JPH1075218A - Method and device for identifying characteristic boundary of data groups - Google Patents
Method and device for identifying characteristic boundary of data groupsInfo
- Publication number
- JPH1075218A JPH1075218A JP24541696A JP24541696A JPH1075218A JP H1075218 A JPH1075218 A JP H1075218A JP 24541696 A JP24541696 A JP 24541696A JP 24541696 A JP24541696 A JP 24541696A JP H1075218 A JPH1075218 A JP H1075218A
- Authority
- JP
- Japan
- Prior art keywords
- boundary
- data
- characteristic
- evaluation value
- error
- 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 title claims description 52
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000000611 regression analysis Methods 0.000 claims description 20
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Complex Calculations (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、特性の変化する境
界を有するデ−タ群からその特性境界を識別する方法お
よび装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method and an apparatus for identifying a characteristic boundary from a data group having a boundary whose characteristic changes.
【０００２】[0002]
【従来の技術】従来より、特性が異なるデータ群の混在
した集合を性質の類似したクラスに分類するための代表
的な統計的処理手法として、クラスタ分析法が知られて
いる。その基本的な考え方は、個々のデータ毎にユーク
リッド距離やマハラノビス距離等を求め、それらの距離
の近さを類似度とみなしてクラス分類を行うというもの
である。2. Description of the Related Art Hitherto, a cluster analysis method has been known as a typical statistical processing method for classifying a mixed set of data groups having different characteristics into classes having similar characteristics. The basic idea is to obtain a Euclidean distance, a Mahalanobis distance, and the like for each piece of data, and to classify the data by regarding the closeness of those distances as similarity.
【０００３】[0003]
【発明が解決しようとする課題】例えば、無線通信分野
における移動無線通信システム等の回線設計において
は、電波伝搬損失特性を推定することが必要である。一
般に地上波は、送信局から所定の距離までは距離の２乗
で減衰し、それよりも遠い距離においては３〜４乗で減
衰することが知られており、この伝搬係数が急激に変化
する位置を実測デ−タ等から識別することが電波伝搬損
失特性を把握するために重要である。しかしながら、前
述したクラスタ分析法は、このように各クラス（すなわ
ち同一減衰定数の距離範囲）の事前モデル（すなわち減
衰定数）がゆるやかに与えられている場合に、分類境界
の識別と同時に正確なモデル推定を行うといった問題に
は対応していない。For example, in line design of a mobile radio communication system in the field of radio communication, it is necessary to estimate radio wave propagation loss characteristics. In general, it is known that a terrestrial wave attenuates by the square of the distance up to a predetermined distance from the transmitting station, and attenuates by a factor of 3 to 4 at a farther distance, and the propagation coefficient changes abruptly. It is important to identify the position from measured data or the like in order to understand the radio wave propagation loss characteristics. However, in the case where the prior model (that is, the attenuation constant) of each class (that is, the distance range of the same attenuation constant) is loosely given as described above, the cluster analysis method described above can accurately identify the classification boundary and simultaneously obtain an accurate model. It does not address the problem of estimating.
【０００４】そこで本発明は、特性の異なるデータ群が
混在している集合において、各クラスの事前モデルがゆ
るやかに与えられる場合に、分類境界の識別と同時にモ
デルの正確な推定を行うことのできる特性境界識別方法
および装置を提供することを目的としている。Therefore, according to the present invention, in a set in which data groups having different characteristics coexist, if a prior model of each class is given slowly, it is possible to accurately estimate a model at the same time as identifying a classification boundary. It is an object of the present invention to provide a characteristic boundary identification method and apparatus.
【０００５】[0005]
【課題を解決するための手段】上記目的を達成するため
に、本発明の、特性の変化する境界を有するデータ群か
ら、その境界を識別するための特性境界識別方法は、
（ａ）特性の変化する境界を仮定するステップ、（ｂ）
前記ステップ（ａ）において仮定された境界により分割
される各領域に属するデータに対して、回帰分析を施し
て適切な回帰線を決定してそのときの誤差を求めるステ
ップ、（ｃ）前記ステップ（ｂ）において求めた各領域
毎の誤差について重み付け平均を計算してその境界に対
する評価値とするステップ、（ｄ）調査範囲内において
新たな値を特性境界と仮定し、前記ステップ（ｂ）〜
（ｃ）を順次繰り返すステップ、および、（ｅ）前記ス
テップ（ｃ）において算出した各特性境界に対応する評
価値が最小となる特性境界を正しい境界であると識別す
るステップの各ステップからなるデータ群の特性境界識
別方法である。In order to achieve the above-mentioned object, a characteristic boundary identifying method for identifying a boundary from a data group having a boundary of changing characteristics according to the present invention comprises:
(A) assuming a boundary where characteristics change, (b)
A step of performing a regression analysis on data belonging to each area divided by the boundary assumed in the step (a) to determine an appropriate regression line and obtaining an error at that time; (c) the step (c) b) calculating a weighted average of the error for each region obtained for each region and setting it as an evaluation value for the boundary; (d) assuming a new value within the investigation range as a characteristic boundary;
(C) a step of sequentially repeating (c), and (e) a step of identifying a characteristic boundary having the smallest evaluation value corresponding to each characteristic boundary calculated in the step (c) as a correct boundary. This is a method for identifying characteristic boundaries of groups.
