JP2023531412A - コンピュータまたはハードウェアにより実装されたエンティティ識別方法、コンピュータプログラム製品およびエンティティ識別装置 - Google Patents

Abstract

本開示は、コンピュータまたはハードウェアにより実装されたエンティティ識別方法（１００）に関し、以下のステップを含む、すなわち、ａ）複数のノードから成るネットワークに複数のセンサからの入力を供給するステップ（１１０）と、ｂ）ネットワークの各ノードによって、複数のセンサからの入力に基づきアクティビティレベルを生成するステップ（１２０）と、ｃ）各ノードのアクティビティレベルを閾値レベルと比較するステップ（１３０）と、ｄ）比較ステップに基づき、各ノードについて、アクティビティレベルをプリセット値に設定するか、または生成されたアクティビティレベルを保持するステップ（１４０）と、ｅ）ネットワークのノードのすべてのアクティビティレベルの総和として、総アクティビティレベルを計算するステップ（１５０）と、ｆ）総アクティビティレベルの局所的最小値に到達した状態になるまで、ステップａ）～ｅ）を反復するステップ（１６０）と、ｇ）総アクティビティレベルの局所的最小値に到達した状態になったならば、測定可能なエンティティ特性を識別するために、局所的最小値におけるアクティビティレベルの分布を利用するステップ（１７０）とを含む。本開示はさらに、コンピュータプログラム製品およびエンティティ識別装置（３００）に関する。

Description

本開示は、コンピュータまたはハードウェアにより実装されたエンティティ識別方法、コンピュータプログラム製品およびエンティティ識別装置に関する。より具体的には本開示は、請求項１、請求項９および請求項１０の上位概念に記載の、コンピュータまたはハードウェアにより実装されたエンティティ識別方法、コンピュータプログラム製品およびエンティティ識別装置に関する。

背景技術
エンティティ識別は、従来技術から公知である。エンティティ識別を実行するために利用される１つの技術は、ニューラルネットワークである。エンティティ識別のために利用可能なニューラルネットワークの１つのタイプは、ホップフィールドネットワークである。ホップフィールドネットワークは、リカレント人工ニューラルネットワークの１つの形態である。ホップフィールドネットワークは、バイナリ閾値ノードを有し内容でアドレッシング可能な（「連想」）メモリシステムとして機能する。

しかしながら、既存のニューラルネットワークによる解決手段の性能は不十分であり、かつ／または信頼性が低い。さらに既存の解決手段は、トレーニングに多大な時間を要し、このため特にトレーニングのために、大量のコンピュータパワーおよび／またはエネルギーを必要とする場合がある。しかも、既存のニューラルネットワークによる解決手段は、大量の記憶スペースを必要とする場合がある。

よって、エンティティ識別の代替的なアプローチが必要とされている。好ましくは、かかるアプローチは、改善された性能、いっそう高い信頼性、高められた効率、いっそう速いトレーニング、いっそう僅かなコンピュータパワーの使用、いっそう僅かなトレーニングデータの使用、いっそう僅かな記憶スペースの使用、および／またはいっそう僅かなエネルギーの使用のうちの１つまたは複数をもたらす、または可能にするものである。

概要
本開示の１つの目的は、従来技術における先に挙げた欠点および不都合な点のうちの１つまたは複数を、軽減、緩和または排除し、少なくとも上述の問題を解決するよう努めることである。第１の態様によれば、コンピュータまたはハードウェアにより実装されたエンティティ識別方法が提供され、この方法は以下のステップを含む、すなわち、ａ）複数のノードから成るネットワークに複数のセンサからの入力を供給するステップと、ｂ）ネットワークの各ノードによって、複数のセンサからの入力に基づきアクティビティレベルを生成するステップと、ｃ）各ノードのアクティビティレベルを閾値レベルと比較するステップと、ｄ）比較ステップに基づき、各ノードについて、アクティビティレベルをプリセット値に設定するか、または生成されたアクティビティレベルを保持するステップと、ｅ）ネットワークのノードのすべてのアクティビティレベルの総和として、総アクティビティレベルを計算するステップと、ｆ）総アクティビティレベルの局所的最小値に到達した状態になるまで、ステップａ）～ｅ）を反復するステップと、ｇ）総アクティビティレベルの局所的最小値に到達した状態になったならば、測定可能なエンティティ特性を識別するために、局所的最小値におけるアクティビティレベルの分布を利用するステップとを含む。第１の態様が有する利点は、ネットワークの有効な構造を動的に変化させることができ、これによって、たとえばユニット／ノードごとに、いっそう多くの数のエンティティを識別できるようになる、ということである。

一部の実施形態によれば、入力は経時的に動的に変化し、１つのセンサ入力軌跡を辿る。これらの実施形態の１つの利点は、この方法はノイズの影響を受けにくい、ということである。別の利点は、識別がいっそう高速である、ということである。さらに別の利点は、これによっていっそう正確な識別が可能となる、ということである。

一部の実施形態によれば、複数のセンサはセンサ同士の依存性を監視する。これにより得られる利点は、この方法はノイズに対する影響を受けにくい、ということである。

一部の実施形態によれば、総アクティビティレベルの局所的最小値に到達した状態になるのは、ユーザ定義可能な時間閾値よりも長い期間にわたり、ユーザ定義可能な偏差閾値よりも小さい偏差で、１つのセンサ入力軌跡が辿られたときである。

一部の実施形態によれば、各ノードのアクティビティレベルが、各々が重みにより重み付けられた入力として、他のすべてのノードに対し利用され、少なくとも１つの重み付けられた入力は負であり、かつ／または少なくとも１つの重み付けられた入力は正であり、かつ／または保持されているすべての生成アクティビティレベルは正のスカラーである。

一部の実施形態によれば、ネットワークは、総アクティビティレベルの局所的最小値がどこにあるのかに影響を及ぼすアクティベーションエネルギーＸによってアクティベートされる。

一部の実施形態によれば、複数のセンサからの入力は、カメラによりキャプチャされた画像のピクセル値、たとえば輝度、であり、すべてのノードにわたるアクティビティレベルの分布はさらに、カメラの回転運動および／または並進運動によりカメラのポジションを制御し、これによってセンサ入力軌跡を制御するために利用され、識別されるエンティティは、キャプチャされた画像の少なくとも１つの画像内に存在する物体または物体の特徴である。これらの実施形態の１つの利点は、この方法はノイズの影響を受けにくい、ということである。別の利点は、識別が絶対時間には依存せず、たとえば、各静止カメラ画像によって費やされる絶対時間、およびカメラポジションが変化したときに種々のかかる静止カメラ画像間で費やされる時間には依存しない、ということである。

一部の実施形態によれば、複数のセンサはタッチセンサであり、複数のセンサ各々からの入力は、力に依存する値を有するタッチイベント信号であり、センサ入力軌跡を新たな接触イベント、接触イベントの終了、ジェスチャとして、または加えられた圧力として、識別するために、すべてのノードにわたるアクティビティレベルの分布が利用される。

