JP2007199807A

JP2007199807A - 学習システム、学習装置、コンピュータの制御方法及びプログラム

Info

Publication number: JP2007199807A
Application number: JP2006014651A
Authority: JP
Inventors: Kazunaga Horiuchi; 一永堀内; Takashi Isozaki; 隆司磯崎; 隆比古 ▲桑▼原; Takahiko Kuwabara; Hiroyuki Funo; 浩之不野; Masao Watabe; 雅夫渡部
Original assignee: Fuji Xerox Co Ltd
Current assignee: Fujifilm Business Innovation Corp
Priority date: 2006-01-24
Filing date: 2006-01-24
Publication date: 2007-08-09
Anticipated expiration: 2026-01-24
Also published as: JP4830509B2

Abstract

【課題】検出しようとする事象とセンサの出力との関係性の変化に柔軟に対応する。
【解決手段】複数のセンサを含むセンサ群１１０と、検出の対象となる検出対象事象とセンサ群１１０の出力との関係性が学習された学習ネットワークにより、前記検出対象事象が発生しているか否かを判定する手段と、前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示手段と、前記模擬行動提示手段により提示された模擬行動情報が示す模擬行動時におけるセンサ群１１０の出力に基づいて、前記関係性を再学習する再学習手段と、を含む学習システム１００。
【選択図】図１

Description

本発明は、センサの出力に基づいて学習する学習システム、学習装置、コンピュータの制御方法及びプログラムに関する。

建物や装置等にセンサを設置して、センサの出力に基づいて人の行動や発生している事象を判定することがある。例えば、従来では、部屋の内部にセンサを設置し、人の出入りをセンサからの出力により判定して、ライトの点灯、消灯を切り替えたりするシステムがある。その場合には、検出しようとする人の行動等の事象とセンサによる出力には予め定められた関係性が構築されており、その関係性とセンサによる出力とに従って、システムは事象の発生を判定していた。

しかしながら、従来のシステムでは、検出しようとする事象とセンサの出力との関係性は一義的に定められていたため、人による個人差、能力差、成長による変化、センサの性能差、センサの劣化（能力低下）状態の違い、センサが設置される環境の変化、センサが設置される環境の変化に、柔軟に対応することができなかった。

本発明は上記課題に鑑みてなされたものであって、その目的の１つは、検出しようとする事象とセンサの出力との関係性の変化に柔軟に対応することができる学習システム、学習装置、コンピュータの制御方法及びプログラムを提供することにある。

上記課題を解決するために、本発明に係る学習システムは、複数のセンサを含むセンサ群と、検出の対象となる検出対象事象と前記センサ群の出力との関係性が学習された学習ネットワークにより、前記検出対象事象が発生しているか否かを判定する手段と、前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示手段と、前記模擬行動提示手段により提示された模擬行動情報が示す模擬行動時における前記センサ群の出力に基づいて、前記関係性を再学習する再学習手段と、を含むことを特徴とする。

また、本発明に係る学習装置は、検出の対象となる検出対象事象と複数のセンサを含むセンサ群の出力との関係性を学習した学習ネットワークにより、前記検出対象事象が発生しているか否かを判定する手段と、前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示手段と、前記模擬行動提示手段により提示された模擬行動情報が示す模擬行動時における前記センサ群の出力に基づいて、前記関係性を再学習する再学習手段と、を含むことを特徴とする。

また、本発明に係るコンピュータ（例えばパーソナルコンピュータ、サーバコンピュータ、携帯情報端末等である。以下、同様。）の制御方法は、検出の対象となる検出対象事象と複数のセンサを含むセンサ群の出力との関係性を学習した学習ネットワークにより、前記検出対象事象が発生しているか否かを判定するステップと、前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示ステップと、前記模擬行動提示ステップにより提示された模擬行動情報が示す模擬行動時における前記センサ群の出力に基づいて、前記関係性を再学習する再学習ステップと、を含むことを特徴とする。

また、本発明に係るコンピュータを機能させるためのプログラムは、検出の対象となる検出対象事象と複数のセンサを含むセンサ群の出力との関係性を学習した学習ネットワークにより、前記検出対象事象が発生しているか否かを判定する手段、前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示手段、及び、前記模擬行動提示手段により提示された模擬行動情報が示す模擬行動時における前記センサ群の出力に基づいて、前記関係性を再学習する再学習手段、としてコンピュータを機能させるためのプログラムである。プログラムは、ＣＤ−ＲＯＭ（Compact Disk - Read Only Memory）、ＤＶＤ−ＲＯＭ（Digital Versatile Disk - Read Only Memory）、メモリーカードその他のあらゆるコンピュータ読み取り可能な情報記憶媒体に格納することとしてもよい。

