CN111602409B - 元数据生成装置、元数据生成方法和存储介质 - Google Patents
元数据生成装置、元数据生成方法和存储介质 Download PDFInfo
- Publication number
- CN111602409B CN111602409B CN201880086446.7A CN201880086446A CN111602409B CN 111602409 B CN111602409 B CN 111602409B CN 201880086446 A CN201880086446 A CN 201880086446A CN 111602409 B CN111602409 B CN 111602409B
- Authority
- CN
- China
- Prior art keywords
- metadata
- data
- processing module
- input data
- probability density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Selective Calling Equipment (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
提供元数据生成装置等,能够生成有助于避免向处理模块输入不适当数据的元数据。元数据生成装置生成与处理模块对应的元数据。处理模块为通过使用多个学习用数据而生成的已学习模型。多个学习用数据中的各个学习用数据包含输入数据和输出数据的正解标签。元数据生成装置具有概率密度函数生成部和元数据生成部。概率密度函数生成部生成分别与相同的正解标签对应的多个输入数据的概率密度函数。元数据生成部根据概率密度函数生成元数据。
Description
技术领域
本发明涉及元数据生成装置、元数据生成方法和存储介质。
背景技术
日本特开2014-45242号公报(专利文献1)公开了生成虚拟传感器的虚拟传感器生成装置。在该虚拟传感器生成装置中,检测出存在于规定范围内的实际传感器,通过使用检测出的实际传感器来生成虚拟传感器(参照专利文献1)。
现有技术文献
专利文献
专利文献1:日本特开2014-45242号公报
发明内容
发明要解决的课题
上述专利文献1所公开的虚拟传感器例如包含实际传感器(设备的一例)和处理模块。处理模块例如为通过使用多个学习用数据而生成的已学习模型,通过对由实际传感器输出的感测数据(输入数据的一例)实施处理,生成与输入数据不同的输出数据。
在这样的情况下,当将由具有与在学习用数据的生成中使用的设备完全不同的属性的设备输出的数据输入到处理模块时,可能产生如下情形:已学习模型的原来的功能无法发挥,其结果,虚拟传感器无法发挥期望的功能。
本发明是为了解决这样的问题而完成的,其目的在于提供一种能够生成与处理模块对应的有助于避免向处理模块输入不适当数据的元数据的元数据生成装置、元数据生成方法和程序。
用于解决课题的手段
本发明的一个方面的元数据生成装置构成为生成与处理模块对应的元数据。处理模块为通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据来生成与输入数据不同的输出数据。多个学习用数据中的各个学习用数据包含输入数据以及与输入数据对应的输出数据的正解标签。元数据生成装置具有概率密度函数生成部和元数据生成部。概率密度函数生成部构成为生成分别与相同的正解标签对应的多个输入数据的概率密度函数。元数据生成部构成为根据概率密度函数生成元数据。
如上所述,处理模块为通过使用多个学习用数据而生成的已学习模型。已学习模型以输出了学习用数据的设备的属性为前提,因此,在被输入了由完全不同的属性的设备输出的数据的情况下未必会输出期望的结果。在该元数据生成装置中,根据分别与相同的正解标签(包含在学习用数据中。)对应的多个输入数据(包含在学习用数据中。)的概率密度函数来生成元数据。在该元数据中反映了输出了学习用数据的设备的属性。通过参照该元数据,例如,能够选择具有与输出了学习用数据的设备接近的属性的设备作为将输入数据向处理模块输出的设备,能够避免向处理模块输入不适当数据。因此,根据该元数据生成装置,能够生成有助于避免向处理模块输入不适当数据的元数据。
此外,在上述元数据生成装置中,概率密度函数生成部也可以构成为按照多个学习用数据所包含的每个正解标签生成概率密度函数。
在该元数据生成装置中,按照每个正解标签生成输入数据的概率密度函数,根据所生成的多个概率密度函数生成元数据。因此,根据该元数据生成装置,能够生成更加详细地反映输出了学习用数据的设备的属性的元数据。
此外,输入数据也可以为由感测设备输出的感测数据。
此外,处理模块也可以构成为根据多个输入数据生成输出数据。
此外,也可以由处理模块和将输入数据向处理模块输出的设备形成虚拟传感器。
在本发明的另一方面的元数据生成方法中,生成与处理模块对应的元数据。处理模块为通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据来生成与输入数据不同的输出数据。多个学习用数据中的各个学习用数据包含输入数据以及与输入数据对应的输出数据的正解标签。元数据生成方法包含以下步骤:生成分别与相同的正解标签对应的多个输入数据的概率密度函数的步骤;以及根据概率密度函数生成元数据的步骤。
在该元数据生成方法中,根据分别与相同的正解标签(包含在学习用数据中。)对应的多个输入数据(包含在学习用数据中。)的概率密度函数来生成元数据。在该元数据中反映了输出了学习用数据的设备的属性。通过参照该元数据,例如,能够选择具有与输出了学习用数据的设备接近的属性的设备作为将输入数据向处理模块输出的设备,能够避免向处理模块输入不适当数据。因此,根据该元数据生成方法,能够生成有助于避免向处理模块输入不适当数据的元数据。
本发明的另一方面的程序使计算机执行生成与处理模块对应的元数据的处理。处理模块为通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据来生成与输入数据不同的输出数据。多个学习用数据中的各个学习用数据包含输入数据和与输入数据对应的输出数据的正解标签。程序构成为使计算机执行以下步骤:生成分别与特定的正解标签对应的多个输入数据的概率密度函数的步骤;以及根据概率密度函数生成元数据的步骤。