一部の実施形態によれば、複数のセンサの各センサは、１つのオーディオ信号のそれぞれ異なる周波数帯域に関連づけられており、各センサは、関連づけられた周波数帯域内に存在するエネルギーを通報し、複数のかかるセンサからの組み合わされた入力は、１つのセンサ入力軌跡を辿り、すべてのノードにわたるアクティビティレベルの分布は、話者、および／またはオーディオ信号に存在する発話された文字、音節、単語、語句または音素を識別するために利用される。

第２の態様によれば、プログラム命令を含むコンピュータプログラムが設けられた非一時的コンピュータ可読媒体を含むコンピュータプログラム製品が提供され、コンピュータプログラムは、データ処理ユニットにロード可能であり、コンピュータプログラムがデータ処理ユニットによって実行されると、方法または上述の実施形態のうちの１つを実行させるように構成されている。

第３の態様によれば、エンティティ識別装置が提供され、この装置は、以下のことを行わせるように構成された制御回路を含む。すなわち、ａ）複数のノードから成るネットワークに複数のセンサからの入力を供給し、ｂ）ネットワークの各ノードによって、複数のセンサからの入力に基づきアクティビティレベルを生成し、ｃ）各ノードのアクティビティレベルを閾値レベルと比較し、ｄ）比較ステップに基づき、各ノードについて、アクティビティレベルをプリセット値に設定するか、または生成されたアクティビティレベルを保持し、ｅ）ネットワークのノードのすべてのアクティビティレベルの総和として、総アクティビティレベルを計算し、ｆ）総アクティビティレベルの局所的最小値に到達した状態になるまで、ａ）～ｅ）を反復し、ｇ）総アクティビティレベルの局所的最小値に到達した状態になったならば、測定可能なエンティティ特性を識別するために、局所的最小値におけるアクティビティレベルの分布を利用することを行わせるように構成された制御回路を含む。

第２および第３の態様のさらなる効果および特徴は、第１の態様を参照しながら先に説明したものとほとんど類似しており、この逆もまた同様である。第１の態様に関連して説明した実施形態は、第２および第３の実施形態とほとんど両立可能であり、この逆もまた同様である。

一部の実施形態の１つの利点は、エンティティ識別の代替的なアプローチが提供される、ということである。

一部の実施形態の１つの利点は、エンティティ識別の改善された性能が達成される、ということである。

一部の実施形態の別の利点は、いっそう信頼性の高いエンティティ識別が提供される、ということである。

一部の実施形態の利点はさらに、装置のトレーニングがいっそう高速である、ということであり、たとえばその理由は、装置が、たとえば動的性能が改善されたことから、いっそう一般的であるか、またはいっそう一般化可能だからである。

一部の実施形態のさらに別の利点は、処理要素のトレーニングがいっそう高速である、ということであり、たとえばその理由は、僅かなトレーニングデータセットしか必要とされないからである。

さらに別の利点は、装置が自己トレーニングを行うことができる、ということであり、つまり限られた量の初期トレーニングデータが装置内に浸透させられて、その表現が、ネットワークを介して新たな組み合わせとして供給され、これによって、一種の「データ強化」が可能となるが、このケースではこれは、微調整されたセンサデータではなく、装置に対し再生されている知覚情報の内部表現であり、これによって、データ強化によりもたらされるよりもいっそう効率的な自己トレーニングがもたらされる。

一部の実施形態のさらなる利点は、効率的またはいっそう効率的なエンティティ識別方法が提供される、ということである。

一部の実施形態の別のさらなる利点は、エネルギー効率の高いエンティティ識別方法が提供される、ということであり、たとえばその理由は、この方法によってコンピュータの電力および／または記憶スペースが節約されるからである。

一部の実施形態の別のさらなる利点は、情報の一部分を識別する帯域幅効率に優れた方法が提供される、ということであり、たとえばその理由は、この方法によってデータを送信するために必要とされる帯域幅が節約されるからである。

本開示については、以下で挙げる詳細な説明から明らかになるであろう。詳細な説明および特定の実施例は、本開示の好ましい実施形態を例示として開示しているにすぎない。詳細な説明における案内から当業者に自明のとおり、本開示の範囲内で変更および修正を行うことができる。

したがってここで理解されたいのは、本明細書で開示された開示は、記載された装置または記載された方法のステップの特定の構成要素部分に限定されるものではない、ということであり、それというのも、かかる装置および方法は変化する場合があるからである。同様に理解されたいのは、本明細書で用いられる専門用語は、特定の実施形態を説明する目的のためにすぎず、限定を意図したものではない。ここで留意されたいのは、本明細書および添付の特許請求の範囲で使用される場合、不定冠詞、定冠詞および前記は、文脈によって別段明示的に指示されていない限り、要素のうちの１つまたは複数が存在していることを意味するよう意図されている、ということである。よって、たとえば「１つのユニット」または「このユニット」についての言及は、複数のデバイスおよび同類のものを含む可能性がある。さらに、「有する」、「含む」、「含有する」という単語および類似の言い回しは、他の要素またはステップを排除するものではない。

専門用語について、「測定可能な」という用語は、測定または検出することができるものとして、つまり検出可能なものとして、解釈されたい。用語「測定する」および「検知する」は、同義語として解釈されたい。エンティティという用語は、物理的なエンティティといったようなエンティティとして、または財務エンティティ、たとえば１つまたは複数の財務データセット、といったようなもっと抽象的なエンティティとして、解釈されたい。用語「物理的エンティティ」は、物理的存在を有するエンティティとして、たとえば物体、（物体の）特徴、ジェスチャ、加えられた圧力、話者、発話された文字、音節、音素、単語または語句として、解釈されたい。用語「ノード」を、（ニューラルネットワークの）ニューロンまたは他の処理要素とすることができる。

本開示の例示的な実施形態についての以下の例示的かつ非限定的な詳細な説明を、添付の図面と併せて参照すれば、上述の課題ならびに本開示の付加的な課題、特徴および利点が、いっそう十分に理解されることになるであろう。

本開示の一部の実施形態による例示的な方法ステップを示すフローチャートである。 一部の実施形態による例示的なコンピュータ可読媒体を示す概略図である。 一部の実施形態による例示的な装置を示す概略ブロック図である。 複数のセンサおよび複数の処理要素を含む１つの実施例を用いた、一部の実施形態による装置の動作原理を示す概略図である。 複数のセンサおよび複数の処理要素を含む１つの実施例を用いた、一部の実施形態による装置の動作原理を示す概略図である。 複数の処理要素を含む１つの実施例を用いた、一部の実施形態による装置の動作原理を示す概略図である。 複数のセンサおよび複数の処理要素を含む１つの実施例を用いた、一部の実施形態による装置の動作原理を示す概略図である。 図８Ａ～図８Ｈは、複数の触覚センサを含む１つの実施例を用いた、一部の実施形態による装置の動作原理を示す概略図である。 カメラを含む１つの実施例を用いた、一部の実施形態による装置の動作原理を示す概略図である。 図１０Ａ～図１０Ｃは、オーディオ信号を検知する種々のセンサに関する周波数および電力を示すグラフである。 知覚軌跡のグラフである。

