ホーム > 特許ランキング > 三菱電機ソフトウエア株式会社
知財求人 - 知財ポータルサイト「IP Force」
(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】2024-11-18
(45)【発行日】2024-11-26
(54)【発明の名称】情報処理装置、情報処理プログラムおよび情報処理方法
(51)【国際特許分類】
G01V 1/30 20060101AFI20241119BHJP
G01M 99/00 20110101ALI20241119BHJP
G01H 1/00 20060101ALI20241119BHJP
【ＦＩ】
G01V1/30
G01M99/00 Z
G01H1/00 E
【請求項の数】
18
(21)【出願番号】P 2023044465
(22)【出願日】2023-03-20
(65)【公開番号】P2024134258
(43)【公開日】2024-10-03
【審査請求日】2023-10-12
(73)【特許権者】
【識別番号】591102095
【氏名又は名称】三菱電機ソフトウエア株式会社
(74)【代理人】
【識別番号】110002491
【氏名又は名称】弁理士法人クロスボーダー特許事務所
(72)【発明者】
【氏名】下野 五月
(72)【発明者】
【氏名】杉本 賢司
【審査官】佐々木 崇
(56)【参考文献】
【文献】特開平１０－２５３７６６（ＪＰ，Ａ）
【文献】特開２０１４－１７８２２６（ＪＰ，Ａ）
【文献】特開平０４－１０９１８９（ＪＰ，Ａ）
【文献】特開平１１－１１８９３９（ＪＰ，Ａ）
【文献】特開２０１０－０８５１００（ＪＰ，Ａ）
【文献】特開２００３－０５７３５７（ＪＰ，Ａ）
【文献】特開２０２０－１０１４１５（ＪＰ，Ａ）
【文献】国際公開第０２／０３１５３７（ＷＯ，Ａ１）
【文献】韓国登録特許第２０２５８６９（ＫＲ，Ｂ１）
【文献】生駒哲一，ピーク周波数による非定常スペクトル解析，統計数理，1996年06月，第44巻第2号，235-249，https://www.ism.ac.jp/editsec/toukei/pdf/44-2-235.pdf，[2024年6月5日検索]
【文献】横田 崇 他，地震波データの自動検測方式とオンライン処理システムにおける稼働実験，地震研究所彙報，1981年07月31日，55巻，449-484頁，https://repository.dl.itc.u-tokyo.ac.jp/record/33017/files/ji0563003.pdf，[2023年12月25日検索]
【文献】鎌谷 紀子 他，自己回帰モデルによるスペクトル解析 －地盤増幅率の周波数特性評価への適用－，日本地球惑星科学連合2022年大会 ポスター発表，2022年05月31日，https://confit.atlas.jp/guide/event-img/jpgu2022/SCG55-P02/public/pdf?type=in，[2023年12月25日検索]
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｈ １／００－１７／００
Ｇ０１Ｍ１３／００－１３／０４５
９９／００
Ｇ０１Ｖ １／００－９９／００
(57)【特許請求の範囲】
【請求項1】
地動に起因する振幅を計算する振幅計算部と、自己回帰モデルを用いて、前記振幅から周波数特性をリアルタイムに計算する周波数解析部と、
前記周波数特性を用いることにより、前記振幅が地震波に起因するか、前記振幅が前記地震波に起因しない地動を示すノイズに起因するかを識別するノイズ識別部と、
を備える情報処理装置。
【請求項2】
前記情報処理装置は、さらに、前記周波数特性から前記振幅の卓越周波数を計算する卓越周波数計算部を備え、
前記ノイズ識別部は、
前記卓越周波数を利用することにより、前記ノイズを識別する請求項１に記載の情報処理装置。
【請求項3】
前記情報処理装置は、さらに、前記周波数特性の示すスペクトルの一定値関数への近さの指標値であるスペクトル幅指標値を計算するスペクトル幅指標値計算部を備え、
前記ノイズ識別部は、
前記スペクトル幅指標値を利用することにより、前記ノイズを識別する請求項１または請求項２に記載の情報処理装置。
【請求項4】
前記情報処理装置は、さらに、前記地動の最大振幅指標値を計算する最大振幅指標値計算部を備え、
前記ノイズ識別部は、
前記スペクトル幅指標値と前記最大振幅指標値とを利用することにより、前記ノイズを識別する請求項３に記載の情報処理装置。
【請求項5】
前記情報処理装置は、さらに、前記周波数特性から前記振幅の卓越周波数を計算する卓越周波数計算部を備え、
前記ノイズ識別部は、
前記卓越周波数と、前記スペクトル幅指標値と、前記最大振幅指標値とを利用することにより、前記ノイズを識別する請求項４に記載の情報処理装置。
【請求項6】
コンピュータに、地動に起因する振幅を計算する振幅計算処理と、
自己回帰モデルを用いて、前記振幅から周波数特性をリアルタイムに計算する周波数解析処理と、
前記周波数特性を用いることにより、前記振幅が地震波に起因するか、前記振幅が前記地震波に起因しない地動を示すノイズに起因するかを識別するノイズ識別処理と、