当通过计算机执行该程序时,根据分别与相同的正解标签(包含在学习用数据中。)对应的多个输入数据(包含在学习用数据中。)的概率密度函数来生成元数据。在该元数据中反映了输出了学习用数据的设备的属性。通过参照该元数据,例如,能够选择具有与输出了学习用数据的设备接近的属性的设备作为将输入数据向处理模块输出的设备,能够避免向处理模块输入不适当数据。因此,根据该程序,能够生成有助于避免向处理模块输入不适当数据的元数据。
发明效果
根据本发明,可以提供能够生成与处理模块对应的有助于避免向处理模块输入不适当数据的元数据的元数据生成装置、元数据生成方法和程序。
附图说明
图1是用于说明元数据生成装置的概要的图。
图2是示出实施方式1中的传感器网络***的一例的图。
图3是示出实施方式1中的虚拟传感器管理服务器的硬件结构的一例的图。
图4是示出学习用数据DB的一例的图。
图5是示出第1元数据DB的一例的图。
图6是示出虚拟传感器管理服务器的软件结构的一部分(包含第1元数据生成模块。)的一例的图。
图7是示出实施方式1中的虚拟传感器管理服务器的软件结构的一部分(包含适合性判定模块。)的一例的图。
图8是示出第1元数据的生成动作的一例的流程图。
图9是示出实施方式1中的感测设备的适合性判定动作的一例的流程图。
图10是示出实施方式2中的传感器网络***的图。
图11是示出实施方式2中的虚拟传感器管理服务器的硬件结构的图。
图12是示出第2元数据DB的一例的图。
图13是示出实施方式2中的虚拟传感器管理服务器的软件结构的一部分(包含适合性判定模块。)的一例的图。
图14是示出实施方式2中的感测设备的适合性判定动作的一例的流程图。
具体实施方式
以下,使用附图详细地说明本发明的一个方面的实施方式(以下,也记作“本实施方式”。)。另外,对图中相同或对应部分标注相同标号并不再重复其说明。此外,以下说明的本实施方式在全部方面仅是本发明的例示。本实施方式能够在本发明的范围内进行各种改良、变更。即,在实施本发明时,能够根据实施方式适当采用具体结构。
[1.实施方式1]
<1-1.概要>
图1是用于说明本实施方式1的元数据生成装置50(处理模块侧元数据生成模块120(后述))的概要的图。参照图1,处理模块110具有至少一个输入端口,向各输入端口输入由感测设备12(设备的一例)输出的感测数据(输入数据的一例)。处理模块110构成为根据输入数据来生成与输入数据不同的输出数据。即,由处理模块110和将输入数据向处理模块110输出的感测设备12(输入传感器)形成所谓的虚拟传感器。虚拟传感器是根据通过由输入传感器观测对象而生成的感测数据来将与由输入传感器观测的对象不同的对象的观测结果作为感测数据来输出的传感器模块。之后详细说明虚拟传感器。
处理模块110为通过使用多个学习用数据而生成的已学习模型。多个学习用数据例如在生成处理模块110时从学习用数据DB(database:数据库)140读出。各学习用数据包含向处理模块110输入的输入数据(由感测设备12输出的感测数据)和被输入了该输入数据的情况下的处理模块110的输出数据的正解标签。
当将由与在学习用数据的生成中使用的感测设备12具有完全不同的属性的感测设备12输出的数据输入到处理模块110时,可能产生如下情形:已学习模型的本来的功能无法发挥,其结果,虚拟传感器无法发挥期望的功能。
本实施方式1的元数据生成装置50为了避免这样的情形,生成与处理模块110对应的有助于避免向处理模块110输入不适当数据的元数据。
具体而言,元数据生成装置50具有概率密度函数生成部122和处理模块侧元数据生成部(以下,也称作“第1元数据生成部”。)124。概率密度函数生成部122从学习用数据DB140中读出在生成处理模块110时使用的学习用数据,生成分别与相同的正解标签对应的多个输入数据的概率密度函数。第1元数据生成部124根据所生成的概率密度函数来生成元数据(以下,也称作“第1元数据”。)。
在由概率密度函数生成部122生成的概率密度函数中反映了在学习用数据的生成中使用的感测设备12的属性。因此,在根据该概率密度函数而生成的第1元数据中也反映了在学习用数据的生成中使用的感测设备12的属性。通过参照该第1元数据,例如,能够选择具有与输出了学习用数据的感测设备12接近的属性的感测设备12作为将输入数据向处理模块110输出的感测设备12。其结果,能够避免向处理模块110输入不适当数据的情形。因此,根据元数据生成装置50,能够生成有助于避免向处理模块110输入不适当数据的元数据(第1元数据)。
<1-2.结构>
(1-2-1.***整体的结构)
图2是示出包含本实施方式1的处理模块侧元数据生成模块(以下,也称作“第1元数据生成模块”。)120的传感器网络***10的一例的图。在图2的例子中,传感器网络***10包含传感器网络部14、虚拟传感器管理服务器100和应用服务器300。
传感器网络部14、虚拟传感器管理服务器100和应用服务器300经由互联网15连接成能够相互进行通信。另外,传感器网络***10所包含的各结构要素(虚拟传感器管理服务器100、应用服务器300、传感器网络适配器11和感测设备12等)的数量不限定于图2所示的数量。
在传感器网络***10中,由感测设备12等生成的感测数据能够流通。例如,由感测设备12生成的感测数据能够向虚拟传感器管理服务器100流通,由虚拟传感器生成的感测数据能够向应用服务器300流通。
传感器网络部14例如包含多个传感器网络适配器11。多个传感器网络适配器11中的各个传感器网络适配器11与多个感测设备12连接,各感测设备12经由传感器网络适配器11与互联网15连接。
感测设备12构成为通过观测对象来获得感测数据。感测设备12例如包含图像传感器(照相机)、温度传感器、湿度传感器、照度传感器、力传感器、声音传感器、速度传感器、加速度传感器、RFID(Radio Frequency IDentification:射频识别)传感器、红外线传感器、姿势传感器、降雨传感器、放射性传感器和气体传感器等。此外,感测设备12不一定必须是固定设置型,也可以是移动电话、智能手机和平板电脑等移动型。此外,各感测设备12不一定必须由单一的传感器构成,也可以由多个传感器构成。此外,感测设备12可以以任何目的设置,例如,也可以为了工厂中的FA(Factory Automation:工厂自动化)、生产管理、城市交通控制、气象等环境测量、健康护和防盗等而设置。
在传感器网络部14中,例如,各传感器网络适配器11配置在不同的(远的)场所,与各传感器网络适配器11连接的各感测设备12配置在相同的(近的)场所,但它们的配置场所不限定于此。
各应用服务器300(300A、300B)构成为执行利用感测数据的应用(application),例如,通过通用计算机来实现。应用服务器300经由互联网15取得所需要的感测数据。
