信息处理装置和方法制造方法及图纸

本发明专利技术涉及一种信息处理方法和信息处理装置，其中，可提高学习效率并容易扩大规模。通过借助局部表达方案的运动图案学习模型而形成集成模块（４２）。集成模块（４２）的局部模块（４３－１至４３－３）每一个都由再生神经网络形成，作为借助分布表达方案的运动图案学习模型。使局部模块（４３－１至４３－３）学习多个运动图案。向局部模块（４３－１至４３－３）提供预定参数作为输入，局部模块（４３－１至４３－３）的输出分别由门（４４－１至４４－３）乘以系数（Ｗ１－Ｗ３），并且，得到的乘积被求和并且输出。

【技术实现步骤摘要】

本专利技术涉及用于处理信息的方法和装置、程序存储介质、以及程序。更具体地，本专利技术涉及用于处理信息的方法和装置、程序存储介质、以及程序，其中，可提高学习效率并容易扩大规模。
技术介绍
到目前为止，已经研究作为与人脑或动物大脑有关的一个模型的神经网络。在神经网络中，在一开始学习预定运动图案，以检查输入数据是否与学习的运动模型相对应。对于识别运动图案的模型，已经知道借助局部表达方案的运动图案学习模型和借助分布表达方案的运动图案学习模型。如图1所示，利用借助局部表达方案的运动图案学习模型，通过相关的门2-1至2-3互连独立的局部模块1-1至1-3。局部模块1-1至1-3学习独立的运动图案。在借助局部表达方案的运动图案学习模型中，通过控制门2-1至2-3而确定全部输出。此借助局部表达方案的运动图案学习模型在专利出版物1中公布。如图2所示，另一方面，在借助分布表达方案的运动图案学习模型中，模块21学习多个运动图案。日本特开专利出版号H-11-126198然而，在借助局部表达方案的运动图案学习模型中，不考虑不同图案中的关系，因而难以归纳用于学习的多个图案。在借助分布表达方案的运动图案学习模型中，通过只有少量参数的单一模型而学习多个运动图案，因而，学习效率较低，同时，遇到与规模可扩展性有关的困难。
技术实现思路
考虑到现有技术中的这些固有问题，本专利技术的目的是提供一种用于处理信息的装置、程序存储介质和程序，其中，可提高学习效率并容易扩大规模。在一个方面中，本专利技术提供一种用于处理时间序列图案的信息处理装置，包括用于学习时间序列图案的借助分布表达方案的第一运动图案学习模型；用于学习时间序列图案的借助分布表达方案的第二运动图案学习模型；借助局部表达方案的第三运动图案学习模型，该模型具有第一运动图案学习模型和第二运动图案学习模型，作为元件。第一运动图案学习模型和第二运动图案学习模型每一个都由设置操作参数的再生神经网络形成。第一运动图案学习模型和第二运动图案学习模型每一个都计算学习误差，基于学习误差而计算学习参数的修正量的加权系数，并且基于加权系数而修正学习参数。在另一方面，本专利技术提供一种用于信息处理装置的信息处理方法，该信息处理装置用于处理时间序列图案，该方法包括通过借助分布表达方案的第一运动图案学习模型而学习多个第一时间序列图案的步骤；通过借助分布表达方案的第二运动图案学习模型而学习多个第二时间序列图案的步骤；以及通过借助局部表达方案的第三运动图案学习模型而识别或产生时间序列图案的步骤，该模型具有第一运动图案学习模型和第二运动图案学习模型，作为元件。第一运动图案学习模型和第二运动图案学习模型每一个都由设置操作参数的再生神经网络形成。根据本专利技术的信息处理方法进一步包括第一计算步骤，该步骤用于计算第一运动图案学习模型的学习误差和第二运动图案学习模型的学习误差；第二计算步骤，该步骤基于学习误差而计算第一运动图案学习模型和第二运动图案学习模型的学习参数修正值的加权系数；以及修正步骤，该步骤基于加权系数而修正第一运动图案学习模型和第二运动图案学习模型的学习参数。在又一方面中，本专利技术提供一种在其上储存用于信息处理装置的程序的程序存储介质，该信息处理装置配置为用于处理时间序列图案，该程序允许计算机执行以下处理，包括通过借助分布表达方案的第一运动图案学习模型而学习多个第一时间序列图案的步骤；通过借助分布表达方案的第二运动图案学习模型而学习多个第二时间序列图案的步骤；以及通过借助局部表达方案的第三运动图案学习模型而识别或产生时间序列图案的步骤，该模型具有第一运动图案学习模型和第二运动图案学习模型，作为元件。