模式的特征选择方法、分类方法、判定方法、程序及单元技术

特征决定单元（３０３）使用学习模式存储单元（３０１）中存储的各学习模式，从特征生成单元（３０２）生成的大量的候选特征中，决定适合模式识别的特征的组。这时，特征决定单元（３０３），一边向学习模式中加入有效的噪声，一边在已决定的特征为已知的条件下，按照信息量最大化的基准，决定顺次特征，一边将学习模式在Ｎ个集合中适时结合，一边近似地，高速地进行信息量的计算。其结果，可以不需要庞大的学习，而自动生成适合高性能的模式识别的特征组。另外，通过记录集合间的迁移的迁移表（３０５），高效地进行模式的判定。（*该技术在2023年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及到一种用于图像识别的模式的特征选择方法、分类方法、判定方法、程序及单元。
技术介绍
作为从学习用的模式的集合中，决定用于模式识别的特征的方法，基于判别分析法的方法、基于主成分分析法的方法等被熟知，并已经被广泛利用(例如，参照特开平9-288492，特开平4-256087，特开平1-32159)。然而，由于上述各方法决定的特征只限定于线性特征，其性能是有限的。另一方面，作为处理非线性特征的方法，使用神经网络的方法，特别是误差逆传播学习法和神经网络相配合的方法是公知的，(比如，参照，中野馨监修，“ニユ一ロコンピユ一タ”，技术评论社1989，或者，D.E Rumelhart，“Parallel Distributed Processing”，MIT Press，1986年)。根据这些方法，可以使中间层的神经元学习适合模式识别的非线性的特征。然而，这些方法中存在以下问题点，尤其在大规模的问题上学习花费巨大的时间，中间层的神经元的数量很大的影响神经网络的性能，没有用于事先决定此中间层的最适合的神经元数目的一般的方法等。另外，作为使用决策树进行模式(分类)识别的方法，在相互信息量最大化的基准上，决定决策树的各节点的分类规则的ID3、C4.5等方法已被公知(参照特开2000-122690、特开昭61-75486、J.R.Quinlan，“C4.5Programs for Machine Learning”，1993年)。这些方法，和上述适用神经网络的方法比较，具有学习早些完了的优点。在另一方面，这些方法，对学习模式以外的模式的识别性能(通用性能)不够等，一般被认为比上述使用神经网络的方法在性能方面差。
技术实现思路
因此，本专利技术的目的在于，提供用于不需要大量学习就能实现高性能的模式识别的模式判定方法和作为上述模式判定方法的前提的特征选择方法及模式分类方法。根据本专利技术的第1观点，提供了一种系统的特征选择方法，该系统具有存储保持带有等级信息的学习模式的学习模式存储单元；生成多个候选特征的候选特征生成单元；和从根据所述候选特征生成单元生成的候选特征中，决定适合模式识别的特征的组的特征决定单元，该特征选择方法的特征在于，所述特征决定单元，计算对应所述各候选特征的各学习模式的特征值，将其和所述学习模式集合的等级信息的相互信息量为最大的候选特征作为特征的组的最初的特征而决定，在决定的特征为已知的条件下，将对应各候选特征的各学习模式的特征值和所述各学习模式的等级信息的相互信息量为最大的候选特征，作为特征的组的下一特征，顺次决定。根据本专利技术的第1观点的变形，提供了一种系统的特征选择方法，该系统具有存储保持带有等级信息的学习模式的学习模式存储单元；生成多个候选特征的候选特征生成单元；从根据所述候选特征生成单元生成的候选特征中，决定适合模式识别的特征的组的特征决定单元，该特征选择方法的特征在于，所述特征决定单元，为使所述学习模式对应特征的值进行迁移，准备预定个数的集合，计算对应所述各候选特征的各学习模式的特征值，将其和所述学习模式集合的等级信息的相互信息量为最大的候选特征作为特征的组的最初的特征而决定，在附加对应决定了的特征的权重，分配所述各学习模式的同时，使其顺次迁移至对应决定了的特征的集合，在包含所述各学习模式的集合中的信息和决定了的特征为已知的条件下，将对应各候选特征的各学习模式的特征值和所述各学习模式的等级信息的相互信息量为最大的候选特征作为特征的组的下一特征，顺次决定。