を実行させる情報処理プログラム。
【請求項7】
前記情報処理プログラムは、さらに、前記周波数特性から前記振幅の卓越周波数を計算する卓越周波数計算処理を備え、
前記ノイズ識別処理は、
前記卓越周波数を利用することにより、前記ノイズを識別する請求項６に記載の情報処理プログラム。
【請求項8】
前記情報処理プログラムは、さらに、前記周波数特性の示すスペクトルの一定値関数への近さの指標値であるスペクトル幅指標値を計算するスペクトル幅指標値計算処理を備え、
前記ノイズ識別処理は、
前記スペクトル幅指標値を利用することにより、前記ノイズを識別する請求項６または請求項７に記載の情報処理プログラム。
【請求項9】
前記情報処理プログラムは、さらに、前記地動の最大振幅指標値を計算する最大振幅指標値計算処理を備え、
前記ノイズ識別処理は、
前記スペクトル幅指標値と前記最大振幅指標値とを利用することにより、前記ノイズを識別する請求項８に記載の情報処理プログラム。
【請求項10】
前記情報処理プログラムは、さらに、前記周波数特性から前記振幅の卓越周波数を計算する卓越周波数計算処理を備え、
前記ノイズ識別処理は、
前記卓越周波数と、前記スペクトル幅指標値と、前記最大振幅指標値とを利用することにより、前記ノイズを識別する請求項９に記載の情報処理プログラム。
【請求項11】
コンピュータが、地動に起因する振幅を計算し、
自己回帰モデルを用いて、前記振幅から周波数特性をリアルタイムに計算し、
前記周波数特性を用いることにより、前記振幅が地震波に起因するか、前記振幅が前記地震波に起因しない地動を示すノイズに起因するかを識別する、
情報処理方法。
【請求項12】
前記コンピュータは、前記周波数特性から前記振幅の卓越周波数を計算し、
前記卓越周波数を利用することにより、前記ノイズを識別する請求項１１に記載の情報処理方法。
【請求項13】
前記コンピュータは、前記周波数特性の示すスペクトルの一定値関数への近さの指標値であるスペクトル幅指標値を計算し、
前記スペクトル幅指標値を利用することにより、前記ノイズを識別する請求項１１または請求項１２に記載の情報処理方法。
【請求項14】
前記コンピュータは、前記地動の最大振幅指標値を計算し、
前記スペクトル幅指標値と前記最大振幅指標値とを利用することにより、前記ノイズを識別する請求項１３に記載の情報処理方法。
【請求項15】
前記コンピュータは、前記周波数特性から前記振幅の卓越周波数を計算し、
前記卓越周波数と、前記スペクトル幅指標値と、前記最大振幅指標値とを利用することにより、前記ノイズを識別する請求項１４に記載の情報処理方法。
【請求項16】
地動に起因する振幅を計算する振幅計算部と、前記振幅から周波数特性をリアルタイムに計算する周波数解析部と、
前記周波数特性の示すスペクトルの一定値関数への近さの指標値であるスペクトル幅指標値を計算するスペクトル幅指標値計算部と、
前記地動の最大振幅指標値を計算する最大振幅指標値計算部と、
前記スペクトル幅指標値と前記最大振幅指標値とを用いることにより、前記振幅が地震波に起因するかノイズに起因するかを識別するノイズ識別部と、
を備える情報処理装置。
【請求項17】
コンピュータに、地動に起因する振幅を計算する振幅計算処理と、
前記振幅から周波数特性をリアルタイムに計算する周波数解析処理と、
前記周波数特性の示すスペクトルの一定値関数への近さの指標値であるスペクトル幅指標値を計算するスペクトル幅指標値計算処理と、
前記地動の最大振幅指標値を計算する最大振幅指標値計算処理と、
前記スペクトル幅指標値と前記最大振幅指標値とを用いることにより、前記振幅が地震波に起因するかノイズに起因するかを識別するノイズ識別処理と、
を実行させる情報処理プログラム。
【請求項18】
コンピュータが、地動に起因する振幅を計算し、
前記振幅から周波数特性をリアルタイムに計算し、
前記周波数特性の示すスペクトルの一定値関数への近さの指標値であるスペクトル幅指標値を計算し、
前記地動の最大振幅指標値を計算し、
前記スペクトル幅指標値と前記最大振幅指標値とを用いることにより、前記振幅が地震波に起因するかノイズに起因するかを識別する、
情報処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、地動センサが観測した観測データの時系列が、地震動によるものかノイズによるものかを識別する地震計に関する。
【背景技術】
【0002】
地震計は、地震発生直後に即時的な被害推定を行い、被害を未然に防ぐための装置である。地震計は、ノイズによる被害の誤推定をなくす必要がある。このため、観測した地動が地震によるものかノイズによるものか、を識別する必要がある。
【0003】
ノイズ識別法として、特許文献１は、観測データの高周波成分と低周波成分との比を用いることにより、車両等の走行に起因する高周波の雑振動ノイズを識別する方法を開示する。また、特許文献２は、振幅の急激な立ち上がりを検出する仕組みを利用して、電磁波や落雷等に起因する大振幅のパルス性ノイズを識別する方法を開示する。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１４－３８０６５号公報
【文献】特許第５５３４６６９号