【０００６】また、前記ステップ（ｂ）における回帰分
析において、隣接した領域の回帰線は、仮定した両領域
の境界において交点を生じる回帰式により近似されるも
のとされている。さらに、前記ステップ（ｃ）における
各領域毎の誤差について重み付け平均を行い評価値とす
る処理において、デ−タのばらつきが大きくて回帰線か
らの外れが大きい領域では、その回帰分析の誤差に対す
る重みを小さくして評価値を算出するようになされてい
るものである。In the regression analysis in the step (b), the regression line of the adjacent area is approximated by a regression equation that generates an intersection at the assumed boundary between the two areas. Further, in the process of performing weighted averaging on the error of each region in step (c) to obtain an evaluation value, in a region where the data has a large variation and the deviation from the regression line is large, the weight for the error of the regression analysis is given. Is reduced to calculate the evaluation value.
【０００７】さらにまた、上記目的を達成するための本
発明の特性境界識別装置は、特性の変化する境界を有す
るデータ群を入力するための入力装置と、前記入力装置
により入力されたデータ群を記憶する記録装置と、前記
記録装置に記憶されたデータ群から、前記データ群の特
性境界を識別する特性境界識別演算を実行する演算処理
装置と、前記演算処理装置により実行された特性境界識
別演算の結果を出力する出力装置とを有するデータ群の
特性境界識別装置であって、前記演算処理装置は、最初
に特性境界を仮定する処理と、仮定した特性境界で分割
される各領域のデータに対して回帰分析を施して適切な
回帰線を決定してそのときの誤差を求める処理と、その
各領域毎の誤差について重み付け平均を計算して評価値
を算出する処理と、前記仮定した特性境界を変化させて
評価値を算出して、該評価値が最小となるときが正しい
特性境界であると識別する処理を実行するものである。Further, a characteristic boundary identifying apparatus according to the present invention for achieving the above object has an input device for inputting a data group having a boundary where characteristics change, and a data group input by the input device. A recording device for storing, an arithmetic processing device for performing a characteristic boundary identification operation for identifying a characteristic boundary of the data group from a data group stored in the recording device, and a characteristic boundary identification operation performed by the arithmetic processing device And an output device that outputs the result of the characteristic boundary identification device of a data group, wherein the arithmetic processing unit first performs processing of assuming a characteristic boundary, and data of each region divided by the assumed characteristic boundary. A process of determining an appropriate regression line by performing a regression analysis on the error and calculating an error at that time; a process of calculating a weighted average for the error of each region and calculating an evaluation value And calculating an evaluation value by changing the assumed properties boundary, and executes a process of identifying and when the evaluation value is minimum is the correct characteristic boundary.
【０００８】さらにまた、前記回帰分析処理において、
隣接した領域の回帰線は仮定した両領域の境界において
交点を生じる回帰式とされており、さらにまた、前記評
価値を算出する処理において、データのばらつきが大き
くて回帰線からの外れが大きい領域については、その回
帰分析の誤差に対する重みが小さくされているものであ
る。Further, in the regression analysis processing,
The regression line of the adjacent region is a regression equation that generates an intersection at the assumed boundary between the two regions. Further, in the process of calculating the evaluation value, a region where the data has a large variation and the deviation from the regression line is large. Is the one in which the weight for the error of the regression analysis is reduced.
【０００９】[0009]
【発明の実施の形態】図１を参照して、本発明の第１の
特性境界識別方法について説明する。この図において、
各点は雑音や測定誤差等を含むデータである。これらの
データは、本来、所定の識別境界を境として複数のクラ
スに分類され、各クラスのデータは先験的に知られてい
る回帰線でモデル化されるデータ群である。本発明の特
性境界識別方法においては、まず、任意の識別位置ｂi
を定め、該識別位置ｂi に基づいてデータ群を各区間毎
に分割する。すなわち、ｂi ＜ｘの領域にあるデータ群
をクラスＣi とし、ｂi ≧ｘの領域にあるデータ群をク
ラスＣi+1 と分割している。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS A first characteristic boundary identification method according to the present invention will be described with reference to FIG. In this figure,
Each point is data including noise, measurement error, and the like. These data are originally classified into a plurality of classes with a predetermined identification boundary as a boundary, and the data of each class is a data group modeled by a regression line known a priori. In the characteristic boundary identification method of the present invention, first, an arbitrary identification position b i
Is determined, and the data group is divided into sections based on the identification position b i . That is, the data group in the area of b i <x is defined as class C i, and the data group in the area of b i ≧ x is divided into class C i + 1 .
