计算机、识别器的学习方法以及分析系统技术方案

本发明专利技术的计算机具备：存储部，其存储学习数据；学习部，其执行用于使用学习数据来生成识别器的学习处理；以及生成部，其生成学习数据，生成部使用存储于存储部的学习数据来计算出识别器处理的特征量向量，并基于特征量向量来分析特征量空间中的学习数据的分布，由此确定特征量空间中的识别器的识别结果变化的边界，使用存在于边界附近的学习数据来生成新学习数据。习数据。习数据。

【技术实现步骤摘要】
【国外来华专利技术】[0011]另外，在专利文献3中记载了“在通过神经网络对推定对象参数值进行推定的参数推定装置中，将神经网络构成为以按照由多个输入参数的一部分参数表示的区域的每一个预先决定的方式来变更结合的方法并进行学习，根据由区域判定单元接收到的所述多个输入参数值中的所述一部分参数值来判定属于所述区域的哪一个，与通过路径变更单元根据由区域判定单元判定出的区域学习所述神经网络的结合的方法时相同地变更”。
[0012]现有技术文献
[0013]专利文献
[0014]专利文献1：日本特开2019
‑
027927号公报
[0015]专利文献2：日本特开2017
‑
138808号公报
[0016]专利文献3：日本特开平11
‑
85719号公报