虚拟传感器管理服务器100是用于实现虚拟传感器的服务器。在虚拟传感器管理服务器100中,实现有多个处理模块110、第1元数据生成模块120和适合性判定模块130,并且管理学习用数据DB 140和第1元数据DB 150。多个处理模块110、第1元数据生成模块120和适合性判定模块130例如分别为软件模块。
处理模块110构成为包含至少一个输入端口,根据输入到各输入端口的输入数据来生成与输入数据不同的输出数据。处理模块110能够根据需要切换将输入数据向输入端口输出的感测设备12。例如,在当前将输入数据向输入端口输出的感测设备12发生了故障的情况下,处理模块110能够将输入传感器切换为其他感测设备12。
处理模块110例如也可以构成为根据由配置于室内的声音传感器输出的输入数据(声音数据)来输出表示存在于该室内的人的数量的数据。在该情况下,能够通过处理模块110和感测设备12(声音传感器)来实现检测室内的人的数量的虚拟传感器。
第1元数据生成模块120构成为生成与处理模块110对应的第1元数据。适合性判定模块130构成为判定正在将输入数据向处理模块110输出的感测设备12的适合性。之后说明各软件模块和各数据库的详细内容。
(1-2-2.虚拟传感器管理服务器的硬件结构)
图3是示出虚拟传感器管理服务器100的硬件结构的一例的图。另外,在本实施方式1中,虚拟传感器管理服务器100例如通过通用计算机来实现。
在图3的例子中,虚拟传感器管理服务器100包含控制部180、通信I/F(interface:接口)195和存储部190,各结构经由总线197电连接。
控制部180构成为包含CPU(Central Processing Unit:中央处理器)182、RAM(Random Access Memory:随机存取存储器)184和ROM(Read Only Memory:只读存储器)186等,根据信息处理进行各结构要素的控制。
通信I/F 195构成为经由互联网15与设置于虚拟传感器管理服务器100的外部的外部装置(例如,应用服务器300和传感器网络部14(图2))进行通信。通信I/F 195例如由有线LAN(Local Area Network:局域网)模块、无线LAN模块构成。
存储部190例如是硬盘驱动器、固态驱动器等辅助存储装置。存储部190例如构成为存储学习用数据DB 140、第1元数据DB 150和控制程序191。此外,在存储部190的一部分存储区域设置有数据缓冲器160。
图4是示出学习用数据DB 140的一例的图。在图4的例子中,在学习用数据DB 140中,管理在生成各处理模块110时使用的学习用数据。在该例子中,处理模块M1构成为根据从声音传感器输出的输入数据(音量数据),输出存在于配置有该声音传感器的房间内的人的数量。在该情况下,在处理模块M1的生成中使用的多个学习用数据各自包含音量数据和输入了该音量数据的情况下的处理模块110的输出数据(房间内的人数)的正解标签(正确值)。
另外,处理模块M1根据一个输入数据生成一个输出数据,但是,各处理模块110不一定必须根据一个输入数据生成一个输出数据。各处理模块110例如也可以根据多个输入数据生成一个输出数据。
图5是示出第1元数据DB 150的一例的图。在图5的例子中,在第1元数据DB 150中管理各处理模块110的第1元数据151。各第1元数据151是根据在所对应的处理模块110的生成时使用的多个学习用数据来生成的。关于与各处理模块110对应的第1元数据,之后也包含生成方法和使用方法在内地详细进行说明。
再次参照图3,数据缓冲器160构成为暂时存储由感测设备12向处理模块110输出的感测数据。根据数据缓冲器160所暂时存储的感测数据来判定正在将感测数据向处理模块110输出的感测设备12的适合性。之后详细地说明适合性的判定方法。
控制程序191为由控制部180执行的虚拟传感器管理服务器100的控制程序。例如,也可以通过使控制部180执行控制程序191,实现各处理模块110、第1元数据生成模块120和适合性判定模块130。在控制部180执行控制程序191的情况下,控制程序191展开到RAM 184中。然后,控制部180通过利用CPU 182解释和执行被展开到RAM 184中的控制程序191来控制各结构要素。
(1-2-3.虚拟传感器管理服务器的软件结构)
图6是示出虚拟传感器管理服务器100的软件结构的一部分(包含第1元数据生成模块120。)的一例的图。在图6的例子中,通过使控制部180执行控制程序191,实现处理模块110、第1元数据生成模块120和第1元数据登记部126。
如上所述,处理模块110是通过使用学习用数据DB 140所存储的多个学习用数据进行学习来生成的。
第1元数据生成模块120构成为根据在处理模块110的生成中使用的学习用数据来生成与处理模块110对应的元数据(第1元数据)。第1元数据生成模块120包含概率密度函数生成部122和第1元数据生成部124。
概率密度函数生成部122从学习用数据DB 140中读出在处理模块110的生成中使用的多个学习用数据。概率密度函数生成部122生成分别与相同的正解标签对应的多个输入数据的概率密度函数。概率密度函数生成部122按照每个正解标签生成概率密度函数。即,在概率密度函数生成部122中,生成多个概率密度函数。另外,在输入到处理模块110的输入数据为一个的情况下,如图5内的第1元数据151所示,概率密度函数为二维的,但是,在输入到处理模块110的输入数据为两个以上的情况下,概率密度函数的维数也与输入数据的数量增加相应地增加。
第1元数据生成部124根据由概率密度函数生成部122生成的多个概率密度函数来生成第1元数据(例如,图5中的第1元数据151)。例如,第1元数据生成部124将由概率密度函数生成部122生成的多个概率密度函数汇总所得的数据作为第1元数据。
第1元数据登记部126将由第1元数据生成部124生成的第1元数据与处理模块110对应起来登记在第1元数据DB 150中。在本实施方式1的虚拟传感器管理服务器100中,各处理模块110的第1元数据登记在第1元数据DB 150中。登记在第1元数据DB 150中的第1元数据用于各种用途。
图7是示出虚拟传感器管理服务器100的软件结构的一部分(包含适合性判定模块130。)的一例的图。图7的例子所示的结构使用登记在第1元数据DB 150中的第1元数据。另外,适合性判定模块130、切换部138和处理模块110是通过使控制部180执行控制程序191来实现的。
