特許 7433876 自己組織化マップの学習装置、方法およびプログラム並びに状態判定装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-02-09

(45)【発行日】2024-02-20

(54)【発明の名称】自己組織化マップの学習装置、方法およびプログラム並びに状態判定装置

(51)【国際特許分類】

   G06N 3/088 20230101AFI20240213BHJP

   G06F 11/07 20060101ALI20240213BHJP

   G06F 18/232 20230101ALI20240213BHJP

【ＦＩ】

G06N3/088

G06F11/07 140Z

G06F11/07 151

G06F11/07 190

G06F18/232

【請求項の数】 18

(21)【出願番号】P 2019224869

(22)【出願日】2019-12-12

(65)【公開番号】P2021093096

(43)【公開日】2021-06-17

【審査請求日】2022-09-12

(73)【特許権者】

【識別番号】591128453

【氏名又は名称】株式会社メガチップス

(74)【代理人】

【識別番号】100108523

【弁理士】

【氏名又は名称】中川 雅博

(74)【代理人】

【識別番号】100098305

【弁理士】

【氏名又は名称】福島 祥人

(74)【代理人】

【識別番号】100125704

【弁理士】

【氏名又は名称】坂根 剛

(74)【代理人】

【識別番号】100187931

【弁理士】

【氏名又は名称】澤村 英幸

(72)【発明者】

【氏名】長谷川 弘

【審査官】渡辺 一帆

(56)【参考文献】

【文献】特開平０４－３３７４０６（ＪＰ，Ａ）

【文献】特開平０７－１３４１５７（ＪＰ，Ａ）

【文献】特開２００９－０３７５６５（ＪＰ，Ａ）

【文献】徳高 平蔵 ほか，"自己組織化マップ（ＳＯＭ）とその応用"，日本ファジィ学会誌，日本ファジィ学会，2001年，第13巻, 第4号，pp. 3-13，ISSN 0915-647X

【文献】和田 容房，"複数勝者法による分散表現階層構造型自己学習モデル"，電子情報通信学会論文誌，社団法人電子情報通信学会 ，2005年，第J88-D-II巻, 第3号，pp. 636-645，ISSN 0915-1923

【文献】吉田 英正 ほか，"複数勝者自己組織マップによる疑似直交情報の分離と領野形成"，電子情報通信学会技術研究報告，社団法人電子情報通信学会，2004年，第104巻, 第139号，pp. 79-84，ISSN 0913-5685

【文献】WU, W et al.，"SOMO-m Optimization Algorithm with Multiple Winners"，Discrete Dynamics in Nature and Society [online]，2012年，Vol. 2012，pp. 1-13，[retrieved on 2024.01.24], Retrieved from the Internet: <URL: https://www.hindawi.com/journals/ddns/2012/969104/>，<DOI: 10.1155/2012/969104>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／０２－３／１０

Ｇ０６Ｆ １１／０７

Ｇ０６Ｆ １８／２３２－１８／２３３７

(57)【特許請求の範囲】

【請求項1】

観測空間を前記観測空間より低次元の潜在空間に変換する自己組織化マップの学習装置であって、
前記観測空間上の入力ベクトルと前記潜在空間上の各ニューロンの参照ベクトルとの間の距離Ｄを求める距離計算部と、
前記距離Ｄを最小とする最小値ニューロンを特定する最小値ニューロン特定部と、
前記最小値ニューロンがＬ個（Ｌは２以上）存在する場合、Ｌ個の前記最小値ニューロンからＭ個（Ｍは２以上）の選択ニューロンを選択するニューロン選択部と、
Ｍ個の前記選択ニューロンを勝者ニューロンとして、前記潜在空間上の各ニューロンの参照ベクトルを更新する更新部と、を備える自己組織化マップの学習装置。

【請求項2】

前記ニューロン選択部は、
Ｌ個の前記最小値ニューロンからランダムにＭ個の前記選択ニューロンを選択するランダム選択部を含む、請求項１に記載の自己組織化マップの学習装置。

【請求項3】

前記更新部は、近傍関数の出力をＭで除算する、請求項２に記載の自己組織化マップの学習装置。

【請求項4】

前記ニューロン選択部は、
選択するニューロンの個数Ｍを学習時間ｔに対して可変に設定する選択数決定部を含む、請求項１～３のいずれか一項に記載の自己組織化マップの学習装置。

【請求項5】

前記距離計算部は、前記距離Ｄを調整値Ａ（Ａは１より大きい数値）で除算する、請求項１～４のいずれか一項に記載の自己組織化マップの学習装置。

【請求項6】

前記調整値Ａは、学習時間ｔが進むにつれて減少する関数ｆ（ｔ）で表される、請求項５に記載の自己組織化マップの学習装置。

【請求項7】

前記調整値Ａは、調整幅ｂを用いて、学習時間ｔが進むにつれて減少する関数ｆ（ｔ）に対して、ｆ（ｔ）－ｂからｆ（ｔ）＋ｂの間の値がランダムに設定される、請求項５に記載の自己組織化マップの学習装置。

【請求項8】

前記調整幅ｂは、学習時間ｔに対して可変に設定される、請求項７に記載の自己組織化マップの学習装置。

【請求項9】

前記調整値Ａは、学習時間ｔが進むにつれて減少する関数ｆ（ｔ）に対して、平均値がｆ（ｔ）である正規分布に従う、請求項５に記載の自己組織化マップの学習装置。

【請求項10】

前記正規分布の分散は、学習時間ｔの対して可変に設定される、請求項９に記載の自己組織化マップの学習装置。

【請求項11】

前記距離は、ユークリッド距離を含む、請求項１～１０のいずれか一項に記載の自己組織化マップの学習装置。

【請求項12】

前記距離は、ハミング距離を含む、請求項１～１０のいずれか一項に記載の自己組織化マップの学習装置。

【請求項13】

前記観測空間の未知の状態の事象を計測して得られる観測データから入力ベクトルを取得する入力ベクトル取得部と、
前記入力ベクトルを請求項１～１２に記載の学習装置により学習された自己組織化マップを用いて前記潜在空間上のデータに変換する変換部と、
前記変換部において取得されたＳＯＭ出力データに基づいて、前記観測空間の状態を判定する判定部と、を備える状態判定装置。

【請求項14】

前記観測空間の未知の状態の事象を計測して得られる計測データから入力ベクトルを取得する入力ベクトル取得部と、
前記入力ベクトルを請求項１～１２に記載の学習装置により学習された自己組織化マップを用いて前記潜在空間上のデータに変換する変換部と、
前記変換部において取得されたＳＯＭ出力データに基づいて、前記観測空間に生じた故障の種別を判定する判定部と、を備える故障判定装置。