【００１０】そして、クラスＣi に属するデータ群とク
ラスＣi+1 に属するデータ群とにそれぞれ着目し、各区
間毎に回帰線ｌi とｌi+1 により回帰分析処理を実行
し、そのときの回帰分析誤差ｅi 、ｅi+1 を求める。そ
して、評価関数Ｅとして、次式に示すように、各区間の
誤差ｅi 、ｅi+1 の重み付き平均を算出する。Then, focusing on the data group belonging to the class C i and the data group belonging to the class C i + 1 , regression analysis processing is executed for each section by using regression lines l i and l i + 1 , Regression analysis errors e i and e i + 1 are obtained. Then, as the evaluation function E, a weighted average of the errors e i and e i + 1 in each section is calculated as shown in the following equation.
【数１】 ここで、ａi 、ａi+1 は各区間の誤差に乗算される重み
であり、データのばらつきが大きくて回帰線からの外れ
が大きい領域については、この重みａi 、ａi+ 1 を小さ
く設定する。なお、Ｎは全クラス数である。(Equation 1) Here, a i and a i + 1 are weights by which the error of each section is multiplied, and in a region where data variation is large and deviation from the regression line is large, the weights a i and a i + 1 are reduced. Set. N is the number of all classes.
【００１１】次に、識別位置ｂi を変化させ、データ群
を再区分した新たなクラス毎に同様に各区間の回帰分析
誤差を算出して評価関数を求める。調査範囲内の全ての
識別位置について上述した処理を繰り返し、評価関数が
最小となる識別位置を妥当な特性境界であると推定す
る。また、そのときの回帰分析の結果より正確なモデル
を推定することができる、なお、上記においては事前モ
デルとして回帰線を例にとったが、本発明は必ずしも事
前モデルが回帰線に限定されるものではない。Next, the discrimination position b i is changed, and the regression analysis error of each section is similarly calculated for each new class obtained by re-dividing the data group to obtain an evaluation function. The above-described processing is repeated for all the identification positions within the investigation range, and the identification position where the evaluation function is minimum is estimated to be a proper characteristic boundary. In addition, an accurate model can be estimated from the result of the regression analysis at that time. In the above description, the regression line is taken as an example of the preliminary model, but the present invention is not necessarily limited to the regression line. Not something.
【００１２】クラス数が２の場合における、前記評価関
数の例を次式に示す。The following equation shows an example of the evaluation function when the number of classes is two.
【数２】 ここで、右辺の１項目及び２項目は、重み付き平均２乗
誤差を表わしている。(Equation 2) Here, the first and second items on the right side represent the weighted mean square error.
【００１３】正しい特性境界をＢとすると、ｂ1 ＜Ｂの
ときはｌ2 に対する回帰分析対象データ（データ数ｎ
2 ）中にクラスＣ1 のデータがΔＢ1 ＝Ｂ−ｂ1 だけ誤
って含まれ、ｂ1 ＞Ｂのときはｌ1 に対する回帰分析対
象データ（データ数ｎ1 ）中にクラスＣ2 のデータがΔ
Ｂ2 ＝ｂ1 −Ｂだけ誤って含まれることになる。したが
って、ｂ1 ＜Ｂのときには、右辺１項目はΔＢ2 ＝０と
考えられ誤差は小さいが、右辺２項目はΔＢ1 の影響で
誤差が大きくなる。逆に、ｂ1 ＞Ｂのときには、右辺２
項目はΔＢ1 ＝０と考えられ誤差は小さいが、右辺１項
目はΔＢ2 の影響で誤差が大きくなる。したがって、ｂ
1 ＝Ｂのときが右辺１項目と２項目の誤差の和が最も小
さくなると期待される。[0013] With the correct characteristic boundary and B, b 1 <regression analysis target data (data number n for l 2 when the B
2 ) erroneously contains data of class C 1 by ΔB 1 = B−b 1 , and when b 1 > B, the data of class C 2 in the regression analysis target data (data number n 1 ) for l 1 Is Δ
Only B 2 = b 1 -B will be erroneously included. Therefore, when b 1 <B, one item on the right side is considered to be ΔB 2 = 0 and the error is small, but the error on the two items on the right side is large due to the effect of ΔB 1 . Conversely, when b 1 > B, the right side 2
Although the item is considered to be ΔB 1 = 0 and the error is small, the error of one item on the right side becomes large under the influence of ΔB 2 . Therefore, b
When 1 = B, it is expected that the sum of the errors of one item and two items on the right side is the smallest.