本発明では、学習システムは、検出の対象となる事象と複数のセンサを含むセンサ群の出力との関係性が学習された学習ネットワークにより、検出の対象となる事象が発生しているか否かを判定する。そして、学習システムは、検出の対象となる事象に関連付けられた模擬行動を示す模擬行動情報をユーザに提示して、模擬行動を促す。学習システムは、前記模擬行動時のセンサ群の出力に基づいて、検出の対象となる事象とセンサ群の出力の関係性の再学習処理を行う。

本発明によると、学習システムは、検出の対象となる事象の模擬行動時のセンサ群の出力に基づいて、検出の対象となる事象とセンサ群の出力との関係性を再学習することができる。

また、本発明の一態様では、前記再学習手段は、前記模擬行動時における前記センサ群の出力に基づいて、前記学習ネットワークにより事象が発生していると判定される場合に、前記関係性を再学習することを特徴とする。これによって、模擬行動を普段の状態から十分に差別して認識できる場合に学習を行うこととなり、学習ネットワークの判定の信頼性を高くすることができる。

また、本発明の一態様では、前記模擬行動時における前記センサ群の出力に基づいて、前記学習ネットワークにより事象が発生していると判定されない場合には、警告を行う手段をさらに含むことを特徴とする。これによって、模擬行動を普段の状態から十分に差別して認識できない場合には、警告を発して学習システムの構成の修正を促すことができる。

また、本発明の一態様では、前記検出対象事象は、犯罪行為であり、前記学習システムは、建物の種類毎に、予め受け得る犯罪類型を記憶する犯罪類型データベースから、前記センサ群の設置対象となる建物の種類に関連付けられた犯罪類型情報を取得する手段をさらに含み、前記模擬行動提示手段は、前記取得した犯罪類型情報に基づいて示される模擬行動情報を提示することを特徴とする。これによって、建物毎にどのような犯罪類型に注意すべきかをデータベースから取得し、取得した犯罪類型情報に基づいて学習システムを最適化することができるため、ユーザに専門的な防犯知識を必要とせずに、ユーザの生活環境に応じて柔軟に学習システムを構築することができる。

以下、本発明の好適な実施形態について図面に基づいて詳細に説明する。

図１は、本発明の実施の形態に係る学習システムを適用した防犯システムのシステム構成図である。図１に示されるように、学習システム１は、防犯知識サーバ１０とホームネットワークシステム１００を含む。そして、防犯知識サーバ１０とホームネットワークシステム１００は、インターネット等の外部ネットワーク５０を介して相互通信可能に接続される。

防犯知識サーバ１０は、防犯に関する知識を格納したデータベースを保有するデータベースサーバである。本実施形態では、防犯知識サーバ１０は、上記データベースの実体データを接続するストレージ１２に格納している。また、防犯知識サーバ１０のデータベースには一例として、住居の見取り図、建物の種類、家族構成や住所に関連付けて、発生する傾向の高い犯罪が記憶されているものとする。そして、防犯知識サーバ１０は、外部ネットワーク５０を介してアクセスする機器に対して、上記データベースを参照して防犯に関する情報の提供を行う。

ホームネットワークシステム１００は、建物２００に設置された複数のセンサ（以下、センサ群１１０とする）、パーソナルコンピュータ１２０とルータ１３０を含む。本実施形態においては、パーソナルコンピュータ１２０は、ルータ１３０とホームネットワーク１４０を介して相互通信可能に接続される。そして、パーソナルコンピュータ１２０は、ルータ１３０を介して、ルータ１３０が接続する外部ネットワーク５０上の防犯知識サーバ１０にアクセスすることができる。また、パーソナルコンピュータ１２０は、センサ群１１０と有線又は無線で接続され、センサ群１１０の各センサからの出力を受信する。

パーソナルコンピュータ１２０は、センサ群１１０からの出力に基づいて予め学習した学習ネットワークを用いて、犯罪が発生したか否かの判定を行う。学習ネットワークのアルゴリズムには、ナイーブベイズ法、パターンマッチング、ＳＯＭ（Self-Organizing Map）、ニューラルネットワーク等の公知のアルゴリズムを用いることができる。

