特開2026-36655IP Force 特許公報全文掲載

ホーム > 特許ランキング > 独立行政法人　宇宙航空研究開発機構 > 特開2026-36655

技術分野

学習装置、学習方法、学習プログラム、情報処理システム、情報処理方法、プログラム及び記録媒体

要約特許出願時に添付された[要約書]

【課題】帯電予測対象物体の帯電を精度よく予測することが可能な機械学習モデルを構築することができる学習装置を提供すること。
【解決手段】学習装置はデータ入力部と制御部とを備える。データ入力部は、互いに対応づけられた太陽風データと観測人工衛星の帯電情報の学習データセットが入力される。制御部は、学習データセットを用いて機械学習を行うことにより、入力された太陽風データから、帯電予測対象物体の帯電の可能性を出力する機械学習モデルを構築する。帯電情報は、観測人工衛星が観測したイオンの流束及び／又は電子の流束に係わるエネルギースペクトログラムのデータに基づいて付与される、観測人工衛星の表面状態が帯電しているか否かを示す表面帯電ラベルの情報を含む。
【選択図】図１

発明が解決しようとする課題[発明の詳細な説明]から抜粋

上述の捕獲システムへの帯電対策付与、電気推進器などのプラズマ発生装置による帯電緩和、帯電計測装置によるオンボード計測といった対策では、いずれも人工衛星システムに負担がかかる。

課題を解決するための手段[発明の詳細な説明]から抜粋

本発明の一形態に係る学習装置は、データ入力部と、制御部とを備える。 前記データ入力部は、互いに対応づけられた太陽風データと観測人工衛星の帯電情報の学習データセットが入力される。 前記制御部は、前記学習データセットを用いて機械学習を行うことにより、入力された太陽風データから、帯電予測対象物体の帯電の可能性を出力する機械学習モデルを構築する。 前記帯電情報は、前記観測人工衛星が観測し・・・　続きを知財ポータルサイト IP Force にログインして見る

発明の効果[発明の詳細な説明]から抜粋

本発明の一形態に係る学習装置によれば、帯電予測対象物体の帯電を精度よく予測することが可能な機械学習モデルを構築することができる。

この発明についての権利主張の範囲[特許請求の範囲]

知財ポータルサイト IP Force にログインして確認する (無料)

この特許公報に記載されている図面[図面の簡単な説明]から抜粋

【図1】 本発明の一学習装置を含む学習システムの機能ブロック図である。
【図2】 学習装置のハードウェア構成図である。
【図3】 学習データ作成時に用いる、DMSP衛星で観測されたイオンと電子のエネルギースペクトログラムの一例である。
【図4】 太陽、太陽風観測衛星、地球の位置関係を模式的に示す図である。
【図5】 帯電時と非帯電時のAE Index（Auroral Electrojet指数）の分布を示す。
【図6】 （Ａ）は学習データセット内の地磁気緯度における帯電時と非帯電時の分布を示し、（Ｂ）は学習データセット内のローカルタイムにおける帯電時と非帯電時の分布を示す。
【図7】 学習装置による、学習データセット作成方法を示すフローである。
【図8】 学習装置による、機械学習モデル構築時の学習方法のフローである。
【図9】 ２０２２年１月３日のDMSP－F18衛星で取得されたイオンの微分エネルギー流束（ion differential energy flux）と電子の微分エネルギー流束（electron differential energy flux）のエネルギー－時間スペクトログラム（energy-time spectrogram）に対する、学習データセット（true label）とそのときの機械学習モデルの出力（logit）を示す。
【図10】 閾値を０．５とした場合の機械学習の分類結果の精度の検証に用いる検証データでの混合行列を示す。
【図11】 学習装置で学習した学習済みの機械学習モデルを用いた情報処理を行う情報処理装置を含む情報処理システムの機能ブロック図である。
【図12】 情報処理装置による、学習済みの機械学習モデルを用いた情報処理方法のフローである。
【図13】 情報処理装置によって生成される表示画像の一例であり、オーロラ帯での帯電の可能性を可視化した図である。
【図14】 検証データでのラベル毎の機械学習モデルの出力のヒストグラムを示す。
【図15】 モデルから出力された尤度が０．２以下又は０．８以上のサンプルに限定したときの、閾値を０．５とした場合の機械学習の分類結果の精度の検証に用いる検証データでの混合行列を示す。
【図16】 他の実施形態に係わる学習済みの機械学習モデルの性能を説明するグラフである。
【図17】 表面帯電電位毎のAE INDEXの分布を示すグラフである。
【図18】 gainを指標とした、機械学習モデルの学習に用いられる特徴量の重要度を示す図である。
【図19】 更に他の実施形態に係わる学習データセット作成方法を示すフローである。

選択図 図1出願人が指定した本件の代表的な図

１…学習装置 ３…制御部 ４０…機械学習モデル ６０…イオンと電子のエネルギースペクトログラムのデータ ７０…太陽風データ（OMNIデータ） １００…情報処理システム １５０…学習済モデル（学習済みの機械学習モデル）

全ての図面はログインすると無料で閲覧できます。ログイン・ユーザー登録

［広告欄］

ログインすれば広告は減ります

ログインすれば広告は減ります

Copyright © Science Impact Inc. All Rights Reserved.