【００１４】図２を用いて、本発明の第２の特性境界識
別方法について説明する。この第２の特性境界識別方法
は、回帰分析における回帰線の設定処理において、前記
図１に示した第１の特性境界識別方法と差異がある。前
記第１の方法では、図１に示すように識別位置ｂi と回
帰線ｌi 及びｌi+1 の交点の位置とが必ずしも一致する
保証がなかっため、そのずれ分が誤差として生じる可能
性があった。そこでこの第２の方法では、仮定した境界
ｂi 上に交点を設定して、その交点を必ず通過する回帰
線ｌi ’及びｌi+1 ’を使用して近似誤差ｅi ’及びｅ
i+1 ’を求め、評価値を算出するようにしている。Referring to FIG. 2, a description will be given of a second characteristic boundary identification method according to the present invention. This second characteristic boundary identification method differs from the first characteristic boundary identification method shown in FIG. 1 in the process of setting a regression line in regression analysis. In the first method, because guarantees did in which the position of the identification position b i and the regression line l i and l i + 1 of the intersection as shown in FIG. 1 always match, possibly the shift amount is generated as an error was there. Therefore this second method, the assumed boundary b i by setting the intersection point on, the regression line l i 'and l i + 1' using the approximation error e i 'and e always passes through the intersection
i + 1 'is calculated and the evaluation value is calculated.
【００１５】そして、その境界ｂi 上で前記交点を順次
変化させて新たな回帰線を使用して評価値を同様に調べ
て行き、最小評価値をその識別位置ｂi の評価値とす
る。次に、識別位置ｂi を変化させ、同様に評価値を算
出していく。このようにして算出された評価値が最小と
なる識別位置を妥当な特性境界であると推定する。この
第２の方法では、仮定した１つの境界毎に交点位置を変
化させて最小評価値を探索するという処理が付加される
ため、演算処理量は大幅に増加するが、その代わりに高
精度な識別が可能となる。[0015] Then, the boundary b i on the sequentially changing the intersection go similarly examined evaluation value using the new regression line, the minimum evaluation value and the evaluation value of the identification position b i. Then, by changing the identification position b i, we calculate the same evaluation value. The identification position at which the evaluation value calculated in this manner is the smallest is estimated to be a proper characteristic boundary. In the second method, a process of changing the position of the intersection for each assumed boundary to search for the minimum evaluation value is added, so that the amount of arithmetic processing increases significantly, but instead, a high-precision Identification becomes possible.
【００１６】図３に、上述した特性境界識別方法を実行
するための本発明の特性境界識別装置のシステム構成例
を示す。図３（ａ）は特性境界識別装置の一構成例であ
り、データを入力装置１０から演算処理装置２０に入力
して適宜記録装置３０に記憶させる。そして、演算処理
装置２０により特性境界識別演算を実行し、その結果を
記録装置３０に記録するとともに出力装置４０に出力す
る。FIG. 3 shows an example of a system configuration of a characteristic boundary identifying apparatus of the present invention for executing the characteristic boundary identifying method described above. FIG. 3A shows an example of the configuration of the characteristic boundary identification device. Data is input from the input device 10 to the arithmetic processing device 20 and stored in the recording device 30 as appropriate. Then, the characteristic boundary identification calculation is executed by the arithmetic processing unit 20, and the result is recorded in the recording device 30 and output to the output device 40.
【００１７】図３（ｂ）は、前記演算処理装置２０にお
いて実行される特性境界識別処理のの処理手順である。
この図に示す処理手順は、前記第１の特性境界識別方法
に該当する処理を実行するものである。まずデータを入
力し（Ｓ１１）、位置ｂ及び最小値ｍを初期化する（Ｓ
１２）。具体的には、入力されたデータにおける位置情
報の最大値と最小値とから位置の調査範囲を決定し、識
別位置ｂの初期値をレジスタに設定する。また、最小値
ｍとしてかなり大きな値を初期値として最小値レジスタ
に設定する。FIG. 3B shows a processing procedure of the characteristic boundary identification processing executed in the arithmetic processing unit 20.
The processing procedure shown in this figure executes processing corresponding to the first characteristic boundary identification method. First, data is input (S11), and the position b and the minimum value m are initialized (S11).
12). Specifically, a position investigation range is determined from the maximum value and the minimum value of the position information in the input data, and the initial value of the identification position b is set in the register. Also, a considerably large value is set as the initial value in the minimum value register as the minimum value m.
【００１８】次に、位置ｂ未満のデータと位置ｂ以上の
データをそれぞれ回帰分析して、各平均２乗誤差を計算
し（Ｓ１３）、その重み付き平均を評価値として求める
（Ｓ１４）。そして、求めた評価値が最小値ｍよりも小
さければ、それを新たな最小値ｍに設定する（Ｓ１
５）。以上のステップＳ１３〜Ｓ１６までの処理を、識
別位置ｂを調査範囲内で変化させて繰り返した後（Ｓ１
７）、最終的に得られた最小値ｍとなるときの識別位置
ｂを適切な特性境界と推定して結果を出力する（Ｓ１
８）。Next, the data below the position b and the data above the position b are regression-analyzed to calculate each mean square error (S13), and the weighted average is obtained as an evaluation value (S14). If the obtained evaluation value is smaller than the minimum value m, it is set to a new minimum value m (S1).
