JP4142174B2 - Metal tube discrimination method using neural network - Google Patents

Description

ここに、α(t)は、学習時刻tとともに単調減少する学習係数である。また、ユニット(p,q)は、勝者ユニットの近傍範囲D内に存在するユニットである。
【０００９】
SOM学習は、以上を繰り返して行われる。この学習により、図１に示すように、結合重みベクトルは図１中の矢印で示すように更新され、入力ベクトルX付近に移動し、その入力ベクトルXの特徴を反映する位置に落ち着くことになる。
【００１０】
次に、FTMは、以下のように行われる。
【００１１】
まず、上記のSOM学習済みの結合重みベクトルを中心点として、図２に示すようなファジィテンプレートDCrij(X)を作成する。すなわち、各結合重みベクトルを中心として対数的に減衰するテンプレートを作成する。
【００１２】
次に、このファジィテンプレートを用いて、入力データの適合度DCrij(X)を、（２）により計算する。
【数２】

γは、基本減衰率であり、減衰の大きさを決めるパラメータである。
ここで示した適合度DCrij（X）は、SOMで学習したテンプレートデータの特徴に入力データがどのくらい似ているかを表わすものである。すなわち、適合度DCrij（X）は、両者が一致する場合は１をとり、似ていない場合（離れている場合）は、対数的に減衰し、無限遠では０をとる。
【００１３】
具体的な判別は、未判別データXCv(k)の全時刻ｋで、（２）を用いてカテゴリCrごとにファジィテンプレートとの適合度を計算し、（３）で示すようにその累積適合度TCrを計算し、それぞれの累積適合度TCrを比較することにより、行われる。
【数３】

【００１４】
しかしながら、この判定方法においては、異なるカテゴリ間の距離が比較的小さい場合には、以下のような問題があった。
第一に、その判別に要する時間の短縮が望まれていた。すなわち、異なるカテゴリの入力データが近い場合は、計算される適合度の差が小さくなるため、測定開始後かなり時間が経過しないと、累積適合度に差が生じず、測定を開始してから早い時刻において判別をするに際し、明確な判断を下しにくいという問題があった。
第二に、その判別の精度を高めることが望まれていた。すなわち、異なるカテゴリの入力データが非常に近接していて、はなはだしくはデータ同士が重なる場合は、計算される適合度の大きさが逆転することがあるため、判別を誤るケースが生じるという問題があった。
【００１５】
【発明が解決しようとする課題】
この発明は上述したような従来事情に鑑みてなされたもので、その目的とするところは、判別精度を維持したまま短時間に２つの金属管の熱伝達比率R(k)を用いて複数のカテゴリに属する入力データのカテゴリ判別が行える判別方法を提供することにある。
【００１６】
【課題を解決するための手段】
本発明のニューラルネットワークを用いた２種の金属管判別方法は、熱伝達比率R(k)と加熱時間ｋからなる２次元の入力データベクトルが加熱時間ｋの小さいうちには比較的近接しているが、加熱時間が長くなるにつれて離れていく点に着目してなされたものである。すなわち、比較的判別対象が近接している状態で、より適合度の評価の差が大となるような判別アルゴリズムを改良型LVQおよび改良型FTMとして提供するものである。
【００１７】
従来型LVQ（学習ベクトル量子化法）は、コホーネンによって提案されたものであり、結合重みベクトルを教師あり競合学習則により形成するものである（基礎と実践ニューラルネットワークpp141〜142）。すなわち、ニューロンに割り付けられたカテゴリと入力データのカテゴリとを比較して結合重みベクトルを入力データベクトルに近づけるか遠ざけるかを決めるという学習を行うものである（同）。
【００１８】
コホーネンは、結合重みベクトルの初期値としてSOMによって形成されたものを用い、それを従来型LVQにより更新することを提案している（同）。従来型LVQは、入力データを分類するパターン認識機械として用いる場合には、入力データと最適マッチングしている結合重みベクトルをもつニューロンごとに、理論的に最適な識別境界を与えるベイズ識別境界を形成するように動作するからである。
したがって、より高いパターン分類率が得られることが期待される。
【００１９】
しかし、従来型LVQには、パターン学習機能はない。
本発明は、従来型LVQにSOM学習機能（すなわち、図１に示すように、判別しようとするカテゴリのデータに対して近づく学習機能）を加えて、LVQの持つパターン分類能力との相乗効果により、図３に示すように、判別したくないカテゴリのデータから少し離れる学習機能を持たせ、強力なパターン識別能力を持つ改良型LVQを提案するものである。そして、後述する改良型FTMを組み合わせることにより、さらに強力なパターン識別能力を持つこととなる。
【００２０】
改良型LVQ学習においては、図４に示すように，競合層（ＷC1ij，…，WCrij，…，ＷCnij）（添字のｒ＝1、…、ｎは、カテゴリを表す。）と入力層（XC1、…XCv、…、XCn）を持つニューラルネットワークを用いる。競合層に配置されたニューロンであるユニット(i,j)には、結合重みベクトルWCrijが対応する。
【００２１】
改良型LVQによる結合重みベクトルWCrijの更新は、以下のように行う。
【００２２】
改良型LVQの学習サイクルごとに入力ベクトルを入力層に与える。ただし、どの競合層にも、同一のカテゴリのみならず、異なるカテゴリのデータをも入力する点で、前述のSOM学習とは異なっている。
【００２３】
次に、競合層上の各ユニット(i,j)において入力ベクトルと最も近い結合重みベクトルを持つユニットを「勝者ユニット」として選択する。それとともに、この「勝者ユニット」の近傍範囲Dを選択する。近傍範囲を選択するのは、入力パターン空間上の位相と競合層上の位相関係を保ち、入力パターン空間上で隣接している点は競合層上でも隣接した点に写像するためである（トポロジー保存写像）。すなわち、近傍範囲はパターンの類似する範囲とすることにより、カテゴリ判別をしやすくするためである。近傍範囲は、学習回数の増加に伴って狭くする。これは、学習が進むと結合重みベクトルＷＣrijは、入力データの近くに集まり、データの特徴を学習してくるが、いつまでも近傍範囲を大きくしておくと近傍範囲内の関係ない重みまでも更新しつづけ、学習が速やかに収束しないからである。
【００２４】
結合重みベクトルWCrijの更新は、以下の（４）及び（５）を用いて行う。前述のSOM学習の場合と異なるのは、カテゴリの一致する競合層上の結合重みベクトルと一致しない競合層上の結合重みベクトルに対し異なる更新式を採用する点である。
カテゴリが一致する競合層では、すなわち、（４）においてCv＝Crでは、
【数４】