第一运动图案学习模型和第二运动图案学习模型每一个都由设置操作参数的再生神经网络形成。根据本专利技术的用于存储介质的程序进一步包括第一计算步骤，该步骤用于计算第一运动图案学习模型的学习误差和第二运动图案学习模型的学习误差；第二计算步骤，该步骤基于学习误差而计算第一运动图案学习模型和第二运动图案学习模型的学习参数修正值的加权系数；以及修正步骤，该步骤基于加权系数而修正第一运动图案学习模型和第二运动图案学习模型的学习参数。在还一方面中，本专利技术提供一种用于计算机控制信息处理装置的程序，该信息处理装置配置为用于处理时间序列图案，该程序允许计算机执行以下处理，包括通过借助分布表达方案的第一运动图案学习模型而学习多个第一时间序列图案的步骤；通过借助分布表达方案的第二运动图案学习模型而学习多个第二时间序列图案的步骤；以及通过借助局部表达方案的第三运动图案学习模型而识别或产生时间序列图案的步骤，第三运动图案学习模型具有第一运动图案学习模型和第二运动图案学习模型，作为元件。第一运动图案学习模型和第二运动图案学习模型每一个都由设置操作参数的再生神经网络形成。根据本专利技术的程序进一步包括第一计算步骤，该步骤用于计算第一运动图案学习模型的学习误差和第二运动图案学习模型的学习误差；第二计算步骤，该步骤基于学习误差而计算第一运动图案学习模型和第二运动图案学习模型的学习参数修正值的加权系数；以及修正步骤，该步骤基于加权系数而修正第一运动图案学习模型和第二运动图案学习模型的学习参数。根据本专利技术，第一和第二运动图案学习模型每一个都是借助分布表达方案的模型，并且借助局部表达方案的第三运动图案学习模型由第一和第二运动图案学习模型形成。根据本专利技术，可学习运动图案。具体地，有可能提高学习效率并极其容易地扩大规模。以下解释用于执行本专利技术的最佳模式。然而，首先解释在说明书中所公布的本专利技术各个方面与实施例之间的对应关系。如果在说明书中应该有实施例，但实施例的描述不与本专利技术的方面相对应，则这些实施例不被认为不与本专利技术的方面相对应。相反，如果在此描述的实施例应该与本专利技术的某个方面相对应，则这些实施例不被认为没有与除本专利技术所述方面之外的方面相对应。另外，公布的内容不意味着表示在此公布的本专利技术的全部方面与在说明书中描述的实施例相对应。换句话说，公布的内容被解释为包括在将来由单独的应用或修改所提供或增加的本专利技术方面。附图说明图1示出借助常规局部表达方案的运动图案学习模型的实例。图2示出借助常规分布表达方案的运动图案学习模型的实例。图3为示出体现本专利技术的处理装置的示例性结构的框图。图4为用于说明图3所示处理装置的基本处理的流程图。图5为示出体现本专利技术的处理装置的另一示例性结构的框图。图6示出再生型神经网络的示例性结构。图7为用于说明图4中步骤S2的学习处理的流程图。图8-16示出运动图案的不同实例。图17示出具有图5处理装置所学习的运动图案的状态。图18为用于说明图7中步骤S13的局部模块学习处理的流程图。图19为用于说明系数设定处理的流程图。图20示出在具有图5中处理装置所学习的运动图案的情况下的学习误差。图21为用于说明运动图案识别处理的流程图。图22示出运动图案识别处理。图23为用于说明运动图案产生处理的流程图。图24示出产生运动图案的处理。图25为用于说明图4中步骤S2的学习处理的另一实例的流程图。图26为示出体现本专利技术的个人计算机的示例性结构的框图。具体实施例方式下面参照附图详细解释本专利技术的一些优选实施例。本专利技术提供用于处理时间序列图案的信息处理装置，如图3所示的处理装置41。此信息处理本文档来自技高网...

【技术保护点】
一种用于处理时间序列图案的信息处理装置，包括：用于学习时间序列图案的借助分布表达方案的第一运动图案学习模型；用于学习时间序列图案的借助分布表达方案的第二运动图案学习模型；借助局部表达方案的第三运动图案学习模型，该模型 具有所述第一运动图案学习模型和第二运动图案学习模型，作为元件。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：伊藤真人，谷淳，
申请(专利权)人：索尼株式会社，独立行政法人理化学研究所，
类型：发明
国别省市：JP[日本]