センサ群１１０の各センサは、室温計、湿度計、マイクロフォン、照度計、風量計、遠赤外線検出器、圧力計、使用電力量計、使用ガス量計、使用水量計、カメラなどの多様なセンサであってよい。本実施形態では、センサ群を構成するセンサの一例として、室温計１１１、カメラ１１２、マイクロフォン１１３を例示しているが、センサの種類及び数は図１に示されたセンサ群１１０の態様に限られるものではない。

図２は、学習システム１のハードウェアブロック図である。以下では、図２に示された、学習システム１の防犯知識サーバ１０及びパーソナルコンピュータ１２０についてのハードウェア構成に関して説明を行う。

防犯知識サーバ１０は、物理的構成として、プロセッサ２０、メモリ２２、入出力インターフェース２４とネットワークインターフェース２６を含む。プロセッサ２０、メモリ２２、入出力インターフェース２４とネットワークインターフェース２６はそれぞれ内部バスに接続し、相互にデータ通信が可能となっている。プロセッサ２０は、図示しないＲＯＭ又はハードディスクに格納されるオペレーティングシステムやメモリ２２から読み出されるプログラムに基づいて、防犯知識サーバ１０の各部を制御する。メモリ２２は、プログラムやデータが必要に応じて書き込まれるとともに、プロセッサ２０の作業用としても用いられる。防犯知識サーバ１０は、ストレージ１２と接続する入出力インターフェース２４を介して、ストレージ１２に格納されたデータにアクセスすることができる。また、防犯知識サーバ１０は、外部ネットワーク５０と接続するネットワークインターフェース２６を介して、外部機器とデータの送受信をすることができる。

パーソナルコンピュータ１２０は、物理的構成として、プロセッサ１２１、メモリ１２２、センサ入力インターフェース１２３、ネットワークインターフェース１２４とグラフィックインターフェース１２５を含む。プロセッサ１２１は、図示しないＲＯＭ又はハードディスクに格納されるオペレーティングシステムやメモリ１２２から読み出されるプログラムに基づいて、防犯知識サーバ１０の各部を制御する。メモリ１２２は、プログラムやデータが必要に応じて書き込まれるとともに、プロセッサ１２１の作業用としても用いられる。パーソナルコンピュータ１２０には、センサ群１１０の各センサと接続するセンサ入力インターフェース１２３を介して、センサ群１１０から情報が入力される。そして、パーソナルコンピュータ１２０は、ルータ１３０を介して外部ネットワーク５０にアクセスする。また、パーソナルコンピュータ１２０は、グラフィックインターフェース１２５を介して、生成したイメージデータをディスプレイ１５０に転送し、ディスプレイ１５０にイメージを表示させる。

図３は、学習システム１の機能ブロック図である。図３には、防犯知識サーバ１０とパーソナルコンピュータ１２０についての機能ブロック図を示す。それぞれの機能ブロックについて以下に説明を行う。

防犯知識サーバ１０は、機能的には、送受信部３０、犯罪類型データベース３２、犯罪類型取得部３４と犯罪模擬行動情報作成部３６を含む。

送受信部３０は、防犯知識サーバ１０が外部機器とデータの送受信を行うためのものである。送受信部３０は、防犯知識サーバ１０のネットワークインターフェース２６により実現される機能である。本実施形態では、送受信部３０は、ネットワークインターフェース２６を介して外部ネットワーク５０に接続し、パーソナルコンピュータ１２０とデータの送受信を行う。

犯罪類型データベース３２は、建物の種類毎に、予め受け得る犯罪類型を記憶したデータベースである。犯罪類型データベース３２は、リレーショナルデータベースやＸＭＬデータベースなどの公知のデータベース構造により実現されることとしてよい。本実施形態では、犯罪類型データベース３２の実体データは、防犯知識サーバ１０に接続されるストレージ１２に格納される。図４には、犯罪類型データベース３２に記憶された建物の種類とその犯罪類型情報の一例を示す。図４に示された例では、都市部の一軒家は、窓からの不法侵入が発生する傾向にあることが表されている。なお、本実施形態に係る犯罪類型データベース３２には、建物の種類に単純な例を採用したが、建物の住所や、マンションの階数等の要素を付加して、より詳細なデータベースを作成することとしてもよいし、建物の種類に対して複数の犯罪類型情報を対応付けることとしてもよい。