詳細な説明
次に、本開示の好ましい例示的な実施形態が示されている添付の図面を参照しながら、本開示について説明する。ただし、本開示を他の形態で実施することができ、本明細書で開示された実施形態に本開示が限定されるものと解するべきではない。開示された実施形態は、本開示の範囲を当業者に十分に伝えるために提供されたものである。

以下、実施形態について説明するが、ここで図１は、本開示の１つの実施形態による例示的な方法ステップを示すフローチャートである。図１には、コンピュータまたはハードウェアにより実装されたエンティティ識別方法１００が示されている。したがってこの方法を、ハードウェア、ソフトウェアまたはこれら２つの任意の組み合わせとして実装することができる。この方法は、ノード５２２，５２４，５２６，５２８から成る（図５に示されている）ネットワーク５２０に、複数のセンサからの入力５０２，５０４，５０６，５０８を供給するステップ１１０を含む。ネットワーク５２０を、リカレントニューラルネットワークといったリカレントネットワークとすることができる。センサを、イメージセンサ（たとえばピクセル）、オーディオセンサ（たとえばマイクロフォン）、または触覚センサ（たとえば圧力センサアレイまたは生物学から着想を得た触覚センサ）など、任意の適切なセンサとすることができる。さらに、これらの入力を動作中に生成することができ、つまりセンサはネットワーク５２０にじかに接続されている。択一的に、入力がまずは生成されて記録／格納され、次いでネットワーク５２０に供給される。さらに入力を前処理しておくことができる。入力を前処理する１つのやり方は、複数のセンサ信号を（たとえば信号の平均値形成または加算により）結合または再結合し、信号のこのような結合または再結合をネットワーク５２０への１つまたは複数の入力として利用する、ということによるものである。いずれのケースでも、入力データは経時的に連続的に変化し徐々に進展する可能性がある。さらにこの方法は、ネットワーク５２０の各ノード５２２，５２４，５２６，５２８によって、複数のセンサからの入力に基づきアクティビティレベルを生成するステップ１２０を含む。このため各ノード５２２，５２４，５２６，５２８は、それらに関連づけられたアクティビティレベルを有する。ある１つのノードのアクティビティレベルは、そのノードの状態、たとえば内部状態、を表す。さらにアクティビティレベルセットすなわち各ノードのアクティビティレベルは、ネットワーク５２０の内部状態を表す。ネットワーク５２０の内部状態を、１つまたは複数のアクチュエータへのフィードバック信号として利用することができ、このフィードバック信号により入力が直接または間接的に制御され、これによってセンサ入力軌跡が制御される。さらにこの方法は、各ノード５２２，５２４，５２６，５２８のアクティビティレベルを閾値レベルすなわちアクティビティレベル閾値と比較するステップ１３０を含む。閾値レベルを任意の適切な値とすることができる。この方法は、比較ステップ１３０に基づき、各ノード５２２，５２４，５２６，５２８について、アクティビティレベルをプリセット値に設定するか、または生成されたアクティビティレベルを保持するステップ１４０を含む。一部の実施形態によれば、生成されたアクティビティレベルが閾値レベルよりも高ければ、そのレベルが保持され、生成されたアクティビティレベルが閾値レベル以下であれば、アクティビティレベルがプリセット値に設定される。アクティビティレベルを、ゼロのプリセット値または任意の他の適切な値に設定することができる。さらにこの方法は、ネットワーク５２０のノード５２２，５２４，５２６，５２８のすべてのアクティビティレベルの総和として、総アクティビティレベルを計算するステップ１５０を含む。この計算のために、設定された値が任意の保持されている生成値と共に利用される。プリセット値がゼロであるならば、保持されているすべての生成値のみの総和として、総アクティビティレベルを計算することができ、このためすべてのゼロ値が無視され、したがっていっそう高速な計算がもたらされる。さらにこの方法は、総アクティビティレベルの局所的最小値に到達した状態になるまで、先に述べたステップ１１０，１２０，１３０，１４０，１５０を反復するステップ１６０を含む。この反復は、連続的に徐々に進展する入力信号によって実行され、たとえば各入力はセンサからの連続的な信号である。可能な限り低い総アクティビティレベルに到達したときに、局所的最小値に到達する。総アクティビティレベルが所定の反復回数にわたり総アクティビティ閾値を下回ったならば、可能な限り低い総アクティビティレベルに到達したと見なすことができる。この反復回数を、２など任意の適切な回数とすることができる。総アクティビティレベルの局所的最小値に到達した状態になったならば、エンティティの１つの測定可能な特性（または複数の測定可能な特性）を識別するために、局所的最小値におけるアクティビティレベルの分布が利用される（ステップ１７０）。測定可能な特性を、物体の特徴、特徴の一部、ポジションの軌跡、加えられた圧力の軌跡、あるいは特定の話者が特定の文字、音節、音素、単語または語句を発話したときの、その特定の話者の周波数識別特性とすることができる。この場合には、かかる測定可能な特性をエンティティにマッピングすることができる。たとえば、ある１つの物体の特徴をある１つの物体にマッピングすることができ、ある１つの特徴の一部を（ある１つの物体の）特徴にマッピングすることができ、ポジションの軌跡をジェスチャにマッピングすることができ、加えられた圧力の軌跡を（最大の）加えられた圧力にマッピングすることができ、特定の話者の周波数識別特性をその話者にマッピングすることができ、発話された文字、音節、音素、単語またはフレーズを実際の文字、音節、音素、単語または語句にマッピングすることができる。かかるマッピングを単純に、メモリ、ルックアップテーブルまたはデータベースにおける探索とすることができる。この探索を、複数の物理的なエンティティのうち、識別された測定可能な特性に最も近い特性を有するエンティティを見つける、ということに基づくものとすることができる。かかる探索から、実際のエンティティを識別することができる。局所的最小値に到達した状態になったならば、ネットワーク５２０は、ユーザ定義可能な時間にわたり局所的最小値軌跡を辿る。識別の精度は、この局所的最小値軌跡を辿るのに費やされる総時間に左右される。

一部の実施形態によれば、入力は経時的に動的に変化し、１つの（時間的な）センサ入力軌跡または知覚軌跡を辿る。一部の実施形態によれば、複数のセンサはセンサ同士の依存性を監視する。かかる依存性は、下に位置する同じ基板の異なる部分に複数のセンサが配置されている、ということに起因する場合があり、たとえばそれらのセンサは互いに近くに配置され、したがって互いに関連または依存する１つの信号のそれぞれ異なる状況を測定する。択一的に、センサが測定する量が、センサによって監視される世界を支配する法則に起因して、依存性を有する場合がある。たとえば、視覚世界が（ある１つのカメラによって）第１の画像のセンサピクセルセットにマッピングされる場合、２つの隣接センサ／ピクセルは、それらの輝度について高いコントラストを有することができるけれども、視覚世界がそのようには構成されていないことから、すべての隣接センサ／ピクセルが、それらの間で高い強度コントラストを有するようになるわけではない。このため視覚世界では、以下のことを意味するある程度の予測可能性または依存性が存在する可能性がある。すなわち、中央ピクセルと第１のピクセル、たとえば中央ピクセルの左側のピクセル、との間の輝度について高いコントラストが生じているけれども、中央ピクセルと他の隣接ピクセル（たとえば中央ピクセルの右側、上または下のピクセル）との間ではもっと低い輝度コントラストが生じているならば、この関係が第２の画像など他の画像においても反映されている可能性があり、つまり第２の画像においても、中央ピクセルと第１のピクセルとの間の輝度について高いコントラストが生じている可能性がある一方、中央ピクセルと他の隣接ピクセルとの間ではそれよりもずっと低い輝度コントラストが生じている可能性がある。