【請求項15】

コンピュータによって実行される、観測空間を前記観測空間より低次元の潜在空間に変換する自己組織化マップの学習方法であって、
前記観測空間上の入力ベクトルと前記潜在空間上の各ニューロンの参照ベクトルとの間の距離Ｄを求める距離計算工程と、
前記距離Ｄを最小とする最小値ニューロンを特定する最小値ニューロン特定工程と、
前記最小値ニューロンがＬ個（Ｌは２以上）存在する場合、Ｌ個の前記最小値ニューロンからＭ個（Ｍは２以上）の選択ニューロンを選択するニューロン選択工程と、
Ｍ個の前記選択ニューロンを勝者ニューロンとして、前記潜在空間上の各ニューロンの参照ベクトルを更新する更新工程と、を備える自己組織化マップの学習方法。

【請求項16】

観測空間を前記観測空間より低次元の潜在空間に変換する自己組織化マップの学習方法を実行させるプログラムであって、
コンピュータに、
前記観測空間上の入力ベクトルと前記潜在空間上の各ニューロンの参照ベクトルとの間の距離Ｄを求める距離計算処理と、
前記距離Ｄを最小とする最小値ニューロンを特定する最小値ニューロン特定処理と、
前記最小値ニューロンがＬ個（Ｌは２以上）存在する場合、Ｌ個の前記最小値ニューロンからＭ個（Ｍは２以上）の選択ニューロンを選択するニューロン選択処理と、
Ｍ個の前記選択ニューロンを勝者ニューロンとして、前記潜在空間上の各ニューロンの参照ベクトルを更新する更新処理と、を実行させる自己組織化マップの学習プログラム。

【請求項17】

前記観測空間の未知の状態の事象を計測して得られる観測データから入力ベクトルを取得する入力ベクトル取得工程と、
前記入力ベクトルを請求項１５に記載の学習方法により学習された自己組織化マップを用いて前記潜在空間上のデータに変換する変換工程と、
前記変換工程において取得されたＳＯＭ出力データに基づいて、前記観測空間の状態を判定する判定工程と、を備え、前記入力ベクトル取得工程、前記変換工程、および、前記判定工程がコンピュータにより実行される状態判定方法。

【請求項18】

コンピュータに、
前記観測空間の未知の状態の事象を計測して得られる観測データから入力ベクトルを取得する入力ベクトル取得処理と、
前記入力ベクトルを請求項１６に記載の学習プログラムにより学習された自己組織化マップを用いて前記潜在空間上のデータに変換する変換処理と、
前記変換処理において取得されたＳＯＭ出力データに基づいて、前記観測空間の状態を判定する判定処理と、を実行させる状態判定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、自己組織化マップを生成する技術、および、生成された自己組織化マップを用いて観測空間上の状態を判定する技術に関する。

【背景技術】

【0002】

自己組織化マップ（ＳＯＭ：Ｓｅｌｆ－Ｏｒｇａｎｉｚｉｎｇ Ｍａｐ）は、教師なし学習を行うニューラルネットワークである。ＳＯＭは、入力ベクトルを、それらの類似度に応じて自動的に分類するクラスタリング能力に優れる。ＳＯＭでは、高次元の観測空間上の入力ベクトルを、観測空間より低次元である潜在空間上のベクトルに写像することで、高次元の入力ベクトルを低次元のマップ上に投影することができる。ＳＯＭでは、例えば、投影された２次元のマップを観察することで、入力ベクトルのクラスタリングが可能となる。

【0003】

下記特許文献１においては、交通データを入力ベクトルとして学習を行い、自己組織化マップを生成している。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１７－２１５７９８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１においては、自己組織化マップを生成するとき、勝者ユニットを決定し、勝者ユニットの重みベクトルを更新する処理が実行される。また、特許文献１においては、勝者ユニットの近傍に位置する近傍ユニットの重みベクトルを更新する処理が実行される。

【0006】

本発明の目的は、観測空間上の入力ベクトルが示す状態を効果的に自己組織化マップに反映させることである。

【課題を解決するための手段】

【0007】

（１）本発明の一局面に従う自己組織化マップの学習装置は、観測空間を観測空間より低次元の潜在空間に変換する自己組織化マップの学習装置であって、観測空間上の入力ベクトルと潜在空間上の各ニューロンの参照ベクトルとの間の距離Ｄを求める距離計算部と、距離Ｄを最小とする最小値ニューロンを特定する最小値ニューロン特定部と、最小値ニューロンがＬ個（Ｌは２以上）存在する場合、Ｌ個の最小値ニューロンからＭ個（ＭはＬより小さい整数）の選択ニューロンを選択するニューロン選択部と、Ｍ個の選択ニューロンを勝者ニューロンとして、潜在空間上の各ニューロンの参照ベクトルを更新する更新部とを備える。

【0008】

本発明によれば、単一の勝者ニューロンが選択される場合と比較して、学習効率を向上させることができる。

【0009】

（２）ニューロン選択部は、Ｌ個の最小値ニューロンからランダムにＭ個の選択ニューロンを選択するランダム選択部を含んでもよい。学習処理にランダム性を持たせることができる。

【0010】

（３）更新部は、近傍関数の出力をＭで除算してもよい。１つの入力ベクトルに対する学習量が過大となることを抑制することができる。

【0011】

（４）ニューロン選択部は、選択するニューロンの個数Ｍを学習時間ｔに対して可変に設定する選択数決定部を含んでもよい。学習処理にランダム性を持たせることができる。

【0012】

（５）距離計算部は、距離Ｄを調整値Ａ（Ａは１より大きい数値）で除算してもよい。最小の距離に近いニューロンについても勝者ニューロンとして学習させることが可能となり、学習効率が向上する。

【0013】

（６）調整値Ａは、学習時間ｔが進むにつれて減少する関数ｆ（ｔ）で表されてもよい。学習の初期段階では学習の範囲を広く設定し、学習が進むにつれて局所的に学習処理が実行されるようにすることができる。

【0014】

（７）調整値Ａは、調整幅ｂを用いて、学習時間ｔが進むにつれて減少する関数ｆ（ｔ）に対して、ｆ（ｔ）－ｂからｆ（ｔ）＋ｂの間の値がランダムに設定されてもよい。学習処理にランダム性を持たせることができる。

【0015】

（８）調整幅ｂは、学習時間ｔに対して可変に設定されてもよい。学習処理にランダム性を持たせることができる。

【0016】

（９）調整値Ａは、学習時間ｔが進むにつれて減少する関数ｆ（ｔ）に対して、平均値がｆ（ｔ）である正規分布に従うものであってもよい。学習処理にランダム性を持たせることができる。

【0017】

（１０）正規分布の分散は、学習時間ｔの対して可変に設定されてもよい。学習処理にランダム性を持たせることができる。

【0018】

（１１）距離は、ユークリッド距離を含んでもよい。

【0019】

（１２）距離は、ハミング距離を含んでもよい。

【0020】

（１３）本発明の他の局面に従う状態判定装置は、観測空間の未知の状態の事象を計測して得られる観測データから入力ベクトルを取得する入力ベクトル取得部と、入力ベクトルを上記（１）～（１２）に記載の学習方法により学習された自己組織化マップを用いて潜在空間上のデータに変換する変換部と、変換部において取得されたＳＯＭ出力データに基づいて、観測空間の状態を判定する判定部とを備える。

【0021】

（１４）本発明は、また、故障判定装置にも向けられている。

【0022】

（１５）本発明は、また、自己組織化マップの学習方法およびプログラムにも向けられている。

【0023】

（１６）本発明は、また、状態判定方法およびプログラムにも向けられている。

【発明の効果】

【0024】

本発明によれば、観測空間上の入力ベクトルが示す状態を効果的に自己組織化マップに反映させることができる。

【図面の簡単な説明】

【0025】

【図1】図１は、本実施の形態に係るＳＯＭ学習装置の機能ブロック図である。

【図2】図２は、ＳＯＭ学習処理の概念図である。

【図3】図３は、最小値ニューロン取得部のブロック図である。

【図4】図４は、ニューロン選択部のブロック図である。

【図5】図５は、更新部のブロック図である。

【図6】図６は、ユークリッド距離による学習処理の例を示す図である。

【図7】図７は、ハミング距離による学習処理の例を示す図である。

【図8】図８は、本実施の形態に係る故障判定装置が搭載された機器を示す図である。

【図9】図９は、故障判定装置の機能ブロック図である。

【図10】図１０は、ＳＯＭ学習装置および故障判定装置をプログラムにより実行するコンピュータを示す図である。

【図11】図１１は、ＳＯＭ学習処理を示すフローチャートである。

【図12】図１２は、故障判定処理を示すフローチャートである。

【発明を実施するための形態】

【0026】

［１］ＳＯＭによる学習処理
次に、添付の図面を参照しながら本発明の実施の形態に係るＳＯＭ学習処理について説明する。

【0027】

（１）ＳＯＭ学習装置の構成
図１は、本実施の形態に係るＳＯＭ学習装置１の機能ブロック図である。図１に示すように、ＳＯＭ学習装置１は、ＳＯＭ学習データ１０、データ入力部１１、距離計算部１２、最小値ニューロン特定部１３、ニューロン選択部１４および更新部１５を備える。

【0028】

ＳＯＭ学習データ１０は、ハードディスク、メモリ等の記憶装置に格納される。本実施の形態においては、データ入力部１１、距離計算部１２、最小値ニューロン特定部１３、ニューロン選択部１４および更新部１５は、ハードウェア回路により構成される場合を例に説明する。しかし、これら機能部１１～１５の一部または全部がＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｃｅｓｉｎｇ Ｕｎｉｔ）およびＣＰＵ上で動作するプログラムにより実現されてもよい。これら機能部１１～１５がプログラムにより実現される場合の実施の形態は後述する。

【0029】

データ入力部１１は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎを入力する。観測データＳ_１，Ｓ_２，…，Ｓ_ｎは、入力ベクトルｘ（ｔ）を生成するための元となるデータである。本実施の形態においては、データ入力部１１は、ｎ次元の観測データＳ_１，Ｓ_２，…，Ｓ_ｎを入力するが、データ入力部１１が入力するデータは特に限定されるものではない。データ入力部１１が、時系列のデジタル信号やアナログ信号を入力する形態であってもよい。

【0030】

データ入力部１１は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎに基づいて入力ベクトルｘ（ｔ）を生成する。データ入力部１１は、入力ベクトルｘ（ｔ）を、距離計算部１２に出力する。また、データ入力部１１は、入力ベクトルｘ（ｔ）を、更新部１５に出力する。

【0031】

図２は、ＳＯＭ学習処理の概念図である。図２において、入力層は、観測空間の入力ベクトルｘ（ｔ）が入力される層である。図２において、出力層は、潜在空間のニューロン（ノード）が配置される層である。この例では、出力層は、ｍ_１×ｍ_２の長方形の領域を有しており、ｍ_１×ｍ_２個のニューロンが配置されている。出力層のニューロンＮ_ｉ，ｊ（ｉ＝１，２，…,ｍ_１、ｊ＝１，２，…,ｍ_２）は、入力層の１点を示す参照ベクトルｗ_ｉ，ｊ（ｔ－１）を保持している。

【0032】

距離計算部１２は、入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）との距離Ｄ_ｉ，ｊを計算する。距離計算部１２は、潜在空間の全てのニューロンＮ_ｉ，ｊについて、入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）との距離Ｄ_ｉ，ｊを計算する。距離計算部１２は、距離Ｄ_ｉ，ｊとして、例えば、入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）とのユークリッド距離を計算する。距離計算部１２は、あるいは、距離Ｄ_ｉ，ｊとして、入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）とのハミング距離を計算する。

【0033】

最小値ニューロン特定部１３は、距離計算部１２から距離Ｄ_ｉ，ｊを入力する。最小値ニューロン特定部１３は、距離計算部１２が計算した全てのＮ_ｉ，ｊに対する距離Ｄ_ｉ，ｊを入力する。つまり、最小値ニューロン特定部１３は、ｍ_１×ｍ_２個の距離Ｄ_ｉ，ｊを入力する。最小値ニューロン特定部１３は、入力したｍ_１×ｍ_２個の距離Ｄ_ｉ，ｊの中で最小値をとる距離Ｄ_ｉ，ｊを特定する。つまり、最小値ニューロン特定部１３は、入力ベクトルｘ（ｔ）との距離が最小となるニューロンＮ_ｉ，ｊを特定する。最小値ニューロン特定部１３は、特定した最小値ニューロンＮ_ｐ，ｑを示す最小値ニューロン指定情報Ｅ_ｍｉｎをニューロン選択部１４に出力する。

【0034】

最小値ニューロン指定情報Ｅ_ｍｉｎは、以下の式で表される。
Ｅ_ｍｉｎ＝｛（ｐ，ｑ）｜Ｄ_ｐ,ｑ≦Ｄ_ｉ，ｊ｝（０≦ｉ≦ｍ_１，０≦ｊ≦ｍ_２）

【0035】

最小値ニューロン特定部１３は、入力ベクトルｘ（ｔ）との距離が最小となる最小値ニューロンＮ_ｐ，ｑが複数存在する場合には、最小値ニューロン指定情報Ｅ_ｍｉｎに複数の最小値ニューロンＮ_ｐ，ｑを指定する情報を含める。最小値ニューロン特定部１３の構成については、後で詳しく説明する。

【0036】

ニューロン選択部１４は、最小値ニューロン特定部１３から最小値ニューロン指定情報Ｅ_ｍｉｎを入力する。ニューロン選択部１４は、最小値ニューロン指定情報Ｅ_ｍｉｎにおいて特定されている複数の最小値ニューロンＮ_ｐ，ｑから一部のニューロンを選択ニューロンＮ_Ｐ，Ｑとして選択する。本実施の形態においては、ニューロン選択部１４は、最小値ニューロン指定情報Ｅ_ｍｉｎにおいて特定されているＬ個（Ｌは整数）の最小値ニューロンＮ_ｐ，ｑからＭ個（ＭはＬより小さい整数）のニューロンを選択ニューロンＮ_Ｐ，Ｑとして選択する。ただし、最小値ニューロンＮ_ｐ，ｑの数が、Ｌ＝１個である場合には、選択ニューロンＮ_Ｐ，Ｑとして、最小値ニューロンＮ_ｐ，ｑがそのまま選択される。

【0037】

選択ニューロン指定情報Ｅ_ｓｅｌは、以下の式で表される。
Ｅ_ｓｅｌ＝｛（Ｐ，Ｑ）｜Ｅ_ｓｅｌ⊂Ｅ_ｍｉｎ，Ｅ_ｓｅｌはＥ_ｍｉｎからＭ個選択｝
また選択ニューロンＮ_Ｐ，Ｑは、以下の式で表される。
Ｎ_Ｐ，Ｑ＝Ｎ_ｉ，ｊ（（ｉ，ｊ）⊂Ｅ_ｓｅｌ）

【0038】

ニューロン選択部１４は、選択された選択ニューロンＮ_Ｐ，Ｑを示す選択ニューロン指定情報Ｅ_ｓｅｌを更新部１５に出力する。ニューロン選択部１４の構成は、後で詳しく説明する。

【0039】

更新部１５は、ニューロン選択部１４から、選択ニューロン指定情報Ｅ_ｓｅｌを入力する。更新部１５は、また、データ入力部１１から、入力ベクトルｘ（ｔ）を入力する。更新部１５は、選択ニューロン指定情報Ｅ_ｓｅｌにより指定された全ての選択ニューロンＮ_Ｐ，Ｑについて参照ベクトルの更新処理を実行する。

【0040】

更新部１５による更新処理は、具体的には以下のとおりである。更新部１５は、ＳＯＭ学習データ１０を参照し、選択ニューロンＮ_Ｐ，Ｑについて参照ベクトルｗ_Ｐ，Ｑ（ｔ－１）を取得する。次に、更新部１５は、入力ベクトルｘ（ｔ）と参照ベクトルｗ_Ｐ，Ｑ（ｔ－１）との距離に基づいて、参照ベクトルｗ_Ｐ，Ｑ（ｔ－１）を更新する。参照ベクトルｗ_Ｐ，Ｑ（ｔ－１）を更新するとき、学習量は、近傍関数ｈにより決定される。

【0041】

更新部１５は、また、近傍関数ｈを用いて選択ニューロンＮ_Ｐ，Ｑと共に学習させる近傍ニューロンＮ_ｎｅａｒを決定する。更新部１５は、各選択ニューロンＮ_Ｐ，Ｑに対して、近傍ニューロンＮ_ｎｅａｒを決定する。そして、更新部１５は、近傍ニューロンＮ_ｎｅａｒについても入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｎｅａｒ（ｔ－１）との距離に基づいて、参照ベクトルｗ_ｎｅａｒ（ｔ－１）を更新する。更新部１５は、Ｍ個の全ての選択ニューロンＮ_Ｐ，Ｑについて、選択ニューロンＮ_Ｐ，Ｑおよび近傍ニューロンＮ_ｎｅａｒに対して参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。

【0042】

近傍関数ｈは、ニューロンＮ_ｉ，ｊの位置情報および勝者ニューロンの位置情報に基づいて学習量の分配量を決定する。近傍関数ｈは、勝者ニューロンに近いニューロンほど多くの学習量を分配する関数である。本実施の形態においては、Ｍ個の選択ニューロンＮ_Ｐ，Ｑが勝者ニューロンとして用いられる。また、近傍関数ｈは、時間ｔが経過するにつれて学習量の分配を小さくする関数である。

【0043】

ＳＯＭ学習装置１は、複数の入力ベクトルｘ（ｔ）を入力し、参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。ＳＯＭ学習装置１は、また、１つの入力ベクトルｘ（ｔ）についても、参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を複数回実行する。これにより、ＳＯＭ学習データ１０に記憶されている参照ベクトルｗ_ｉ，ｊが更新され、ＳＯＭ学習装置１の学習処理が実行される。

【0044】

（２）最小値ニューロン特定部の構成
次に、最小値ニューロン特定部１３の構成について説明する。図３は、最小値ニューロン特定部１３の機能ブロック図である。最小値ニューロン特定部１３は、除算部１３１、最小値判定部１３２、調整値設定部１３３および調整幅設定部１３４を備える。

【0045】

（２－１）調整値Ａによる除算
調整値設定部１３３は、調整値Ａを生成する。調整値設定部１３３は、調整値Ａを除算部１３１に出力する。除算部１３１は、調整値設定部１３３が出力した調整値Ａを入力する。除算部１３１は、また、距離計算部１２が出力した距離Ｄ_ｉ，ｊを入力する。除算部１３１は、距離Ｄ_ｉ，ｊを調整値Ａ＝ａ（ａは実数）で除算する。最小値判定部１３２は、調整値Ａで除算されたｍ_１×ｍ_２個の距離Ｄ_ｉ，ｊを入力し、距離Ｄ_ｉ，ｊの最小値を判定する。最小値判定部１３２は、判定した距離Ｄ_ｉ，ｊの最小値に基づいて最小値ニューロンＮ_ｐ，ｑを特定し、最小値ニューロン指定情報Ｅ_ｍｉｎを生成する。最小値判定部１３２は、最小値ニューロン指定情報Ｅ_ｍｉｎを、ニューロン選択部１４に出力する。

【0046】

調整値Ａとして“１”が設定される場合、最小値判定部１３２は、距離計算部１２から入力した距離Ｄ_ｉ，ｊをそのまま評価して、最小値ニューロンＮ_ｐ，ｑを特定する。調整値Ａとして１より大きい実数が設定される場合、最小値判定部１３２は、距離計算部１２から入力した距離Ｄ_ｉ，ｊを調整値Ａで除算した上で、最小値ニューロンＮ_ｐ，ｑを特定する。つまり、除算部１３１において、距離Ｄ_ｉ，ｊが調整値Ａで除算されることにより、距離Ｄ_ｉ，ｊの分解能が荒くなる。例えば、２つの距離Ｄ_ｉ，ｊが“１００”および“１０１”である場合、調整値Ａを“１”として、距離Ｄ_ｉ，ｊをそのまま評価すれば、距離Ｄ_ｉ，ｊは“１００”の方が小さくなる。しかし、距離Ｄ_ｉ，ｊを１より大きい調整値Ａ＝“１０”で除算し、距離Ｄ_ｉ，ｊを整数値として扱った場合、いずれの距離も“１０”となる。このようにして、距離Ｄ_ｉ，ｊの分解能を荒くすることにより、最小値に近い値を有するニューロンについても、最小値ニューロンＮ_ｐ，ｑとして選択されるように調整している。

【0047】

（２－２）関数ｆ（ｔ）による調整値Ａの生成
上記（２－１）においては、調整値Ａとして整数や実数などの定数ａを用いている。本実施の形態の最小値ニューロン特定部１３は、調整値Ａとして、時間ｔの関数である関数ｆ（ｔ）を用いることもできる。調整値Ａは、関数ｆ（ｔ）により以下のように表される。
Ａ＝ｆ（ｔ）

【0048】

関数ｆ（ｔ）は、広義または狭義の単調減少関数である。つまり、関数ｆ（ｔ）は、学習時間ｔが進むにつれて小さくなる。これにより、学習処理の初期段階では、距離Ｄ_ｉ，ｊの分解能を低下させる度合いを大きくし、最小値ニューロンＮ_ｐ，ｑとして学習させるニューロンの範囲を広くする。一方、学習処理が進むにつれて、距離Ｄ_ｉ，ｊの分解能を低下させる度合いを小さくし、最小値ニューロンＮ_ｐ，ｑとして学習させるニューロンの範囲を狭くするようにできる。このようにして、学習の初期段階では全体を広く学習対象とし、学習処理が進むにつれて局所的に学習処理が実行されるようにすることができる。

【0049】

調整値設定部１３３は、また、調整値Ａを、関数ｆ（ｔ）に対して、平均値をｆ（ｔ）とする正規分布に従う値に設定してもよい。関数ｆ（ｔ）は、上記のとおり、広義または狭義の単調減少関数である。これにより、学習時間ｔが進むにつれて局所的に学習処理が実行されるようにしつつ、さらに、調整値Ａにばらつきを持たせることで、学習処理にランダム性を持たせることができる。また、平均値をｆ（ｔ）とする正規分布において、その分散を学習時間ｔに対して可変に設定するようにしてもよい。これにより、さらに、学習処理にランダム性を持たせることができる。

【0050】

（２－３）調整値Ａに対する調整幅ｂの付加
上記（２－１）および（２－２）においては、除算部１３１は、距離Ｄ_ｉ，ｊを調整値Ａで除算している。本実施の形態の最小値ニューロン特定部１３は、調整値Ａに調整幅ｂを付加することもできる。図３に示すように、最小値ニューロン特定部１３は、調整幅設定部１３４を備える。調整幅設定部１３４は、調整幅ｂを出力する。調整幅ｂは、整数や実数などの定数である。

【0051】

除算部１３１は、調整値設定部１３３が出力した調整値Ａを入力する。除算部１３１は、また、調整幅設定部１３４が出力した調整幅ｂを入力する。除算部１３１は、距離Ｄ_ｉ，ｊを修正調整値Ａ’で除算する。修正調整値Ａ’は、Ａ－ｂからＡ＋ｂの間の値であって、ランダムに選択される値である。調整値Ａが定数ａの場合、修正調整値Ａ’は、ａ－ｂからａ＋ｂまでの間の値がランダムに選択される。調整値Ａが関数ｆ（ｔ）の場合、修正調整値Ａ’は、ｆ（ｔ）－ｂからｆ（ｔ）＋ｂまでの間の値がランダムに選択される。このように修正調整値Ａ’として、Ａ－ｂからＡ＋ｂの間の値をランダムに選択することにより、修正調整値Ａ’にランダム性を持たせることができる。これにより、最小値判定部１３２における最小値ニューロンＮ_ｐ，ｑの判定処理にランダム性を持たせることができ、学習効果を向上させることができる。

【0052】

本実施の形態の調整幅設定部１３４は、さらに、調整幅ｂを学習時間ｔに対して可変に設定可能となっている。つまり、調整幅設定部１３４は、調整幅ｂを時間ｔに対して変動する値を設定可能となっている。例えば、調整幅設定部１３４は、乱数発生部を備え、調整幅ｂをランダムに設定することができる。このとき、調整幅設定部１３４は、所定の値の範囲内で調整幅ｂを設定するようにしてもよい。

【0053】

（３）ニューロン選択部の構成
次に、ニューロン選択部１４の構成について説明する。図４は、ニューロン選択部１４の機能ブロック図である。ニューロン選択部１４は、ランダム選択部１４１および選択数決定部１４２を備える。

【0054】

選択数決定部１４２は、最小値ニューロン特定部１３が出力した最小値ニューロン指定情報Ｅ_ｍｉｎを入力する。選択数決定部１４２は、最小値ニューロン指定情報Ｅ_ｍｉｎに基づいて選択数Ｍを出力する。具体的には、選択数決定部１４２は、最小値ニューロン指定情報Ｅ_ｍｉｎを参照し、最小値ニューロンＮ_ｐ，ｑの個数Ｌを取得する。選択数決定部１４２は、乱数発生部を有しており、最小値ニューロンＮ_ｐ，ｑの個数Ｌより小さい選択数Ｍをランダムに決定する。このように、選択数Ｍを学習時間ｔに対して可変に設定することにより、学習処理にランダム性を与えることができる。

【0055】

ランダム選択部１４１は、最小値ニューロン特定部１３が出力した最小値ニューロン指定情報Ｅ_ｍｉｎを入力する。ランダム選択部１４１は、また、選択数決定部１４２から選択数Ｍを入力する。ランダム選択部１４１は、乱数発生部を有しており、Ｌ個の最小値ニューロンＮ_ｐ，ｑの中からＭ個の選択ニューロンＮ_Ｐ，Ｑをランダムに選択する。ランダム選択部１４１は、ランダムに選択された選択ニューロンＮ_Ｐ，Ｑを示す選択ニューロン指定情報Ｅ_ｓｅｌを、更新部１５に出力する。これにより、ニューロン選択部１４において、Ｌ個の最小値ニューロンＮ_ｐ，ｑの中からＭ個の選択ニューロンＮ_Ｐ，Ｑをランダムに選択することができ、学習効果を向上させることができる。また、選択ニューロンの選択数Ｍもランダムに設定されるので、さらに学習効果を向上させることができる。

【0056】

（４）更新部の構成
次に、更新部１５の構成について説明する。図５は、更新部１５の機能ブロック図である。更新部１５は、参照ベクトル更新部１５１および選択数取得部１５２を備える。

【0057】

参照ベクトル更新部１５１は、ＳＯＭ学習データ１０を参照し、参照ベクトルｗ_ｉ，ｊ（ｔ－１）を取得する。参照ベクトル更新部１５１は、また、データ入力部５１が出力した入力ベクトルｘ（ｔ）を取得する。参照ベクトル更新部１５１は、また、ニューロン選択部１４が出力した選択ニューロン指定情報Ｅ_ｓｅｌを入力する。参照ベクトル更新部１５１は、Ｍ個の選択ニューロンＮ_Ｐ，Ｑを勝者ニューロンとして、参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新を行う。上述したように、更新部１５は、Ｍ個の全ての選択ニューロンＮ_Ｐ，Ｑについて、選択ニューロンＮ_Ｐ，Ｑおよび近傍ニューロンＮ_ｎｅａｒに対して参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。

【0058】

ここで、参照ベクトル更新部１５１は、近傍関数ｈを用いて、参照ベクトルｗ_ｉ，ｊ（ｔ－１）の学習量を決定する。また、参照ベクトル更新部１５１は、近傍関数ｈを用いて、勝者ニューロンとともに更新処理を実行する近傍ニューロンＮ_ｎｅａｒを決定する。近傍関数ｈは、ｔに関する単調減少であり、ｔが無限大で０に収束する。また、近傍関数ｈは、出力層（潜在空間）の各ニューロンＮ_ｉ，ｊと選択ニューロンＮ_Ｐ，Ｑとの距離に関して単調減少する。また、単調減少の程度はｔが増加するほど大きくなる。

【0059】

本実施の形態の参照ベクトル更新部１５１は、通常の近傍関数ｈに代えて、近傍関数ｈ’を用いることもできる。近傍関数ｈ’は以下の式で表される。
ｈ’＝ ｈ／Ｍ
つまり、近傍関数ｈ’は、通常の近傍関数ｈを選択数Ｍで除算した関数である。選択数取得部１５２は、ニューロン選択部１４の選択数決定部１４２から選択数Ｍを取得する。参照ベクトル更新部１５１は、選択数取得部１５２から選択数Ｍを取得し、近傍関数ｈをＭで除算し、近傍関数ｈ‘を得る。参照ベクトル更新部１５１は、通常の近傍関数ｈに代えて、近傍関数ｈ’を用いることにより、学習の分配量を小さくすることができる。つまり、本実施の形態においては、ニューロン選択部１４において選択されたＭ個の選択ニューロンＮ_Ｐ，Ｑを勝者ニューロンとして更新処理が実行される。そこで、近傍関数ｈ’を用いることで、１つの入力ベクトルｘ（ｔ）に対する学習の分配量が過大とならないようにすることができる。

【0060】

（５）ＳＯＭ学習処理の具体例
次に、以上のとおり構成されたＳＯＭ学習装置１によるＳＯＭ学習処理の具体例ついて説明する。以下の説明では、ＳＯＭ学習処理においてユークリッド距離を使用する具体例とハミング距離を使用する具体例とを説明する。

【0061】

（５－１）ユークリッド距離による学習処理の例
まず、ＳＯＭ学習処理においてユークリッド距離を使用する具体例を説明する。図６は、ユークリッド距離を使用したＳＯＭ学習処理が扱うベクトルおよび計算方法を示す図である。

【0062】

データ入力部１１（図１参照）は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎを入力し、入力ベクトルｘ（ｔ）＝（Ｒ_１，Ｒ_２，…，Ｒ_ｎ）を出力する（図６のＥＸ１－１）。Ｒ_１，Ｒ_２，…，Ｒ_ｎは実数である。例えば、観測データＳ_１，Ｓ_２，…，Ｓ_ｎが、Ｓ_１＝Ｒ_１，Ｓ_２＝Ｒ_２，…，Ｓ_ｎ＝Ｒ_ｎであり、入力ベクトルｘ（ｔ）は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎをベクトル化したものであってもよい。あるいは、入力ベクトルｘ（ｔ）＝（Ｒ_１，Ｒ_２，…，Ｒ_ｎ）は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎから特徴データを抽出することによって得られた特徴ベクトルであってもよい。

【0063】

次に、距離計算部１２（図１参照）は、入力ベクトルｘ（ｔ）＝（Ｒ_１，Ｒ_２，…，Ｒ_ｎ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）＝（ｗ_１（ｉ，ｊ），ｗ_２（ｉ，ｊ），・・・，ｗ_ｎ（ｉ，ｊ））との距離Ｄ_ｉ，ｊを計算する。距離計算部１２は、図６の（ＥＸ１－２）に示すように、ユークリッド距離により距離Ｄ_ｉ，ｊを計算する。

【0064】

次に、最小値ニューロン特定部１３により最小値ニューロンＮ_ｐ，ｑが特定され、さらに、ニューロン選択部１４により選択ニューロンＮ_Ｐ，Ｑが選択される。最小値ニューロン特定部１３およびニューロン選択部１４の処理の内容は、図３および図４を用いて説明した場合と同様である。つまり、最小値ニューロン特定部１３は、調整値Ａとして、実数ａまたは関数ｆ（ｔ）を用いて、距離Ｄ_ｉ，ｊを調整値Ａで除算することにより、最小値ニューロンＮ_ｐ，ｑを特定する。あるいは、調整幅ｂを用いて、修正調整値Ａ’を算出し、距離Ｄ_ｉ，ｊを修正調整値Ａ’で除算することにより、最小値ニューロンＮ_ｐ，ｑを特定する。また、ニューロン選択部１４は、選択数Ｍを用いて、Ｌ個の最小値ニューロンＮ_ｐ，ｑの中からＭ個の選択ニューロンＮ_Ｐ，Ｑを選択する。

【0065】

続いて、更新部１５は、参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。更新部１５は、図６の（ＥＸ１－３）に示すように、近傍関数ｈ（（ｉ，ｊ），（Ｐ，Ｑ），ｔ）を係数として、参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。（Ｐ，Ｑ）は、上述したように、選択ニューロンＮ_Ｐ，Ｑを指定する情報であり、Ｎ_Ｐ，Ｑ＝Ｎ_ｉ，ｊ（（ｉ，ｊ）⊂Ｅ_ｓｅｌ）である。近傍関数ｈは、勝者ニューロンである選択ニューロンＮ_Ｐ，Ｑに近いニューロンＮ_ｉ，ｊほど多くの学習量を分配する。また、近傍関数ｈは、時間ｔが経過するにつれて学習量の分配を小さくする関数である。以上の学習処理により、ＳＯＭ学習装置１は、ユークリッド距離を用いて参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。また、更新部１５は、図５を用いて説明したように、近傍関数ｈを選択数Ｍで除算することにより得られる近傍関数ｈ’を用いることができる。これにより、１つの入力ベクトルｘ（ｔ）が、学習に与える影響が大きくならないように抑制することができる。

【0066】

（５－２）ハミング距離による学習処理の例
次に、ＳＯＭ学習処理においてハミング距離を使用する具体例を説明する。図７は、ハミング距離を使用したＳＯＭ学習処理が扱うベクトルおよび計算方法を示す図である。

【0067】

データ入力部１１（図１参照）は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎを入力する。Ｓ_１，Ｓ_２，…，Ｓ_ｎは、それぞれｐビットのビット列である。入力ベクトルｘ（ｔ）は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎをＳ_１，Ｓ_２，…，Ｓ_ｎの順に結合したベクトルであり、ｐ×ｎビットのビット列である（図７のＥＸ２－１）。あるいは、入力ベクトルｘ（ｔ）は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎから特徴データを抽出することによって得られた特徴ベクトル（ビット列）であってもよい。図７においては、入力ベクトルｘ（ｔ）を３２ビットのビット列で表している。また、入力ベクトルｘ（ｔ）として３２ビットのビット列を用いる場合、図７の（ＥＸ２－１）に示すように、参照ベクトルｗ_ｉ，ｊ（ｔ－１）も３２ビットのビット列で表される。図７においては、ｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）として、３２ビットのビット列の具体例を示している。

【0068】

次に、距離計算部１２（図１参照）は、入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）との距離Ｄ_ｉ，ｊを計算する。距離計算部１２は、図７の（ＥＸ２－２）に示すように、入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）との排他的論理和（ＸＯＲ）を計算することにより、距離Ｄ_ｉ，ｊ（ハミング距離）を計算する。距離Ｄ_ｉ，ｊ（ハミング距離）において、ビット列に含まれる“１”の個数により、入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）との距離が評価される。ビット列に含まれる“１”の個数が少ないほど、距離Ｄ_ｉ，ｊは小さいと評価される。

【0069】

次に、最小値ニューロン特定部１３により最小値ニューロンＮ_ｐ，ｑが特定され、さらに、ニューロン選択部１４により選択ニューロンＮ_Ｐ，Ｑが選択される。最小値ニューロン特定部１３およびニューロン選択部１４の処理の内容は、図３および図４を用いて説明した場合と同様である。ただし、最小値ニューロン特定部１３は、ハミング距離により計算された距離Ｄ_ｉ，ｊにおいて、“１”の数が最小のニューロンを、最小値ニューロンＮ_ｐ，ｑとして特定する。

【0070】

続いて、更新部１５は、参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。更新部１５は、図７の（ＥＸ２－３）に示すように、近傍関数ｈ（（ｉ，ｊ），（Ｐ，Ｑ），ｔ）に基づいて、学習させるビットの数を決める。ここでは、近傍関数ｈ＝０．５と計算された場合を例に説明する。（ＥＸ２－２）の具体例で示すように、ハミング距離により計算された距離Ｄ_ｉ，ｊは、ビット“１”が１６箇所含まれている。そして、近傍関数ｈ＝０．５であるので、１６×０．５＝８となり、１６個のビット“１”から８個のビット“１”をランダムに選択する。（ＥＸ２－３）において、８個のビット“１”がランダムに選択されたビット例を、学習選択ベクトルｙで示している。つまり、ユークリッド距離を用いた学習処理においては、近傍関数ｈは、学習量計算における乗算係数として用いられたが、ハミング距離の学習処理においては、近傍関数ｈは、学習させるビット数を決定するために用いられる。

【0071】

次に、更新部１５は、参照ベクトルｗ_ｉ，ｊ（ｔ－１）と学習選択ベクトルｙとの排他的論理和を計算し、参照ベクトルｗ_ｉ，ｊ（ｔ－１）の学習処理を実行する。図７の（ＥＸ２－４）に、更新された参照ベクトルｗ_ｉ，ｊ（ｔ）を示す。

【0072】

以上説明したように、本実施の形態のＳＯＭ学習装置１は、最小値ニューロンＮ_ｐ，ｑがＬ個（Ｌは２以上）存在する場合、Ｌ個の最小値ニューロンＮ_ｐ，ｑからＭ個（ＭはＬより小さい整数）の選択ニューロンＮ_Ｐ，Ｑを選択する。そして、ＳＯＭ学習装置１は、Ｍ個の選択ニューロンＮ_Ｐ，Ｑを勝者ニューロンとして、潜在空間上の各ニューロンの参照ベクトルｗ_ｉ，ｊ（ｔ－１）を更新する。これにより、単一の勝者ニューロンが選択される場合と比較して、学習効率を向上させることができる。

【0073】

［２］ＳＯＭによる故障判定処理
次に、上述したＳＯＭ学習データ１０を利用した故障判定処理について説明する。図８は、故障判定装置５が搭載された機器７を示す図である。機器７には、複数のデバイス８が配置されている。機器７には、基板上あるいはデバイス８内に複数のセンサ９が設けられる。センサ９は、機器７の基板上あるいはデバイス８内を流れる電圧を測定するセンサである。センサ９は、電圧測定値を観測データＳ_１，Ｓ_２，…，Ｓ_ｎとして出力する。

【0074】

図９は、故障判定装置５のブロック図である。故障判定装置５は、データ入力部５１、変換部５２、判定部５３およびＳＯＭ学習データ１０を備える。データ入力部５１は、電圧測定値を観測データＳ_１，Ｓ_２，…，Ｓ_ｎとして入力する。データ入力部５１は、観測データＳ_１，Ｓ_２，…，Ｓ_ｎに基づいて入力ベクトルｘを生成する。

【0075】

変換部５２は、データ入力部５１の出力した入力ベクトルｘを入力する。変換部５２は、ＳＯＭ学習データ１０を参照し、参照ベクトルｗ_ｉ，ｊを取得する。ＳＯＭ学習データ１０は、上述した図１に示すＳＯＭ学習装置１により学習されたデータである。故障判定装置５を動作させる前段階として、ＳＯＭ学習装置１は、機器７のセンサ９が出力した複数の観測データＳ_１，Ｓ_２，…，Ｓ_ｎを入力し、参照ベクトルｗ_ｉ，ｊの学習を行う。故障判定装置５が備えるＳＯＭ学習データ１０は、学習済みの参照ベクトルｗ_ｉ，ｊを保持している。

【0076】

変換部５２は、入力ベクトルｘと参照ベクトルｗ_ｉ，ｊの距離を計算し、距離Ｄ_ｉ，ｊが最小となるニューロンを勝者ニューロンとして決定する。変換部５２は、勝者ニューロンの潜在空間（出力層）における位置情報を判定部５３に出力する。判定部５３は、勝者ニューロンの位置情報に基づいて、入力ベクトルｘの故障種別を判定する。

【0077】

判定部５３は、予め故障種別のマップ情報を有している。つまり、判定部５３は、学習済みのＳＯＭ学習データ１０の潜在空間におけるニューロンの位置情報と故障種別とを対応付けたマップ情報を有している。故障判定装置５においては、潜在空間上のいずれかのニューロンが勝者ニューロンとして点火した場合、点火した勝者ニューロンの位置情報に基づいて機器７の故障種別を判定可能である。

【0078】

［３］プログラム
上記実施の形態においては、ＳＯＭ学習装置１が備えるデータ入力部１１、距離計算部１２、最小値ニューロン特定部１３、ニューロン選択部１４および更新部１５は、ハードウェア回路により構成される場合を例に説明した。また、故障判定装置５が備えるデータ入力部５１、変換部５２および判定部５３は、ハードウェア回路により構成される場合を例に説明した。次に、各機能部１１～１５，５１～５３がＣＰＵ上で動作するプログラムにより実現される実施の形態を説明する。

【0079】

図１０に示すように、コンピュータ２０は、ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、ドライバ２４、入力部２５、出力部２６、記憶部２７および通信部２８を備える。これらデバイスはバスを介して接続される。記憶部２７は、例えば、ハードディスクであり、ＳＯＭ学習プログラムＰ１および故障判定プログラムＰ２が記憶される。ＲＯＭ２２は、例えば、不揮発性メモリである。ＲＯＭ２２がＳＯＭ学習プログラムＰ１および故障判定プログラムＰ２を記憶してもよい。ＣＰＵ２１は、ＲＡＭ２３を作業領域として使用しつつ、記憶部２７またはＲＯＭ２２に記憶されたＳＯＭ学習プログラムＰ１および故障判定プログラムＰ２を実行することにより次に示すＳＯＭ学習方法および故障判定方法を実行する。

【0080】

（１）ＳＯＭ学習方法
図１１は、ＳＯＭ学習方法を示すフローチャートである。まず、ステップＳ１１において、コンピュータ２０は、入力ベクトルｘ（ｔ）を生成する。次に、ステップＳ１２において、コンピュータ２０は、入力ベクトルｘ（ｔ）と参照ベクトルｗ_ｉ，ｊ（ｔ－１）との距離Ｄ_ｉ，ｊを計算する。次に、ステップＳ１３において、コンピュータ２０は、距離Ｄ_ｉ，ｊが最小となる最小値ニューロンＮ_ｐ，ｑを特定し、最小値ニューロン指定情報Ｅ_ｍｉｎを出力する。最小値ニューロン指定情報Ｅ_ｍｉｎには、Ｌ個の最小値ニューロンＮ_ｐ，ｑを指定する情報が含まれる。次に、ステップＳ１４において、コンピュータ２０は、Ｌ個の最小値ニューロンＮ_ｐ，ｑからＭ個の選択ニューロンＮ_Ｐ，Ｑをランダムに選択し、選択ニューロン指定情報Ｅ_ｓｅｌを出力する。

【0081】

次に、ステップＳ１５において、コンピュータ２０は、選択ニューロン指定情報Ｅ_ｓｅｌで指定されたＭ個の選択ニューロンＮ_Ｐ，Ｑの１つのニューロンを勝者ニューロンとして参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。続いて、コンピュータ２０は、Ｍ個の選択ニューロンＮ_Ｐ，Ｑに含まれる他のニューロンについても勝者ニューロンとして参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。次に、ステップＳ１６において、コンピュータ２０は、全ての入力ベクトルｘ（ｔ）について参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行したか否かを判定する。全ての入力ベクトルｘ（ｔ）について参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行していない場合には、ステップＳ１１に戻り、次の入力ベクトルｘ（ｔ）について参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理を実行する。全ての入力ベクトルｘ（ｔ）について参照ベクトルｗ_ｉ，ｊ（ｔ－１）の更新処理が終了すると、図１１の処理を終了する。コンピュータ２０は、さらに、同じ入力ベクトルｘ（ｔ）について、図１１で示す処理を複数回実行してもよい。

【0082】

（２）故障判定方法
図１２は、故障判定方法を示すフローチャートである。まず、ステップＳ２１において、コンピュータ２０は、入力ベクトルｘを生成する。次に、ステップＳ２２において、コンピュータ２０は、入力ベクトルｘと参照ベクトルｗ_ｉ，ｊとの距離Ｄ_ｉ，ｊを計算する。次に、ステップＳ２３において、コンピュータ２０は、距離Ｄ_ｉ，ｊが最小となるニューロンＮ_ｉ，ｊを特定し、勝者ニューロンとして決定する。

【0083】

次に、コンピュータ２０は、勝者ニューロンの位置情報に基づいて故障種別の判定を行う。例えば、コンピュータ２０の出力部に、故障種別を表示させる。あるいは、コンピュータ２０の出力部に潜在空間上のマップおよび勝者ニューロンの位置を表示させてもよい。以上で、コンピュータは、入力ベクトルｘについての故障判定処理を終了する。

【0084】

図１０に示すように、ＳＯＭ学習プログラムＰ１または故障判定プログラムＰ２は、コンピュータ２０がドライバ２４を介して読み取り可能な記録媒体（例えばＣＤ－ＲＯＭ２４１、メモリカード２４２等）に格納された形態で提供され、記憶部２７またはＲＯＭ２２にインストールされてもよい。また、通信部２８が通信網に接続されている場合、通信網に接続されたサーバから配信されたＳＯＭ学習プログラムＰ１または故障判定プログラムＰ２が記憶部２７またはＲＯＭ２２にインストールされてもよい。

【0085】

［４］他の実施の形態
上記の実施の形態においては、ＳＯＭ学習データ１０を利用して故障判定を行う場合を例に説明した。例えば、機器７の電圧を観測データとすることにより、機器７の異常状態を故障判定装置５において判定することが可能である。あるいは、機器７に対して何らかの不正な行為が行われた場合にも、故障判定装置５は、機器７に対する不正行為を判定することも可能である。

【0086】

故障判定装置５は、センサやカメラの出力あるいはネットワークの状態等を観測することにより、観測対象の平常状態でない異常現象を検出することが可能である。故障判定を行う対象としては、例えば、発電所その他工場等のプラント、産業用ロボット等の機械装置、電車や自動車、自動二輪車等の車両、ビルの電力設備、空調設備等のインフラ設備等が想定される。

【0087】

また、上記の実施の形態においては、故障判定装置５は、センサ９が測定する電圧値を観測データとして入力したが、観測データはこれに限定されるものではない。例えば、電流値、温度、圧力等を測定するセンサからの入力を観測データとして用いてもよい。

【0088】

上記の実施の形態においては、ＳＯＭ学習データ１０を利用して故障判定を行う場合を例に説明したが、ＳＯＭ学習データ１０の利用方法は、これに限定されるものではない。例えば、ＳＯＭ学習データ１０を利用することで、故障に限らず機器７の状態を判定する状態判定装置を構成することも可能である。例えば、機器７の稼働状態、安定状態などを判定する装置として構成することも可能である。

【0089】

なお、本発明の具体的な構成は、前述の実施の形態に限られるものではなく、発明の要旨を逸脱しない範囲で種々の変更および修正が可能である。

【符号の説明】

【0090】

１ … ＳＯＭ学習装置
５ … 故障判定装置
７ … 機器
８ … デバイス
９ … センサ
１０ … ＳＯＭ学習データ
１１ … データ入力部
１２ … 距離計算部
１３ … 最小値ニューロン特定部
１４ … ニューロン選択部
１５ … 更新部
Ｓ_１，Ｓ_２，…，Ｓ_ｎ … 観測データ
ｘ（ｔ） … 入力ベクトル
ｗ_ｉ，ｊ（ｔ－１），ｗ_ｉ，ｊ（ｔ－１） … 参照ベクトル
Ｅ_ｍｉｎ … 最小値ニューロン指定情報
Ｅ_ｓｅｌ … 選択ニューロン指定情報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】