JPH0729010A - 形状分類装置 - Google Patents
形状分類装置Info
- Publication number
- JPH0729010A JPH0729010A JP5173357A JP17335793A JPH0729010A JP H0729010 A JPH0729010 A JP H0729010A JP 5173357 A JP5173357 A JP 5173357A JP 17335793 A JP17335793 A JP 17335793A JP H0729010 A JPH0729010 A JP H0729010A
- Authority
- JP
- Japan
- Prior art keywords
- classification
- standard pattern
- classifying
- processing means
- pattern
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000001537 neural effect Effects 0.000 claims abstract 3
- 238000003860 storage Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000005452 bending Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 あいまいな形状分類を可能とし、分類精度の
向上と分類に要する時間の短縮とを図る。 【構成】 記憶／処理部１の学習処理手段１０はディス
ク部２の標準パターンデータファイル２ａから読出した
標準パターンデータを基に分類処理手段１１における分
類処理に対する学習処理を行う。学習処理手段１０はこ
の学習処理から得た当該分類処理に使用するニューラル
ネットウエイト値を分類処理手段１１に出力する。分類
処理手段１１は学習処理手段１０から得たニューラルネ
ットウエイト値を用いて、ディスク部２の分類対象デー
タファイル２ｂから読出した分類対象データに対する分
類処理を実行する。
向上と分類に要する時間の短縮とを図る。 【構成】 記憶／処理部１の学習処理手段１０はディス
ク部２の標準パターンデータファイル２ａから読出した
標準パターンデータを基に分類処理手段１１における分
類処理に対する学習処理を行う。学習処理手段１０はこ
の学習処理から得た当該分類処理に使用するニューラル
ネットウエイト値を分類処理手段１１に出力する。分類
処理手段１１は学習処理手段１０から得たニューラルネ
ットウエイト値を用いて、ディスク部２の分類対象デー
タファイル２ｂから読出した分類対象データに対する分
類処理を実行する。
Description
【０００１】
【産業上の利用分野】本発明は形状分類装置に関し、特
にＣＡＤ（Ｃｏｍｐｕｔｅｒ ＡｉｄｅｄＤｅｓｉｇ
ｎ）で作成された形状データを分類する装置に関する。
にＣＡＤ（Ｃｏｍｐｕｔｅｒ ＡｉｄｅｄＤｅｓｉｇ
ｎ）で作成された形状データを分類する装置に関する。
【０００２】
【従来の技術】従来、この種の形状データを分類する分
類方法においては、代表的な方法としてＧＴ（Ｇｒｏｕ
ｐ Ｔｅｃｈｎｏｌｏｇｙ）手法がある。このＧＴ手法
では、形状データの形状属性に関し、大分類、中分類、
小分類といったレベル別属性を設定し、各々のコードの
組合せによって一意に分類コードを設定している。
類方法においては、代表的な方法としてＧＴ（Ｇｒｏｕ
ｐ Ｔｅｃｈｎｏｌｏｇｙ）手法がある。このＧＴ手法
では、形状データの形状属性に関し、大分類、中分類、
小分類といったレベル別属性を設定し、各々のコードの
組合せによって一意に分類コードを設定している。
【０００３】例えば、図３に示すような板金形状をＧＴ
手法で分類すると、分類属性としては図６に示すような
各コードとなる。すなわち、曲げ有無、曲げ種類、曲げ
Ｒ、曲げ数、曲げ山数、曲げ谷数の各コードとなる。
手法で分類すると、分類属性としては図６に示すような
各コードとなる。すなわち、曲げ有無、曲げ種類、曲げ
Ｒ、曲げ数、曲げ山数、曲げ谷数の各コードとなる。
【０００４】上記のようなＧＴ手法を用いた分類システ
ムの一例の技術が、「ＧＴによる生産管理システム」
（日刊工業新聞社刊，１９８１，６）のＰ．１３〜１５
に詳述されている。
ムの一例の技術が、「ＧＴによる生産管理システム」
（日刊工業新聞社刊，１９８１，６）のＰ．１３〜１５
に詳述されている。
【０００５】
【発明が解決しようとする課題】上述した従来のＧＴ手
法による形状分類では、レベル別属性を設定し、各々の