5). After repeating the processing of steps S13 to S16 while changing the identification position b within the investigation range (S1
7), the identification position b at which the finally obtained minimum value m is obtained is estimated as an appropriate characteristic boundary, and the result is output (S1).
8).
【００１９】図４に、特性境界と回帰線の交点とを一致
させるようにした、本発明の第２の特性境界識別方法を
実行する場合の処理手順を示す。まず、前記図３（ｂ）
の場合と同様に、データを入力して（Ｓ２１）、距離ｂ
及び最小値ｍを初期化する（Ｓ２３）。続いて、データ
の値の最小値と最大値を調べて交点の変化範囲として設
定する（Ｓ２４）。次に、ｘ＝ｂにおいて交点位置Ｙ＝
ｄと、最小値ｍd とを初期化する（２４）。次に、ｂ未
満のデータとｂ以上のデータをそれぞれｄを通過する拘
束条件を伴った回帰線に近似し、各平均２乗誤差を求め
（Ｓ２５）、その重み付き平均を評価値として計算する
（Ｓ２６）。そして、その評価値が最小値ｍd よりも小
さければその評価値を新たなｍd として入れ替える（Ｓ
２７）。FIG. 4 shows a processing procedure for executing the second characteristic boundary discriminating method of the present invention in which the characteristic boundary and the intersection of the regression line are matched. First, FIG.
As in the case of (1), data is input (S21), and the distance b
And the minimum value m is initialized (S23). Subsequently, the minimum value and the maximum value of the data value are checked and set as a change range of the intersection (S24). Next, at x = b, the intersection position Y =
d and the minimum value md are initialized (24). Next, the data smaller than b and the data larger than b are each approximated to a regression line with a constraint condition passing d, each mean square error is determined (S25), and the weighted average is calculated as an evaluation value. (S26). Then, if the evaluation value is smaller than the minimum value m d replacing the evaluation value as a new m d (S
27).
【００２０】上記ステップＳ２５〜Ｓ２７の処理を、ｄ
を変化させて前記ステップＳ２４において設定した交点
範囲内を外れるまで繰り返す（Ｓ２９）。交点範囲内で
の最小値ｍd が得られたら、識別位置ｂの調査範囲内で
の最小値ｍと比較して、ｍdがｍより小さければｍd を
新たなｍとして設定する（Ｓ３０）。そして、識別位置
ｂを変化させて調査範囲内を外れるまで、ステップＳ２
４〜Ｓ３１の処理を繰り返し（Ｓ３２）、最小値となっ
たときの識別位置ｂを適切な特性境界と推定して結果を
出力する（Ｓ３３）。このようにして、各識別位置ｂ毎
に、交点位置を順次変化させながら、識別位置を変更し
て、評価値が最小値となる識別位置を求める。The processing of steps S25 to S27 is described as d
Is repeated until the value falls outside the intersection range set in step S24 (S29). When the minimum value m d is obtained in the intersection range, as compared with the minimum value m in the Scope of identification position b, m d is set to m d as a new m is smaller than m (S30) . Step S2 is performed until the identification position b is changed and goes outside the investigation range.
The processes from 4 to S31 are repeated (S32), and the identification position b when the minimum value is reached is estimated as an appropriate characteristic boundary, and the result is output (S33). In this way, the identification position is changed while sequentially changing the intersection position for each identification position b, and the identification position with the minimum evaluation value is obtained.
【００２１】次に、本発明の特性境界識別方法を実測電
界強度データから電波の伝搬特性を推定する電波伝搬損
失推定問題に適用した例について説明する。電波伝搬損
失推定問題において、損失特性を示すパラメータである
減衰定数が送信局と受信局との間で急激に変化する位置
（以下、ブレイクポイントと呼ぶ）を識別することは、
損失特性把握のために重要である。そのためには、測定
ばらつきを含んだ実測電界強度データから数値処理によ
り定量的に精度良くブレイクポイント位置を識別する必
要がある。Next, an example will be described in which the characteristic boundary identification method of the present invention is applied to a radio wave propagation loss estimation problem for estimating a radio wave propagation characteristic from measured electric field strength data. In the radio wave propagation loss estimation problem, identifying a position (hereinafter, referred to as a breakpoint) at which the attenuation constant, which is a parameter indicating a loss characteristic, rapidly changes between the transmitting station and the receiving station is as follows.
This is important for understanding the loss characteristics. For that purpose, it is necessary to quantitatively and accurately identify the breakpoint position by numerical processing from the measured electric field intensity data including the measurement variation.
【００２２】図５に、ブレイクポイント推定のためのテ
スト用データを示す。このデータは、送信局の設置位置
から１０１３ｍ離れた位置まで受信局を移動させながら
受信電界強度の瞬時値を測定し、後処理で移動平均（区
間１０ｍで２ｍずつ移動）処理を施し、測定電界強度を
伝搬損に換算して得られたデータである。実測データで
あるため測定のばらつきが含まれており、このデータを
一見しただけではブレイクポイント位置を推察すること
は極めて困難であることが分かる。FIG. 5 shows test data for breakpoint estimation. This data is obtained by measuring the instantaneous value of the received electric field strength while moving the receiving station to a position 1013 m away from the installation position of the transmitting station, performing a moving average (moving by 2 m in a 10 m section) in post-processing, and This is data obtained by converting the intensity into a propagation loss. Since it is actually measured data, it includes measurement variations, and it can be seen that it is extremely difficult to infer the breakpoint position at a glance of this data.
【００２３】図６は、前述した本発明の第１の特性境界
識別方法によるブレイクポイントの推定結果を示す。ブ
レイクポイントが送信局から距離ｄの位置にあると仮定
して、ｄ以内のデータに対しては物理的知見から２乗則
減衰線を適用し、ｄ以遠のデータに対しては４乗則減衰
線を用いて回帰分析処理を行う。そして各々の平均２乗
誤差を求め、その平均を評価値ｒ（ｄ）とする。なおこ
の場合には、重み付けａ１およびａ２を同等とした。ま
た図６では、ｄを１０ｍづつ変化させたときの、評価値
の平方根を表示している。図６より、最小の評価値はｄ
＝１８０ｍの位置に顕著に現れていることが分かり、ブ
レイクポイント位置は送信局から１８０ｍ離れた地点で
あると識別することができた。FIG. 6 shows a result of estimating a break point by the above-described first characteristic boundary identification method of the present invention. Assuming that the break point is located at a distance d from the transmitting station, a square law attenuation line is applied to data within d from physical knowledge, and a fourth law attenuation is applied to data beyond d. Regression analysis is performed using the line. Then, each mean square error is obtained, and the average is used as an evaluation value r (d). In this case, the weights a1 and a2 were made equal. FIG. 6 shows the square root of the evaluation value when d is changed by 10 m at a time. From FIG. 6, the minimum evaluation value is d
= 180 m, the break point position could be identified as a point 180 m away from the transmitting station.
【００２４】また、上記においては、事前モデルとして
回帰式の形が定められている場合について説明したが、
これに限られることはなく、例えば回帰式の次数も未知
パラメータとして、推定を行うこともできる。In the above description, the case where the form of the regression equation is defined as the prior model has been described.
The estimation is not limited to this. For example, the order of the regression equation can be estimated as an unknown parameter.
【００２５】[0025]
【発明の効果】以上説明したように、本発明によれば、
特性の異なるデータ群が混在している集合において、各
クラスの事前モデルがゆるやかに与えられる場合に、分
類境界の識別と同時にモデルの正確な推定を行う処理が
可能となる。また、特性境界と回帰線の交点とを一致さ
せて回帰分析処理を行う場合には、より高精度な識別を
行うことができる。さらに、データのばらつきが大きい
領域の誤差については、その重みを小さくするようにし
た場合には、データに含まれる誤差の影響を少なくする
ことができる。As described above, according to the present invention,
In a set in which data groups having different characteristics coexist, when a prior model of each class is given slowly, it is possible to perform a process of identifying a classification boundary and simultaneously estimating a model accurately. Further, when performing the regression analysis process by matching the intersection of the characteristic boundary and the regression line, more accurate identification can be performed. Furthermore, when the weight of an error in a region where data variation is large is reduced, the influence of the error included in the data can be reduced.
【図１】 本発明の第１の特性境界識別方法を説明する
ための図である。FIG. 1 is a diagram for explaining a first characteristic boundary identification method of the present invention.
【図２】 本発明の第２の特性境界識別方法を説明する
ための図である。FIG. 2 is a diagram for explaining a second characteristic boundary identification method of the present invention.
【図３】 本発明の特性境界識別装置のシステム構成例
と第１の特性境界識別方法を実行するための処理手順を
示す図である。FIG. 3 is a diagram showing an example of a system configuration of a characteristic boundary identification device of the present invention and a processing procedure for executing a first characteristic boundary identification method.
【図４】 本発明の第２の特性境界識別方法を実行する
ための処理手順を示す図である。FIG. 4 is a diagram showing a processing procedure for executing a second characteristic boundary identification method of the present invention.
【図５】 本発明の方法を用いてブレイクポイントを推
定するときに使用したテスト用データの一例を示す図で
ある。FIG. 5 is a diagram showing an example of test data used when estimating a breakpoint using the method of the present invention.
【図６】 本発明の方法を用いたブレイクポイント推定
処理の結果を示す図である。FIG. 6 is a diagram showing a result of a breakpoint estimation process using the method of the present invention.