犯罪類型取得部３４は、犯罪類型データベース３２から、建物２００の種類に関連付けられた犯罪類型情報を取得するものである。本実施形態では、犯罪類型取得部３４は、パーソナルコンピュータ１２０から受信した建物２００の種類をキーとして犯罪類型データベース３２から対応する犯罪類型情報を取得する。具体的には、プロセッサ２０が、データベースソフトウェアのプログラムを実行し、例えばパーソナルコンピュータ１２０から「建物の情報」として「都市部の一軒家」を受信した場合には、「都市部の一軒家」をキーとして、ストレージ１２に格納された犯罪類型データベース３２の実体データから、当該キーに対応する「不法侵入（窓から）」を犯罪類型情報として取得する。

犯罪模擬行動情報作成部３６は、犯罪類型取得部３４で取得された犯罪類型情報に基づいた犯罪模擬行動を指示する情報を作成するものである。犯罪模擬行動とは、対象とする犯罪に典型的な行動パターンであって、その犯罪模擬行動により学習ネットワークに対象とする犯罪を学習及び再学習させるために行うものである。本実施形態では、防犯知識サーバ１０は、犯罪類型情報に対応付けて、犯罪模擬行動を指示する定型文章データをストレージ１２内に保有していることとする。そして、防犯知識サーバ１０は、犯罪類型取得部３４で取得された犯罪類型情報に基づいて、その犯罪類型情報に対応付けられた犯罪模擬行動を指示する定型文章データを取得する。また、防犯知識サーバ１０は、ホームネットワークシステム１００に係る建物２００の見取り図データから窓やドアの位置を把握し、その位置情報に基づいて、前記取得した定型文章データを修正して犯罪模擬行動情報を生成する。

定形文章データはそのまま採用できるときはもちろん修正の必要がないが、修正する場合は、オントロジー辞書により同意味の代用表現などを選択しても良く、あるいはいろいろな目的に応じて構築されたセマンティック構造化された辞書を用いても良い。セマンティック構造化されたものの例には、人の思考をモデル化したもの、身体構造をモデル化したもの、心象（心理）をモデル化したもの、行動（習慣）をモデル化したもの、事象をモデル化したもの、目的別の行動をモデル化したもの、建物構造をモデル化したもの、デバイス（家電）の配置や機能をモデル化したものなどが挙げられる。オントロジー体系化した辞書を参考にすることにより、人に対して理解しやすく無理のない、目的に対して有意義である等、最適な模擬行動を生成できるようになる。

パーソナルコンピュータ１２０は、機能的には、送受信部１６０、制御部１６２、センサ群出力受信部１６４、学習処理部１６６、犯罪発生判定部１６８、犯罪模擬行動提示部１７０と警告部１７２を含む。

送受信部１６０は、パーソナルコンピュータ１２０が外部機器とデータの送受信を行うためのものである。送受信部１６０は、パーソナルコンピュータ１２０のネットワークインターフェース１２４により実現される機能である。本実施形態では、送受信部１６０は、ネットワークインターフェース１２４を介して外部ネットワーク５０に接続し、防犯知識サーバ１０とデータの送受信を行う。具体的には、送受信部１６０は、防犯知識サーバ１０に、ホームネットワークシステム１００に係る建物２００の種類を送信し、防犯知識サーバ１０からは、犯罪模擬行動の指示情報を受信する。

制御部１６２は、パーソナルコンピュータ１２０の各部の制御や各処理のタイミングの制御を行うものである。制御部１６２は、パーソナルコンピュータ１２０のプロセッサ１２１、メモリ１２２とオペレーティングシステムにより実現される機能である。

センサ群出力受信部１６４は、センサ群１１０からの出力を受信するものである。センサ群出力受信部１６４は、パーソナルコンピュータ１２０のセンサ入力インターフェース１２３により実現される機能である。

学習処理部１６６は、受信したセンサ群１１０からの出力を学習ネットワークに入力して学習処理を行うものである。本実施形態において、学習ネットワークのアルゴリズムにナイーブベイズ法を用いる場合には、例えば、論文「A.McCallun, K.Nigam, A comparison of event models for naive bayes test classification, Proc. of the AAAI-98 Workshop on Learning for Text Categolization, pp.41-48,1998」に記載のモデリング手法を用いることとしてもよい。学習処理部１６６は、事前にホームネットワークシステム１００に設置されたセンサ群１１０からの出力に基づいて、ホームネットワークシステム１００内の犯罪が発生していない日常の状態（以下、普段状態とする）を学習する。そして、学習処理部１６６は、犯罪模擬行動が行われた時にもセンサ群１１０の出力に基づいて、当該犯罪模擬行動に対応する犯罪の状態を学習する。また、学習処理部１６６は、予め学習されている犯罪の状態に対しても、犯罪模擬行動が行われた際のセンサ群１１０の出力に基づいて、学習ネットワークに学習された犯罪の状態とセンサ群１１０の出力との関係性を再学習する。

犯罪発生判定部１６８は、事前に学習処理により得られた学習ネットワークを用いて、センサ群１１０の出力に基づき、犯罪が発生しているか否かを判定するものである。犯罪発生判定部１６８は、センサ群１１０からの出力に基づいて、ホームネットワークシステム１００内の状態が、学習処理部１６６で学習された普段状態に含まれるのか、既に学習した犯罪状態に含まれるのか、いずれにも分類されない状態なのかについてナイーブベイズ法等のアルゴリズムを用いて判定する。

犯罪模擬行動提示部１７０は、防犯知識サーバ１０から受信した犯罪模擬行動の指定情報に基づいて犯罪模擬行動を提示するものである。犯罪模擬行動提示部１７０は、プロセッサ１２１とディスプレイ１５０により実現される機能である。具体的には、プロセッサ１２１は、受信した犯罪模擬行動の指定情報に含まれる文章データに基づいて、例えば図５のようにディスプレイ１５０に文章を表示することで、ユーザに犯罪模擬行動を提示する。

警告部１７２は、犯罪模擬行動時におけるセンサ群１１０の出力に基づいて、犯罪発生判定部１６８により犯罪が発生していると判定する確率が予め定められた閾値を下回る場合に、警告を行うものである。警告部１７２は、プロセッサ１２１、メモリ１２２とディスプレイ１５０により実現される機能である。プロセッサ１２１は、犯罪模擬行動時におけるセンサ群１１０の出力に基づき、学習ネットワークを用いて犯罪が発生している（つまり普段状態ではない）か否かを判定する。プロセッサ１２１は、前記判定をＮ回行って、そのうち犯罪が発生していると判定する回数がＣ回である際に、演算した確率Ｃ／Ｎが予め定められた閾値よりも小さい場合には、適切に犯罪を検知できていない旨の警告を行う。当該警告は、ディスプレイ１５０に警告メッセージを表示させることで行う。警告には、センサ群の追加や、センサの位置を調整すべき旨のメッセージを含めることとしてもよい。

以下、本発明の実施の形態に係る学習システム１における学習処理の動作の詳細について説明する。

図６には、本発明の実施形態に係る学習システム１における学習処理のフロー図を示す。図６において破線で囲まれた部分の処理（Ｓ１０３〜Ｓ１０５）は防犯知識サーバ１０における処理であり、それ以外の処理はパーソナルコンピュータ１２０における処理である。パーソナルコンピュータ１２０は接続されたセンサ群１１０からの出力に基づいて事前に学習処理を行う（Ｓ１０１）。学習処理は、センサ群１１０からの出力を入力とする学習ネットワークにより行う。そして、パーソナルコンピュータ１２０はホームネットワークシステム１００に係る建物２００の種類を示すデータを防犯知識サーバ１０に送信する（Ｓ１０２）。

防犯知識サーバ１０では、建物の種類毎に、予め受け得る犯罪類型を記憶する犯罪類型データベース３２から、受信した建物２００の種類に関連付けられた犯罪類型情報を取得する（Ｓ１０３）。そして、取得した犯罪類型情報に基づいて、当該犯罪類型の犯罪模擬行動の指定データを作成する（Ｓ１０４）。防犯知識サーバ１０は、作成した犯罪模擬行動の指定データをパーソナルコンピュータ１２０に転送する（Ｓ１０５）。