一部の実施形態によれば、総アクティビティレベルの局所的最小値に到達した状態になるのは、ユーザ定義可能な時間閾値よりも長い期間にわたり、ユーザ定義可能な偏差閾値よりも小さい偏差で、ある１つのセンサ入力軌跡が辿られたときである。換言すれば、総アクティビティレベルの局所的最小値に到達した状態になるのは、ノード５２２，５２４，５２６，５２８により辿られる軌跡である内部軌跡によって、センサ入力軌跡が十分な時間にわたり十分に良好に辿られた場合である。したがって一部の実施形態によれば、センサ入力軌跡は内部軌道によって再現または表現される。さらに、局所的最小値に到達するのは、可能な限り低い総アクティビティレベルに到達した場合であり、つまり、複数のセンサからの入力によってネットワーク５２０に供給されるアクティビティの総和に対し相対的な（ネットワーク５２０の）総アクティビティレベルが、可能な限り低い場合である。偏差閾値および時間閾値はユーザ定義可能であるので、ユーザは適切な精度を選択することができる。さらに、偏差閾値および時間閾値はユーザ定義可能であるので、実際の局所的最小値に到達する必要はなく、または実際の局所的最小値を見つける必要はなく、その代わりに、設定された偏差閾値および設定された時間閾値に依存して、総アクティビティレベルが局所的最小値の付近または近傍にあれば十分であり、したがってこれにより内部軌跡からの偏差が許容される。しかも、総アクティビティレベルが、設定された偏差閾値および設定された時間閾値の範囲内になければ、この方法はオプションとして、適切な精度／確実性でエンティティを識別できないことを通報するステップを含む。

一部の実施形態によれば、コンピュータプログラム製品は、たとえば、ユニバーサルシリアルバス（ＵＳＢ）メモリ、プラグインカード、組み込みドライブ、ディジタル多用途ディスク（ＤＶＤ）、または読み出し専用メモリ（ＲＯＭ）など、非一時的コンピュータ可読媒体２００を含む。図２には、コンパクトディスク（ＣＤ）ＲＯＭ２００の形態の例示的なコンピュータ可読媒体が示されている。コンピュータ可読媒体には、プログラム命令を含むコンピュータプログラムが格納されている。コンピュータプログラムをデータプロセッサ（ＰＲＯＣ）２２０にロード可能であり、このデータプロセッサ２２０をたとえば、コンピュータまたはコンピューティングデバイス２１０に含まれているものとすることができる。データ処理ユニットにロードされると、コンピュータプログラムを、データ処理ユニットに関連づけられているかまたはこれに含まれているメモリ（ＭＥＭ）２３０に格納することができる。一部の実施形態によれば、コンピュータプログラムは、データ処理ユニットにロードされ、データ処理ユニットによって実行されると、たとえば本明細書で説明した図１に示されている方法に従って、方法ステップを実施させることができる。

図３は、一部の実施形態による例示的な装置を示す概略ブロック図である。図３には、エンティティ識別装置３００が示されている。装置３００を、図１に示されているような、または本明細書において別の態様で説明されているような、方法ステップのうち１つまたは複数の方法ステップの動作を行わせる（たとえば実施させる）ように、構成することができる。装置３００は制御回路３１０を含む。この制御回路３１０は以下のように構成されている。すなわち、ノード５２２，５２４，５２６，５２８から成るネットワーク５２０に、複数のセンサからの入力を供給させ（図１のステップ１１０を参照）、複数のセンサからの入力に基づき、ネットワーク５２０の各ノード５２２，５２４，５２６，５２８によって、アクティビティレベルを生成させ（図１のステップ１２０を参照）、各ノード５２２，５２４，５２６，５２８のアクティビティレベルを閾値レベルと比較させ（図１のステップ１３０を参照）、比較に基づき、各ノード５２２，５２４，５２６，５２８について、アクティビティレベルをプリセット値に設定させるか、または生成されたアクティビティレベルを保持させ（図１のステップ１４０を参照）、ネットワーク５２０のノード５２２，５２４，５２６，５２８のすべてのアクティビティレベルの総和として、総アクティビティレベルを計算させ（図１のステップ１５０を参照）、総アクティビティレベルの局所的最小値に到達した状態になるまで、供給、生成、比較、設定／保持、および計算を反復させ（図１のステップ１６０を参照）、さらに、総アクティビティレベルの局所的最小値に到達した状態になったならば、測定可能なエンティティ特性を識別するために、局所的最小値におけるアクティビティレベルの分布を利用させるように（図１のステップ１７０を参照）、構成されている。

制御回路３１０は以下の構成要素を含むことができるか、またはさもなければ制御回路３１０を以下の構成要素に関連づけることができる。すなわち、複数のノードから成るネットワークに複数のセンサからの入力を供給するように構成可能な供給装置（たとえば供給回路または供給モジュール）３１２、複数のセンサからの入力に基づき、ネットワークの各ノードによって、アクティビティレベルを生成するように構成可能な生成装置（たとえば生成回路または生成モジュール）３１４、各ノードのアクティビティレベルを閾値レベルと比較するように構成可能な比較装置（たとえば比較回路または比較モジュール）３１６、比較に基づき、各ノードについて、アクティビティレベルをプリセット値に設定するか、または生成されたアクティビティレベルを保持するように構成可能な設定装置／保持装置（たとえば設定／保持回路または設定／保持モジュール）３１８、ネットワークのノードのすべてのアクティビティレベルの総和として、総アクティビティレベルを計算するように構成可能な計算装置（たとえば計算回路または計算モジュール）３２０、総アクティビティレベルの局所的最小値に到達した状態になるまで、供給、生成、比較、設定／保持および計算を反復するように構成可能な反復装置（たとえば反復回路または反復モジュール）３２２、および総アクティビティレベルの局所的最小値に到達した状態になったならば、測定可能なエンティティ特性を識別するために、局所的最小値におけるアクティビティレベルの分布を利用するように構成可能な利用装置（たとえば利用回路または利用モジュール）３２４。