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかし、特許文献１に開示された技術では、周波数成分の帯域が広く低周波成分もある程度含まれる雑振動ノイズが、地震動と誤判定され得るという課題がある。特許文献２に開示された技術では、振幅の立ち上がりが急激な直下型地震による地動に対して、立ち上がりの急激さと振幅の大きさを同時に特徴づけることができない。このため、地震動がノイズと誤判定され得るという課題がある。
【0006】
本開示は、雑振動ノイズをノイズと正しく識別し、直下型地震による地震動を地震動と正しく識別する地震計の提供を目的とする。
【課題を解決するための手段】
【0007】
本開示に係る情報処理装置は、
地動に起因する振幅を計算する振幅計算部と、
自己回帰モデルを用いて、前記振幅から周波数特性をリアルタイムに計算する周波数解析部と、
前記周波数特性を用いることにより、前記振幅が地震波に起因するかノイズに起因するかを識別するノイズ識別部と、
を備える。
地動に起因する振幅を計算する振幅計算部と、
自己回帰モデルを用いて、前記振幅から周波数特性をリアルタイムに計算する周波数解析部と、
前記周波数特性を用いることにより、前記振幅が地震波に起因するかノイズに起因するかを識別するノイズ識別部と、
を備える。
【発明の効果】
【0008】
本開示に係る情報処理装置は、周波数解析部およびノイズ識別部を備えるので、雑振動ノイズをノイズと正しく識別し、直下型地震による地震動を地震動と正しく識別する装置を提供できる。
【図面の簡単な説明】
【0009】
【図1】実施の形態１の図で、地震計３０のシステム構成図。
【図2】実施の形態１の図で、情報処理装置２０の機能ブロック図。
【図3】実施の形態１の図で、情報処理装置２０によるノイズ識別処理の動作を示すフローチャート。
【図4】実施の形態１の図で、情報処理装置２０のハードウェア構成図。
【発明を実施するための形態】
【0010】
実施の形態の説明および図面において、同じ要素および対応する要素には同じ符号を付している。同じ符号が付された要素の説明は、適宜に省略または簡略化する。以下の実施の形態では、「部」を、「回路」、「プロセス」、「ステップ」、「処理」または「サーキットリー」に適宜読み替えてもよい。
【0011】
以下に実施の形態１で使用する記号をまとめておく。
【0012】
式１から式１４以外の記載において、以下ではＬの小文字ｌを数字の１と区別するためｌ＊と表記する。
【0013】
＜インデックス及び送受信されるデータ＞
（１）ｌ＊：ｌ＊はサンプリングごとにカウントアップするカウンタである。
（２）ｍ：ｍはＡＲモデルのインデックスである。
（３）ｆ：ｆは周波数（Ｈｚ）である。
（４）Ｄｇ（ｌ＊）：Ｄｇ（ｌ＊）は観測デジタルデータである。
（５）ｘ（ｌ＊）：ｘ（ｌ＊）は物理的単位の振幅データである。
（６）φＳｍ（ｌ＊）：φＳｍ（ｌ＊）はＡＲモデルのＡＲ係数である（ｍ＝１，・・・，Ｍ）。
（７）σＳ２（ｌ＊）：σＳｊ ２（ｌ＊）はＡＲモデルによる振幅データの推定誤差の分散である。
（８）ＰＳ（ｌ＊，ｆ）：ＰＳ（ｌ＊，ｆ）はＡＲモデルによるランニングスペクトルである。
（９）ｆＳｄ（ｌ＊）：ｆＳｄ（ｌ＊）は卓越周波数である。
（１０）Ｗ（ｌ＊）：Ｗ（ｌ＊）はスペクトル幅指標値である。
（１１）ＭＡＸ（ｌ＊）：ＭＡＸ（ｌ＊）は最大振幅指標値である。
（１２）Ｆｎ：Ｆｎはノイズ識別結果（真偽値とし、真はノイズ、偽はノイズではないことを示す）である。
（１）ｌ＊：ｌ＊はサンプリングごとにカウントアップするカウンタである。
（２）ｍ：ｍはＡＲモデルのインデックスである。
（３）ｆ：ｆは周波数（Ｈｚ）である。
（４）Ｄｇ（ｌ＊）：Ｄｇ（ｌ＊）は観測デジタルデータである。
（５）ｘ（ｌ＊）：ｘ（ｌ＊）は物理的単位の振幅データである。
（６）φＳｍ（ｌ＊）：φＳｍ（ｌ＊）はＡＲモデルのＡＲ係数である（ｍ＝１，・・・，Ｍ）。
（７）σＳ２（ｌ＊）：σＳｊ ２（ｌ＊）はＡＲモデルによる振幅データの推定誤差の分散である。
（８）ＰＳ（ｌ＊，ｆ）：ＰＳ（ｌ＊，ｆ）はＡＲモデルによるランニングスペクトルである。
（９）ｆＳｄ（ｌ＊）：ｆＳｄ（ｌ＊）は卓越周波数である。
（１０）Ｗ（ｌ＊）：Ｗ（ｌ＊）はスペクトル幅指標値である。
（１１）ＭＡＸ（ｌ＊）：ＭＡＸ（ｌ＊）は最大振幅指標値である。
（１２）Ｆｎ：Ｆｎはノイズ識別結果（真偽値とし、真はノイズ、偽はノイズではないことを示す）である。
【0014】
＜内部変数＞
（１）μＳ（ｌ＊）：μＳ（ｌ＊）はＡＲモデルによる平均である。
（２）ＣＳｍ（ｌ＊）：ＣＳｍ（ｌ＊）はＡＲモデルによる共分散関数である（ｍ＝０，・・・，Ｍ）。
（３）ｘＳ（ｌ＊）：ｘＳｊ（ｌ＊）はＡＲモデルによる振幅データの推定値である。
（４）Ｑ：ＱはＡＲモデルの特性根の個数である。
（５）ｚＳｑ（ｌ＊）：ｚＳｑ（ｌ＊）はＡＲモデルの特性根である（ｑ＝１，・・・，Ｑ）。
（６）ｆＳｑ（ｌ＊）：ｆＳｑ（ｌ＊）はＡＲモデルによるランニングスペクトルのピーク周波数である（ｑ＝１，・・・，Ｑ）。
（７）ＰＳｑ（ｌ＊）：ＰＳｑ（ｌ＊）はＡＲモデルによるランニングスペクトルのピーク値である（ｑ＝１，・・・，Ｑ）。
