JP4198225B2 - センサ信号分類装置およびその方法 - Google Patents
センサ信号分類装置およびその方法 Download PDFInfo
- Publication number
- JP4198225B2 JP4198225B2 JP05081098A JP5081098A JP4198225B2 JP 4198225 B2 JP4198225 B2 JP 4198225B2 JP 05081098 A JP05081098 A JP 05081098A JP 5081098 A JP5081098 A JP 5081098A JP 4198225 B2 JP4198225 B2 JP 4198225B2
- Authority
- JP
- Japan
- Prior art keywords
- classification
- data
- cluster
- signal
- sensor signal
- 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
- Radar Systems Or Details Thereof (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、センサで受信・検出を行なった複数種類の信号を、各種類毎に分類することができるセンサ信号分類装置およびその方法に関する。
【０００２】
【従来の技術】
センサが受信・検出した複数種類の信号を、各種類毎に分類するために、それぞれの信号から、特徴を抽出し、その特徴の類似性によって分類するセンサ信号分類装置および方法が従来からある。
ここで、センサが受信・検出する信号とは、例えば、レーダ信号を受信するセンサであれば、各レーダパルスであり、信号の種類数はレーダ数もしくは観測対象数に依存することとなる。また、センサが合成開口レーダのような画像レーダであれば、画像を構成する各ピクセルが信号であり、信号の種類数は、画像レーダが観測している領域が、いくつの植生、目標、観測対象などに分類できるかに依存する。
【０００３】
ここで、１個または２個以上の信号の集合をクラスタ、各信号がどのクラスタに入るかを表す記録を分類データ、各信号から抽出された特徴を記録したものをセンサ信号データと呼ぶ。クラスタ数と信号の種類数は等しい。
【０００４】
図１４に、このような機能を持つ従来のセンサ信号分類装置として、特開平８−４３５２０号公報に開示されている「パルス分類装置」から類推して得られるセンサ信号分類装置の構成を示す。
【０００５】
図１４において、１は受信アンテナ、２は受信信号から分類を行なう対象の信号を検出・作成し、これらの信号の特徴を抽出してセンサ信号データを作成するセンサ信号データ作成部、３は最初に仮定する信号の種類数、つまりクラスタ数を設定するクラスタ数設定部、４は入力されたセンサ信号データの信号数と入力されたクラスタ数から分類データを初期化する分類データ初期化部、１０は入力されたセンサ信号データと分類データから分類に関する評価値である分類評価値を算出し、この評価値を最小または最大にする分類データを求める分類データ最適化手段である。
【０００６】
また、６は入力された分類データとセンサ信号データから、この分類データのクラスタ数における評価値、すなわちクラスタ数評価値を算出し、これを記憶し、最も適切と考えられるクラスタ数を推定する最適クラスタ数推定部、７は入力された分類データとセンサ信号データから信号を分類し、ある１種類の信号のみから構成されるセンサ信号データをクラスタ数個作成する信号分類部、８ａ、８ｂはある１種類の信号のみから構成されるセンサ信号データであり、５は分類データ最適化手段１０のみから構成される分類部である。
【０００７】
以下、図１４に示すセンサ信号分類装置の動作を説明する。アンテナ１では、例えば、複数のレーダからのレーダ信号などを受信し、その受信信号をセンサ信号データ作成部２に出力する。センサ信号データ作成部２では、アンテナ１から入力される受信信号から信号を検出・作成し、それらの信号から特徴を抽出し、センサ信号データＹとして出力する。
【０００８】
クラスタ数設定部３では、事前に最低限、最小限の信号の種類数や、おおよその信号の種類数が既知であれば、その値を種類数、すなわちクラスタ数として設定する。未知の場合は、適当な値、一般的には１を設定する。そして、設定したクラスタ数Ｋを出力する。
【０００９】
分類データ初期化部４では、クラスタ数設定部３もしくは後述の最適クラスタ数推定部６から入力されるクラスタ数Ｋと、センサ信号データ作成部２から入力されるセンサ信号データＹの信号数から、どの信号がどのクラスタに含まれるを示す分類データの初期値ΛK (0)を決定しこれを出力する。この初期値の設定の仕方は順番に割り振っても、乱数を用いて決定しても、どのようにしても良い。
【００１０】
分類部５では、センサ信号データ作成部２から入力されるセンサ信号データと、分類データ初期化部４から入力される分類データから、分類評価値を算出する。ここで、クラスタ数をＫ、信号数をＮ、その信号から抽出される特徴数をＰ、信号ｉの特徴ｐの値をｙip、クラスタｋの特徴ｐの誤差の標準偏差をσkp 2とする。
【００１１】
また、分類データΛKをλikを要素に持つＮ行Ｋ列の行列とし、信号ｉがクラスタｋに含まれる場合λik＝１、含まれない場合λik＝０であるとする。この場合、分類評価値は、例えば、
【００１２】
【数１】
【００１３】
のように尤度として算出されることが多い。また、(１)式の分類評価値は各特徴の誤差の分散は未知で、かつクラスタ毎に異なると考えているが、これが既知でかつ全クラスタで同一である場合、σp＝σip＝・・・＝σKpとする。
【００１４】
そして例えば、信号ｉをあるクラスタｋ1からクラスタｋ2に変更することによって、分類評価値Ｊ(Λ)が小さくもしくは大きくなるように変更していき、分類評価値が小さくもしくは大きくならなくなったらこの分類データを出力する。
【００１５】
この場合、信号ｉの所属するクラスタを変更することによって、あるクラスタに含まれる信号の数が０になったり、新たなクラスタを作成することは認めないので、クラスタ数が変化することはない。
【００１６】
最適クラスタ数推定部６では、分類部５から入力される分類データΛKから、クラスタ数をＫであると仮定した場合のクラスタ数評価値を算出する。この評価値は、ＡＩＣ(Akaike Infomation Criterion)、ＭＤＬ(Minimum Description Length)基準、ＭＤＬ原理、ＦＥＰなどによって算出され、各特徴の誤差の分散は未知である場合、例えば、
【００１７】
【数２】
【００１８】
として算出される。
このクラスタ数評価値を含め、それまでに算出されたクラスタ数評価値と比較し、あるクラスタ数Ｋ'でのクラスタ数評価値が最小であると判断されれば、クラスタ数Ｋ'での分類データΛK'を出力する。
【００１９】
最小でないと判断されれば、算出したクラスタ数評価値および分類データを記憶し、さらにクラスタ数Ｋをこれまでクラスタ数評価値を算出していないクラスタ数に変更して出力する。通常は、クラスタ数設定部３でＫ＝１として設定し、最小でないと判断された場合に、Ｋの値を１つ増加して出力する。
【００２０】
信号分類部７では、入力された分類データのクラスタ数をＫ'とすると、センサ信号データＹを分類データΛK'に基づき、同一種類の信号を集めて、Ｋ'個の同一種類の信号のみを含むセンサ信号データを作成し出力する。
【００２１】
【発明が解決しようとする課題】
以上のように、構成された従来のセンサ信号分類装置では、特にクラスタ数が多い場合に、分類部から出力される分類データは真の最適解ではなく、局所最適解が求まってしまう可能性があり、この結果、最終的な分類結果も誤ってしまうという問題点があった。
【００２２】
また、前記(１)式のような分類評価値の算出において、各特徴の分散は既知である場合は一定値であるとし、未知である場合は同一クラスタ内では分散の期待値は同じ値であるとして、同一クラスタに含まれる信号の特徴のばらつきから推定していた。しかし、誤差の分散はＳ／Ｎ比などによって、信号毎に変化することも考えらる。この場合、分離性能は劣化するという問題点があった。
【００２３】
本発明は以上のような問題点を解消するためになされたもので、局所最適解が求まった場合に、これを検出し、さらに分類を続行することによって局所最適解が求まりにくくしたり、または各信号の各特徴毎に誤差の分散を推定・算出し、分離性能が劣化しにくくできるセンサ信号分類装置およびその方法を提供することを目的とする。
【００２４】
【課題を解決するための手段】
