Top > Search of Japanese Patents > LEARNING DATA GENERATION METHOD AND TARGET SPACE STATE RECOGNITION METHOD EMPLOYING THE SAME

LEARNING DATA GENERATION METHOD AND TARGET SPACE STATE RECOGNITION METHOD EMPLOYING THE SAME meetings

Patent code P200017330
Posted date Dec 17, 2020
Application number P2016-173205
Publication number P2018-041178A
Patent number P6737502
Date of filing Sep 5, 2016
Date of publication of application Mar 15, 2018
Date of registration Jul 20, 2020
Inventor
  • (In Japanese)園田 潤
  • (In Japanese)木本 智幸
Applicant
  • (In Japanese)独立行政法人国立高等専門学校機構
Title LEARNING DATA GENERATION METHOD AND TARGET SPACE STATE RECOGNITION METHOD EMPLOYING THE SAME meetings
Abstract PROBLEM TO BE SOLVED: To provide a method capable of generating a large amount of learning data for state recognition of a target system at high speed, and a method capable of highly accurately recognizing a state of the target system by using the learning data.
SOLUTION: An analytic model is used to simulate the incidence of a longitudinal wave, a transverse wave or a probe wave that is a combination of a longitudinal wave and a transverse wave, in a designated frequency to a target system and the reception of a reflection wave from the target system. The simulation is executed by a high-speed arithmetic processing element, thereby generating a large amount of learning data at high speed. A value of a parameter of a neural network is adjusted in accordance with an output result in a case where the learning data are inputted to the neural network. In accordance with an output result in a case where measured data are inputted to the neural network in which the value of the parameter is adjusted, the state of the target system corresponding to the measured data is highly accurately recognized.
Outline of related art and contending technology (In Japanese)

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)。

Field of industrial application (In Japanese)

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。

Scope of claims (In Japanese)
【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。
IPC(International Patent Classification)
F-term
Drawing

※Click image to enlarge.

JP2016173205thum.jpg
State of application right Registered
Reference ( R and D project ) http://ee.oita-ct.ac.jp/staff/kimoto


PAGE TOP

close
close
close
close
close
close
close