根据本专利技术的第2观点，提供一种系统的学习模式的分类方法，所述系统具有存储保持用于学习的学习模式的学习模式存储单元；生成多个候选特征的候选特征生成单元；从通过所述候选特征生成单元生成的候选特征中，决定适于模式识别的特征的组的特征决定单元；存储保持通过所述特征决定单元决定的特征的组的特征存储单元；和制作分类表的分类表制作单元，该学习模式的分类方法的特征在于，所述分类表制作单元，使用如上述的特征选择方法而决定的特征的组，计算所述各学习模式的各特征值，通过配置所述各学习模式的各特征值和等级信息而成的分类表，对学习模式进行分类。根据本专利技术的第3观点，提供了一种系统的模式判定方法，该系统具有输入模式的模式输入单元；从所述模式中抽取特征的特征抽取单元；基于所述特征判定模式的模式判定单元；和存储保持决定了的特征的组的特征存储单元，该模式判定方法的特征在于，所述特征抽取单元，使用如上述的特征选择方法决定的特征的组，算出输入的模式的各特征值，基于所述算出结果，进行模式判定。根据本专利技术第3观点的变形，提供了一种系统的模式判定方法，所述系统具有输入模式的模式输入单元；从所述模式中抽取特征的特征抽取单元；基于所述特征判定模式的模式判定单元；和存储保持被决定的特征的组的特征存储单元，该模式判定方法的特征在于，所述特征抽取单元，使用如上述各特征选择方法决定的特征的组，算出表示该顺序的特征为预定值的概率的、输入的模式的各特征概率，所述模式判定单元，根据所述输入的模式的各特征概率，和逐次记录在根据上述的特征选择方法决定各特征时，学习模式所属的集合而成的迁移表，进行输入模式的迁移，根据所述迁移的路径，算出所述输入的模式具有预定的等级信息的概率，进行模式判定。根据本专利技术的第4观点，提供一种使构成系统的计算机执行处理的程序，所述系统具有存储保持附有等级信息的学习模式的学习模式存储单元；生成多个候选特征的候选特征生成单元；和从由所述候选特征生成单元生成的候选特征中，决定适合模式识别的特征的组的特征决定单元，该程序的特征在于使计算机执行以下处理，计算对应所述各候选特征的各学习模式的特征值，将其和所述学习模式集合的等级信息的相互信息量为最大的候选特征作为特征的组的最初的特征而决定的处理，和在决定的特征为已知的条件下，将对应各候选特征的各学习模式的特征值和所述各学习模式的等级信息的相互信息量为最大的候选特征，作为特征的组的下一特征，顺次决定的处理，并进行特征的选择。根据本专利技术的第4观点的变形，提供一种使构成系统的计算机执行处理的程序，所述系统具有存储保持附有等级信息的学习模式的学习模式存储单元；生成多个候选特征的候选特征生成单元；和从由所述候选特征生成单元生成的候选特征中，决定适合模式识别的特征的组的特征决定单元，该程序的特征在于使计算机执行以下处理，为使所述学习模式对应特征的值进行迁移，准备预定个数的集合的处理，计算对应所述个候选特征的各学习模式的特征值，将其和所述学习模式集合的等级信息的相互信息量为最大的候选特征作为特征的组的最初的特征而决定的处理，在附加对应决定了的特征的权重，分配所述各学习模式的同时，使其顺次迁移至对应决定了的特征的集合的处理，和在包含所述各学习模式的集合中的信息和决定了的特征为已知的条件下，将对应各候选特征的各学习模式的特征值和所述各学习模式的等级信息的相互信息量为最大的候选特征作为特征的组的下一特征，顺次决定的处理，并进行特征的选择。根据本专利技术的第4观点的其他变形，提供一种使构成系统的计算机执行处理的程序，所述系统具有存储保持用于学习的学习模式的学习模式存储单元；生成多个候选特征的候选特征生成单元；从通过所述候选特征生成单元生成的候选特征中，决定适于模式识本文档来自技高网...

【技术保护点】
一种系统的特征选择方法，该系统具有：存储保持带有等级信息的学习模式的学习模式存储单元；生成多个候选特征的候选特征生成单元；和从根据所述候选特征生成单元生成的候选特征中，决定适合模式识别的特征的组的特征决定单元，该特征选择方法的特征在于，　　　　所述特征决定单元，　　　　计算对应所述各候选特征的各学习模式的特征值，将其和所述学习模式集合的等级信息的相互信息量为最大的候选特征作为特征的组的最初的特征而决定，　　　　在决定的特征为已知的条件下，将对应各候选特征的各学习模式的特征值和所述各学习模式的等级信息的相互信息量为最大的候选特征，作为特征的组的下一特征，顺次决定。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：冈岛健治，今冈仁，宫下真信，
申请(专利权)人：日本电气株式会社，
类型：发明
国别省市：JP[日本]