図４には、複数のセンサおよび複数のノード／処理要素を含む１つの実施例を用いた、一部の実施形態による装置の動作原理が示されている。図４の１において、ノードｉ１，ｉ２，ｉ３およびｉ４を含むネットワーク４２０が、アクティベーションエネルギーＸによってアクティベートされる。一部の実施例によれば、図４に概略的に示されているように、ノードｉ１，ｉ２，ｉ３，ｉ４から成るネットワークは、非線形アトラクタダイナミクスを有する。より具体的には、複数のノードから成るネットワークはアトラクタネットワークである。さらに、各ノードのアクティビティレベルと閾値レベルとの比較１３０に基づき、アクティビティレベルをプリセット値に設定することによって、非線形性が導入される。ネットワーク４２０の内部状態は、ノードｉ１～ｉ４にわたるアクティビティの分布に等しい。内部状態は、ネットワーク４２０の構造に従い経時的に連続的に徐々に進展する。図４の２において、センサアクティベーションを生成する運動をトリガするか、またはセンサデータに対し単に行列演算を実行するために、ネットワーク４２０の内部状態が利用される。一部の実施例によれば、図４に示されているように、ネットワーク４２０は非同期データを生成し、その結果としてセンサアクティベーションが引き起こされる。図４の３において、複数のセンサ、たとえばバイオタッチセンサ、によって検知される物体として、図４に例として概略的に示された周囲世界の外部状態が、センサネットワーク４３０におけるセンサｊ１～ｊ４によって測定される。一部の実施形態によれば、たとえば、センサアクティベーション（内部状態によるアクチュエータアクティベーションによって引き起こされるセンサアクティベーションの変化）を生成する運動をトリガするために、ネットワーク４２０の内部状態が利用されるならば、センサと外界との間の関係を変化させることができる。図４の４には、たとえばネットワーク４２０に供給される非同期データを生成するセンサネットワーク４３０が示されている。センサネットワーク４３０のセンサｊ１～ｊ４は、視覚信号またはオーディオ信号について、機械的にかつ／または外界における物理的特性に起因して、常に依存しており、それらの依存性を、状態依存の重みを有するネットワークと比較することができる。アクティベーションエネルギーＸは、どこに総アクティビティレベルの局所的最小値があるのかに影響を及ぼすことになる。さらにアクティベーションエネルギーＸは、ｉ１～ｉ４からｊ１～ｊ４（またはアクチュエータ）への出力（すべてのノードにわたるアクティビティレベルの分布）を駆動することもできる。したがってアクティベーションエネルギーＸは、センサ入力軌跡を内部状態の関数、たとえば内部軌跡の関数、にするために役立つ。アクティベーションエネルギーＸを、特定のエンティティの初期推定つまり予測とすることができ、または多数のエンティティの組み合わせから成ることが既知である所与の検知条件に対する情報／エンティティの特定の部分の要求とすることができる。

図５には、複数のセンサおよび複数の処理要素またはノードを含む、一部の実施形態による装置の動作原理が示されている。より具体的には図５には、ノード５２２，５２４，５２６，５２８から成るネットワーク５２０の各ノードが、個々のセンサ（図示せず）からの個々の入力５０２，５０４，５０６，５０８を有する、ということが示されている。

図６は、相互接続された複数のノードまたは処理要素を含む、一部の実施形態による装置の動作原理を示す概略図である。図６には、ノード５２２，５２４，５２６，５２８から成るネットワーク５２０が示されており、各ノード５２２，５２４，５２６，５２８は、他のすべてのノード５２２，５２４，５２６，５２８に接続されている。すべてのノード５２２，５２４，５２６，５２８が他のすべてのノード５２２，５２４，５２６，５２８に接続されているならば、最大ポテンシャル分散を有するシステム／方法を得ることができる。よって、潜在的な最大限の表現の豊かさが可能となる。この方式によれば、各ノードを追加して、表現の豊かさを向上させることができる。このことを生じさせるためには、ノード間の接続線／重みの正確な分配が重要な許容因子となる。

図７は、複数のセンサおよび複数のノード／処理要素を含む１つの実施例を用いた、一部の実施形態による装置の動作原理を示す概略図である。図７には、ノード５２２，５２４，５２６，５２８から成るネットワーク５２０が示されており、各ノード５２２，５２４，５２６，５２８は、接続線を介して他のすべてのノード５２２，５２４，５２６，５２８に接続されている。さらに各ノード５２２，５２４，５２６，５２８には、複数のセンサからの入力５１２，５１４といった、少なくとも１つの入力が設けられている。一部の実施形態によれば、各ノード５２２，５２４，５２６，５２８のアクティビティレベルは、接続線を介した入力として利用され、各入力は、他のすべてのノード５２２，５２４，５２６，５２８に対する重み（入力荷重、たとえばシナプス荷重）によって重み付けされている。少なくとも１つの重み付けられた入力は負である。これを達成する１つの方法は、少なくとも１つの負の重みを利用することによるものである。択一的にまたは付加的に、少なくとも１つの重み付けられた入力は正である。これを達成する１つの方法は、少なくとも１つの正の重みを利用することによるものである。１つの実施形態によれば、ノードの一部５２２，５２４は、０～＋１の値を有する重みによって他のすべてのノードに影響を与えるのに対し、他のノード５２６，５２８は、－１～０の値を有する重みによって他のすべてのノードに影響を及ぼす。択一的にまたは付加的に、保持されているすべての生成アクティビティレベルは、正のスカラーである。負の重みの利用を、正のスカラーであるすべての保持されている生成アクティビティレベル、およびたとえばゼロである、他のすべてのアクティビティレベルを設定するためのプリセット値と、任意の時点で組み合わせることによって、（先行の時点では閾値レベルを下回っていなかった）一部のノードを、出力を生成するための閾値レベルよりも低くすることができ、このことは、ネットワークの有効な構造を識別プロセス中に動的に変化させることができる、ということを意味する。この実施形態によれば、この方法がホップフィールドネットを利用する方法と異なるのは、各ノードのアクティビティレベルに対し閾値を適用する点だけでなく、この実施形態のノードは、正のスカラー出力だけしか有していないけれども、負の入力を生成することができるからでもある。さらにすべてのノード／ニューロンが相互接続されており、センサからのすべての入力がネットワークのすべてのノード／ニューロンをターゲットにしているならば、最大限の表現の豊かさを達成することができる。このケースでは、センサからの入力により、センサ入力の正確な時空間パターン（およびそのパターンの時間進展）に依存して、ネットワークにおける種々の状態が誘導されることになる。

さらに図１を参照しながら先に説明したように、局所的最小値に到達するのは、可能な限り低い総アクティビティレベルに到達した場合であり、つまり、複数のセンサからの入力によってネットワーク５２０に供給されるアクティビティの総和に対し相対的な（ネットワーク５２０の）総アクティビティレベルが可能な限り低い場合である。しかしながら、複数のセンサからの入力が、ネットワーク５２０のノード５２２，５２４，５２６，５２８のアクティビティの積であるときには（さらにネットワークのノード５２２，５２４，５２６，５２８がアクティベーションエネルギーＸによって駆動されるときには）、単にすべての入力荷重をゼロにセットするだけの最も効果的な解決手段は機能しない。実際、このネットワーク５２０の各ノード５２２，５２４，５２６，５２８は、すべての入力荷重がゼロになることを能動的に回避する駆動部も有する。より具体的には、一部の実施形態によれば、ネットワーク５２０のノード５２２，５２４，５２６，５２８各々は、それらのノードのすべての入力荷重がゼロになるのを阻止する手段／機構を有する。さらに、一部の実施形態によれば、ネットワーク５２０は、すべての知覚入力の重みがゼロになるのを阻止する付加的な手段／機構を有する。