（１）μＳ（ｌ＊）：μＳ（ｌ＊）はＡＲモデルによる平均である。
（２）ＣＳｍ（ｌ＊）：ＣＳｍ（ｌ＊）はＡＲモデルによる共分散関数である（ｍ＝０，・・・，Ｍ）。
（３）ｘＳ（ｌ＊）：ｘＳｊ（ｌ＊）はＡＲモデルによる振幅データの推定値である。
（４）Ｑ：ＱはＡＲモデルの特性根の個数である。
（５）ｚＳｑ（ｌ＊）：ｚＳｑ（ｌ＊）はＡＲモデルの特性根である（ｑ＝１，・・・，Ｑ）。
（６）ｆＳｑ（ｌ＊）：ｆＳｑ（ｌ＊）はＡＲモデルによるランニングスペクトルのピーク周波数である（ｑ＝１，・・・，Ｑ）。
（７）ＰＳｑ（ｌ＊）：ＰＳｑ（ｌ＊）はＡＲモデルによるランニングスペクトルのピーク値である（ｑ＝１，・・・，Ｑ）。
【0015】
＜パラメータ＞
（１）ｆｓ：ｆｓは観測デジタルデータのサンプリング周波数（Ｈｚ）である。
（２）Ｃｆ：Ｃｆは物理値換算係数である。
（３）Ｍ：ＭはＡＲモデルの次数である。
（４）ｒＳ：ｒＳはＡＲモデルの忘却係数である。ランニングスペクトルの平滑化のウィンドウサイズを決める係数であり、ｒＳが大きいほどウィンドウサイズが小さく短時間平均となる。
（５）Ｎｗ：Ｎｗはスペクトル幅指標値を計算するためのサンプル数である。
（６）ｆｗ１：ｆｗ１はスペクトル幅指標値を計算するための周波数の下限（Ｈｚ）である。
（７）ｆｗ２：ｆｗ２はスペクトル幅指標値を計算するための周波数の上限（Ｈｚ）である。
（８）Ｎｍａｘ：Ｎｍａｘは最大振幅指標値を計算するためのサンプル数である。
（９）ｆｍａｘ１：ｆｍａｘ１は最大振幅指標値を計算するための周波数の下限（Ｈｚ）である。
（１０）ｆｍａｘ２：ｆｍａｘ２は最大振幅指標値を計算するための周波数の上限（Ｈｚ）である。
（１１）ＴＭＮ：ＴＭＮはノイズの識別において高周波の雑振動ノイズを識別するための閾値である。
（１２）ＴＰＮａ：ＴＰＮａはノイズの識別において大振幅のパルス性ノイズを識別するための第１閾値である。
（１３）ＴＰＮｂ：ＴＰＮｂはノイズの識別において大振幅のパルス性ノイズを識別するための第２閾値である。
（１）ｆｓ：ｆｓは観測デジタルデータのサンプリング周波数（Ｈｚ）である。
（２）Ｃｆ：Ｃｆは物理値換算係数である。
（３）Ｍ：ＭはＡＲモデルの次数である。
（４）ｒＳ：ｒＳはＡＲモデルの忘却係数である。ランニングスペクトルの平滑化のウィンドウサイズを決める係数であり、ｒＳが大きいほどウィンドウサイズが小さく短時間平均となる。
（５）Ｎｗ：Ｎｗはスペクトル幅指標値を計算するためのサンプル数である。
（６）ｆｗ１：ｆｗ１はスペクトル幅指標値を計算するための周波数の下限（Ｈｚ）である。
（７）ｆｗ２：ｆｗ２はスペクトル幅指標値を計算するための周波数の上限（Ｈｚ）である。
（８）Ｎｍａｘ：Ｎｍａｘは最大振幅指標値を計算するためのサンプル数である。
（９）ｆｍａｘ１：ｆｍａｘ１は最大振幅指標値を計算するための周波数の下限（Ｈｚ）である。
（１０）ｆｍａｘ２：ｆｍａｘ２は最大振幅指標値を計算するための周波数の上限（Ｈｚ）である。
（１１）ＴＭＮ：ＴＭＮはノイズの識別において高周波の雑振動ノイズを識別するための閾値である。
（１２）ＴＰＮａ：ＴＰＮａはノイズの識別において大振幅のパルス性ノイズを識別するための第１閾値である。
（１３）ＴＰＮｂ：ＴＰＮｂはノイズの識別において大振幅のパルス性ノイズを識別するための第２閾値である。
【0016】
【0017】
＊＊＊構成の説明＊＊＊
図１は、地震計３０のシステム構成図である。地震計３０は、地動センサ１０と情報処理装置２０を備える。地震計３０は、ネットワーク５０を介して外部装置４０と通信可能である。
図１は、地震計３０のシステム構成図である。地震計３０は、地動センサ１０と情報処理装置２０を備える。地震計３０は、ネットワーク５０を介して外部装置４０と通信可能である。
【0018】
図２は、情報処理装置２０のブロック構成である。情報処理装置２０は、機能要素として、振幅計算部２１、周波数解析部２２、卓越周波数計算部２６、スペクトル幅指標値計算部２７、最大振幅指標値計算部２８、ノイズ識別部２９を備えている。
【0019】
＊＊＊動作の説明＊＊＊
図３は、情報処理装置２０によるノイズ識別処理の動作を示すフローチャートである。図３を参照して情報処理装置２０の動作を説明する。情報処理装置２０の動作は、情報処理方法に相当する。また情報処理方法の動作は、後述の情報処理プログラム２３１よる処理に相当する。図３では、情報処理装置２０の動作をプロセスＰ２０１からプロセスＰ２０６として示している。情報処理装置２０は、サンプリング周波数ｆｓの逆数（ｆｓ）－１の時間間隔で、地動センサ１０から観測デジタルデータとして地動を取得する。地動とは大地の震動であり、地動のうち地震に由来する大地の震動を「地震動」という。以下、逆数（ｆｓ）－１をサンプリング間隔という。サンプリングごとに、情報処理装置２０はノイズ識別処理を行う。