一方、カテゴリが一致しない競合層では、すなわち、（５）においてCv≠Crでは、
【数５】

ここに、α(t)は学習係数であり、学習時刻ｔとともに単調減少する。学習を経るにつれ，微調整とするためである。添字(p,q)は、勝者ユニットの近傍範囲D内に存在するユニットに割り当てられた添字である。
また、β(t)は、新しく導入した反学習係数であり、０≦β≦１で時間とともに単調に増加する。これは、後述するように、学習の初期においてSOM的な学習をさせ、学習が進むにつれてLVQ的な学習をさせるためである。
【００２５】
（４）、（５）で示す更新式で、入力データのカテゴリと競合層に割り当てられたカテゴリが一致する層、すなわち、Cv＝Crの層では、結合重みベクトルWCrpqは、入力ベクトルに近づくように更新される。これは、前述のSOM学習と同様である。しかし、一致しない層、すなわち、Cv≠Crの層では、結合重みベクトルWCrpqは、入力ベクトルから遠ざかるように更新される。
つまり、上記の更新によりあるカテゴリを持つ結合重みベクトルは、そのカテゴリと同じカテゴリのデータに近づき、別のカテゴリのデータから離れるように移動する。これにより、最終的にカテゴリ判別する際に、異なるカテゴリ間の距離が比較的小さい場合の判別率を向上させようとするものである。
改良型LVQは、以上のように行われる。
【００２６】
改良型LVQにおいては、新しく導入した反学習係数β(t)により、次の利点が生じる。
従来型LVQにおいては、LVQを適用する前に、SOMによる学習でLVQ学習における結合重みベクトルの初期値を得、さらにSOMの学習結果に基づいてカテゴリ分類を行っておく必要があった。改良型LVQでは、β(t)により結合重みベクトルの初期値をランダムに設定して学習を開始することができる。すなわち、事前の学習が不要という利点がある。これは、β(t)の導入により、学習の初期でSOM的学習が行われ、結合重みベクトルの初期値によりローカルに最適化されることがないからである。
【００２７】
また、β(t)は、図５に示すように、学習の初期、すなわちtが小さいときに小さく、学習の進行、すなわちtが大きくなるとともに大きくなるようにした。これにより、改良型LVQの学習は、（５）で示される離れる動きの場合（Cv≠Crの場合）は、tが小さいときは、−α(t)β(t)が小さいため、全体としては学習初期においてSOMのような学習を行い、学習が進むにつれ、−α(t)β(t)の寄与が大きくなりLVQのような学習を行う。すなわち、改良型LVQは、反学習係数β(t)を導入することにより、従来のSOMとLVQを融合させた性質を有する新しい学習則である。
【００２８】
従来型のLVQは、信号を分類するためのものであって、信号の特徴を獲得するための手法ではない。しかし、近接したカテゴリの判別を早期に行うためには、本来信号の分離のために用いるLVQの手法を上記のような改良を施した上で、SOMと融合させることにより、後述する信号判別用ファジィテンプレートの作成に適した学習効果を得られる。
【００２９】
次に、改良型FTMは、以下のように行われる。
【００３０】
まず、学習済みの結合重みベクトルを中心点として、ファジィテンプレートを作成する。このファジィテンプレートの減衰が、改良型FTMでは、従来型と比べてベクトル空間上で異なる。
【００３１】
ファジィテンプレートにより入力データの適合度FCrij(X)を、（６）により計算する。
【数６】

ここで、γは、基本減衰率、ηCr(X)はγを空間的に調節する係数である。
【００３２】
ここで示した適合度FCrij(X)は、改良型LVQで学習したデータの特徴に入力データがどのくらい似ているかを表わすものである。すなわち、一致する場合は１をとり、似ていない場合（離れている場合）は、対数的に減衰し、無限遠では０をとる。
【００３３】
ηCr(X)は、γを空間的に調節する係数であるが、以下のようなｆCrij(X)を用いて求められる。
カテゴリが一致する競合層上のWCrij に対しては、すなわち、Cr＝Cvでは、（７）によりｆCrij(X)を求める。
【数７】

一方、カテゴリが一致しない競合層上のWCrijに対しては、すなわち、Cr≠Cvでは（８）によりｆCrij(X)を求める。
【数８】

そして、（６）のηCr(X)は、（７）、（８）を用いて、（９）により求める。
【数９】

ここに、Ａは、（１０）によって求める。これは、（９)の右辺第2項の最大値を1に押えて、ηCr(X)を非負にするためである。
【数１０】

AによってηCr(X)は常に非負となり（ηCr(X)≧０）、０＜ηCr(X)＜１のときファジィテンプレートの減衰は基本減衰率に比べて小さくなり、１＜ηCr(X)のとき減衰率は基本減衰率より大きくなる。
【００３４】
改良型ファジィテンプレートでは、上述のηCr(X)を導入したことにより、従来型が等方的であるのと比べて、ファジィテンプレートの減衰がベクトル空間上で異方性を有する点で異なる。あるカテゴリに属するファジィテンプレートの減衰率は、そのファジィテンプレートと同じカテゴリを持つ結合重みベクトルの方向で小さく、異なるカテゴリを持つ結合重みベクトルの方向で大きくなる。
【００３５】
したがって、２種のカテゴリのデータがあったとすると、一のファジィテンプレートは、それと同一のカテゴリのデータに対してはより大きな適合度が出力されるように形成され、他のカテゴリのデータに対してはより小さな適合度が出力されるように形成される。これにより、累積適合度において、その差が大きくなり、判別が早期化し判別精度も向上する。
【００３６】
具体的な判別は、未判別データXCv(k)の全時刻ｋで、カテゴリCrごとにファジィテンプレートとの適合度を計算し、（１１）で示すようにその累積適合度TCrを計算し、それぞれの累積適合度TCrを比較することにより、行うことができる。
【数１１】

【００３７】
【発明の実施の形態】
以下、熱伝達方式を用いた本発明の実施の形態を、金属管であるガス管水道管の判別を例にとって、図面に基づいて説明する。
【００３８】
入力データである金属管の熱伝達比率R(k)は、以下のように測定する。
絶縁シート層の間に金属箔抵抗素子を持つラミネート構造のヒーターを用いて、管表面を急激に加熱し、ヒータ中心点（CT）、ヒーターから２ｃｍ離れた点（RT）及びヒーターからおおむね２０ｃｍ以上離れた点（ST）の管表面温度を温度センサーで測定する。この様子を図６に示す。
ここで、外気温や日照による管表面温度の変化を排除するため、（１２）のように、熱伝達比率R(k)を定義する。
【数１２】

【００３９】
ガス管と水道管の熱伝達比率R(k)と加熱時間ｋの特性例を図７に示す。両者のカテゴリは、加熱時間の小さいうちには比較的近接している。したがって、本発明の具体的な適用に好適なものである。
【００４０】
改良型LVQ学習においては、ガス管と水道管から得られた熱伝達比率R(k)のデータを図８に示すように、ガス管判別用・水道管判別用にそれぞれ競合層（ＷC1ij、ＷC2ij、添字のC1、C2は、カテゴリを表し、それぞれガス管のデータであることと水道管のデータであることを示す。以下、同じ。）と入力層（XC1、XC2）を持つニューラルネットワークを用意する。
競合層には、ｉ方向とｊ方向に５×５個のユニットを配置した。これは、入力データR(k)が比較的単純な形をしているため、その特徴を捉えるのに十分であり、また、競合学習において近傍範囲を定義するのに十分な大きさだからである。各ユニットは、2次元の結合重みベクトルWCrij＝（w1Crij,w2Crij）をもつ。2次元としたのは、熱伝達比率R(k)と加熱時間ｋを要素とするためである。結合重みベクトルの初期値は、ランダムな値を与えた。入力層への入力は、熱伝達比率のデータである。すなわち、熱伝達比率データの時間値kと、その時刻における熱伝達比率R(k)の2次元データとした。
【００４１】
改良型LVQによる結合重みベクトルWCrijの更新は、以下のように行う。
改良型LVQの学習サイクルｔごとに、熱伝達比率データの時間値kをランダムに決定し、このｋとそのときの熱伝達比率R(k)を入力ベクトルとして入力層に与える。ｋは、０≦ｋ≦６０で、１つのｋが１０秒にあたる。
ガス管判別用・水道管判別用のどちらのネットワークに対しても、ガス管の熱伝達比率データと水道管の熱伝達比率データを交互に入力した。すなわち、ネットワークに一致するカテゴリのデータと一致しないカテゴリのデータの両方を入力した。
【００４２】
次に、競合層上の各ユニットにおいて入力ベクトルと最も近い結合重みベクトルを持つユニットを「勝者ユニット」として選択する。
それとともに、図９に示すように、勝者ユニットの近傍範囲Ｄを選択する。近傍範囲Dは、学習回数とともに狭くしており、その設定例を図１０に示す。
【００４３】
結合重みベクトルWCrpqの更新は前述の（４）、（５）を用いて行った。
カテゴリが一致する競合層では、すなわち、Cv＝Crでは、
【数１３】

一方、カテゴリが一致しない競合層では、すなわち、Cv≠Crでは、
【数１４】

【００４４】
ここに、α(t)は、学習係数であり、学習時刻ｔとともに単調減少し、図１１に示すように以下の（１３）で与えた。
【数１５】

また、β(t)は、新しく導入した反学習係数であり、０≦β≦１で時間とともに単調に増加し、図５に示すように（１４）で与えた。
【数１６】

ここで、ｎは1より大きい自然数である。ここでは、n=２を採用した。
【００４５】
上記の更新式で、入力データのカテゴリと競合層に割り当てられたカテゴリが一致する場合、すなわち、Cv＝Crでは、結合重みベクトルWCrpqは、入力ベクトルに近づくように更新される。しかし、一致しない場合、すなわち、Cv≠Crでは、結合重みベクトルWCrpqは、入力ベクトルから遠ざかるように更新される。
すなわち、ガスのカテゴリを持つ結合重みベクトルは、ガスのデータに近づき、水道のデータから離れるように移動する。水道のカテゴリを持つ結合重みベクトルは、その逆である。これにより、近接したカテゴリでの判別率が向上するものである。
【００４６】
次に、改良型FTMは、以下のように行った。
【００４７】
まず、学習済みの結合重みベクトルを中心点として、ファジィテンプレートを前述の（６）により作成する。このファジィテンプレートにより入力データの適合度FCrij(X)を、求める。
【数１７】