适合性判定模块130根据与处理模块110对应的第1元数据和向处理模块110输入的输入数据来判定正在将输入数据向处理模块110输出的感测设备12的适合性。适合性判定模块130包含取得部132、概率密度函数生成部134和适合性判定部136。
取得部132从第1元数据DB 150取得与处理模块110对应的第1元数据。另外,向处理模块110输入了由作为适合性判定的对象的感测设备12输出的感测数据。由感测设备12输出的感测数据暂时存储到数据缓冲器160中。
概率密度函数生成部134生成数据缓冲器160所暂时存储的多个感测数据(输入数据)的概率密度函数。该多个感测数据是在感测设备12的周围的环境未大幅发生变化的时间内生成的。即,由概率密度函数生成部134生成的概率密度函数为在相同的环境下由感测设备12输出的感测数据(向处理模块110输入的输入数据)的概率密度函数,表示感测设备12的属性(输出的趋势)。
适合性判定部136根据由取得部132取得的第1元数据和由概率密度函数生成部134生成的概率密度函数来判定感测设备12的适合性。适合性判定部136例如判定第1元数据所包含的多个概率密度函数中的任意一个概率密度函数与由概率密度函数生成部134生成的概率密度函数的类似度是否为规定值以上。另外,在类似度的计算中使用公知的各种方法。
在类似度为规定值以上的情况下,感测设备12的输出的趋势与生成了处理模块110的学习用数据的感测设备12的输出的趋势接近,因此,适合性判定部136判定为感测设备12适合。另一方面,在类似度小于规定值的情况下,感测设备12的输出的趋势不与生成了处理模块110的学习用数据的感测设备12的输出的趋势接近,因此,适合性判定部136判定为感测设备12不适合。
切换部138根据适合性判定部136的判定结果来进行将感测数据向处理模块110输出的感测设备12的切换。例如,在由适合性判定部136判定为感测设备12不适合的情况下,切换部138进行感测设备12的切换。例如,切换部138经由通信I/F 195,将输出停止指示发送到当前正在将输入数据向处理模块110输出的感测设备12,并且将输出开始指示发送到另一感测设备12。另一方面,例如,在由适合性判定部136判定为感测设备12适合的情况下,切换部138不进行感测设备12的切换。
<1-3.动作>
(1-3-1.元数据生成动作)
图8是示出第1元数据的生成动作的一例的流程图。该流程图所示的处理例如通过在生成处理模块110之后使控制部180作为第1元数据生成模块120(图6)发挥功能来执行。
参照图8,控制部180选择在处理模块110的生成中使用的多个学习用数据所包含的多种正解标签中的任意一个正解标签(步骤S100)。控制部180根据分别与所选择的种类的正解标签对应的多个输入数据(包含于在处理模块110的生成中使用的多个学习用数据中。)来生成概率密度函数(步骤S110)。
控制部180判定是否关于多个学习用数据所包含的全部种类的正解标签生成了概率密度函数(步骤S120)。当判定为关于一部分的正解标签未生成概率密度函数时(在步骤S120中为“否”),控制部180选择与已经生成了概率密度函数的正解标签不同种类的正解标签(步骤S130)。然后,控制部180反复进行步骤S110至步骤S130的处理,直到关于全部种类的正解标签生成概率密度函数为止。
另一方面,当在步骤S120中判定为关于全部种类的正解标签生成了概率密度函数时(在步骤S120中为“是”),控制部180根据所生成的全部概率密度函数来生成第1元数据(步骤S140)。然后,控制部180将所生成的第1元数据登记到第1元数据DB 150(图6)中(步骤S150)。
这样,在本实施方式1中,根据分别与相同的正解标签对应的多个输入数据(包含在学习用数据中。)的概率密度函数来生成第1元数据。在第1元数据中反映有生成了学习用数据的感测设备12的属性。通过参考第1元数据,例如,能够选择具有与生成了学习用数据的感测设备12接近的属性的感测设备12作为将输入数据向处理模块110输出的感测设备12,能够避免向处理模块110输入不适当数据。因此,根据虚拟传感器管理服务器100,能够生成有助于避免向处理模块110输入不适当数据的第1元数据。
(1-3-2.感测设备的适合性判定动作)
图9是示出感测设备12的适合性判定动作的一例的流程图。例如,在从感测设备12向处理模块110输出了感测数据的情况下,以规定间隔执行该流程图所示的处理。此外,通过使控制部180作为适合性判定模块130发挥功能来执行该流程图所示的处理。
参照图9,控制部180从第1元数据DB 150取得与处理模块110对应的第1元数据(步骤S200)。向与在步骤S200中取得的第1元数据对应的处理模块110输入了由作为适合性的判定对象的感测设备12输出的感测数据。
控制部180控制数据缓冲器160开始由感测设备12向处理模块110输出的感测数据的缓冲(步骤S210)。控制部180判定是否从缓冲开始起经过了规定时间T1(步骤S220)。当判定为未经过规定时间T1时(在步骤S220中为“否”),控制部180继续进行感测数据的缓冲,直到经过规定时间T1为止。另外,规定时间T1例如为感测设备12的周围的环境未大幅发生变化的时间。
另一方面,当在步骤S220中判定为经过了规定时间T1时(在步骤S220中为“是”),控制部180根据数据缓冲器160所存储的多个感测数据来生成概率密度函数(步骤S230)。控制部180计算所生成的概率密度函数与在步骤S200中取得的第1元数据所包含的多个概率密度函数各自的类似度,判定计算出的任意一个类似度是否为规定值V1以上(步骤S240)。
当判定为任意一个类似度为规定值V1以上时(在步骤S240中为“是”),控制部180判定为感测设备12适合(步骤S250)。另一方面,当判定为全部类似度小于规定值V1时(在步骤S240中为“否”),控制部180判定为感测设备12不适合(步骤S260)。
这样,在本实施方式1中,根据与处理模块110对应的第1元数据来判定正在将感测数据向处理模块110输出的感测设备12的适合性。即,在本实施方式1中,在充分考虑输出了在处理模块110的生成中使用的学习用数据的感测设备12的属性(输出趋势)的基础上,判定感测设备12的适合性。因此,根据本实施方式1的虚拟传感器管理服务器100,能够更加准确地判定将输入数据向处理模块110输出的感测设备12的适合性。
此外,在本实施方式1中,在判定感测设备12的适合性时,考虑了根据数据缓冲器160所存储的多个感测数据而生成的概率密度函数。因此,根据本实施方式1的虚拟传感器管理服务器100,能够更加准确地判定将输入数据向处理模块110输出的感测设备12的适合性。