コードの組合せによって分類コードを設定しているの
で、属性パラメータの設定が難しいとともに、分類精度
の高度化にともなって属性パラメータ数が増大するとい
う問題がある。また、コード化にともなって分類の結果
が操作者の判断結果と相違するという問題がある。
法による形状分類では、レベル別属性を設定し、各々の
コードの組合せによって分類コードを設定しているの
で、属性パラメータの設定が難しいとともに、分類精度
の高度化にともなって属性パラメータ数が増大するとい
う問題がある。また、コード化にともなって分類の結果
が操作者の判断結果と相違するという問題がある。
【０００６】そこで、本発明の目的は上記問題点を解消
し、あいまいな形状分類を可能とし、分類精度の向上と
分類に要する時間の短縮とを図ることができる形状分類
装置を提供することにある。
し、あいまいな形状分類を可能とし、分類精度の向上と
分類に要する時間の短縮とを図ることができる形状分類
装置を提供することにある。
【０００７】
【課題を解決するための手段】本発明による形状分類装
置は、３次元形状に表示された分類対象の図形データを
分類するために予め設定された標準パターンとその識別
情報とを保持する保持手段と、前記図形データをメッシ
ュ分割して各ブロック毎に２値化する２値化手段と、前
記２値化手段の２値化データから当該図形データがどの
標準パターンに該当するかを分類する分類手段と、前記
保持手段から読出した前記標準パターンに対する分類処
理時に前記分類手段が分類結果として当該標準パターン
に対応する識別情報を出力するよう前記分類手段の分類
処理を調整する手段とを備えている。
置は、３次元形状に表示された分類対象の図形データを
分類するために予め設定された標準パターンとその識別
情報とを保持する保持手段と、前記図形データをメッシ
ュ分割して各ブロック毎に２値化する２値化手段と、前
記２値化手段の２値化データから当該図形データがどの
標準パターンに該当するかを分類する分類手段と、前記
保持手段から読出した前記標準パターンに対する分類処
理時に前記分類手段が分類結果として当該標準パターン
に対応する識別情報を出力するよう前記分類手段の分類
処理を調整する手段とを備えている。
【０００８】
【実施例】次に、本発明の一実施例について図面を参照
して説明する。
して説明する。
【０００９】図１は本発明の一実施例の構成を示すブロ
ック図である。図において、形状分類装置の記憶／処理
部１は学習処理手段１０と分類処理手段１１とから構成
されている。
ック図である。図において、形状分類装置の記憶／処理
部１は学習処理手段１０と分類処理手段１１とから構成
されている。
【００１０】学習処理手段１０はディスク部２の標準パ
ターンデータファイル２ａから読出した標準パターンデ
ータを基に分類処理手段１１における分類処理に対する
学習処理を行う。学習処理手段１０はこの学習処理から
得た当該分類処理に使用するニューラルネットウエイト
値を分類処理手段１１に出力する。
ターンデータファイル２ａから読出した標準パターンデ
ータを基に分類処理手段１１における分類処理に対する
学習処理を行う。学習処理手段１０はこの学習処理から
得た当該分類処理に使用するニューラルネットウエイト
値を分類処理手段１１に出力する。
【００１１】分類処理手段１１は学習処理手段１０から
得たニューラルネットウエイト値を用いて、ディスク部
２の分類対象データファイル２ｂから読出した分類対象
データに対する分類処理を実行する。分類処理手段１１
は分類処理の結果を分類出力ファイル２ｃに書込む。
得たニューラルネットウエイト値を用いて、ディスク部
２の分類対象データファイル２ｂから読出した分類対象
データに対する分類処理を実行する。分類処理手段１１
は分類処理の結果を分類出力ファイル２ｃに書込む。
【００１２】分類処理手段１１による分類処理は分類対
象データをメッシュ分割するメッシュ分割処理と、この
メッシュ分割処理によった分割された分類対象データの
各ブロック毎に２値化する２値化処理と、２値化された
データを基にどの標準パターンに該当するかをパーセプ
トロンにより分類する処理とから構成されている。
象データをメッシュ分割するメッシュ分割処理と、この
メッシュ分割処理によった分割された分類対象データの
各ブロック毎に２値化する２値化処理と、２値化された
データを基にどの標準パターンに該当するかをパーセプ
トロンにより分類する処理とから構成されている。
【００１３】尚、標準パターンデータファイル２ａには
予め学習用に準備された標準パターンとそのパターンＩ
Ｄとが標準パターンデータとして格納されている。ま
