-
公开(公告)号：CN110520875A
公开(公告)日：2019-11-29
申请号：CN201880027224.8
申请日：2018-04-23
Applicant: 日本电信电话株式会社
IPC: G06N20/00 , A61B5/0452
Abstract: 一种学习型信号分离方法，所述方法是使用模型构筑部来进行的学习型信号分离方法，所述模型构筑部基于包括共同的特征的训练用的信号来进行学习处理，所述训练用的信号是包括特定的分量的所述训练用的信号和不包括所述特定的分量的所述训练用的信号，在所述学习型信号分离方法中，基于示出在所述训练用的信号中是否包括所述特定的分量的信息和所述训练用的信号来使所述模型构筑部进行学习处理而生成学习完毕数据，在所述学习处理中生成从所述训练用的信号的数据串分离并除去所述特定的分量后的数据串的信号，取得包括所述共同的特征的任意的信号，基于取得的所述任意的信号和生成的所述学习完毕数据来生成从所述任意的信号的数据串分离并除去所述特定的分量后的数据串的信号。
-
公开(公告)号：CN110520875B
公开(公告)日：2023-07-11
申请号：CN201880027224.8
申请日：2018-04-23
Applicant: 日本电信电话株式会社
Abstract: 一种学习型信号分离方法，所述方法是使用模型构筑部来进行的学习型信号分离方法，所述模型构筑部基于包括共同的特征的训练用的信号来进行学习处理，所述训练用的信号是包括特定的分量的所述训练用的信号和不包括所述特定的分量的所述训练用的信号，在所述学习型信号分离方法中，基于示出在所述训练用的信号中是否包括所述特定的分量的信息和所述训练用的信号来使所述模型构筑部进行学习处理而生成学习完毕数据，在所述学习处理中生成从所述训练用的信号的数据串分离并除去所述特定的分量后的数据串的信号，取得包括所述共同的特征的任意的信号，基于取得的所述任意的信号和生成的所述学习完毕数据来生成从所述任意的信号的数据串分离并除去所述特定的分量后的数据串的信号。
-
公开(公告)号：CN109643397B
公开(公告)日：2023-07-21
申请号：CN201780054018.1
申请日：2017-08-28
Applicant: 日本电信电话株式会社
IPC: G06N3/084 , G06N3/0455 , G06N3/044 , G06N3/048
Abstract: 时间序列数据特征量提取装置具备：数据加工部，基于受理的输入时间序列数据长度和受理的观测最小间隔来将受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述模型的输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。
-
公开(公告)号：CN109643397A
公开(公告)日：2019-04-16
申请号：CN201780054018.1
申请日：2017-08-28
Applicant: 日本电信电话株式会社
Abstract: 时间序列数据特征量提取装置具备：数据加工部，基于受理的输入时间序列数据长度和受理的观测最小间隔来将受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述模型的输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。
-
-
-
Search Results
4
records
(took 0.027 seconds)
