TOP > 国内特許検索 > 学習データ生成方法およびこれを用いた対象空間状態認識方法

学習データ生成方法およびこれを用いた対象空間状態認識方法

国内特許コード	P200017330
掲載日	2020年12月17日
出願番号	特願2016-173205
公開番号	特開2018-041178
登録番号	特許第6737502号
出願日	平成28年9月5日(2016.9.5)
公開日	平成30年3月15日(2018.3.15)
登録日	令和2年7月20日(2020.7.20)
発明者	園田潤木本智幸
出願人	独立行政法人国立高等専門学校機構
発明の名称	学習データ生成方法およびこれを用いた対象空間状態認識方法
発明の概要	【課題】対象系の状態認識用の大量の学習用データを高速で生成しうる方法および当該学習用データを用いて対象系の状態を高精度で認識しうる方法を提供する。【解決手段】解析モデルが用いられて指定周波数の縦波、横波、または縦波および横波の組み合わせであるプローブ波の対象系への入射および対象系からの反射波の受信がシミュレーションされる。このシミュレーションが高速の演算処理要素によって実行されることにより、大量の学習用データが高速で生成される。当該学習用データがニューラルネットワークに入力された際の出力結果に応じて、ニューラルネットワークのパラメータの値が調節される。そして、当該パラメータの値が調節されたニューラルネットワークに対して実測データが入力された際の出力結果に応じて、当該実測データに対応する対象系の状態が高精度で認識される。【選択図】図１
従来技術、競合技術の概要	現在、トンネルおよび橋脚などのインフラの劣化が社会問題化しており、異常個所の早期発見が必要とされている。異常箇所検出には、非破壊検査が可能な数百ＭＨｚ帯の電磁波による地中レーダが用いられている（非特許文献１～３参照）。しかし、地中の不均質性が増すと、電磁波が多重散乱してレーダ画像が複雑になるため、異常個所の判定が困難になる問題があり、客観的かつ高精度な判定が求められている。地中レーダの画像認識においてもニューラルネットワークによる機械判定が研究されている（非特許文献４～６参照）。近年、ニューラルネットワークを多層化したディープラーニングが注目されており、自ら特徴を抽出し、多層のネットワーク構造で学習することで高精度の認識が可能になるという利点がある。その一方、大量の学習用データが必要であり、かつ、多層構造のため学習に膨大な時間を要するという問題がある。地中レーダにおいてもディープラーニングを適用することで物体抽出等の自動化および高精度化が期待されるが、大量のデータを用意する必要があるという問題がある。地中レーダでは、パラメータを変更した数多くの実験は現実には困難であるため、電磁場解析手法の１つであるＦＤＴＤ法によるシミュレーションが有効である。しかし、ＦＤＴＤ法は計算時間が多くかかるという問題がある（非特許文献７参照）。ＦＤＴＤ法の高速化のため、スーパーコンピュータ、クラスタ計算機、ＦＰＧＡなどによる専用計算機、ＣｅｌｌまたはＧＰＵなどのアクセラレータなどの適用が研究されている。ＧＰＵを複数台用いるＧＰＵクラスタによるデータ並列により１モデルを高速で計算できることが示されている（非特許文献８参照）。
産業上の利用分野	本発明は、電磁波等のプローブ波を対象系に入射することにより、当該対象系における媒質の空間占有態様により定義されるさまざまな状態を認識するための技術、および、当該状態認識のために用いられる学習用データを生成する技術に関する。
特許請求の範囲	【請求項１】対象系の状態を認識するための学習用データを生成する方法であって、前記対象系における一または複数の物体およびこれを取り囲む媒質のそれぞれの空間占有態様および縦波、横波、または縦波および横波の組み合わせであるプローブ波に対する応答特性を少なくとも含む複数の因子により定義される解析モデルにおいて、前記対象系の複数の状態のそれぞれを表わす前記複数の因子の異なる組み合わせを定義し、前記解析モデルにおいて、一または複数の出力点から前記対象系に対して前記プローブ波を仮想的に入射した際に、複数の入力点のそれぞれにおいて仮想的に受信される反射波に基づき、前記複数の因子の異なる組み合わせのそれぞれについて前記学習用データを生成することを特徴とする学習用データ生成方法。【請求項２】請求項１記載の学習用データ生成方法において、前記媒質が、前記プローブ波に対して基準応答特性を有するマトリックス領域、または、前記マトリックス領域およびそれにより囲まれている前記基準応答特性とは異なる応答特性を有するフィラー領域により定義されていることを特徴とする学習用データ生成方法。【請求項３】請求項２記載の学習用データ生成方法において、複数の前記フィラー領域のそれぞれの前記プローブ波に対する応答特性が乱数を用いて定義されていることを特徴とする学習用データ生成方法。【請求項４】請求項１～３のうちいずれか１つに記載の学習用データ生成方法により学習用データを生成し、前記対象系の複数の状態のそれぞれについて前記学習用データをニューラルネットワークに対して入力し、前記ニューラルネットワークからの出力が、前記対象系が前記学習用データのそれぞれに対応する状態であることを表わす出力となるように前記ニューラルネットワークのパラメータの値を調節し、前記一または複数の出力点から前記対象系に対して前記プローブ波を入射したうえで、前記複数の入力点のそれぞれにおいて反射波を受信し、前記反射波に基づいて実測データを生成し、前記実測データを前記パラメータの値が調節された前記ニューラルネットワークに対して入力し、前記ニューラルネットワークの出力に基づいて前記実測データに対応する前記対象系の状態を認識することを特徴とする状態認識方法。
画像 ※ 画像をクリックすると拡大します。
出願権利状態	登録
参考情報（研究プロジェクト等）	http://ee.oita-ct.ac.jp/staff/kimoto