１０ 入力装置 ２０ 演算処理装置 ３０ 記録装置 ４０ 出力装置 Reference Signs List 10 input device 20 arithmetic processing device 30 recording device 40 output device
───────────────────────────────────────────────────── フロントページの続き (72)発明者 平 和昌 東京都小金井市貫井北町４丁目２番１号 郵政省通信総合研究所内 ────────────────────────────────────────────────── ─── Continuing on the front page (72) Kazumasa Taira 4-2-1 Nukikitamachi, Koganei-shi, Tokyo Inside Communications Research Laboratory, Ministry of Posts and Telecommunications
Claims (6)
ら、その境界を識別するための方法であって、次の
（ａ）〜（ｅ）のステップからなるデータ群の特性境界
識別方法。 （ａ）特性の変化する境界を仮定するステップ、 （ｂ）前記ステップ（ａ）において仮定された境界によ
り分割される各領域に属するデータに対して、回帰分析
を施して適切な回帰線を決定してそのときの誤差を求め
るステップ、 （ｃ）前記ステップ（ｂ）において求めた各領域毎の誤
差について重み付け平均を計算してその境界に対する評
価値とするステップ、 （ｄ）調査範囲内において新たな値を特性境界と仮定
し、前記ステップ（ｂ）〜（ｃ）を順次繰り返すステッ
プ、 （ｅ）前記ステップ（ｃ）において算出した各特性境界
に対応する評価値が最小となる特性境界を正しい境界で
あると識別するステップ。1. A method for identifying a boundary from a data group having a boundary where characteristics change, comprising the following steps (a) to (e). (A) a step of assuming a boundary where characteristics change; (b) a regression analysis is performed on data belonging to each area divided by the boundary assumed in step (a) to determine an appropriate regression line (C) calculating a weighted average of the error of each region obtained in the step (b) and setting the weighted average as an evaluation value for the boundary; And (e) assuming that the evaluation value corresponding to each characteristic boundary calculated in the step (c) is the minimum, is correct. Identifying the boundary.
おいて、隣接した領域の回帰線は、仮定した両領域の境
界において交点を生じる回帰式により近似されることを
特徴とする前記請求項１記載のデータ群の特性境界識別
方法。2. The regression analysis in the step (b), wherein a regression line of an adjacent area is approximated by a regression equation that generates an intersection at the assumed boundary between the two areas. A method for identifying characteristic boundaries of data groups.
誤差について重み付け平均を行い評価値とする処理にお
いて、デ−タのばらつきが大きくて回帰線からの外れが
大きい領域では、その回帰分析の誤差に対する重みを小
さくして評価値を算出することを特徴とする前記請求項
１記載のデータ群の特性境界識別方法。3. In the step (c), in the process of weighting and averaging the error of each region to obtain an evaluation value, in the region where the data has a large variation and the deviation from the regression line is large, the regression analysis is performed. 2. The method according to claim 1, wherein a weight for the error is reduced to calculate the evaluation value.
入力するための入力装置と、 前記入力装置により入力されたデータ群を記憶する記録
装置と、 前記記録装置に記憶されたデータ群から、前記データ群
の特性境界を識別する特性境界識別演算を実行する演算
処理装置と、 前記演算処理装置により実行された特性境界識別演算の
結果を出力する出力装置とを有するデータ群の特性境界
識別装置であって、 前記演算処理装置は、 最初に特性境界を仮定する処理と、 仮定した特性境界で分割される各領域のデータに対して
回帰分析を施して適切な回帰線を決定してそのときの誤
差を求める処理と、 その各領域毎の誤差について重み付け平均を計算して評
価値を算出する処理と、 前記仮定した特性境界を変化させて評価値を算出して、
該評価値が最小となるときが正しい特性境界であると識
別する処理を実行するものであることを特徴とするデー
タ群の特性境界識別装置。4. An input device for inputting a data group having a boundary whose characteristics change, a recording device for storing the data group input by the input device, and a data group stored in the recording device. An arithmetic processing unit for executing a characteristic boundary identification operation for identifying a characteristic boundary of the data group, and an output device for outputting a result of the characteristic boundary identification operation executed by the arithmetic processing unit, The arithmetic processing unit first performs a process of assuming a characteristic boundary, and performs a regression analysis on data of each region divided by the assumed characteristic boundary to determine an appropriate regression line. A process of calculating an error of each region, a process of calculating a weighted average for the error of each region to calculate an evaluation value, and calculating an evaluation value by changing the assumed characteristic boundary,
A characteristic boundary discriminating apparatus for a data group, which performs a process of identifying a time when the evaluation value is minimum as a correct characteristic boundary.
処理において、隣接した領域の回帰線は、仮定した両領
域の境界において交点を生じる回帰式とされていること
を特徴とする前記請求項４記載のデータ群の特性境界識
別装置。5. The regression analysis process in the arithmetic processing device, wherein a regression line of an adjacent region is a regression equation that generates an intersection at a boundary between the assumed two regions. Characteristic boundary identification device for data groups.