技术实现思路

[0017]专利技术要解决的课题
[0018]但是，在专利文献2所记载的技术中，能够再现出厂时的识别器的特性，但在识别器实际进行识别的情况下，使用将基本参数以及差分参数相加后的参数，因此无法避免识别结果的变化。
[0019]另外，在专利文献3所记载的技术中，在输入信号的维数少的情况下能够应用，但在图像等多维信号的情况下需要制作庞大的量的识别器，是不现实的。另外，在机器学习中，为了获得通用的特征量以及识别性能，需要更多的学习数据，按每个区域分割学习数据并不优选。
[0020]在本专利技术中，提出一种高效且有效地提高识别器的识别精度的识别器的生成方法。
[0021]用于解决课题的手段
[0022]以下示出了在本申请中公开的专利技术的代表性的一个例子。即，一种计算机，具有运算装置、与所述运算装置连接的存储装置、以及与所述运算装置连接的接口，所述计算机生成识别任意事件的识别器，所述计算机具备：存储部，其存储由第一输入数据和第一训练数据构成的学习数据；学习部，其使用存储于所述存储部的所述学习数据，执行用于生成所述识别器的学习处理；以及生成部，其生成所述学习数据，所述生成部使用存储于所述存储部的所述学习数据的所述第一输入数据，计算出所述识别器处理的特征量向量，并基于所述学习数据的所述特征量向量，分析所述特征量向量形成的特征量空间中的所述学习数据的分布，由此确定所述特征量空间中的所述识别器的识别结果变化的边界，使用存在于所述边界附近的所述学习数据即代表学习数据的所述特征量向量，生成第一伪输入数据，生成由所述第一伪输入数据和所述代表学习数据的所述第一训练数据构成的新学习数据，并存储于所述存储部。
[0023]专利技术效果
[0024]根据本专利技术，能够生成高效且有效地提高了识别精度的识别器。上述以外的课题、结构以及效果通过以下的实施例的说明而变得明确。
附图说明
[0025]图1是说明实施例1的自动分析系统的结构的一例的图。
[0026]图2是说明实施例1的机器学习装置的功能块的一例的图。
[0027]图3是表示实施例1的机器学习装置生成的识别器的结构的一例的图。
[0028]图4A是说明实施例1的再学习前后的识别部的识别结果的变化的图。
[0029]图4B是说明实施例1的再学习前后的识别部的识别结果的变化的图。
[0030]图5是说明实施例1的伪样本生成部执行的处理的一例的流程图。
[0031]图6A是表示实施例1的伪样本生成部计算出的特征量空间中的学习数据的分布以及分布密度的一例的图。
[0032]图6B是表示实施例1的伪样本生成部计算出的特征量空间中的学习数据的分布以及分布密度的一例的图。
[0033]图7是表示实施例1的伪样本生成部的生成对象向量的计算方法的一例的图。
[0034]图8是说明实施例2的伪样本生成部执行的处理的一例的流程图。
[0035]图9是表示实施例2的伪样本生成部计算出的生成对象向量的一例的图。
[0036]图10是说明实施例3的伪样本生成部执行的处理的一例的流程图。
具体实施方式
[0037]以下，使用附图对本专利技术的实施例进行说明。此外，在以下的说明以及附图中，对具有相同功能的构成要素标注相同的附图标记，省略重复说明。另外，本说明书等中的“第一”、“第二”、“第三”等表述是为了识别构成要素而附加的，并不一定限定数量或顺序。此外，为了容易理解专利技术，附图等中所示的各结构的位置、大小、形状以及范围等有时不表示实际的位置、大小、形状以及范围等。因此，在本专利技术中，并不限定于附图等所公开的位置、大小、形状以及范围等。
[0038]实施例1
[0039]图1是说明实施例1的自动分析系统100的结构的一例的图。自动分析系统100具备机器学习装置101以及自动分析装置102。自动分析系统100与用户操作的用户接口131连接。
[0040]用户接口131由鼠标和键盘等输入装置、以及显示器和打印机等输出装置构成。输入装置以及输出装置也可以是不同的装置。
[0041]首先，对自动分析装置102的结构进行说明。
[0042]自动分析装置102具备拍摄部124、识别部125、控制部121、采集部122以及分析部123。各硬件经由未图示的总线相互连接。
[0043]拍摄部124是对容器132和收纳于容器132的采集对象133进行拍摄的装置，例如是照相机。容器132是试管等，采集对象133是血液和尿等试样、与试样反应的试剂、以及使试样和试剂反应而得到的反应溶液等。拍摄部124设置在容器132的开口部侧、即容器132的上方，从容器132的上方拍摄容器132及采集对象133。将通过拍摄部124从容器132的上方拍摄到的图像称为上方图像。
[0044]上方图像可以是BMP、PNG、JPEG等静态图像，也可以是从MPEG、H.264等动态图像中以固定的间隔提取出的帧图像。
[0045]识别部125通过将上方图像作为输入数据输入到识别器，来识别试样以及试剂的状态。例如，识别部125识别有无妨碍试样采集的试样表面的气泡和异物。识别器例如使用Neural Network(神经网络)以及SVM(Support Vector Machine：支持向量机)等机器学习来生成。
[0046]控制部121是基于从识别部125输出的识别结果来控制采集部122的动作的装置，例如是CPU(Central Processing Unit：中央处理单元)等。
[0047]采集部122是从容器132对采集对象133进行采集的装置，例如是分注探头等。
[0048]分析部123是进行使用了采集对象133的分析的装置，例如是免疫分析装置等。分析部123的分析结果显示在未图示的显示器等上。
[0049]接着，对机器学习装置101的结构进行说明。
[0050]机器学习装置101具备接口部111、运算部112、存储器113以及总线114。接口部111、运算部112、存储器113经由总线114相互进行信息的收发。
[0051]接口部111是与外部装置连接的装本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算机，其具有运算装置、与所述运算装置连接的存储装置以及与所述运算装置连接的接口，所述计算机生成识别任意事件的识别器，其特征在于，所述计算机具备：存储部，其存储由第一输入数据和第一训练数据构成的学习数据；学习部，其使用存储在所述存储部中的所述学习数据，执行用于生成所述识别器的学习处理；以及生成部，其生成所述学习数据，所述生成部进行如下处理：使用存储在所述存储部中的所述学习数据的所述第一输入数据，计算出所述识别器处理的特征量向量；基于所述学习数据的所述特征量向量，分析所述特征量向量形成的特征量空间中的所述学习数据的分布，由此确定所述特征量空间中的所述识别器的识别结果变化的边界；使用存在于所述边界的附近的所述学习数据即代表学习数据的所述特征量向量来生成第一伪输入数据；以及生成由所述第一伪输入数据和所述代表学习数据的所述第一训练数据构成的新学习数据，并存储在所述存储部中。2.根据权利要求1所述的计算机，其特征在于，所述生成部进行如下处理：基于所述特征量空间中的所述学习数据的分布的分析结果，确定所述学习数据稀疏的区域；使用确定出的所述区域中包含的所述特征量向量来生成第二伪输入数据；以及生成由所述第二伪输入数据和确定出的所述区域中包含的所述学习数据的所述第一训练数据构成的新学习数据，并存储于所述存储部中。3.根据权利要求1所述的计算机，其特征在于，所述存储部存储由第二输入数据和第二训练数据构成的评价数据，所述计算机具备评价部，所述评价部使用存储于所述存储部的所述评价数据来评价所述识别器，所述生成部进行如下处理：使用所述评价数据的所述第二输入数据计算出所述特征量向量；基于所述评价数据的所述特征量向量，分析所述特征量空间中的所述评价数据的分布，由此确定所述评价数据稀疏的区域；使用确定出的所述区域中包含的所述特征量向量来生成第二伪输入数据；以及生成由所述第二伪输入数据和确定出的所述区域中包含的所述评价数据的所述第二训练数据构成的新评价数据，并存储于所述存储部中。4.根据权利要求1所述的计算机，其特征在于，所述第一伪输入数据是根据位于所述特征量空间中的所述代表学习数据的附近的所述特征量向量而生成的。5.根据权利要求1所述的计算机，其特征在于，所述存储部存储由第二输入数据和第二训练数据构成的评价数据，
所述计算机具备：评价部，其使用存储于所述存储部的所述评价数据来评价所述识别器，所述学习部在生成了第一识别器之后，在由所述生成部生成的所述学习数据被存储到所述存储部中的情况下，通过再次执行所述学习处理来生成第二识别器，所述评价部进行如下处理：通过比较将所述评价数据的所述第二输入数据输入到所述第一识别器和所述第二识别器而得到的输出值以及所述评价数据的所述第二训练数据，从而取得所述第一识别器和所述第二识别器相对于所述评价数据的识别结果，并存储到所述存储部中；基于所述第一识别器和所述第二识别器相对于所述评价数据的识别结果，分析相对于所述评价数据的识别结果的变化；以及根据相对于所述评价数据的识别结果的变化的分析结果，决定采用所述第一识别器和所述第二识别器中的哪一个。6.根据权利要求5所述的计算机，其特征在于，所述计算机具备：输出部，其生成并输出显示信息，所述显示信息用于提示相对于所述评价数据的识别结果的变化的分析结果。7.一种计算机执行的识别任意事件的识别器的学习方法，其特征在于，所述计算机具有运算装置、与所述运算装置连接的存储装置以及与所述运算装置连接的接口，在所述存储装置中存储由第一输入数据和第一训练数...

【专利技术属性】
技术研发人员：柿下容弓，服部英春，铃木洋一郎，田上英嗣，
申请(专利权)人：株式会社日立高新技术，
类型：发明
国别省市：