<1-4.特征>
如上所述,本实施方式1的元数据生成装置(第1元数据生成模块120)构成为生成与处理模块110对应的元数据。第1元数据生成模块120具有概率密度函数生成部122和第1元数据生成部124。概率密度函数生成部122生成分别与相同的正解标签(包含在处理模块110的学习用数据中。)对应的多个输入数据的概率密度函数。第1元数据生成部124根据所生成的概率密度函数来生成第1元数据。
在由概率密度函数生成部122生成的概率密度函数中反映了在学习用数据的生成中使用的感测设备12的属性。因此,在根据该概率密度函数而生成的第1元数据中也反映了在学习用数据的生成中使用的感测设备12的属性。通过参照该第1元数据,例如,能够选择具有与输出了学习用数据的感测设备12接近的属性的感测设备12作为将输入数据向处理模块110输出的感测设备12。其结果,能够避免向处理模块110输入不适当数据的情形。因此,根据元数据生成装置50,能够生成有助于避免向处理模块110输入不适当数据的元数据(第1元数据)。
另外,处理模块110是本发明的“处理模块”的一例,第1元数据是本发明的“元数据”的一例,第1元数据生成模块120是本发明的“元数据生成装置”的一例。概率密度函数生成部122是本发明的“概率密度函数生成部”的一例,第1元数据生成部124是本发明的“元数据生成部”的一例。
[2.实施方式2]
在上述实施方式1中,根据与处理模块110对应的第1元数据和所缓冲的感测数据来判定正在将感测数据向处理模块110输出的感测设备12的适合性。在本实施方式2中,对各感测设备12预先对应了传感器侧元数据(以下,也称作“第2元数据”。),根据第1元数据和第2元数据来判定感测设备12的适合性,之后叙述详细内容。以下,以与实施方式1不同的方面为中心进行说明。
<2-1.结构>
(2-1-1.***整体的结构)
图10是示出本实施方式2中的传感器网络***10A的图。在图2的例子中,传感器网络***10A包含虚拟传感器管理服务器100A,虚拟传感器管理服务器100A包含传感器侧元数据DB(以下,也称作“第2元数据DB”。)170和适合性判定模块130A。之后详细地说明第2元数据DB 170和适合性判定模块130A。
(2-1-2.虚拟传感器管理服务器的硬件结构)
图11是示出虚拟传感器管理服务器100A的硬件结构的图。在图11的例子中,虚拟传感器管理服务器100A包含控制部180A和存储部190A,存储部190A存储有第2元数据DB170和控制程序191A。
控制部180A构成为包含CPU 182、RAM 184和ROM 186等,根据信息处理进行各结构要素的控制。存储部190A例如是硬盘驱动器、固态驱动器等辅助存储装置。
图12是示出第2元数据DB 170的一例的图。在图12的例子中,在第2元数据DB 170中,按照传感器网络部14所包含的每个感测设备12管理有第2元数据171。在该例子中,第2元数据DB 170至少管理有与感测设备S1、S2、S3分别对应的第2元数据171。各第2元数据是根据分别由感测设备12输出到处理模块110的多个输入数据(感测数据)来生成的。另外,在将该多个输入数据中的各个输入数据输入到处理模块110的情况下,处理模块110输出相同的输出值。
例如,关于感测设备S1,第2元数据171的一例为处理模块M1输出了各输出值(相同的输出值)的情况下的感测数据(感测设备S1(输入传感器)的输出值)的概率密度函数和处理模块M2输出了各输出值的情况下的感测数据的概率密度函数。例如,在将新的感测设备12追加到传感器网络部14的情况、在虚拟传感器管理服务器100A中生成了新的处理模块110的情况下,生成第2元数据171。
(2-1-3.虚拟传感器管理服务器的软件结构)
图13是示出虚拟传感器管理服务器100A的软件结构的一部分(包含适合性判定模块130A。)的一例的图。适合性判定模块130A和切换部138A通过使控制部180A执行控制程序191A来实现。
适合性判定模块130A根据与处理模块110对应的第1元数据和与感测设备12对应的第2元数据来判定将感测数据向处理模块110输出的(或预定要输出的)感测设备12的适合性。适合性判定模块130A包含取得部132A、135和适合性判定部136A。
取得部132A从第1元数据DB 150取得与处理模块110对应的第1元数据。另外,作为适合性的判定对象的感测设备12可以正在将感测数据向该处理模块110输出,也可以预定将感测数据向该处理模块110输出(在当前时刻还没有输出。)。
取得部135从第2元数据DB 170(图12)取得与作为适合性的判定对象的感测设备12对应的多个第2元数据中的与感测数据的输出目的地(包含输出预定目的地。)的处理模块110对应的第2元数据。
适合性判定部136A根据由取得部132A取得的第1元数据和由取得部135取得的第2元数据来判定感测设备12的适合性。适合性判定部136A例如判定第1元数据与第2元数据的类似度是否为规定值以上。另外,在类似度的计算中使用公知的各种方法。
在类似度为规定值以上的情况下,感测设备12的输出的趋势与生成了处理模块110的学习用数据的感测设备12的输出的趋势接近,因此,适合性判定部136A判定为感测设备12适合。另一方面,在类似度小于规定值的情况下,感测设备12的输出的趋势不与生成了处理模块110的学习用数据的感测设备12的输出的趋势接近,因此,适合性判定部136A判定为感测设备12不适合。
切换部138A根据适合性判定部136A的判定结果来进行将感测数据向处理模块110输出的感测设备12的切换。例如,在由适合性判定部136A判定为感测设备12不适合的情况下,切换部138A进行感测设备12的切换。
例如,当在感测设备12正在将感测数据向处理模块110输出的情况下判定为感测设备12不适合时,切换部138A经由通信I/F 195将输出停止指示发送到该感测设备12,并且将输出开始指示发送到另一感测设备12。在该情况下,另一感测设备12不一定必须是与被发送了输出停止指示的感测设备12相同种类的感测设备12。例如,在被发送了输出停止指示的感测设备12为监视照相机的情况下,作为切换目标的感测设备12也可以为智能手机(具有照相机功能)。总之,切换源与切换目标具有相同种类的功能即可。
另外,在感测设备12还未输出感测数据的情况下,切换部138A不特别进行切换。在该情况下,在判定为感测设备12不适合时,例如,进行另一感测设备12的适合性判定。
<2-2.感测设备的适合性判定动作>
