研究概要 |
パタン分類の技術はパタン解析の分野で最も重要なもののひとつであり,日々,より高速で,より頑強な分類法の開発が研究されている.時間の経過と共に新しい訓練データが与えられ,それらを有効に利用することによりできるだけ高性能な識別器を実現したいような実応用分野においては,逐次学習アルゴリズムは必須のものである.本研究の目的は,ノンパラメトリックなパタン分類法として提案されたテスト特徴法(TFC)に基づく,「独自の逐次パタン学習アルゴリズムを提案し,その実応用における可能性について検討することである.本年度の我々の研究成果は以下の通りである. 【逐次学習型テスト特徴分類器(以下,sTFC)の自律度に関する解析】 sTFCが教師あり学習から教師なし学習へ切り替えをおこなう際の指標となる「自律度」を定義した.この「自律度」は算出が困難であるため,「自律度」を推定するために「自律度」と相関があると考えられる「成熟度」を定義した.学習によるsTFCの内部の変化を定量的に表すことによって,sTFCの「成熟度」を推測することが可能であることを実験的に示した.sTFCにおいては,専門家による査定により分類されるべきクラス情報が付加されたデータ(以下,査定データ)を追加データとして用意する必要があった.しかし,パタン認識の実応用においては査定にはコストがかかっている.このコストを軽減するためにクラス情報が付加されていないデータ(以下,未査定データ)による教師なし学習が望まれており,逐次学習における「自律度」を導入する有効性が高い. 【新たな追加戦略の提案】 sTFCにおいては,識別に有効な特徴量の組み合わせであるプライムテスト特徴(以下,PTF)による投票結果の多数決により識別が行われる.このPTFからの得票率に基づく新しいデータ追加戦略を提案し,それを用いることによって従来の追加戦略と比較して効率よく学習を行うことができることを実験的に示した. 【人間の運動認識への適用】 sTFCをウェアラブルスーツに採用を検討しているセンサシステムに関して人間の運動の認識器として適用し,関節角度推定,関節トルク推定において有効な結果を得た.
|