研究課題/領域番号 |
19K04450
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 一般 |
審査区分 |
小区分21040:制御およびシステム工学関連
|
研究機関 | 地方独立行政法人東京都立産業技術研究センター |
研究代表者 |
金田 泰昌 地方独立行政法人東京都立産業技術研究センター, 開発本部情報システム技術部通信技術グループ, 上席研究員 (20463010)
|
研究期間 (年度) |
2019-04-01 – 2022-03-31
|
研究課題ステータス |
完了 (2021年度)
|
配分額 *注記 |
2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2021年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2020年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2019年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
|
キーワード | 条件付き密度推定 / ノンパラメトリックモデル / ベイズ推定 / スパースモデル / 変分ベイズ / 条件付き確率密度関数 / 密度比推定 / オンライン学習 |
研究開始時の研究の概要 |
不確かさを含むシステムのモデル化法として確率的モデリングがある.システムを確率的にモデル化することで,カルマンフィルタなどのような不確かさを考慮した制御方策が適用できる.本研究では,多出力系の確率的モデルに対して,ガウス分布といったような分布形状の仮定を必要としないオンライン学習法の確立,そしてその設計法の確立を目指す.研究期間内において,1.多出力・任意分布に対応した確率的モデルの学習法およびその設計法,2.前記モデルのデータ削減法,3.前記モデルのオンライン学習法,の3つを明らかにする.
|
研究成果の概要 |
近年、システムを条件付き確率密度関数としてモデリングする方法が注目されている。しかしながら、既存の方法は多出力系や複雑な分布形状への対応、オンライン学習、データ数削減が個別に検討されおり、全てを考慮した方法は明らかにされていない。そこで、本研究では、多出力系の確率的モデルに対して分布形状の仮定を必要としないオンライン学習法の確立を目的とする。提案法では、システムの確率モデルがカーネルの重み付き平均として与えられると仮定し、ベイズ推論を用いて未知パラメータを求めることで条件付き確率密度関数を導出する。提案法の有効性を数値シミュレーションにより検証する。
|
研究成果の学術的意義や社会的意義 |
制御システムを条件付き確率密度関数でモデル化する際、これまではガウス過程回帰やt過程回帰など、パラメトリック分布を仮定した方法がしばしば利用されていた。しかしながら、提案法により、パラメトリック分布を仮定することなく、任意の分布形状の条件付き確率密度関数を求めることができる。このように、条件付き確率密度関数によるモデル化において、統一的な方法を提示した点に学術的な意義がある。また、オンライン学習への拡張が容易であり、学術的な発展性を含んだ成果となっている。
|