图14是示出感测设备12的适合性判定动作的一例的流程图。例如,在从感测设备12向处理模块110输出了感测数据的情况下,以规定间隔执行该流程图所示的处理。此外,例如,当在还未将感测数据向处理模块110输入的状态下选择感测设备12的情况下,执行该流程图所示的处理。此外,该流程图所示的处理通过使控制部180A作为适合性判定模块130A发挥功能来执行。
参照图14,控制部180A从第1元数据DB 150取得与处理模块110对应的第1元数据(步骤S300)。控制部180A从第2元数据DB 170取得与作为适合性的判定对象的感测设备12对应的多个第2元数据中的与感测数据的输出目的地(包含输出预定目的地。)的处理模块110对应的第2元数据(步骤S310)。
控制部180A计算在步骤S300中所取得的第1元数据与在步骤S310中所取得的第2元数据的类似度,判定计算出的类似度是否为规定值V2以上(步骤S320)。
当判定为类似度为规定值V2以上时(在步骤S320中为“是”),控制部180A判定为感测设备12适合(步骤S330)。另一方面,当判定为类似度小于规定值V2时(在步骤S320中为“否”),控制部180A判定为感测设备12不适合(步骤S340)。
这样,在本实施方式2中,根据与处理模块110对应的第1元数据和与感测设备12对应的第2元数据来判定感测设备12的适合性。因此,根据本实施方式2的虚拟传感器管理服务器100A,通过参照第2元数据来充分考虑将输入数据向处理模块110输出的感测设备12的属性,因此,能够更加准确地判定感测设备12的适合性。
[3.变形例]
以上,对实施方式1、2进行了说明,但是本发明不限于上述实施方式1、2,能够在不脱离其主旨的范围内进行各种变更。以下,说明变形例。其中,以下的变形例能够适当组合。
<3-1>
在上述实施方式1、2中,学习用数据DB 140设置于虚拟传感器管理服务器100、100A。但是,学习用数据DB 140不一定必须设置于虚拟传感器管理服务器100、100A。学习用数据DB 140例如可以存储到与互联网15连接的其他服务器中。
<3-2>
此外,在上述实施方式1、2中,在第1元数据中包含概率密度函数本身。但是,不一定必须将概率密度函数本身包含在第1元数据中。例如,也可以仅将在概率密度函数中频度(概率)小于规定值的输入值的范围、在概率密度函数中频度(概率)为规定值以上的输入值的范围包含在第1元数据中。
<3-3>
此外,在上述实施方式2中,在第2元数据中包含概率密度函数本身。但是,不一定必须将概率密度函数本身包含在第2元数据中。例如,也可以仅将在概率密度函数中频度(概率)小于规定值的输入值的范围、在概率密度函数中频度(概率)为规定值以上的输入值的范围包含在第2元数据中。
<3-4>
此外,在上述实施方式1、2中,将由感测设备12输出的感测数据输入到处理模块110。但是,输入到处理模块110的数据不限于由感测设备12输出的感测数据。例如,可以预先将服务器上的数据库所存储的感测数据(例如,数据集)输入到处理模块110。此外,例如,也可以将由虚拟传感器输出的感测数据输入到处理模块110。
<3-5>
此外,在上述实施方式1、2中,由虚拟传感器管理服务器100、100A进行的处理也可以通过多个服务器等来实现。
标号说明
10、10A:传感器网络***;11:传感器网络适配器;12:感测设备;14:传感器网络部;15:互联网;50:元数据生成装置;100、100A:虚拟传感器管理服务器;110:处理模块;120:处理模块侧元数据(第1元数据)生成模块;122:概率密度函数生成部;124:处理模块侧元数据(第1元数据)生成部;126:处理模块侧元数据(第1元数据)登记部;130、130A:适合性判定模块;132、132A、135:取得部;134:概率密度函数生成部;136、136A:适合性判定部;138、138A:切换部;140:学习用数据DB;150:处理模块侧元数据(第1元数据)DB;151:第1元数据;160:数据缓冲器;170:传感器侧元数据(第2元数据)DB;171:第2元数据;180、180A:控制部;182:CPU;184:RAM;186:ROM;190、190A:存储部;191、191A:控制程序;195:通信I/F;197:总线;300:应用服务器。
Claims (7)
1.一种元数据生成装置,其构成为生成与处理模块对应的元数据,其中,
所述处理模块为通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据来生成与所述输入数据不同的输出数据,
所述多个学习用数据中的各个学习用数据包含所述输入数据以及与所述输入数据对应的所述输出数据的正解标签,
所述元数据生成装置具有:
概率密度函数生成部,其构成为生成分别与相同的所述正解标签对应的多个所述输入数据的概率密度函数;以及
元数据生成部,其构成为根据所述概率密度函数生成所述元数据,
在所述元数据中反映了输出了所述多个学习用数据的设备的属性,
通过参考所述元数据,选择具有与输出了所述多个学习用数据的设备接近的属性的设备,作为将所述输入数据向所述处理模块输出的设备。
2.根据权利要求1所述的元数据生成装置,其中,
所述概率密度函数生成部构成为按照所述多个学习用数据所包含的每个所述正解标签生成所述概率密度函数。
3.根据权利要求1或2所述的元数据生成装置,其中,
所述输入数据为由感测设备输出的感测数据。
4.根据权利要求1或2所述的元数据生成装置,其中,
所述处理模块构成为根据多个所述输入数据生成所述输出数据。
5.根据权利要求1或2所述的元数据生成装置,其中,
由所述处理模块和向所述处理模块输出所述输入数据的设备形成虚拟传感器。
6.一种元数据生成方法,生成与处理模块对应的元数据,其中,
所述处理模块为通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据来生成与所述输入数据不同的输出数据,
所述多个学习用数据中的各个学习用数据包含所述输入数据以及与所述输入数据对应的所述输出数据的正解标签,
所述元数据生成方法包含以下步骤:
生成分别与相同的所述正解标签对应的多个所述输入数据的概率密度函数的步骤;以及
根据所述概率密度函数生成所述元数据的步骤,
在所述元数据中反映了输出了所述多个学习用数据的设备的属性,
通过参考所述元数据,选择具有与输出了所述多个学习用数据的设备接近的属性的设备,作为将所述输入数据向所述处理模块输出的设备。
7.一种存储介质,存储有程序,该程序使计算机执行生成与处理模块对应的元数据的处理,其中,