図８は、複数の触覚センサを備えた装置の動作原理を示す概略図である。より具体的には、図８には、２つの異なる検知条件下で、つまり剛性の表面に対するタッチまたはストレッチと柔軟な表面に対するタッチまたはストレッチとにおいて、１つの動的特徴を定義する同じタイプのセンサ依存性が、どのように生じる可能性があるのかが示されている。一部の実施形態によれば、複数のセンサはタッチセンサまたは触覚センサである。触覚センサをたとえば、圧力センサアレイまたは生物学から着想を得た触覚センサとすることができる。たとえば１つのアレイの触覚センサ各々は、たとえば指、ペンまたは他の物体によって、表面がタッチされたのかまたはストレッチされたのか、およびタッチ／ストレッチによってアクティベートされたのか、について検知する。触覚センサは、指、ペンまたは他の物体のところに配置されている。触覚センサがアクティベートされると、このセンサは、タッチイベント信号、たとえば＋１、を出力する。触覚センサがアクティベートされなければ、このセンサは非タッチイベント信号、たとえば０、を出力する。択一的に、表面がタッチされていることを触覚センサが検知すると、このセンサは、力に依存する値、たとえば０～＋１の値、を有するタッチイベント信号を出力するのに対し、表面がタッチされていることを触覚センサが検知しなければ、このセンサは非タッチイベント信号、たとえば０、を出力する。触覚センサの出力は、ノード５２２，５２４，５２６，５２８から成るネットワーク５２０に入力として供給される。したがって複数のセンサ各々からの入力は、（たとえば力に依存する値を有する）タッチイベントであるか、または非タッチイベントのいずれかである。一部の実施形態によれば、タッチ／ストレッチされる表面は、剛性の（柔軟でない）表面である。たとえば、指が表面にタッチし始めたときには、図８Ａに示されているように、アレイにおける１つまたは少数の触覚センサだけが、これをタッチイベントとして検知することができる。次いで、柔軟な指が一定の力で表面上に押し付けられると、その結果、接触がいっそう広い表面積に関与し、それによって、図８Ｂ～図８Ｄに示されているように、いっそう多くのセンサがタッチイベントを検知する。図８Ａ～図８Ｄに示されているように、最も高いせん断力を受け取る触覚センサからの入力を有するノード５２２，５２４，５２６，５２８のアクティビティレベルのみであるように、（図１を参照しながら説明した方法を利用して）閾値レベルが選択されるならば、生成されたアクティビティレベルが保持されるセンサだけが、図８Ａ～図８Ｄにおける円のエッジ／境界線によって表された中間ゾーンにおけるセンサである。したがって、指が一定の力で表面に対して押し付けられると、接触が徐々にいっそう大きな表面積に関与するようになり、これによって、保持されている経時的な生成アクティビティレベルを、半径方向で外側に向かって移動する波として表すことができ、つまり辿られるセンサ入力軌跡は、予測可能なセンサアクティベーションシーケンスに関与する半径方向で外側に移動する波である。指が持ち上げられ、したがって指が表面に次第にタッチしなくなっていくと、辿られるセンサ入力軌跡は、スキンセンサの集団を横切って半径方向で内側に移動する波である。新たな接触イベントおよび／または接触イベントの終了を識別するために、これらの軌跡を利用することができる。たとえば、軌跡を既知の接触イベントの軌跡と比較することによって、それぞれ異なるタイプの接触イベントを区別するために、これらの軌跡を利用することもできる。択一的に、双方が同じ軌跡全体を辿ることができるけれども、識別のための閾値に依存するシステムによって発見されるかもしれないし発見されないかもしれない、いくつかの隣接する軌跡経路／軌跡構成要素が追加される。識別のために軌跡を利用することによって、適用される指の力の量およびその結果として生じるせん断力の絶対レベルに関係なく、つまり指がどのくらい速くまたはゆっくりと表面に適用されるのかに関係なく（この場合、指の運動の速度はたとえば、上述のアクティベーションエネルギーＸにも依存する可能性がある）、同じタイプの時空間シーケンスまたは定性的イベントとして、新たな接触イベント（または接触イベントの終了）を識別することができる。さらに識別は、１つまたは少数のセンサがうまく作動していない／妨害となっているか否かには依存せず、つまりこのことはロバストな識別につながる。

一部の実施形態によれば、触覚センサまたは触覚センサアレイが、柔軟な表面に対しタッチ／ストレッチを行う。柔軟な表面によって、中間ゾーンは代わりに図８Ｅ～図８Ｈに示されているように拡大していき、中間ゾーンの幅が広がっていく。ただし、センサアクティベーションの関係全体（センサ入力軌跡）は同じままであり、この方法は、閾値レベルが十分に許容できる／低いレベルに設定されているならば、総システムアクティビティが同じ局所的最小値となって終わることになり、接触動作の特徴（新たな接触イベントおよび／または接触イベントの終了）が識別される。択一的に、すべてのノードにわたるアクティビティレベルの分布を、センサ入力軌跡をジェスチャとして識別するために利用することができる。たとえばジェスチャを識別するために剛性の表面を利用することができ、たとえば、最大せん断力が所定のインターバルで適用されていることを識別するために、柔軟な表面を利用することができる。