図３は、情報処理装置２０によるノイズ識別処理の動作を示すフローチャートである。図３を参照して情報処理装置２０の動作を説明する。情報処理装置２０の動作は、情報処理方法に相当する。また情報処理方法の動作は、後述の情報処理プログラム２３１よる処理に相当する。図３では、情報処理装置２０の動作をプロセスＰ２０１からプロセスＰ２０６として示している。情報処理装置２０は、サンプリング周波数ｆｓの逆数（ｆｓ）－１の時間間隔で、地動センサ１０から観測デジタルデータとして地動を取得する。地動とは大地の震動であり、地動のうち地震に由来する大地の震動を「地震動」という。以下、逆数（ｆｓ）－１をサンプリング間隔という。サンプリングごとに、情報処理装置２０はノイズ識別処理を行う。
【0020】
＜プロセスＰ２０１：観測データの振幅を計算＞
（１）振幅計算部２１は、地動センサ１０から、地動センサ１０の観測した地動の観測デジタルデータＤｇ（ｌ＊）を取得する。観測デジタルデータＤｇ（ｌ＊）は地動である。（２）振幅計算部２１は、式１で、取得した観測デジタルデータＤｇ（ｌ＊）に基づき、地動の振幅データｘ（ｌ＊）を計算する。
ｘ（ｌ＊）：振幅データ
Ｄｇ（ｌ＊）：観測デジタルデータ
Ｃｆ：物理値換算係数
（１）振幅計算部２１は、地動センサ１０から、地動センサ１０の観測した地動の観測デジタルデータＤｇ（ｌ＊）を取得する。観測デジタルデータＤｇ（ｌ＊）は地動である。（２）振幅計算部２１は、式１で、取得した観測デジタルデータＤｇ（ｌ＊）に基づき、地動の振幅データｘ（ｌ＊）を計算する。
【数1】
Ｄｇ（ｌ＊）：観測デジタルデータ
Ｃｆ：物理値換算係数
【0021】
＜プロセスＰ２０２：周波数特性を計算＞
周波数解析部２２は、初めに、振幅データｘ（ｌ＊）の時系列に対して、時間平均による平滑化を行う。次に、それを自己回帰モデルで表現することにより、振幅データの時間平均されたランニングスペクトルを計算する。以下、自己回帰モデルは、ＡＲモデルという。
周波数特性とは、下記に示す、ＡＲモデルのＡＲ係数φＳｍ（ｌ＊）、ＡＲモデルによる振幅データの推定誤差の分散σＳ２（ｌ＊）及びＡＲモデルによるランニングスペクトルＰＳ（ｌ＊，ｆ）を合わせたものを指す。
（１）周波数解析部２２は、式２で、ＡＲモデルによる平均μＳ（ｌ＊）を計算する。
μＳ（ｌ＊）：ＡＲモデルによる平均
ｒＳ：ＡＲモデルの忘却係数
ｘ（ｌ＊）：振幅データ
（２）周波数解析部２２は、式３で、ＡＲモデルによる共分散関数ＣＳｍ（ｌ＊）を計算する。
ＣＳｍ（ｌ＊）：ＡＲモデルによる共分散関数
ｒＳ：ＡＲモデルの忘却係数
ｘ（ｌ＊）：振幅データ
μＳ（ｌ＊）：ＡＲモデルによる平均
（３）周波数解析部２２は、式４のＭ次連立方程式（ユールウォーカー方程式）を解いて、ＡＲモデルのＡＲ係数φＳｍ（ｌ＊）を計算する
ＣＳｍ（ｌ＊）：ＡＲモデルによる共分散関数
φＳｍ（ｌ＊）：ＡＲモデルのＡＲ係数
Ｍ：ＡＲモデルの次数
（４）周波数解析部２２は、式５及び式６で、ＡＲモデルによる振幅データの推定値ｘＳ（ｌ＊）及びＡＲモデルによる振幅データの推定誤差の分散σＳ２（ｌ＊）を計算する。
ｘ（ｌ＊）：振幅データ
μＳ（ｌ＊）：ＡＲモデルによる平均
φＳｍ（ｌ＊）：ＡＲモデルのＡＲ係数
ｘＳ（ｌ＊）：ＡＲモデルによる振幅データの推定値
σＳ２（ｌ＊）：ＡＲモデルによる振幅データの推定誤差の分散
Ｍ：ＡＲモデルの次数
ｒＳ：ＡＲモデルの忘却係数
（５）周波数解析部２２は、式７で、ＡＲモデルによるランニングスペクトルＰＳ（ｌ＊，ｆ）を計算する。
ＰＳ（ｌ＊，ｆ）：ＡＲモデルによるランニングスペクトル
σＳ２（ｌ＊）：ＡＲモデルによる振幅データの推定誤差の分散
φＳｍ：ＡＲモデルのＡＲ係数
ｆ：周波数
ｆｓ：サンプリング周波数
Ｍ：ＡＲモデルの次数
周波数解析部２２は、初めに、振幅データｘ（ｌ＊）の時系列に対して、時間平均による平滑化を行う。次に、それを自己回帰モデルで表現することにより、振幅データの時間平均されたランニングスペクトルを計算する。以下、自己回帰モデルは、ＡＲモデルという。
周波数特性とは、下記に示す、ＡＲモデルのＡＲ係数φＳｍ（ｌ＊）、ＡＲモデルによる振幅データの推定誤差の分散σＳ２（ｌ＊）及びＡＲモデルによるランニングスペクトルＰＳ（ｌ＊，ｆ）を合わせたものを指す。
（１）周波数解析部２２は、式２で、ＡＲモデルによる平均μＳ（ｌ＊）を計算する。
【数2】
ｒＳ：ＡＲモデルの忘却係数
ｘ（ｌ＊）：振幅データ
（２）周波数解析部２２は、式３で、ＡＲモデルによる共分散関数ＣＳｍ（ｌ＊）を計算する。
【数3】
ｒＳ：ＡＲモデルの忘却係数
ｘ（ｌ＊）：振幅データ
μＳ（ｌ＊）：ＡＲモデルによる平均
（３）周波数解析部２２は、式４のＭ次連立方程式（ユールウォーカー方程式）を解いて、ＡＲモデルのＡＲ係数φＳｍ（ｌ＊）を計算する
【数4】
φＳｍ（ｌ＊）：ＡＲモデルのＡＲ係数
Ｍ：ＡＲモデルの次数
（４）周波数解析部２２は、式５及び式６で、ＡＲモデルによる振幅データの推定値ｘＳ（ｌ＊）及びＡＲモデルによる振幅データの推定誤差の分散σＳ２（ｌ＊）を計算する。
【数5】
【数6】
μＳ（ｌ＊）：ＡＲモデルによる平均
φＳｍ（ｌ＊）：ＡＲモデルのＡＲ係数
ｘＳ（ｌ＊）：ＡＲモデルによる振幅データの推定値
σＳ２（ｌ＊）：ＡＲモデルによる振幅データの推定誤差の分散
Ｍ：ＡＲモデルの次数
ｒＳ：ＡＲモデルの忘却係数
（５）周波数解析部２２は、式７で、ＡＲモデルによるランニングスペクトルＰＳ（ｌ＊，ｆ）を計算する。
【数7】
σＳ２（ｌ＊）：ＡＲモデルによる振幅データの推定誤差の分散
φＳｍ：ＡＲモデルのＡＲ係数
ｆ：周波数
ｆｓ：サンプリング周波数
Ｍ：ＡＲモデルの次数
【0022】
＜プロセスＰ２０３：卓越周波数を計算＞
（１）卓越周波数計算部２６は、式８のｚについてのＭ次多項式（特性方程式）を解き、解のうち虚部が０または正のものをＡＲモデルの特性根ｚＳｑ（ｌ＊）とする（ｑは連番でｑ＝１，・・・，Ｑ）。
φＳｍ（ｌ＊）：ＡＲモデルのＡＲ係数
ｚＳｑ（ｌ＊）：ＡＲモデルの特性根（ｑ＝１，・・・，Ｑ）
Ｍ：ＡＲモデルの次数
（２）卓越周波数計算部２６は、式９で、ＡＲモデルによるランニングスペクトルのピーク周波数ｆＳｑ（ｌ＊）を計算する。
ｆＳｑ（ｌ＊）：ＡＲモデルによるランニングスペクトルのピーク周波数
ｆｓ：サンプリング周波数
ｚＳｑ（ｌ＊）：ＡＲモデルの特性根（ｑ＝１，・・・，Ｑ）
（３）卓越周波数計算部２６は、式１０で、ＡＲモデルによるランニングスペクトルのピーク値ＰＳｑ（ｌ＊）を計算する。
ＰＳｑ（ｌ＊）：ＡＲモデルによるランニングスペクトルのピーク値
σＳ２（ｌ＊）：ＡＲモデルによる振幅データの推定誤差の分散
φＳｍ（ｌ＊）：ＡＲモデルのＡＲ係数
ｆＳｑ（ｌ＊）：ＡＲモデルによるランニングスペクトルのピーク周波数
Ｍ：ＡＲモデルの次数
ｆｓ：サンプリング周波数
（４）卓越周波数計算部２６は、ＡＲモデルによるランニングスペクトルのピーク値ＰＳｑ（ｌ＊）のうち最大のものをＰＳｑ’（ｌ＊）とし、ｆＳｑ’（ｌ＊）を卓越周波数ｆＳｄ（ｌ＊）とする。
（１）卓越周波数計算部２６は、式８のｚについてのＭ次多項式（特性方程式）を解き、解のうち虚部が０または正のものをＡＲモデルの特性根ｚＳｑ（ｌ＊）とする（ｑは連番でｑ＝１，・・・，Ｑ）。
【数8】
ｚＳｑ（ｌ＊）：ＡＲモデルの特性根（ｑ＝１，・・・，Ｑ）
Ｍ：ＡＲモデルの次数
（２）卓越周波数計算部２６は、式９で、ＡＲモデルによるランニングスペクトルのピーク周波数ｆＳｑ（ｌ＊）を計算する。
【数9】
ｆｓ：サンプリング周波数
ｚＳｑ（ｌ＊）：ＡＲモデルの特性根（ｑ＝１，・・・，Ｑ）
（３）卓越周波数計算部２６は、式１０で、ＡＲモデルによるランニングスペクトルのピーク値ＰＳｑ（ｌ＊）を計算する。
【数10】
σＳ２（ｌ＊）：ＡＲモデルによる振幅データの推定誤差の分散
φＳｍ（ｌ＊）：ＡＲモデルのＡＲ係数
ｆＳｑ（ｌ＊）：ＡＲモデルによるランニングスペクトルのピーク周波数
Ｍ：ＡＲモデルの次数
ｆｓ：サンプリング周波数
（４）卓越周波数計算部２６は、ＡＲモデルによるランニングスペクトルのピーク値ＰＳｑ（ｌ＊）のうち最大のものをＰＳｑ’（ｌ＊）とし、ｆＳｑ’（ｌ＊）を卓越周波数ｆＳｄ（ｌ＊）とする。
【0023】
＜プロセスＰ２０４：スペクトル幅指標値を計算＞
スペクトル幅指標値計算部２７は、式１１で、スペクトル幅指標値Ｗ（ｌ＊）を計算する。
Ｗ（ｌ＊）：スペクトル幅指標値
Ｎｗ：スペクトル幅指標値を計算するためのサンプル数
ｆ：周波数
ｆｗ１：スペクトル幅指標値を計算するための周波数の下限（Ｈｚ）
ｆｗ２：スペクトル幅指標値を計算するための周波数の上限（Ｈｚ）
ＰＳ（ｉ，ｆ）：ＡＲモデルによるランニングスペクトル
スペクトル幅指標値計算部２７は、式１１で、スペクトル幅指標値Ｗ（ｌ＊）を計算する。
【数11】
Ｎｗ：スペクトル幅指標値を計算するためのサンプル数
ｆ：周波数
ｆｗ１：スペクトル幅指標値を計算するための周波数の下限（Ｈｚ）
ｆｗ２：スペクトル幅指標値を計算するための周波数の上限（Ｈｚ）
ＰＳ（ｉ，ｆ）：ＡＲモデルによるランニングスペクトル
【0024】
＜プロセスＰ２０５：最大振幅指標値を計算＞
最大振幅指標値計算部２８は、式１２で、最大振幅指標値ＭＡＸ（ｌ＊）を計算する。
ＭＡＸ（ｌ＊）：最大振幅指標値
Ｎｍａｘ：最大振幅指標値を計算するためのサンプル数
ｆ：周波数
ｆｍａｘ１：最大振幅指標値を計算するための周波数の下限（Ｈｚ）
ｆｍａｘ２：最大振幅指標値を計算するための周波数の上限（Ｈｚ）
ＰＳ（ｉ，ｆ）：ＡＲモデルによるランニングスペクトル
最大振幅指標値計算部２８は、式１２で、最大振幅指標値ＭＡＸ（ｌ＊）を計算する。
【数12】
Ｎｍａｘ：最大振幅指標値を計算するためのサンプル数
ｆ：周波数
ｆｍａｘ１：最大振幅指標値を計算するための周波数の下限（Ｈｚ）
ｆｍａｘ２：最大振幅指標値を計算するための周波数の上限（Ｈｚ）
ＰＳ（ｉ，ｆ）：ＡＲモデルによるランニングスペクトル
【0025】
＜プロセスＰ２０６：ノイズを識別＞
（１）ノイズ識別部２９は、卓越周波数ｆＳｄ（ｌ＊）が式１３を満たす場合、車両等の走行に起因する高周波の雑振動ノイズと識別する。
ＴＭＮ：ノイズの識別において高周波の雑振動ノイズを識別するための閾値
（２）スペクトル幅指標値Ｗ（ｌ＊）及び最大振幅指標値ＭＡＸ（ｌ＊）が式１４を満たす場合、電磁波や落雷等に起因する大振幅のパルス性ノイズと識別する。
ＴＰＮａ：ノイズの識別において大振幅のパルス性ノイズを識別するための第１閾値
ＴＰＮｂ：ノイズの識別において大振幅のパルス性ノイズを識別するための第２閾値
Ｗ（ｌ＊）：スペクトル幅指標値
ＭＡＸ（ｌ＊）：最大振幅指標値
（３）ノイズ識別部２９は、ノイズの識別結果Ｆｎを出力する。
（ａ）ノイズ識別部２９が、式１３で高周波の雑振動ノイズと識別する。
（ｂ）ノイズ識別部２９が、式１４で大振幅のパルス性ノイズと識別する。
（ａ）と（ｂ）の少なくとも一つが成立する場合、ノイズ識別部２９は、ノイズ識別結果Ｆｎを真とし、それ以外の場合は偽とする。ノイズ識別部２９は、ノイズ識別結果Ｆｎを外部装置４０に送信する。
（１）ノイズ識別部２９は、卓越周波数ｆＳｄ（ｌ＊）が式１３を満たす場合、車両等の走行に起因する高周波の雑振動ノイズと識別する。
【数13】
（２）スペクトル幅指標値Ｗ（ｌ＊）及び最大振幅指標値ＭＡＸ（ｌ＊）が式１４を満たす場合、電磁波や落雷等に起因する大振幅のパルス性ノイズと識別する。
【数14】
ＴＰＮｂ：ノイズの識別において大振幅のパルス性ノイズを識別するための第２閾値
Ｗ（ｌ＊）：スペクトル幅指標値
ＭＡＸ（ｌ＊）：最大振幅指標値
（３）ノイズ識別部２９は、ノイズの識別結果Ｆｎを出力する。
（ａ）ノイズ識別部２９が、式１３で高周波の雑振動ノイズと識別する。
（ｂ）ノイズ識別部２９が、式１４で大振幅のパルス性ノイズと識別する。
（ａ）と（ｂ）の少なくとも一つが成立する場合、ノイズ識別部２９は、ノイズ識別結果Ｆｎを真とし、それ以外の場合は偽とする。ノイズ識別部２９は、ノイズ識別結果Ｆｎを外部装置４０に送信する。
【0026】
以上の情報処理装置２０による手順によって、精度の高いノイズの識別が可能となる。
【0027】
＊＊＊実施の形態１の効果＊＊＊
（１）実施の形態１においては、周波数帯域全体から計算した卓越周波数を利用する。このため、低周波成分がある程度含まれるが相対的に高周波成分が卓越する雑振動ノイズに対しても、正しくノイズと識別が可能である。
（２）実施の形態１においては、立ち上がりの急激さと振幅の大きさを、同時に特徴づける。つまり、式１４によって、立ち上がりの急激さを特徴づける指標値であるＷ（ｌ＊）と振幅の大きさを特徴づける指標値であるＭＡＸ（ｌ＊）とに対して、ノイズと識別される範囲をＴＰＮａ及びＴＰＮｂの２つのパラメータで指定する。このため、振幅の立ち上がりが急激な直下型地震による地震動に対しても正しくノイズではなく地震動であると識別が可能である。
（１）実施の形態１においては、周波数帯域全体から計算した卓越周波数を利用する。このため、低周波成分がある程度含まれるが相対的に高周波成分が卓越する雑振動ノイズに対しても、正しくノイズと識別が可能である。
（２）実施の形態１においては、立ち上がりの急激さと振幅の大きさを、同時に特徴づける。つまり、式１４によって、立ち上がりの急激さを特徴づける指標値であるＷ（ｌ＊）と振幅の大きさを特徴づける指標値であるＭＡＸ（ｌ＊）とに対して、ノイズと識別される範囲をＴＰＮａ及びＴＰＮｂの２つのパラメータで指定する。このため、振幅の立ち上がりが急激な直下型地震による地震動に対しても正しくノイズではなく地震動であると識別が可能である。
【0028】
図３で説明したように、ノイズ識別部２９は、卓越周波数ｆＳｄ（ｌ＊）と、スペクトル幅指標値Ｗ（ｌ＊）と、最大振幅指標値ＭＡＸ（ｌ＊）とを利用することにより、ノイズを識別するが、ノイズ識別部２９は、以下の（１）から（４）のいずれかでノイズを識別してもよい。
（１）振幅計算部２１は、地動センサ１０から観測デジタルデータを取得し、地動に起因する振幅を計算する。周波数解析部２２は、振幅からランニングスペクトル等の周波数特性を計算する。ノイズ識別部２９は、ランニングスペクトル等の周波数特性を用いることにより、振幅が地震波に起因するかノイズに起因するかを識別することができる。
（２）卓越周波数計算部２６は、周波数特性から振幅の卓越周波数を計算し、ノイズ識別部２９は、卓越周波数を利用することにより、ノイズを識別することができる。
（３）スペクトル幅指標値計算部２７は、周波数特性の示すスペクトルの一定値関数への近さの指標値であるスペクトル幅指標値を計算し、ノイズ識別部２９は、スペクトル幅指標値を利用することにより、ノイズを識別することができる。
（４）最大振幅指標値計算部２８は、地動の最大振幅指標値を計算し、ノイズ識別部２９は、スペクトル幅指標値と最大振幅指標値とを利用することにより、ノイズを識別することができる。
（１）振幅計算部２１は、地動センサ１０から観測デジタルデータを取得し、地動に起因する振幅を計算する。周波数解析部２２は、振幅からランニングスペクトル等の周波数特性を計算する。ノイズ識別部２９は、ランニングスペクトル等の周波数特性を用いることにより、振幅が地震波に起因するかノイズに起因するかを識別することができる。
（２）卓越周波数計算部２６は、周波数特性から振幅の卓越周波数を計算し、ノイズ識別部２９は、卓越周波数を利用することにより、ノイズを識別することができる。
（３）スペクトル幅指標値計算部２７は、周波数特性の示すスペクトルの一定値関数への近さの指標値であるスペクトル幅指標値を計算し、ノイズ識別部２９は、スペクトル幅指標値を利用することにより、ノイズを識別することができる。
（４）最大振幅指標値計算部２８は、地動の最大振幅指標値を計算し、ノイズ識別部２９は、スペクトル幅指標値と最大振幅指標値とを利用することにより、ノイズを識別することができる。
【0029】
式７計算したＰＳ（ｌ＊，ｆ）をディープラーニング等の機械学習に用いてノイズの特徴を学習させることで、精度の高いノイズ識別を行う実施の形態が可能である。
【0030】
また、式８から式１０で計算したｚＳｑ（ｌ＊）、ｆＳｑ（ｌ＊）及びＰＳｑ（ｌ＊）はすべての周波数ｆにわたるランニングスペクトルを次元削減したことに相当するので、これらの全部または一部をディープラーニング等の機械学習に用いてノイズの特徴の効果的な学習を行うことで、精度の高いノイズ識別を行う実施の形態が可能である。
【0031】
また、実施の形態１では、振幅データｘ（ｌ＊）を空間３成分のうちの１成分を想定したが、複数の空間成分を同時に用いる場合や、複数の空間成分から計算される関数値を用いる場合の実施の形態も可能である。例えば、空間３成分の変位データから計算されるパーティクルモーション（粒子軌跡）を利用することや上下成分のランニングスペクトルと水平動成分のランニングスペクトルの比を利用することが考えられる。
【0032】
また、実施の形態１では、周波数解析部２２においてランニングスペクトルを計算するために自己回帰モデルを用いたが、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）等の他の方法でランニングスペクトルを計算する実施の形態も可能である。
【0033】
（ハードウェアの補足）
図４は、情報処理装置２０のハードウェア構成を示す。情報処理装置２０のハードウェア構成を示す。情報処理装置２０は、コンピュータである。情報処理装置２０は、プロセッサ２１０を備える。情報処理装置２０は、ハードウェアとして、プロセッサ２１０、主記憶装置２２０、補助記憶装置２３０、通信インタフェース２４０を備えている。プロセッサ２１０は、信号線２５０を介して、他のハードウェアと接続され、他のハードウェアを制御する。
図４は、情報処理装置２０のハードウェア構成を示す。情報処理装置２０のハードウェア構成を示す。情報処理装置２０は、コンピュータである。情報処理装置２０は、プロセッサ２１０を備える。情報処理装置２０は、ハードウェアとして、プロセッサ２１０、主記憶装置２２０、補助記憶装置２３０、通信インタフェース２４０を備えている。プロセッサ２１０は、信号線２５０を介して、他のハードウェアと接続され、他のハードウェアを制御する。
【0034】
情報処理装置２０は、振幅計算部２１、周波数解析部２２、卓越周波数計算部２６、スペクトル幅指標値計算部２７，最大振幅指標値計算部２８およびノイズ識別部２９を備えている。これらの機能は、情報処理プログラム２３１により実現される。
【0035】
プロセッサ２１０は、情報処理プログラム２３１を実行する装置である。プロセッサ２１０が情報処理プログラム２３１を実行することで、振幅計算部２１、周波数解析部２２、卓越周波数計算部２６、スペクトル幅指標値計算部２７，最大振幅指標値計算部２８およびノイズ識別部２９の機能が実現される。プロセッサ２１０は、演算処理を行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）である。
【0036】
主記憶装置２２０の具体例は、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。主記憶装置２２０は、プロセッサ２１０の演算結果を保持する。
【0037】
補助記憶装置２３０は、データを不揮発的に保管する記憶装置である。補助記憶装置２３０の具体例は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）である。補助記憶装置２３０は、可搬記録媒体であってもよい。補助記憶装置２３０は、情報処理プログラム２３１を記憶している。
【0038】
通信インタフェース２４０は、プロセッサ２１０が他の装置と通信するための通信ポートである。通信インタフェース２４０は、ネットワーク５０に接続している。
【0039】
プロセッサ２１０は補助記憶装置２３０から情報処理プログラム２３１を主記憶装置２２０にロードする。プロセッサ２１０は、ロードされた情報処理プログラム２３１を主記憶装置２２０から読み込んで実行する。
【0040】
情報処理プログラム２３１は、情報処理装置２０の有するそれぞれの「部」を「処理」、「手順」あるいは「工程」に読み替えた各処理、各手順あるいは各工程を、コンピュータに実行させるプログラムである。
【0041】
また、コンピュータである情報処理装置２０が情報処理プログラム２３１を実行することにより行われる方法は、情報処理方法である。情報処理プログラム２３１は、コンピュータ読み取り可能な記録媒体に格納されて提供されてもよいし、プログラムプロダクトとして提供されてもよい。
【符号の説明】
【0042】
１０ 地動センサ、２０ 情報処理装置、２１ 振幅計算部、２２ 周波数解析部、２６ 卓越周波数計算部、２７ スペクトル幅指標値計算部、２８ 最大振幅指標値計算部、２９ ノイズ識別部、３０ 地震計、４０ 外部装置、５０ ネットワーク、２１０ プロセッサ、２２０ 主記憶装置、２３０ 補助記憶装置、２３１ 情報処理プログラム、２４０ 通信インタフェース、２５０ 信号線。
【図1】
【図2】
【図3】
【図4】