所述处理模块为通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据来生成与所述输入数据不同的输出数据,
所述多个学习用数据中的各个学习用数据包含所述输入数据和与所述输入数据对应的所述输出数据的正解标签,
所述程序构成为使所述计算机执行以下步骤:
生成分别与相同的所述正解标签对应的多个所述输入数据的概率密度函数的步骤;以及
根据所述概率密度函数生成所述元数据的步骤,
在所述元数据中反映了输出了所述多个学习用数据的设备的属性,
通过参考所述元数据,选择具有与输出了所述多个学习用数据的设备接近的属性的设备,作为将所述输入数据向所述处理模块输出的设备。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018033040A JP6477943B1 (ja) | 2018-02-27 | 2018-02-27 | メタデータ生成装置、メタデータ生成方法及びプログラム |
JP2018-033040 | 2018-02-27 | ||
PCT/JP2018/043936 WO2019167367A1 (ja) | 2018-02-27 | 2018-11-29 | メタデータ生成装置、メタデータ生成方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111602409A CN111602409A (zh) | 2020-08-28 |
CN111602409B true CN111602409B (zh) | 2022-05-03 |
Family
ID=65655719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880086446.7A Active CN111602409B (zh) | 2018-02-27 | 2018-11-29 | 元数据生成装置、元数据生成方法和存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210034672A1 (zh) |
JP (1) | JP6477943B1 (zh) |
CN (1) | CN111602409B (zh) |
WO (1) | WO2019167367A1 (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017104287A1 (ja) * | 2015-12-14 | 2017-06-22 | オムロン株式会社 | データフロー制御装置およびデータフロー制御方法 |
CN106909911A (zh) * | 2017-03-09 | 2017-06-30 | 广东欧珀移动通信有限公司 | 图像处理方法、图像处理装置和电子装置 |
CN107179870A (zh) * | 2016-03-11 | 2017-09-19 | 丰田自动车株式会社 | 信息提供装置及存储信息提供程序的存储介质 |
CN107679626A (zh) * | 2017-10-10 | 2018-02-09 | 上海优刻得信息科技有限公司 | 机器学习方法、装置、***、存储介质及设备 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH064093A (ja) * | 1992-06-18 | 1994-01-14 | Matsushita Electric Ind Co Ltd | Hmm作成装置、hmm記憶装置、尤度計算装置及び、認識装置 |
US20060115145A1 (en) * | 2004-11-30 | 2006-06-01 | Microsoft Corporation | Bayesian conditional random fields |
US20080235170A1 (en) * | 2007-03-19 | 2008-09-25 | Microsoft Corporation | Using scenario-related metadata to direct advertising |
US8379085B2 (en) * | 2009-08-18 | 2013-02-19 | Behavioral Recognition Systems, Inc. | Intra-trajectory anomaly detection using adaptive voting experts in a video surveillance system |
US8924313B2 (en) * | 2010-06-03 | 2014-12-30 | Xerox Corporation | Multi-label classification using a learned combination of base classifiers |
US8898169B2 (en) * | 2010-11-10 | 2014-11-25 | Google Inc. | Automated product attribute selection |
WO2013024672A1 (ja) * | 2011-08-12 | 2013-02-21 | オムロン株式会社 | 情報管理装置、情報管理プログラム、および情報管理方法 |
JP2014228995A (ja) * | 2013-05-21 | 2014-12-08 | パイオニア株式会社 | 画像特徴学習装置、画像特徴学習方法及びプログラム |
KR101768438B1 (ko) * | 2013-10-30 | 2017-08-16 | 삼성에스디에스 주식회사 | 데이터 분류 장치 및 방법과 이를 이용한 데이터 수집 시스템 |
US10846611B2 (en) * | 2014-06-16 | 2020-11-24 | Nokia Technologies Oy | Data processing |
US9600764B1 (en) * | 2014-06-17 | 2017-03-21 | Amazon Technologies, Inc. | Markov-based sequence tagging using neural networks |