の誤差について重み付け平均を計算して評価値を算出す
る処理において、データのばらつきが大きくて回帰線か
らの外れが大きい領域については、その回帰分析の誤差
に対する重みが小さくされていることを特徴とする前記
請求項４記載のデータ群の特性境界識別装置。6. In a process of calculating an evaluation value by calculating a weighted average of an error for each of the regions in the arithmetic processing device, for a region where data variation is large and a deviation from a regression line is large, the regression is performed. 5. The apparatus according to claim 4, wherein a weight for an analysis error is reduced.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24541696A JP3155954B2 (en) | 1996-08-29 | 1996-08-29 | Radio wave propagation loss characteristic estimation method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24541696A JP3155954B2 (en) | 1996-08-29 | 1996-08-29 | Radio wave propagation loss characteristic estimation method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH1075218A true JPH1075218A (en) | 1998-03-17 |
| JP3155954B2 JP3155954B2 (en) | 2001-04-16 |
Family
ID=17133337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP24541696A Expired - Lifetime JP3155954B2 (en) | 1996-08-29 | 1996-08-29 | Radio wave propagation loss characteristic estimation method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3155954B2 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009187061A (en) * | 2008-02-01 | 2009-08-20 | Quick Corp | Credit evaluation processing system, credit evaluation processing method, and credit evaluation processing program |
| JP2015130550A (en) * | 2014-01-06 | 2015-07-16 | 富士通株式会社 | Sound processor, sound processing method and sound processing program |
| JP2017120992A (en) * | 2015-12-28 | 2017-07-06 | 富士通株式会社 | Estimation device, estimation method, and estimation program |
| JP2020057261A (en) * | 2018-10-03 | 2020-04-09 | トヨタ自動車株式会社 | Multiple regression analyzer and multiple regression analysis method |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201615647D0 (en) * | 2016-09-14 | 2016-10-26 | Sir Jacob Behrens & Sons Ltd | Improvements in and relating to curtains |
-
1996
- 1996-08-29 JP JP24541696A patent/JP3155954B2/en not_active Expired - Lifetime
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009187061A (en) * | 2008-02-01 | 2009-08-20 | Quick Corp | Credit evaluation processing system, credit evaluation processing method, and credit evaluation processing program |
| JP2015130550A (en) * | 2014-01-06 | 2015-07-16 | 富士通株式会社 | Sound processor, sound processing method and sound processing program |
| JP2017120992A (en) * | 2015-12-28 | 2017-07-06 | 富士通株式会社 | Estimation device, estimation method, and estimation program |
| JP2020057261A (en) * | 2018-10-03 | 2020-04-09 | トヨタ自動車株式会社 | Multiple regression analyzer and multiple regression analysis method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3155954B2 (en) | 2001-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949290B (en) | Pavement crack detection method, device, equipment and storage medium | |
| US9930541B2 (en) | Maintaining the integrity of configuration information of a network of access points for use in positioning an apparatus | |
| CN113127342B (en) | Defect prediction method and device based on feature selection of power grid information system | |
| CN109521725A (en) | The method, apparatus and equipment and machine readable media of detection abnormal data | |
| CN108377508B (en) | User perception classification method and device based on measurement report data | |
| CN118509333B (en) | A Python-based radio frequency test network construction and evaluation method and system | |
| CN117892842B (en) | Training method, device and electronic device for battery failure prediction model | |
| CN108470194B (en) | Feature screening method and device | |
| CN114861825A (en) | Method and device for classifying positioning performance of digital key end, classification equipment and medium | |
| CN114547101B (en) | Data quality evaluation method, device, equipment and storage medium for data center | |
| CN112529112B (en) | Mineral identification method and device | |
| CN111062448A (en) | Equipment type recognition model training method, equipment type recognition method and device | |
| CN113610167A (en) | Equipment risk detection method based on metric learning and visual perception | |
| JPH1075218A (en) | Method and device for identifying characteristic boundary of data groups | |
| CN112381456A (en) | Equipment development phase testability evaluation and system based on conflict data fusion | |
| CN110083777B (en) | Social network user grouping method and device and server | |
| CN117523324B (en) | Image processing method, image sample classification method, device and storage medium | |
| CN105743756A (en) | Frame detection method based on Adaboost algorithm in Wi-Fi system | |
| CN113837237A (en) | Multi-sensor fusion target identification method based on evidence confidence entropy and similarity | |
| CN111026661B (en) | Comprehensive testing method and system for software usability | |
| CN112566013B (en) | Target device positioning method, device, device and computer storage medium | |
| CN116307734A (en) | Method, device, equipment and readable storage medium for determining risk level of project | |
| CN109145887B (en) | A Threshold Analysis Method Based on Spectral Latent Variable Confusion Discrimination | |
| CN112749998A (en) | Income information output method and device, electronic equipment and computer storage medium | |
| CN119399857B (en) | Key positioning method, device, equipment and storage medium based on signal strength |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20000613 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20000926 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| EXPY | Cancellation because of completion of term |