た、分類対象データファイル２ｂには分類すべき分類対
象のパターンが分類対象データとして格納されている。
予め学習用に準備された標準パターンとそのパターンＩ
Ｄとが標準パターンデータとして格納されている。ま
た、分類対象データファイル２ｂには分類すべき分類対
象のパターンが分類対象データとして格納されている。
【００１４】ここで、本発明の一実施例による形状分類
装置では記憶／処理部１との間のマンマシンインタフェ
ース部をＣＲＴ３とキーボード４とから構成している。
装置では記憶／処理部１との間のマンマシンインタフェ
ース部をＣＲＴ３とキーボード４とから構成している。
【００１５】図２は図１のディスク部２の標準パターン
データファイル２ａに格納された標準パターン例を示す
図である。図において、標準パターン〜は夫々３次
元形状のパターンを示している。
データファイル２ａに格納された標準パターン例を示す
図である。図において、標準パターン〜は夫々３次
元形状のパターンを示している。
【００１６】図３は図１の分類処理手段１１による処理
結果を示す図である。図３（ａ）はメッシュ分割された
分類対象データを示す図であり、図３（ｂ）は２値化さ
れた分類対象データを示す図である。
結果を示す図である。図３（ａ）はメッシュ分割された
分類対象データを示す図であり、図３（ｂ）は２値化さ
れた分類対象データを示す図である。
【００１７】分類処理手段１１は分類対象データのパタ
ーンＡをメッシュ分割し、図３（ａ）に示すような複数
の微細なブロック（正方形格子）（１６×１６＝２５６
個のブロック）に分割する。
ーンＡをメッシュ分割し、図３（ａ）に示すような複数
の微細なブロック（正方形格子）（１６×１６＝２５６
個のブロック）に分割する。
【００１８】この後に、分類処理手段１１は分割した複
数の微細なブロック各々について実体の有無を基準に２
値化する。この場合、そのブロックに実体が有れば
“１”がセットされ、そのブロックに実体が無ければ
“０”がセットされる。
数の微細なブロック各々について実体の有無を基準に２
値化する。この場合、そのブロックに実体が有れば
“１”がセットされ、そのブロックに実体が無ければ
“０”がセットされる。
【００１９】図４は図１の分類処理手段１１のパーセプ
トロンによる分類処理を示す図である。図において、入
力層の各ノード１−１〜１−２５６各々に２値化された
分類対象データが入力されると、隠れ層の各ノード２−
１〜２−４は入力層のノード１−１〜１−２５６各々の
値を演算する。
トロンによる分類処理を示す図である。図において、入
力層の各ノード１−１〜１−２５６各々に２値化された
分類対象データが入力されると、隠れ層の各ノード２−
１〜２−４は入力層のノード１−１〜１−２５６各々の
値を演算する。
【００２０】出力層の各ノード３−１〜３−４は隠れ層
のノード２−１〜２−４各々の値を演算し、その演算結
果としてパターンＩＤを出力する。隠れ層の各ノード２
−１〜２−４及び出力層の各ノード３−１〜３−４では
ニューラルネットウエイト値を用いて演算が行われる。
のノード２−１〜２−４各々の値を演算し、その演算結
果としてパターンＩＤを出力する。隠れ層の各ノード２
−１〜２−４及び出力層の各ノード３−１〜３−４では
ニューラルネットウエイト値を用いて演算が行われる。
【００２１】図５は本発明の一実施例における分類処理
に対する学習処理を示すフローチャートである。これら
図１〜図５を用いて本発明の一実施例による分類処理に
対する学習処理について説明する。
に対する学習処理を示すフローチャートである。これら
図１〜図５を用いて本発明の一実施例による分類処理に
対する学習処理について説明する。
【００２２】形状分類装置が起動されると、記憶／処理
部１では学習処理手段１０によって分類処理に対する学
習処理が開始される。学習処理手段１０はまずパターン
ＩＤ及びウエイト値の初期化を行う（図５ステップ２
１）。
部１では学習処理手段１０によって分類処理に対する学
習処理が開始される。学習処理手段１０はまずパターン
ＩＤ及びウエイト値の初期化を行う（図５ステップ２
１）。
【００２３】次に、学習処理手段１０は初期化したパタ
ーンＩＤ値の標準パターンデータをディスク部２の標準
パターンデータファイル２ａから読出す（図５ステップ
２２）。このとき、標準パターンデータファイル２ａか
ら読出された３次元形状の標準パターンはＣＲＴ３に出
力されて表示される。
ーンＩＤ値の標準パターンデータをディスク部２の標準
パターンデータファイル２ａから読出す（図５ステップ
２２）。このとき、標準パターンデータファイル２ａか
ら読出された３次元形状の標準パターンはＣＲＴ３に出
力されて表示される。
【００２４】学習処理手段１０はＣＲＴ３に表示した標
準パターンをメッシュ分割処理によって複数の微細なブ
ロックに分割し、実体の有無を基準に２値化処理を行う
（図５ステップ２３）（図３参照）。
準パターンをメッシュ分割処理によって複数の微細なブ
ロックに分割し、実体の有無を基準に２値化処理を行う
（図５ステップ２３）（図３参照）。
【００２５】学習処理手段１０は標準パターンの２値化
データをパーセプトロンの入力層のノード１−１〜１−
２５６に夫々入力し（図５ステップ２４）、パーセプト
ロンの隠れ層及び出力層各々の演算によってパターンＩ
Ｄを得る（図４参照）。
データをパーセプトロンの入力層のノード１−１〜１−
２５６に夫々入力し（図５ステップ２４）、パーセプト
ロンの隠れ層及び出力層各々の演算によってパターンＩ
Ｄを得る（図４参照）。
【００２６】学習処理手段１０はパーセプトロンの出力
層から得たパターンＩＤがステップ２２で読込んだ標準
パターンのパターンＩＤと同一かをチェックする（図５
ステップ２５，２６）。
層から得たパターンＩＤがステップ２２で読込んだ標準
パターンのパターンＩＤと同一かをチェックする（図５
ステップ２５，２６）。
【００２７】学習処理手段１０はパーセプトロンの出力
層から得たパターンＩＤがステップ２２で読込んだ標準
パターンのパターンＩＤと同一であれば、次の標準パタ
ーンを読出すためにパターンＩＤを更新する（Ｉ＝Ｉ＋
１）（図５ステップ２７）。
層から得たパターンＩＤがステップ２２で読込んだ標準
パターンのパターンＩＤと同一であれば、次の標準パタ
ーンを読出すためにパターンＩＤを更新する（Ｉ＝Ｉ＋
１）（図５ステップ２７）。
【００２８】学習処理手段１０はパターンＩＤの更新に
よって全ての標準パターンを読出したかを判定し（図５
ステップ２８）、全ての標準パターンの読出し完了であ
れば学習処理を終了する。また、全ての標準パターンの
読出し完了でなければステップ２２に戻って次の標準パ
ターンに対する学習を行う。
よって全ての標準パターンを読出したかを判定し（図５
ステップ２８）、全ての標準パターンの読出し完了であ
れば学習処理を終了する。また、全ての標準パターンの
読出し完了でなければステップ２２に戻って次の標準パ
ターンに対する学習を行う。
【００２９】一方、学習処理手段１０はパーセプトロン
の出力層から得たパターンＩＤがステップ２２で読込ん
だ標準パターンのパターンＩＤと同一でなければ、パー
セプトロンの各層のウエイトをパターンＩＤの誤差に基
づいて変更する（図５ステップ２９）。
の出力層から得たパターンＩＤがステップ２２で読込ん
だ標準パターンのパターンＩＤと同一でなければ、パー
セプトロンの各層のウエイトをパターンＩＤの誤差に基
づいて変更する（図５ステップ２９）。
【００３０】ここで、出力結果が１になるときに０が出
力された場合、変更前のウエイトをＷｉ（ｔ）、変更後
のウエイトをＷｉ（ｔ＋１）、そのウエイトに対応する
入力をＸｉ（ｔ）、定数をαとすると、変更後のウエイ
トＷｉ（ｔ＋１）は、 Ｗｉ（ｔ＋１）＝Ｗｉ（ｔ）＋αＸｉ（ｔ） という式から得られる。但し、定数αは０＜α≦１であ
り、重み速度をコントロールするものである。
力された場合、変更前のウエイトをＷｉ（ｔ）、変更後
のウエイトをＷｉ（ｔ＋１）、そのウエイトに対応する
入力をＸｉ（ｔ）、定数をαとすると、変更後のウエイ
トＷｉ（ｔ＋１）は、 Ｗｉ（ｔ＋１）＝Ｗｉ（ｔ）＋αＸｉ（ｔ） という式から得られる。但し、定数αは０＜α≦１であ
り、重み速度をコントロールするものである。
【００３１】さらに、出力結果が０になるときに１が出
力された場合、変更後のウエイトＷｉ（ｔ＋１）は、 Ｗｉ（ｔ＋１）＝Ｗｉ（ｔ）−αＸｉ（ｔ） という式から得られる。尚、ウエイトは上記の方法以外
の方法によっても変更することが可能である。
力された場合、変更後のウエイトＷｉ（ｔ＋１）は、 Ｗｉ（ｔ＋１）＝Ｗｉ（ｔ）−αＸｉ（ｔ） という式から得られる。尚、ウエイトは上記の方法以外
の方法によっても変更することが可能である。
【００３２】ウエイトの変更後、学習処理手段１０はウ
エイトの変更を行った標準パターンのパターンＩＤが最
初に読込んだ標準パターンのパターンＩＤと同一（Ｉ＝
１）かどうかを判定する（図５ステップ３０）。
エイトの変更を行った標準パターンのパターンＩＤが最
初に読込んだ標準パターンのパターンＩＤと同一（Ｉ＝
１）かどうかを判定する（図５ステップ３０）。
【００３３】その結果、最初に読込んだ標準パターンの
パターンＩＤと同一であれば、学習処理手段１０はステ
ップ２４に戻って標準パターンの２値化データをパーセ
プトロンの入力層のノード１−１〜１−２５６に夫々入
力し、パーセプトロンの隠れ層及び出力層各々の演算に
よってパターンＩＤを得る。
パターンＩＤと同一であれば、学習処理手段１０はステ
ップ２４に戻って標準パターンの２値化データをパーセ
プトロンの入力層のノード１−１〜１−２５６に夫々入
力し、パーセプトロンの隠れ層及び出力層各々の演算に
よってパターンＩＤを得る。
【００３４】最初に読込んだ標準パターンのパターンＩ
Ｄと同一でなければ、学習処理手段１０はパターンＩＤ
を初期化し、つまりＩ＝１にセットしてステップ２２に
戻り、再度最初の標準パターンに対する学習を行う。
Ｄと同一でなければ、学習処理手段１０はパターンＩＤ
を初期化し、つまりＩ＝１にセットしてステップ２２に
戻り、再度最初の標準パターンに対する学習を行う。
【００３５】このように、学習処理手段１０によって、
３次元形状に表示された分類対象の図形データを分類す
るために予め標準パターンデータファイル２ａに格納さ
れた標準パターンを用いて分類処理手段１１の分類処理
の学習を予め行っておくようにすることによって、従来
のＧＴ手法に見られる分類属性コードをなくすことがで
きる。よって、あいまいな形状分類を可能とし、分類精
度の向上と分類に要する時間の短縮とを図ることができ
る。
３次元形状に表示された分類対象の図形データを分類す
るために予め標準パターンデータファイル２ａに格納さ
れた標準パターンを用いて分類処理手段１１の分類処理
の学習を予め行っておくようにすることによって、従来
のＧＴ手法に見られる分類属性コードをなくすことがで
きる。よって、あいまいな形状分類を可能とし、分類精
度の向上と分類に要する時間の短縮とを図ることができ
る。
【００３６】
【発明の効果】以上説明したように本発明によれば、３
次元形状に表示された分類対象の図形データを分類する
ために予め設定された標準パターンとその識別情報とを
保持しておき、図形データをメッシュ分割して各ブロッ
ク毎に２値化した２値化データから当該図形データがど
の標準パターンに該当するかを分類する分類手段の分類
処理で、標準パターンに対する分類処理時に分類手段が
分類結果として当該標準パターンに対応する識別情報を
出力するようにすることによって、あいまいな形状分類
を可能とし、分類精度の向上と分類に要する時間の短縮
とを図ることができるという効果がある。
次元形状に表示された分類対象の図形データを分類する
ために予め設定された標準パターンとその識別情報とを
保持しておき、図形データをメッシュ分割して各ブロッ
ク毎に２値化した２値化データから当該図形データがど
の標準パターンに該当するかを分類する分類手段の分類
処理で、標準パターンに対する分類処理時に分類手段が
分類結果として当該標準パターンに対応する識別情報を
出力するようにすることによって、あいまいな形状分類
を可能とし、分類精度の向上と分類に要する時間の短縮
とを図ることができるという効果がある。
【図１】本発明の一実施例の構成を示すブロック図であ
る。
る。
【図２】図１のディスク部の標準パターンデータファイ
ルに格納された標準パターン例を示す図である。
ルに格納された標準パターン例を示す図である。
【図３】（ａ）はメッシュ分割された分類対象データを
示す図、（ｂ）は２値化された分類対象データを示す図
である。
示す図、（ｂ）は２値化された分類対象データを示す図
である。
【図４】図１の分類処理手段のパーセプトロンによる分
類処理を示す図である。
類処理を示す図である。
【図５】本発明の一実施例における分類処理に対する学
習処理を示すフローチャートである。
習処理を示すフローチャートである。
【図６】従来例のＧＴ手法による分類例を示す図であ
る。
る。
１ 記憶／処理部 ２ ディスク部 ２ａ 標準パターンデータファイル ２ｂ 分類対象データファイル ２ｃ 分類出力ファイル １０ 学習処理手段 １１ 分類処理手段
Claims (3)
- 【請求項１】 ３次元形状に表示された分類対象の図形
データを分類するために予め設定された標準パターンと
その識別情報とを保持する保持手段と、前記図形データ
をメッシュ分割して各ブロック毎に２値化する２値化手
段と、前記２値化手段の２値化データから当該図形デー
タがどの標準パターンに該当するかを分類する分類手段
と、前記保持手段から読出した前記標準パターンに対す
る分類処理時に前記分類手段が分類結果として当該標準
パターンに対応する識別情報を出力するよう前記分類手
段の分類処理を調整する手段とを有することを特徴とす
る形状分類装置。 - 【請求項２】 前記分類手段は、パーセプトロンにより
前記図形データの分類を行うよう構成したことを特徴と
する請求項１記載の形状分類装置。 - 【請求項３】 前記分類手段の分類処理の調整は、前記
パーセプトロンに使用するニューラルネットウエイト値
を可変することによって行うようにしたことを特徴とす
る請求項２記載の形状分類装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5173357A JP3022706B2 (ja) | 1993-07-13 | 1993-07-13 | 形状分類装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5173357A JP3022706B2 (ja) | 1993-07-13 | 1993-07-13 | 形状分類装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0729010A true JPH0729010A (ja) | 1995-01-31 |
| JP3022706B2 JP3022706B2 (ja) | 2000-03-21 |
Family
ID=15958913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5173357A Expired - Fee Related JP3022706B2 (ja) | 1993-07-13 | 1993-07-13 | 形状分類装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3022706B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6310770B1 (en) | 1998-12-28 | 2001-10-30 | Nec Corporation | Dustproof structure of communication device, using air filter having distributed dust collecting efficiency and pressure loss |
| US8031196B2 (en) | 2002-02-19 | 2011-10-04 | Sharp Kabushiki Kaisha | Display, electronic device, data transmitting method, information terminal, host apparatus, program, recording medium |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02165285A (ja) * | 1988-12-20 | 1990-06-26 | Fujitsu Ltd | パターン認識装置 |
-
1993
- 1993-07-13 JP JP5173357A patent/JP3022706B2/ja not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02165285A (ja) * | 1988-12-20 | 1990-06-26 | Fujitsu Ltd | パターン認識装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6310770B1 (en) | 1998-12-28 | 2001-10-30 | Nec Corporation | Dustproof structure of communication device, using air filter having distributed dust collecting efficiency and pressure loss |
| US6421238B1 (en) | 1998-12-28 | 2002-07-16 | Nec Corporation | Dustproof structure of communication device, using air filter having distributed dust collecting efficiency and pressure loss |
| US6480381B2 (en) | 1998-12-28 | 2002-11-12 | Nec Corporation | Dustproof structure of communication device, using air filter having distributed dust collecting efficiency and pressure loss |
| US6487075B2 (en) | 1998-12-28 | 2002-11-26 | Nec Corporation | Dustproof structure of communication device, using air filter having distributed dust collecting efficiency and pressure loss |
| US8031196B2 (en) | 2002-02-19 | 2011-10-04 | Sharp Kabushiki Kaisha | Display, electronic device, data transmitting method, information terminal, host apparatus, program, recording medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3022706B2 (ja) | 2000-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7298825B2 (ja) | 学習支援装置、学習装置、学習支援方法及び学習支援プログラム | |
| JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
| JPWO2020012523A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| Goodrich | The forecast pro methodology | |
| CN117456242A (zh) | 用于协处理器的深度学习优化控制方法 | |
| US6233352B1 (en) | Information processing method and apparatus | |
| JPH0729010A (ja) | 形状分類装置 | |
| WO2024143401A1 (ja) | 画像解析システム、画像解析方法、および画像解析プログラム | |
| JPH0934862A (ja) | パターン学習方法および装置 | |
| EP4494042A1 (en) | Data augmentation for engineering schematic training data used with machine learning models | |
| CN111984637B (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
| CN115293423A (zh) | 基于自然灾害数据的处理方法、装置、设备及存储介质 | |
| CN114861457A (zh) | 基于环保材料的文化创意设计软件系统、存储介质及终端 | |
| JPH11306216A (ja) | 自動配置方法及び自動配置システム | |
| JP2021174117A (ja) | 学習装置、代表画像抽出装置及びプログラム | |
| JPH05324921A (ja) | 曲線形成方法および装置 | |
| US20230316719A1 (en) | Automatic detection of dental indications | |
| Jagielska | Hybrid rough sets/neural network approach to the development of a decision support system | |
| TWM668084U (zh) | 特徵篩選系統 | |
| JP3137865B2 (ja) | 仕様書作成方法 | |
| JPH07191967A (ja) | 関数近似装置及び電力需要予測装置 | |
| KR20260037292A (ko) | 세부 수준을 고려한 디지털 트윈 동기화 방법 및 장치 | |
| CN119183556A (zh) | 利用可习得参数的快速八位浮点（fp8）模拟 | |
| CN121542116A (zh) | 多进程并行加速器集群规约计算验证方法与装置 | |
| CN114610377A (zh) | 一种实现多版本产品父子关联录入的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19980901 |
|
| LAPS | Cancellation because of no payment of annual fees |