FR3028064B1 (fr) * | 2014-11-05 | 2016-11-04 | Morpho | Procede de comparaison de donnees ameliore |
US9786270B2 (en) * | 2015-07-09 | 2017-10-10 | Google Inc. | Generating acoustic models |
US20170147941A1 (en) * | 2015-11-23 | 2017-05-25 | Alexander Bauer | Subspace projection of multi-dimensional unsupervised machine learning models |
WO2018200541A1 (en) * | 2017-04-24 | 2018-11-01 | Carnegie Mellon University | Virtual sensor system |
-
2018
- 2018-02-27 JP JP2018033040A patent/JP6477943B1/ja active Active
- 2018-11-29 US US16/964,270 patent/US20210034672A1/en active Pending
- 2018-11-29 CN CN201880086446.7A patent/CN111602409B/zh active Active
- 2018-11-29 WO PCT/JP2018/043936 patent/WO2019167367A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017104287A1 (ja) * | 2015-12-14 | 2017-06-22 | オムロン株式会社 | データフロー制御装置およびデータフロー制御方法 |
CN107179870A (zh) * | 2016-03-11 | 2017-09-19 | 丰田自动车株式会社 | 信息提供装置及存储信息提供程序的存储介质 |
CN106909911A (zh) * | 2017-03-09 | 2017-06-30 | 广东欧珀移动通信有限公司 | 图像处理方法、图像处理装置和电子装置 |
CN107679626A (zh) * | 2017-10-10 | 2018-02-09 | 上海优刻得信息科技有限公司 | 机器学习方法、装置、***、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
JP6477943B1 (ja) | 2019-03-06 |
US20210034672A1 (en) | 2021-02-04 |
JP2019149670A (ja) | 2019-09-05 |
CN111602409A (zh) | 2020-08-28 |
WO2019167367A1 (ja) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6814673B2 (ja) | 移動経路予測装置、及び移動経路予測方法 | |
CN109214421B (zh) | 一种模型训练方法、装置、及计算机设备 | |
US11290643B1 (en) | Efficient digital camera image acquisition and analysis | |
KR20210155655A (ko) | 이상 온도를 나타내는 객체를 식별하는 방법 및 장치 | |
CN109886408A (zh) | 一种深度学习方法及装置 | |
CN109165057B (zh) | 一种智能设备执行任务的方法和装置 | |
JP6707715B2 (ja) | 学習装置、推定装置、学習方法及びプログラム | |
CN111602409B (zh) | 元数据生成装置、元数据生成方法和存储介质 | |
CN111602410B (zh) | 适合性判定装置、适合性判定方法和存储介质 | |
JP2019140557A (ja) | 品質チェック装置、品質チェック方法及びプログラム | |
CN111602412B (zh) | 设备选择装置、数据集选择装置、设备选择方法和存储介质 | |
Delabrida et al. | Towards a wearable device for monitoring ecological environments | |
CN115424346A (zh) | 一种人体坐姿检测方法、装置、计算机设备及*** | |
KR20210074205A (ko) | 분류 기반 영상 측위 장치 및 방법 | |
JP2005084828A (ja) | ユーザ支援システム、ユーザ支援方法及びユーザ支援制御システム | |
CN111860070A (zh) | 识别发生改变的对象的方法和装置 | |
CN113255408B (zh) | 行为识别方法、装置、电子设备及存储介质 | |
JP6468377B1 (ja) | 出力管理装置、出力管理方法及びプログラム | |
CN116824508A (zh) | 一种人员异常行为监控方法、装置、存储介质及电子设备 | |
CN115511502A (zh) | 溯源方法、装置、***、存储介质、服务器及设备 | |
Chen et al. | An Enhanced LBPH Approach to Ambient-Light-Affected Face Recognition Data in Sensor Network. Electronics 2023, 12, 166 | |
Chin Chen et al. | An Enhanced LBPH Approach to Ambient-Light-Affected Face Recognition Data in Sensor Network | |
US20180164765A1 (en) | Service control device, service control method and recording medium | |
KR20230049530A (ko) | 전자 장치 및 타겟 도메인 생성 방법 | |
CN118334689A (zh) | 流程图处理方法、装置以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |