空間パターンをニューラルネット回路の荷重に相関学習させるものである。
【００３９】
ニューラルネット回路７４は、振幅の微弱な空間離散化した多次元時系列に駆動されながら、ネットワークのダイナミクスに従い、多次元時系列を生成するものである。
【００４０】
多次元変数計算回路７５は、その多次元時系列を学習空間パターンとの距離を示す多次元変数に変換して次元を小さくするものである。
【００４１】
時系列記憶回路７６は、その距離を示す多次元変数の時系列を記憶するものである。
【００４２】
周波数解析回路７７は、距離を示す多次元変数の時系列の周波数解析を行い、周波数分布を計算するものである。そして、この周波数解析回路７７は、周波数分布を計算する回路で、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）で実現することができる。
【００４３】
ピーク検出回路７８は、周波数のピークを検出し、検出したい時空間パターンのどれと一致するか否かを判定するものである。
【００４４】
本実施形態の時空間パターン検出装置により、図１のフローチャートを用いて説明した空間周期性検出方法を実現することができる。
【００４５】
本実施形態は、説明を簡単にするために時空間パターンが１次元の場合について説明したが、本発明はこの場合に限定されるものではなく、時空間パターンが２次元等の場合にも同様に適用することができるものである。
【００４６】
また、図には示されれていないが、本実施形態の時空間パターン検出装置は、時空間パターン検出方法を実行するためのプログラムを記録した記録媒体を備えている。この記録媒体は磁気ディスク、半導体メモリまたはその他の記録媒体であってもよい。
【００４７】
このプログラムは、記録媒体から時空間パターン検出装置に読み込まれ、時空間パターン検出装置の動作を制御する。時空間パターン検出装置はこのプログラムの制御により上記の処理を実行する。
【００４８】
【発明の効果】
以上、本発明によれば、検出したい時空間パターンから得た２値化空間パターンを使って相関学習させたニューラルネットに時間、空間ともノイズを含んだ時空間パターンを空間離散化した多次元時系列を入力し、確率共振現象を使って、振幅の微弱な時間周期性のある時空間パターンの時間周期性を増幅し、ニューラルネットの状態と学習させた空間パターンとの距離を示す多次元変数の時系列を周波数解析し、周波数分布のピークを調べ、振幅の微弱な時間周期性のある時空間パターンを検出することができる。
【図面の簡単な説明】
【図１】本発明の一実施形態の時空間パターン検出方法を示したフローチャートである。
【図２】１次元時空間パターンから学習パターンを生成する過程を示した図である。
【図３】ニューラルネットの構成を示した図である。
【図４】確率共振のメカニズムの説明をするための図である。
【図５】１次元時空間パターンから学習パターンを生成する過程の簡単な例を示した図である。
【図６】ニューラルネットへの入力を２次元平面で見たときの図である。
【図７】本発明の一実施形態の時空間パターン検出装置の構成を示したブロック図である。
【符号の説明】
３０ 質点
７１ 空間離散化回路
７２ ２値化回路
７３ ニューラルネットワーク学習回路
７４ ニューラルネット回路
７５ 多次元変数計算回路
７６ 時系列記憶回路
７７ 周波数解析回路
７８ ピーク検出回路
７９ 信号入力回路
１０１〜１０７ ステップ
Claims (4)
- 時間、空間ともノイズを含んだ時空間パターン中の振幅の微弱な時間周期性のある時空間パターンを検出するための時空間パターン検出方法であって、
空間離散化回路により、ノイズを含んでいない検出したい複数の時空間パターンを空間離散化し、
２値化回路により、前記空間離散化された時空間パターンを２値に量子化し、
ニューラルネット学習回路により、ある時間における前記２値化された空間パターンを使用してニューラルネットを相関学習させ、
空間離散化回路により、時間、空間ともにノイズを含んだ時空間パターンを空間離散化し、
信号入力回路により、該ニューラルネットに時間、空間ともノイズを含んだ時空間パターンを空間離散化した多次元時系列を入力し、
ニューラルネットで起こる確率共振現象を使って、前記多次元時系列信号の時間周期性を増幅し、
多次元変数計算回路、時系列記憶回路、周波数解析回路およびピーク検出回路により、前記ニューラルネットの状態と学習させたノイズを含んでいない空間パターンとの距離を示す多次元変数の時系列を周波数解析して周波数分布のピークを調べ、ノイズの中から振幅の微弱な時間周期性のある時空間パターンを検出する時空間パターン検出方法。 - 時間、空間ともノイズを含んだ時空間パターン中の振幅の微弱な時間周期性のある時空間パターンを検出する処理を実行するためのプログラムを記録した記録媒体であって、
空間離散化回路により、ノイズを含んでいない検出したい複数の時空間パターンを空間離散化し、
２値化回路により、前記空間離散化された時空間パターンを２値に量子化する処理と、
ニューラルネット学習回路により、ある時間における前記２値化された空間パターンを使用してニューラルネットを相関学習させる処理と、
空間離散化回路により、時間、空間ともにノイズを含んだ時空間パターンを空間離散化する処理と、
信号入力回路により、該ニューラルネットに時間、空間ともノイズを含んだ時空間パターンを空間離散化した多次元時系列を入力する処理と、
ニューラルネットで起こる確率共振現象を使って、前記多次元時系列信号の時間周期性を増幅する処理と、
多次元変数計算回路、時系列記憶回路、周波数解析回路およびピーク検出回路により、前記ニューラルネットの状態と学習させたノイズを含んでいない空間パターンとの距離を示す多次元変数の時系列を周波数解析して周波数分布のピークを調べ、ノイズの中から振幅の微弱な時間周期性のある時空間パターンを検出する処理を実行するためのプログラムを記録した記録媒体。 - 時間、空間ともノイズを含んだ時空間パターン中の振幅の微弱な時間周期性のある時空間パターンを検出するための時空間パターン検出装置であって、
検出したい複数のノイズを含んでいない時空間パターンあるいはノイズを含んだ時空間パターンを空間離散化する空間離散化回路と、
空間離散化された前記時空間パターンを２値化する２値化回路と、
ネットワークのダイナミクスに従い、多次元時系列を生成するニューラルネット回路と、
２値化された時空間パターンを前記ニューラルネット回路の荷重に相関学習させるニューラルネット学習回路と、
前記空間離散化回路からの出力を前記ニューラルネット回路に入力する信号入力回路と、
前記多次元時系列信号を学習空間パターンとの距離を示す多次元変数に変換して次元を小さくする多次元変数計算回路と、
前記多次元変数の時系列を記憶する時系列記憶回路と、
距離を示す多次元変数の時系列の周波数解析を行い、周波数分布を計算する周波数解析回路と、
前記周波数分布のピークを検出し、検出したいノイズを含んでいない時空間パターンのどれと一致するか否かを判定するピーク検出回路とを有する時空間パターン検出装置。 - 前記周波数解析回路が、ＦＦＴである請求項３記載の時空間パターン検出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16506398A JP3614662B2 (ja) | 1998-06-12 | 1998-06-12 | 時空間パターン検出方法及び装置ならびに記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16506398A JP3614662B2 (ja) | 1998-06-12 | 1998-06-12 | 時空間パターン検出方法及び装置ならびに記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000003350A JP2000003350A (ja) | 2000-01-07 |
| JP3614662B2 true JP3614662B2 (ja) | 2005-01-26 |
Family
ID=15805162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP16506398A Expired - Fee Related JP3614662B2 (ja) | 1998-06-12 | 1998-06-12 | 時空間パターン検出方法及び装置ならびに記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3614662B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10529317B2 (en) | 2015-11-06 | 2020-01-07 | Samsung Electronics Co., Ltd. | Neural network training apparatus and method, and speech recognition apparatus and method |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2474972C2 (ru) * | 2006-01-17 | 2013-02-10 | Конинклейке Филипс Электроникс Н.В. | Обнаружение присутствия телевизионных сигналов, погруженных в шум, с использованием набора инструментальных средств циклостационарности |
| CN106844736B (zh) * | 2017-02-13 | 2021-07-16 | 北方工业大学 | 基于时空网络的时空同现模式挖掘方法 |
| CN109738899B (zh) * | 2018-12-29 | 2024-02-13 | 湖南智晶电子科技有限公司 | 一种基于随机共振探测阵列的低空飞行器探测方法及系统 |
-
1998
- 1998-06-12 JP JP16506398A patent/JP3614662B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10529317B2 (en) | 2015-11-06 | 2020-01-07 | Samsung Electronics Co., Ltd. | Neural network training apparatus and method, and speech recognition apparatus and method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2000003350A (ja) | 2000-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Finotti et al. | An SHM approach using machine learning and statistical indicators extracted from raw dynamic measurements | |
| US11934184B2 (en) | Automated analysis of non-stationary machine performance | |
| Kaplan | Exceptional events as evidence for determinism | |
| Baillie et al. | A comparison of autoregressive modeling techniques for fault diagnosis of rolling element bearings | |
| Acır | Classification of ECG beats by using a fast least square support vector machines with a dynamic programming feature selection algorithm | |
| US7363172B2 (en) | Method and apparatus for detecting damage in structures | |
| Xiao et al. | Fault diagnosis of induction motors using recurrence quantification analysis and LSTM with weighted BN | |
| US20100023290A1 (en) | Quantum Resonance Interferometry for Detecting Signals | |
| Kumar et al. | Least square fitting for adaptive wavelet generation and automatic prediction of defect size in the bearing using Levenberg–Marquardt backpropagation | |
| Torkamani et al. | Hyperchaotic probe for damage identification using nonlinear prediction error | |
| KR102289212B1 (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
| Pucci et al. | Human activities classification using biaxial seismic sensors | |
| Azami et al. | Extracellular spike detection from multiple electrode array using novel intelligent filter and ensemble fuzzy decision making | |
| JP3614662B2 (ja) | 時空間パターン検出方法及び装置ならびに記録媒体 | |
| Farrar et al. | Data normalization: a key for structural health monitoring | |
| Patel et al. | Induction motor bearing fault classification using PCA and ANN | |
| Yang et al. | Rolling‐Element Bearing Fault Data Automatic Clustering Based on Wavelet and Deep Neural Network | |
| Zereen et al. | Machine Fault Diagnosis Using Audio Sensors Data and Explainable AI Techniques-LIME and SHAP. | |
| Lisboa et al. | Sensitivity methods for variable selection using the MLP | |
| Sun et al. | Analog Circuit Soft Fault Diagnosis Based on Sparse Random Projections and K‐Nearest Neighbor | |
| Zheng et al. | Sparse measure of bearing fault features based on Legendre wavelet multi-scale multi-mode Entropy | |
| Chelloug | A Robust Approach for Multi Classification-Based Intrusion Detection through Stacking Deep Learning Models. | |
| Suzuki et al. | Improvement of generalization performance for timber health monitoring using machine learning | |
| Cheng et al. | Denoising and feature extraction for control chart pattern recognition in autocorrelated processes | |
| Niknazar et al. | Volumetric behavior quantification to characterize trajectory in phase space |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040609 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040730 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20040730 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20040730 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20040730 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041006 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041027 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071112 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081112 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091112 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101112 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |