特許 7504601 信号処理装置、信号処理方法およびプログラム

(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】2024-06-14

(45)【発行日】2024-06-24

(54)【発明の名称】信号処理装置、信号処理方法およびプログラム

(51)【国際特許分類】

   G06N 5/045 20230101AFI20240617BHJP

   G06F 18/10 20230101ALI20240617BHJP

   G06F 18/213 20230101ALI20240617BHJP

   G06N 20/00 20190101ALI20240617BHJP

   G06N 20/20 20190101ALI20240617BHJP

【ＦＩ】

G06N5/045

G06F18/10

G06F18/213

G06N20/00 130

G06N20/20

【請求項の数】 16

(21)【出願番号】P 2020011348

(22)【出願日】2020-01-28

(65)【公開番号】P2021117800

(43)【公開日】2021-08-10

【審査請求日】2022-03-14

(73)【特許権者】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(73)【特許権者】

【識別番号】598076591

【氏名又は名称】東芝インフラシステムズ株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】笹谷 典太

(72)【発明者】

【氏名】渡辺 隆志

(72)【発明者】

【氏名】小野 利幸

【審査官】渡辺 一帆

(56)【参考文献】

【文献】特開２０１９－１２８４０２（ＪＰ，Ａ）

【文献】特開２０１６－１４３０４３（ＪＰ，Ａ）

【文献】特表２０１９－５３２４３９（ＪＰ，Ａ）

【文献】特開２００７－２４１３７７（ＪＰ，Ａ）

【文献】特開２０１８－０３１８１２（ＪＰ，Ａ）

【文献】特開２００９－１４０３６９（ＪＰ，Ａ）

【文献】特開２０１０－０２０４４５（ＪＰ，Ａ）

【文献】WORTSMAN, M et al.，“Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time”，arXiv.org [online]，2022年，pp. 1-34，[retrieved on 2023.02.03], Retrieved from the Internet: <URL: https://arxiv.org/abs/2203.05482v3>，<DOI: 10.48550/arXiv.2203.05482>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ５／０４５

Ｇ０６Ｆ １８／１０－１８／１５

Ｇ０６Ｆ １８／２１３－１８／２１３７

Ｇ０６Ｎ ２０／００－２０／２０

Ｇ０６Ｎ ３／０２－３／１０

(57)【特許請求の範囲】

【請求項1】

第１信号に第２信号が重畳された第３信号、または、前記第３信号を変換した第４信号である入力信号を入力し、前記入力信号に基づいて、前記第１信号の特徴量を推定する特徴量推定部と、
前記特徴量に基づいて推論を実行し推論結果を出力する推論部と、
推定された前記特徴量を出力する出力制御部と、
を備え、
前記特徴量は、前記入力信号の特徴を表す、前記入力信号の形式とは異なる形式である、
信号処理装置。

【請求項2】

前記特徴量は、前記第１信号に含まれる複数の信号それぞれの頻度を表す頻度情報である、
請求項１に記載の信号処理装置。

【請求項3】

前記特徴量推定部は、前記入力信号を入力して前記特徴量を出力するように学習された第１学習モデルを用いて前記特徴量を推定し、
前記推論部は、前記特徴量を入力して前記推論結果を出力するように学習された第２学習モデルを用いて前記推論結果を出力し、
前記特徴量の正解を表す第１正解信号と、前記特徴量推定部が推定した前記特徴量との誤差である第１誤差、および、前記特徴量に基づく推論の正解を表す第２正解信号と、前記推論部が出力した推論結果との誤差である第２誤差、の少なくとも一方を算出する誤差算出部と、
前記第１誤差と前記第２誤差の少なくとも一方に基づいて前記第１学習モデルのパラメータを更新する処理、および、前記第２誤差に基づいて前記第２学習モデルのパラメータを更新する処理、の少なくとも一方を実行する更新部と、をさらに備える、
請求項１に記載の信号処理装置。

【請求項4】

前記更新部は、
前記第１誤差と前記第２誤差の少なくとも一方に調整係数を乗算し、
前記調整係数を乗算後の前記第１誤差と前記第２誤差との和に基づいて前記第１学習モデルのパラメータを更新する、
請求項３に記載の信号処理装置。

【請求項5】

前記更新部は、
前記調整係数の乗算を行った後の前記第１誤差が前記第２誤差より大きくなるように前記調整係数を設定する、
請求項４に記載の信号処理装置。

【請求項6】

前記更新部は、
前記第１学習モデルのパラメータの更新回数が増加するに従い、前記調整係数の乗算を行った後の前記第１誤差が減少し、前記調整係数の乗算を行った後の前記第２誤差が増加するように、前記調整係数の値を変更する、
請求項４に記載の信号処理装置。

【請求項7】

前記特徴量推定部は、複数の前記調整係数のそれぞれに基づいてパラメータが更新された複数の前記第１学習モデルおよび１つ以上の重み係数に基づいて前記特徴量を推定する、
請求項４に記載の信号処理装置。

【請求項8】

前記特徴量推定部は、複数の異なる指標に基づく複数の前記第１誤差それぞれに基づいてパラメータが更新された複数の前記第１学習モデルおよび１つ以上の重み係数に基づいて前記特徴量を推定する、
請求項３に記載の信号処理装置。

【請求項9】

前記特徴量推定部は、複数の前記第１学習モデルのそれぞれに基づいて得られた複数の特徴量を１つ以上の重み係数に基づいて加算し、加算結果を前記第１信号の特徴量の推定結果として出力する、
請求項７または８に記載の信号処理装置。

【請求項10】

前記特徴量推定部は、複数の前記第１学習モデルを１つ以上の重み係数に基づいて加算して得られる学習モデルを用いて前記特徴量を推定する、
請求項７または８に記載の信号処理装置。

【請求項11】

指定された前記重み係数を取得する取得部と、
前記取得部により取得された前記重み係数を用いて推定された前記特徴量を表示装置に表示する出力制御部と、をさらに備える、
請求項７または８に記載の信号処理装置。

【請求項12】

前記特徴量と前記推論結果とを対応づけた複数の記憶データを記憶する記憶部と、
前記特徴量推定部により推定された前記特徴量と類似する特徴量が対応づけられた１以上の前記記憶データを前記記憶部から読み出し、読み出した前記記憶データと、前記特徴量推定部により推定された前記特徴量と、を表示装置に表示する出力制御部と、をさらに備える、
請求項１に記載の信号処理装置。

【請求項13】

前記出力制御部は、前記記憶データに含まれる前記特徴量を表示する座標軸と、前記特徴量推定部により推定された前記特徴量を表示する座標軸と、を一致させる、
請求項１２に記載の信号処理装置。

【請求項14】

前記特徴量に基づいて、前記推論部による推論を実行するか否かを判定する判定部を更に備え、
前記推論部は、前記推論を実行すると判定された場合に、前記推論を実行する、
請求項１に記載の信号処理装置。

【請求項15】

信号処理装置によって実行される信号処理方法であって、
第１信号に第２信号が重畳された第３信号、または、前記第３信号を変換した第４信号である入力信号を入力し、前記入力信号に基づいて、前記第１信号の特徴量を推定する特徴量推定ステップと、
前記特徴量に基づいて推論を実行し推論結果を出力する推論ステップと、
推定された前記特徴量を出力する出力制御ステップと、
を含み、
前記特徴量は、前記入力信号の特徴を表す、前記入力信号の形式とは異なる形式である、
信号処理方法。

【請求項16】

コンピュータに、
第１信号に第２信号が重畳された第３信号、または、前記第３信号を変換した第４信号である入力信号を入力し、前記入力信号に基づいて、前記第１信号の特徴量を推定する特徴量推定ステップと、
前記特徴量に基づいて推論を実行し推論結果を出力する推論ステップと、
推定された前記特徴量を出力する出力制御ステップと、
を実行させ、
前記特徴量は、前記入力信号の特徴を表す、前記入力信号の形式とは異なる形式である、
プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、信号処理装置、信号処理方法およびプログラムに関する。

【背景技術】

【0002】

近年、自然画像の認識タスクを中心にニューラルネットワークの有効性が確認されている。ニューラルネットワークは、自然画像（２次元画像など）だけでなく、１次元信号（時系列信号）を変換して得られる特徴量を入力とする電気設備の故障診断（故障分類）および音声信号の話者分類など広範に応用可能であることが示されている。

【0003】

これらの技術はノイズを含まない理想的な信号が入力されることを想定しているため、ノイズを含む信号が入力されうる実環境では分類性能が低下する。そのため、ノイズを除去し理想的な信号を得るためのデノイズ技術が開発されている。デノイズ技術として、ニューラルネットワークを用いた手法も多数提案されている。例えば、自然画像からノイズを低減した画像をニューラルネットワークにより生成し、生成された画像を認識タスク用のニューラルネットワークに入力して認識タスクを実行する技術が提案されている。

【先行技術文献】

【非特許文献】

【0004】

【文献】E.Gulski, et al., “Neural networks as a tool for recognition of partial discharges”, IEEE Transactions on Electrical Insulation, Vol.28 No.6, December, 1993.

【文献】笹谷 典太他、“AI技術を適用したスイッチギヤ絶縁診断技術の開発3～部分放電検出のためのデノイズ技術”，平成31年電気学会全国大会論文集, (2019-03-01) , 6-055．

【文献】Ding Liu, et al., “When Image Denoising Meets High-Level Vision Tasks: A Deep Learning Approach”， Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence Main track. Pages 842-848．

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、従来技術では、認識タスク等を実行するニューラルネットワークの処理結果の妥当性（判断根拠等）を適切に把握できない場合があった。例えば、ノイズが低減された画像を入力して認識タスクを実行する構成では、仮にこの画像を表示したとしても、ユーザは、認識タスクが出力した認識結果の妥当性を把握することができない。

【課題を解決するための手段】

【0006】

実施形態の信号処理装置は、特徴量推定部と、推論部と、を備える。特徴量推定部は、第１信号に第２信号が重畳された第３信号、または、第３信号を変換した第４信号である入力信号を入力し、入力信号に基づいて、第１信号の特徴量を推定する。推論部は、特徴量に基づいて推論を実行し推論結果を出力する。

【図面の簡単な説明】

【0007】

【図1】第１の実施形態にかかる信号処理装置のブロック図。

【図2】第１の実施形態における信号処理のフローチャート。

【図3】第２の実施形態にかかる信号処理装置のブロック図。

【図4】第２の実施形態における学習処理のフローチャート。

【図5】第３の実施形態にかかる信号処理装置のブロック図。

【図6】第３の実施形態の特徴量推定部のブロック図。

【図7】第３の実施形態における特徴量推定処理のフローチャート。

【図8】第４の実施形態にかかる信号処理装置のブロック図。

【図9】第４の実施形態の特徴量推定部のブロック図。

【図10】第４の実施形態における特徴量推定処理のフローチャート。

【図11】第５の実施形態にかかる信号処理装置のブロック図。

【図12】表示画面の一例を示す図。

【図13】表示画面を切り替える例を示す図。

【図14】第５の実施形態における信号処理のフローチャート。

【図15】第６の実施形態にかかる信号処理装置のブロック図。

【図16】判定部による処理の概要を説明する図。

【図17】第６の実施形態における信号処理のフローチャート。

【図18】第１から第６の実施形態にかかる信号処理装置のハードウェア図。

【発明を実施するための形態】

【0008】

以下に添付図面を参照して、この発明にかかる信号処理装置の好適な実施形態を詳細に説明する。

【0009】

以下の実施形態の信号処理装置は、例えば機器から得られる信号に基づいて、この機器の異常、故障または状態などを診断する装置（診断システム）に適用できる。このような診断システムとしては、例えばスイッチギヤの絶縁劣化時に生じる部分放電信号を解析して故障を診断するシステムなどが挙げられる。適用可能な装置（システム）はこれらに限られるものではない。例えば、音声信号に基づいて音声認識などのタスクを実行する装置に適用することもできる。

【0010】

（第１の実施形態）
第１の実施形態にかかる信号処理装置は、ノイズを含む入力信号のノイズを低減した信号を出力するのではなく、ノイズを含む入力信号のノイズを低減した信号の特徴量を出力する。そして第１の実施形態にかかる信号処理装置は、出力された特徴量を用いて認識タスク等を実行する。信号ではなく特徴量が出力されるため、認識タスク等の処理結果の妥当性をより適切に把握可能となる。

【0011】

図１は、第１の実施形態にかかる信号処理装置１００の構成の一例を示すブロック図である。図１に示すように、信号処理装置１００は、取得部１０１と、特徴量推定部１０２と、推論部１０３と、出力制御部１０４と、記憶部１２１と、を備えている。

【0012】

取得部１０１は、信号処理装置１００による各種処理で用いられる各種情報を取得する。例えば取得部１０１は、特徴量推定部１０２に入力する入力信号を取得する。入力信号は、対象信号（第１信号）に不要信号（第２信号）が重畳された信号（第３信号）、または、この信号（第３信号）を変換した信号（第４信号）である。対象信号に不要信号が重畳された信号は、例えば時系列信号などの１次元信号であってもよい。

【0013】

対象信号および不要信号は、例えば以下のような組み合わせがありうる。
組み合わせ１：
対象信号＝診断対象機器の絶縁破壊時に生じる部分放電信号（電気信号）
不要信号＝診断対象機器の周辺機器などから生じたノイズ
組み合わせ２：
対象信号＝対象としている話者の発話の音声信号
不要信号＝対象としている話者以外の発話の音声信号

【0014】

対象信号に不要信号が重畳された信号を変換した信号は、例えば、スペクトログラム、スカログラム、および、ケプストラムである。

【0015】

特徴量推定部１０２は、取得された入力信号に基づいて、対象信号の特徴量を推定する。特徴量推定部１０２は、例えば入力信号を入力し、対象信号の特徴量を出力するように学習されたモデル（第１学習モデル）を用いて、特徴量を推定する。特徴量推定部１０２のモデルは、例えばニューラルネットワーク、サポートベクタマシン（ＳＶＭ）、および、ランダムフォレストのいずれか、または、これらのうち２つ以上の組み合わせである。

【0016】

特徴量は、例えば、対象信号に含まれる複数の信号それぞれの頻度を表す頻度情報である。頻度情報は、例えば、φ－ｑ－ｎパターン、および、スペクトログラムである。特徴量は、入力信号の形式とは異なる形式とする。例えばスペクトログラムを入力信号として用いる場合は、特徴量推定部１０２は、この入力信号と異なる形式の頻度情報（例えばφ－ｑ－ｎパターン）を特徴量として推定する。頻度情報などの特徴量は、信号の特徴を表すため、例えば信号自体と比較して、推論処理の結果の妥当性をより適切に把握可能な情報である。例えばユーザは、正しく処理された場合の特徴量と、信号処理装置１００により得られた特徴量とを比較することにより、信号処理装置１００による処理の妥当性をより適切に把握できる。

【0017】

推論部１０３は、特徴量推定部１０２により推定された特徴量に基づいて推論を実行し推論結果を出力する。推論部１０３は、例えば特徴量を入力して推論結果を出力するように学習されたモデル（第２学習モデル）を用いて推論結果を出力する。推論部１０３のモデルは、例えばニューラルネットワーク、ＳＶＭ、および、ランダムフォレストのいずれか、または、これらのうち２つ以上の組み合わせである。

【0018】

推論部１０３が推論として、対象信号の分類または認識を行う場合、推論結果は、例えば分類または認識されたクラス（正解クラス）を表すベクトルまたはスカラー値である。推論部１０３が推論として、音声信号である対象信号のキャプショニングまたは機械翻訳を行う場合、推論結果は、例えば正解となる単語のインデックスを表すベクトルである。正解クラスおよび正解となる単語のインデックスなどの推論結果は、対象情報の属性を示す属性情報であると解釈することもできる。

【0019】

出力制御部１０４は、信号処理装置１００による各種処理で得られる各種情報の出力を制御する。例えば出力制御部１０４は、推論部１０３による推論結果、および、推論時に特徴量推定部１０２から出力された特徴量を、推論結果および特徴量を用いる外部の装置、表示装置、並びに、記憶部１２１などに出力する。表示装置は、信号処理装置１００内に備えられてもよい。

【0020】

記憶部１２１は、信号処理装置１００による各種処理で得られる各種情報を記憶する。例えば記憶部１２１は、取得部１０１により取得された各種情報、特徴量推定部１０２のモデルのパラメータ、および、推論部１０３のモデルのパラメータを記憶する。記憶部１２１は、フラッシュメモリ、メモリカード、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、および、光ディスクなどの一般的に利用されているあらゆる記憶媒体により構成することができる。

【0021】

記憶部１２１以外の各部（取得部１０１、特徴量推定部１０２、推論部１０３、および、出力制御部１０４）は、例えば、１または複数のプロセッサにより実現される。例えば上記各部は、ＣＰＵ（Central Processing Unit）などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣ（Integrated Circuit）などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。

【0022】

また信号処理装置１００は、物理的に１つの装置によって構成されてもよいし、物理的に複数の装置によって構成されてもよい。例えば信号処理装置１００は、クラウド環境上で構築されてもよい。また、信号処理装置１００内の各部を複数の装置に分散して備えてもよい。例えば、特徴量の推定に必要な機能（取得部１０１、特徴量推定部１０２など）を備える装置（例えば、診断対象機器）と、推論に必要な機能（推論部１０３など）を備える装置（例えば、サーバ装置など）と、を備えるように信号処理装置１００（信号処理システム）を構成してもよい。

【0023】

次に、このように構成された第１の実施形態にかかる信号処理装置１００による信号処理について説明する。図２は、第１の実施形態における信号処理の一例を示すフローチャートである。

【0024】

取得部１０１は、入力信号を取得する（ステップＳ１０１）。特徴量推定部１０２は、事前に学習された特徴量推定部１０２のモデルを用いて、取得された入力信号から特徴量を推定する（ステップＳ１０２）。推論部１０３は、事前に学習された推論部１０３のモデルを用いて、推定された特徴量を用いた推論を実行する（ステップＳ１０３）。出力制御部１０４は、推定された特徴量、および、推論部１０３による推論結果を出力する（ステップＳ１０４）。出力制御部１０４は、例えば表示装置に、推定された特徴量を出力（表示）する。例えばユーザは、表示された特徴量を参照することにより、推論部１０３による推論結果の妥当性を判断することができる。

【0025】

このように、第１の実施形態では、推論部による推論の前段の処理で、ノイズを含む入力信号のノイズを低減した信号の特徴量が出力される。また、この特徴量が出力制御部により出力される。これにより、推論部の推論結果の妥当性をより適切に把握可能となる。

【0026】

（第２の実施形態）
第２の実施形態にかかる信号処理装置は、特徴量推定部１０２のモデルおよび推論部１０３のモデルを学習する機能をさらに備える。

【0027】

図３は、第２の実施形態にかかる信号処理装置１００－２の構成の一例を示すブロック図である。図３に示すように、信号処理装置１００－２は、取得部１０１－２と、特徴量推定部１０２と、推論部１０３と、出力制御部１０４と、誤差算出部１０５－２と、更新部１０６－２と、記憶部１２１と、を備えている。

【0028】

第２の実施形態では、取得部１０１－２の機能、および、誤差算出部１０５－２と更新部１０６－２とを追加したことが第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態にかかる信号処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

【0029】

取得部１０１－２は、学習に用いられる正解信号をさらに取得する点が、第１の実施形態の取得部１０１と異なっている。例えば取得部１０１－２は、特徴量推定部１０２のモデルの学習に用いられる正解信号（第１正解信号）として、入力信号に含まれる対象信号の特徴量を取得する。また取得部１０１－２は、推論部１０３のモデルの学習に用いられる正解信号（第２正解信号）として、入力信号に含まれる対象信号の推論結果（正解クラスおよび正解となる単語のインデックスなど）を取得する。

【0030】

誤差算出部１０５－２は、学習に用いられる誤差を算出する。例えば誤差算出部１０５－２は、特徴量推定部１０２のモデルの学習に用いる誤差として、対象信号の特徴量を表す正解信号と、特徴量推定部１０２が推定した特徴量との誤差ＥＡ（第１誤差）を算出する。また、誤差算出部１０５－２は、推論部１０３のモデルの学習に用いる誤差として、特徴量に基づく推論の正解信号と、推論部１０３が出力した推論結果との誤差ＥＢ（第２誤差）を算出する。

【0031】

誤差算出部１０５－２は、上記２種類の誤差のうち、学習の対象とするモデルの学習に必要な誤差のみを算出してもよい。

【0032】

特徴量推定部１０２のモデルの学習に用いる誤差ＥＡは、例えば以下のうちいずれか、または、これらのうち２つ以上を組み合わせた指標とすることができる。
・Ｌ１ロス
・Ｌ２ロス
・Ｃｈａｒｂｏｎｎｉｅｒロス
・Ｈｕｂｅｒロス
・Ｂｒａｙ－Ｃｕｒｔｉｓ距離
・Ｃａｎｂｅｒｒａ距離
・Ｅａｒｔｈ Ｍｏｖｅｒ Ｄｉｓｔａｎｃｅ（Ｗａｓｓｅｒｓｔｅｉｎ Ｄｉｓｔａｎｃｅ）
・コサイン類似度
・Ｈｉｓｔｏｇｒａｍ Ｉｎｔｅｒｓｅｃｔｉｏｎ
・ＫＬ ｄｉｖｅｒｇｅｎｃｅ
・Ｊｓ ｄｉｖｅｒｇｅｎｃｅ

【0033】

推論部１０３のモデルの学習に用いる誤差ＥＢは、例えば交差エントロピーである。

【0034】

更新部１０６－２は、誤差算出部１０５－２により算出された誤差を用いて、対応するモデルのパラメータを更新する。例えば更新部１０６－２は、特徴量推定部１０２のモデルを学習する場合、誤差ＥＡおよび誤差ＥＢの少なくとも一方を用いて、誤差をより小さくするようにモデルのパラメータを更新する。また更新部１０６－２は、推論部１０３のモデルを学習する場合、誤差ＥＢを用いて、誤差をより小さくするようにモデルのパラメータを更新する。

【0035】

このように、更新部１０６－２は、誤差ＥＡと誤差ＥＢの少なくとも一方に基づいて特徴量推定部１０２のモデルのパラメータを更新する処理、および、誤差ＥＢに基づいて推論部１０３のモデルのパラメータを更新する処理、の少なくとも一方を実行する。

【0036】

学習方法は、使用するモデルに対して適応できるどのような方法であってもよい。例えばモデルがニューラルネットワークである場合、更新部１０６－２は、確率的勾配降下法によりニューラルネットワークのパラメータを更新することができる。

【0037】

次に、このように構成された第２の実施形態にかかる信号処理装置１００－２による学習処理について４を用いて説明する。図４は、第２の実施形態における学習処理の一例を示すフローチャートである。

【0038】

取得部１０１－２は、入力信号を取得する（ステップＳ２０１）。特徴量推定部１０２は、特徴量推定部１０２のモデルを用いて、取得された入力信号から特徴量を推定する（ステップＳ２０２）。推論部１０３は、推論部１０３のモデルを用いて、推定された特徴量を用いた推論を実行する（ステップＳ２０３）。

【0039】

更新部１０６－２は、特徴量推定部１０２のモデルの誤差を算出するか否かを判定する（ステップＳ２０４）。例えば更新部１０６－２は、特徴量推定部１０２のモデルおよび推論部１０３のモデルのいずれを学習するかを示す設定情報などを参照し、特徴量推定部１０２のモデルを学習することが設定されている場合に、特徴量推定部１０２のモデルの誤差を算出すると判定する。設定情報は、予め記憶部１２１などに記憶されてもよいし、ユーザなどにより指定されてもよい。

【0040】

特徴量推定部１０２のモデルの誤差を算出すると判定された場合（ステップＳ２０４：Ｙｅｓ）、取得部１０１－２は、特徴量推定部１０２のモデルの学習に用いられる正解信号としての特徴量を取得する（ステップＳ２０５）。正解信号は、例えば、ステップＳ２０１で取得された入力信号に対する正解として予め求められた信号である。誤差算出部１０５－２は、特徴量推定部１０２により推定された特徴量と、正解信号である特徴量との誤差ＥＡを算出する（ステップＳ２０６）。

【0041】

ステップＳ２０４からステップＳ２０６までの処理と独立に、推論部１０３のモデルに対して以下のステップＳ２０７からステップＳ２０９までの処理が実行される。なおこれらの処理は図４に示すように並列に実行されてもよい。一方の処理の後に他方の処理が実行されてもよい。

【0042】

更新部１０６－２は、推論部１０３のモデルの誤差を算出するか否かを判定する（ステップＳ２０７）。例えば更新部１０６－２は、設定情報などを参照し、推論部１０３のモデルを学習することが設定されている場合に、推論部１０３のモデルの誤差を算出すると判定する。

【0043】

推論部１０３のモデルの誤差を算出すると判定された場合（ステップＳ２０７：Ｙｅｓ）、取得部１０１－２は、推論部１０３のモデルの学習に用いられる正解信号としての推論結果を取得する（ステップＳ２０８）。誤差算出部１０５－２は、推論部１０３により出力された推論結果と、正解信号である推論結果との誤差ＥＢを算出する（ステップＳ２０９）。

【0044】

特徴量推定部１０２のモデルの誤差を算出しないと判定された場合（ステップＳ２０４：Ｎｏ）、推論部１０３のモデルの誤差を算出しないと判定された場合（ステップＳ２０７：Ｎｏ）、誤差ＥＡの算出後（ステップＳ２０６）、および、誤差ＥＢの算出後（ステップＳ２０９）、更新部１０６－２は、算出された誤差を用いて、学習すると指定されたモデルのパラメータを更新する（ステップＳ２１０）。

【0045】

例えば更新部１０６－２は、誤差ＥＡおよび誤差ＥＢの両方を用いて特徴量推定部１０２のモデルを学習することが指定されている場合、誤差ＥＡおよび誤差ＥＢの両方を含む誤差をより小さくするように、特徴量推定部１０２のモデルのパラメータを更新する。誤差ＥＡおよび誤差ＥＢの両方を含む誤差は、例えば、誤差ＥＡおよび誤差ＥＢの少なくとも一方に調整係数を乗算し、乗算後の誤差ＥＡおよび誤差ＥＢの和を求めることにより算出される。

【0046】

調整係数は、例えば、調整係数を乗算後の誤差ＥＡと誤差ＥＢにおいて、誤差ＥＡの方が大きくなるように値が設定される。誤差ＥＢが大きいと特徴量推定部１０２の学習が進まず、特徴量の精度が上がらない場合がある。誤差ＥＡの方が大きくなるように調整することにより、学習の停滞を防ぐことができる。また、特徴量推定部１０２の学習モデルのパラメータの更新回数が増えるにつれて、誤差ＥＢが大きくなるように調整係数を動的に設定してもよい。例えば、更新部１０６－２は、更新回数が増加するに従い、調整係数の乗算を行った後の誤差ＥＡが減少し、調整係数の乗算を行った後の誤差ＥＢが増加するように、調整係数の値を変更してもよい。これにより、特徴量の精度を維持しながら、推論部１０３が着目している部分を優先的に復元できるようになるため、解釈性の高い特徴量が出力されるようになる。

【0047】

更新部１０６－２は、誤差ＥＡおよび誤差ＥＢのいずれか一方を用いて特徴量推定部１０２のモデルを学習することが指定されている場合、指定された誤差をより小さくするように、特徴量推定部１０２のモデルのパラメータを更新する。この場合、調整係数は用いられない。

【0048】

また、更新部１０６－２は、誤差ＥＢを用いて推論部１０３のモデルを学習することが指定されている場合、誤差ＥＢをより小さくするように、推論部１０３のモデルのパラメータを更新する。

【0049】

特徴量推定部１０２のモデルおよび推論部１０３のモデルの両方を学習することが指定されている場合、更新部１０６－２は、両方のモデルを学習する。

【0050】

なお、誤差ＥＡが小さくなるように特徴量推定部１０２のモデルを学習することは、特徴量の復元精度が高くなるように特徴量推定部１０２のモデルを学習することを意味する。また、誤差ＥＢが小さくなるように推論部１０３のモデルを学習することは、推論精度が高くなるように推論部１０３のモデルを学習することを意味する。

【0051】

更新部１０６－２は、学習を終了するか否かを判定する（ステップＳ２１１）。例えば更新部１０６－２は、学習の繰り返しの回数が上限値に達したかなどにより、学習の終了を判定する。学習を終了しない場合（ステップＳ２１１：Ｎｏ）、ステップＳ２０１に戻り処理が繰り返される。学習を終了する場合（ステップＳ２１１：Ｙｅｓ）、図４の学習処理が終了する。

【0052】

このように、第２の実施形態にかかる信号処理装置では、ノイズを含んだ入力信号に対しても推論部１０３のモデルによる推論が可能となり、かつ、推論の判断根拠となる特徴量の復元精度が高くなるように各モデルを学習することができる。

【0053】

（第３の実施形態）
第３の実施形態では、特徴量推定部が２つ以上のモデルを用いて特徴量を推定する。以下では、２つのモデルを用いる例を説明するが、３以上のモデルについても同様の手順を適用できる。

【0054】

図５は、第３の実施形態にかかる信号処理装置１００－３の構成の一例を示すブロック図である。図５に示すように、信号処理装置１００－３は、取得部１０１と、特徴量推定部１０２－３と、推論部１０３と、出力制御部１０４と、記憶部１２１と、を備えている。

【0055】

第３の実施形態では、特徴量推定部１０２－３の機能が第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態にかかる信号処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

【0056】

図６は、特徴量推定部１０２－３の構成の一例を示すブロック図である。図６に示すように、特徴量推定部１０２－３は、推定部３０１、３０２と、加算部３０３と、を備えている。

【0057】

推定部３０１は、複数の特徴量推定用のモデルのうちの１つであるモデルＭＡを用いて特徴量を推定する。推定部３０２は、複数の特徴量推定用のモデルのうちモデルＭＡと異なるモデルＭＢを用いて特徴量を推定する。なお、複数の特徴量推定用のモデルの情報（パラメータなど）は、例えば記憶部１２１に記憶される。

【0058】

モデルＭＡおよびモデルＭＢは、例えば、構造は同じであるが異なるパラメータを有するように学習される。例えばモデルＭＡおよびモデルＭＢは、上記のような誤差ＥＡの複数の指標のうち相互に異なる指標に基づく２つの誤差に基づいて、同じ構造を持つモデルのパラメータをそれぞれ更新することにより求められる。モデルＭＡおよびモデルＭＢは、誤差ＥＡおよび誤差ＥＢの少なくとも一方に乗じる調整係数として相互に異なる値を用いて求められた２つの誤差に基づいて同じ構造を持つモデルのパラメータをそれぞれ更新することにより求められてもよい。

【0059】

例えばモデルＭＡが、誤差ＥＡの方が大きくなるように設定された調整係数を用いて学習され、モデルＭＢが、誤差ＥＢの方が大きくなるように設定された調整係数を用いて学習されてもよい。これにより、モデルＭＡは、特徴量の復元精度がより高くなるように学習されたモデルとなる。また、モデルＭＢは、推論精度がより高くなるように学習されたモデルとなる。

【0060】

加算部３０３は、１つ以上の重み係数に基づく加算処理を行う。例えば加算部３０３は、モデルＭＡに基づいて得られた特徴量ＦＡと、モデルＭＢに基づいて得られた特徴量ＦＢと、の少なくとも一方に重み係数を乗算し、特徴量ＦＡおよび特徴量ＦＢを要素ごとに加算した値を、入力信号に対する特徴量の推定結果として出力する。

【0061】

例えば加算部３０３は、以下の（１）式から（３）式のいずれかにより、モデルＭＡに基づく特徴量ＦＡと、モデルＭＢに基づく特徴量ＦＢとを加算した特徴量Ｆを算出する。α_１、β_１は重み係数である。
Ｆ＝α_１ＦＡ＋ＦＢ ・・・（１）
Ｆ＝ＦＡ＋α_１ＦＢ ・・・（２）
Ｆ＝α_１ＦＡ＋β_１ＦＢ ・・・（３）

【0062】

第３の実施形態にかかる信号処理装置１００－３による信号処理の全体の流れは、第１の実施形態にかかる信号処理装置１００の信号処理の例を示す図２と同様である。第３の実施形態では、例えば図２に示すような信号処理のステップＳ１０２（以下、特徴量推定処理という）の具体的な処理が第１の実施形態と異なる。図７は、第３の実施形態における特徴量推定処理の一例を示すフローチャートである。

【0063】

推定部３０１は、モデルＭＡに基づいて入力信号から特徴量を推定し、推定部３０２は、モデルＭＢに基づいて入力信号から特徴量を推定する（ステップＳ３０１）。加算部３０３は、推定部３０１および推定部３０２それぞれにより推定された複数の特徴量を重み付け加算し、入力信号に対する特徴量として出力する（ステップＳ３０２）。

【0064】

このように、第３の実施形態では、２つ以上のモデルを用いて特徴量が推定される。２つ以上のモデル、および、２つ以上のモデルにより推定された特徴量を重み付けする重み付け係数を適切に設定することにより、所望の特徴量の復元精度、および、所望の推論精度となるように信号処理装置を構成可能となる。

【0065】

（第４の実施形態）
第４の実施形態では、第３の実施形態同様に、特徴量推定部が２つ以上のモデルを用いて特徴量を推定する。第３の実施形態では、２つ以上のモデルにより推定された複数の特徴量を重み付け加算した。本実施形態では、２つ以上のモデルのパラメータを重み付け加算して１つのモデルを生成し、生成したモデルを用いて特徴量を推定する。以下では、２つのモデルを用いる例を説明するが、３以上のモデルについても同様の手順を適用できる。

【0066】

図８は、第４の実施形態にかかる信号処理装置１００－４の構成の一例を示すブロック図である。図８に示すように、信号処理装置１００－４は、取得部１０１と、特徴量推定部１０２－４と、推論部１０３と、出力制御部１０４と、記憶部１２１と、を備えている。

【0067】

第３の実施形態では、特徴量推定部１０２－４の機能が第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態にかかる信号処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

【0068】

図９は、特徴量推定部１０２－４の構成の一例を示すブロック図である。図９に示すように、特徴量推定部１０２－４は、加算部４０１と、推定部４０２と、を備えている。

【0069】

加算部４０１は、１つ以上の重み係数に基づく加算処理を行う。例えば加算部４０１は、複数の特徴量推定用のモデルのうちの２つであるモデルＭＡおよびモデルＭＢのパラメータを重み付け加算する。なお、複数の特徴量推定用のモデルの情報（パラメータなど）は、例えば記憶部１２１に記憶される。第３の実施形態と同様に、モデルＭＡおよびモデルＭＢは、例えば、構造は同じであるが異なるパラメータを有するように学習される。

【0070】

例えば加算部４０１は、以下の（４）式または（５）式により、モデルＭＡのパラメータｗ_１と、モデルＭＢのパラメータｗ_２とを加算したパラメータｗを算出する。α_２、β_２は重み係数である。
ｗ＝α_２ｗ_１＋（１－α_２）ｗ_２ ・・・（４）
ｗ＝α_２ｗ_１＋β_２ｗ_２ ・・・（５）

【0071】

なお、（４）式は、２つのモデルを重み係数α_２により内挿する式と解釈することができる。

【0072】

推定部４０２は、加算部４０１により得られたパラメータを有するモデルを用いて特徴量を推定し、入力信号に対する特徴量の推定結果として出力する。

【0073】

第４の実施形態にかかる信号処理装置１００－４による信号処理の全体の流れは、第１の実施形態にかかる信号処理装置１００の信号処理の例を示す図２と同様である。第４の実施形態では、例えば図２に示すような信号処理のステップＳ１０２（特徴量推定処理）の具体的な処理が第１の実施形態と異なる。図１０は、第４の実施形態における特徴量推定処理の一例を示すフローチャートである。

【0074】

加算部４０１は、例えば記憶部１２１から２つのモデルのモデル情報（パラメータなど）を取得し、２つのモデルのパラメータを重み付け加算する（ステップＳ４０１）。推定部４０２は、重み付け加算により得られたパラメータを有する１つのモデルに入力信号を入力し、特徴量を推定する（ステップＳ４０２）。

【0075】

このように、第４の実施形態では、２つ以上のモデルを用いて特徴量が推定される。２つ以上のモデル、および、２つ以上のモデルのパラメータを重み付けするときの重み付け係数を適切に設定することにより、所望の特徴量の復元精度、および、所望の推論精度となるように信号処理装置を構成可能となる。

【0076】

（第５の実施形態）
第５の実施形態にかかる信号処理装置は、モデルによる処理結果の妥当性（判断根拠等）をより適切に把握できるように、処理結果（特徴量、推論結果など）を出力する。

【0077】

図１１は、第５の実施形態にかかる信号処理装置１００－５の構成の一例を示すブロック図である。図１１に示すように、信号処理装置１００－５は、取得部１０１－５と、特徴量推定部１０２と、推論部１０３と、出力制御部１０４－５と、記憶部１２１－５と、を備えている。

【0078】

第５の実施形態では、取得部１０１－５、出力制御部１０４－５および記憶部１２１－５の機能が第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態にかかる信号処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

【0079】

記憶部１２１－５は、対象信号の特徴量と、この特徴量に基づく推論結果とを対応づけた複数の記憶データをさらに記憶する点が、第１の実施形態の記憶部１２１と異なっている。

【0080】

取得部１０１－５は、使用する重み係数、および、使用するモデルを指定する指定情報の少なくとも一方をさらに取得する点が、第１の実施形態の取得部１０１と異なっている。

【0081】

なお、重み係数は、例えば第３の実施形態、および、第４の実施形態で用いられる重み係数を意味する。従って、重み係数を用いる場合は、本実施形態の特徴量推定部１０２は、第３の実施形態の特徴量推定部１０２－３、または、第４の実施形態の特徴量推定部１０２－４に置き換えられる。

【0082】

出力制御部１０４－５は、モデルによる処理結果の妥当性を把握可能とするための表示情報を表示装置などに出力する機能をさらに備える。例えば出力制御部１０４－５は、取得された指定情報に応じて、特徴量推定部１０２により推定された特徴量、推論部１０３により出力された推論結果、記憶データに含まれる特徴量、および、記憶データに含まれる推論結果の少なくとも１つを表示する。

【0083】

例えば出力制御部１０４－５は、記憶部１２１－５に記憶された記憶データのうち、信号処理により得られる特徴量と類似する特徴量を含む１以上の記憶データを記憶部１２１－５から読み出し、読み出した記憶データを、信号処理により得られる特徴量および推論結果の少なくとも一方とともに表示する。

【0084】

図１２は、表示される画面の一例を示す図である。図１２は、特徴量としてφ－ｑ－ｎパターンを表示し、推論結果として分類されたクラスを表示する画面の例を示す。

【0085】

特徴量１２０１および推論結果１２０２は、それぞれ特徴量推定部１０２により推定された特徴量、および、推論部１０３により出力された推論結果を表す。これらの右に表示された特徴量１２１１ａ～１２１１ｃ、および、推論結果１２１２ａ～１２１２ｃは、記憶部１２１－５に記憶された記憶データのうち、特徴量１２０１に対する誤差が小さい（類似する）順に選択された３つの特徴量を含む記憶データに含まれる特徴量および推論結果である。類似する記憶データの個数は３に限られるものではない。

【0086】

出力制御部１０４－５は、図１２に示すように、各特徴量を表示する座標軸が一致するように各特徴量を表示してもよい。図１２では、φ－ｑ－ｎパターンである特徴量の横軸（位相φの軸）の基準を揃えて表示する例が示されている。

【0087】

また、出力制御部１０４－５は、指定された重み係数に応じて表示を変更してもよい。例えば出力制御部１０４－５は、指定情報で指定された重み係数を用いて信号処理が実行されたときの特徴量、および、推論結果を表示する。指定情報が変更された場合、出力制御部１０４－５は、変更後の指定情報で指定された重み係数を用いて信号処理が実行されたときの特徴量、および、推論結果で表示を切り替える。

【0088】

図１３は、表示画面を切り替える例を示す図である。スライドバー１３０２は、重み係数を指定するために用いられる。特徴量１３０１は、スライドバー１３０２で指定された重み係数を用いた処理で得られる特徴量を表す。例えばスライドバーが右に移動されるほど、重み係数を乗算後のモデルＭＢに基づく特徴量ＦＢの方がモデルＭＡに基づく特徴量ＦＡより大きくなるように重み係数の値が設定される。

【0089】

これにより、モデルＭＢの影響をより大きくした場合の特徴量を表示させることができる。図１３では、スライドバー１３１２に示すように重み係数の指定が変更されたときの特徴量１３１１の例が示されている。モデルＭＢが、推論精度がより高くなるように学習されたモデルである場合は、φ－ｑ－ｎパターンの各画素のうち、推論部１０３による推論で着目されている画素がより強調表示される。これにより、推論を実行するモデルの結果の妥当性（判断根拠等）をより適切に把握可能となる。

【0090】

なお、図１２と図１３の表示方法を組み合わせてもよい。例えば、出力制御部１０４－５は、図１２の特徴量１２０１の下に、図１３のようなスライドバー１３０２を表示し、重み係数を指定可能としてもよい。

【0091】

次に、このように構成された第５の実施形態にかかる信号処理装置１００－５による信号処理について図１４を用いて説明する。図１４は、第５の実施形態における信号処理の一例を示すフローチャートである。図１４は、重み係数を変更可能とする場合の表示処理を含む信号処理の例を示す。

【0092】

取得部１０１－５は、入力信号、および、使用するモデルを示す指定情報を取得する（ステップＳ５０１）。取得部１０１－５は、取得した指定情報を参照して、使用するモデルの個数が２以上であるかを判定する（ステップＳ５０２）。

【0093】

使用するモデルの個数が２以上である場合（ステップＳ５０２：Ｙｅｓ）、取得部１０１－５は、重み係数を示す指定情報を取得する（ステップＳ５０３）。特徴量推定部（特徴量推定部１０２－３または特徴量推定部１０２－４）は、指定されたモデルおよび重み係数を用いて、入力信号から特徴量を推定する（ステップＳ５０４）。この処理は、図７または図１０の特徴量推定処理に相当する。

【0094】

推論部１０３は、事前に学習された推論部１０３のモデルを用いて、推定された特徴量を用いた推論を実行する（ステップＳ５０５）。出力制御部１０４－５は、推定された特徴量、および、推論部１０３による推論結果を、例えば図１３に示すような表示画面により表示する（ステップＳ５０６）。

【0095】

取得部１０１－５は、例えば図１３に示すような表示画面で重み係数が変更されたか否かを判定する（ステップＳ５０７）。変更されず、例えば表示の終了などが指定された場合は（ステップＳ５０７：Ｎｏ）、信号処理が終了する。

【0096】

重み係数が変更された場合（ステップＳ５０７：Ｙｅｓ）、ステップＳ５０３に戻り、変更後の重み係数を用いて処理が繰り返される。すなわち、変更後の重み係数により表示が切り替えられる。

【0097】

ステップＳ５０２で使用するモデルの個数が２以上でない、すなわち、個数が１であると判定された場合（ステップＳ５０２：Ｎｏ）、特徴量推定部１０２は、指定されたモデルを用いて、入力信号から特徴量を推定する（ステップＳ５０８）。この処理は、図２のステップＳ１０２と同様の処理に相当する。

【0098】

推論部１０３は、事前に学習された推論部１０３のモデルを用いて、推定された特徴量を用いた推論を実行する（ステップＳ５０９）。出力制御部１０４－５は、推定された特徴量、および、推論部１０３による推論結果を、例えば図１２に示すような表示画面により表示する（ステップＳ５１０）。

【0099】

このように、第５の実施形態にかかる信号処理装置では、モデルによる処理結果の妥当性をより適切に把握できるように処理結果を出力することができる。

【0100】

（第６の実施形態）
第６の実施形態にかかる信号処理装置は、特徴量に基づいて推論を実行するか否かを判定する機能をさらに備える。

【0101】

図１５は、第６の実施形態にかかる信号処理装置１００－６の構成の一例を示すブロック図である。図８に示すように、信号処理装置１００－６は、取得部１０１と、特徴量推定部１０２と、判定部１０７－６と、推論部１０３と、出力制御部１０４と、記憶部１２１と、を備えている。

【0102】

第６の実施形態では、判定部１０７－６を追加したことが第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態にかかる信号処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

【0103】

判定部１０７－６は、特徴量推定部１０２により推定された特徴量に基づいて、推論部１０３による推論を実行するか否かを判定する。例えば特徴量として、対象信号に含まれる複数の信号それぞれの頻度を表す頻度情報（例えば、φ－ｑ－ｎパターン、および、スペクトログラム）が用いられる場合、判定部１０７－６は、頻度情報に含まれる各要素の総和（異常度）と、予め定められた閾値とを比較し、総和が閾値より大きい場合に、推論を実行すると判定する。

【0104】

絶縁破壊時に生じる部分放電信号を対象信号とする場合、頻度情報が少ないことは、部分放電信号が少ないことを意味する。このような場合は、推論を実行しても、故障を診断することができない。従って、総和が閾値より大きい場合にのみ推論を実行することで、不要な処理の実行を回避可能となる。

【0105】

図１６は、部分放電信号を対象信号とする場合の判定部１０７－６による処理の概要を説明する図である。特徴量１６０１、１６０２は、部分放電信号の頻度情報（φ－ｑ－ｎパターン）の例を示す。特徴量１６０１は、入力信号が定常信号のみでなく、異常信号（部分放電信号）を含む場合の特徴量に相当する。図１６に示すように、特徴量１６０１は、値が０より大きい要素を含む。各要素の総和が閾値より大きい場合は、図１６に示すように推論を実行すると判定され、推論部１０３による推論が実行される。

【0106】

一方、特徴量１６０２は、入力信号が定常信号のみを含む場合の特徴量に相当する。図１６に示すように、特徴量１６０２は、値が０より大きい要素を含まない。従って、頻度の総和が閾値以下となり、判定部１０７－６は、推論を実行しないと判定する。

【0107】

判定部１０７－６による判定方法は上記に限られるものではない。判定部１０７－６は、推論部１０３が不要な推論処理を回避するための他の判定基準、または、推論部１０３がより有効に推論処理を実施可能とするための判定基準により判定処理を実行してもよい。

【0108】

推論部１０３は、判定部１０７－６により推論を実行すると判定された場合に、特徴量推定部１０２により推定された特徴量に基づいて推論を実行し推論結果を出力する。

【0109】

次に、このように構成された第６の実施形態にかかる信号処理装置１００－６による信号処理について図１７を用いて説明する。図１７は、第６の実施形態における信号処理の一例を示すフローチャートである。

【0110】

ステップＳ６０１からステップＳ６０２は、第１の実施形態にかかる信号処理装置１００におけるステップＳ１０１からステップＳ２０２と同様の処理なので、その説明を省略する。

【0111】

判定部１０７－６は、ステップＳ６０２で推定された特徴量を用いて、推論部１０３による推論を実行するか判定する（ステップＳ６０３）。例えば、判定部１０７－６は、特徴量である頻度情報に含まれる各要素の総和が閾値より大きいか判定する。

【0112】

推論を実行しないと判定された場合（ステップＳ６０４：Ｎｏ）、信号処理が終了する。推論を実行すると判定された場合（ステップＳ６０４：Ｙｅｓ）、推論部１０３は、事前に学習された推論部１０３のモデルを用いて、推定された特徴量を用いた推論を実行する（ステップＳ６０５）。また、出力制御部１０４は、推論部１０３による推論結果を出力する（ステップＳ６０６）。

【0113】

このように、第６の実施形態の信号処理装置は、特徴量に基づいて推論を実行するか否かを判定する機能をさらに備える。これにより、不要な推論処理の実行を回避し、処理負荷を軽減することができる。

【0114】

以上説明したとおり、第１から第６の実施形態によれば、認識タスク等を実行するニューラルネットワークの処理結果の妥当性をより適切に把握可能となる。

【0115】

次に、第１から第６の実施形態にかかる信号処理装置のハードウェア構成について図１８を用いて説明する。図１８は、第１から第６の実施形態にかかる信号処理装置のハードウェア構成例を示す説明図である。

【0116】

第１から第６の実施形態にかかる信号処理装置は、ＣＰＵ（Central Processing Unit）５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ（Random Access Memory）５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、各部を接続するバス６１を備えている。

【0117】

第１から第６の実施形態にかかる信号処理装置で実行されるプログラムは、ＲＯＭ５２等に予め組み込まれて提供される。

【0118】

第１から第６の実施形態にかかる信号処理装置で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータプログラムプロダクトとして提供されるように構成してもよい。

【0119】

さらに、第１から第６の実施形態にかかる信号処理装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、第１から第６の実施形態にかかる信号処理装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

【0120】

第１から第６の実施形態にかかる信号処理装置で実行されるプログラムは、コンピュータを上述した信号処理装置の各部として機能させうる。このコンピュータは、ＣＰＵ５１がコンピュータ読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。

【0121】

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【符号の説明】

【0122】

１００、１００－２、１００－３、１００－４、１００－５、１００－６ 信号処理装置
１０１、１０１－２、１０１－５ 取得部
１０２、１０２－３、１０２－４ 特徴量推定部
１０３ 推論部
１０４、１０４－５ 出力制御部
１０５－２ 誤差算出部
１０６－２ 更新部
１０７－６ 判定部
１２１、１２１－５ 記憶部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】