パーソナルコンピュータ１２０は、防犯知識サーバ１０から犯罪模擬行動の指定データを受信し、受信した指定データに基づいて、パーソナルコンピュータ１２０に接続されたディスプレイ１５０に犯罪模擬行動を提示する（Ｓ１０６）。そして、提示した犯罪模擬行動が行われた時に、Ｓ１０７からＳ１１１の処理により、センサ群１１０により取得された情報について犯罪発生状態にあるか否かについて所定回数（Ｎ回）の判定が行われる。具体的には、初期値０の自然数ｉが所定回数Ｎよりも小さいか否かを判断し（Ｓ１０７）、ｉの方が小さい場合にはｉに１を加算する（Ｓ１０８）。そして次に、センサ群１１０により取得された情報（Ｓ１０９）が、犯罪発生状態にあるか否かを判定する（Ｓ１１０）。Ｓ１１０で犯罪発生状態にあると判定された場合には、カウンタＣ（初期値０）に１を加算し（Ｓ１１１）、犯罪発生状態にないと判定された場合にはそのまま、処理Ｓ１０７に戻る。上記処理Ｓ１０７でｉがＮ以上となった場合には、カウンタＣをループ回数Ｎで除算した値が閾値よりも大きいか否かを判断する（Ｓ１１２）。そして、上記の除算値が閾値よりも大きい場合にはセンサ群からの出力に基づいて学習処理を行う（Ｓ１１３）。また、上記の除算値が閾値よりも小さい場合には、パーソナルコンピュータ１２０に接続されたディスプレイ１５０に警告を表示する（Ｓ１１４）。

以上説明した、本発明の実施形態に係る学習システムによれば、事象とセンサの出力との関係性が学習された学習ネットワークの関係性を当該事象の模擬行動時のセンサの出力に基づいて再学習することができる。

また、本発明の実施形態に係る学習システムによれば、センサが置かれた環境に応じて、事象とセンサの出力との関係性を再学習することができるため、他の環境で学習された学習ネットワークのパラメータを初期値として導入することもできる。例えば、図７に示されるように、センサ設置空間３００にセンサ３０１ａ，ｂ，ｃ，ｄの位置により最適化された学習ネットワークがあるとする。この場合に、センサ設置空間３００の３０１の位置にセンサを必ずしも置ける訳ではないが、本発明によれば、センサを３０２ａ，ｂ，ｃ，ｄの位置に置いた場合にでも、模擬行動を検出したセンサ３０２ａ，ｂ，ｃ，ｄによる出力に基づいて、検出対象の事象とセンサ群の出力との関係性を学習ネットワークに再学習させることができる。

また、本発明の実施形態に係る学習システムによれば、犯罪行為のように、実際に起きている状態で学習を行うことが不可能な（システム設計上望ましくない）事象であっても、その事象の模擬行動により学習ネットワークに学習させることができる。決定的な犯罪があったことの判別は重要であるが、決定的な犯罪に至るまでに、その前兆およびプロセスを検出できるようにすることがより重要である。そのため、模擬行動の関係づけは、時間的特性や事象的特性に対して複数の関連性を含めてネットワーク化することが好ましい。複数の関連性が多岐にわたる場合には、ネットワークが膨大化してしまう可能性があるが、ユーザやシステムが必要としている機能が何かを自動判定（あるいは質疑応答）することにより、適宜分割したり、アップデートにより優位性の高いものだけ選別したり等、有効な簡略化を施してシステムの総合的なパフォーマンスを保てるようにすることが好ましい。

また、本発明の実施形態に係る学習システムによれば、学習システムが事象を判定する精度を目標とする水準に達するまで、繰り返し学習させることができる。

また、本発明の実施形態に係る学習システムによれば、建物毎にどのような犯罪類型に注意すべきかについて常に最新の情報をデータベースから取得し、取得した犯罪類型情報に基づいて学習システムを最適化することができるため、ユーザに専門的な防犯知識を必要とせずに、ユーザの生活環境に応じて柔軟に学習システムを構築することができる。

なお、本発明は上記実施形態に限定されるものではない。

例えば、学習システムにおいて、犯罪模擬行動時におけるセンサ群の出力に基づいて、犯罪が発生していると判定する確率が予め定められた閾値を下回る場合に、模擬行動の組合せ（例えば「夜間、北西の窓を少し開けた状態で、部屋の中の窓側に３秒間立ってください」）を新たに生成して、提示することとしてもよい。

また、学習システムにおいて、センサ群が検知した事象の組合せに基づいて、発生している犯罪の進行状態を推定し、犯罪の進行状態に応じて住人に警告することとしてもよい。例えば、犯罪の進行状態の推定は、事象Ａ「夜、窓の外に人が立っている」のみが検知された場合には進行状態１０％、事象Ａに加えて事象Ｂ「窓が開いたまま」が検知された場合には進行状態５０％として行うこととしてもよい。

また、学習システムにおいて、センサ群の出力に基づいて犯罪が発生していると判定された場合に、判定した犯罪やその犯罪の進行状態に応じて、部屋の明かりをつける、室内の施錠により進入を困難にさせる、警察署への通報を行う等の自動処理を行うこととしてもよい。

また、上記実施例では、本発明の実施の形態に係る学習システムを防犯システムに適用した例を説明したが、これに限られるものではない。例えば、本発明は他にも以下のような装置、システムに適用することが考えられる。

本発明に係る学習システムを情報端末、車、住居等に適用してもよい。例えば、本発明を情報端末に適用する場合には、情報端末のマウス等の入力インターフェースに用いることができる。マウスからダブルクリックとして入力されるクリックの間隔には個人差があるが、本発明の学習システムにより各個人に合わせてダブルクリックとして入力される間隔を再学習することができる。また、車に適用する場合には、ブレーキの踏む強さによって急ブレーキか否かを判断する場合に、ブレーキの踏む強さは個人差があるが、本発明の学習システムにより各個人に合わせて再学習することができる。また、住居に適用する場合には、センサの出力に基づき「人が手を上げたら電気をＯＮ／ＯＦＦする」という処理を行うシステムにおいて、手を上げる高さは個人差があるが、本発明の学習システムにより各個人や環境に合わせて再学習することができる。また、いつも手を上げると動作してしまうことが懸念されるが、本システムでは手を上げたことのみを測定するセンサを利用しているわけではないので、その手を上げるまでに至ったプロセス、その手を上げたあとのプロセス、及びその周辺環境の情報を含め総合的（統合的）に判断（事後に再判断）できるようにすることにより、いつも手を上げると動作するシステムとはならない。

これら統合的な判断アルゴリズムの詳細は、ユーザは意識する必要のないものであり、システム学習時の模擬行動としては“単に手を上げてみてください”という指示のみでよい。そして、“どんなときの”、“どんな状況での”、“どんな組合せでの”手をあげた場合なのかは、システム自身が普段の観察情報などから有意な創刊を見出して、関連付けしていくことができる。この際、ユーザの意見や知識を反映できるようにするとより効果的である。

また、本発明に係る学習システムにおいて、他の学習システムの基礎となる学習システム（以下、基礎システムとする）と、基礎となる学習システムから再学習して構築された学習システム（以下、修正システム）がある場合に、新たな学習システムのパラメータの初期値に基礎システムではなく、修正システムを利用することとしてもよい。例えば、図８（Ａ）に示されるセンサ設置空間４００ａにおいてセンサ４０１により学習された学習システムを基礎システムとする。図８（Ｂ）に示されるセンサ４０２が配置されたセンサ設置空間４００ｂにおいては、４００ａにおける学習システムを初期値として学習システムの再構築を行うこととするが、図８（Ｃ）に示されるセンサ４０３が配置されたセンサ設置空間４００ｃにおいては、センサの置かれている状況が比較的に近いセンサ設置空間４００ｂにおける学習システムを初期値として学習システムの再構築をすることとしてもよい。

本発明の応用としては、次のようなものが考えられる。
（１）人や環境における特有のノイズを自動的に排除して、所望の信号を感度よく検出（伝達）できるようにシステムの認識系を再設定するヒューマンインターフェイス。
（２）副次的な判別情報を状況として分類学習させることにより、その分類ごとにシステム認識系を再設定する状況対応型システム。
（３）次第に習熟して（慣れて）動作が初期学習時とは異なってしまう場合など、初期学習動作との差分を解消するようにシステムの認識系を再設定できる順応型システム。
（４）ユーザの手間が省かれるよう関連デバイス（システム）群を自動駆動できるようにシステムの認識系を再設定する目的（嗜好）学習システム。

（５）能力（要求）レベル応じた不要機能の排除や不足機能の提供を行うために、それら機能との関連づけに対するシステムの認識系を再設定できる能力支援システム。
（６）身体機能の不足部分を補うようにシステムの認識系を再設定できる障害者支援システム。
（７）センサ劣化などのトラブルに対して、その劣化分を補間するようにシステムの認識系を再設定できるトラブル対策システム。