図９は、カメラを伴う装置の動作原理を示す概略図である。一部の実施形態によれば、複数のセンサからの入力は、ピクセル値である。ピクセル値を輝度値とすることができる。択一的にまたは付加的に、ピクセル値を、レッド、グリーンおよびブルー、またはシアン、マゼンタ、イエローおよびブラックといった色を表す、１つまたは複数の成分の輝度とすることができる。ピクセル値を、ディジタルカメラのような（図９に示されている）カメラ９１０によってキャプチャされた画像の一部とすることができる。さらに画像を、１つのシーケンスにおいてキャプチャされた複数の画像とすることができる。択一的に、画像を、１つのシーケンスの１つおきの画像といったように、キャプチャされた画像のサブセットとすることができる。図１を参照しながら説明した方法を利用する一方、すべてのノード５２２，５２４，５２６，５２８にわたるアクティビティレベルの分布を利用して、カメラ９１０の回転運動および／または並進運動によってカメラ９１０のポジションを制御することで、センサ入力軌跡を制御することができる。回転運動および／または並進運動を、カメラを回転させる／角度調整するように、かつ／またはカメラを前後または左右に移動させるように構成された、１つまたは複数のモータなどのアクチュエータ９１２によって実行することができる。したがって、すべてのノード５２２，５２４，５２６，５２８にわたるアクティビティレベルの分布が、アクチュエータ９１２へのフィードバック信号として利用される。図９によれば、カメラ９１０は、その焦点領域に物体９２０を有する。このため物体９２０は、キャプチャされた画像のうちの１つまたは複数において存在することになる。物体９２０を、人間、木、家、または任意の他の適切な物体とすることができる。カメラの角度またはポジションを制御することによって、複数のピクセルからの入力が影響を受ける／変更される。この場合にセンサ信号すなわちピクセルは、すべてのノード５２２，５２４，５２６，５２８にわたるアクティビティレベルの分布の関数、つまりは自身の内部状態の分布の関数となる。カメラ９１０の能動的な運動によって、センサ入力の時間進展ストリームが生成される。かくして、入力は経時的に動的に変化し、１つのセンサ入力軌跡を辿る。センサ入力軌跡は、カメラ９１０の運動によって制御され、総アクティビティレベルの局所的最小値に到達した状態になったならば、この局所的最小値におけるアクティビティレベルの分布が利用されて、物体の特徴または（物体の）特徴の一部など、エンティティの測定可能な特徴が特定され、この場合、測定可能な特性が物体の特徴であるならば、エンティティは物体であり、測定可能な特性が特徴の一部であるならば、エンティティは特徴である。特徴を生体測定に関する特徴とすることができ、たとえば１人の人間の目と目の間の距離など、２つの生体測定ポイント間の距離とすることができる。択一的に、特徴を、木の幅または高さのような物体の幅または高さとすることができる。一部の実施形態によれば、物体９２０とカメラ９１０との間の距離が増大したときに、入力として利用されるピクセルの数を低減させることができ、逆もまた同様に可能であり、これによって、物体または同一の物体の特徴が同一のエンティティとして識別される、ということが保証される。一例として、物体９２０とカメラ９１０との間の距離が２倍にされたならば、それよりも短い距離において入力として利用されたピクセルの４分の１のみが利用され、つまりいっそう長い距離において物体をカバーするピクセルが、いっそう長い距離における入力として利用される。かくして、距離に関係なく、物体／エンティティを同じ物体／エンティティとして識別することができる。なぜならば、カメラが物体にわたって掃引を行うときのセンサの依存性は、物体がさらに離れて位置しているときには、関与するセンサ／ピクセルの数が少なくなるにもかかわらず、定性的に同じであるとして識別可能になるからである。別の例によれば、識別すべき特徴は、白色のフィールドと黒色のフィールドとの間の垂直方向のコントラスト線である。カメラ９１０が垂直方向のコントラスト線を横切って（たとえば左から右へ）掃引を行えば、４つのセンサは、１６個または６４個のセンサと同じ特徴（つまり垂直方向のコントラスト線）を見つけることになる。それゆえ、カメラが移動したときに複数のセンサにわたって動いていく特定のタイプのセンサアクティベーション依存性となる、中央の特徴要素が存在する。さらに、カメラの運動速度も制御することができる。カメラ９１０が高められた速度で動く場合には、入力として利用されるピクセルを、１つおきの画像からといったように、いっそう僅かな画像からのものとすることができ、この逆もまた同様に可能であり、これによって、物体または物体の特徴が、速度には関係なく同じ要素として識別される、ということが保証される。さらに、エンティティ識別および／または測定可能なエンティティ特性の識別を、許容閾値と関連づけることができ、つまり既知の物理的なエンティティまたはそれらの特性と比較し、それらの物理的なエンティティまたはそれらの特性を、（見つけられた局所的最小値におけるアクティビティレベルの分布を用いて）メモリ、ルックアップテーブルまたはデータベースにおける目下の物理的エンティティまたはその特性とマッチングさせる場合に、マッチしているか否かを判定するために、許容閾値を利用することができる。許容閾値をユーザによって設定することができ、つまりユーザ定義可能とすることができる。許容閾値を使用することによって、複数のセンサにわたるアクティビティ分布が正確に同じでなくても、特徴または物体を同じものとすることができる、ということが保証される。マッチしているか否かを判定するために、複数のセンサにわたるアクティビティ分布が正確に同じである必要はないので、たとえ１つまたは少数のセンサ／ピクセルがうまく作動していない、または妨害しているとしても、正しい識別に到達することができ、つまり妨害に対する相対的なロバスト性が存在する。よって、特徴または物体を、近距離／短距離において識別することができるが、同じ特徴をもっと長い距離において識別することもでき、つまり特徴または物体を、距離に左右されることなく識別することができる。同じ論法は、同じ距離にありサイズが異なるが同じ特徴を有する２つの物体に適用される。双方のケースにおいて、総センサアクティビティは変化するが、それらの全体的な時空間的アクティベーション関係を、依然として認識することができる。

図１０Ａ～図１０Ｃには、オーディオ信号を検知する種々のセンサに関する周波数および電力が示されている。図１０Ａから見て取れるように、オーディオ信号に関する周波数スペクトルは、種々の周波数帯域に分割されている可能性がある。これら種々の周波数帯域における電力またはエネルギーを、センサによって検知（および通報）することができる。図１０Ｂには、センサ１およびセンサ２によって検知された周波数帯域における電力が示されている。この図面から見て取れるように、各センサは種々の周波数帯域を検知する。図１０Ｃには、センサ１およびセンサ２によって経時的に検知された電力に基づく知覚軌跡が示されている。オーディオ信号は、複数の周波数帯域にわたる電力またはエネルギーの動的変化を含む、ある１つの声（および場合によっては他の音響）からの音響を含む可能性がある。かくして、発話された音節ごとに、特定の動的識別特性に基づき、ある声を（複数の個人から成るグループの）ある１人の特定の個人に属するものとして識別することができる。動的識別特性は、所定の期間にわたる各周波数帯域における電力レベルまたはエネルギーレベルの特定の変化を含む。したがって、周波数スペクトルを周波数帯域に分割し、各周波数帯域または複数の周波数帯域各々における電力またはエネルギーを検知するセンサを（周波数帯域ごとに１つまたは複数のセンサを有するように）設けることによって、動的識別特性が特定のセンサ入力軌跡を生成することになる。したがって、複数のかかるセンサからの組み合わされた入力は、１つのセンサ入力軌跡を辿る。一部の実施形態によれば、複数のセンサの各センサが、１つのオーディオ信号の周波数帯域に関連づけられている。好ましくは、各センサは、それぞれ異なる周波数帯域に関連づけられている。各センサは、各センサに関連づけられた周波数帯域に存在する電力またはエネルギーを、所定の期間にわたり検知（および通報）する。図１を参照しながら説明した方法を利用し、局所的最小値に到達したならば、その局所的最小値におけるすべてのノード５２２，５２４，５２６，５２８にわたるアクティビティレベルの分布が、話者を識別するために利用される。択一的にまたは付加的に、すべてのノード５２２，５２４，５２６，５２８にわたるアクティビティレベルを利用して、オーディオ信号に存在する発話された文字、音節、音素、単語または語句を識別することができる。たとえば、見つけられた局所的最小値におけるすべてのノード５２２，５２４，５２６，５２８にわたるアクティビティレベルの分布を、既知の音節に関連づけられたアクティビティレベルの記憶された分布と比較することによって、ある１つの音節が識別される。同様に、見つけられた局所的最小値におけるすべてのノード５２２，５２４，５２６，５２８にわたるアクティビティレベルの分布を、既知の話者に関連づけられたアクティビティレベルの記憶された分布と比較することによって、ある１人の話者が識別される。（音節または話者について）マッチングしているか否かを判定するために、図９を参照しながら説明した許容閾値を適用することもできる。しかも、軌跡が辿られて、識別のために局所的最小値に到達するので、この識別は、音響信号の速度ならびに音量には依存しない。

図１１は、別のセンサ入力軌跡のグラフである。図１１には、３つのセンサ（センサ１、センサ２およびセンサ３）に基づく経時的な１つのセンサ入力軌跡が示されている。図１１から見て取れるように、センサ１の経時的な測定値がＸ座標として利用される一方、センサ２の経時的な測定値がＹ座標として利用され、さらにセンサ３の経時的な測定値が３次元空間に関するデカルト座標系のＺ座標として利用される。１つの実施形態によれば、これらのセンサは、１つのオーディオ信号の異なる周波数帯域を測定している。別の実施形態によれば、センサは、タッチイベントが存在しているのかを測定している。さらに別の実施形態によれば、センサは、ピクセルの輝度値を測定している。図１１に描かれた座標が合わさって、１つの知覚軌跡を成している。

当業者に自明のとおり、本開示は上述の好ましい実施形態に限定されるものではない。当業者にさらに自明のとおり、添付の特許請求の範囲内で変更および変形を行うことができる。たとえば、アロマまたはフレーバーなどの他のエンティティを識別することができる。これらのことに加え、請求された本開示を実施するにあたり当業者であれば、図面、開示および添付の特許請求の範囲を精査することで、開示された実施形態に対する変形を理解しかつ成し遂げることができる。

Claims (11)

1. コンピュータまたはハードウェアにより実装されたエンティティ識別方法（１００）であって、当該方法（１００）は、
   ａ）複数のノードから成るネットワークに複数のセンサからの入力を供給するステップ（１１０）と、
   ｂ）前記ネットワークの各ノードによって、前記複数のセンサからの入力に基づきアクティビティレベルを生成するステップ（１２０）と、
   ｃ）各ノードの前記アクティビティレベルを閾値レベルと比較するステップ（１３０）と、
   ｄ）前記比較するステップに基づき、各ノードについて、前記アクティビティレベルをプリセット値に設定するか、または生成された前記アクティビティレベルを保持するステップ（１４０）と、
   ｅ）前記ネットワークの前記ノードのすべてのアクティビティレベルの総和として、総アクティビティレベルを計算するステップ（１５０）と、
   ｆ）前記総アクティビティレベルの局所的最小値に到達した状態になるまで、前記ステップａ）～ｅ）を反復するステップ（１６０）と、
   ｇ）前記総アクティビティレベルの前記局所的最小値に到達した状態になったならば、測定可能なエンティティ特性を識別するために、前記局所的最小値におけるアクティビティレベルの分布を利用するステップ（１７０）と、
   を含む、コンピュータまたはハードウェアにより実装されたエンティティ識別方法（１００）。
2. 前記入力は経時的に動的に変化し、１つのセンサ入力軌跡を辿る、請求項１記載のコンピュータまたはハードウェアにより実装された方法。
3. 前記複数のセンサはセンサ同士の依存性を監視する、請求項２記載のコンピュータまたはハードウェアにより実装された方法。
4. 前記総アクティビティレベルの局所的最小値に到達した状態になるのは、ユーザ定義可能な時間閾値よりも長い期間にわたり、ユーザ定義可能な偏差閾値よりも小さい偏差で、１つのセンサ入力軌跡が辿られたときである、請求項２または３記載のコンピュータまたはハードウェアにより実装された方法。
5. 各ノードの前記アクティビティレベルが、各々が重みにより重み付けられた入力として、他のすべてのノードに対し利用され、少なくとも１つの重み付けられた入力は負であり、かつ／または少なくとも１つの重み付けられた入力は正であり、かつ／または保持されているすべての生成アクティビティレベルは正のスカラーである、請求項１から４までのいずれか１項記載のコンピュータまたはハードウェアにより実装された方法。
6. 前記ネットワークは、前記総アクティビティレベルの前記局所的最小値がどこにあるのかに影響を及ぼすアクティベーションエネルギーＸによってアクティベートされる、請求項１から５までのいずれか１項記載のコンピュータまたはハードウェアにより実装された方法。
7. 前記複数のセンサからの入力は、カメラによりキャプチャされた画像のピクセル値、たとえば輝度、であり、すべてのノードにわたるアクティビティレベルの前記分布はさらに、前記カメラの回転運動および／または並進運動により前記カメラのポジションを制御し、これによって前記センサ入力軌跡を制御するために利用され、識別される前記エンティティは、キャプチャされた前記画像の少なくとも１つの画像内に存在する物体または物体の特徴である、請求項２から６までのいずれか１項記載のコンピュータまたはハードウェアにより実装された方法。
8. 前記複数のセンサはタッチセンサであり、前記複数のセンサ各々からの前記入力は、力に依存する値を有するタッチイベント信号であり、前記センサ入力軌跡を新たな接触イベント、接触イベントの終了、ジェスチャとして、または加えられた圧力として、識別するために、すべてのノードにわたるアクティビティレベルの前記分布が利用される、請求項２から６までのいずれか１項記載のコンピュータまたはハードウェアにより実装された方法。
9. 前記複数のセンサの各センサは、１つのオーディオ信号のそれぞれ異なる周波数帯域に関連づけられており、各センサは、関連づけられた周波数帯域内に存在するエネルギーを通報し、複数のかかるセンサからの組み合わされた前記入力は、１つのセンサ入力軌跡を辿り、すべてのノードにわたるアクティビティレベルの前記分布は、話者、および／または前記オーディオ信号に存在する発話された文字、音節、音素、単語または語句を識別するために利用される、請求項２から６までのいずれか１項記載のコンピュータまたはハードウェアにより実装された方法。
10. プログラム命令を含むコンピュータプログラムが設けられた非一時的コンピュータ可読媒体（２００）を含むコンピュータプログラム製品であって、前記コンピュータプログラムは、データ処理ユニット（２２０）にロード可能であり、該データ処理ユニット（２２０）によって前記コンピュータプログラムが実行されると、請求項１から８までのいずれか１項記載の方法を実行させるように構成されている、コンピュータプログラム製品。
11. エンティティ識別装置（３００）であって、当該装置（３００）は、以下のことを行わせるように構成された制御回路（３１０）を含む、すなわち、
    ａ）複数のノードから成るネットワークに複数のセンサからの入力を供給し、
    ｂ）前記ネットワークの各ノードによって、前記複数のセンサからの入力に基づきアクティビティレベルを生成し、
    ｃ）各ノードの前記アクティビティレベルを閾値レベルと比較し、
    ｄ）前記比較に基づき、各ノードについて、前記アクティビティレベルをプリセット値に設定するか、または生成された前記アクティビティレベルを保持し、
    ｅ）前記ネットワークの前記ノードのすべてのアクティビティレベルの総和として、総アクティビティレベルを計算し、
    ｆ）前記総アクティビティレベルの局所的最小値に到達した状態になるまで、ａ）～ｅ）を反復し、
    ｇ）前記総アクティビティレベルの前記局所的最小値に到達した状態になったならば、測定可能なエンティティ特性を識別するために、前記局所的最小値におけるアクティビティレベルの分布を利用する
    ことを行わせるように構成された制御回路（３１０）を含む、エンティティ識別装置（３００）。

Images