上記の目的に鑑み、本発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記分類データと前記センサ信号データを入力として、所定の分類アルゴリズムを用いて分類評価値を最小または最大にする分類データを出力する分類データ最適化手段と、前記センサ信号データと前記分類データ最適化手段から出力される分類データからこの分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解と判定した場合にはクラスタ数と信号数を出力し、局所最適解でないと判定した場合には前記分類データを出力する局所最適解検出手段と、この局所最適解検出手段からのクラスタ数と信号数を入力として前記分類データを初期化して作成しこれを前記分類データ最適化手段にフィードバックする分類データ初期化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２５】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記分類データと前記センサ信号データを入力として、所定の分類アルゴリズムを用いて分類評価値を最小または最大にする分類データを出力する分類データ最適化手段と、前記センサ信号データと前記分類データ最適化手段から出力される分類データから、この分類データにおいて各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているか否かを判定し、満たしていないクラスタが存在する場合には前記分類データと、仮定した分布・条件を満たさないすべてのクラスタの集合であるクラスタ番号集合を出力し、すべてのクラスタが仮定した分布・条件を満たすと判定した場合には前記分類データを出力する誤クラスタ検出手段と、この誤クラスタ検出手段から出力される分類データとクラスタ番号集合を入力とし、この分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類データ最適化手段にフィードバックする分類データ一部初期化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２６】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２７】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、前記センサ信号データと異分散分類データ最適化手段から出力される分類データからこの分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解と判定した場合にはクラスタ数と信号数を出力し、局所最適解でないと判定した場合には前記分類データを出力する局所最適解検出手段と、この局所最適解検出手段からのクラスタ数と信号数を入力として前記分類データを初期化して作成しこれを前記異分散分類データ最適化手段にフィードバックする分類データ初期化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２８】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、前記センサ信号データと前記異分散分類データ最適化手段から出力される分類データから、この分類データにおいて各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているか否かを判定し、満たしていないクラスタが存在する場合には前記分類データと、仮定した分布・条件を満たさないすべてのクラスタの集合であるクラスタ番号集合を出力し、すべてのクラスタが仮定した分布・条件を満たすと判定した場合には前記分類データを出力する誤クラスタ検出手段と、この誤クラスタ検出手段から出力される分類データとクラスタ番号集合を入力とし、この分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記異分散分類データ最適化手段にフィードバックする分類データ一部初期化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２９】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、分類評価値を良くするように大きくまたは小さくするように前記分類データを変更する分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解でないと判定した場合に前記分類工程を終了する局所最適解検出ステップと、この局所最適解検出ステップで局所最適解と判定した場合に前記分類データを初期化して前記分類変更ステップに戻す分類データ初期化ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３０】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、分類評価値を良くするように大きくまたは小さくするように前記分類データを変更する分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データにおいて、各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているかを判定し、すべて仮定した分布・条件を満たしていると判定した場合にこの分類工程を終了する誤クラスタ検出ステップと、この誤クラスタ検出ステップで満たしていないクラスタが存在する場合、仮定した分布・条件を満たさないすべてのクラスタを求め、これをクラスタ番号集合とし、現在の分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類変更ステップに戻す分類データ一部初期化ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３１】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻り、なっていればこの分類工程を終了する分類完了判断ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３２】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解でないと判定した場合に前記分類工程を終了する局所最適解検出ステップと、この局所最適解検出ステップで局所最適解と判定した場合に前記分類データを初期化して前記分類変更ステップに戻す分類データ初期化ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３３】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データにおいて、各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているかを判定し、すべて仮定した分布・条件を満たしていると判定した場合にこの分類工程を終了する誤クラスタ検出ステップと、この誤クラスタ検出ステップで満たしていないクラスタが存在する場合、仮定した分布・条件を満たさないすべてのクラスタを求め、これをクラスタ番号集合とし、現在の分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類変更ステップに戻す分類データ一部初期化ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３４】
【発明の実施の形態】
以下、本発明の各実施の形態について、図面を参照して説明する。なお、本発明によるセンサ信号分類装置の全体の構成は図１４に示す従来のものと基本的に同一であり、分類部の部分の構成が異なる。また各図において、共通する要素には同一符合を付し、重複する説明を省略する。
【００３５】
実施の形態１．
図１はこの発明の一実施の形態によるセンサ信号分類装置の分類部(分類工程)の構成を示すブロック図を示す。分類部以外の動作は、従来例と同様である。同図において、１１ａは分類データ最適化手段１０の出力する分類データΛKとセンサ信号データＹを入力として、分類結果が局所最適解となっているか否かを判断し、局所最適解でなければ入力された分類データΛKを出力し、局所最適解であれば後述する分類データ初期化手段１２ａにクラスタ数Ｋと信号数Ｎを出力する局所最適解検出手段、１２ａは入力されたクラスタ数Ｋと信号数Ｎに基づいて、任意の方法で分類データを作成し、これを出力する分類データ初期化手段である。
【００３６】
以下、図２に示すフローチャートに沿って図１に示すセンサ信号分類装置の動作を説明する。分類データ最適化手段１０は従来例と同様に、(１)式などの分類評価値を良く(小さくもしくは大きく)するように、分類データを変更し(ステップＳＴ１２)、これ以上、分類評価値が良くならないと判断したら、その分類データを出力する(ステップＳＴ１３)。
【００３７】
この際、分類評価値が良くなるように、分類データを変更していく手法には、Ｋ-means法、ファジィ-c-means法などの最適化手法を用いる。これらの手法は、真に評価値を最良とする分類データ(真の最適解)でなく、局所的に考えた場合に評価値を最良とする分類データ(局所最適解)を求めてしまうことがある。このように、局所最適解を求めてしまうようなアルゴリズムを用いる理由は、必ず真の最適解を求めることができる総当たり法では、演算時間がかかりずぎ、現実的な演算時間で解を求めることができないためである。
【００３８】
局所最適解と真の最適解の例を図３、４に示す。これらの図は、分類データ最適化手段１０で得られた分類データに基づき、クラスタ毎に記号を変えて特徴空間に各信号をプロットした例である。この特徴数は２である。図３の局所最適解ではクラスタ２とクラスタ４の信号が特徴２によって分割された状態であるのに対し、図４の真の最適解では特徴１によって分割されており、見ためにも図４の分割の方が正しく思われる。
【００３９】
実際、(１)式の分類評価値も図４の方が小さくなる。このように、図３のような局所最適解は、例えば複数の信号の所属するクラスタを同時に変更しなければ評価値が小さくならないのに、k-means法では複数の信号の所属するクラスタを同時に変更することができないために求められる。
【００４０】
局所最適解検出手段１１ａでは、分類データ最適化手段１０の出力する分類データΛKとセンサ信号データＹを入力とし、この分類データが局所最適解であるか否かの判定を行い、局所最適解であると判定された場合には分類データ初期化手段１２ａにクラスタ数Ｋと信号数Ｎとを出力し、局所最適解でなかった場合には分類データΛKを出力する(ステップＳＴ１４)。
【００４１】
ただし、仮定しているクラスタが種類数と等しくないと、局所最適解であると判定され続ける可能性があるので、Ｍ(任意の整数)回以上、局所最適解検出(ステップＳＴ１４)処理を行なっても局所最適解であると判定される場合、もしくは、前に局所最適化検出手段１１ａにおいてステップＳＴ１４の処理を行なった際の分類データと分類評価値を記憶しておき、この分類評価値が小さくならなかった場合、局所最適解でないと判断して、分類データΛKを出力する。
【００４２】