ここで、γは基本減衰率を表わし、ηCr(X)はγを空間的に調節する係数である。γは、γ＝０．０１とした。
【００４８】
ηCr(X)は、前述の（９）から求めた。
【００４９】
ガス管判別用のファジィテンプレートは、ガス管の熱伝達比率データに対してはより大きな適合度が出力されるように形成され、水道管の熱伝達比率データに対してはより小さな適合度が出力されるように形成される。水道管判別用のファジィテンプレートはその逆である。
作成されたファジーテンプレートの例を図１２、図１３、図１４、図１５に示す。
【００５０】
具体的な判別は、未判別データの全時刻ｋで、カテゴリCrごとにファジィテンプレートとの適合度を計算し、（１１）で示すようにその累積適合度TCrを計算し、それぞれの累積適合度TCrを比較することにより行った。ここでは、カテゴリC1（ガス管）とカテゴリC2（水道管）について求めたTC1とTC2を比較した。
【数１８】

【００５１】
図１６は、従来方法で各ユニットに対する累積適合度を求めたものであり、図１７及び図１８は、本発明の方法で各ユニットに対する累積適合度を求めたものである。それぞれ、８階調に線形的にスレショルドを定めて表示したもので、暗い部分が数値が低く、明るい部分が数値が高いところに対応する。図１６と図１７及び図１８とを比較すると、図１７及び図１８のほうが、明るい部分が多く、すなわち、累積適合度が高いことが示されている。
【００５２】
数値による評価を図１９及び図２０に示す。31本のガス管及び12本の水道管について求めたものである。累積適合度が高いほうが、最終的な判別結果となるが、ここでは、すべて、間違いなく、判別した。
【００５３】
改良型LVQ、改良型FTMは、いずれも、MATLAB（商品名）というソフトウェアをパーソナルコンピュータ上で実行させ、実施した。RAM（「ランダムアクセスメモリー」をいう。以下、同様。）に学習用の入力ベクトルの値とそのカテゴリーをあらかじめ記憶させ、また、判別すべき入力データを取り込んだ後に記憶させ、それらを更新式の手順に従い、CPUで演算させた。
【００５４】
改良型FTMも、改良型LVQ同様に、RAMにファジィテンプレートの値をあらかじめ記憶させ、また、測定データ収集器からカテゴリ判別すべき入力データを取り込み、それらを適合度の計算手順に従い、CPUで演算させることにより、パーソナルコンピュータ上で、実行した。
【００５５】
【発明の効果】
以上説明したように、改良型LVQと改良型FTMにより、ガス管判別用ファジィテンプレートから計算される適合度と、水道管判別用ファジィテンプレートから計算される適合度の差が大きくなり、より明確な判断を下すことが可能になる。
また、（６）により作成される改良型ファジィテンプレートは、図１２から図１５に示すように、他の結合重みベクトルの影響を受け、時間軸方向に伸びたような形となる。そのため、熱伝達比率のデータ計測を開始してから比較的早期に、ガスと水道の累積適合度には、明確な差が生じ、より短い計測時間でガス管水道管の判別を下すことができる。
【図面の簡単な説明】
【図１】従来のSOM学習のイメージ図を表わす。
【図２】従来のファジィテンプレートのイメージ図を表わす。
【図３】本発明の改良型LVQのイメージ図を表わす。
【図４】本発明の改良型LVQにおける結合重みベクトルと競合層を表わす。
【図５】本発明の改良型LVQにおける反学習係数βの設定例を表わす。
【図６】本発明の入力データであるガス管と水道管の熱伝達方式による測定を表わす。
【図７】ガス管と水道管の熱伝達比率R(k)と加熱時間kの特性を表わす。
【図８】本発明の実施の形態におけるガス管・水道管判別用の入力層と競合層を表わす。
【図９】本発明の実施の形態における近傍範囲の設定例を表わし、近傍範囲Dが勝者ユニットの前後左右ｄ個のユニットの範囲を選択した場合を示す。
【図１０】本発明の実施の形態における近傍範囲の設定例を表わし、近傍範囲を定めるｄが学習時刻の経過により減少する様子を示す。
【図１１】本発明の実施の形態における学習係数αの例を表わす。
【図１２】本発明の実施の形態における作成したファジィテンプレートを表わし、ガス管判別用ファジィテンプレートを示す。
【図１３】本発明の実施の形態における作成したファジィテンプレートを表わし、水道管判別用ファジィテンプレートを示す。
【図１４】本発明の実施の形態における作成したファジィテンプレートを表わし、ガス管判別用累積ファジィテンプレートを示す。
【図１５】本発明の実施の形態における作成したファジィテンプレートを表わし、水道管用累積ファジィテンプレートを示す。
【図１６】従来方法の可視化した判別結果を示す。
【図１７】本発明の実施の形態における適合度の可視化した判別結果を示す。
【図１８】本発明の実施の形態における適合度の可視化した判別結果を示す。
【図１９】本発明の実施の形態における適合度の数値判別結果を表わしており、入力がガス管のデータである場合を示し、全部で３１種の判別をおこなったものである。
【図２０】本発明の実施の形態における適合度の数値判別結果を表わしており、入力が水道管のデータである場合を示し、全部で１２種の判別をおこなったものである。[0001]
BACKGROUND OF THE INVENTION
The present invention requires a technical field to quickly and accurately determine which category belongs to input data belonging to a plurality of categories, for example, identification of water pipes and gas pipes which are buried metal pipes. It relates to the technical field of conduit construction.
[0002]
[Prior art]
Conventionally, as a method for discriminating this kind of metal tube, a heat transfer method, an ultrasonic method (Japanese Patent Laid-Open No. 63-285463), a neutron method (Japanese Patent Laid-Open No. 60-250216), a striking vibration method (Japanese Patent Laid-Open No. 6-28892). An electromagnetic induction method is provided. In particular, the heat transfer method focuses on the difference in the heat transfer ratio between the two metal tubes, and is being developed because it does not require a special expert and is advantageous in terms of cost. Kaihei 10-38828).
[0003]
The determination of the conventional heat transfer method, that is, the algorithm for determining which category of the two metal tubes belongs to the heat transfer ratio obtained by the measurement, the obtained time series data is each of the reference data ± 10 percent of the above was determined to be within the range of the reference data (Japanese Patent Laid-Open No. 10-38828).
However, in order to speed up and improve the accuracy of this decision, in general, (1) Self-Organizing Map (hereinafter referred to as “SOM”) proposed by Kohonen (Sushiro Usui et al. “Basics” And (2) Fuzzy Template Matching (hereinafter referred to as “FTM”).
[0004]
In this SOM learning, a competitive layer (WC1ij,..., WCrij,..., WCnij) (Cr represents a category, and the subscript r is a natural number of r = 1,..., N) and an input layer (XC1). ,..., XCv,..., XCn) are used.
[0005]
The unit (i, j) arranged in the competitive layer corresponds to the connection weight vector WCrij, and SOM learning, that is, the update of the connection weight vector WCrij is performed as follows.
[0006]
First, an input vector is given to the input layer for each SOM learning cycle.
[0007]
Next, a unit having a coupling weight vector closest to the input vector in each unit on the competitive layer is selected as a “winner unit”.
At the same time, the neighborhood range D of this winner unit is selected.
[0008]
The connection weight vector is updated in the following (1).
[Expression 1]

Here, α (t) is a learning coefficient that monotonously decreases with the learning time t. The unit (p, q) is a unit existing in the vicinity range D of the winner unit.
[0009]
SOM learning is repeated. As a result of this learning, as shown in FIG. 1, the connection weight vector is updated as shown by the arrow in FIG. 1, and it moves to the vicinity of the input vector X and settles at a position that reflects the characteristics of the input vector X. .
[0010]
Next, FTM is performed as follows.
[0011]
First, a fuzzy template DCrij (X) as shown in FIG. 2 is created using the above-described SOM learned connection weight vector as a central point. In other words, a template that attenuates logarithmically around each coupling weight vector is created.
[0012]
Next, using this fuzzy template, the fitness DCrij (X) of the input data is calculated by (2).
[Expression 2]

γ is a basic attenuation rate and is a parameter that determines the magnitude of attenuation.
The degree of matching DCrij (X) shown here represents how much the input data is similar to the feature of the template data learned by the SOM. That is, the fitness DCrij (X) is 1 when the two match, and is logarithmically attenuated when they are not similar (away from each other) and 0 at infinity.
[0013]
The specific discrimination is the total time k of the unidentified data XCv (k), using (2) to calculate the fitness with the fuzzy template for each category Cr, and the cumulative fitness as shown in (3) This is done by calculating TCr and comparing the respective cumulative fitness TCr.
[Equation 3]

[0014]
However, this determination method has the following problems when the distance between different categories is relatively small.
First, it has been desired to shorten the time required for the determination. In other words, when the input data of different categories are close, the difference in the calculated goodness of fit is small. Therefore, if a considerable amount of time has not elapsed after the start of measurement, there is no difference in the cumulative goodness of fit. There is a problem that it is difficult to make a clear judgment when making a judgment at the time.
Secondly, it has been desired to increase the accuracy of the discrimination. In other words, if the input data of different categories are very close to each other and the data overlap each other, the magnitude of the calculated fitness may be reversed. It was.
[0015]
[Problems to be solved by the invention]
The present invention has been made in view of the above-described conventional circumstances, and its object is to use a plurality of heat transfer ratios R (k) of two metal tubes in a short time while maintaining discrimination accuracy. An object of the present invention is to provide a determination method capable of determining the category of input data belonging to a category.
[0016]
[Means for Solving the Problems]
The two types of metal tube discrimination methods using the neural network of the present invention are such that the two-dimensional input data vector consisting of the heat transfer ratio R (k) and the heating time k is relatively close while the heating time k is small. However, it was made paying attention to the point that it leaves | separates as heating time becomes long. In other words, a discrimination algorithm that provides a greater difference in the evaluation of fitness when the discrimination targets are relatively close to each other is provided as an improved LVQ and an improved FTM.
[0017]
Conventional LVQ (Learning Vector Quantization Method) was proposed by Kohonen, and forms joint weight vectors by supervised competitive learning rules (basic and practical neural networks pp141-142). That is, learning is performed in which the category assigned to the neuron and the category of the input data are compared to determine whether the connection weight vector is close to or away from the input data vector (same as above).
[0018]
Kohonen has proposed using the SOM as the initial value of the joint weight vector and updating it using the conventional LVQ (ibid). When used as a pattern recognition machine that classifies input data, the conventional LVQ forms a Bayesian identification boundary that gives a theoretically optimal identification boundary for each neuron with a connection weight vector that is optimally matched to the input data. It is because it operates to do.
Therefore, it is expected that a higher pattern classification rate can be obtained.
[0019]
However, the conventional LVQ has no pattern learning function.
The present invention adds a SOM learning function to the conventional LVQ (that is, a learning function that approaches the data of the category to be determined as shown in FIG. 1), and synergizes with the pattern classification ability of the LVQ. As shown in FIG. 3, an improved LVQ having a strong pattern identification capability is proposed by providing a learning function that is slightly different from data of a category that is not desired to be discriminated. By combining the improved FTM, which will be described later, it will have a stronger pattern identification capability.
[0020]
In the improved LVQ learning, as shown in FIG. 4, a competitive layer (WC1ij,..., WCrij,..., WCnij) (subscripts r = 1,..., N represent categories) and an input layer (XC1,. ... use a neural network with XCv, ..., XCn). The unit weight (WCrij) corresponds to the unit (i, j) which is a neuron arranged in the competitive layer.
[0021]
The connection weight vector WCrij is updated by the improved LVQ as follows.
[0022]
An input vector is given to the input layer every learning cycle of the improved LVQ. However, this is different from the above-described SOM learning in that not only the same category but also data of different categories are input to any competitive layer.
[0023]
Next, a unit having a joint weight vector closest to the input vector in each unit (i, j) on the competitive layer is selected as a “winner unit”. At the same time, the neighborhood range D of this “winner unit” is selected. The reason why the neighborhood range is selected is that the phase in the input pattern space and the phase relationship in the competitive layer are maintained, and adjacent points in the input pattern space are mapped to adjacent points in the competitive layer (topology). Preservation map). In other words, the neighborhood range is set to a similar pattern range to facilitate category discrimination. The neighborhood range is narrowed as the number of learning increases. This is because, as learning progresses, the connection weight vector WCRij gathers near the input data and learns the characteristics of the data. However, if the neighborhood range is made large indefinitely, even unrelated weights in the neighborhood range are updated. This is because learning does not converge quickly.
[0024]
The connection weight vector WCRij is updated using the following (4) and (5). The difference from the case of the SOM learning described above is that a different update formula is adopted for the coupling weight vector on the competitive layer that does not match the coupling weight vector on the competitive layer with the same category.
In the competitive layer with the same category, that is, in Cv = Cr in (4),
[Expression 4]

On the other hand, in the competitive layer where the categories do not match, that is, when Cv ≠ Cr in (5),
[Equation 5]

Here, α (t) is a learning coefficient and monotonously decreases with the learning time t. This is to make fine adjustments as learning progresses. The subscript (p, q) is a subscript assigned to a unit existing in the vicinity range D of the winner unit.
Further, β (t) is a newly introduced anti-learning coefficient and monotonously increases with time when 0 ≦ β ≦ 1. This is because, as will be described later, SOM-like learning is performed at the initial stage of learning, and LVQ-like learning is performed as learning progresses.
[0025]
In the update formulas shown in (4) and (5), in the layer where the category of the input data and the category assigned to the competitive layer match, that is, the layer of Cv = Cr, the coupling weight vector WCrpq approaches the input vector. Updated to This is the same as the SOM learning described above. However, in the non-matching layer, that is, the layer where Cv ≠ Cr, the coupling weight vector WCrpq is updated so as to be away from the input vector.
In other words, the connection weight vector having a certain category by the above update moves closer to the data of the same category as that category and moves away from the data of another category. Thus, when the category is finally determined, the determination rate is improved when the distance between different categories is relatively small.
The improved LVQ is performed as described above.
[0026]
In the improved LVQ, the newly introduced anti-learning coefficient β (t) has the following advantages.
In the conventional LVQ, before applying LVQ, it is necessary to obtain an initial value of a connection weight vector in LVQ learning by learning by SOM, and to perform category classification based on the learning result of SOM. In the improved LVQ, learning can be started by setting an initial value of the coupling weight vector at random by β (t). That is, there is an advantage that prior learning is unnecessary. This is because by introducing β (t), SOM-like learning is performed at the initial stage of learning and is not locally optimized by the initial value of the coupling weight vector.
[0027]
Further, as shown in FIG. 5, β (t) is small at the initial stage of learning, that is, when t is small, and increases as learning progresses, that is, t increases. As a result, in the improved LVQ learning, in the case of the moving away shown in (5) (in the case of Cv ≠ Cr), when α is small, −α (t) β (t) is small. Performs learning like SOM in the early stage of learning, and as the learning progresses, the contribution of -α (t) β (t) increases and learning like LVQ is performed. In other words, the improved LVQ is a new learning rule having the property of fusing the conventional SOM and LVQ by introducing the anti-learning coefficient β (t).
[0028]
Conventional LVQ is for classifying signals, not for acquiring signal characteristics. However, in order to quickly identify adjacent categories, the LVQ method originally used for signal separation has been improved as described above, and then combined with SOM for signal discrimination described later. A learning effect suitable for creating a fuzzy template can be obtained.
[0029]
Next, the improved FTM is performed as follows.
[0030]
First, a fuzzy template is created using the learned connection weight vector as a central point. The attenuation of the fuzzy template is different in the vector space in the improved FTM compared to the conventional type.
[0031]
The fitness FCrij (X) of the input data is calculated by (6) using the fuzzy template.
[Formula 6]

Here, γ is a basic attenuation rate, and ηCr (X) is a coefficient for spatially adjusting γ.
[0032]
The fitness FCrij (X) shown here represents how similar the input data is to the characteristics of the data learned by the improved LVQ. In other words, 1 is taken when they match, and logarithmically decays when they are not similar (if they are separated), and 0 at infinity.
[0033]
ηCr (X) is a coefficient for spatially adjusting γ, and is obtained using fCrij (X) as follows.
For WCRij on the competitive layer with the same category, that is, when Cr = Cv, fCrij (X) is obtained by (7).
[Expression 7]

On the other hand, for WCRij on the competitive layer where the categories do not match, that is, when Cr ≠ Cv, fCrij (X) is obtained by (8).
[Equation 8]

And (6) (eta) Cr (X) is calculated | required by (9) using (7) and (8).
[Equation 9]

Here, A is obtained by (10). This is because the maximum value of the second term on the right side of (9) is pushed to 1, and ηCr (X) is made non-negative.
[Expression 10]

ΗCr (X) is always non-negative by A (ηCr (X) ≧ 0), and when 0 <ηCr (X) <1, the attenuation of the fuzzy template is smaller than the basic attenuation rate, and 1 <ηCr (X) Sometimes the damping rate is larger than the basic damping rate.
[0034]
The improved fuzzy template is different in that the attenuation of the fuzzy template has anisotropy in the vector space as compared with the conventional isotropic type due to the introduction of ηCr (X) described above. The attenuation factor of a fuzzy template belonging to a certain category is small in the direction of a coupling weight vector having the same category as that fuzzy template, and is large in the direction of a coupling weight vector having a different category.
[0035]
Therefore, if there are two categories of data, one fuzzy template is formed so that a higher degree of matching is output for the same category of data, and for other categories of data. Is formed such that a smaller fitness is output. As a result, the difference in the cumulative fitness is increased, the discrimination is accelerated, and the discrimination accuracy is improved.
[0036]
Specifically, the degree of fitness with the fuzzy template is calculated for each category Cr at all times k of the unidentified data XCv (k), and the cumulative fitness TCr is calculated as shown in (11). This can be done by comparing the cumulative fitness TCr.
## EQU11 ##

[0037]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, an embodiment of the present invention using a heat transfer system will be described with reference to the drawings, taking as an example the discrimination of a gas pipe water pipe that is a metal pipe.
[0038]
The heat transfer ratio R (k) of the metal tube, which is input data, is measured as follows.
Using a laminated heater with a metal foil resistor between the insulating sheet layers, the tube surface is heated rapidly, the heater center point (CT), the point 2 cm away from the heater (RT), and approximately 20 cm or more from the heater. The tube surface temperature at the remote point (ST) is measured with a temperature sensor. This is shown in FIG.
Here, in order to eliminate the change in the tube surface temperature due to the outside air temperature and sunlight, the heat transfer ratio R (k) is defined as in (12).
[Expression 12]

[0039]
FIG. 7 shows a characteristic example of the heat transfer ratio R (k) between the gas pipe and the water pipe and the heating time k. Both categories are relatively close while the heating time is small. Therefore, it is suitable for specific application of the present invention.
[0040]
In the improved LVQ learning, as shown in FIG. 8, the heat transfer ratio R (k) data obtained from the gas pipe and the water pipe are respectively competitive layers (WC1ij, WC2ij) for gas pipe discrimination and water pipe discrimination. , Subscripts C1 and C2 represent categories, indicating that they are gas pipe data and water pipe data, respectively, and so on.) Neural networks with input layers (XC1, XC2) are prepared. To do.
In the competitive layer, 5 × 5 units were arranged in the i direction and the j direction. This is because the input data R (k) has a relatively simple shape and is sufficient to capture its characteristics, and is large enough to define a neighborhood range in competitive learning. . Each unit has a two-dimensional coupling weight vector WCrij = (w1Crij, w2Crij). The reason for the two dimensions is that the heat transfer ratio R (k) and the heating time k are used as elements. The initial value of the connection weight vector gave a random value. The input to the input layer is heat transfer ratio data. That is, the time value k of the heat transfer ratio data and the two-dimensional data of the heat transfer ratio R (k) at that time were used.
[0041]
The connection weight vector WCrij is updated by the improved LVQ as follows.
For each learning cycle t of the improved LVQ, the time value k of the heat transfer ratio data is randomly determined, and this k and the heat transfer ratio R (k) at that time are given as input vectors to the input layer. k is 0 ≦ k ≦ 60, and one k corresponds to 10 seconds.
The gas pipe heat transfer ratio data and the water pipe heat transfer ratio data were alternately input to both the gas pipe discrimination network and the water pipe discrimination network. That is, both category data that matches the network and category data that does not match are input.
[0042]
Next, a unit having a coupling weight vector closest to the input vector in each unit on the competitive layer is selected as a “winner unit”.
At the same time, as shown in FIG. 9, the vicinity range D of the winner unit is selected. The neighborhood range D is narrowed with the number of learnings, and an example of the setting is shown in FIG.
[0043]
The connection weight vector WCrpq was updated using the above (4) and (5).
In the competitive layer where the categories match, that is, Cv = Cr,
[Formula 13]

On the other hand, in the competitive layer where the categories do not match, that is, when Cv ≠ Cr,
[Expression 14]

[0044]
Here, α (t) is a learning coefficient, which decreases monotonously with the learning time t, and is given by the following (13) as shown in FIG.
[Expression 15]

Β (t) is a newly introduced anti-learning coefficient, and monotonically increases with time when 0 ≦ β ≦ 1, and is given by (14) as shown in FIG.
[Expression 16]

Here, n is a natural number greater than 1. Here, n = 2 was adopted.
[0045]
In the above update formula, when the category of the input data matches the category assigned to the competitive layer, that is, when Cv = Cr, the connection weight vector WCrpq is updated so as to approach the input vector. However, if they do not match, that is, if Cv ≠ Cr, the connection weight vector WCrpq is updated so as to move away from the input vector.
That is, the combined weight vector having the gas category moves closer to the gas data and away from the water data. The joint weight vector with the category of water supply is the opposite. Thereby, the discrimination rate in the adjacent category is improved.
[0046]
Next, the improved FTM was performed as follows.
[0047]
First, a fuzzy template is created by (6) described above with the learned connection weight vector as the center point. Using this fuzzy template, the fitness FCrij (X) of the input data is obtained.
[Expression 17]

Here, γ represents a basic attenuation rate, and ηCr (X) is a coefficient for spatially adjusting γ. γ was set to γ = 0.01.
[0048]
ηCr (X) was obtained from the above (9).
[0049]
The fuzzy template for gas pipe discrimination is formed so that a higher degree of conformity is output for the heat transfer ratio data of the gas pipe, and a smaller degree of conformity is output for the heat transfer ratio data of the water pipe. Formed to be. The fuzzy template for water pipe discrimination is the opposite.
Examples of the created fuzzy templates are shown in FIG. 12, FIG. 13, FIG. 14, and FIG.
[0050]
Specifically, at all times k of the unidentified data, the fitness with the fuzzy template is calculated for each category Cr, the cumulative fitness TCr is calculated as shown in (11), and each cumulative fitness is calculated. This was done by comparing TCr. Here, TC1 and TC2 obtained for category C1 (gas pipe) and category C2 (water pipe) were compared.
[Expression 18]

[0051]
FIG. 16 shows the cumulative fitness for each unit obtained by the conventional method, and FIGS. 17 and 18 show the cumulative fitness for each unit obtained by the method of the present invention. Each of them is displayed by linearly setting a threshold value in 8 gradations, and a dark portion corresponds to a low numerical value and a bright portion corresponds to a high numerical value. Comparison of FIG. 16 with FIG. 17 and FIG. 18 shows that FIG. 17 and FIG. 18 have more bright parts, that is, higher cumulative fitness.
[0052]
Numerical evaluation is shown in FIGS. This is for 31 gas pipes and 12 water pipes. The higher the cumulative fitness is, the final discrimination result is, but here, all was definitely decided.
[0053]
The improved LVQ and the improved FTM were both implemented by running MATLAB (trade name) software on a personal computer. RAM (referred to as “random access memory”, the same shall apply hereinafter) stores the value of the input vector for learning and its category in advance, and stores it after importing the input data to be discriminated. The CPU was operated according to the procedure.
[0054]
As with the improved LVQ, the improved FTM also stores the fuzzy template values in the RAM in advance, captures the input data to be categorized from the measurement data collector, and calculates them with the CPU according to the fitness calculation procedure. And executed on a personal computer.
[0055]
【The invention's effect】
As explained above, the improved LVQ and the improved FTM increase the difference between the goodness calculated from the fuzzy template for gas pipe discrimination and the goodness calculated from the fuzzy template for water pipe discrimination. Judgment can be made.
Further, as shown in FIGS. 12 to 15, the improved fuzzy template created by (6) is affected by other coupling weight vectors and has a shape extending in the time axis direction. For this reason, there is a clear difference in the cumulative compatibility between gas and water relatively early after the start of heat transfer ratio data measurement, and the gas pipe and water pipe can be identified in a shorter measurement time. .
[Brief description of the drawings]
FIG. 1 shows an image diagram of conventional SOM learning.
FIG. 2 represents an image diagram of a conventional fuzzy template.
FIG. 3 represents an image diagram of an improved LVQ of the present invention.
FIG. 4 represents the combined weight vector and the competition layer in the improved LVQ of the present invention.
FIG. 5 shows a setting example of an anti-learning coefficient β in the improved LVQ of the present invention.
FIG. 6 shows the measurement by the heat transfer method of the gas pipe and the water pipe, which is the input data of the present invention.
FIG. 7 shows the characteristics of the heat transfer ratio R (k) and heating time k between the gas pipe and the water pipe.
FIG. 8 shows an input layer and a competitive layer for gas pipe / water pipe discrimination in the embodiment of the present invention.
FIG. 9 shows an example of setting a neighborhood range in an embodiment of the present invention, and shows a case where neighborhood range D selects a range of d units before, after, and behind the winner unit.
FIG. 10 represents an example of setting a neighborhood range in the embodiment of the present invention, and shows a state where d defining the neighborhood range decreases as the learning time elapses.
FIG. 11 illustrates an example of a learning coefficient α in the embodiment of the present invention.
FIG. 12 shows a fuzzy template created in the embodiment of the present invention, and shows a fuzzy template for gas pipe discrimination.
FIG. 13 shows a fuzzy template created in the embodiment of the present invention, and shows a fuzzy template for water pipe discrimination.
FIG. 14 shows a fuzzy template created in the embodiment of the present invention, and shows a cumulative fuzzy template for gas pipe discrimination.
FIG. 15 shows a fuzzy template created in the embodiment of the present invention, and shows a cumulative fuzzy template for water pipes.
FIG. 16 shows a visualized discrimination result of the conventional method.
FIG. 17 shows a discrimination result obtained by visualizing the degree of fitness in the embodiment of the present invention.
FIG. 18 shows the result of determination of the degree of fitness visualized in the embodiment of the present invention.
FIG. 19 shows a numerical value determination result of the fitness in the embodiment of the present invention, showing a case where the input is data of a gas pipe, in which 31 types of determination are made in total.
FIG. 20 shows a numerical value determination result of the fitness in the embodiment of the present invention, showing a case where the input is data of a water pipe, and a total of 12 types of determination are performed.

Claims (3)

In a method for discriminating a pipe to be probed by measuring the heat transfer ratio on the surface of the pipe to be probed , a competitive learning type neural network having a competitive layer and an input layer is prepared, and a connection weight corresponding to a unit arranged in the competitive layer When learning a vector, the connection weight vector of the unit closest to the input vector and its neighboring units are input in proportion to the learning coefficient for the connection weight vector on the competitive layer with the same category. Signal learning that is updated so that it approaches the vector, and for the connection weight vector on the competitive layer where the categories do not match, the connection weight vector is updated so as to move away from the input vector in proportion to the product of the learning coefficient and anti-learning coefficient Method ( advanced LVQ ( Learning Vector Quantization )) and a fuzzy tenant centered on the learned joint weight vector A signal discriminating method for discriminating a category by calculating a goodness of fit by using a coefficient having anisotropy in the attenuation of the fuzzy template when classifying input data categories generated from a plurality of categories by a plate (improved) A method for discriminating an exploration tube, characterized by discriminating the exploration tube from the measured heat transfer ratio using a type FTM (Fuzzy Template Matching) method. 2. The probed pipe discrimination method according to claim 1, wherein the probed pipe is a metal pipe. 3. A method for determining a pipe to be searched according to claim 1, wherein the pipe to be searched is a gas pipe and a water pipe.

Images