数据量充分性判定装置、数据量充分性判定方法、数据量充分性判定程序、学习模型生成系统、完成学习的学习模型生成方法及完成学习的学习模型生成程序制造方法及图纸

得到能够更高精度地对学习用数据的数据量的充分性进行判定的数据量充分性判定装置。本发明专利技术涉及的数据量充分性判定装置具有：时序数据取得部，其取得时序数据；数据分割部，其将时序数据分割为多个子序列数据；数据集合生成部，其生成多个子序列数据集合，该子序列数据集合是子序列数据的集合；特征量计算部，其对子序列数据的特征量进行计算；概率分布生成部，其针对各个子序列数据集合而生成特征量的概率分布；以及判定部，其对概率分布是否已收敛进行判定。敛进行判定。敛进行判定。

【技术实现步骤摘要】
【国外来华专利技术】数据量充分性判定装置、数据量充分性判定方法、数据量充分性判定程序、学习模型生成系统、完成学习的学习模型生成方法及完成学习的学习模型生成程序


[0001]本专利技术涉及数据量充分性判定装置、数据量充分性判定方法、数据量充分性判定程序、学习模型生成系统、完成学习的学习模型生成方法及完成学习的学习模型生成程序。

技术介绍

[0002]针对通过使用学习模型对作为诊断对象的设备的时序数据进行诊断，从而判定设备是否正常的装置进行了研究、开发，该学习模型使用正常的设备的时序数据进行了学习。这里，在使学习模型进行学习时，重要的是预先知道使用多少数据进行学习为好。为了提早进行异常检测等，希望尽可能提早进行学习，另一方面，如果在数据未被充分汇集的状态下进行学习，在学习后判断出数据不足，则会产生再次进行学习的返工。另一方面，如果输入大量数据而进行学习，则学习本身花费时间，另外，也有可能过度学习，因此需要舍弃收集到的数据中的对于学习多余的数据。
[0003]因此，研究了判定所收集到的时序数据的数据量对于进行学习模型的学习是否充分的技术。例如，在专利文献1中公开本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种数据量充分性判定装置，其具有：时序数据取得部，其取得时序数据；数据分割部，其将所述时序数据分割为多个子序列数据；数据集合生成部，其生成多个子序列数据集合，该子序列数据集合是所述子序列数据的集合；特征量计算部，其对所述子序列数据的特征量进行计算；概率分布生成部，其针对各个所述子序列数据集合而生成所述特征量的概率分布；以及判定部，其对所述概率分布是否已收敛进行判定。2.根据权利要求1所述的数据量充分性判定装置，其特征在于，所述数据集合生成部通过将第一子序列数据集合所不包含的子序列数据追加至所述第一子序列数据集合，从而生成第二子序列数据集合。3.根据权利要求1所述的数据量充分性判定装置，其特征在于，所述数据集合生成部生成第一子序列数据集合、不包含与第一子序列数据集合共通的所述子序列数据的第二子序列数据集合。4.根据权利要求3所述的数据量充分性判定装置，其特征在于，所述数据集合生成部生成将所述第一子序列数据集合和所述第二子序列数据集合所包含的至少一个子序列数据合在一起的第三子序列数据集合。5.根据权利要求3所述的数据量充分性判定装置，其特征在于，所述数据集合生成部生成不包含与所述第一子序列数据集合及所述第二子序列数据集合共通的子序列数据的第三子序列数据集合。6.根据权利要求1或2所述的数据量充分性判定装置，其特征在于，所述数据集合生成部生成具有多个所述子序列数据集合的第一组、具有与所述第一组相同数量的所述子序列数据集合且具有至少一个所述第一组所不具有的子序列数据集合的第二组，所述概率分布生成部对所述第一组所具有的所述子序列数据集合的所述概率分布与所述第二组所具有的所述子序列数据集合的所述概率分布的相似度进行计算，所述判定部在所述相似度已收敛的情况下，判定为所述概率分布已收敛。7.根据权利要求1至6中任一项所述的数据量充分性判定装置，其特征在于，所述特征量计算部针对各个所述子序列数据对所述特征量进行计算。8.根据权利要求1至6中任一项所述的数据量充分性判定装置，其特征在于，所述特征量计算部计算第一子序列数据和第二子序列数据的比较值而作为所述特征量。9.根据权利要求1至8中任一项所述的数据量充分性判定装置，其特征在于，所述数据集合生成部根据从第一时刻至第二时刻为止所包含的所述时序...

【专利技术属性】
技术研发人员：增崎隆彦，那须督，
申请(专利权)人：三菱电机株式会社，
类型：发明
国别省市：