本発明の実施の形態に係る学習システムのシステム構成図である。学習システム１のハードウェアブロック図である。学習システム１の機能ブロック図である。犯罪類型データベースに記憶された建物の種類とその犯罪類型情報の一例を示す図である。犯罪模擬行動情報の一例を示す図である。学習システム１における学習処理のフロー図である。学習システムによる効果の一例を説明する図である。基礎とする学習システムの選択の一例を説明する図である。

符号の説明

１学習システム、１０防犯知識サーバ、１２ストレージ、２０プロセッサ、２２メモリ、２４入出力インターフェース、２６ネットワークインターフェース、３０送受信部、３２犯罪類型データベース、３４犯罪類型取得部、３６犯罪模擬行動情報作成部、５０外部ネットワーク、１００ホームネットワークシステム、１１０センサ群、１１１室温計、１１２カメラ、１１３マイクロフォン、１２０パーソナルコンピュータ、１２１プロセッサ、１２２メモリ、１２３センサ入力インターフェース、１２４ネットワークインターフェース、１２５グラフィックインターフェース、１３０ルータ、１４０ホームネットワーク、１５０ディスプレイ、１６０送受信部、１６２制御部、１６４センサ群出力受信部、１６６学習処理部、１６８犯罪発生判定部、１７０犯罪模擬行動提示部、１７２警告部、２００建物、３００センサ設置空間、３０１ａ，ｂ，ｃ，ｄセンサ、３０２ａ，ｂ，ｃ，ｄセンサ、４００ａ，ｂ，ｃセンサ設置空間、４０１，４０２，４０３センサ。

Claims

複数のセンサを含むセンサ群と、
検出の対象となる検出対象事象と前記センサ群の出力との関係性が学習された学習ネットワークにより、前記検出対象事象が発生しているか否かを判定する手段と、
前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示手段と、
前記模擬行動提示手段により提示された模擬行動情報が示す模擬行動時における前記センサ群の出力に基づいて、前記関係性を再学習する再学習手段と、
を含むことを特徴とする学習システム。
請求項１に記載の学習システムであって、
前記再学習手段は、前記模擬行動時における前記センサ群の出力に基づいて、前記学習ネットワークにより事象が発生していると判定される場合に、前記関係性を再学習する
ことを特徴とする学習システム。
請求項１又は２に記載の学習システムであって、
前記模擬行動時における前記センサ群の出力に基づいて、前記学習ネットワークにより事象が発生していると判定されない場合には、警告を行う手段をさらに含む
ことを特徴とする学習システム。
請求項１乃至３のいずれかに記載の学習システムであって、
前記検出対象事象は、犯罪行為であり、
前記学習システムは、
建物の種類毎に、予め受け得る犯罪類型を記憶する犯罪類型データベースから、前記センサ群の設置対象となる建物の種類に関連付けられた犯罪類型情報を取得する手段をさらに含み、
前記模擬行動提示手段は、前記取得した犯罪類型情報に基づいて示される模擬行動情報を提示する
ことを特徴とする学習システム。
検出の対象となる検出対象事象と複数のセンサを含むセンサ群の出力との関係性を学習した学習ネットワークにより、前記検出対象事象が発生しているか否かを判定する事象発生判定手段と、
前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示手段と、
前記模擬行動提示手段により提示された模擬行動情報が示す模擬行動時における前記センサ群の出力に基づいて、前記関係性を再学習する再学習手段と、
を含むことを特徴とする学習装置。
検出の対象となる検出対象事象と複数のセンサを含むセンサ群の出力との関係性を学習した学習ネットワークにより、前記検出対象事象が発生しているか否かを判定する事象発生判定ステップと、
前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示ステップと、
前記模擬行動提示ステップにより提示された模擬行動情報が示す模擬行動時における前記センサ群の出力に基づいて、前記関係性を再学習する再学習ステップと、
を含むことを特徴とするコンピュータの制御方法。
検出の対象となる検出対象事象と複数のセンサを含むセンサ群の出力との関係性を学習した学習ネットワークにより、前記検出対象事象が発生しているか否かを判定する事象発生判定手段、
前記検出対象事象の模擬行動を示す模擬行動情報を提示する模擬行動提示手段、及び、
前記模擬行動提示手段により提示された模擬行動情報が示す模擬行動時における前記センサ群の出力に基づいて、前記関係性を再学習する再学習手段、
としてコンピュータを機能させるためのプログラム。