局所最適解であるか否かの判定方法について述べる。ここで、分かりやすくするため、各クラスタは特徴空間で十分距離が離れていて、信号から抽出される特徴に含まれる誤差は、正規分布に従う場合について考える。
【００４３】
この場合、仮定したクラスタ数が種類数と等しく、かつ真の最適解を求めることができれば、各クラスタに含まれる信号は、それぞれ特徴空間内で多変量正規分布に従って分布する。よって、各クラスタに含まれる信号が特徴空間で多変量正規分布に従っているか否かを判定し、従っていないクラスタがあれば、局所最適解がもとめられているか、もしくは仮定しているクラスタ数が誤っていることがわかる。判定方法として、仮説通りの分布に従っているか否かを判定することができる適合度検定、Kolmogorov-Smirnov検定などを用いる。
【００４４】
分かりやすくするため特徴の分布を正規分布としたが、これ以外の分布形でも良い。
【００４５】
また、信号から抽出される特徴がそれぞれ独立に正規分布に従い、かつそれらの特徴の中で分散が未知の特徴と既知の特徴がある場合、分散が未知の特徴のみから構成する特徴空間において上記の検定を行ない、分散が既知の特徴のみから構成する特徴空間において各クラスタの分散値を推定し、この値と既知の分散の値が等しいという仮定が成り立つか否かを検定するχ二乗検定を行なうこともできる。
【００４６】
その他にも、特徴空間内で各クラスタ間の距離が十分離れていると仮定したが、逆にこの距離が近く、特徴数が１である場合の特徴空間内での信号の頻度分布の例を図５に示す。この場合、クラスタ１に含まれるはずの信号でも特徴空間内でクラスタ２に近ければ、クラスタ２に含まれるとされる。この結果、この２つのクラスタにおいて特徴の誤差の分散として推定される値は、実際の分散よりも小さい値となる。反面、分散が大きくなることはない。
【００４７】
このため、例えば特徴の誤差の分散が既知の場合に、各クラスタから推定される分散値と既知の分散値が等しいという仮説でなく、推定される分散が既知の分散値より小さいという仮説を立て、検定を行なうこともできる。他にも、適合度検定、Kolmogorov-Smirnov検定を行なう場合に、分布全体を利用するのではなく、図５のようなクラスタの重なりがないと予想される領域のみを用いて検定を行なうこともできる。
【００４８】
分類データ初期化手段１２ａでは、局所最適解検出手段１１ａの出力するクラスタ数Ｋと信号数Ｎを入力として、クラスタ数Ｋ、信号数Ｎである分類データを任意に作成し、これを出力する(ステップＳＴ１５)。この分類データの初期化法は、分類部５に入力される分類データを作成する分類データ初期化部４(図１４参照)の方法と異なる方法とすることにより、再び同じ局所最適解が求められることを防ぐこともできる。
【００４９】
実施の形態２．
図６はこの発明の別の実施の形態によるセンサ信号分類装置の分類部の構成を示すブロック図を示す。この実施の形態にかかる分類部５は、分類データ最適化手段１０と、誤クラスタ検出手段１１ｂと、分類データ一部初期化手段１２ｂを備える。
【００５０】
以下、図７に示すフローチャートに沿って図６に示すセンサ信号分類装置の動作を説明する。
【００５１】
誤クラスタ検出手段１１ｂは、局所最適解検出手段１１ａと同様に考え、仮定した分布・条件に従わないクラスタを検出する。ただしこの際、実施の形態１で述べたχ二乗検定などの方法により仮定した分布・条件と異なると判定されたクラスタの番号を記憶する。この記憶されたクラスタ番号の集合を、クラスタ番号集合と呼ぶことにする。そして、仮定した分布・条件に従わないクラスタがあると判断された場合には、このクラスタ番号集合{k}と分類データΛKを分類データ一部初期化手段１２ｂに出力し、なかったと判断された場合、分類データΛKを出力する(ステップＳＴ２１)。
【００５２】
またこの際、実施の形態１と同様に、Ｍ回以上，誤クラスタ検出処理を行なった場合などでは、誤クラスタはないと考える。
【００５３】
分類データ一部初期化手段１２ｂは、誤クラスタ検出手段１１ｂから出力されたクラスタ番号集合と分類データを入力とし、クラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化し、初期化した分類データを出力する(ステップＳＴ２２)。
【００５４】
実施の形態３．
図８はこの発明の別の実施の形態によるセンサ信号分類装置の分類部の構成を示すブロック図を示す。この実施の形態にかかる分類部５は、分散推定値算出手段２０と異分散分類データ最適化手段１０ａを備える。
【００５５】
以下、図９に示すフローチャートに沿って図８に示すセンサ信号分類装置の動作を説明する。
【００５６】
分散推定値算出手段２０では、センサ信号データＹを入力として、各信号毎に、各特徴の推定誤差の分散値を推定する(ステップＳＴ３１)。
【００５７】
特徴推定誤差の分散は、センサ固有の値として一定値で決定されていることが多い。しかし、例えば信号がレーダパルスであり、その特徴がパルス幅であった場合、そのレーダパルスが受信された際のＳ／Ｎ比によって測定精度は異なり、Ｓ／Ｎ比が低ければ測定精度は悪化し、パルス幅推定誤差の分散は大きくなる。また、各特徴が各Ｓ／Ｎ比によってどのような推定誤差分散を持つかを事前に調べておくことができる。
【００５８】
このデータを分散推定値算出手段２０に記憶し、信号ｉが検出された際のＳ／Ｎ比から、信号ｉの特徴ｐの値ｙipが持つ誤差の分散の推定値σip 2を算出することができる。すべてのｉ(１〜Ｎ)、ｐ(１〜Ｐ)におけるこの分散の推定値σip 2を記録したデータを分散推定値データσと呼ぶことにする。分散推定値算出手段２０では、この分散推定値データσを出力する。
【００５９】
異分散分類データ最適化手段１０ａでは、分散推定値算出手段２０の出力する分散推定値データσと、分類データΛK (0)、センサ信号データＹを入力として、分類データ最適化手段１０と同様にして、分類データを変更する(ステップＳＴ３２)。ただし、分類評価値は(１)式と異なり、
【００６０】
【数３】
【００６１】
のように、各信号の各特徴毎に異なる分散値を持つようにして算出する。ここで、σkpは特徴ｐの誤差の分散がクラスタ毎に異なる場合に正の値を取る。例えば信号がレーダパルスで特徴がパルス幅である場合、レーダとセンサの位置関係によって、パルス幅推定誤差の分散が異なることが考えられるので、この場合は各クラスタにおける信号のばらつきからσkpを推定して、分類評価値が算出される。
【００６２】
実施の形態４．
図１０はこの発明の別の実施の形態によるセンサ信号分類装置の分類部の構成を示すブロック図を示す。この実施の形態にかかる分類部５は、図１の分類部５において、分類データ最適化手段１０の代わりに図８の分散推定値算出手段２０と異分散分類データ最適化手段１０ａを備える。
【００６３】
図１１に示すフローチャートは、図１０に示すセンサ信号分類装置の動作を示すものであり、図１０、１１における各手段、ステップの動作は、実施の形態１、３において同じ符合をつけた手段、ステップの動作と同様であり、両実施の形態の合わせた効果が得られる。
【００６４】
実施の形態５．
図１２はこの発明の別の実施の形態によるセンサ信号分類装置の分類部の構成を示すブロック図を示す。この実施の形態にかかる分類部５は、図６の分類部５において分類データ最適化手段１０の代わりに、図８の分散推定値算出手段２０と異分散分類データ最適化手段１０ａを備える。
【００６５】
図１３に示すフローチャートは、図１２に示すセンサ信号分類装置の動作を示すものであり、図１２、１３における各手段、ステップの動作は、実施の形態２、３において同じ符合をつけた手段、ステップの動作と同様であり、両実施の形態の合わせた効果が得られる。
【００６６】
【発明の効果】
以上のようにこの発明によれば、局所最適解であることを検出するので、より正しいセンサ信号の分類結果を出力するセンサ信号分類装置および方法を得ることができる。
【００６７】
また、仮定した分布・条件と異なるクラスタのみを初期化し、再度分類データを最適化するので、演算時間を短縮できるセンサ信号分類装置および方法を得ることができる。
【００６８】
さらに、信号毎に誤差の分散値を設定できるので、より正しいセンサ信号の分類結果を出力するセンサ信号分類装置および方法を得ることができる。
【００６９】
さらにまた、信号毎に誤差の分散値を設定でき、かつ、局所最適解であることを検出するので、より一層、正しいセンサ信号の分類結果を出力するセンサ信号分類装置および方法を得ることができる。
【００７０】
さらにまた、信号毎に誤差の分散値を設定でき、かつ仮定した分布・条件と異なるクラスタのみを初期化し、再度分類データを最適化するので、正しいセンサ信号の分類結果を出力し、かつ演算時間を短縮できるセンサ信号分類装置および方法を得ることができる。
【図面の簡単な説明】
【図１】 この発明の実施の形態１によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図２】 この発明の実施の形態１における動作を示すフローチャート図である。
【図３】 局所最適解である分類結果を特徴空間にプロットした例を示す図である。
【図４】 真の最適解である分類結果を特徴空間にプロットした例を示す図である。
【図５】 特徴空間における信号の分布の例を示す図である。
【図６】 この発明の実施の形態２によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図７】 この発明の実施の形態２における動作を示すフローチャート図である。
【図８】 この発明の実施の形態３によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図９】 この発明の実施の形態３における動作を示すフローチャート図である。
【図１０】 この発明の実施の形態４によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図１１】 この発明の実施の形態４における動作を示すフローチャート図である。
【図１２】 この発明の実施の形態５によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図１３】 この発明の実施の形態５における動作を示すフローチャート図である。
【図１４】 従来のこの種のセンサ信号分類装置および本発明によるセンサ信号分類装置の全体的構成を示す図である。
【符号の説明】
１ アンテナ、２ センサ信号データ作成部、４ 分類データ初期化部、５ 分類部、６ 最適クラスタ数推定部、７ 信号分類部、１０ 分類データ最適化手段、１０ａ 異分散分類データ初期化手段、１１ａ 局所最適解検出手段、１１ｂ 誤クラスタ検出手段、１２ａ 分類データ初期化手段、１２ｂ 分類データ一部初期化手段、２０ 分散推定値算出手段。
【発明の属する技術分野】
本発明は、センサで受信・検出を行なった複数種類の信号を、各種類毎に分類することができるセンサ信号分類装置およびその方法に関する。
【０００２】
【従来の技術】
センサが受信・検出した複数種類の信号を、各種類毎に分類するために、それぞれの信号から、特徴を抽出し、その特徴の類似性によって分類するセンサ信号分類装置および方法が従来からある。
ここで、センサが受信・検出する信号とは、例えば、レーダ信号を受信するセンサであれば、各レーダパルスであり、信号の種類数はレーダ数もしくは観測対象数に依存することとなる。また、センサが合成開口レーダのような画像レーダであれば、画像を構成する各ピクセルが信号であり、信号の種類数は、画像レーダが観測している領域が、いくつの植生、目標、観測対象などに分類できるかに依存する。
【０００３】
ここで、１個または２個以上の信号の集合をクラスタ、各信号がどのクラスタに入るかを表す記録を分類データ、各信号から抽出された特徴を記録したものをセンサ信号データと呼ぶ。クラスタ数と信号の種類数は等しい。
【０００４】
図１４に、このような機能を持つ従来のセンサ信号分類装置として、特開平８−４３５２０号公報に開示されている「パルス分類装置」から類推して得られるセンサ信号分類装置の構成を示す。
【０００５】
図１４において、１は受信アンテナ、２は受信信号から分類を行なう対象の信号を検出・作成し、これらの信号の特徴を抽出してセンサ信号データを作成するセンサ信号データ作成部、３は最初に仮定する信号の種類数、つまりクラスタ数を設定するクラスタ数設定部、４は入力されたセンサ信号データの信号数と入力されたクラスタ数から分類データを初期化する分類データ初期化部、１０は入力されたセンサ信号データと分類データから分類に関する評価値である分類評価値を算出し、この評価値を最小または最大にする分類データを求める分類データ最適化手段である。
【０００６】
また、６は入力された分類データとセンサ信号データから、この分類データのクラスタ数における評価値、すなわちクラスタ数評価値を算出し、これを記憶し、最も適切と考えられるクラスタ数を推定する最適クラスタ数推定部、７は入力された分類データとセンサ信号データから信号を分類し、ある１種類の信号のみから構成されるセンサ信号データをクラスタ数個作成する信号分類部、８ａ、８ｂはある１種類の信号のみから構成されるセンサ信号データであり、５は分類データ最適化手段１０のみから構成される分類部である。
【０００７】
以下、図１４に示すセンサ信号分類装置の動作を説明する。アンテナ１では、例えば、複数のレーダからのレーダ信号などを受信し、その受信信号をセンサ信号データ作成部２に出力する。センサ信号データ作成部２では、アンテナ１から入力される受信信号から信号を検出・作成し、それらの信号から特徴を抽出し、センサ信号データＹとして出力する。
【０００８】
クラスタ数設定部３では、事前に最低限、最小限の信号の種類数や、おおよその信号の種類数が既知であれば、その値を種類数、すなわちクラスタ数として設定する。未知の場合は、適当な値、一般的には１を設定する。そして、設定したクラスタ数Ｋを出力する。
【０００９】
分類データ初期化部４では、クラスタ数設定部３もしくは後述の最適クラスタ数推定部６から入力されるクラスタ数Ｋと、センサ信号データ作成部２から入力されるセンサ信号データＹの信号数から、どの信号がどのクラスタに含まれるを示す分類データの初期値ΛK (0)を決定しこれを出力する。この初期値の設定の仕方は順番に割り振っても、乱数を用いて決定しても、どのようにしても良い。
【００１０】
分類部５では、センサ信号データ作成部２から入力されるセンサ信号データと、分類データ初期化部４から入力される分類データから、分類評価値を算出する。ここで、クラスタ数をＫ、信号数をＮ、その信号から抽出される特徴数をＰ、信号ｉの特徴ｐの値をｙip、クラスタｋの特徴ｐの誤差の標準偏差をσkp 2とする。
【００１１】
また、分類データΛKをλikを要素に持つＮ行Ｋ列の行列とし、信号ｉがクラスタｋに含まれる場合λik＝１、含まれない場合λik＝０であるとする。この場合、分類評価値は、例えば、
【００１２】
【数１】
のように尤度として算出されることが多い。また、(１)式の分類評価値は各特徴の誤差の分散は未知で、かつクラスタ毎に異なると考えているが、これが既知でかつ全クラスタで同一である場合、σp＝σip＝・・・＝σKpとする。
【００１４】
そして例えば、信号ｉをあるクラスタｋ1からクラスタｋ2に変更することによって、分類評価値Ｊ(Λ)が小さくもしくは大きくなるように変更していき、分類評価値が小さくもしくは大きくならなくなったらこの分類データを出力する。
【００１５】
この場合、信号ｉの所属するクラスタを変更することによって、あるクラスタに含まれる信号の数が０になったり、新たなクラスタを作成することは認めないので、クラスタ数が変化することはない。
【００１６】
最適クラスタ数推定部６では、分類部５から入力される分類データΛKから、クラスタ数をＫであると仮定した場合のクラスタ数評価値を算出する。この評価値は、ＡＩＣ(Akaike Infomation Criterion)、ＭＤＬ(Minimum Description Length)基準、ＭＤＬ原理、ＦＥＰなどによって算出され、各特徴の誤差の分散は未知である場合、例えば、
【００１７】
【数２】
として算出される。
このクラスタ数評価値を含め、それまでに算出されたクラスタ数評価値と比較し、あるクラスタ数Ｋ'でのクラスタ数評価値が最小であると判断されれば、クラスタ数Ｋ'での分類データΛK'を出力する。
【００１９】
最小でないと判断されれば、算出したクラスタ数評価値および分類データを記憶し、さらにクラスタ数Ｋをこれまでクラスタ数評価値を算出していないクラスタ数に変更して出力する。通常は、クラスタ数設定部３でＫ＝１として設定し、最小でないと判断された場合に、Ｋの値を１つ増加して出力する。
【００２０】
信号分類部７では、入力された分類データのクラスタ数をＫ'とすると、センサ信号データＹを分類データΛK'に基づき、同一種類の信号を集めて、Ｋ'個の同一種類の信号のみを含むセンサ信号データを作成し出力する。
【００２１】
【発明が解決しようとする課題】
以上のように、構成された従来のセンサ信号分類装置では、特にクラスタ数が多い場合に、分類部から出力される分類データは真の最適解ではなく、局所最適解が求まってしまう可能性があり、この結果、最終的な分類結果も誤ってしまうという問題点があった。
【００２２】
また、前記(１)式のような分類評価値の算出において、各特徴の分散は既知である場合は一定値であるとし、未知である場合は同一クラスタ内では分散の期待値は同じ値であるとして、同一クラスタに含まれる信号の特徴のばらつきから推定していた。しかし、誤差の分散はＳ／Ｎ比などによって、信号毎に変化することも考えらる。この場合、分離性能は劣化するという問題点があった。
【００２３】
本発明は以上のような問題点を解消するためになされたもので、局所最適解が求まった場合に、これを検出し、さらに分類を続行することによって局所最適解が求まりにくくしたり、または各信号の各特徴毎に誤差の分散を推定・算出し、分離性能が劣化しにくくできるセンサ信号分類装置およびその方法を提供することを目的とする。
【００２４】
【課題を解決するための手段】
上記の目的に鑑み、本発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記分類データと前記センサ信号データを入力として、所定の分類アルゴリズムを用いて分類評価値を最小または最大にする分類データを出力する分類データ最適化手段と、前記センサ信号データと前記分類データ最適化手段から出力される分類データからこの分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解と判定した場合にはクラスタ数と信号数を出力し、局所最適解でないと判定した場合には前記分類データを出力する局所最適解検出手段と、この局所最適解検出手段からのクラスタ数と信号数を入力として前記分類データを初期化して作成しこれを前記分類データ最適化手段にフィードバックする分類データ初期化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２５】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記分類データと前記センサ信号データを入力として、所定の分類アルゴリズムを用いて分類評価値を最小または最大にする分類データを出力する分類データ最適化手段と、前記センサ信号データと前記分類データ最適化手段から出力される分類データから、この分類データにおいて各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているか否かを判定し、満たしていないクラスタが存在する場合には前記分類データと、仮定した分布・条件を満たさないすべてのクラスタの集合であるクラスタ番号集合を出力し、すべてのクラスタが仮定した分布・条件を満たすと判定した場合には前記分類データを出力する誤クラスタ検出手段と、この誤クラスタ検出手段から出力される分類データとクラスタ番号集合を入力とし、この分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類データ最適化手段にフィードバックする分類データ一部初期化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２６】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２７】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、前記センサ信号データと異分散分類データ最適化手段から出力される分類データからこの分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解と判定した場合にはクラスタ数と信号数を出力し、局所最適解でないと判定した場合には前記分類データを出力する局所最適解検出手段と、この局所最適解検出手段からのクラスタ数と信号数を入力として前記分類データを初期化して作成しこれを前記異分散分類データ最適化手段にフィードバックする分類データ初期化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２８】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、前記センサ信号データと前記異分散分類データ最適化手段から出力される分類データから、この分類データにおいて各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているか否かを判定し、満たしていないクラスタが存在する場合には前記分類データと、仮定した分布・条件を満たさないすべてのクラスタの集合であるクラスタ番号集合を出力し、すべてのクラスタが仮定した分布・条件を満たすと判定した場合には前記分類データを出力する誤クラスタ検出手段と、この誤クラスタ検出手段から出力される分類データとクラスタ番号集合を入力とし、この分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記異分散分類データ最適化手段にフィードバックする分類データ一部初期化手段と、を備えたことを特徴とするセンサ信号分類装置にある。
【００２９】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、分類評価値を良くするように大きくまたは小さくするように前記分類データを変更する分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解でないと判定した場合に前記分類工程を終了する局所最適解検出ステップと、この局所最適解検出ステップで局所最適解と判定した場合に前記分類データを初期化して前記分類変更ステップに戻す分類データ初期化ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３０】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、分類評価値を良くするように大きくまたは小さくするように前記分類データを変更する分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データにおいて、各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているかを判定し、すべて仮定した分布・条件を満たしていると判定した場合にこの分類工程を終了する誤クラスタ検出ステップと、この誤クラスタ検出ステップで満たしていないクラスタが存在する場合、仮定した分布・条件を満たさないすべてのクラスタを求め、これをクラスタ番号集合とし、現在の分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類変更ステップに戻す分類データ一部初期化ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３１】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻り、なっていればこの分類工程を終了する分類完了判断ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３２】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解でないと判定した場合に前記分類工程を終了する局所最適解検出ステップと、この局所最適解検出ステップで局所最適解と判定した場合に前記分類データを初期化して前記分類変更ステップに戻す分類データ初期化ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３３】
またこの発明は、センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データにおいて、各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているかを判定し、すべて仮定した分布・条件を満たしていると判定した場合にこの分類工程を終了する誤クラスタ検出ステップと、この誤クラスタ検出ステップで満たしていないクラスタが存在する場合、仮定した分布・条件を満たさないすべてのクラスタを求め、これをクラスタ番号集合とし、現在の分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類変更ステップに戻す分類データ一部初期化ステップと、を備えたことを特徴とするセンサ信号分類方法にある。
【００３４】
【発明の実施の形態】
以下、本発明の各実施の形態について、図面を参照して説明する。なお、本発明によるセンサ信号分類装置の全体の構成は図１４に示す従来のものと基本的に同一であり、分類部の部分の構成が異なる。また各図において、共通する要素には同一符合を付し、重複する説明を省略する。
【００３５】
実施の形態１．
図１はこの発明の一実施の形態によるセンサ信号分類装置の分類部(分類工程)の構成を示すブロック図を示す。分類部以外の動作は、従来例と同様である。同図において、１１ａは分類データ最適化手段１０の出力する分類データΛKとセンサ信号データＹを入力として、分類結果が局所最適解となっているか否かを判断し、局所最適解でなければ入力された分類データΛKを出力し、局所最適解であれば後述する分類データ初期化手段１２ａにクラスタ数Ｋと信号数Ｎを出力する局所最適解検出手段、１２ａは入力されたクラスタ数Ｋと信号数Ｎに基づいて、任意の方法で分類データを作成し、これを出力する分類データ初期化手段である。
【００３６】
以下、図２に示すフローチャートに沿って図１に示すセンサ信号分類装置の動作を説明する。分類データ最適化手段１０は従来例と同様に、(１)式などの分類評価値を良く(小さくもしくは大きく)するように、分類データを変更し(ステップＳＴ１２)、これ以上、分類評価値が良くならないと判断したら、その分類データを出力する(ステップＳＴ１３)。
【００３７】
この際、分類評価値が良くなるように、分類データを変更していく手法には、Ｋ-means法、ファジィ-c-means法などの最適化手法を用いる。これらの手法は、真に評価値を最良とする分類データ(真の最適解)でなく、局所的に考えた場合に評価値を最良とする分類データ(局所最適解)を求めてしまうことがある。このように、局所最適解を求めてしまうようなアルゴリズムを用いる理由は、必ず真の最適解を求めることができる総当たり法では、演算時間がかかりずぎ、現実的な演算時間で解を求めることができないためである。
【００３８】
局所最適解と真の最適解の例を図３、４に示す。これらの図は、分類データ最適化手段１０で得られた分類データに基づき、クラスタ毎に記号を変えて特徴空間に各信号をプロットした例である。この特徴数は２である。図３の局所最適解ではクラスタ２とクラスタ４の信号が特徴２によって分割された状態であるのに対し、図４の真の最適解では特徴１によって分割されており、見ためにも図４の分割の方が正しく思われる。
【００３９】
実際、(１)式の分類評価値も図４の方が小さくなる。このように、図３のような局所最適解は、例えば複数の信号の所属するクラスタを同時に変更しなければ評価値が小さくならないのに、k-means法では複数の信号の所属するクラスタを同時に変更することができないために求められる。
【００４０】
局所最適解検出手段１１ａでは、分類データ最適化手段１０の出力する分類データΛKとセンサ信号データＹを入力とし、この分類データが局所最適解であるか否かの判定を行い、局所最適解であると判定された場合には分類データ初期化手段１２ａにクラスタ数Ｋと信号数Ｎとを出力し、局所最適解でなかった場合には分類データΛKを出力する(ステップＳＴ１４)。
【００４１】
ただし、仮定しているクラスタが種類数と等しくないと、局所最適解であると判定され続ける可能性があるので、Ｍ(任意の整数)回以上、局所最適解検出(ステップＳＴ１４)処理を行なっても局所最適解であると判定される場合、もしくは、前に局所最適化検出手段１１ａにおいてステップＳＴ１４の処理を行なった際の分類データと分類評価値を記憶しておき、この分類評価値が小さくならなかった場合、局所最適解でないと判断して、分類データΛKを出力する。
【００４２】
局所最適解であるか否かの判定方法について述べる。ここで、分かりやすくするため、各クラスタは特徴空間で十分距離が離れていて、信号から抽出される特徴に含まれる誤差は、正規分布に従う場合について考える。
【００４３】
この場合、仮定したクラスタ数が種類数と等しく、かつ真の最適解を求めることができれば、各クラスタに含まれる信号は、それぞれ特徴空間内で多変量正規分布に従って分布する。よって、各クラスタに含まれる信号が特徴空間で多変量正規分布に従っているか否かを判定し、従っていないクラスタがあれば、局所最適解がもとめられているか、もしくは仮定しているクラスタ数が誤っていることがわかる。判定方法として、仮説通りの分布に従っているか否かを判定することができる適合度検定、Kolmogorov-Smirnov検定などを用いる。
【００４４】
分かりやすくするため特徴の分布を正規分布としたが、これ以外の分布形でも良い。
【００４５】
また、信号から抽出される特徴がそれぞれ独立に正規分布に従い、かつそれらの特徴の中で分散が未知の特徴と既知の特徴がある場合、分散が未知の特徴のみから構成する特徴空間において上記の検定を行ない、分散が既知の特徴のみから構成する特徴空間において各クラスタの分散値を推定し、この値と既知の分散の値が等しいという仮定が成り立つか否かを検定するχ二乗検定を行なうこともできる。
【００４６】
その他にも、特徴空間内で各クラスタ間の距離が十分離れていると仮定したが、逆にこの距離が近く、特徴数が１である場合の特徴空間内での信号の頻度分布の例を図５に示す。この場合、クラスタ１に含まれるはずの信号でも特徴空間内でクラスタ２に近ければ、クラスタ２に含まれるとされる。この結果、この２つのクラスタにおいて特徴の誤差の分散として推定される値は、実際の分散よりも小さい値となる。反面、分散が大きくなることはない。
【００４７】
このため、例えば特徴の誤差の分散が既知の場合に、各クラスタから推定される分散値と既知の分散値が等しいという仮説でなく、推定される分散が既知の分散値より小さいという仮説を立て、検定を行なうこともできる。他にも、適合度検定、Kolmogorov-Smirnov検定を行なう場合に、分布全体を利用するのではなく、図５のようなクラスタの重なりがないと予想される領域のみを用いて検定を行なうこともできる。
【００４８】
分類データ初期化手段１２ａでは、局所最適解検出手段１１ａの出力するクラスタ数Ｋと信号数Ｎを入力として、クラスタ数Ｋ、信号数Ｎである分類データを任意に作成し、これを出力する(ステップＳＴ１５)。この分類データの初期化法は、分類部５に入力される分類データを作成する分類データ初期化部４(図１４参照)の方法と異なる方法とすることにより、再び同じ局所最適解が求められることを防ぐこともできる。
【００４９】
実施の形態２．
図６はこの発明の別の実施の形態によるセンサ信号分類装置の分類部の構成を示すブロック図を示す。この実施の形態にかかる分類部５は、分類データ最適化手段１０と、誤クラスタ検出手段１１ｂと、分類データ一部初期化手段１２ｂを備える。
【００５０】
以下、図７に示すフローチャートに沿って図６に示すセンサ信号分類装置の動作を説明する。
【００５１】
誤クラスタ検出手段１１ｂは、局所最適解検出手段１１ａと同様に考え、仮定した分布・条件に従わないクラスタを検出する。ただしこの際、実施の形態１で述べたχ二乗検定などの方法により仮定した分布・条件と異なると判定されたクラスタの番号を記憶する。この記憶されたクラスタ番号の集合を、クラスタ番号集合と呼ぶことにする。そして、仮定した分布・条件に従わないクラスタがあると判断された場合には、このクラスタ番号集合{k}と分類データΛKを分類データ一部初期化手段１２ｂに出力し、なかったと判断された場合、分類データΛKを出力する(ステップＳＴ２１)。
【００５２】
またこの際、実施の形態１と同様に、Ｍ回以上，誤クラスタ検出処理を行なった場合などでは、誤クラスタはないと考える。
【００５３】
分類データ一部初期化手段１２ｂは、誤クラスタ検出手段１１ｂから出力されたクラスタ番号集合と分類データを入力とし、クラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化し、初期化した分類データを出力する(ステップＳＴ２２)。
【００５４】
実施の形態３．
図８はこの発明の別の実施の形態によるセンサ信号分類装置の分類部の構成を示すブロック図を示す。この実施の形態にかかる分類部５は、分散推定値算出手段２０と異分散分類データ最適化手段１０ａを備える。
【００５５】
以下、図９に示すフローチャートに沿って図８に示すセンサ信号分類装置の動作を説明する。
【００５６】
分散推定値算出手段２０では、センサ信号データＹを入力として、各信号毎に、各特徴の推定誤差の分散値を推定する(ステップＳＴ３１)。
【００５７】
特徴推定誤差の分散は、センサ固有の値として一定値で決定されていることが多い。しかし、例えば信号がレーダパルスであり、その特徴がパルス幅であった場合、そのレーダパルスが受信された際のＳ／Ｎ比によって測定精度は異なり、Ｓ／Ｎ比が低ければ測定精度は悪化し、パルス幅推定誤差の分散は大きくなる。また、各特徴が各Ｓ／Ｎ比によってどのような推定誤差分散を持つかを事前に調べておくことができる。
【００５８】
このデータを分散推定値算出手段２０に記憶し、信号ｉが検出された際のＳ／Ｎ比から、信号ｉの特徴ｐの値ｙipが持つ誤差の分散の推定値σip 2を算出することができる。すべてのｉ(１〜Ｎ)、ｐ(１〜Ｐ)におけるこの分散の推定値σip 2を記録したデータを分散推定値データσと呼ぶことにする。分散推定値算出手段２０では、この分散推定値データσを出力する。
【００５９】
異分散分類データ最適化手段１０ａでは、分散推定値算出手段２０の出力する分散推定値データσと、分類データΛK (0)、センサ信号データＹを入力として、分類データ最適化手段１０と同様にして、分類データを変更する(ステップＳＴ３２)。ただし、分類評価値は(１)式と異なり、
【００６０】
【数３】
のように、各信号の各特徴毎に異なる分散値を持つようにして算出する。ここで、σkpは特徴ｐの誤差の分散がクラスタ毎に異なる場合に正の値を取る。例えば信号がレーダパルスで特徴がパルス幅である場合、レーダとセンサの位置関係によって、パルス幅推定誤差の分散が異なることが考えられるので、この場合は各クラスタにおける信号のばらつきからσkpを推定して、分類評価値が算出される。
【００６２】
実施の形態４．
図１０はこの発明の別の実施の形態によるセンサ信号分類装置の分類部の構成を示すブロック図を示す。この実施の形態にかかる分類部５は、図１の分類部５において、分類データ最適化手段１０の代わりに図８の分散推定値算出手段２０と異分散分類データ最適化手段１０ａを備える。
【００６３】
図１１に示すフローチャートは、図１０に示すセンサ信号分類装置の動作を示すものであり、図１０、１１における各手段、ステップの動作は、実施の形態１、３において同じ符合をつけた手段、ステップの動作と同様であり、両実施の形態の合わせた効果が得られる。
【００６４】
実施の形態５．
図１２はこの発明の別の実施の形態によるセンサ信号分類装置の分類部の構成を示すブロック図を示す。この実施の形態にかかる分類部５は、図６の分類部５において分類データ最適化手段１０の代わりに、図８の分散推定値算出手段２０と異分散分類データ最適化手段１０ａを備える。
【００６５】
図１３に示すフローチャートは、図１２に示すセンサ信号分類装置の動作を示すものであり、図１２、１３における各手段、ステップの動作は、実施の形態２、３において同じ符合をつけた手段、ステップの動作と同様であり、両実施の形態の合わせた効果が得られる。
【００６６】
【発明の効果】
以上のようにこの発明によれば、局所最適解であることを検出するので、より正しいセンサ信号の分類結果を出力するセンサ信号分類装置および方法を得ることができる。
【００６７】
また、仮定した分布・条件と異なるクラスタのみを初期化し、再度分類データを最適化するので、演算時間を短縮できるセンサ信号分類装置および方法を得ることができる。
【００６８】
さらに、信号毎に誤差の分散値を設定できるので、より正しいセンサ信号の分類結果を出力するセンサ信号分類装置および方法を得ることができる。
【００６９】
さらにまた、信号毎に誤差の分散値を設定でき、かつ、局所最適解であることを検出するので、より一層、正しいセンサ信号の分類結果を出力するセンサ信号分類装置および方法を得ることができる。
【００７０】
さらにまた、信号毎に誤差の分散値を設定でき、かつ仮定した分布・条件と異なるクラスタのみを初期化し、再度分類データを最適化するので、正しいセンサ信号の分類結果を出力し、かつ演算時間を短縮できるセンサ信号分類装置および方法を得ることができる。
【図面の簡単な説明】
【図１】 この発明の実施の形態１によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図２】 この発明の実施の形態１における動作を示すフローチャート図である。
【図３】 局所最適解である分類結果を特徴空間にプロットした例を示す図である。
【図４】 真の最適解である分類結果を特徴空間にプロットした例を示す図である。
【図５】 特徴空間における信号の分布の例を示す図である。
【図６】 この発明の実施の形態２によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図７】 この発明の実施の形態２における動作を示すフローチャート図である。
【図８】 この発明の実施の形態３によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図９】 この発明の実施の形態３における動作を示すフローチャート図である。
【図１０】 この発明の実施の形態４によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図１１】 この発明の実施の形態４における動作を示すフローチャート図である。
【図１２】 この発明の実施の形態５によるセンサ信号分類装置の分類部の構成を示すブロック図である。
【図１３】 この発明の実施の形態５における動作を示すフローチャート図である。
【図１４】 従来のこの種のセンサ信号分類装置および本発明によるセンサ信号分類装置の全体的構成を示す図である。
【符号の説明】
１ アンテナ、２ センサ信号データ作成部、４ 分類データ初期化部、５ 分類部、６ 最適クラスタ数推定部、７ 信号分類部、１０ 分類データ最適化手段、１０ａ 異分散分類データ初期化手段、１１ａ 局所最適解検出手段、１１ｂ 誤クラスタ検出手段、１２ａ 分類データ初期化手段、１２ｂ 分類データ一部初期化手段、２０ 分散推定値算出手段。
Claims (10)
- センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、
各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、
前記分類データと前記センサ信号データを入力として、所定の分類アルゴリズムを用いて分類評価値を最小または最大にする分類データを出力する分類データ最適化手段と、
前記センサ信号データと前記分類データ最適化手段から出力される分類データからこの分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解と判定した場合にはクラスタ数と信号数を出力し、局所最適解でないと判定した場合には前記分類データを出力する局所最適解検出手段と、
この局所最適解検出手段からのクラスタ数と信号数を入力として前記分類データを初期化して作成しこれを前記分類データ最適化手段にフィードバックする分類データ初期化手段と、
を備えたことを特徴とするセンサ信号分類装置。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、
各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、
前記分類データと前記センサ信号データを入力として、所定の分類アルゴリズムを用いて分類評価値を最小または最大にする分類データを出力する分類データ最適化手段と、
前記センサ信号データと前記分類データ最適化手段から出力される分類データから、この分類データにおいて各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているか否かを判定し、満たしていないクラスタが存在する場合には前記分類データと、仮定した分布・条件を満たさないすべてのクラスタの集合であるクラスタ番号集合を出力し、すべてのクラスタが仮定した分布・条件を満たすと判定した場合には前記分類データを出力する誤クラスタ検出手段と、
この誤クラスタ検出手段から出力される分類データとクラスタ番号集合を入力とし、この分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類データ最適化手段にフィードバックする分類データ一部初期化手段と、
を備えたことを特徴とするセンサ信号分類装置。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、
各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、
前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、
前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、
を備えたことを特徴とするセンサ信号分類装置。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、
各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、
前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、
前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、
前記センサ信号データと異分散分類データ最適化手段から出力される分類データからこの分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解と判定した場合にはクラスタ数と信号数を出力し、局所最適解でないと判定した場合には前記分類データを出力する局所最適解検出手段と、
この局所最適解検出手段からのクラスタ数と信号数を入力として前記分類データを初期化して作成しこれを前記異分散分類データ最適化手段にフィードバックする分類データ初期化手段と、
を備えたことを特徴とするセンサ信号分類装置。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類装置であって、
各信号がどのクラスタに含まれるかを示す分類データの任意の初期値と、各信号の特徴を記録したセンサ信号データから、分類に関する評価値である分類評価値を最小または最大にするような分類データを求める分類部が、
前記センサ信号データを入力して各信号毎に信号の特徴の値の分散値を推定し、これを分散推定値データとして出力する分散推定値算出手段と、
前記分類データおよびセンサ信号データ並びに前記分散推定値算出手段からの分散推定値データを入力として、各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする分類データを出力する異分散分類データ最適化手段と、
前記センサ信号データと前記異分散分類データ最適化手段から出力される分類データから、この分類データにおいて各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているか否かを判定し、満たしていないクラスタが存在する場合には前記分類データと、仮定した分布・条件を満たさないすべてのクラスタの集合であるクラスタ番号集合を出力し、すべてのクラスタが仮定した分布・条件を満たすと判定した場合には前記分類データを出力する誤クラスタ検出手段と、
この誤クラスタ検出手段から出力される分類データとクラスタ番号集合を入力とし、この分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記異分散分類データ最適化手段にフィードバックする分類データ一部初期化手段と、
を備えたことを特徴とするセンサ信号分類装置。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、
各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、
分類評価値を良くするように大きくまたは小さくするように前記分類データを変更する分類変更ステップと、
前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、
この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分 布に従っていないことに基づき判定し、局所最適解でないと判定した場合に前記分類工程を終了する局所最適解検出ステップと、
この局所最適解検出ステップで局所最適解と判定した場合に前記分類データを初期化して前記分類変更ステップに戻す分類データ初期化ステップと、
を備えたことを特徴とするセンサ信号分類方法。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、
各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、
分類評価値を良くするように大きくまたは小さくするように前記分類データを変更する分類変更ステップと、
前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、
この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データにおいて、各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているかを判定し、すべて仮定した分布・条件を満たしていると判定した場合にこの分類工程を終了する誤クラスタ検出ステップと、
この誤クラスタ検出ステップで満たしていないクラスタが存在する場合、仮定した分布・条件を満たさないすべてのクラスタを求め、これをクラスタ番号集合とし、現在の分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類変更ステップに戻す分類データ一部初期化ステップと、
を備えたことを特徴とするセンサ信号分類方法。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、
各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、
各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、
各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、
前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻り、なっていればこの分類工程を終了する分類完了判断ステップと、
を備えたことを特徴とするセンサ信号分類方法。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、
各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、
各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、
各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、
前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、
この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データが局所最適解となっていることを各クラスタに含まれる信号が特徴空間で所定の分布に従っていないことに基づき判定し、局所最適解でないと判定した場合に前記分類工程を終了する局所最適解検出ステップと、
この局所最適解検出ステップで局所最適解と判定した場合に前記分類データを初期化して前記分類変更ステップに戻す分類データ初期化ステップと、
を備えたことを特徴とするセンサ信号分類方法。 - センサが受信・検出した複数種類の信号を、各種類毎に分類し、同じ種類の信号の集合であるクラスタを求めるセンサ信号分類方法であって、
各信号がどのクラスタに含まれるかを示す分類データの初期値と、各信号の特徴を記録したセンサ信号データから、分類評価値を最小または最大にするような分類データを求める分類工程が、
各信号毎に、信号の特徴の値の分散値を推定し、これを分散推定値データとする分散推定値算出ステップと、
各信号の各特徴毎に異なる分散値を取る分類アルゴリズムを用い、得られた分類評価値を最小または最大にする異分散分類評価値による分類変更を行う分類変更ステップと、
前記分類評価値が最小または最大になっているか否かを判定し、なっていないと判断した場合には前記分類変更ステップに戻る分類完了判断ステップと、
この分類完了判断ステップで最小または最大になっていると判断した場合に、前記分類データにおいて、各クラスタが該クラスタに含まれる信号が特徴空間での仮定した分布・条件を満たしているかを判定し、すべて仮定した分布・条件を満たしていると判定した場合にこの分類工程を終了する誤クラスタ検出ステップと、
この誤クラスタ検出ステップで満たしていないクラスタが存在する場合、仮定した分布・条件を満たさないすべてのクラスタを求め、これをクラスタ番号集合とし、現在の分類データに関してクラスタ番号集合に記録されたクラスタに含まれる信号のみを任意に初期化して前記分類変更ステップに戻す分類データ一部初期化ステップと、
を備えたことを特徴とするセンサ信号分類方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP05081098A JP4198225B2 (ja) | 1998-03-03 | 1998-03-03 | センサ信号分類装置およびその方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP05081098A JP4198225B2 (ja) | 1998-03-03 | 1998-03-03 | センサ信号分類装置およびその方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11248820A JPH11248820A (ja) | 1999-09-17 |
| JP4198225B2 true JP4198225B2 (ja) | 2008-12-17 |
Family
ID=12869132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP05081098A Expired - Fee Related JP4198225B2 (ja) | 1998-03-03 | 1998-03-03 | センサ信号分類装置およびその方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4198225B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003207565A (ja) * | 2002-01-10 | 2003-07-25 | Mitsubishi Electric Corp | 類識別装置及び類識別方法 |
| JP5627164B2 (ja) * | 2007-04-17 | 2014-11-19 | 三菱電機株式会社 | 目標類別装置 |
| JP5757295B2 (ja) * | 2013-01-18 | 2015-07-29 | 日本電気株式会社 | データベース自動作成装置、無線局識別装置、電波監視装置、データベース自動作成方法及びデータベース自動作成プログラム |
-
1998
- 1998-03-03 JP JP05081098A patent/JP4198225B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH11248820A (ja) | 1999-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Harmeling et al. | From outliers to prototypes: ordering data | |
| Souza et al. | Review of soft sensor methods for regression applications | |
| KR101834260B1 (ko) | 이상 거래 탐지 방법 및 장치 | |
| EP2193478B1 (en) | Segment-based change detection method in multivariate data stream | |
| Hammer et al. | On the generalization ability of GRLVQ networks | |
| JP6636214B1 (ja) | 診断装置、診断方法及びプログラム | |
| EP4053757A1 (en) | Degradation suppression program, degradation suppression method, and information processing device | |
| Hinder et al. | One or Two Things We know about Concept Drift--A Survey on Monitoring Evolving Environments | |
| Mohammed et al. | Using stacking ensemble for microarray-based cancer classification | |
| Liangqun et al. | Maximum entropy fuzzy clustering with application to real-time target tracking | |
| CN115392408A (zh) | 一种电子数粒机运行异常检测方法及系统 | |
| Zhu et al. | Iterative KNN imputation based on GRA for missing values in TPLMS | |
| Smith III | Fuzzy logic multisensor association algorithm | |
| Safin et al. | Conformal kernel expected similarity for anomaly detection in time-series data | |
| JP4198225B2 (ja) | センサ信号分類装置およびその方法 | |
| Popordanoska et al. | Beyond classification: Definition and density-based estimation of calibration in object detection | |
| Gupta et al. | An efficient local outlier detection approach using kernel density estimation | |
| CN118194209B (zh) | 基于数据分析的磷酸铁连续合成在线监测方法及系统 | |
| CN119202984A (zh) | 一种异常数据检测方法及装置 | |
| Pasha et al. | Smart Diagnosis of Human Cardiovascular Disease Using Machine Learning and Parametric Optimization Techniques | |
| JP2024034122A (ja) | 情報処理装置、情報処理方法およびプログラム | |
| US7908092B2 (en) | Chemical sensor array evaluation method | |
| Guo et al. | Clustering by detecting skeletal structure and identifying density fluctuation | |
| CN114491413A (zh) | 基于最小化交叉熵的概率密度假设航迹生成方法及系统 | |
| EP2118674A1 (en) | Automatic procedure for merging tracks and estimating harmonic combs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050225 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20070607 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080219 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080418 |
|
| 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: 20080930 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20081001 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111010 Year of fee payment: 3 |
|
| 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: 20121010 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131010 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |